All issues

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.

The traditional approach to computing optimal game strategies of firms on oligopolistic markets and of indicators of such markets consists in studying linear dynamical games with quadratic criteria and solving generalized matrix Riccati equations.

The other approach proposed by the author is based on methods of operational calculus (in particular, Z-transform). This approach makes it possible to achieve economic meaningful decisions under wider field of parameter values. It characterizes by simplicity of computations and by necessary for economic analysis visibility. One of its advantages is that in many cases important for economic practice, it, in contrast to the traditional approach, provides the ability to make calculations using widespread spreadsheets, which allows to study the prospects for the development of oligopolistic markets to a wide range of professionals and consumers.

The article deals with the practical aspects of determining the optimal Nash–Cournot strategies of participants in oligopolistic markets on the basis of operational calculus, in particular the technique of computing the optimal Nash–Cournot strategies in Excel. As an illustration of the opportinities of the proposed methods of calculation, examples close to the practical problems of forecasting indicators of the markets of high-tech products are studied.

The results of calculations obtained by the author for numerous examples and real economic systems, both using the obtained relations on the basis of spreadsheets and using extended Riccati equations, are very close. In most of the considered practical problems, the deviation of the indicators calculated in accordance with the two approaches, as a rule, does not exceed 1.5–2%. The highest value of relative deviations (up to 3–5%) is observed at the beginning of the forecasting period. In typical cases, the period of relatively noticeable deviations is 3–5 moments of time. After the transition period, there is almost complete agreement of the values of the required indicators using both approaches.

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.

The article considers an approach to modeling the impact of sanctions and import substitution on the performance of high-tech product markets based on the use of control theory methods (operational calculus, z-transform). The model under consideration assumes that an equipment manufacturer supplies unique high-tech equipment to a high-tech product (HP) manufacturer that dominates the equipment consumer market. The HP manufacturer, fearing disruption of equipment supplies due to the introduction of all kinds of restrictions and sanctions, invests in the development of import-substituting equipment production in a third company, which can also find application in the external market, at the expense of deductions from its profits. The influence of the following factors and actions on the performance of the conditional market is analyzed: 1) the degree of inertia of the development and production development processes in the company; 2) the share of equipment of the import-substituting company supplied to the HP manufacturer; 3) sanctions (general and selective) on the supply of equipment to the company-manufacturer of the import substitution, as well as blocking the import substitution process in the third company by the first company.

The calculations show that the acceleration of the equipment development and production processes leads to a faster decrease in the production volumes of the first company. At the same time, an increase in price is observed, which is associated with a change in the parameters of the inverse demand function.

An increase in the share of equipment of the import-substituting company consumed by the second company can lead to a sharp increase in production volumes in the second and third companies, stabilization of production volumes in the first company and an increase in price.

The introduction of sanctions leads to a decrease in the production volumes and income of all companies relative to the baseline version. A significant change in price also occurs. However, due to the inertia of the equipment production processes in the example under consideration, a significant change in production volumes in the aggregate of companies occurs with a significant lag. This is especially characteristic of the third company, in which a noticeable deviation from the baseline version begins after 20 years. The blocking by the first equipment manufacturing company of investments in the development of import substitution in the third company ensures a relatively small gain for the first company in production volumes and NPV although allows to raise her market share.

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.

Analysis of regional economic indicators plays a crucial role in management and development planning, with Gross Regional Product (GRP) serving as one of the key indicators of economic activity. The application of artificial intelligence, including neural network technologies, enables significant improvements in the accuracy and reliability of forecasts of economic processes. This study compares three neural network algorithm models for predicting the GRP of a typical region of the Russian Federation — the Udmurt Republic — based on time series data from 2000 to 2023. The selected models include a neural network with the Bat Algorithm (BA-LSTM), a neural network model based on backpropagation error optimized with a Genetic Algorithm (GA-BPNN), and a neural network model of Elman optimized using the Particle Swarm Optimization algorithm (PSO-Elman). The research involved stages of neural network modeling such as data preprocessing, training model, and comparative analysis based on accuracy and forecast quality metrics. This approach allows for evaluating the advantages and limitations of each model in the context of GRP forecasting, as well as identifying the most promising directions for further research. The utilization of modern neural network methods opens new opportunities for automating regional economic analysis and improving the quality of forecast assessments, which is especially relevant when data are limited and for rapid decision-making. The study uses factors such as the amount of production capital, the average annual number of labor resources, the share of high-tech and knowledge-intensive industries in GRP, and an inflation indicator as input data for predicting GRP. The high accuracy of the predictions achieved by including these factors in the neural network models confirms the strong correlation between these factors and GRP. The results demonstrate the exceptional accuracy of the BA-LSTM neural network model on validation data: the coefficient of determination was 0.82, and the mean absolute percentage error was 4.19%. The high performance and reliability of this model confirm its capacity to predict effectively the dynamics of the GRP. During the forecast period up to 2030, the Udmurt Republic is expected to experience an annual increase in Gross Regional Product (GRP) of +4.6% in current prices or +2.5% in comparable 2023 prices. By 2030, the GRP is projected to reach 1264.5 billion rubles.