Иркутск, Россия
Иркутск, Россия
Решается задача моделирования развития социально-экономической ситуации в регионах на примере статистической оптимизации неизвестной оценочной (индикативной) функции, описывающей связи между экономическими показателями территориальной системы. Для формализации связей, идентификации параметров оптимизации, классификации ситуаций экономических систем по признакам неоднородности геоисторической среды и фиксации моментов трансформации социально-экономических режимов используется байесовский подход. При этом переменные и коэффициенты модели интерпретируются как билинейные характеристики, что позволяет отразить единство внутренних и внешних системных свойств и одновременное влияние фундаментальных экономических факторов и условий географической и исторической среды, что важно для решения современных проблем в области оптимального регионального развития в неоднородном природном и инфраструктурном окружении. При анализе показателей региональной экономики исследуется эмпирическая зависимость размеров внутренних инвестиций от объемов производства в промышленности и сельском хозяйстве в регионах России за 2000–2016 гг., что продемонстрировано на примере экономики Иркутской области. Показаны закономерности инвестиционно-производственного процесса в докризисный, кризисный и посткризисный периоды. Выделены соответствующие характерные временные периоды (2000–2006, 2006–2008 и 2008–2016) изменения условий инвестиционной среды для ведения промышленного производства, в то же время для сельскохозяйственной деятельности такая взаимосвязь отсутствует. Выявлено, что под воздействием геоэкономических условий средовые показатели региональной системы меняются, что влияет на выбор оптимального решения субъектами экономической деятельности в области инвестирования.
статистическая оптимизация, средовые показатели, моделирование экономической ситуации, инвестиции
1. Hatanaka M. Time series-based econometrics: unit roots and cointegration. Oxford: Oxford University Press, 1996, 312. https://doi.org/10.1093/0198773536.001.0001
2. Maddala G. S., Kim In-Moo. Unit roots, cointegration, and structural change. Cambridge: Cambridge University Press, 1998, 505.
3. Носко В. П. Эконометрика. Введение в регрессионный анализ временных рядов. М.: МФТИ, 2002. 273 с.
4. Носко В. П. Эконометрика. М.: Дело, 2011. Кн. 1. 672 с.
5. Васильев Ф. П. Методы решения экстремальных задач. М.: Наука, 1981. 400 с.
6. Васильев Ф. П. Численные методы решения экстремальных задач. 2-е изд., перераб. и доп. M.: Наука, 1988. 549 с.
7. Kiefer J., Wolfowitz J. Statistical estimation on the maximum of a regression function. Ann. Math. Statist, 1952, 23(3): 462-466. https://doi.org/10.1214/AOMS/1177729392
8. Лебедев И. В., Трескунов С. Л., Яковенко В. С. Элементы струйной автоматики. М.: Машиностроение, 1973. 360 с.
9. Ermoliev Yu., Wets R. Numerical techniques for stochastic optimization. Berlin: Springer-Verlag, 1988, 586.
10. Sakalauskas L. Nonlinear stochastic optimization by Monte-Carlo estimators. Informatica, 2000, 11(4): 455-468.
11. Sakalauskas L. Nonlinear stochastic programming by Monte-Carlo estimators. European Journal of Operational Research, 2002, 137(3): 558-573.
12. Юдин Д. Б. Математические методы управления в условиях неполной информации (задачи и методы стохастического программирования). М.: Советское радио, 1974. 400 с.
13. Юдин Д. Б., Юдин А. Д. Экстремальные модели в экономике. М.: Экономика, 1979. 289 с.
14. Seiford L. M., Thrall R. M. Recent developments in DEA: the mathematical programming approach to frontier analysis. Journal of Econometrics, 1990, 46(1-2): 7-38. https://doi.org/10.1016/0304-4076(90)90045-U
15. Kazan H., Baydar M. Performance measurement with data envelopment analysis in service industry: banking application. Business Management Dynamics. 2013, 3(5): 37-50.
16. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.
17. Зельнер А. Байесовские методы в эконометрии. М.: Статистика, 1980. 438 с.
18. Айвазян С. А. Байесовский подход в эконометрическом анализе. Прикладная эконометрика. 2008. № 1. C. 93-130.
19. Де Гроот М. Оптимальные статистические решения. М.: Мир, 1974. 491 с.
20. Хей Дж. Введение в методы байесовского статистического вывода. M.: Финансы и статистика, 1987. 336 с.
21. Маркеев А. П. О принципе наименьшего принуждения. Соросовский образовательный журнал. 1998. № 1. С. 113-121.
22. Зоркальцев В. И. Метод наименьших квадратов. Геометрические свойства, альтернативные подходы, приложения. Новосибирск: Наука, 1995. 219 с.
23. Зуланке Р., Винтген П. Дифференциальная геометрия и расслоения. М.: Мир, 1975. 348 с.
24. Strehler B. L., Mildvan A. S. General theory of mortality and aging. Science, 1960, 132(3418): 14-21. https://doi.org/10.1126/science.132.3418.14
25. Кофман Г. Б. Уравнения роста и онтогенетическая аллометрия. Математическая биология развития, отв. ред. А. И. Зотин, Е. В. Преснов. М.: Наука. 1982. С. 49-55.
26. Гаврилов Л. А., Гаврилова Н. С. Биология продолжительности жизни. 2-е изд., перераб. и доп. М.: Наука, 1991. 280 с.
27. Мядзелец А. В., Черкашин А. К. Пространственные и временные индикаторы для сравнения условий развития экономики регионов России. Региональные исследования. 2016. № 3. С. 22-31.
28. Myadzelets A. V. Modeling of the socio-economic potential of the Siberian regions with consideration for their economic-geographical position in the national economic system of the Russian Federation. Math. Model. Nat. Phenom., 2009, 4(5): 158-175. https://doi.org/10.1051/mmnp/20094511
29. Вакуленко Е. С., Гурвич Е. Т. Взаимосвязь ВВП, безработицы и занятости: углубленный анализ закона Оукена для России. Вопросы экономики. 2015. № 3. С. 5-27. https://doi.org/10.32609/0042-8736-2015-3-5-27
30. Черкашин А. К. Математические основания синтеза знаний междисциплинарных исследований социально-экономических явлений. Журнал экономической теории. 2017. № 3. С. 108-124.
31. Черкашин А. К., Мядзелец А. В. Характеризация развития региональной экономики с учетом макроэкономических факторов и условий. Экономика и математические методы. 2017. Т. 53. № 4. С. 13-25.
32. Jaeger L., Wagner C. Factor modeling and benchmarking of hedge funds: can passive investments in hedge fund strategies deliver? The Journal of Alternative Investments, 2005, 8(3): 9-36.
33. Гельфанд И. М., Фомин С. В. Вариационное исчисление. М.: Физматгиз, 1961. 228 с.
34. Аганбегян А. Г. Об особенностях современного мирового финансового кризиса и его последствий для России. Деньги и кредит. 2008. № 12. С. 3-9.
35. Ершов М. Кризис 2008 года: «момент истины» для глобальной экономики и новые возможности для России. Вопросы экономики. 2008. № 12. С. 4-26. https://doi.org/10.32609/0042-8736-2008-12-4-26
36. Шавшуков В. М. Глобальный финансово-экономический кризис: причины, природа, механизмы распространения. Антикризисные действия монетарных властей. Экономические науки. 2014. № 114. С. 121-125.
37. Groenewold N., Fraser P. Time-varying estimates of CAPM betas. Mathematics and Computers in Simulation. 1999, 48(4-6): 531-539.
38. Buckland R., Fraser P. Political and regulatory risk: beta sensitivity in U.K. electricity distribution. Journal of Regulatory Economics, 2001, 19(1): 5-25.
