Научный журнал ВолНЦ РАН (печатное издание)
22.12.202412.2024с 01.01.2024
Просмотры
Посетители
* - в среднем в день за текущий месяц
RuEn

рубрика "Вопросы теории и методологии"

Моделирование рисков экономической безопасности регионов России в условиях санкционного давления

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

Том 16, №5, 2023

Голованов О.А., Тырсин А.Н., Васильева Е.В. (2023). Моделирование рисков экономической безопасности регионов России в условиях санкционного давления // Экономические и социальные перемены: факты, тенденции, прогноз. Т. 16. № 5. С. 49–65. DOI: 10.15838/esc.2023.5.89.3

DOI: 10.15838/esc.2023.5.89.3

Аннотация   |   Авторы   |   Список литературы
  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. Гимпельсон В.Е., Капелюшников Р.И. (2015). Российская модель рынка труда: испытание кризисом // Журнал Новой экономической ассоциации. № 2 (26). С. 249–253.
  6. 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.
  7. 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
  8. 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
  9. 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.
  10. Кабанова Е.Е. (2023). Перспективы российского сельскохозяйственного комплекса в условиях санкций // Экономическое развитие России. Т. 30. № 4. С. 44–52.
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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.
  16. 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
  17. 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
  18. Лукашин Ю.П. (2003). Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика. 416 с.
  19. Митяков С.Н. (2019). Методы оценки рисков экономической безопасности // Экономическая безопасность. Т. 2. № 1. С. 23–27. DOI: 10.18334/ecsec.2.1.100618
  20. 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
  21. 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
  22. 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.
  23. 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
  24. 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.
  25. 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
  26. Соложенцев Е.Д. (2006). Сценарное логико-вероятностное управление риском в бизнесе и технике. 2-е изд. СПб.: Бизнес-пресса. 560 с.
  27. Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. (1999). Многомерный статистический анализ в экономике. М.: ЮНИТИ-ДАНА. 598 с.
  28. 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.
  29. 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
  30. Цухло С.В. (2019). Российская промышленность в 2018 г.: стагнация, но не кризис // Экономическое развитие России. Т. 26. № 2. С. 45–48.
  31. Aven T. (2019). The Science of Risk Analysis: Foundation and Practice. Routledge. DOI 10.4324/9780429029189
  32. 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
  33. 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
  34. 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
  35. Cherubini U., Luciano E., Vecchiato W. (2004). Copula Methods in Finance. Chichester, UK: Wiley.
  36. Cox L.A. Jr. (2009). Risk Analysis of Complex and Uncertain Systems. Springer.
  37. 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
  38. 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
  39. 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
  40. Joe H. (2014). Dependence Modeling with Copulas. New York: Chapman and Hall/CRC.
  41. 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

Полная версия статьи