ЭКОНОМИКА
Оригинальная статья
УДК 338 © А.А. Курилова, 2024
ISSN 0041-5790 (Print) • ISSN 2412-8333 (Online) • Уголь № 12-2024 /1188/
DOI: http://dx.doi.org/10.18796/0041-5790-2024-12-58-62
Название
Прогнозирование величин угольной ренты стран мира с использованием метода ARIMA
Авторы
Курилова А.А. доктор экон. наук, доцент, профессор Института финансов, экономики и управления ФГБОУ ВО «Тольяттинский государственный университет», 445051, г. Тольятти, Россия, е-mail: aakurilova@yandex.ru
Аннотация
Прогнозирование величины угольной ренты («Coal rents (% of GDP)») является важным для принятия обоснованных решений в области экономики, экологии и управления ресурсами. В данной статье рассматривается прогнозирование величины угольной ренты как всех стран мира, так и России в отдельности с использованием метода ARIMA (Autoregressive Integrated Moving Average) на основе данных за период с 1970 по 2021 г. Прогнозирование угольной ренты с использованием метода ARIMA дает ценную информацию для анализа текущих тенденций и предсказания будущих изменений. Это позволяет компаниям и правительственным органам принимать обоснованные решения, снижать риски и эффективно использовать возможности для устойчивого развития и экономического роста. В целом, выявленные изменения могут быть следствием стратегических решений и адаптации России к изменяющимся условиям в мировой экономике, а также управлению политическими и экономическими рисками. Прогноз мировой величины угольной ренты показывает значительный рост к 2051 г. Для России также проведен анализ, показывающий снижение и дальнейшую стабилизацию величины угольной ренты на уровне 0,39% начиная с 2031 г.
Ключевые слова
ARIMA, прогнозирование, производство стали, угольная рента, Россия.
Список литературы
1. Zhernov E.E., Osokina N.V. he rent aspect of the circular economy in the coal industry of a resources-extractive region. 2. business models of the circular economy at coal mining enterprises: the rent aspect // gol. 2022. № 6.
2. Korkmaz ?. o Oil, Coal, and Natural as Consumption and ents Impact Economic rowth? n Empirical nalysis for the ussian ederation. SSRN Electron. J. 2022.
3. iu B., ian J. Natural resources led innovation: Employing structural break approach to explore S’s natural resources sector. Resour. Policy. 2023;(85).
4. i S., Chen ., Jiang . et al. Multidimensional financial development and natural resources: path for sustainable development via natural resources and digitalization. Resour. Policy. 2024;(88).
5. Pan ., Wang a, X. Sun et al. Natural resources: determining factor of geopolitical risk in ussia? evisiting conflict-based perspective. Resour. Policy. 2023;(85).
6.i J., i u., Zheng Z. et al. Environment and natural resources degradation under COVI-19 crises: ecovery post pandemic. Resour. Policy. 2023;(83).
7. Wu ., ang u., Shi i. et al. enewable energy resources, natural resources volatility and economic performance: Evidence from BICS. Resour. Policy. 2022;(76).
8.sif M., Khan B., Muhammad K. et al. Dynamic interaction between financial development and natural resources: Evaluating the ‘resource curse’ hypothesis. Resour. Рolicy. 2020;(65).
9. Dogan E., ltinoz B., zeremes P. he analysis of ‘Financial Resource Curse’ hypothesis for developed countries: Evidence from asymmetric effects with quantile regression. Resour. Policy. 2020;(68).
10. Mai N.., a .., oa ..M. et al. Effects of igitalization on Natural esource se in European Countries: oes Economic Complexity Matter? Int. J. Energy Econ. Policy. 2022;12(3).
11. Zhou B., uang a., ao K. et al. ow geopolitical risk and economic policy uncertainty impact coal, natural gas, and oil rent? Evidence from China. Resour. Policy. 2024;(88).
12.yamfi B.., dedoyin .., Bein M.. et al. he anthropogenic consequences of energy consumption in E7 economies: Juxtaposing roles of renewable, coal, nuclear, oil and gas energy: Evidence from panel quantile method. J. Clean. Prod. 2021;(295).
13.dedoyin .., umeda M.I., Bekun .V. et al. Modelling coal rent, economic growth and CO2 emissions: oes regulatory quality matter in BICS economies? Sci. Total Environ. 2020;(710).
14. lbeladi K., Zafar B., Mueen . ime Series orecasting using SM and IM. Int. J. Adv. Comput. Sci. Appl. 2023;14(1).
15. Sirisha .M., Belavagi M.C., ttigeri . Profit Prediction sing IM, SIM and SM Models in ime Series orecasting: Comparison. IEEE Access. 2022;(10).
Для цитирования
Курилова А.А. Прогнозирование величин угольной рен ты стран мира с использованием метода IM // Уголь. 2024;(12):58-62. DOI: 10.18796/0041-5790-2024-12-58-62.
Информация о статье
Поступила в редакцию: 18.06.2024
Поступила после рецензирования: 15.11.2024
Принята к публикации: 28.11.2024
