Прогнозирование пространственных эффектов и факторов развития региона с использованием методов машинного обучения

Обложка

Цитировать

Полный текст

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

Аннотация

При моделировании пространственного развития территории с учетом пространственных эффектов важно иметь в виду, что на текущее развитие территории влияют не только внутренние показатели (экономические, социальные, демографические, инфраструктурные и т.д.), но и процессы, происходящие в соседних районах. При моделировании пространственного развития Российской Федерации необходимо учитывать пространственную неоднородность, большие расстояния, транспортные коридоры и природно-климатические условия. Учет этих сложных составляющих включает в себя моделирование межрегионального и внутри регионального взаимодействия. Целью исследования является оценка влияния социально-экономических факторов на валовой региональный продукт (ВРП) с учетом пространственной взаимосвязи между федеральными округами и временной динамики. Для достижения цели в работе решались следующие задачи: 1) проведен всесторонний анализ подходов к моделированию пространственного развития регионов; 2) разработана адаптированная методология пространственного анализа, включающая: комплексную систему показателей социально-экономического развития, учитывающую специфику сибирских регионов, типологию пространственных эконометрических моделей. Материалы и методы. При моделировании применялся аппарат эконометрического пространственного моделирования. Выводы. Пространственные эконометрические модели обеспечивают более точное описание социально-экономических процессов в федеральных округах по сравнению с традиционными подходами, не учитывающими пространственную структуру данных.

Полный текст

Доступ закрыт

Об авторах

Светлана Сергеевна Михайлова

Финансовый университет при Правительстве Российской Федерации

Автор, ответственный за переписку.
Email: ssmihajlova@fa.ru
ORCID iD: 0000-0001-9183-8519

доктор экономических наук, доцент, ведущий научный сотрудник, Институт цифровых технологий, факультет информационных технологий и анализа больших данных

Россия, г. Москва

Наталья Владимировна Гринева

Финансовый университет при Правительстве Российской Федерации

Email: ngrineva@fa.ru
ORCID iD: 0000-0001-7647-5967

кандидат экономических наук, доцент, доцент кафедры информационных технологий, Институт цифровых технологий, научный сотрудник

Россия, г. Москва

Юрий Александрович Кораблев

Финансовый университет при Правительстве Российской Федерации

Email: YuAKorablev@fa.ru
ORCID iD: 0000-0001-5752-4866
SPIN-код: 3594-3504

кандидат экономических наук, доцент, научный сотрудник, Институт цифровых технологий, доцент кафедры бизнес-информатики, факультет информационных технологий и анализа больших данных

Россия, г. Москва

Умар Аптиевич Бачаев

Финансовый университет при Правительстве Российской Федерации

Email: UABachaev@fa.ru
ORCID iD: 0000-0003-4109-8596
SPIN-код: 8029-6668

аспирант, стажер-исследователь, Институт цифровых технологий

Россия, г. Москва

Список литературы

  1. Baltagi B.H. Econometric analysis of panel data. 3rd ed. Chichester: John Wiley & Sons, 2005. 401 p. ISBN: 978-0470844940.
  2. Wooldridge J.M. Econometric analysis of cross section and panel data. 2nd ed. Cambridge, MA: MIT Press, 2010. 1064 p. ISBN: 978-0262232586.
  3. Elhorst J.P. Specification and estimation of spatial panel data models. International Regional Science Review. 2003. Vol. 26. No. 3. Pp. 244–268.
  4. Elhorst J.P. Spatial panel data models. In: Handbook of applied spatial analysis. Berlin; Heidelberg: Springer, 2010. Pp. 377–407.
  5. Lee L.F., Yu J. QML estimation of spatial dynamic panel data models with time varying spatial weights matrices. Spatial Economic Analysis. 2012. Vol. 7. No. 1. Pp. 31–74.
  6. Lee L.F., Yu J. Spatial panels: Random components versus fixed effects. International Economic Review. 2012. Vol. 53. No. 4. Pp. 1361–1387.
  7. Kuersteiner G.M., Prucha I.R. Dynamic spatial panel models: networks, common shocks, and sequential exogeneity. Econometrica. 2020. Vol. 88. No. 5. Pp. 2109–2146.
  8. Gao Z., Ma Y., Wang H., Yao Q. Banded spatio-temporal autoregressions. arXiv preprint. 2018. arXiv:1812.09264.
  9. Yan Y., Huang H.-C., Genton M. G. Vector autoregressive models with spatially structured coefficients for time series on a spatial grid. arXiv preprint. 2020. arXiv:2001.00565.
  10. Glass A., Kenjegalieva K., Sickles R.C. A spatial autoregressive stochastic frontier model for panel data with asymmetric efficiency spillovers. Journal of Econometrics. 2015. Vol. 190. No. 2. Pp. 289–300.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Результаты моделирования и прогнозирования для ЦФО (а) и ДФО (b)

Скачать (381KB)

© Юр-ВАК, 2025

Ссылка на описание лицензии: https://www.urvak.ru/contacts/