Санкционное давление и волатильность конъюнктуры мировых товарных рынков негативно отражаются на фискальной устойчивости субнациональных бюджетов. Ограниченная прогностическая способность оценки региональной устойчивости по ретроспективному анализу фактического исполнения бюджетов не позволяет превентивно купировать системные угрозы. Цель исследования – разработка и математическая верификация риск-ориентированной модели оптимизации межбюджетных трансфертов, минимизирующих долговые риски субъектов при сохранении совокупного баланса федерального бюджета. Материал исследований: официальные статистические данные за 2022–2024/2025 гг. по пяти макрофискальным индикаторам для каждого из 85 субъектов Российской Федерации. Базовые временные ряды преобразованы в цепные темпы прироста, стохастические дескрипторы – математическое ожидание и стандартное отклонение. Имитационная модель прогнозного цикла построена на базе генерации случайных чисел и обратных функций нормального распределения, в каждой итерации введена равномерно распределенная независимая случайная величина (глобальный системный шок). Модель реализована в среде программирования Visual Basic for Applications. Вычислительный эксперимент включал верификацию изолированных профилей устойчивости каждого из регионов; моделирование масштабного макрофискального стресс-теста и нахождение агрегированного показателя доли долга в валовом региональном продукте. Имитация выполнена для пропорциональной корректировки базовых трансфертов в условиях шоков, компенсации фискального дефицита по факту его возникновения и разработанной риск-ориентированной превентивной модели. Модель продемонстрировала бюджетную нейтральность, обеспечивала выравнивание региональной прочности без увеличения макроструктурного системного риска и может быть полезной при решении задач управления общественными финансами.
Sanctions pressure and volatility in global commodity markets are negatively impacting the fiscal sustainability of subnational budgets. The limited predictive power of assessing regional sustainability based on retrospective analysis of actual budget execution hinders the proactive mitigation of systemic threats. The objective of this study is to develop and mathematically verify a risk-based model for optimizing interbudget transfers that minimizes regional debt risks while maintaining the overall federal budget balance. Research material includes official statistical data for 2022-2024/2025 on five macrofiscal indicators for each of the 85 constituent entities of the Russian Federation. The underlying time series are converted into chain growth rates, and the stochastic descriptors are the mathematical expectation and standard deviation. The forecast cycle simulation model is based on random number generation and inverse normal distribution functions. A uniformly distributed independent random variable (a global systemic shock) is introduced into each iteration. The model is implemented in the Visual Basic for Applications programming environment. The computational experiment included verifying isolated resilience profiles for each region, simulating a large-scale macrofiscal stress test, and calculating the aggregated share of debt in gross regional product. The simulation was performed to proportionally adjust basic transfers in the face of shocks, compensate for fiscal deficits upon their occurrence, and support the developed risk-based preventive model. The model demonstrated budget neutrality, ensured the equalization of regional resilience without increasing macrostructural systemic risk, and may be useful in solving public finance management problems.
1. Колбин Н. А., Кустарников Е. А. Межбюджетные трансферты: многообразие подходов и международная практика // Отходы и ресурсы. 2023. Т. 10. № 1. URL: https://resources.today/PDF/40ECOR123.pdf (дата обращения: 27.06.2026). DOI: 10.15862/40ECOR123.
2. Белаш А. В. Совершенствование методики распределения межбюджетных трансфертов: учет факторов и приоритетов развития // KANT. 2025. № 2 (55). С. 13–20. DOI: 10.24923/2222-243X.2025-55.2.
3. Исаев А. Г. Распределение финансовых ресурсов в бюджетной системе РФ и экономический рост российских регионов // Пространственная экономика. 2016. № 4. С. 61–74. DOI: 10.14530/se.2016.4.061-074.
4. Kerkhof J., Melenberg B. Backtesting for risk-based regulatory capital // Journal of Banking & Finance. 2004. Vol. 28. Is. 8. P. 1845–1865. DOI: 10.1016/j.jbankfin.2003.06.007.
5. Щетинин Е. Ю. Методы оценивания рисковой стоимости финансовых активов на основе методологии Value at Risk // Финансовая аналитика: проблемы и решения. 2008. № 7 (7). С. 73–82. EDN: IUZLNH.
6. Дробыш И. И. Сравнительный анализ методов оценки рыночного риска, основанных на величине Value at Risk // Экономика и математические методы. 2016. Т. 52. № 4. С. 74–93. EDN: XEUGIN. URL: https://ideas.repec.org/a/scn/cememm/v52y2016i4p74-93.html (дата обращения: 10.06.2026).
7. Дробыш И. И. Современные методы расчета величины Value at Risk при оценке рыночных рисков // Труды Института системного анализа Российской академии наук. 2018. Т. 68. № 3. С. 51–62. DOI: 10.14357/20790279180305.
8. Singer H. Importance sampling for Kolmogorov backward equations // AStA Advances in Statistical Analysis. 2014. Vol. 98. P. 345–369. DOI: 10.1007/s10182-013-0223-z.
9. Ben Salem A., Safer I., Khefacha I. Value-at-Risk (VAR) Estimation Methods: Empirical Analysis based on BRICS Markets // MPRA Paper. 2022. № 113350. URL: https://mpra.ub.uni-muenchen.de/113350/1/MPRA_paper_113350.pdf (дата обращения: 10.06.2026).
10. Burriel P. et al. A fiscal capacity for the euro area: lessons from existing fiscal-federal systems // Banco de España Occasional Paper. 2020. № 2009. URL: https://www.bde.es/f/webbde/SES/Secciones/Publicaciones/PublicacionesSeriadas/DocumentosOcasionales/20/Files/do2009e.pdf (дата обращения: 10.06.2026).
11. Asatryan Z., Feld Lars P., Revisiting the link between growth and federalism: A Bayesian model averaging approach // Journal of Comparative Economics. Vol. 43. Is. 3. 2015. P. 772–781. DOI: 10.1016/j.jce.2014.04.005.
12. Паздникова Н. П., Шипицына С. Е. Стресс-тестирование в управлении бюджетными рисками региона // Экономика региона. 2014. № 3. С. 208–217. DOI: 10.17059/2014-3-21.
13. Нерослов А. Д., Паздникова Н. П. Универсализация оценки бюджетных рисков российских регионов // Ars Administrandi (Искусство управления). 2024. Т. 16. № 3. С. 393–412. DOI: 10.17072/2218-9173-2024-3-393-412.
14. Буваев Б. Л. VaR – как инструмент оценки финансовых рисков // Инновации и инвестиции. 2018. № 9. С. 292–294. EDN: JTERVO.
15. Яшина Н. И., Поющева Е. В., Яшин К. С. Методические аспекты оценки эффективности управления государственным долгом с учетом определения уровня благосостояния населения различных стран // Финансы и кредит. 2014. № 3 (579). С. 2–12. EDN: RSUQMV.
16. Шамаев С. А. Оценка введения прогрессивного налога на потребление в России // Налоги и налогообложение. 2025. № 3. С. 33–65. DOI: 10.7256/2454-065X.2025.3.74521.
17. Бабина О. И., Владимирова О. Н. О возможности применения имитационных моделей в стратегическом планировании региона // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2018. № 1 (35). С. 15–20. EDN: YUVVQK.
18. Сериков С. Г. Оценка эффективности реализации механизма распределения межбюджетных трансфертов между субъектами Российской Федерации // Региональные проблемы преобразования экономики. 2024. № 1 (159). С. 130–135. DOI: 10.26726/1812-7096-2024-1-130-135.
19. Benczur P., Berti K., Cariboni J., Di Girolamo F. E., Langedijk S., Pagano A., Petracco Giudici M. Banking Stress Scenarios for Public Debt Projections // European Economy. Economic Papers. 2015. № 548. URL: https://ec.europa.eu/economy_finance/publications/economic_paper/2015/pdf/ecp548_en.pdf (дата обращения: 02.07.2026). DOI: 10.2765/734404.
20. Porter N., Tovar Mora C. E., Trevino J. P., et al. The Systemic Impact of Debt Default in a Multilayered Global Network Model // IMF Working Paper. 2022. № 2022/171. DOI: 10.5089/9798400218712.001.