Моделирование сценариев динамики индикаторов развития IT-отрасли посредством элементарных математических функций
DOI:
https://doi.org/10.18413/2687-0932-2020-47-4-729-746Ключевые слова:
эконометрика, прогнозирование, тренд, элементарные математические функции, социально-экономическое развитие, динамические ряды, региональная статистика, экономические показателиАннотация
Прогнозирование является важным инструментом в деятельности ученых и исследователей социально- экономической сферы. Его использование позволяет предполагать варианты будущего и находить на них своевременные адекватные и эффективные ответы. Прогнозирование показателей регионального развития в свою очередь позволяет формировать необходимую национальную политику в отношении субъектов хозяйствования, которые нуждаются в государственной поддержке, либо перераспределении ресурсов из элементов экономической системы, имеющих их в свою очередь в избытке. Целью данной статьи является разработка и апробация соответствующего инструментария, моделирующего прогнозные сценарии динамики показателей развития, являющихся социально- экономическими характеристиками региона. В качестве базиса построения прогнозов взяты трендовые модели, выраженные элементарными математическими функциями. Помимо этого, представлен алгоритм моделирования сценариев и коридора значений прогнозируемой величины. Апробация разработанного инструмента проделана на статистических показателях Российской Федерации и Пермского края, характеризующих развитие и уровень влияния IT-технологий на исследуемой территории.
Скачивания
Библиографические ссылки
Айвазян С.А. 2010. Методы эконометрики. М., Магистр: ИНФРА-М, 512.
Алферьев Д.А. 2015. Прогноз развития инновационной активности в России. Проблемы развития территории, 6 (80): 201–213.
Алферьев Д.А. 2018. Теоретико-методические аспекты долгосрочного прогнозирования научно-технологического развития. Управление инвестициями и инновациями, 1: 5–16. https://www.elibrary.ru/item.asp?id=32582523 (дата обращения: апрель 2020).
Груздев А. 2016. Прогнозное моделирование в IBM SPSS Statistics и R. Метод деревьев решений. М., ДМК Пресс, 278.
Жерон О. 2018. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. СпБ., ООО «Альфа-книга», 688.
Кремин А.Е. 2019. Проблемы использования ИТ-аутсорсинга для экономки России. Научный вестник южного института менеджмента, 3 (27): 5–13. https://doi.org/10.31775/2305-3100-2019-3-5-13
Малинецкий Г.Г. Курдюмов С.П. 2001. Нелинейная динамика и проблемы прогноза. Вестник РАН, 3: 210–232.
Сердюкова О.А. 2019. Цифровая экономика Пермского края: состояние и перспективы развития. Экономика и бизнес: теория и практика, 8: 138–144. https://doi.org/10.24411/2411-0450-2019-11130
Сигель Э. 2017. Просчитать будущее. Кто кликнет, купит, соврет или умрет. М., Альпина Паблишер, 374.
Ушакова Ю.О., Усков В.С. 2019. Проблемы подготовки научно-технических кадров (на примере Вологодской области). Вестник Кемеровского государственного университета. Серия: Политические, социологические и экономические науки, 4 (3): 346–353. https://doi.org/10.21603/2500-3372-2019-4-3-346-353
Юдин Г. 2016. Репрезентативность в опросах. ПостНаука. https://postnauka.ru/ faq/58454 (дата обращения: апрель 2020).
Якушев Н.О. 2017. Особенности составляющей товарной структуры экспорта регионов. Дети и молодежь – будущее России: материалы IV Международной науч.-практ. конф., г. Вологда, 5–7 октября 2016 г.: в 2 частях. Вологда, ИСЭРТ РАН, Ч. I: 286–291.
Banko M., Brill E. 2001. Scaling to Very Very Large Corpora for Natural LanguagevDisambiguation // Proceedings of the 39th Annual Meeting of the Association for Computational Linguistics. Association for Computational Linguistics: 26–33. https://doi.org/10.3115/ 1073012.1073017
Maddox T. TechRepublic. Top tech trends for 2021: Gartner predicts hyperautomation, AI and more will dominate business technology. 2020, https://www.techrepublic.com/article/top-tech-trends-for-2021-gartner-predicts-hyperautomation-ai-and-more-will-dominate-business-technology/ (дата обращения: ноябрь 2020).
Muller J.-M. 2016. Elementary Functions. Publisher: Birkhäuser Basel, 283. https://doi.org/10.1007/978-1-4899-7983-4
Nielsen R.W. 2015. Mathematics of Predicting Growth. https://www.researchgate.net/publication/283153443_Mathematics_of_Predicting_Growth (дата обращения: апрель 2020).
Norvig P., Halevy A., Pereira F. The Unreasonable Effectiveness of Data. https://static.googleusercontent.com/media/research.google.com/ru//pubs/archive/35179.pdf (дата обращения: апрель 2020).
Rahman M.H., Salma U., Hossain M.M. et al. 2016. Revenue Forecasting using Holt–Winters Exponential Smoothing. Research & Reviews: Journal of Statistics, 5 (3). https://www.researchgate.net/publication/311945797_Revenue_Forecasting_using_Holt-Winters_Exponential_Smoothing (дата обращения: апрель 2020).
Shankar lyer L., R S. 2017. Demand management and forecasting of seasonal products in a FMEG Company. Conference: National Conference on Operations Management, Analytics and Statistical Methods, https://www.researchgate.net/publication/315186477_Demand_management_and_forecasting_of_seasonal_products_in_a_FMEG_Company (дата обращения: апрель 2020).
Shuvaev A., Butova O., Lebedev V. et al. 2019. Modeling and forecasting socio-economic processes in the region. Indo American Journal of Pharmaceutical Sciences (IAJPS), 6. (4): 7082–7086. http://www.iajps.com/April-2019/issue_19april_16.php (дата обращения: апрель 2020).
Stryabkova E.A., Glotova A.S., Titova I.N. et al. 2018. Modeling and forecasting of socio-economic development of the region. The Journal of Social Sciences Research, 5: 404–410. https://doi.org/10.32861/jssr.spi5.404.410
Просмотров аннотации: 394
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2020 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
