Эконометрические модели в системе прикладной математической подготовки бакалавра экономики

№55-2,

педагогические науки

В рамках данной статьи будут рассмотрены вопросы создания и практического применения эконометрических моделей, связанных с количественным обоснованием принимаемых решений в различных областях человеческой деятельности. Уточнены их особенности и исследовательских потенциал в контексте развития содержания прикладной математической подготовки бакалавра экономики.

Похожие материалы

Моделирование (Model operation) разнообразных социально-экономических проблем и ситуаций представляет собой достаточно сложный и многоаспектный процесс замещения исследуемых явлений, процессов, объектов разнообразными математическими моделями [13]. Многообразие социально-экономических ситуаций, характеризующихся как элементами конфликтного взаимодействия, так и элементами кооперации, обуславливают многообразие математических моделей, некоторые из которых представлены в работах [8, 10, 11]. Под экономической моделью принято понимать представление экономического явления, процесса, объекта с использованием элементов абстрагирования от наименее значимых в контексте исследования факторов, зависимостей.

Абстрагирование (Abstraction) предполагает отвлечение в процессе исследования от менее существенных свойств, аспектов, связей объекта, предмета или явления с целью акцентирования внимания на наиболее значимые, существенные признаки [6]. Эта задача возникает, когда следует ограничиться одним критерием оптимальности, «забыть» о некоторых причинно-следственных связях, ограничить число переменных, упрощенно рассмотреть ситуацию в виде линейной зависимости и др.

В современных условиях математизации всех сфер человеческой деятельности, включая финансово-экономическую сферу [12], математические модели справедливо воспринимаются в качестве мощного средства решения многочисленных оптимизационных задач, связанных с практической деятельностью и управлением. Инструментальная реализация методов и моделей экономико-математического моделирования (например, в «Вычислительном двигателе знания» Computational Knowledge Engine WolframAlpha) предоставляет исследователю реальную возможность получения четких и научно-обоснованных представлений об исследуемом социально-экономическом объекте. Теоретические и практические аспекты, связанные с использование WolframAlpha в экономических исследования и в практике подготовки бакалавров представлены в работах [15, 20, 23]. Важнейшим результатом экономико-математического моделирования является характеристика и количественное описание внутренней структуры и внешних связей исследуемого социально-экономическом объекта.

Естественно считать, что использование различных экономико-математических моделей и инструментальных средств поддержки методов моделирования и прогнозирования экономики способно повысить качество принимаемых решений, в том числе в условиях активизации рисков различной природы [28]. Однако использование математики в экономике – это не панацея от всех проблем, зачастую мы можем наблюдать излишнюю, неоправданную математизацию. В ряде случаев использование математики в экономике может привести к совершенно неожиданным результатам, не подлежащим содержательной интерпретации, а также к ошибочным утверждениям, противоречащим логике, здравому смыслу, достижениям экономической теории. Проецируя вышеизложенное на контекст прикладной математической подготовки будущего экономиста, следует отметить о множестве математических, экономических, управленческих, педагогических, психологических, методических проблем, обозначенных в работах [3, 4, 9, 14].

Однозначно можно утверждать, что к математическим моделям в экономике следует подходить целесообразно, осознавая необходимость экономико-математического моделирования, принимая во внимание ограниченность применения тех или иных количественных методов в практике исследования экономических проблем и ситуаций. Особое место в системе моделирования экономики занимает эконометрическое моделирование, связанное с вычислительной математикой [25]. Обладая определенной спецификой и достаточно узкой направленностью, оно требует исключительного внимания в контексте прикладной математической подготовки бакалавров. Его практическое использование в учебном процессе способно существенно расширить представления студентов о современной прикладной математике, математических методах и моделях, математическом языке, используемом для специальных целей, связанных с развитием инновационных компонентов профессиональной компетентности, формировании современного экономического мышления [1] и необходимого уровня финансовой грамотности [29].

Под эконометрическим моделированием (Econometric model operation) принято понимать моделирование, направленное на оценку качественных и количественных экономических взаимосвязей. Основу эконометрического моделирования социально-экономических проблем и ситуации составляют разнообразные математические и статистические методы и модели.

Эконометрическое моделирование в современных условиях актуализации рисков различной природы, усложнения социально-экономического взаимодействия и политической ситуации следует воспринимать как достаточно эффективное инструментально средство научного анализа экономических проблем и ситуации. Эконометрическое моделирование – один из доступных и часто используемых методов исследования экономических проблем и ситуации и моделирования управления рисками (Risk management) различной природы в профессиональной деятельности современного менеджера [16], экономиста [17], политолога, психолога, социолога, анализа разнообразных задач теории принятия решений и современной экономической кибернетики. Эконометрические модели занимают видное место в современной классификации математических моделей [27].

Перечислим далее основные направления в области эконометрического моделирования, имеющие принципиальное значение в контексте стратегии развития методической системы математической подготовки бакалавров [18]. Во-первых, модели регрессионного анализа (Regression analysis model). Под регрессионным анализом принято понимать специальный метод, позволяющий моделировать количественные данные и исследовать их наиболее значимые свойства [2]. Традиционно, социально-экономические данные представляют собой пары значений зависимого параметра (параметра отклика) и независимого параметра (объясняющего параметра). Другими словами, регрессионной моделью является некая функция независимого параметра и параметров с добавленной случайной переменной.

Во-вторых, модели корреляционного анализа (Model of correlation analysis). Модели корреляционного анализа ставят вопрос об оценке силы связи между социально-экономическими параметрами, характеризующими реальную социально-экономическую проблему или ситуацию [19]. Среди наиболее актуальных задач корреляционного анализа следует отметить

  • measuring the degree of connectedness: задачу из измерения степени связности (тесноты, строгости, силы, интенсивности) нескольких социально-экономических явлений;
  • the task of selection factors: задачу отбора факторов, в наибольшей степени влияющих на значения результативного признака (в основе решения этой задачи лежит измерение степени связности между социально-экономическими явлениями);
  • identification of the problem: задачу идентификации неизвестных ранее причинных связей.

Следует отметить, что социально-экономической сфере формы проявления взаимосвязей между факторами достаточно разнообразны (самая «простая» - функциональная связь, далее - корреляционная связь, и, наконец, статистическая связь) [27].

В третьих, модели анализа и прогнозирования временных рядов (Model analysis and forecasting of time series). Этот специальный метод анализа социально-экономических проблем и ситуаций требует представление данных в виде последовательностей измерений, упорядоченных в неслучайные временные моменты [21]. В основе метода предположение, о том, что последовательные значения среди социально-экономических данных проявляются через равные временные промежутки.

Среди типовых задач анализа временных рядов остановимся на задаче определения природы ряда и задаче прогнозирования, целью которой является предсказание значений ряда по имеющимся у исследователя настоящим и прошлым значениям.

В-четвертых, модели статистического и многомерного анализа (Models of the statistical and many-dimensional analysis). Анализируемые социально-экономические ситуации и проблемы зависят от достаточно большого набора разнообразных по природе и сложности параметров. Эта особенность лежит в основе затруднений анализа структуры взаимосвязей параметров. Практические применение методов многомерного статистического анализа предполагает выбор среди множества всевозможных вероятностно-статистических моделей наилучшим образом соответствует исходным статистическим данным и распространяется на ситуации принятия решений на основе анализа имеющейся стохастической информации.

Представленные вопросы создания и практического применения эконометрических моделей, связанных с количественным обоснованием принимаемых решений в различных областях человеческой деятельности позволяют сформулировать следующие выводы. Эконометрические модели играют существенную роль в повышении уровня прикладной математической подготовки экономиста, однако их эффективное реализация в учебном процессе требует применения современных педагогических технологий [22], компетентностного подхода к проектированию педагогических объектов [5], новых информационных технологий в контексте проектирования учебных курсов [24].

Список литературы

  1. Быканова О.А., Филиппова Н.В. Экономическое мышление и финансовая грамотность как составные элементы в рамках профориентационной деятельности и программы привлечения талантливых представителей молодежи на образовательные программы экономического вуза // Образование и воспитание. 2015. № 3 (3).
  2. Вербик М. Путеводитель по современной эконометрике. – М.: Научная книга, 2008. – 616 с.
  3. Власов Д. А. Возможности профессиональных математических пакетов в системе прикладной математической подготовки будущих специалистов // Вестник Российского университета дружбы народов. Серия: Информатизация образования — 2009. — №4. — С. 52-59.
  4. Власов Д. А. Информационные технологии в системе математической подготовки бакалавров: опыт МГГУ им. М.А. Шолохова // Информатика и образование. — 2012. — №3. — С. 93-94.
  5. Власов Д. А. Компетентностный подход к проектированию педагогических объектов // Вестник Федерального государственного образовательного учреждения высшего профессионального образования Московский государственный агроинженерный университет им. В.П. Горячкина. — 2008. — №6-2. — С. 124-127.
  6. Власов Д. А. Методологические аспекты принятия решений // Молодой ученый. — 2016. — №4. — С. 760-763.
  7. Власов Д. А. Особенности и математические основы современной экономической кибернетики // Техника. Технологии. Инженерия. — 2016. — №2. — С. 4-7.
  8. Власов Д. А. Особенности реализации доходного подхода к оценке стоимости малого предприятия // Вопросы экономики и управления. — 2016. — №3. — С. 78-81.
  9. Власов Д. А. Особенности целеполагания при проектировании системы обучения прикладной математике // Философия образования. — 2008. — №4. — С. 278-283.
  10. Власов Д. А. Реализация метода дерева в моделировании процесса принятия решений // Вопросы экономики и управления. — 2016. — №2. — С. 34-37.
  11. Власов Д. А. Теоретико-игровая модель конкурентной борьбы за рынки сбыта продукции // Вопросы экономики и управления. — 2016. — №5.
  12. Власов Д. А. Технология визуализации проблем и ситуаций финансовой сферы // Педагогика высшей школы. — 2016. — №2.
  13. Власов Д. А., Монахов Н. В., Монахов В. М. Математические модели и методы внутримодельных исследований. М.: МГГУ им. М.А. Шолохова. – 345 с.
  14. Власов Д. А., Синчуков А. В. Новое содержание прикладной математической подготовки бакалавра // Преподаватель XXI век. — 2013. — Т. 1. — №1. — С. 71-79.
  15. Власов Д. А., Синчуков А. В. Новые технологии WolframAlpha при изучении количественных методов студентами бакалаврита // Вестник Российского университета дружбы народов. Серия: Информатизация образования — 2013. — №4. — С. 43-53.
  16. Власов Д. А., Синчуков А. В. Прикладная математическая подготовка бакалавра менеджмента // Образование и воспитание. — 2016. — №4. — С. 57-60.
  17. Власов Д. А., Синчуков А. В. Принципы проектирования прикладной математической подготовки бакалавра экономики // Образование и воспитание. — 2016. — №3. — С. 37-40.
  18. Власов Д. А., Синчуков А. В. Стратегия развития методической системы математической подготовки бакалавров // Наука и школа. – 2012. — 2012. — №5. — С. 61-65.
  19. Елисеева И. И. Эконометрика. М.: Финансы и статистика, 2007. – 576 с.
  20. Качалова Г. А., Власов Д. А. Технологии Wolframalpha при изучении элементов прикладной математики студентами бакалавриата // Молодой ученый. — 2013. — №6. — С. 683-691.
  21. Кремер Н. Ш., Путко Б. А. Эконометрика. – М.: Юнити-Дана, 2002. – 311 с.
  22. Монахов В. М., Ярыгин А. Н., Коростелев А. А. Педагогические объекты. Педагогическое проектирование. Know How технологии. – Тольятти: Волжский университет имени В.Н. Татищева, 2004. – 38 с.
  23. Муханов С.А. Проектирование общедоступных интерактивных образовательных ресурсов с использованием технологий Wolfram CDF // Приволжский научный вестник. — 2015. — № 11 (51). — С. 112-115.
  24. Муханов С.А., Муханова А.А. Проектирование учебного курса в контексте стандартов CDIO // Приволжский научный вестник. — 2015. — № 3-2 (43). — С. 62-66.
  25. Пантина И. В., Синчуков А. В. Вычислительная математика. М.: Московский финансово-промышленный университет «Синергия», 2012. — 176 с.
  26. Синчуков А. В. Современная классификация математических моделей // Инновационная наука. — 2016. — № 3-1. — С. 214-215.
  27. Тихомиров Н. П., Дорохина Е. Ю. Эконометрика. – М.: Экзамен, 2003. – 512 с.
  28. Тихомиров Н. П., Тихомирова Т. М. Риск-анализ в экономике. М.: Экономика, 2010. — 317 с.
  29. Филиппова Н.В., Быканова О.А. Представительские лекции о финансовой грамотности как часть профориентационной работы // Сборники конференций НИЦ Социосфера. 2016. № 38. С. 146-151.