+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Включен в перечень ВАК по специальностям

ЭКОНОМИЧЕСКИЕ НАУКИ:
5.2.1. Экономическая теория
5.2.3. Региональная и отраслевая экономика

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

Eastview
eLIBRARY.RU
Biblioclub

Полимодельность структур рядов, окрестность распределения помех, вейвлет-преобразования для оценки мезодинамики

т. 20, вып. 10, октябрь 2021

PDF  PDF-версия статьи

Получена: 26.08.2021

Получена в доработанном виде: 07.09.2021

Одобрена: 19.09.2021

Доступна онлайн: 29.10.2021

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ

Коды JEL: C22, C53, C63, E32, R58

Страницы: 1951–1972

https://doi.org/10.24891/ea.20.10.1951

Семенычев В.К. доктор экономических наук, доктор технических наук, профессор кафедры математических методов в экономике, Самарский национальный исследовательский университет им. академика С.П. Королева, Самара, Российская Федерация 
505tot@mail.ru

https://orcid.org/0000-0003-3705-1509
SPIN-код: 3569-5320

Хмелева Г.А. доктор экономических наук, заведующая кафедрой мировой экономики, Самарский государственный экономический университет (СГЭУ), Самара, Российская Федерация 
galina.a.khmeleva@yandex.ru

https://orcid.org/0000-0003-4953-9560
SPIN-код: 2042-4324

Коробецкая А.А. кандидат экономических наук, разработчик департамента бизнес-решений, Системный интегратор «Вебзавод», Самара, Российская Федерация 
kaa.sseu@yandex.ru

https://orcid.org/0000-0002-5500-7360
SPIN-код: 4342-6363

Предмет. Результаты анализа мезодинамики показателей 12 основных отраслей динамики на данных ежемесячной статистики по 82 российским регионам с января 2005 г. по декабрь 2020 г.
Цели. Решение задачи сбалансированного и устойчивого пространственного развития регионов и России, что требует использования адекватного инструментария моделирования и прогнозирования нелинейной мезодинамики.
Методология. Исследование выполнено в методологии эконофизики.
Результаты. Рассмотрены аддитивно-мультипликативные взаимодействия регулярных компонент временных рядов данных между собой и с помехой, расширяя этим область применения инструментария по количеству рассматриваемых отраслей экономики и моделей их динамики. Известными и новыми моделями трендов проанализирована возможность структурных сдвигов, выборки при необходимости увеличены бутстрепом, логистическим трендам придана возможность адаптации. Введена топологическая мера близости к окрестности динамических помех с «тяжелыми хвостами» распределения, оцениваемая медианами оценок трендов и циклов для структур регулярных компонент. Традиционная декомпозиция временных рядов (на тренды, циклы, сезонность и помеху) дополнена авторским комплексом вейвлет-преобразований, формирующим модели циклов с помощью авторегрессий. Получены репрезентативные устойчивые и синхронизированные во времени аналитические оценки регулярных компонент динамики отраслей мезо- и макропоказателей экономики России, превышающие известные результаты по точности моделирования и прогнозирования.
Выводы. Методология и предложенный инструментарий позволяют в условиях экономической практики более адекватно анализировать нелинейную динамику развития регионов в среднесрочной перспективе, перейти к выявлению точек роста, формированию атласа отраслевых циклов экономики России, анализу стадий бифуркаций и сценарного прогнозного планирования.

Ключевые слова: мезодинамика, эконофизика, окрестность помехи с «тяжелыми хвостами» распределения, вейвлет-преобразование

Список литературы:

  1. Семенычев В.К., Хмелева Г.А., Коробецкая А.А. Предложения методологии и инструментария эконофизики для анализа мезодинамики отраслей регионов России // Экономический анализ: теория и практика. 2020. Т. 19. Вып. 7. С. 1192–1217. URL: Link
  2. Хмелева Г.А., Семенычев В.К., Коробецкая А.А. и др. Российские регионы в условиях санкций: возможности опережающего развития экономики на основе инноваций. Самара: Самарский государственный экономический университет, 2019. 446 с.
  3. Калядин В.Л. Распределения с бесконечной дисперсией и ограниченность классической статистики // Радиоэлектроника и информатика. 2002. № 2. С. 4–11. URL: Link
  4. Andrews D.F., Bickel P.J., Hampel F.R. et al. Robust Estimates of Location: Survey and Advances. Princeton, N.J., Princeton University Press, 1972, 374 p.
  5. Muller D.W., Sawitzki G. Excess Mass Estimates and Tests for Multimodality. Journal of the American Statistical Association, 1991, vol. 86, iss. 415, pp. 738–746. URL: Link
  6. Friedman J., Fisher N. Bump Hunting in High-Dimensional Data. Statistics and Computing, 1999, vol. 9, pp. 123–143. URL: Link
  7. Hall P., Minnotte M.C., Zhang C. Bump Hunting with Non-Gaussian Kernels. Annals of Statistics, 2004, vol. 32, pp. 2124–2141. URL: Link
  8. Andrews D.F., Bickel P.J., Hampel F.R. et al. Robust Estimates of Location: Survey and Advances. Princeton, N.J., Princeton University Press, 1972, 374 p.
  9. Yeo I.K., Johnson R.A. A new family of power transformations to improve normality or symmetry. Biometrika, 2000, vol. 87, iss. 4, pp. 954–959. URL: Link
  10. Box G.E.P., Cox D.R. An analysis of transformations. Journal of the Royal Statistical Society, Series B (Methodological), 1964, vol. 26, iss. 2, pp. 211–252. URL: Link
  11. Breusch T.S., Pagan A.R. A Simple Test for Heteroscedasticity and Random Coefficient Variation. Econometrica, 1979, vol. 47, iss. 5, pp. 1287–1294. URL: Link47:5<1287:ASTFHA>2.0.CO;2-9
  12. Безручко Б.П., Смирнов Д.А. Математическое моделирование и хаотические временные ряды. Саратов: Колледж, 2005. 320 с.
  13. Semenychev V.K., Kurkin E.I., Semenychev E.V., Danilova A.A. Multimodel forecasting of non-renewable resources production. Energy, 2017, vol. 130, pp. 448–460. URL: Link
  14. Bai J., Perron P. Computation and Analysis of Multiple Structural Change Models. Journal of Applied Econometrics, 2003, vol. 18, iss. 1, pp. 1–22. URL: Link
  15. Zeileis A., Kleiber C., Krämer W., Hornik K. Testing and Dating of Structural Changes in Practice. Computational Statistics and Data Analysis, 2003, vol. 44, pp. 109–123. URL: Link
  16. Yang Xiang, Gubian S., Suomela B., Hoeng J. Generalized Simulated Annealing for Efficient Global Optimization: The GenSA Package. The R Journal, 2013, vol. 5, iss. 1. URL: Link
  17. Igel C., Hüsken M. Empirical evaluation of the improved Rprop learning algorithms. Neurocomputing, 2003, vol. 50, pp. 105–123. URL: Link00700-7
  18. Riedmiller M. Advanced supervised learning in multilayer perceptrons – From backpropagation to adaptive learning algorithms. Computer Standards and Interfaces, 1994, vol. 16, iss. 3, pp. 265–278. URL: Link90017-5
  19. Schnabel R.B., Koonatz J.E., Weiss B.E. A modular system of algorithms for unconstrained minimization. ACM Transactions on Mathematical Software, 1985, vol. 11, iss. 4, pp. 419–440. URL: Link
  20. Слуцкий Е.Е. Сложение случайных причин как источник циклических процессов. Вопросы конъюнктуры. 1927. Т. III. Вып. 1. С. 34–64.
  21. Percival D.B., Walden A.T. Wavelet Methods for Time Series Analysis. Cambridge, Cambridge University Press, 2000. URL: Link
  22. Hyndman R.J., Khandakar Y. Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 2008, vol. 27, iss. 3. URL: Link
  23. Семенычев В.К. Идентификация экономической динамики на основе моделей авторегрессии. Самара: Самарский научный центр РАН, 2004. 243 с.

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 23, вып. 3, март 2024

Другие номера журнала