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
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.
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
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.
Калядин В.Л. Распределения с бесконечной дисперсией и ограниченность классической статистики // Радиоэлектроника и информатика. 2002. № 2. С. 4–11. URL: Link
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.
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
Friedman J., Fisher N. Bump Hunting in High-Dimensional Data. Statistics and Computing, 1999, vol. 9, pp. 123–143. URL: Link
Hall P., Minnotte M.C., Zhang C. Bump Hunting with Non-Gaussian Kernels. Annals of Statistics, 2004, vol. 32, pp. 2124–2141. URL: Link
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.
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
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
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
Безручко Б.П., Смирнов Д.А. Математическое моделирование и хаотические временные ряды. Саратов: Колледж, 2005. 320 с.
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
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
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
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
Igel C., Hüsken M. Empirical evaluation of the improved Rprop learning algorithms. Neurocomputing, 2003, vol. 50, pp. 105–123. URL: Link00700-7
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
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
Слуцкий Е.Е. Сложение случайных причин как источник циклических процессов. Вопросы конъюнктуры. 1927. Т. III. Вып. 1. С. 34–64.
Percival D.B., Walden A.T. Wavelet Methods for Time Series Analysis. Cambridge, Cambridge University Press, 2000. URL: Link
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
Семенычев В.К. Идентификация экономической динамики на основе моделей авторегрессии. Самара: Самарский научный центр РАН, 2004. 243 с.
