Предмет. Рост экономики региона определяется характером ряда составляющих ее основу экономических процессов, в числе которых существенную роль играют процедуры функционирования финансового рынка. В наиболее выраженной форме роль финансовых институтов проявляется в контексте трендов, занимающих центральное положение стратегий социально-экономического развития. Это прежде всего обеспечение устойчивого роста благосостояния и конкурентоспособности граждан. В этом отношении исследование вопросов, связанных с формированием платежеспособного спроса населения, представляет особую актуальность. Цели. Исследование экономической категории «финансовый рынок» в разрезе показателей, оказывающих существенное влияние на характер ее функционирования. Для достижения заявленной цели необходимо решить следующие задачи: сформулировать требования, выбрать метод декомпозиции, определить источники данных для модели (цифрового двойника), формализовать экономико-математическую модель и провести доказательство ее работоспособности. Методология. Основу прикладного исследования составляют логический и системный подходы, методы группировки, сравнения, в качестве математического аппарата использовались методы регрессионного и корреляционного анализа. Источником информации послужила структурированная база данных официальной отчетности Росстата. Результаты. Результатом исследования является экономико-математическая модель категории «финансовый рынок», функциональность которой достаточна для обоснования причинно-следственных связей между характеризующими показателями. Доказательство проведено экспериментальным путем на примерах субъектов Российской Федерации, входящих в состав Сибирского и Приволжского федеральных округов, при помощи специально разработанного программного приложения. Выводы. Используя на практике разработанные теоретические, методологические и практические подходы, можно обоснованно решать задачи регионального стратегирования.
Ключевые слова: макроэкономические показатели, региональная экономика, стратегирование, управление развитием, финансовый рынок
Список литературы:
Силин Я.П., Анимица Е.Г., Новикова Н.В. Теории экономического роста и экономического цикла в исследовании региональных процессов новой индустриализации // Journal of New Economy. 2019. Т. 20. № 2. С. 5–29. URL: Link
Аганбегян А.Г. Анализ и прогнозирование социально-экономического развития регионов России (методические заметки) // Среднерусский вестник общественных наук. 2019. Т. 14. № 4. С. 15–28. URL: Link
Глазьев С.Ю. Приоритеты опережающего развития Российской экономики в условиях смены технологических укладов // Экономическое возрождение России. 2019. № 2. С. 12–16. URL: Link
Медведев Д.А. Россия-2024: Стратегия социально-экономического развития // Вопросы экономики. 2018. № 10. С. 5–28. URL: Link
Балацкий Е.В. Глобальные вызовы четвертой промышленной революции // Terra Economicus. 2019. Т. 17. № 2. С. 6–22. URL: Link
Силин Я.П., Анимица Е.Г. Контуры формирования цифровой экономики в России // Известия Уральского государственного экономического университета. 2018. Т. 19. № 3. С. 18–25. URL: Link
Клисторин В.И. Межуровневые финансовые потоки в бюджетной системе Российской Федерации // Регион: Экономика и Социология. 2018. № 2. С. 33–51. URL: Link
Лебедева Н.А., Жихаревич Б.С. Стратеги о стратегическом планировании // Региональная экономика. Юг России. 2018. № 1. С. 6–15. URL: Link
Мельникова Л.В. Теоретические аргументы и эмпирическое знание в стратегическом планировании // Регион: Экономика и Социология. 2018. № 2. С. 52–80. URL: Link
Окрепилов В.В., Макаров В.Л., Бахтизин А.Р., Кузьмина С.Н. Применение суперкомпьютерных технологий для моделирования социально-экономических систем // Экономика региона. 2015. № 2. С. 301–312. URL: Link
Селиверстов В.Е. Стратегическое планирование и стратегические просчеты: Российские реалии и тенденции // Регион: Экономика и Социология. 2016. № 4. С. 6–46. URL: Link
Суслов Н.И., Бузулуцков В.Ф. Применение информационно-программно-модельного комплекса ОМММ-ТЭК для сценарного анализа развития ТЭК регионов: методические аспекты // Регион: Экономика и Социология. 2017. № 3. С. 215–237. URL: Link
Ghosh I., Jana R., Sanyal M. Analysis of Temporal Pattern, Causal Interaction and Predictive Modeling of Financial Markets Using Nonlinear Dynamics, Econometric Models and Machine Learning Algorithms. Applied Soft Computing, 2019, vol. 82. URL: Link
Lu Han. Correlation Predictive Modeling of Financial Markets. Procedia Computer Science, 2019, vol. 154, pp. 738–743. URL: Link
Еделев А.В., Зоркальцев В.И. Алгоритм определения оптимальных и субоптимальных траекторий развития систем // Сибирский журнал индустриальной математики. 2019. Т. 22. № 1. С. 34–40. URL: Link
Кулешов В.В., Алексеев А.В., Ягольницер М.А. Методы когнитивного анализа в разработке и обосновании стратегий экономического развития // Проблемы прогнозирования. 2019. № 2. С. 104–112. URL: Link
Кулапов М.Н., Варфоломеев В.П., Карасев П.А. Технологические аспекты теории управления инновационными процессами: системный анализ и подходы к моделированию // Друкеровский вестник. 2018. № 3. С. 82–100. URL: Link
Cook R.D., Weisberg S. Residuals and Influence in Regression. New York, Chapman and Hall, 1982, 230 p.
Rafindadi A., Mika'Ilu A. Sustainable Energy Consumption and Capital Formation: Empirical Evidence from the Developed Financial Market of the United Kingdom. Sustainable Energy Technologies and Assessments, 2019, vol. 35, pp. 265–277. URL: Link
Иваницкий В.П., Татьянников В.А. Информационная асимметрия на финансовых рынках: вызовы и угрозы // Экономика региона. 2018. Т. 14. № 4. С. 1156–1167. URL: Link
Dombret A., Foos D., Pliszka K., Schulz A. What Are the Real Effects of Financial Market Liquidity? Evidence on Bank Lending from the Euro Area. Journal of International Financial Markets, Institutions and Money, 2019, vol. 63, pp. 152–183. URL: Link
Xu Guo, Lianlian Song, Yun Fang, Lixing Zhu. Model Checking for General Linear Regression with Nonignorable Missing Response. Computational Statistics & Data Analysis, 2019, vol. 138, pp. 1–12. URL: Link 10.1016/j.csda.2019.03.009
Hanqin Shi, Liang Tao. Visual Comparison Based on Linear Regression Model and Linear Discriminant Analysis. Journal of Visual Communication and Image Representation, 2018, vol. 57, pp. 118–124. URL: Link
