Семенычев В.К.доктор экономических наук, доктор технических наук, профессор кафедры высшей математики, профессор кафедры цифровых технологий и решений, Самарский государственный экономический университет (СГЭУ), Самара, Российская Федерация 505tot@mail.ru https://orcid.org/0000-0003-3705-1509 SPIN-код: 3569-5320
Предмет. Для анализа мезодинамики отраслей 78 регионов России сформирован комплекс из моделей трендов, среднесрочных бизнес-циклов и сезонных компонент, осуществляющих аддитивно-мультипликативное взаимодействие между собой. Цели. Провести качественный и количественный мониторинг эволюции траекторий мезодинамики показателей 12 основных отраслей каждого региона с 2005 по 2017 г. для характеристики однородности, устойчивости и сбалансированности развития этих регионов, а также их перспективности для инвестиций. Методология. Нелинейность моделей мезодинамики и принятие парадигмы эконофизики, а также выполненные ранее авторские эконометрические исследования расширили возможность применения в качестве трендов известных решений дифференциальных уравнений эконофизики, известных и новых феноменологических моделей. Декомпозиция траекторий основных показателей динамики региональной экономики реализует известные и новые аддитивно-мультипликативные взаимодействия трендов, циклической и сезонной компонент. Методы идентификации, применение бутстрепа, робастного сглаживания позволяют идентифицировать модели мезодинамики на выборках до 30–50 наблюдений без априорного знания закона распределения стохастической компоненты. Результаты. Подтверждена возможность применения (адекватность) парадигмы эконофизики для анализа трендов мезодинамики отраслей, а для среднесрочных циклов мезодинамики подтверждена гипотеза Е. Слуцкого о моделировании их тремя гармониками с некратными частотами. Обоснованы и апробированы методы идентификации основных моделей мезодинамики преимущественно в свободной программной среде R. Вариации видов и/или параметров моделей регулярных компонент траекторий и структур их взаимодействия, обнаружение в смеси законов распределений стохастической компоненты с «тяжелыми хвостами» рассматриваются как характеристики эволюционного развития отраслей. Выводы. Представляется, что методология эконофизики, применение предложенного инструментария позволят формировать базы знаний для фундаментальных законов мезодинамики, в том числе для выявления пространственно-временных особенностей цикличности развития российских регионов, для оценки уровня сбалансированности и устойчивости регионального развития в среднесрочной перспективе и выявления однородных регионов по длине цикла.
Yew-Kwang Ng. Business Confidence and Depression Prevention: A Mesoeconomic Perspective. The American Economic Review, 1992, vol. 82(2), pp. 365–371. URL: Link
Гельвановский М., Жуковская В., Трофимова И. Конкурентоспособность в микро-, мезо- и макроуровневом измерениях // Российский экономический журнал. 1998. № 3. С. 67‒78.
Маевский В.И., Кирдина-Чэндлер С.Г., Дерябина М.А. Мезоэкономика: состояние и перспективы: монография. М.: Институт экономики Российской академии наук, 2018. 314 с.
Клейнер Г.Б. Мезоэкономика развития: монография. М.: Наука, 2011. 805 с.
Круглова М.С. Мезоэкономическая теория в англоязычной научной литературе // Журнал институциональных исследований. 2017. Т. 9. № 3. С. 24‒35. URL: Link
Хмелева Г.А., Семенычев В.К., Коробецкая А.А. и др. Инновационное развитие российских регионов в условиях санкций: монография. Самара: Самарский научный центр Российской академии наук, 2017. 304 с.
Хмелева Г.А., Семенычев В.К., Коробецкая А.А. и др. Российские регионы в условиях санкций: возможности опережающего развития экономики на основе инноваций: монография. Самара: Самарский государственный университет, 2019. 446 с.
Семенычев В.К., Коробецкая А.А., Кожухова В.Н. Предложения эконометрического инструментария моделирования и прогнозирования эволюционных процессов: монография. Самара: Самарская академия государственного и муниципального управления, 2015. 384 с.
Чернавский Д.С., Никитин А.П., Чернавская О.Д. О возникновении распределения Парето в нелинейных динамических системах // Биофизика. 2008. Т. 53. № 2. C. 351‒358.
Ivanova I., Strand Ø., Leydesdorff L. The Synergy and Cycle Values in Regional Innovation Systems: The Case of Norway. Foresight and STI Governance, 2019, vol. 13, iss. 1, pp. 48–61. URL: Link
Хавинсон М.Ю. Эконофизика: от анализа финансов до судьбы человечества // Пространственная экономика. 2015. № 1. С. 144–166. URL: Link
Бабкин А.В. Экономика и менеджмент в условиях нелинейной динамики: монография. СПб.: Политехнический университет, 2017. 773 с.
Арнольд В.И. «Жесткие» и «мягкие» математические модели. М.: Московский центр непрерывного математического образования, 2008. 32 с.
Болдыревский П.Б., Игошев А.К., Кистанова Л.А. Исследования синергетических эффектов и цикличности современных экономических систем // Экономический анализ: теория и практика. 2018. Т. 17. Вып. 11. С. 2166‒2178. URL: Link
Бабичева Н.Э., Любушин Н.П., Лылов А.И., Гуртовая И.Н. Экспоненциальный рост и закон циклического развития систем // Экономический анализ: теория и практика. 2018. Т. 17. Вып. 11. С. 1996‒2009. URL: Link
Нижегородцев Р.М. Логистическое моделирование экономической динамики. Ч. II // Проблемы управления. 2004. № 2. С. 52‒58. URL: Link
Семенычев В.К., Кожухова В.Н. Анализ и предложения моделей экономической динамики с кумулятивным логистическим трендом: монография. Самара: Самарский научный центр Российской академии наук, 2013. 152 с.
Miranda L.C.M. A Note on the Periodicities in the Logistic Analyses of Growth Processes. Technological Forecasting and Social Change, 2010, vol. 77, iss. 5, pp. 823‒830. URL: Link
Кондратьев Н.Д., Яковец Ю.В., Абалкин Л.И. Большие циклы конъюнктуры и теория предвидения. Избранные труды. М.: Экономика, 2002. 765 с.
Глазьев С.Ю., Микерин Г.И. Длинные волны. Научно-технический прогресс и социально-экономическое развитие. Новосибирск: Наука, 1991. 224 с.
Коротаев А.В., Малков С.Ю., Гринин Л.Е. Вербальная модель соотношения длинных кондратьевских волн и среднесрочных жюгляровских циклов // Анализ и моделирование глобальной динамики. М.: Либроком, 2010. С. 44‒70.
Слуцкий Е.Е. Сложение случайных причин как источник циклических процессов // Вопросы конъюнктуры. 1927. Т. III. Вып. I. С. 34‒64.
Cleveland R.B., Cleveland W.S., McRae J.E., Terpenning I.J. STL: A Seasonal-Trend Decomposition Procedure Based on LOESS. Journal of Official Statistics, 1990, vol. 6(1), pp. 3‒73. URL: Link
Семенычев В.К., Куркин Е.И., Семенычев Е.В., Данилова А.А. Инструментарий моделирования колебательной компоненты в колоколообразных кривых жизненного цикла продукта // Прикладная эконометрика. 2014. № 33(1). С. 111‒123. URL: Link
Semenychev V.K., Kurkin E.I., Semenychev E.V. Multimodel Forecasting of Non-Renewable Resources Production. Energy, 2017, vol. 130, pp. 448‒460. URL: Link
Кирилюк И.Л. Модели производственных функций для российской экономики // Компьютерные исследования и моделирование. 2013. Т. 5. № 2. С. 293‒312. URL: Link
Чекмарева Е.А. Обзор российского и зарубежного опыта агент-ориентированного моделирования сложных социально-экономических систем мезоуровня // Экономические и социальные перемены: факты, тенденции, прогноз. 2016. № 2. С. 225‒246. URL: Link
Дементьев В.Е. Микро- и мезооснования макроэкономической динамики // Вестник университета (Государственный университет управления). 2015. № 8. С. 103‒109. URL: Link
