Эконометрическая модель энергетики: ответ России на вызовы глобальной экономики

Обложка

Цитировать

Полный текст

Аннотация

Актуальность исследования обусловлена как высокой степенью значимости энергетики для экономического развития России, так и недостаточным использованием эконометрических моделей в современных энергетических исследованих. В соответствии с поставленной целью, в исследовании детально рассмотрены методологические основы и этапы разработки эконометрической модели на базе авторегрессионного анализа для изучения российского энергетического сектора. Использованы статистические материалы Росстата «Потребление топливно-энергетических ресурсов на одного занятого в экономике страны» с 2012 г. Подробно рассмотрены основные методические и методологические аспекты, показаны ключевые этапы разработки эконометрической модели в виде авторегрессионного анализа. Авторегрессионные модели (АМ) отличаются методической гибкостью в обработке временных данных с разными характеристиками. АМ для анализа энергосферы России разработана методами Data Science, в частности, cMLE (условный метод максимального правдоподобия) и написана на высокоуровневом языке Python. Использовались библиотеки и модули Pandas, Numpy, Statsmodels, Sklearn.metrics, Matplotlib. Представлены основные этапы построения АМ: отбор данных, их визуализация и проверка на стационарность, разделение данных на тестовую и обучающую выборки, обучение авторегрессионной модели, анализ RMSE. Полученные данные характеризуются отсутствием очевидного тренда: с 2012 г. наблюдаются как периоды снижения потребления топливно-энергетических ресурсов на одного занятого в экономике страны, так и периоды роста соответствующего потребления в тоннах условного топлива. Сделан вывод о применимости АМ для анализа энергетики России. Хотя временной ряд данных является ограниченным, АМ обладает высокими прогностическими характеристиками. Подчеркнута «консервативность» АМ в сторону занижения прогнозных значений. Указано, что по мере накопления новой энергетической статистики авторегрессионные качества модели будут улучшаться.

Об авторах

Александр Евгеньевич Бородин

Российский университет дружбы народов

Автор, ответственный за переписку.
Email: 1142220442@rudn.ru
ORCID iD: 0000-0002-1821-1223

аспирант 3-го года обучения, экономический факультет

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Максим Васильевич Черняев

Российский университет дружбы народов

Email: chernyaev-mv@rudn.ru
ORCID iD: 0000-0003-4638-5623
SPIN-код: 1500-2438

кандидат экономических наук, доцент кафедры национальной экономики, экономический факультет

Российская Федерация, 117198, Москва, ул. Миклухо-Маклая, д. 6

Список литературы

  1. Athey, S., & Imbens, G.W. (2017). The state of applied econometrics: Causality and policy evaluation. The Journal of Economic Perspectives, 31(2), 3–32. https://doi.org/10.1257/jep.31.2.3
  2. Ayvazyan, S.A., Bereznyatsky, A.N., & Brodsky, B.E. (2018). Models of socio-economic indicators in Russia. Applied Econometrics, (3), 5–32. (In Russ.). EDN: UZBFHY
  3. Barbashin, M.Y. (2017). Simulation modeling and institutional research. Journal of Institutional Research, 9(3), 81–96. (In Russ.). https://doi.org/10.17835/2076-6297.2017.9.3.081-096 EDN: ZHYWAV
  4. Basdevant, O. (2000). An econometric model of the Russian Federation. Economic Modeling, 17(2), 305–336. https://doi.org/10.1016/S0264-9993(99)00030-9 EDN: DYGZBN
  5. Benedictow, A., Fjaertoft, D., & Lofsnaes, O. (2013). Oil dependency of the Russian Eceonomy: an ecomometric analysis. Economic Modelling, 32, 400–428. https://doi.org/10.1016/j.econmod.2013.02.016
  6. Buraeva, E.V., & Bobkova, N.V. (2016). Econometric models and their practical significance. Economics and Society, (6), 375–377. (In Russ.). EDN: WMSXNL
  7. Chernyaev, M.V., & Gavryusev, S.V. (2019a). Development of small-scale energy is the key to the growth of the Russian economy. Economic systems, 12(1), 123–128. (In Russ.).
  8. Chernyaev, M.V., & Gavryusev, S.V. (2019b). Small-scale power generation: potential of Russian regions and world practice. Regional Economy: Theory and Practice, 17(8), 1476–1489. (In Russ.). https://doi.org/10.24891/re.17.8.1476 EDN: UFQESX
  9. Dmitriev, N.D., & Dubanevich, L.E. (2021). Building an econometric model of sustainable development of an industrial enterprise. Bulletin of the Altai Academy of Economics and Law, 7 (part 1), 61–71. (In Russ.). https://doi.org/10.17513/vaael.1781
  10. Faritova, D.A., & Fakhrutdinova, K.R. (2016). The problem of energy efficiency in modern Russia. Eurasian Union of Scientists (EU), 12(33), 56–59. (In Russ.). EDN: YIXPTF
  11. Hansen, B. (2005). Challenges for econometric model selection. Econometric Theory, 21(1), 60–68. https://doi.org/10.1017/S0266466605050048 EDN: HLANAD
  12. Heckman, J. (2008). Econometric causality. International Statistical Review / Revue Internationale de Statistique, 76(1), 1–27. https://doi.org/10.3386/w13934
  13. Jorgenson, D.W., & Bernt, P. (2003). Stigum. Econometric methods for applied general equilibrium analysis. Econometrics and the Philosophy of Economics: Theory-Data Confrontations in Economics. Princeton: Princeton University Press, 702–754. https://doi.org/10.1515/9781400873234-030
  14. Kosova, E.V., & Potanin, B.S. (2022). Estimation of a model with Gaussian multinomial endogenous Switching and Nonrandom Selection. Applied Econometrics, 67, 121–143. (In Russ.). https://doi.org/10.22394/1993-7601-2022-67-121-143
  15. Kotyrlo, E.S. (2024). A simple and complex method of difference of differences. Applied Econometrics, 73, 102–118. (In Russ.). https://doi.org/10.22394/1993-7601-2024-73-119-142 EDN: SCMVQZ
  16. Kulebyakina, E.A. (2019). Econometric modeling and analysis of the volume of innovative works, goods and services in the regions of Russia. Scientific Notes of Young Researchers, 6, 15–22. (In Russ.). EDN: ZDTOMC
  17. Low, H., & Costas, M. (2017). The use of structural models in econometrics. The Journal of Economic Perspectives, 31(2), 33–57. https://doi.org/10.17863/CAM.10986
  18. Mitsek, S.A., & Mitsek, E.B. (2021). Econometric model of the Russian Federation (Version 2020): estimates, forecasts, analysis. Bulletin of the Humanities University, (1), 90.
  19. Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric approach. The Journal of Economic Perspectives, 31(2), 87–106. https://doi.org/10.1257/jep.31.2.87
  20. Paleev, D.L., Chernyaev, M.V., & Nezhnikova, E.V. (2018). Prospects for the development of electric power industry in the information age. Economic and Humanitarian Sciences, 9(9), 93–102. (In Russ.). EDN: YUHDNJ
  21. Perifanis, T., & Dagoumas, A. (2017). An econometric model for the oil dependence of the Russian economy. International Journal of Energy Economics and Police, 7(4), 7–13. EDN: YHOVMD
  22. Polbin, A.V., & Sinelnikov-Murylev, S.G. (2024). Construction and calibration of a DSGE model for the Russian economy using impulse responses of autoregression. Applied Econometrics, 73, 5–34. (In Russ.). https://doi.org/10.22394/1993-7601-2024-73-5-34 EDN: FMJFAI
  23. Phillips, P.C.B. (2009). Editorial: Econometric theory and practice. Econometric Theory, 25(3), 583–586. https://doi.org/10.1017/S0266466608090178
  24. Rosenzweig, A.K. (2018). Methods of econometric modeling and analysis of socio-economic phenomena. Naberezhnye Chelny: Naberezhnye Chelny Institute of Kazan Federal University. (In Russ.).
  25. Svetunkov, I.S. (2011). New coefficients for evaluating the quality of econometric models. Applied Econometrics, (4), 85–99. (In Russ.).
  26. Stankevich, I.P. (2024). Application of MIDAS models with Markov switching for the science of GDP and its components. Applied Econometrics, 79, 122–143. (In Russ.).
  27. Stock, J.H., & Watson, M.W. (2017). Twenty years of time series econometrics in ten pictures. Journal of Economic Perspectives, 31(2), 59–86. https://doi.org/10.1257/jep.31.2.59
  28. Tesfatsion, L. (2003). Agent-based computational economics. Iowa State University Economics Working Paper, (1), 3.
  29. Yu, J. (2014). Econometrc analysis of continuous time models: A survey of Peter Phillips’ work and some new results. Econometric Theory, 30(4), 737–774. https://doi.org/10.1017/S0266466613000467

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».