ISSN 1026-356X · EISSN 2542-226X

· Язык: ru

Статья: ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКОЙ И ПОТРЕБИТЕЛЬСКОЙ АКТИВНОСТИ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ МОНИТОРИНГА ПРЕДПРИЯТИЙ БАНКА РОССИИ (2025)

Читать

Статья Литература Выпуск Статистика Издательство

Читать онлайн

Для проведения эффективной денежно-кредитной политики центральным банкам необходимо обладать полной и актуальной информацией о состоянии экономической и потребительской активности в стране, а также предсказывать их дальнейшую динамику с целью выстраивания эффективной стратегии. Как правило, для целей экономического анализа используются данные, предоставляемые органами государственной статистики, но они зачастую носят сильно запаздывающий характер. Для эффективного анализа и прогнозирования экономических показателей в мировой практике также принято использовать данные опросов предприятий об экономической конъюнктуре, проводимых центральными банками или специализированными агентствами. Эти данные могут выступать в качестве предикторов для общепринятых статистических показателей и помогать прогнозировать их динамику. В представленной работе авторы, во-первых, обобщают мировой и российский опыт по прогнозированию экономической активности с использованием данных опросов агентов бизнеса. Во-вторых, на основе моделей парной и множественной линейной регрессии, а также динамических факторных моделей исследуют точность прогнозирования экономических показателей без и с включением данных опросов предприятий Банка России. Сформулированная в начале исследования гипотеза о том, что индикаторы, полученные на основе данных опросов предприятий, значимо улучшают качество прогнозов показателей экономической и потребительской активности по Российской Федерации, рассчитываемых Росстатом, в целом подтверждается. Авторы приходят к выводу, что показатели мониторинга предприятий Банка России действительно значительно улучшают качество прогноза. Результаты исследования могут быть использованы при формировании прогнозных значений денежно-кредитной политики.

Ключевые фразы: прогнозирование экономической и потребительской активности, мониторинг предприятий, опросы бизнеса, ДЕНЕЖНО-КРЕДИТНАЯ ПОЛИТИКА, динамическая факторная модель

Автор (ы): Васильева Алина Анатольевна (Vasileva A. A.), Монастырёв Максим Дмитриевич (Monastyrev M. D.), Рашидова Сабигат Шариповна (Rashidova S. S.)

Журнал: ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА. ЭКОНОМИКА

Предпросмотр статьи

Идентификаторы и классификаторы

SCI: Экономика
УДК: 338.27. Экономические прогнозы. Экономическая прогностика. Экономическое прогнозирование

Для цитирования:

ВАСИЛЬЕВА А. А., МОНАСТЫРЁВ М. Д., РАШИДОВА С. Ш. ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКОЙ И ПОТРЕБИТЕЛЬСКОЙ АКТИВНОСТИ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ МОНИТОРИНГА ПРЕДПРИЯТИЙ БАНКА РОССИИ // ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА. ЭКОНОМИКА. 2025. Т. 41 № 4

Текстовый фрагмент статьи

Моя история просмотров (2)

01. Статья: ФИНАНСИРОВАНИЕ "ЗЕЛЕНЫХ" ИНВЕСТИЦИОННЫХ ПРОЕКТОВ НА ОСНОВЕ КОНЦЕССИОННОГО СОГЛАШЕНИЯ

02. Статья: БИБЛИОТЕКА КАК ПРОСТРАНСТВО СОЦИОКУЛЬТУРНОГО ВЗАИМОДЕЙСТВИЯ С МОЛОДЕЖЬЮ

Будьте первым, кто начнет обсуждение

Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.

Создать тему для обсуждения

Список литературы

1. Арженовский, С. В. (2024) ‘Прогнозирование динамики ВВП на основе данных мониторинга предприятий, проводимого Банком России’, Финансовый журнал, 16 (1), с. 31-44. DOI: 10.31107/2075-1990-2024-1-31-44 EDN: LYADFT
2. Ачкасов, Ю. (2016) ‘Модель оценивания ВВП России на основе текущей статистики: модификация’, Серия докладов об экономических исследованиях, 8, Банк России. URL: https://www.cbr.ru/content/document/file/16732/wps_8.pdf (дата обращения: 27.12.2024).
3. Банк России (2022a) Мониторинг предприятий для целей денежно-кредитной политики: мировой опыт. URL: https://www.cbr.ru/content/document/file/131901/mp_we.pdf (дата обращения:27.12.2024).
4. Банк России (2022б) Мониторинг предприятий: методология Банка России. URL: http://www.cbr.ru/Content/Document/File/130872/mm_br.pdf. (дата обращения: 27.12.2024).
5. Зубарев, А. В. и Рыбак, К. С. (2021) ‘Наукастинг ВВП: динамическая факторная модель и официальные прогнозы’, Экономическое развитие России, 28 (12), с. 34-40. EDN: REJZKL
6. Кобзев, А. Ю. и Андреев, А. В. (2021) ‘Индикаторы деловой активности и инфляции на основе мониторинга предприятий’, Аналитическая записка, Банк России. URL: https://www.cbr.ru/content/document/file/119543/analytic_note_20210322.pdf (дата обращения: 27.12.2024).
7. Кошкин, А. В. и Крылов, Д. В. (2025) ‘Мониторинг предприятий Банка России как фактор повышения точности прогноза инфляции’, Вестник Санкт-Петербургского университета. Экономика, 41 (3), с. 364-393. EDN: EMOCKI
8. Ляхнова, М. и Коленко, Ю. (2024) ‘Наукастинг оценки разрыва выпуска по данным мониторинга предприятий’, Серия докладов об экономических исследованиях, 131, Банк России. URL: https://www.cbr.ru/statichtml/file/161713/wp_131.pdf (дата обращения: 27.12.2024).
9. Могилат, А., Крыжановский, О., Шувалова, Ж. и Мурашов, Я. (2024) ‘DYFARUS: динамическая факторная модель прогнозирования ВВП по производству с использованием межотраслевого баланса’, Деньги и Кредит, 83 (2), с. 3-25. EDN: QMOPPG
10. Мониторинг предприятий. Банк России: официальный сайт. URL: https://www.cbr.ru/statistics/ddkp/mp (дата обращения: 27.12.2024).
11. Поршаков, A., Дерюгина, E., Пономаренко, А. и Синяков, А. (2015) ‘Краткосрочное оценивание и прогнозирование ВВП России с помощью динамической факторной модели’, Серия докладов об экономических исследованиях, 2, Банк России. URL: https://www.cbr.ru/content/document/file/16739/wps_2.pdf (дата обращения: 27.12.2024).
12. Янулевич, М. (2024) ‘О прогнозной силе показателя ценовых ожиданий на основе мониторинга предприятий’, Аналитическая записка, Банк России. URL: https://www.cbr.ru/content/document/file/167898/analytic_note_20241107_irkutsk.pdf (дата обращения: 27.12.2024).
13. Aastveit, K. and Tørres, T. (2012) ‘Nowcasting Norwegian GDP: The role of asset prices in a small open economy’, Empirical Economics, 42 (1), p. 95-119. DOI: 10.1007/s00181-010-0429-9 EDN: RKLZYG
14. Antipa, P., Barhoumi, K., Brunhes-Lesage V. and Darné O. (2012) ‘Nowcasting German GDP: A comparison of bridge and factor models’, Journal of Policy Modeling, 34, pp. 864-878. DOI: 10.1016/j.jpolmod.2012.01.010
15. Bessec, M. and Doz, K. (2014) ‘Short-term forecasting of French GDP growth using dynamic factor models’, OECD Journal: Journal of Business Cycle Measurement and Analysis, 2013/2, pp. 11-50. DOI: 10.1787/jbcma-2013-5jz742l0pt8s
16. Blanco, E., D’Amato, L., Dogliolo, F. and Garegnani, L. (2017) ‘Nowcasting GDP in Argentina: Comparing the Predictive Ability of Different Models’ Economic Research Working Papers, 74, Central Bank of Argentina. URL: https://www.econstor.eu/bitstream/10419/202481/1/1010158015.pdf (дата обращения: 27.12.2024).
17. Bai, J. and Ng, S. (2002) ‘Determining the Number of Factors in Approximate Factor Models’, Econometrica, 70 (1), p. 191-221.
18. Cesaroni, T. and Iezzi, S. (2015) ‘The predictive content of business survey indicators: evidence from SIGE’, Working papers (Temi di discussion), 1031. Bank of Italy. URL: https://www.bancaditalia.it/pubblicazioni/temi-discussione/2015/2015-1031/en_tema_1031.pdf language_id=1 (дата обращения:27.12.2024).
19. Chernis, T. and Sekkel, R. (2017) ‘A Dynamic Factor Model for Nowcasting Canadian GDP Growth’ Staff Working Paper, 2017-2. Bank of Canada. URL: https://www.bankofcanada.ca/wp-content/uploads/2017/02/swp2017-2.pdf (дата обращения: 27.12.2024).
20. D’Agostino, A., McQuinn, K. and O’Brien, D. (2012) ‘Nowcasting Irish GDP’, OECD Journal: Journal of Business Cycle Measurement and Analysis, 2, pp. 21-31. DOI: 10.1787/jbcma-2012-5k92n2pwccwb
21. Das, S., Gupta, R. and Kabundi, A. (2011) ‘Forecasting regional house price inflation: a comparison between dynamic factor models and vector autoregressive models’, Journal of Forecasting, 30 (2), pp. 288-302.
22. Fresoli, D. (2024) ‘Spanish GDP short-term point and density forecasting using a mixed-frequency dynamic factor model’, SERIEs: Journal of the Spanish Economic Association, 15 (2), 1, pp. 145-177. DOI: 10.1007/s13209-024-00297-3
23. Gálvez-Soriano, O. (2018) ‘Nowcasting Mexico’s quarterly GDP using factor models and bridge equations’ Estudios Económicos De El Colegio De México, 35 (2), pp. 213-265. DOI: 10.24201/ee.v35i2.402
24. Gil, M., Leiva-Leon, D., Pérez J. and Urtasun, A. (2019) ‘An Application of Dynamic Factor Models to Nowcast Regional Economic Activity in Spain’ Occasional Paper, 1904. Banco de Espana. URL: https://www.bde.es/f/webbde/SES/Secciones/Publicaciones/PublicacionesSeriadas/DocumentosOcasionales/19/Files/do1904e.pdf (дата обращения: 27.12.2024).
25. Grenouilleau, D. (2004) ‘A sorted leading indicators dynamic (SLID) factor model for short-run euro-area GDP forecasting’ European economy, Economic papers. European Commission Directorate-General for Economic and Financial Affairs. URL: https://ec.europa.eu/economy_finance/publications/pages/publication516_en.pdf (дата обращения: 27.12.2024).
26. Hansson, J., Jansson, P. and Löf, M. (2003) ‘Business survey data: Do they help in forecasting the macroeconomy?’ Working papers and studies. 4th Eurostat and Dg Ecfin Colloquium on Modern Tools for Business Cycle Analysis “Growth and Cycle in the Euro-zone”, pp. 7 24. URL: https://ec.europa.eu/eurostat/documents/3888793/5828897/KS-AN-03-051-EN. PDF. pdf/aed6487a-4816-4846 9abbf6cbfd98afd5?t=1414779036000 (дата обращения: 27.12.2024).
27. Jiang Y., Guo, Y. and Zhang, Y. (2017) ‘Forecasting China’s GDP growth using dynamic factors and mixed-frequency data’, Economic Modelling, 66 (C), pp. 132-138. DOI: 10.1016/j.econmod.2017.06.005
28. Kabundi, A. (2004) ‘Estimation of Economic Growth in France Using Business Survey Data’ Working Paper,04/69. IMF, pp. 5-13. URL: https://www.imf.org/external/pubs/ft/wp/2004/wp0469.pdf (дата обращения: 27.12.2024).
29. Kaufmann, D. and Scheufele, R. (2015) ‘Business Tendency Surveys and Macroeconomic Fluctuations’ Working Papers, 15-378. KOF. URL: https://www.research-collection.ethz.ch/bitstream/handle/20.500.11850/100089/eth-47640-01.pdf?sequence=1&isAllowed=y (дата обращения:27.12.2024).
30. Lehmann, R. and Reif, M. (2020) ‘Tracking and Predicting the German Economy: ifo vs. PMI’ Working Paper, 8145. CESifo. URL: https://www.cesifo.org/DocDL/cesifo1_wp8145.pdf (дата обращения:27.12.2024).
31. Lysenko, R. and Kolesnichenko, N. (2016) ‘Nowcasting of Economic Development Indicators Using the NBU’s Business Survey Results’, Visnyk of the National Bank of Ukraine, 235, pp. 43-56. DOI: 10.26531/vnbu2016.235.043
32. Mapa, D. and Simbulan, M. (2014) ‘Analyzing and Forecasting Movements of the Philippine Economy using the Dynamic Factor Models (DFM)’ MPRA Paper, 54478. URL: https://mpra.ub.uni-muenchen.de/54478/1/MPRA_paper_54478.pdf (дата обращения: 27.12.2024).
33. Poghosyan, K. and Poghosyan, R. (2021) ‘On the applicability of dynamic factor models for forecasting real GDP growth in Armenia’. Applied Econometrics, 61, pp. 28-46. EDN: KYAUPG
34. Roash, D. and Suhoy, T. (2019) ‘Sentiment Indicators Based on a Short Business Tendency Survey’ Discussion Paper, 11. Bank of Israel. URL: https://boi.org.il/media/txujwbq2/dp201911en2.pdf (дата обращения: 27.12.2024).
35. Román, P. and Vásquez, D. (2013) ‘Are business tendency surveys useful to forecast private investment in Peru? A non-linear approach’ Working Paper series, 2013-003. Central Reserve Bank of Peru. URL: https://www.bcrp.gob.pe/docs/Publicaciones/Documentos-de Trabajo/2013/documento-de-trabajo-03-2013.pdf (дата обращения: 27.12.2024).
36. Rusnák, M. (2015) ‘Nowcasting Czech GDP in real time’, Economic Modelling, 54 (C), pp. 26-39. DOI: 10.1016/j.econmod.2015.12.010
37. Schumacher, C. (2005) ‘Forecasting German GDP using alternative factor models based on large datasets’ Discussion Paper. Series 1: Economic Studies, 24/2005. Deutsche Bundesbank. URL: https://www.bundesbank.de/resource/blob/703240/4a43db524b927869c3e45d3c8019227b/mL/2005-08-10-dkp- 24-data.pdf (дата обращения: 27.12.2024).
38. Solberger, M. and Spanberg, E. (2017) ‘Estimating a dynamic factor model in EViews using the Kalman filter and smoother’, Computational Economics, 55(3), 6, pp. 875-900. DOI: 10.1007/s10614-019-09912-z
39. Soybilgen, B. and Yazgan, E. (2017) ‘Nowcasting the New Turkish GDP’, Economics Bulletin, 38 (2), pp. 1083-1089.
40. Soybilgen, B. and Yazgan, E. (2021) ‘Nowcasting US GDP Using Tree-Based Ensemble Models and Dynamic Factors’, Computational Economics, 57, p. 387-417. DOI: 10.1007/s10614-020-10083-5 EDN: XYPBDK
41. Stock, J. and Watson, M. (2002) ‘Macroeconomic forecasting using diffusion indexes’, Journal of Business and Economic Statistics, 20 (2), pp. 147-62.
42. Stock, J. and Watson, M. (2010) ‘Dynamic Factor Models’, in Oxford Handbook of Economic Forecasting, Oxford University Press. URL: https://swh.princeton.edu/~mwatson/papers/dfm_oup_4.pdf (дата обращения: 27.12.2024).
43. Tóth, P. (2017) ‘Nowcasting Slovak GDP by a Small Dynamic Factor Model’. MPRA Paper, 77245. URL: https://mpra.ub.unimuenchen.de/77245/1/MPRA_paper_77245.pdf (дата обращения: 27.12.2024).
44. Urasawa, S. (2014) ‘Real-time GDP forecasting for Japan: A dynamic factor model approach’, Journal of The Japanese and International Economies, 34, (C), pp. 116-134. DOI: 10.1016/j.jjie.2014.05.005

Выпуск

Т. 41 № 4 (2025)

Кол-во страниц: 128 страниц

Другие статьи выпуска

СОЦИАЛЬНОЕ МИКРОСТРАХОВАНИЕ КАК ИНСТРУМЕНТ ПОВЫШЕНИЯ СПРОСА НА СТРАХОВЫЕ УСЛУГИ В РОССИИ (2025)

Авторы: Алешина А. Ю., Котлобовский И. Б.

Согласно ряду исследований, подкрепленных сопоставлением с опытом развитых и большинства развивающихся стран, российский страховой рынок в настоящее время обладает значительным потенциалом роста. Цель статьи заключается в выявлении возможных инструментов увеличения спроса на страховые услуги, отличных от существующих традиционных драйверов роста. В ходе исследования выдвинута гипотеза о том, что источниками увеличения объема собранных страховых премий могут выступать не только традиционное повышение страховых тарифов или расширение перечня предлагаемых видов страхования, связанных с кредитованием, но и нетипичные для российского рынка страховые продукты. В статье предлагается активное применение нового для российского рынка продукта - в частности, внедрения в продуктовую линейку страховых фирм элементов социального микрострахования, сочетающего черты микрострахования и социальных вкладов и счетов. В процессе исследования авторами разрабатывается возможный механизм реализации данных продуктов микрострахования с учетом региональной дифференциации и определения возможного перечня покрываемых рисков. На основе проведенного исследования, с использованием методов обобщения и сравнительного анализа, авторы определяют предполагаемые сегменты для продвижения набирающих популярность краткосрочных договоров страхования, а также условия их реализации. Перечисленные меры направлены на повышение спроса на страховые продукты и развитие российского страхового рынка в условиях стагнации системы страховой защиты в стране. Результаты исследования могут быть использованы для формирования соответствующей политики в отношении страхового рынка, в том числе в продуктовом и отраслевом разрезах.

Сохранить в закладках

НЕЙРОСЕТЕВОЕ ИЗВЛЕЧЕНИЕ ТОРГОВЫХ РЕКОМЕНДАЦИЙ ИЗ АНАЛИТИЧЕСКИХ ПРОГНОЗОВ: ПОДХОД К УПРАВЛЕНИЮ ФИНАНСОВЫМИ АКТИВАМИ (2025)

Авторы: Зайцев А. Р., Маджуга Б. А., Григорьев Д. А., Григорьева А. В.

Статья посвящена извлечению торговых рекомендаций из финансовых текстов с использованием методов машинного обучения и технологии аннотирования с использованием ChatGPT. Исследование исходит из гипотезы, что применение методов машинного обучения в сочетании с большими языковыми моделями (large language model -LLM), такими как ChatGPT, позволяет существенно повысить точность прогнозирования финансового рынка. Это, в свою очередь, должно улучшить процесс принятия инвестиционных решений и повысить эффективность мультиэкспертных систем. В ходе исследования были использованы различные модели машинного обучения, включая линейную регрессию, метод опорных векторов, алгоритмы случайного леса, градиентного бустинга и технологии, основанные на нейронных сетях. Были исследованы методы, построенные на анализе лексикона, такие как Vader, SentiWordNet и TextBlob. Полученные результаты подтверждают уникальность предложенной модели, которая демонстрирует высокую точность (90 %) и способность к обобщению в задаче извлечения торгового настроения. Уникальность подхода заключается в использовании трансформеров и техники LoRA (Low-Rank Adaptation), что позволяет модели эффективно справляться с ограничениями вычислительных ресурсов. Модель превосходит традиционные алгоритмы и лексикон-ориентированные методы, обеспечивая более высокую точность классификации и повышая достоверность прогнозов в задачах финансового анализа. Результаты исследования могут быть применены в области оценки рынка для принятия обоснованных торговых решений. Возможным применением изученного подхода является интеграция предложенной технологии в мультиэкспертную систему формирования торговых решений. Авторами создана основа для разработки моделей с включением дополнительных признаков и применение их к другим типам финансовых текстов.

Сохранить в закладках

РЕФОРМИРОВАНИЕ ЕСТЕСТВЕННЫХ МОНОПОЛИЙ В УСЛОВИЯХ ГЛОБАЛЬНЫХ ЭНЕРГО-КЛИМАТИЧЕСКИХ ВЫЗОВОВ (НА ПРИМЕРЕ ТЕПЛОЭНЕРГЕТИКИ) (2025)

Авторы: Пахомова Н. В., Заединов А. В.

Объектом исследования в статье является теплоэнергетика как важное звено энергетики, относящееся к сектору естественной монополии, а также специфика его институционального режима, сложившегося в результате незавершенного структурного и поведенческого реформирования. Теплоэнергетика, стратегически значимая отрасль экономики, а также один из ведущих эмитентов парниковых газов, в современных условиях призвана, наряду с обеспечением энергетической безопасности и устойчивого энергоснабжения, вносить свой вклад в ослабление климатической угрозы.
В этом контексте в статье проанализированы ход и последствия дерегулирования данного сектора с выявлением ключевых институциональных ограничений, которые сдерживают модернизацию энергетической и коммунальной инфраструктуры страны. Исследовано участие его предприятий в ослаблении климатической угрозы. Выработаны предложения по приведению регуляторного режима в теплоэнергетике в соответствие с базовыми принципами структурного реформирования отраслей естественных монополий с учетом их актуализации и рекомендаций поведенческой экономики. Подробно изучена реализация климатической политики на региональном уровне с выявлением лучших практических примеров. Результатом исследования является подтверждение на базе аналитического разбора отечественного и зарубежного опыта, с учетом специфики отраслевого и регионального разрезов климатической политики, авторской гипотезы о необходимости завершения комплексной модернизации регуляторного режима в данном секторе, а также донастройки формируемых ныне инструментов климатической политики в соответствии с актуальными энерго-климатическими вызовами. Наряду с этим, исходная гипотеза дополнена обоснованием особой важности совершенствования региональной климатической политики и реализации местными властями целенаправленных усилий по поддержке соответствующих инициатив бизнеса в качестве условия сбалансированного долгосрочного социально-экономического развития территорий и страны в целом. Результаты исследования могут быть использованы научными и научно-техническими работниками, федеральными и региональными органами власти, реализующими антимонопольную, энергетическую и климатическую политику, а также крупным бизнесом при обосновании им конкурентных стратегий в условиях современных вызовов.

Сохранить в закладках

ОЦЕНКА ВОЗДЕЙСТВИЯ АНТИРОССИЙСКИХ САНКЦИЙ НА ТОРГОВЛЮ РОССИИ СО СТРАНАМИ ПОСТСОВЕТСКОГО ПРОСТРАНСТВА (2025)

Авторы: Баева М. А., ЗАЙЦЕВ Ю. К., Лощенкова А. Н.

Для разработки решений в области внешнеторговой и макроэкономической политики потребовалось оценить влияние антироссийских санкций на переориентацию Россией торговых потоков в ближайшие страны постсоветского пространства. Такая процедура стала первостепенной задачей в процессе адаптации к санкциям. Методом различий в разностях была проведена оценка переключения экспортных и импортных потоков на ряд стран ближнего зарубежья (в том числе по отдельным рассматриваемым странам-партнерам) в 2022 и 2023 гг., предпринятого в ответ на антироссийские и вторичные санкции недружественных стран. Был получен ряд результатов, описывающих динамику изменений в указанные годы.
В частности, в 2022 г. российским фирмам удалось переориентировать свой экспорт на Азербайджан и Таджикистан, а импорт - ни на одну из рассматриваемых стран (исключая Таджикистан, Туркменистан и Узбекистан, для российского импорта из которых влияние санкций оказалось незначимым). Далее, в 2023 г., российские фирмы лучше адаптировались к санкциям: им удалось переориентировать экспорт на Азербайджан, Таджикистан и Туркменистан, в то время как на импорт санкции влияния не оказывали, за исключением Кыргызстана. По результатам исследования также установлено, что чистое отрицательное влияние вторичных санкций на торговлю России со странами постсоветского пространства наблюдается только в 2023 г., что согласуется с заявлениями недружественных стран об ограниченности эффекта антироссийских санкций и ужесточении вторичных санкций в 2023 г. Результаты исследования могут быть использованы при описании внешнеэкономических потоков, формировании соответствующей экспортно-импортной политики на уровне отдельных министерств и ведомств, а также в отраслевом разрезе.

Сохранить в закладках

Статистика статьи

Статистика просмотров за 2026 год.

Издательство

Издательство: СПБГУ
Регион: Россия, Санкт-Петербург
Почтовый адрес: Россия, 199034, Санкт-Петербург, Университетская наб., д. 7–9
Юр. адрес: 199034, г Санкт-Петербург, Василеостровский р-н, Университетская наб, д 7/9
ФИО: Кропачев Николай Михайлович (РЕКТОР)
E-mail адрес: spbu@spbu.ru
Контактный телефон: +7 (812) 3282000
Сайт: https://spbu.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://sci.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.

Сказать «Спасибо»

Вы можете поблагодарить автора за публикацию. Ему (ей) будет приятно.

Наведите камеру на QR-код, чтобы открыть моб. версию страницы.