Чжан Чиаспирантка кафедры экономики минерально-сырьевого комплекса, Российский государственный геологоразведочный университет им. Серго Орджоникидзе, Москва, Российская Федерация 282694629@qq.com https://orcid.org/0000-0002-7149-8323 SPIN-код: 5550-0582
Заернюк В.М.доктор экономических наук, доцент, профессор кафедры экономики минерально-сырьевого комплекса, Российский государственный геологоразведочный университет им. Серго Орджоникидзе, Москва, Российская Федерация zvm4651@mail.ru https://orcid.org/0000-0003-3669-0907 SPIN-код: 3300-6420
Предмет. Возможные направления совершенствования методического обеспечения долгосрочного экономического прогнозирования производства золота в Российской Федерации с опорой на математический инструментарий в виде эконометрических моделей. Цели. Разработка экономико-математической модели прогнозирования добычи золота с учетом специфики экономического развития российской золотодобывающей отрасли. Методология. В работе использованы корреляционный и регрессионный методы анализа статистических данных по рынку золота, находящихся в открытом доступе. В качестве методологического подхода принят метод наименьших квадратов, на основе которого разработана экономико-математическая модель прогнозирования. Результаты. Установлено, что каждое месторождение золота индивидуально и имеет свои характеристики, значительно отличающиеся от характеристик другого месторождения. Проведенный анализ позволил выявить основные факторы, существенным образом оказывающие наибольшее влияние на производство золота: спрос и цена на золото, количество и качество геологических запасов золота, размер инвестиций в геологоразведку, курс национальной валюты и ключевая ставка Банка России. В рамках исследования было обосновано применение линейной трехфакторной модели, где в качестве регрессоров рассматривались статистические данные по объему добычи золота в РФ, спросу на золото, курсу национальной валюты и цене золота. По авторским оценкам, производство золота в РФ достигнет уровня порядка 370–380 т к 2025 г. Выводы. Разработанный инструментарий построения структурного прогноза, основанный на использовании метода наименьших квадратов, не учитывает в явном виде особенностей горно-геологических и географо-экономических характеристик месторождений золота ввиду их уникальности. По этой причине при определении регрессоров для модели приоритет отдан показателям, имеющимся в открытом доступе.
Ключевые слова: долгосрочное прогнозирование, эконометрические модели, спрос и производство золота, корреляционно-регрессионный анализ
Список литературы:
Алмон К. Искусство экономического моделирования. М.: МАКС Пресс, 2012. 646 с.
Баранов Э.Ф., Елсакова А.В., Корнева Е.С., Старицына ЕА. Декомпозиционный анализ влияния спроса на экономический рост (на основе таблиц «затраты-выпуск») // Вопросы статистики. 2016. № 10. С. 44–56. URL: Link
Суворов Н.В., Трещина С.В., Белецкий Ю.В. Проблемы разработки методов долгосрочного прогнозирования динамики отечественной экономики (методология и модельный инструментарий) // Проблемы прогнозирования. 2020. № 6. С. 66–80.
Кулешов В.В., Алексеев А.В., Ягольницер М.А. Методы когнитивного анализа в разработке и обосновании стратегий экономического развития // Проблемы прогнозирования. 2019. № 2. С. 104–112. URL: Link
Shashank G., Shalini G. Modeling Economic System Using Fuzzy Cognitive Maps. International Journal of System Assurance Engineering and Management, 2017, vol. 8, no. 2, pp. 1472–1486. URL: Link
Суворов Н.В., Трещина С.В., Белецкий Ю.В., Балашова Е.Е. Балансовые и факторные модели как инструмент анализа и прогнозирования структуры экономики // Научные труды: Институт народнохозяйственного прогнозирования РАН. 2017. Т. 5. С. 50–75. URL: Link
Широв А.А., Саяпова А.Р., Янтовский А.А. Интегрированный межотраслевой баланс как элемент анализа и прогнозирования связей на постсоветском пространстве // Проблемы прогнозирования. 2015. № 1. С. 11–22. URL: Link
Ивантер В.В., Ксенофонтов М.Ю. Концепция конструктивного прогноза роста российской экономики в долгосрочной перспективе // Проблемы прогнозирования. 2012. № 6. С. 4–13.
Аузина Л.И. Прогноз подпора подземных вод на территориях исторических центров городов Восточной Сибири // Науки о Земле и недропользование. 2021. Т. 44. № 1. С. 73–84. URL: Link
Васильев А.А. Генезис гибридных моделей прогнозирования на основе объединения прогнозов // Вестник Тверского государственного университета. Сер. Экономика и управление. 2014. № 1. C. 316–331.
Bozkurt O.O., Biricik G., Taysi Z.C. Artificial Neural Network and Sarima Based Models for Power Load Forecasting in Turkish Electricity Market. PLOS ONE, 2017, no. 12. URL: Link
Wang B., Hao W.N., Chen G. et al. Wavelet Neural Network Forecasting Model Based on ARIMA. Applied Mechanics and Materials, 2013, vol. 347–350, pp. 3013–3018. URL: Link
Мясоедов С.А. Анализ тенденций развития золотодобывающей промышленности России // Микроэкономика. 2009. № 8. С. 193–200.
Заернюк В.М., Черникова Л.И., Забайкин Ю.В. Тенденции, проблемы и перспективы развития золотодобывающей отрасли России // Финансовая аналитика: проблемы и решения. 2017. Т. 10. Вып. 9. С. 972–986. URL: Link
