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

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.

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.

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.

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.