Мониторинг многомерного риска в экономике (на примере оценки снижения уровня социально-экономического развития)
Аннотация
Предмет. Контроль и анализ социально-экономической безопасности страны является одной из актуальных проблем. Для ее решения необходимо создавать и совершенствовать адекватные модели анализа риска, учитывающие особенности экономики. К ним можно отнести наличие нескольких факторов риска, которые могут быть взаимосвязанными и одновременно проявляться, нестационарность процессов в экономике, малые выборки данных. Цели. Предложить и апробировать на синтетических и реальных данных модель многомерного риска, удовлетворяющую основным особенностям процессов в экономике.
Методология. В процессе достижения поставленных целей использовались такие методы научного познания как анализ, синтез, системный подход в экономике, теория риска, математическое моделирование стохастических систем. Исследование базируется на изучении актуальной научной литературы в сферах системного анализа, теории риска, математического моделирования, математической экономики и многомерных статистических методов.
Результаты. Предложена модель многомерного риска, ориентированного на особенности процессов в экономике. Она основана на представлении исследуемой экономической системы или явления в виде многомерных нестационарных процессов, которые в каждый момент времени считаем гауссовыми случайными векторами.
Выводы. Апробация предложенного подхода на модельных и реальных данных показала возможность его практического использования для мониторинга риска в экономике.
Литература
Винокур, И. Р. (2020). Методика анализа и управления рисками. Количественная оценка рисков. Вестник ПНИПУ. Социально-экономические науки, (1), 204-217. [Vinokur, I. R. (2020). Methodology of risk analysis and management. Quantitative risk assessment. Bulletin of PNIPU. Social and economic sciences, (1), 204-217. (In Russian).] DOI: 10.15593/2224-9354/2020.1.16
Воронов, В. С., & Давыдов, В. Д. (2021). Байесовский подход в финансовой инженерии: конструируем интеллектуальные системы поддержки финансовых решений. Вопросы инновационной экономики, 11(4), 1509-1520. [Voronov, V. S., & Davydov, V. D. (2021). Bayesian approach in financial engineering: constructing intelligent systems to support financial decisions. Issues of Innovative Economics, 11(4), 1509-1520. (In Russian).] DOI: 10.18334/vinec.11.4.113830
Ганичева, А. В., & Ганичев, А. В. (2022). Оценивание числа слагаемых суммы независимых случайных величин при моделировании гауссовских случайных величин. Экономика. Информатика, 49(3), 546-557. [Ganicheva, A. V., & Ganichev, A. V. (2022). Estimation of the number of terms in the sum of independent random variables in modeling Gaussian random variables. Economics. Informatics, 49(3), 546-557. (In Russian).] DOI: 10.52575/2687-0932-2022-49-3-546-557
Голованов, О. А., Тырсин, А. Н., & Васильева, Е. В. (2023). Моделирование рисков экономической безопасности регионов России в условиях санкционного давления. Экономические и социальные перемены: факты, тенденции, прогноз, 16(5), 49-65. [Golovanov, O.A., Tyrsin, A.N., & Vasilyeva, E.V. (2023). Modeling economic security risks for Russian regions in the context of sanctions pressure. Economic and Social Changes: Facts, Trends, Forecast, 16(5), 49-65.] DOI: 10.15838/esc.2023.5.89.310.15838/esc.2023.5.89.3
Голованов, О. А., & Тырсин, А. Н. (2024). Спуск по узловым прямым и симплекс-алгоритм – два варианта регрессионного анализа на основе метода наименьших модулей. Заводская лаборатория. Диагностика материалов, 90(5), 79-87. [Golovanov, O. A., & Tyrsin, A. N. (2024). Descent along nodal straight lines and simplex algorithm: two variants of regression analysis based on least absolute deviation method. Industrial Laboratory. Diagnostics of Materials, 90(5), 79-87. (In Russian).] DOI: 10.26896/1028-6861-2024-90-5-79-87
Дубров, А. М., Лагоша, Б. А., & Хрусталев, Е. Ю. (2000). Моделирование рисковых ситуации в экономике и бизнесе. М.: Финансы и статистика. [Dubrov, A. M., Lagosha, B. A., & Khrustalev, E. Yu. (2000). Modeling of risk situations in economics and business. Moscow: Finance and Statistics. (In Russian).].
Качалов, Р. М., & Опарин, С. Г. (2019). IV Научно-практическая конференция «Управление рисками в экономике: проблемы и решения». Экономическая наука современной России, (1), 139-145. [Kachalov, R. M., & Oparin, S. G. (2019). IV Scientific and Practical Conference "Risk Management in the Economy: Problems and Solutions". Economic Science of Modern Russia, (1), 139-145. (In Russian).] DOI: 10.33293/1609-1442-2019-1(84)-139-145
Клейнер, Г. Б. (2023). Доказательное моделирование как перспективный инструмент научного исследования социально-экономических процессов. Экономика и управление: проблемы, решения, 2(6), 5-16. [Kleiner, G. B. (2023). Evidence-based modeling as a perspective tool for scientific research of socio-economic processes. Economics and Management: Problems, Solutions, 2(6), 5-16. (In Russian).] DOI: 10.36871/ek.up.p.r.2023.06.02.001
Краковский, Ю. М., Каргаполцев, С. К., & Начигин, В. А. (2018). Моделирование перевозочного процесса железнодорожным транспортом: анализ, прогнозирование, риски. СПб.: «ЛИТЕО». [Krakovsky, Yu. M., Kargapoltsev, S. K., & Nachigin, V. A. (2018). Modeling the transportation process by rail: analysis, forecasting, risks. St. Petersburg: "LITEO". (In Russian).].
Кузьмина, М. В. (2019). Риски организации: угроза или возможность? Вестник Российского экономического университета имени Г. В. Плеханова, (3), 215-221. [Kuzmina, M. V. (2019). Organization Risks: Threat or Opportunity? Bulletin of the Plekhanov Russian University of Economics, (3), 215-221. (In Russian).] DOI: 10.21686/2413-2829-2019-3-215-221.21
Лукашин, Ю.П. (2003). Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика. [Lukashin, Yu. P. (2003). Adaptive methods of short-term forecasting of time series. Moscow: Finance and Statistics. (In Russian).].
Лобкова, Е. В. (2022). Применение теории нечетких множеств в оценке рисков экономической безопасности в условиях цифровой трансформации региональной экономики. Экономические науки, (3), 111-118. [Lobkova, E. V. (2022). Application of fuzzy set theory in assessing economic security risks in the context of digital transformation of the regional economy. Economic sciences, (3), 111-118. (In Russian).] DOI: 10.14451/1.208.111
Митяков, С. Н. (2019). Методы оценки рисков экономической безопасности. Экономическая безопасность, 2(1), 23-27. [Mityakov, S. N. (2019). Methods for assessing economic security risks. Economic Security, 2(1), 23-27. (In Russian).] DOI: 10.18334/ecsec.2.1.100618
Орлов, А. И., & Пугач, О. В. (2012). Подходы к общей теории риска. Управление большими системами, 40, 49-82. [Orlov, A. I., & Pugach, O. V. (2012). Approaches to the general theory of risk. Large Systems Management, 40, 49-82. (In Russian).].
Орлова, Е. В. (2018). Имитационное моделирование и управление рисками автотранспортного предприятия. Проблемы анализа риска, 15(5), 46-55. [Orlova, E. V. (2018). Simulation modeling and risk management of a motor transport enterprise. Problems of risk analysis, 15(5), 46-55. (In Russian).] DOI: 10.32686/1812-5220-2018-15-5-46-55
Савинская, Д. Н., Шуняев, А. А., Зейн, В., & Шуняев, А. А. (2021). Cовременные методы прогнозирования временных рядов. Современная экономика: проблемы и решения, (11), 56-63. [Savinskaya, D. N., Shunyaev, A. A., Zein, V., & Shunyaev, A. A. (2021). Modern methods of time series forecasting. Modern Economics: Problems and Solutions, (11), 56-63. (In Russian).] DOI: 10.17308/meps.2021.11/2713
Тырсин, А. Н. (2015). О моделировании риска в системах критичных инфраструктур. В книге: Экономические и технические аспекты безопасности строительных критичных инфраструктур. Материалы международной конференции, 205-208. [Tyrsin, A. N. (2015). On risk modeling in critical infrastructure systems. In: Economic and Technical Aspects of Safety of Civil Engineering Critical Infrastructures. Proceedings of the international conference, 205-208. (In Russian).].
Тырсин, А. Н., & Сурина, А. А. (2017). Моделирование риска в многомерных стохастических системах. Вестник Томского государственного университета. Управление, вычислительная техника и информатика, (2), 65-72. [Tyrsin, A. N., & Surina, A. A. (2017). Risk Modeling in Multivariate Stochastic Systems. Bulletin of Tomsk State University. Management, Computer Science and Information Science, (2), 65-72. (In Russian).] DOI: 10.17223/19988605/39/9
Alleman, G. B., & Quigley, J. M. (2024). Risk Management. Auerbach Publications. DOI: 10.1201/9781003425465
Aven, T. (2016). Risk assessment and risk management: Review of recent advances on their foundation. European Journal of Operational Research, 253(1), 1-13. DOI: 10.1016/j.ejor.2015.12.023
Aven, T. (2019). The Science of Risk Analysis: Foundation and Practice. Routledge. DOI: 10.4324/9780429029189
Behrensdorf, J., Broggi, M., & Beer, M. (2019). Reliability Analysis of Networks Interconnected with Copulas. ASCE-ASME. Journal of Risk and Uncertainty in Engineering Systems, Part B Mechanical Engineering, 5, 041006-9. DOI: 10.1115/1.4044043
Benzaghta, M. A., Elwalda, A., Mousa, M. M., Erkan, I., & Rahman, M. (2021). SWOT analysis applications: An integrative literature review. Journal of Global Business Insights, 6(1), 54-72. DOI: 10.5038/2640-6489.6.1.1148.
Bryant, J., & Zhang, J. L. (2016). Bayesian Forecasting of Demographic Rates for Small Areas: Emigration Rates by Age, Sex, and Region in New Zealand, 2014-2038. Statistica Sinica, 26, 1337-1363. DOI: 10.5705/ss.2014.200t
Cherubini, U., Luciano, E., & Vecchiato, W. (2004). Copula Methods in Finance. Wiley. DOI: 10.1002/9781118673331.
Devianto, M. D., & Fadhilla, D. R. (2015). Time Series Modeling for Risk of Stock Price with Value at Risk Computation. Applied Mathematical Sciences, 9(56), 2779-2787. DOI: 10.12988/ams.2015.52144.
Ginevicius, R., Gedvilaite, D., Stasiukynas, A., & Suhajda, K. (2022). Complex Expert Assessment of the State of Business Enterprises. Acta Polytechnica Hungarica, 19(2), 135-150. DOI: 10.12700/APH.19.2.2022.2.8.
Hardle, W.K., Simar, L., & Fengler, M.R. (2024). Applied Multivariate Statistical Analysis. Springer. DOI: 10.1007/978-3-031-63833-6.
Jamshidi, A., Ait-kadi, D., Ruiz, A., & Rebaiaia, M. L. (2017). Dynamic risk assessment of complex systems using FCM. International Journal of Production Research, 56(3), 1070-1088. DOI: 10.1080/00207543.2017.1370148.
Joe, H. (2014). Dependence Modeling With Copulas. New York: Chapman and Hall/CRC. DOI: 10.1201/b17116.
Khodabakhshian, A., Puolitaival, T., & Kestle, L. (2023). Deterministic and Probabilistic Risk Management Approaches in Construction Projects: A Systematic Literature Review and Comparative Analysis. Buildings, 13(5), 1312. DOI: 10.3390/buildings13051312.
Kondor, D., Hafez, V., Shankar, S., Wazir, R., & Karimi, F. (2024). Complex systems perspective in assessing risks in artificial intelligence. Philosophical Transactions of the Royal Society A, 382, 20240109. DOI: 10.1098/rsta.2024.0109.
Kou, G., Chao, X., Peng, Y., Alsaadi, F. E., & Herrera-Viedma, E. (2019). Machine learning methods for systemic risk analysis in financial sectors. Technological and Economic Development of Economy, 25(5), 716-742. DOI: 10.3846/tede.2019.8740.
Liu, T., & Yu, Z. (2022). The Analysis of Financial Market Risk Based on Machine Learning and Particle Swarm Optimization Algorithm. EURASIP Journal on Wireless Communications and Networking, 31. DOI: 10.1186/s13638-022-02117-3.
Solozhentsev, E. D. (2015). Logic and probabilistic risk models for management of innovations system of country. International Journal of Risk Assessment and Management, 18(3/4), 237-255. DOI: 10.1504/IJRAM.2015.071211.
Ultsch, A., & Lotsch, J. (2015). Computed ABC Analysis for Rational Selection of Most Informative Variables in Multivariate Data. PLoS ONE, 10(6), e0129767. DOI: 10.1371/journal.pone.0129767.
