ЭКОНОМИКА
Оригинальная статья
УДК 338.27 © О.В. Китова, Л.П. Дьяконова, В.М. Савинова, К.В. Фомин, 2024
ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь № 06-2024 /1181/
DOI: http://dx.doi.org/10.18796/0041-5790-2024-6-71-77
Название
Прогнозирование основных экономических показателей угольной промышленности в аналитической системе «Горизонт»
Авторы
Китова О.В., доктор экон. наук, доцент, зав. Кафедрой информатики ВШ КМиС ФГБОУ ВПО «Российский экономический университет имени Г. В. Плеханова», 117997, г. Москва, Россия, e-mail: Kitova.OV@rea.ru
Дьяконова Л.П., канд. физ.-мат. наук, доцент, доцент кафедры информатики ВШ КМиС ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова», 117997, г. Москва, Россия, e-mail: Dyakonova.lp@rea.ru
Савинова В.М., старший преподаватель кафедры информатики ВШ КМиС ФГБОУ ВПО «Российский экономический университет имени Г. В. Плеханова», 117997, г. Москва, Россия, e-mail: Savinova.VM@rea.ru
Фомин К.В., магистрант ВШ КМиС ФГБОУ ВПО «Российский экономический университет имени Г.В. Плеханова», 117997, г. Москва, Россия
Аннотация
Совершенствование угольной промышленности имеет существенное стратегическое значение для обеспечения устойчивого экономического развития России и разрешения социальных проблем. В связи с этим особенно важным становится разработка подходов и методов комплексного анализа и про- гнозирования показателей угольной отрасли на федеральном и региональном уровнях, что будет способствовать принятию научно-обоснованных решений в сфере планирования и управления угольной промышленностью. Необходимы как система моделей показателей, позволяющая осуществлять всесторонний анализ развития угольной отрасли, определение ключевых влияющих факторов, так и совершенствование прогностических моделей и методов, а также их применение к исследуемым показателям. Развиваемая авторами исследования гибридная система прогнозирования «Горизонт» реализует регрессионные и интеллектуальные модели для большинства групп экономических индикаторов РФ. В то же время большинство исследователей в своих работах основываются на авторегрессионных моделях временных рядов, базирующихся на ARIMA. Авторами разработан новый модуль системы «Горизонт ARIMA», который может применяться для прогнозирования отдельных показателей. Эти прогнозы могут рассматриваться в качестве базовых при проведении компаративного анализа с гибридными моделями. Настоящее исследование посвящено прогнозированию группы основных экономических показателей угольной промышленности России с применением моделей временных рядов ARIMA.
Ключевые слова
Социально-экономические показатели РФ, показатели угольной промышленности, прогнозирование, временные ряды, гибридная информационно-аналитическая система.
Список литературы
1. Доугерти К. Введение в эконометрику: пер. с англ. М.: ИНФРА-М, 2010. 465 с.
2. Пестова А.А., Мамонов М.Е. Обзор методов макроэкономического прогнозирования: в поисках перспективных направлений для России // Вопросы экономики. 2016. № 6. С. 45-75. DOI: 10.32609/0042-8736-2016-6-45-75. Pestova A., Mamonov M. A survey of methods for macroeconomic forecasting: looking for perspective directions in Russia. Voprosyеkonomiki. 2016;(6):45-75. (InRuss.). DOI :10.32609/0042-8736-2016-6-45-75.
3. Краснюк Л.В. Анализ экономического развития и прогнозирование основных показателей промышленности Российской Федерации // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономическиенауки. 2013. № 4. С. 38-44. Krasnuk L.V. Analysis of economic development and forecasting of the main indicators of the industry of the Russian Federation. Nauchno-tehnicheskie vedomosti Sankt-Peterburgskogo gosudarstvennogopolitehnicheskogo universiteta. Ekonomicheskie nauki. 2013;(4):38-44. (InRuss.).
4. Калиновская И.Н., Керриев К.Н. Прогнозирование производства товаров легкой промышленности в Республике Беларусь / Инновационные технологии в текстильной и легкой промышленности: Материалы Международной научно-технической конференции, Витебск, 13–14 ноября 2019 года. Витебск: Витебский государственный технологический университет, 2019. С. 341-344.
5. Астафьева Е., Турунцева М. Оценка качества краткосрочных прогнозов индексов промышленного производства Росстата // Научный вестник ИЭП им. Гайдара.ру (электронныйжурнал). 2014. № 12. С. 34-37. A stafieva E., Turuntseva M. Quality assessment of short-term forecasts of Rosstat industrial production indices. Nauchnyj vestnik IEP. 2014;(12):34-37. (InRuss.).
6. Астафьева Е., Турунцева М. Оценка качества краткосрочных прогнозов индексов промышленного производства НИУ ВШЭ (апрель 2009 г. – август 2021 г.) // Научный вестник ИЭП им. Гайдара.ру (электронныйжурнал). 2021. № 9. С. 32-35. A stafieva E., Turuntseva M. Quality Assessment of Short-Term Forecasts of Industrial Production Indices by the Higher School of Economics, National Research University (April 2009 – August 2021). Nauchnyj vestnik IEP. 2021;(9):32-35. (InRuss.).
7. Турунцева М.Ю., Киблицкая Т.Р. Качественные свойства различных подходов к прогнозированию социально-экономических показателей РФ. М.: ИЭПП, 2010. Научные труды № 135Р.
8. Болдыревский П.Б., Игошев А.К., Кистанова Л.А. Кластерный анализ и нейросетевое моделирование динамики индекса промышленного производства обрабатывающей промышленности России // Экономический анализ: теория и практика. 2019. Т. 18. № 11. С. 2158-2171. Boldyrevskii P.B., Igoshev A.K., Kistanova L.A. Cluster analysis and neural network modeling for movements of industrial production index of the Russian manufacturing industry. Ekonomicheskij analiz:teoriya i praktika. 2019;18(11):2158-2171. (In Russ.).
9. Шинкевич А.И., Лубнина А.А., Бронская В.В. Анализ трендов научно-исследовательского развития промышленности на основе методов математического моделирования // Известия Самарского научного центра Российской академии наук. 2022. Т. 24. № 4. С. 68-74. DOI: 10.37313/1990-5378-2022-24-4-68-74. Shinkevich A.I., Lubnina A.A., Bronskaya V.V. Analysis of trends in scientific research development of the industry on the basis of mathematical modeling methods. Izvestiya Samarskogo nauchnogotsentra Rossijskoj akademii nauk. 2022;24(4):68-74. (In Russ.). DOI: 10.37313/1990-5378-2022-24-4-68-74.
10. Фокин Н.Д. VAR -LA SSO модель для российской экономики на большом массиве данных. 2020. Electroniccopyavailableat: https://ssrn.com/abstract=3695047. 24 с.
11. Применение нейронных сетей для прогнозирования социально-экономических временных рядов / О.В. Китова, Л.П. Дьяконова, В.А. Китов и др. // Российский экономический вестник. 2020. Т. 3. № 5. С. 188-201. http://dgpu-journals.ru/archives/11494. Kitova O.V., Dyakonova L.P., Kitov V.A., Savinova V.M. Application of neural networks for forecasting social and economic time series. Rossijskij ekonomicheskij vestnik. 2020;3(5):188 201. http://dgpujournals.ru/archives/11494.
12. Kitova O.V., Kolmakov I.B., Dyakonova L.P., Grishina O.A., Sekerin V.D., Danko T.P. Hybrid intelligent system of forecasting of the socioeconomic development of the country. Ijaber. 2016;14(9):5755-5766.
13. Kitova O., Savinova V., Dyakonova L., Kitov V. Development of hybrid models and a system for forecasting the indicators of the Russian economy. Espacios. 2019;40(10):18-24.
14. Прогнозирование промышленных показателей в России в информационно-аналитической системе «Горизонт» / О.В. Китова, Л.П. Дьяконова, В.А. Китов и др. // Вопросы истории. 2021. Т. 10(1). С. 268-287. Kitova O.V., Dyakonova L.P., Kitov V.A., Savinova V.M. Forecasting the main economic indicators for industry in the analytical system “Horizon”. Voprosy istorii. 2021;10(1):268-287. (InRuss.).
15. Модельные расчеты краткосрочных прогнозов социально-экономических показателей РФ / М.Ю. Турунцева, Е.В. Астафьева, М.А. Баева и др. // Научный вестник ИЭП им. Гайдара.ру (электронный журнал). 2013. № 5. С. 2-31. T uruntseva M.Yu., Astafieva E.V., Baeva M.A. et al. Model calculations of short-term forecasts of the social and economic indicators in the Russian Federation. Nauchnyj vestnik IEP. 2013;(5):2-31. (InRuss.).
16. Миролюбова А.А., Ермолаев А.Д., Прокофьев М.Б. ARIMA – прогнозирование спроса производственного предприятия // Современные наукоемкие технологии. Региональноеприложение. 2021. № 2. С. 50-55. DOI: 10.6060/snt.20216602.0007. Mirolyubova A.A., Ermolaev A.D., Prokofiev M.B. AR IMA – forecasting the demand of the production plant. Sovremennye naukoyomkietehnologii. Regional'noe prilozhenie. 2021;(2):50-55. (In Russ.). DOI: 10.6060/snt.20216602.0007.
Поддержка
Данное исследование выполнено в рамках государственного задания в сфере научной деятельности Министерства науки и высшего образования РФ на тему «Модели, методы и алгоритмы искусственного интеллекта в задачах экономики для анализа и стилизации многомерных данных, прогнозирования временных рядов и проектирования рекомендательных систем», номер проекта FSSW-2023-0004.
Для цитирования
Прогнозирование основных экономических показателей угольной промышленности в аналитической системе «Горизонт» / О.В. Китова, Л.П. Дьяконова, В.М. Савинова и др. // Уголь. 2024;(6):71-77. DOI: 10.18796/0041-5790-2024-6-71-77.
Информация о статье
Поступила в редакцию: 03.05.2024
Поступила после рецензирования: 16.05.2024
Принята к публикации: 26.05.2024
