Integrated modeling of investment flows in today's global economy

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The article reveals the economic aspects of the influence of modern trends in the cross-border movement of capital flows on the movement of international investment resources. The authors have formed a data-driven approach to the study of investment data and proposed relevant tools for intelligent data analytics. The issues of choosing algorithms of economic analysis for the study of trends in the world economy are considered. The authors proposed an economic-analytical integration model. In this model, a two-level approach to the study of economic investment processes is used. The approach is based on the developed mechanism for combining models, which provides a combination of top-down and bottom-up approaches.With the help of mathematical methods, the architecture of the platform has been formed. It allows forecasting macroeconomic indicators with the possibility of analyzing competitive factors of investment attractiveness of countries, trade policy and parameters of global capital movement. The proposed integration economic model can have practical application within the framework of the analytical tasks being formed. The characteristics of the model, such as flexibility and speed of adaptation to unstable environmental parameters, meet modern trends in the development of the world economy and solves the most pressing tasks of players on the international market.

About the authors

Valeriy Viktorovich Ivanov

Russian Foreign Trade Academy of the Ministry of Economic Development of the Russian Federation; National Research University of Electronic Technology

Email: vivanov13@mail.ru
Профессор кафедры маркетинга и управления проектами; Профессор кафедры финансов и валютно-кредитных отношений,Доктор экономических наук, Профессор

Yuriy Karenovich Sarkisyants

Russian Foreign Trade Academy of the Ministry of Economic Development of the Russian Federation

Email: Ysark98@gmail.com
Аспирант

References

  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).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 Ivanov V.V., Sarkisyants Y.K.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».