Предмет. Взаимосвязи в современной экономике становятся столь быстрыми, турбулентными, сложными, скрытными, что для исследования их конъюнктур приходится обращаться к некоей «тонкой» парадигме. Ключом в одном из этих подходов оказывается сравнение не самих показателей, а их изменений – абсолютных или относительных приростов. Если оперировать понятиями экономических «количеств» – запасами и потоками, то при поиске взаимосвязей между ними необходимо привести показатели к одному типу. Предметом исследования является поиск корреляций между потоками в моделях с непрерывным временем. Цели. Анализ эффективности сплайн-аппроксимации дискретной динамики запасов, их преобразования в непрерывные потоки с поиском «латентных» корреляций между экономическими показателями. Методология. Если в моделях с дискретным временем переход к потокам возможен расчетом цепных приростов, то в моделях с непрерывным временем предлагается метод преобразования запасов в потоки дифференцированием функции динамики запасов. Результаты. Первые производные переменных, то есть потоки, позволили найти корреляцию в замедлениях и ускорениях процессов – между потоками экспорта нефти и денежной массы в экономике России, чего не наблюдалось в динамике абсолютных показателей экономического движения. Выводы. Сплайновым моделированием динамики запасов денежной массы удается выполнить ее преобразование в поток с последующим сравнением с потоком экспорта нефти. Между потоками денежной массы и экспорта нефти «скрытая» корреляция теперь выявляется явно, чего не удавалось достичь методами классической эконометрики. На практике предлагаемый метод поиска корреляций может быть полезен при исследовании взаимосвязей между потоками как в масштабах международной экономики, так и экономики отдельных стран, отраслей и предприятий. Аналитическое представление взаимосвязи между показателями типа запаса и потока может быть полезным и для управления логистическими процессами.
Ильясов Р.Х. Сплайн-моделирование и анализ взаимосвязей в экономике при возможном наличии точек переключения регрессии // Научно-технические ведомости СПбГПУ. Экономические науки. 2018. Т. 11. № 4. С. 165–175. URL: Link
Тубольцев М.Ф. Использование инвариантов при моделировании финансовых потоков // Научные ведомости Белгородского государственного университета. Сер.: Экономика. Информатика. 2009. № 7. С. 146–151. URL: Link
Стрельцова Е.Д., Богомягкова И.В., Стрельцов В.С. Лингвистический подход к моделированию бюджетных потоков // Научные ведомости Белгородского государственного университета. Сер.: Экономика. Информатика. 2012. № 1. С. 156–161. URL: Link
Мелихов М.Б., Борисов А.Н. Методологические особенности моделирования функционирования финансово-кредитной сферы // Известия Тульского государственного университета. Экономические и юридические науки. 2016. Вып. 4. Ч. I. С. 99–106. URL: Link
Батурина Е.В., Литвиненко А.Н. Мониторинг теневых денежных потоков инструментами компьютерного моделирования // Экономика региона. 2018. Т. 14. № 1. С. 326–338. URL: Link
Lipovina-Božović M., Ivanović M. Capital Flows in Montenegro: SVAR Model. Zbornik Radova Ekonomskog Fakulteta u Rijeci, 2018, vol. 36, iss. 2, pp. 647–675. URL: Link
Сплайн-функции в экономико-статистических исследованиях: сборник статей / под ред. Б.Б. Розина. Новосибирск: Наука, 1987. 206 с.
Боташева Ф.Б., Винтизенко И.Г. «Новая эконометрика» с ее «тонкими» методами исследования экономических конъюнктур // European Social Science Journal. 2014. № 10-1. С. 31–39.
Cáceres-Hernández J.J., Martín-Rodríguez G. Evolving Splines and Seasonal Unit Roots in Weekly Agricultural Prices. Australian Journal of Agricultural and Resource Economics, 2017, vol. 61, iss. 2, pp. 304–323. URL: Link
Винтизенко И.Г., Ильясов Р.Х. Новая эконометрика: монография. Ставрополь: Агрус, 2018. 480 с.
Kaishev V.K. Lévy Processes Induced by Dirichlet (B‐)Splines: Modeling Multivariate Asset Price Dynamics. Mathematical Finance, 2013, vol. 23, iss. 2, pp. 217–247. URL: Link
Odoardi I., Muratore F. Understanding the Support of Savings to Income: A Multivariate Adaptive Regression Splines Analysis. Advances in Intelligent Systems and Computing, 2015, vol. 373, pp. 385–392. URL: Link
Выгодчикова И.Ю., Гусятников В.Н., Высочанская Е.Ю. Метод сплайн-аппроксимации экономических процессов с неустойчивым трендом // Вестник Саратовского государственного социально-экономического университета. 2017. № 4. С. 110–115. URL: Link
Cleophas T.J. Clinical Trials: Spline Modeling is Wonderful for Nonlinear Effects. American Journal of Therapeutics, 2016, vol. 23, no. 3, pp. e844–e849. URL: Link
Бессонов В.А. Введение в анализ российской макроэкономической динамики переходного периода. М.: ЦЭМИ РАН, 2003. 151 с.
Винтизенко И.Г., Яковенко В.С. Экономическая цикломатика: монография. М.: Финансы и статистика; Ставрополь: Агрус, 2008. 428 с.
Floc'h F.L, Oosterlee C.W. Model-Free Stochastic Collocation for an Arbitrage-Free Implied Volatility, Part II. Risks, 2019, vol. 7, iss. 1, pp. 1–21. URL: Link
Campos E.L., Cysne R.P. A Time-Varying Fiscal Reaction Function for Brazil. Estudos Econômicos, 2019, vol. 49, iss. 1, pp. 5–38. URL: Link
Kim Y.-J. Efficient Estimation and Variable Selection for Partially Linear Single-Index-Coefficient Regression Models. Communications for Statistical Applications and Methods, 2019, vol. 26, iss. 1, pp. 69–78. URL: Link
Luchko M., Lew G., Ruska R., Vovk I. Modelling the Optimal Size of Investment Portfolio in a Non-State Pension Fund. Journal of International Studies, 2019, vol. 12, iss. 1, pp. 239–252. URL: Link
