УДК 330.4

Моделирование функциональных связей региональных экономических систем по малым выборкам на основе байесовских интеллектуальных измерений

Р.А. Жуков 1, С.В. Прокопчина 2, М.А. Плинская 1, М.А. Желуницина 1

1 Тульский филиал Финансового университета при Правительстве Российской Федерации, г. Тула, Россия
2 Финансовый университет при Правительстве Российской Федерации, г. Москва, Россия

Аннотация

Экономика субъектов Российской Федерации, представляющих собой социо-эколого-экономические системы, характеризуется быстро меняющимися условиями, влияющими на их функционирование. Следовательно, при моделировании недостаточно традиционных подходов на основе долгосрочных трендов и построения соответствующих моделей и требуется их развитие, в том числе за счет сочетания с другими подходами, учитывающими изменчивость условий. Кроме того, информационные базы из открытых источников обладают неопределенностью (в разных источниках для одного показателя могут быть отличные значения). Некоторые показатели постоянно корректируются: вносятся изменения в значения для предыдущих периодов. Периодов оценки недостаточно для методологически обоснованного, с точки зрения математической статистики, построения моделей. Результаты функционирования зависят от влияющих факторов так же, как и результаты измерений. Обозначенные проблемы приводят к необходимости прибегать к вероятностным оценкам и учитывать неполноту и нечеткость данных, а также получать выборки достаточного объема из данных малой мощности. Целью исследования является моделирование связей между объемами валового внутреннего продукта и факторами, характеризующими функционирование экономической подсистемы регионов, в условиях неопределенности и ограниченности данных в заданный период времени. Рабочая гипотеза исследования: возможность методологически обоснованного построения эконометрических моделей по данным для отдельного субъекта Российской Федерации в определенный период времени. В основу исследования легли методы эконометрического моделирования и методология байесовских интеллектуальных измерений, а также методика формирования достаточного объема данных по малым выборкам. На примере Тульской области по данным за 2022 г. были построены степенные мультипликативные модели для объема ВРП (14 разделов по ОКВЭД), что позволило провести апробацию представленной методологии, базирующейся на сочетании эконометрического и байесовского подходов к моделированию функционирования сложных систем, с выводами теоретической и практической направленности на устойчивое развитие региона.

Ключевые слова

валовой региональный продукт; производственная функция; социо-эколого-экономическая система; модель, байесовские интеллектуальные измерения; малая выборка

JEL classification

Список использованной литературы

1. Akperov I., Kurianov N. The assessment of regional economic potential based on the methodology of fuzzy set theory // Procedia Computer Science. 2017. Vol. 120. Pp. 372–375. https://doi.org/10.1016/j.procs.2017.11.252

   2. Zadeh L.A. The Concept of Linguistic Variable and its Application to Approximate Reasoning // Information Sciences. 1975. Vol. 8, Issue 3. Pp. 199–249. https://doi.org/10.1016/0020-0255(75)90036-5

   3. Zolfani S.H., Krishankumar R., Pamucar D., Gorçün O.F. The potentials of the Southern & Eastern European countries in the process of the regionalization of the global supply chains using a q-rung orthopair fuzzy-based integrated decision-making approach // Computers & Industrial Engineering. 2022. Vol. 171. 108405. https://doi.org/10.1016/j.cie.2022.108405

   4. Huang H., Tian Y., Tao Zh. Multi-rule combination prediction of compositional data time series based on multivariate fuzzy time series model and its application // Expert Systems with Applications. 2024. Vol. 238. 121966. https://doi.org/10.1016/j.eswa.2023.121966

   5. Ouifak H., Idri A. Application of neuro-fuzzy ensembles across domains: A systematic review of the two last decades (2000–2022) // Engineering Applications of Artificial Intelligence. 2023. Vol. 124. 106582. https://doi.org/10.1016/j.engappai.2023.106582

   6. Huning T.R., Wahl F. The fetters of inheritance? Equal partition and regional economic development // European Economic Review. 2021. Vol. 136. 103776. https://doi.org/10.1016/j.euroecorev.2021.103776

   7. Kutty A.A., Kucukvar M., Onat N.C., Ayvaz B., Abdella G.M. Measuring sustainability, resilience and livability performance of European smart cities: A novel fuzzy expert-based multi-criteria decision support model // Cities. 2023. Vol. 137. 104293. https://doi.org/10.1016/j.cities.2023.104293

   8. Ruben R.B., Rajendran C., Ram R.S., Kouki F., Alshahrani H.M., Assiri M. Analysis of barriers affecting Industry 4.0 implementation: An interpretive analysis using total interpretive structural modeling (TISM) and Fuzzy MICMAC // Heliyon. 2023. Vol. 9, Issue 12. e22506. https://doi.org/10.1016/j.heliyon.2023.e22506

   9. Ziesmer J., Jin D., Mukashov A., Henning Ch. Integrating fundamental model uncertainty in policy analysis A Bayesian averaging approach combining CGE-models with metamodeling techniques // Socio-Economic Planning Sciences. 2023. Vol. 87. 101591. https://doi.org/10.1016/j.seps.2023.101591

   10. Forrester A, Sobester A, Keane A. Engineering Design via Surrogate Modelling: A Practical Guide. John Wiley & Sons, 2008. https://doi.org/10.1002/9780470770801

   11. Myers R.H., Montgomery D., Vining G.G., Robinson T.J. Generalized Linear Models: With Applications in Engineering and the Sciences. Second Edition. John Wiley & Sons, 2012. https://doi.org/10.1002/9780470556986

   12. Iacopini M., Poon A., Rossini L., Zhu D. Bayesian mixed-frequency quantile vector autoregression: Eliciting tail risks of monthly US GDP // Journal of Economic Dynamics & Control. 2023. Vol. 157. 104757. https://doi.org/10.1016/j.jedc.2023.104757

   13. D'Andrea S. Are there any robust determinants of growth in Europe? A Bayesian Model Averaging approach // International Economics. 2022. Vol. 171. Pp. 143–173. https://doi.org/10.1016/j.inteco.2022.06.001

   14. Duan K., Lan F., Zhao Y., Huang Y. Housing networks in urban China: A panel VAR model with Bayesian stochastic search // Cities. 2023. Vol. 140. 104400. https://doi.org/10.1016/j.cities.2023.104400

   15. Canoz I., Kalkavan H. Forecasting the dynamics of the Istanbul real estate market with the Bayesian time-varying VAR model regarding housing affordability // Habitat International. 2024. Vol. 148. 103055. https://doi.org/10.1016/j.habitatint.2024.103055

   16. Salles Th.T, Nogueira D.A., Beijo L.A., Silva L.F. Bayesian approach and extreme value theory in economic analysis of forestry projects // Forest Policy and Economics. 2019. Vol. 105. Pp. 64–71. https://doi.org/10.1016/j.forpol.2019.05.021

   17. Debnath B., Shakur M.S., Bari A.B.M.M., Karmaker Ch.L. A Bayesian Best-Worst approach for assessing the critical success factors in sustainable lean manufacturing // Decision Analytics Journal. 2023. Vol. 6. 100157. https://doi.org/10.1016/j.dajour.2022.100157

   18. Klein N., Herwartz H., Kneib Th. Modelling regional patterns of inefficiency: A Bayesian approach to geoadditive panel stochastic frontier analysis with an application to cereal production in England and Wales // Journal of Econometrics. 2020. Vol. 214, Issue 2. Pp. 513–539. https://doi.org/10.1016/j.jeconom.2019.07.003

   19. Szafranek K., Szafrański G. Leszczyńska-Paczesna A. Inflation returns. Revisiting the role of external and domestic shocks with Bayesian structural VAR // International Review of Economics and Finance. 2024. Vol. 93. Pp. 789–810. https://doi.org/10.1016/j.iref.2024.03.054

   20. Mozdzen A., Cremaschi A., Cadonna A., Guglielmi A., Kastner G. Bayesian modeling and clustering for spatio-temporal areal data: An application to Italian unemployment // Spatial Statistics. 2022. Vol. 52. 100715. https://doi.org/10.1016/j.spasta.2022.100715

   21. Elhorst J.P. The dynamic general nesting spatial econometric model for spatial panels with common factors: Further raising the bar // Review of Regional Research. 2022. Vol. 42. Pp. 249–267. https://doi.org/10.1007/s10037-021-00163-w

   22. Noia A.D., Mastrantonio G., Lasinio G.J. Bayesian size-and-shape regression modelling // Statistics and Probability Letters. 2024. Vol. 204. 109928. https://doi.org/10.1016/j.spl.2023.109928

   23. Aivazian S.A. Quality of Life and Living Standards Analysis: An Econometric Approach. De Gruyter, 2016. https://doi.org/10.1515/9783110316254

   24. Potapenko A., Popov A., Vorontsov K. Interpretable probabilistic embeddings: Bridging the gap between topic models and neural networks // Proceedings of 6th Conference Artificial Intelligence and Natural Language. AINL 2017. Edited by A. Filchenkov, L. Pivovarova, J. Žižka. Communications in Computer and Information Science. Vol. 789. Springer, Cham, 2018. Pp. 167–180. https://doi.org/10.1007/978-3-319-71746-3_15

   25. Averkin A., Yarushev S. Deep neural networks in semantic analysis // Proceedings of 10th International Conference on Theory and Application of Soft Computing, Computing with Words and Perceptions – ICSCCW-2019. Edited by R.A. Aliev, J. Kacprzyk, W. Pedrycz, M. Jamshidi, M.B. Babanli, F.M. Sadikoglu. Advances in Intelligent Systems and Computing. Vol. 1095. Springer, Cham, 2020. Pp. 846–853. https://doi.org/10.1007/978-3-030-35249-3_112

   26. Бормотов И.В., Жуков Р.А., Руднева И.Д., Спиридонова К.А. Ценностный мир молодежи: состояние и перспективы в условиях экономических санкций // Научные труды Вольного экономического общества России. 2023. Т. 243, № 5. С. 34–50. https://doi.org/10.38197/2072-2060-2023-243-5-34-50

   27. Прокопчина С.В. Проектный менеджмент в условиях неопределенности на основе регуляризирующего байесовского подхода // Мягкие измерения и вычисления. 2023. Т. 69, № 8. С. 50–68. https://doi.org/10.36871/26189976.2023.08.004

   28. Жуков Р.А., Прокопчина С.В., Гиниатов И.А., Николина Е.М. Применение библиотеки «Байесовская математическая статистика» в программном комплексе «Инфоинтегратор» // Мягкие измерения и вычисления. 2022. Т. 54, № 5. С. 99–108. https://doi.org/10.36871/2618-9976.2022.05.008

   29. Zhong F., Chen R., Luo X., Song X., Ullah A. Assessing regional resilience in China using a sustainable livelihoods approach: Indicators, influencing factors, and the relationship with economic performance // Ecological Indicators. 2024. Vol. 158. 111588. https://doi.org/10.1016/j.ecolind.2024.111588

   30. Zhukov R.A., Kuznetsov G.V., Fomicheva I.V., Myasnikova E.B., Vasina M.V., Tsigler M.V. A Model of socio-ecological and economic system: the Tula region of the Russian Federation // Journal of Environmental Management and Tourism. 2019. Vol. 10. No. 7. Pp. 1539–1558. https://doi.org/10.14505//jemt.v10.7(39).12

   31. Andrews I., Stock J.H., Sun L. Weak Instruments in Instrumental Variables Regression: Theory and Practice // Annual Review of Economics. 2019. Vol. 11. Pp. 727–753. https://doi.org/10.1146/annurev-economics-080218-025643

   32. Макаров В.Л., Айвазян С.А., Афанасьев М.Ю., Бахтизин А.Р., Нанавян А.М. Моделирование развития экономики региона и эффективность пространства инноваций // Форсайт. 2016. Т. 10, № 3. С. 76–90. https://doi.org/10.17323/1995-459X.2016.3.76.90

   33. Жуков Р.А., Плинская М.А., Манохин Е.В. Оценка функционирования регионов на основе производственных функций с приведенными стоимостными факторами // Journal of Applied Economic Research. 2023. Т. 22, № 3. С. 657–682. https://doi.org/10.15826/vestnik.2023.22.3.027

   34. Жуков Р.А. Подход к оценке функционирования иерархических социально-экономических систем и принятию решений на базе программного комплекса «ЭФРА» // Бизнес-информатика. 2020. Т. 14, № 3. С. 82–95. https://doi.org/10.17323/2587-814X.2020.3.82.95

   35. Жуков Р.А., Прокопчина С.В., Бормотов И.В., Манохин Е.В., Руднева И.Д. Модель ценностного мира российской молодежи на основе байесовских байесовских интеллектуальных измерений // МИР (Модернизация. Инновации. Развитие). 2024. Т. 15, № 1. С. 96–114. https://doi.org/10.18184/2079-4665.2024.15.1.96-114

Благодарности

Исследование выполнено за счет гранта Российского научного фонда № 24-28-20020, https://rscf.ru/project/24-28-20020/ и Тульской области.

Информация об авторах

Жуков Роман Александрович

Доктор экономических наук, доцент, научный сотрудник Тульского филиала Финансового университета при Правительстве Российской Федерации, г. Тула, Россия (300012, г. Тула, ул. Оружейная, 1а); ORCID https://orcid.org/0000-0002-2280-307X e-mail: pluszh@mail.ru

Прокопчина Светлана Васильевна

Доктор технических наук, профессор кафедры системного анализа в экономике Финансового университета при Правительстве Российской Федерации, г. Москва, Россия (125167, Москва, Ленинградский просп., 49/2); ORCID https://orcid.org/0000-0001-5500-2781 e-mail: svprokopchina@mail.ru

Плинская Мария Александровна

Магистрант Тульского филиала Финансового университета при Правительстве Российской Федерации, г. Тула, Россия (300012, г. Тула, ул. Оружейная, 1а); ORCID https://orcid.org/0000-0002-1307-0935 e-mail: plinskaya@gmail.com

Желуницина Мария Анатольевна

Магистрант Тульского филиала Финансового университета при Правительстве Российской Федерации, г. Тула, Россия (300012, г. Тула, ул. Оружейная, 1а); ORCID https://orcid.org/0009-0006-3129-2749 e-mail: maria202001@yandex.ru

Для цитирования

Жуков Р.А., Прокопчина С.В., Плинская М.А., Желуницина М.А. Моделирование функциональных связей региональных экономических систем по малым выборкам на основе байесовских интеллектуальных измерений // Journal of Applied Economic Research. 2024. Т. 23, № 3. С. 721-750. https://doi.org/10.15826/vestnik.2024.23.3.029

Информация о статье

Дата поступления 26 мая 2024 г.; дата поступления после рецензирования 18 июня 2024 г.; дата принятия к печати 22 июня 2024 г.

DOI: https://doi.org/10.15826/vestnik.2024.23.3.029

Скачать полный текст статьи: