Интеграционное моделирование инвестиционных потоков в современных условиях развития мировой экономики

Обложка
  • Авторы: Иванов В.В.1, Саркисьянц Ю.К.2
  • Учреждения:
    1. Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации Национальный исследовательский университет "Московский институт электронной техники"
    2. Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации
  • Выпуск: Том 13, № 3 (2023)
  • Страницы: 1135-1148
  • Раздел: Статьи
  • URL: https://journals.eco-vector.com/2222-0372/article/view/608050
  • DOI: https://doi.org/10.18334/vinec.13.3.118486
  • ID: 608050

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Данная статья раскрывает экономические аспекты влияния современных трендов в трансграничном движении капиталов на движение международных инвестиционных ресурсов. Авторами сформирован data-driven подход к исследованию инвестиционных данных и предложили релевантные инструменты интеллектуальной аналитики данных. В статье рассмотрены вопросы выбора алгоритмов экономического анализа для исследования трендов мировой экономики. Авторами предложена экономико-аналитическая интеграционная модель, в которой использован двухуровневый подход к исследованию экономических инвестиционных процессов на основе разработанного механизма совмещения моделей, обеспечивающего объединение подходов «сверху-вниз» и «снизу-вверх».С помощью математических методов сформирована архитектура платформы, позволяющая проведение прогнозирования макроэкономических показателей с возможностью анализа конкурентных факторов инвестиционной привлекательности стран, торговой политики и параметров мирового движения капиталов. Предложенная интеграционная экономическая модель может иметь практическое применение в рамках формируемых аналитических задач. Характеристики модели, гибкость и скорость адаптации к непостоянным параметрам окружающей среды отвечает современным трендам в развитии мировой экономики и решает наиболее остро стоящие задачи игроков на международном рынке.

Об авторах

Валерий Викторович Иванов

Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации Национальный исследовательский университет "Московский институт электронной техники"

Email: vivanov13@mail.ru
Профессор кафедры маркетинга и управления проектами; Профессор кафедры финансов и валютно-кредитных отношений,Доктор экономических наук, Профессор

Юрий Карэнович Саркисьянц

Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации

Email: Ysark98@gmail.com
Аспирант

Список литературы

  1. 1. Мониторинг предприятий: оценки, ожидания, комментарии. [Электронный ресурс]. URL: https://cbr.ru/analytics/dkp/monitoring/05_22/ (дата обращения: 01.05.2023).
  2. 2. Мониторинг санкций России. [Электронный ресурс]. URL: https://www.castellum.ai/russia-sanctions-dashboard (дата обращения: 12.01.2023).
  3. 3. О блокировке расчетов Euroclear Bank и Clearstream Banking. Национальный расчетный депозитарий. [Электронный ресурс]. URL: https://www.nsd.ru/publications/news/soobshcheniya-klientam/o-blokirovke-raschetov-euroclear-bank-i-clearstream-banking/ (дата обращения: 4.02.2023).
  4. 4. Банк России продлил еще на полгода, до 9 сентября 2023 года, ограничения на снятие наличной иностранной валюты. Банк России. [Электронный ресурс]. URL: https://cbr.ru/press/event/?id=14596 (дата обращения: 20.04.2023).
  5. 5. Банк России определил правила формирования специальных ПИФ с заблокированными активами. Банк России. [Электронный ресурс]. URL: https://cbr.ru/press/event/?id=14540 (дата обращения: 27.03.2023).
  6. 6. Управление риском информационной безопасности и киберустойчивость: новые стандарты. Банк России. [Электронный ресурс]. URL: https://cbr.ru/press/event/?id=14516 (дата обращения: 27.03.2023).
  7. 7. Родина Г.А. Экономическая теория на развилке: изменение повестки дня // Теоретическая экономика. – 2022. – № 10. – c. 69-77.
  8. 8. Рожковская Е.А. Проблемы и направления совершенствования краткосрочного макроэкономического прогнозирования в Республике Беларусь // Научные труды ИНП РАН. – 2021. – doi: 10.47711/2076-318-2021-138-166.
  9. 9. Van Veen Tom Have Macroeconomic Models Lost Their Connection with Economic Reality?. / CESifo Working Papers, paper №8256., 2020.
  10. 10. Yagihashi Takeshi, DSGE Models Used by Policymakers: A Survey. Policy Research Institute, Ministry of Finance, Japan. – 2020. [Электронный ресурс]. URL: https://www.mof.go.jp/pri/research/discussion_paper/ron333.pdf (дата обращения: 14.04.2023).
  11. 11. Muellbauer John The Future of Macroeconomics. / Nuffield College, and Institute for New Economic Thinking at the Oxford Martin School. - University of Oxford, U.K, 2018.
  12. 12. Вестник Банка России. – №58-59. – 2022. Банк России. [Электронный ресурс]. URL: https://www.cbr.ru/Queries/XsltBlock/File/131643/-1/2390-2391 (дата обращения: 5.04.2023).
  13. 13. Широв А.А. Макроструктурный анализ и прогнозирование в современных условиях развития экономики // Проблемы прогнозирования. – 2022. – № 5. – c. 43-57. – doi: 10.47711/0868-6351-194-43-57.
  14. 14. Кабанов С.С., Францева-Костенко Е.Е. Циклическая теория экономического развития и ее актуальность для прогнозирования экономики России // Креативная экономика. – 2023. – № 1. – c. 129-148. – doi: 10.18334/ce.17.1.116903.
  15. 15. Мамонов М. Е., Пестова А. А., Панкова В. А., Ахметов Р. Р. Межстрановой опыт прогнозирования макроэкономических и кредитных кризисов и его применение для России // Экономическая политика. – 2020. – № 5. – c. 130-159.
  16. 16. Зимовец А.В., Климачев Т.Д. Анализ и оценка сценариев социально-экономического развития России в условиях санкционной блокады и непредсказуемости глобальных трендов мировой экономики // Экономические отношения. – 2023. – № 1. – c. 181-202. – doi: 10.18334/eo.13.1.117207.
  17. 17. Варьяш И.Ю. Исследование модели опережающих индикаторов условий инвестирования // Банковское дело. – 2022. – № 2. – c. 13-21.
  18. 18. Статистика внешнего сектора – Международная инвестиционная позиция. Банк России. [Электронный ресурс]. URL: https://cbr.ru/statistics/macro_itm/svs/ (дата обращения: 21.03.2023).
  19. 19. Крепцев Д., Селезнев С. DSGE – Dynamic Stochastic General Equilibrium / DSGE-модель российской экономики с банковским сектором. Банк России. – декабрь 2017. [Электронный ресурс]. URL: https://cbr.ru/Content/Document/File/119374/bDSGE.pdf (дата обращения: 2.02.2023).
  20. 20. CGE – Computable General Equilibrium / A Standard Computable General Equilibrium (CGE) Model in GAMS. [Электронный ресурс]. URL: https://cbr.ru/Content/Document/File/118792/inf_note_feb_2521_2.pdf (дата обращения: 29.01.2023).
  21. 21. Яковлева А. Оценка экономической активности на основе текстового анализа. Банк России. – декабрь 2018. [Электронный ресурс]. URL: https://rjmf.econs.online/upload/iblock/428/RJMF_77-04_RUS_Yakovleva.pdf (дата обращения: 19.02.2023).
  22. 22. Махов С.А. Динамическая макромодель стран БРИКС с учетом торговли // Препринты ИПМ им. М.В. Келдыша. – 2017. – № 139. – c. 20.
  23. 23. Семитуркин О., Шевелев А. Прогнозирование региональной инфляции с помощью методов машинного обучения на примере макрорегиона Сибирь. Банк России. – март 2022. [Электронный ресурс]. URL: https://cbr.ru/StaticHtml/File/134576/wp_91.pdf (дата обращения: 9.02.2023).
  24. 24. RNN – (Recurrent Neural Network) — вид нейронных сетей, где связи между элементами образуют направленную последовательность. ITMO лекции. [Электронный ресурс]. URL: https://neerc.ifmo.ru/wiki/index.php?title=Рекуррентные_нейронные_сети (дата обращения: 12.02.2023).
  25. 25. Reinforcement learning (обучение с подкреплением) – тип машинного обучения, в котором модели непрерывно учатся. Baeldung: Computer Science. [Электронный ресурс]. URL: https://www.baeldung.com/cs/reinforcement-learning-neural-network (дата обращения: 12.02.2023).
  26. 26. Слабый (narrow, weak AI) – существующий на сегодняшний день тип ИИ, способный решать узко определенный круг задач. Skillbox. [Электронный ресурс]. URL: https://skillbox.ru/media/code/iskusstvennyy_intellekt_mashinnoe_obuchenie_i_glubokoe_obuchenie_v_chyem_raznitsa/ (дата обращения: 12.02.2023).
  27. 27. Крепцев Д., Селезнев С. Краткосрочная оценка ВВП России методом комбинирования прогнозов. Банк России. – февраль 2021. [Электронный ресурс]. URL: http://www.cbr.ru/statichtml/file/118606/wp-feb21.pdf (дата обращения: 5.11.2022).
  28. 28. Семитуркин О., Шевелев А. Межстрановая BVAR-модель внешнего сектора Сибирь. Банк России. – декабрь 2020. [Электронный ресурс]. URL: https://cbr.ru/Content/Document/File/118792/inf_note_feb_2521_2.pdf (дата обращения: 10.02.2023).
  29. 29. LTSW – Long-term growth model на основе макроэкономической модели Solow-Swan. The World Bank. [Электронный ресурс]. URL: https://www.worldbank.org/en/research/brief/LTGM (дата обращения: 1.02.2023).
  30. 30. Цель ансамблевых методов — объединить прогнозы нескольких базовых оценок, построенных с заданным алгоритмом обучения, чтобы улучшить обобщаемость / надежность по сравнению с одной оценкой. Scikit learn website. [Электронный ресурс]. URL: https://scikit-learn.ru/1-11-ensemble-methods/ (дата обращения: 5.02.2023).
  31. 31. Платформа — предприятие, обеспечивающее взаимовыгодные взаимодействия между сторонними производителями и потребителями (или любыми другими сторонами сделки). Манн-Иванов-Фербер. [Электронный ресурс]. URL: https://biz.mann-ivanov-ferber.ru/2017/08/29/chto-takoe-platforma-i-kak-ispolzovat-etot-koncept-v-biznese/ (дата обращения: 8.02.2023).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Иванов В.В., Саркисьянц Ю.К., 2023

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах