ОЦЕНКА ВЕРОЯТНОСТИ ПОПАДАНИЯ ИНДИКАТОРОВ РЕГИОНАЛЬНОЙ ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТИ В БЕЗОПАСНУЮ ЗОНУ (на материалах Омской области)

Статья посвящена методике оценки вероятности попадания множества социально-экономических индикаторов в область безопасных значений, характеризующую приемлемый уровень экономической безопасности с точки зрения проведения текущей социально-экономической политики. Целью работы является изучение закона совместного распределения важнейших экономических индикаторов Омской области, рассматриваемых как непрерывные случайные величины, а также вычисление вероятности их попадания в некоторую условную благоприятную область значений. По официальным статистическим данным с использованием различных проверочных критериев установлено, что темпы изменения таких индикаторов Омской области как объемы промышленного производства, продукции сельского хозяйства, инвестиций в основной капитал и других, имеют нормальное распределение с соответствующими параметрами. К используемым методам относятся методы Монте-Карло, алгоритмы моделирования на основе которых позволяют строить интервальную оценку вероятности попадания всех индикаторов в свой заданный безопасный интервал значений. Результаты исследования могут быть использованы органами исполнительной власти в случае изменения пороговых значений индикаторов и предельных отклонений от них, а также при прогнозировании временных статистических рядов индикаторов. Практические вычисления позволили прийти к выводу об относительно высоком уровне экономической безопасности Омской области с точки зрения выбранного набора индикаторов, пороговых величин и области безопасных значений в совокупности с выбранным диапазоном статистических данных.

1. Едронова В. Н. Методология финансового мониторинга: оценка национальных рисков // Финансы и кредит. 2016. № 16 (688). С. 27–39.

2. Гурьянов А. В., Ивановский А. В., Писаревский И. А. Оценка вероятности угроз экономической безопасности оборонно-промышленного комплекса России // Вопросы оборонной техники. Серия 16: технические средства противодействия терроризму. 2016. № 9-10 (99-100). С. 3–10.

3. Пантелеев А. А., Диброва А. Д. Оценка рисков и угроз финансово-экономической безопасности РФ на современном этапе // Международный журнал гуманитарных и естественных наук. 2022. № 10-4 (73). С. 181–185. DOI: 10.24412/2500-1000-2022-10-4-181-185

4. Лобкова Е. В. Применение теории нечетких множеств в оценке рисков экономической безопасности в условиях цифровой трансформации региональной экономики // Экономические науки. 2022. № 3 (208). С. 111–118. DOI: 10.14451/1.208.111

5. Локосов В. В. Оценка социально-экономических рисков методом предельно критических (пороговых) показателей // Народонаселение. 2021. Т. 24. № 3. С. 8–17. DOI: 10.19181/population.2021.24.3.1

6. Карпов В. В., Лагздин А. Ю., Логинов К. К. Экономико-математический подход к прогнозированию показателей экономической безопасности регионов // Вестник Омского университета. Серия «Экономика». 2017. № 4 (60). С. 144–150. DOI: 10.25513/1812-3988.2017.4.144-150

7. Сафиуллин А. Р., Калядина Р. А. SWOT-анализ в мониторинге экономической безопасности корпорации (на примере ПАО «Газпром») // Научный журнал НИУ ИТМО. Серия: экономика и экологический менеджмент. 2020. № 2. С. 152–159. DOI: 10.17586/2310-1172-2020-13-2-152-159

8. Дадабаева Р. А., Голубин А. В. Методика оценки экономических показателей хозяйственной деятельности на основе ABC-анализа // Цифровые модели и решения. 2022. Т. 1. № 3. С. 6. DOI: 10.29141/2782-4934-2022-1-3-6

9. Ермаков С. М., Михайлов Г. А. Курс статистического моделирования. М. : Наука, 1976. 320 с.

10. Крамер Г. Математические методы статистики. М. : Мир, 1975. 648 с.

11. Box G. E. P., Muller M. E. A note on the generation of random normal deviates. Annals Math. Stat. 1958; 29: 610–611.

12. Михайлов Г. А., Войтишек А. В. Численное статистическое моделирование. Методы Монте-Карло. М. : Академия, 2006. 368 с.

13. Территориальный орган Федеральной службы государственной статистики по Омской области [Электронный ресурс]. URL: https://55.rosstat.gov.ru/ (дата обращения: 01.09.2024 г.).

14. Боровиков В. П. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. СПб. : Питер, 2003. 688 с.

15. Наследов А. IBM SPSS Statistics 20 и AMOS: профессиональный статистический анализ данных. СПб. : Питер, 2013. 416 с.

16. Мастицкий С. Э., Шитиков В. К. Статистический анализ и визуализация данных с помощью R. Хайдельберг — Лондон — Тольятти, 2014. 401 с.

17. Marchenko M. A., Mikhailov G. A. Parallel realization of statistical simulation and random number generators. Russ. J. Numer. Anal. Math. Modelling. 2002; 17(1): 113–124.

18. Marchenko M. PARMONC — a software library for massively parallel stochastic simulation. Parallel Computing Technologies. Berlin; Heidelberg: Springer-Verl.; 2011; 6873: 302–316.

19. Логинов К. К., Лагздин А. Ю. Применение статистических пакетов в задаче прогнозирования индикаторов региональной экономической безопасности // Вестник Сибирской государственной автомобильно-дорожной академии. 2016. № 3 (49). С. 152–159.

20. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. М. : Финансы и статистика, 2003. 416 с.