Интеграционное моделирование инвестиционных потоков в современных условиях развития мировой экономики
- Авторы: Иванов В.В.1, Саркисьянц Ю.К.2
-
Учреждения:
- Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации Национальный исследовательский университет "Московский институт электронной техники"
- Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации
- Выпуск: Том 13, № 3 (2023)
- Страницы: 1135-1148
- Раздел: Статьи
- URL: https://journal-vniispk.ru/2222-0372/article/view/146795
- DOI: https://doi.org/10.18334/vinec.13.3.118486
- ID: 146795
Цитировать
Аннотация
Об авторах
Валерий Викторович Иванов
Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации Национальный исследовательский университет "Московский институт электронной техники"
Email: vivanov13@mail.ru
Профессор кафедры маркетинга и управления проектами; Профессор кафедры финансов и валютно-кредитных отношений,Доктор экономических наук, Профессор
Юрий Карэнович Саркисьянц
Всероссийская академия внешней торговли Министерства экономического развития Российской Федерации
Email: Ysark98@gmail.com
Аспирант
Список литературы
- 1. Мониторинг предприятий: оценки, ожидания, комментарии. [Электронный ресурс]. URL: https://cbr.ru/analytics/dkp/monitoring/05_22/ (дата обращения: 01.05.2023).
- 2. Мониторинг санкций России. [Электронный ресурс]. URL: https://www.castellum.ai/russia-sanctions-dashboard (дата обращения: 12.01.2023).
- 3. О блокировке расчетов Euroclear Bank и Clearstream Banking. Национальный расчетный депозитарий. [Электронный ресурс]. URL: https://www.nsd.ru/publications/news/soobshcheniya-klientam/o-blokirovke-raschetov-euroclear-bank-i-clearstream-banking/ (дата обращения: 4.02.2023).
- 4. Банк России продлил еще на полгода, до 9 сентября 2023 года, ограничения на снятие наличной иностранной валюты. Банк России. [Электронный ресурс]. URL: https://cbr.ru/press/event/?id=14596 (дата обращения: 20.04.2023).
- 5. Банк России определил правила формирования специальных ПИФ с заблокированными активами. Банк России. [Электронный ресурс]. URL: https://cbr.ru/press/event/?id=14540 (дата обращения: 27.03.2023).
- 6. Управление риском информационной безопасности и киберустойчивость: новые стандарты. Банк России. [Электронный ресурс]. URL: https://cbr.ru/press/event/?id=14516 (дата обращения: 27.03.2023).
- 7. Родина Г.А. Экономическая теория на развилке: изменение повестки дня // Теоретическая экономика. – 2022. – № 10. – c. 69-77.
- 8. Рожковская Е.А. Проблемы и направления совершенствования краткосрочного макроэкономического прогнозирования в Республике Беларусь // Научные труды ИНП РАН. – 2021. – doi: 10.47711/2076-318-2021-138-166.
- 9. Van Veen Tom Have Macroeconomic Models Lost Their Connection with Economic Reality?. / CESifo Working Papers, paper №8256., 2020.
- 10. Yagihashi Takeshi, DSGE Models Used by Policymakers: A Survey. Policy Research Institute, Ministry of Finance, Japan. – 2020. [Электронный ресурс]. URL: https://www.mof.go.jp/pri/research/discussion_paper/ron333.pdf (дата обращения: 14.04.2023).
- 11. Muellbauer John The Future of Macroeconomics. / Nuffield College, and Institute for New Economic Thinking at the Oxford Martin School. - University of Oxford, U.K, 2018.
- 12. Вестник Банка России. – №58-59. – 2022. Банк России. [Электронный ресурс]. URL: https://www.cbr.ru/Queries/XsltBlock/File/131643/-1/2390-2391 (дата обращения: 5.04.2023).
- 13. Широв А.А. Макроструктурный анализ и прогнозирование в современных условиях развития экономики // Проблемы прогнозирования. – 2022. – № 5. – c. 43-57. – doi: 10.47711/0868-6351-194-43-57.
- 14. Кабанов С.С., Францева-Костенко Е.Е. Циклическая теория экономического развития и ее актуальность для прогнозирования экономики России // Креативная экономика. – 2023. – № 1. – c. 129-148. – doi: 10.18334/ce.17.1.116903.
- 15. Мамонов М. Е., Пестова А. А., Панкова В. А., Ахметов Р. Р. Межстрановой опыт прогнозирования макроэкономических и кредитных кризисов и его применение для России // Экономическая политика. – 2020. – № 5. – c. 130-159.
- 16. Зимовец А.В., Климачев Т.Д. Анализ и оценка сценариев социально-экономического развития России в условиях санкционной блокады и непредсказуемости глобальных трендов мировой экономики // Экономические отношения. – 2023. – № 1. – c. 181-202. – doi: 10.18334/eo.13.1.117207.
- 17. Варьяш И.Ю. Исследование модели опережающих индикаторов условий инвестирования // Банковское дело. – 2022. – № 2. – c. 13-21.
- 18. Статистика внешнего сектора – Международная инвестиционная позиция. Банк России. [Электронный ресурс]. URL: https://cbr.ru/statistics/macro_itm/svs/ (дата обращения: 21.03.2023).
- 19. Крепцев Д., Селезнев С. DSGE – Dynamic Stochastic General Equilibrium / DSGE-модель российской экономики с банковским сектором. Банк России. – декабрь 2017. [Электронный ресурс]. URL: https://cbr.ru/Content/Document/File/119374/bDSGE.pdf (дата обращения: 2.02.2023).
- 20. CGE – Computable General Equilibrium / A Standard Computable General Equilibrium (CGE) Model in GAMS. [Электронный ресурс]. URL: https://cbr.ru/Content/Document/File/118792/inf_note_feb_2521_2.pdf (дата обращения: 29.01.2023).
- 21. Яковлева А. Оценка экономической активности на основе текстового анализа. Банк России. – декабрь 2018. [Электронный ресурс]. URL: https://rjmf.econs.online/upload/iblock/428/RJMF_77-04_RUS_Yakovleva.pdf (дата обращения: 19.02.2023).
- 22. Махов С.А. Динамическая макромодель стран БРИКС с учетом торговли // Препринты ИПМ им. М.В. Келдыша. – 2017. – № 139. – c. 20.
- 23. Семитуркин О., Шевелев А. Прогнозирование региональной инфляции с помощью методов машинного обучения на примере макрорегиона Сибирь. Банк России. – март 2022. [Электронный ресурс]. URL: https://cbr.ru/StaticHtml/File/134576/wp_91.pdf (дата обращения: 9.02.2023).
- 24. RNN – (Recurrent Neural Network) — вид нейронных сетей, где связи между элементами образуют направленную последовательность. ITMO лекции. [Электронный ресурс]. URL: https://neerc.ifmo.ru/wiki/index.php?title=Рекуррентные_нейронные_сети (дата обращения: 12.02.2023).
- 25. Reinforcement learning (обучение с подкреплением) – тип машинного обучения, в котором модели непрерывно учатся. Baeldung: Computer Science. [Электронный ресурс]. URL: https://www.baeldung.com/cs/reinforcement-learning-neural-network (дата обращения: 12.02.2023).
- 26. Слабый (narrow, weak AI) – существующий на сегодняшний день тип ИИ, способный решать узко определенный круг задач. Skillbox. [Электронный ресурс]. URL: https://skillbox.ru/media/code/iskusstvennyy_intellekt_mashinnoe_obuchenie_i_glubokoe_obuchenie_v_chyem_raznitsa/ (дата обращения: 12.02.2023).
- 27. Крепцев Д., Селезнев С. Краткосрочная оценка ВВП России методом комбинирования прогнозов. Банк России. – февраль 2021. [Электронный ресурс]. URL: http://www.cbr.ru/statichtml/file/118606/wp-feb21.pdf (дата обращения: 5.11.2022).
- 28. Семитуркин О., Шевелев А. Межстрановая BVAR-модель внешнего сектора Сибирь. Банк России. – декабрь 2020. [Электронный ресурс]. URL: https://cbr.ru/Content/Document/File/118792/inf_note_feb_2521_2.pdf (дата обращения: 10.02.2023).
- 29. LTSW – Long-term growth model на основе макроэкономической модели Solow-Swan. The World Bank. [Электронный ресурс]. URL: https://www.worldbank.org/en/research/brief/LTGM (дата обращения: 1.02.2023).
- 30. Цель ансамблевых методов — объединить прогнозы нескольких базовых оценок, построенных с заданным алгоритмом обучения, чтобы улучшить обобщаемость / надежность по сравнению с одной оценкой. Scikit learn website. [Электронный ресурс]. URL: https://scikit-learn.ru/1-11-ensemble-methods/ (дата обращения: 5.02.2023).
- 31. Платформа — предприятие, обеспечивающее взаимовыгодные взаимодействия между сторонними производителями и потребителями (или любыми другими сторонами сделки). Манн-Иванов-Фербер. [Электронный ресурс]. URL: https://biz.mann-ivanov-ferber.ru/2017/08/29/chto-takoe-platforma-i-kak-ispolzovat-etot-koncept-v-biznese/ (дата обращения: 8.02.2023).
Дополнительные файлы
