Все выпуски

В настоящее время наиболее распространенный подход к расчету оптимальных по Нэшу–Курно стратегий участников олигополистических рынков, а следовательно и показателей таких рынков, связан с использованием линейных динамических игр с квадратичными критериями и решением обобщенных матричных уравнений Риккати.

Другой подход к исследованию оптимальных разомкнутых (open-loop) стратегий участников олигополистических рынков, развиваемый автором, основан на использовании операционного исчисления (в частности, Z-преобразования). Этот подход позволяет получить экономически приемлемые решения для более широкого диапазона изменения параметров используемых моделей, чем при применении методов, основанных на решении обобщенных матричных уравнений Риккати. Метод отличается относительной простотой вычислений и необходимой для экономического анализа наглядностью. Одним из его достоинств является то, что во многих важных для экономической практики случаях он, в отличие от традиционного подхода, обеспечивает возможность проведения расчетов с использованием широко распространенных электронных таблиц, что позволяет проводить исследование перспектив развития олигополистических рынков широкому кругу специалистов и потребителей.

В статье рассматриваются практические аспекты определения оптимальных по Нэшу–Курно стратегий участников олигополистических рынков на основе операционного исчисления, в частности техника проведения расчетов оптимальных по Нэшу–Курно стратегий в среде Excel. В качестве иллюстрации возможностей предлагаемых методов расчета исследуются примеры, близкие к практическим задачам прогнозирования показателей рынков высокотехнологичной продукции.

Полученные автором для многочисленных примеров и реальных экономических систем результаты расчетов, как с использованием полученных соотношений на основе электронных таблиц, так и с использованием расширенных уравнений Риккати, оказываются весьма близкими. В большинстве рассмотренных практических задач отклонение рассчитанных в соответствии с двумя подходами показателей, как правило, не превышает 1.5–2 %. Наибольшая величина относительных отклонений (до 3–5 %) наблюдается в начале периода прогнозирования. В типичных случаях период сравнительно заметных отклонений составляет 3–5 моментов времени. После переходного периода наблюдается практически полное совпадение значений искомых показателей при использовании обоих подходов.

В статье рассматривается подход к моделированию влияния санкций и импортозамещения на показатели рынков высокотехнологичной продукции, основанный на использовании методов теории управления, в частности операционного исчисления, z-преобразования. В рассматриваемой модели предполагается, что компания-производитель оборудования поставляет уникальное высокотехнологичное оборудование в компанию-производитель высокотехнологичной продукции (ВП), которая доминирует на рынке потребителей оборудования. Компания – производитель ВП, опасаясь нарушения поставок оборудования из-за введения всевозможных ограничений и санкций, за счет отчислений от своей прибыли инвестирует в развитие импортозамещающего производства оборудования в третьей компании, которое может также найти применение на внешнем рынке.

Анализируется влияние на показатели условного рынка следующих факторов и действий: 1) степени инерционности процессов разработки и развития производства в компании; 2) доли оборудования импортозамещающей компании, поставляемого в компанию – производитель ВП; 3) санкций (общих и выборочных) на поставку оборудования в компанию – производитель ВП, а также блокирования процесса импортозамещения в третьей компании со стороны первой компании.

Проведенные расчеты показывают, что ускорение процессов разработки и производства оборудования приводит к более быстрому снижению объемов производства первой компании. При этом наблюдается рост цены, что связано с изменением параметров обратной функции спроса. Увеличение доли оборудования импортозамещающей компании, потребляемой второй компанией, может приводить к резкому росту объемов производства во второй и третьей компаниях, стабилизации объемов производства в первой компании и к росту цены.

Введение санкций приводит к уменьшению относительно базового варианта объемов производства и доходов всех компаний. Происходит также существенное изменение цены. Однако в связи с инерционностью процессов производства оборудования в рассматриваемом примере существенное изменение объемов производства в совокупности компаний происходит со значительным лагом. Особенно это характерно для третьей компании, в которой заметное отклонение от базового варианта начинается после 20 лет.

Блокировка первой компанией – производителем оборудования, инвестиций в развитие импортозамещения в третьей компании обеспечивает сравнительно небольшой выигрыш первой компании в объемах производства и NPV, хотя и позволяет ей существенно повысить рыночную долю относительно базового варианта.

Анализ экономических показателей региона играет важную роль в управлении и планировании развития, при этом валовой региональный продукт (ВРП) является одним из ключевых индикаторов экономической деятельности. Применение искусственного интеллекта, в том числе нейросетевых технологий, позволяет значительно повысить точность и надежность прогнозов экономических процессов. В данном исследовании сравниваются три модели нейросетевых алгоритмов для прогнозирования ВРП одного из типичных регионов РФ — Удмуртской Республики — на основе временных рядов за период с 2000 по 2023 год. В качестве моделей выбраны нейронная сеть с алгоритмом летучей мыши (BA-LSTM), модель нейронной сети обратного распространения ошибки, оптимизированная с помощью генетического алгоритма (GA-BPNN), и нейросетевая модель Элмана, оптимизированная алгоритмом роя частиц (PSO-Elman). В ходе исследования были выполнены такие этапы нейросетевого моделирования, как подготовка исходных данных, обучение моделей и их сравнительный анализ по показателям точности и качества прогнозов. Такой подход позволяет оценить преимущества и недостатки каждой модели в контексте прогнозирования ВРП, а также определить наиболее перспективные направления для дальнейших исследований. Использование современных нейросетевых методов открывает новые возможности для автоматизации анализа региональной экономики и повышения качества прогнозных оценок, что особенно актуально при ограниченных данных и для оперативного принятия решений. В исследовании в качестве входных данных для прогнозирования ВРП используются такие факторы, как величина производственного капитала, среднегодовая численность трудовых ресурсов, доля продукции высокотехнологичных и наукоемких отраслей в ВРП, а также показатель, учитывающий инфляцию. Высокая точность прогнозов, достигнутая в результате включения этих факторов в нейросетевые модели, подтверждает наличие сильной связи между этими факторами и ВРП. Результаты исследования показали высокую точность нейросетевой модели BA-LSTM на валидационной выборке: коэффициент детерминации составил 0,82, средняя абсолютная процентная ошибка — 4,19%. Качество и надежность этой модели свидетельствуют о ее способности эффективно предсказы- вать динамику ВРП. В прогнозном периоде до 2030 года в Удмуртской Республике ожидается ежегодное увеличение ВРП +4,6% в текущих ценах или +2,5% в сопоставимых ценах 2023 года. К 2030 году прогнозируется ВРП на уровне 1264,5 млрд руб.