Моделирование рисков экономической безопасности регионов России в условиях санкционного давления

Автор: Голованов О.А., Тырсин А.Н., Васильева Е.В.

Журнал: Экономические и социальные перемены: факты, тенденции, прогноз @volnc-esc

Статья в выпуске: 5 т.16, 2023 года.

Бесплатный доступ

Статья посвящена проблеме обеспечения экономической безопасности России в условиях усиливающегося санкционного давления. Для оценки и анализа возникающих рисков в статье предложена многофакторная модель, рассматривающая экономическую безопасность регионов России как сложную многомерную систему, на которую влияют различного рода взаимосвязанные факторы риска. Использован перечень показателей мониторинга и оценки экономической безопасности России, утвержденных Указом Президента РФ от 13 мая 2017 г. № 208. С целью моделирования рисков были установлены двухуровневые пороговые значения («мягкие» и «жесткие») показателей на основе экспертной оценки. Информационной базой исследования являются статистические данные Федеральной службы государственной статистики по России, а также данные в разрезе субъектов Уральского федерального округа по месяцам за период с января 2016 года по март 2023 года. Согласно результатам расчетов, ужесточение санкций недружественных стран негативно повлияло на обеспечение экономической безопасности как России в целом, так и отдельных субъектов Уральского федерального округа. В рамках анализируемого периода создаваемые риски значительно ниже в сравнении с последствиями пандемии COVID-19 и имеют тенденцию к сокращению. Региональный анализ свидетельствует, что наиболее значимым фактором риска выступает состояние сельского хозяйства, на которое оказали существенное влияние введенные карантинные и санкционные ограничения. Моделирование рисков экономической безопасности регионов России на основе предложенного подхода в динамике позволит в оперативном режиме оценивать текущую ситуацию и своевременно формировать управленческие рекомендации при снижении экономической безопасности.

Еще

Экономическая безопасность, риск-анализ, вероятность неблагоприятного исхода, кризис, страна, регион, санкции, пандемия

Короткий адрес: https://sciup.org/147242521

IDR: 147242521 | DOI: 10.15838/esc.2023.5.89.3

Список литературы Моделирование рисков экономической безопасности регионов России в условиях санкционного давления

Авдийский В.И., Сенчагов В.К. (2014). Методологии определения пороговых значений основных (приоритетных) факторов рисков и угроз экономической безопасности хозяйствующих субъектов // Экономика. Налоги. Право. № 4. С. 73–78.
Анисимов А.Л. (2022). Ограничения эффективности институционализации экономического развития: на примере Стратегии экономической безопасности Российской Федерации на период до 2030 года // Финансовые рынки и банки. № 3. С. 9–11.
Васильев В.Л., Устюжина О.Н., Седов С.А. (2015). Риск и экономическая безопасность: взаимосвязь и методология анализа // Казанский экономический вестник. № 3 (17). С. 90–94.
Виссарионов А.Б., Гумеров Р.Р. (2017). Об использовании предельных (пороговых) значений индикаторов экономической безопасности Российской Федерации // Управленческие науки. Т. 7. № 3. С. 12–20.
Гимпельсон В.Е., Капелюшников Р.И. (2015). Российская модель рынка труда: испытание кризисом // Журнал Новой экономической ассоциации. № 2 (26). С. 249–253.
Глазьев С.Ю., Локосов В.В. (2012). Оценка предельно критических значений показателей состояния российского общества и их использование в управлении социально-экономическим развитием // Вестник Российской академии наук. Т. 82. № 7. С. 587–614.
Голяшев А.В., Григорьев Л.М., Лобанова А.А., Павлюшина В.А. (2017). Особенности выхода из рецессии: доходы населения и инфляция // Пространственная экономика. № 1. С. 99–124. DOI: 10.14530/se.2017.1.099-124
Гурвич Е.Т., Прилепский И.В. (2016). Влияние финансовых санкций на российскую экономику // Вопросы экономики. № 1. С. 5–35. DOI: 10.32609/0042-8736-2016-1-5-35
Ильенкова Н.Д. (2016). Этапы программы анализа рисков и экономической безопасности // Анализ и современные информационные технологии в обеспечении экономической безопасности бизнеса и государства: сборник научных трудов и результатов совместных научно-исследовательских проектов / РЭУ им. Г.В. Плеханова. М.: Аудитор. С. 171–175.
Кабанова Е.Е. (2023). Перспективы российского сельскохозяйственного комплекса в условиях санкций // Экономическое развитие России. Т. 30. № 4. С. 44–52.
Каранина Е.В., Максимова Н.А. (2022). Оценка рисков экономической безопасности промышленных предприятий посредством разработки модели множественной регрессии // Проблемы анализа риска. Т. 19. № 2. С. 30–38. DOI: 10.32686/1812-5220-2022-19-2-30-38
Колпаков А.Ю., Сафина Э.В. (2020). Оценка затрат нефтедобывающего сектора России для снижения рисков деградации вечной мерзлоты под влиянием изменений климата // Научные труды: Институт народнохозяйственного прогнозирования РАН. № 18. С. 186–200. DOI: 10.47711/2076-318-2020-186-200
Криворотов В.В., Калина А.В., Белик И.С. (2019). Пороговые значения индикативных показателей для диагностики экономической безопасности Российской Федерации на современном этапе // Вестник УрФУ. Серия: Экономика и управление. Т. 18. № 6. С. 892–910. DOI: 10.15826/vestnik.2019.18.6.043
Куклин А.А., Тырсин А.Н., Печеркина М.С., Никулина Н.Л. (2018). Риски для благосостояния в регионах: диагностика и управление (на примере УрФО) // Пространственная экономика. № 2. С. 36–51. DOI: 10.14530/se.2018.2.036-051
Лаврикова Ю.Г. (2017). Особенности процессов новой индустриализации в Уральском регионе // Неоиндустриально ориентированные преобразования в экономическом пространстве Уральского макрорегиона / отв. за выпуск Е.Б. Дворядкина. Екатеринбург: Уральский государственный экономический университет. С. 47–74.
Лобкова Е.В. (2022). Применение теории нечетких множеств в оценке рисков экономической безопасности в условиях цифровой трансформации региональной экономики // Экономические науки. № 208. С. 111–118. DOI: 10.14451/1.208.111
Локосов В.В. (2021). Оценка социально-экономических рисков методом предельно критических (пороговых) показателей // Народонаселение. Т. 24. № 3. С. 8–17. DOI: 10.19181/population.2021.24.3.1
Лукашин Ю.П. (2003). Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика. 416 с.
Митяков С.Н. (2019). Методы оценки рисков экономической безопасности // Экономическая безопасность. Т. 2. № 1. С. 23–27. DOI: 10.18334/ecsec.2.1.100618
Митяков С.Н., Митяков Е.С., Федосеева Т.А. (2020). Система индикаторов экономической безопасности муниципалитета как составной элемент многоуровневой системы экономической безопасности // Мир новой экономики. Т. 14. № 4. С. 67–80. DOI: 10.26794/2220-6469-2020-14-4-67-80
Павлов В.И. (2019). Проблемы и противоречия реализации стратегии экономической безопасности Российской Федерации на период до 2030 года // Экономическая безопасность. Т. 2. № 1. С. 39–45. DOI: 10.18334/ecsec.2.1.100621
Сенчагов В.К., Митяков С.Н. (2011). Использование индексного метода для оценки уровня экономической безопасности // Вестник Академии экономической безопасности МВД России. № 5. С. 41–50.
Серебренников С.С., Моргунов Е.В., Мамаев С.М., Шерварли И.А. (2018). О Стратегии экономической безопасности Российской Федерации на период до 2030 года // Вестник Томского государственного университета. Экономика. № 41. С. 20–28. DOI: 10.17223/19988648/41/1
Симачев Ю.В., Федюнина А.А., Ершова Н.В., Мисихина С.Г. (2021). Российская розничная торговля до, во время и после коронакризиса // ЭКО. № 5 (563). С. 29–52.
Соболева И.В., Соболев Э.Н. (2021). Открытая и латентная безработица в условиях пандемии // Экономические и социальные перемены: факты, тенденции, прогноз. Т. 14. № 5. С. 186–201. DOI 10.15838/esc.2021.5.77.11
Соложенцев Е.Д. (2006). Сценарное логико-вероятностное управление риском в бизнесе и технике. 2-е изд. СПб.: Бизнес-пресса. 560 с.
Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. (1999). Многомерный статистический анализ в экономике. М.: ЮНИТИ-ДАНА. 598 с.
Татаркин А.И., Куклин А.А., Романова О.А. [и др.] (1997). Экономическая безопасность региона: единство теории, методологии исследования и практики. Екатеринбург: Изд-во Ур. ун-та. 237 с.
Тырсин А.Н., Сурина А.А. (2017). Моделирование риска в многомерных стохастических системах // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. № 39. С. 65–72. DOI: 10.17223/19988605/39/9
Цухло С.В. (2019). Российская промышленность в 2018 г.: стагнация, но не кризис // Экономическое развитие России. Т. 26. № 2. С. 45–48.
Aven T. (2019). The Science of Risk Analysis: Foundation and Practice. Routledge. DOI 10.4324/9780429029189
Behrensdorf J., Broggi M., Beer M. (2019). Reliability analysis of networks interconnected with copulas. ASCE-ASME. Journal of Risk and Uncertainty in Engineering Systems, Part B Mechanical Engineering, 5, 041006-9. DOI 10.1115/1.4044043
Benzaghta M.A., Elwalda A., Mousa M.M. et al. (2021). SWOT analysis applications: An integrative literature review. Journal of Global Business Insights, 6(1), 54–72. DOI 10.5038/2640-6489.6.1.1148
Bryant J., Zhang J.L. (2016). Bayesian forecasting of demographic rates for small areas: Emigration rates by age, sex, and region in New Zealand, 2014–2038. Statistica Sinica, 26, 1337–1363. DOI 10.5705/ss.2014.200t
Cherubini U., Luciano E., Vecchiato W. (2004). Copula Methods in Finance. Chichester, UK: Wiley.
Cox L.A. Jr. (2009). Risk Analysis of Complex and Uncertain Systems. Springer.
Devianto M.D., Fadhilla D.R. (2015). Time series modeling for risk of stock price with value at risk computation. Applied Mathematical Sciences, 9(56), 2779–2787. DOI 10.12988/ams.2015.52144
Ginevicius R., Gedvilaite D., Stasiukynas A., Suhajda K. (2022). Complex expert assessment of the state of business enterprises. Acta Polytechnica Hungarica, 19(2), 135–150. DOI 10.12700/APH.19.2.2022.2.8
Graziani R. (2020). Stochastic population forecasting: A Bayesian approach based on evaluation by experts. In: Mazzuco S., Keilman N. (Eds.). Developments in Demographic Forecasting. The Springer Series on Demographic Methods and Population Analysis, 49, 21–42. Cham: Springer. DOI 10.1007/978-3-030-42472-5_2
Joe H. (2014). Dependence Modeling with Copulas. New York: Chapman and Hall/CRC.
Liu T., Yu Z. (2022). The analysis of financial market risk based on machine learning and particle swarm optimization algorithm. EURASIP Journal on Wireless Communications and Networking, 31. DOI 10.1186/s13638-022-02117-3

Еще

Статья научная