Данная статья представляет значимое исследование обрабатывающей промышленности как ключевого фактора устойчивого развития региональных экономик, составляющего более 14% ВВП России. Статья обращает внимание на отрицательную динамику индекса промышленного производства в данной области, что вызывает серьезные опасения у государственных органов. В связи с этим, исследование нацелено на анализ причин снижения производства в обрабатывающем секторе и выявление ключевых факторов, влияющих на динамику отрасли.
Основная цель исследования заключается в разработке методики прогнозирования валовой добавленной стоимости в обрабатывающей промышленности региона с целью выделения факторов, существенно влияющих на ее рост. Предложенная методика позволит принимать обоснованные управленческие решения органами власти при формировании экономической политики.
Методология исследования включает в себя использование качественных и статистических методов анализа данных, а также корреляционно-регрессионный анализ. Результатом исследования стала разработка уникальной методики, включающей в себя определение групп факторов, оказывающих влияние на динамику обрабатывающей промышленности, и формирование экономико-математической модели для прогнозирования валовой добавленной стоимости отрасли. Оценка качества модели подтвердила ее пригодность для прогнозирования развития отрасли.
Представленная авторская методика имеет большой потенциал для применения органами власти при формировании экономической политики в области промышленного производства. Ее универсальность позволяет использовать данную методику в разных регионах, с учетом качественной оценки экономико-математической модели.

Московская область, промышленность, обрабатывающая промышленность, устойчивое развитие, экономика, производство, индекс производства, методика прогнозирования, валовая добавленная стоимость, экономико-математическая модель, оценка качества, экономическая политика.

The manufacturing industry is a dominant factor in the sustainable development of regional economies, it accounts for more than 14% of Russia's GDP. At the same time, there is a negative trend in the index of industrial production of the manufacturing industry, which causes certain concerns among government authorities. There is a need for a detailed study of the reasons for the decline in output in the manufacturing sector, the search for factors that have a significant impact on the dynamics of this industry. Accordingly, the purpose of this study is to develop a methodology for forecasting gross value added in the manufacturing industry of the region in order to identify factors that have a significant impact on its growth. This technique will allow the authorities to make informed management decisions in shaping the economic policy of the state. Qualitative and statistical methods of data analysis, correlation and regression analysis were used as research methods. The result of the research was the development of the author's methodology, which includes a method for selecting groups of factors affecting the dynamics of the manufacturing industry in the region, the formation of an economic and mathematical model for forecasting the gross value added of the manufacturing industry. The assessment of the model's quality has shown its suitability for predicting the dynamics of the industry. The proposed author's methodology can be useful to authorities for the formation of economic policy in the field of industrial production. The presented methodology is universal and can be applied by the authorities of different regions, taking into account the assessment of the quality of the economic and mathematical model.

Moscow region, industry, manufacturing industry, sustainable development, economics, production, production index, forecasting methodology, gross value added, economic-mathematical model, quality assessment, economic policy.

Введение

Промышленность России является одной из важнейших отраслей экономики. Она выступает донором для роста других секторов региона, способствует развитию производственных отношений и сил [1, с. 68]. Наибольшую долю в структуре промышленности и ВВП составляют обрабатывающая промышленность (14,2% ВВП в 2022г.) и добывающая промышленность (14,0% ВВП в 2022г.) [2].

Обрабатывающая промышленность включает в себя ряд важных отраслей по производству пищевых продуктов, «швейное и текстильной производство, производство обуви и изделий из кожи, обработку древесины, целлюлозно-бумажное производство, производство нефтепродуктов и кокса, производство химпродуктов, изделий из резины и пластика, металлургическое производство, а также производство изделий из метала, машин и оборудования, электрооборудования, транспортных средств» и т.д. [3, c. 169-170]. Обрабатывающая промышленность занимает доминирующее положение как в целом по России, так и в Московской области. В тоже время наблюдается снижение индекса промышленного производства обрабатывающей промышленности в объеме ВВП, что вызывает отдельные опасения. Одним из основных факторов снижения доли обрабатывающей промышленности являются экономический кризис 2008-2009г., когда промышленность потеряла свои рынки сбыта как внутри страны, так и за рубежом [3, с. 1168]. Кризис 2014-2015г., вызванный падением стоимости барреля нефти и вводимыми санкциями против России в результате присоединения Крыма, также оказал отрицательное воздействие на развитие обрабатывающей промышленности. Следующий кризис связан с началом пандемии в 2020г., когда многие предприятия были вынуждены останавливать свои производства [4, с. 55]. Через 2 года в 2022г. новый кризис, вызванный санкциями против России в связи с началом специальной военной операции, оказал негативное влияние на обрабатывающую промышленность.

В условиях постоянных кризисов, вопросы мониторинга текущего состояния и прогноз тенденций развития обрабатывающей промышленности становятся особенно актуальными задачами экономической политики. Соответственно целью данного научного исследования является формирование методики прогнозирования динамики валовой добавленной стоимости (далее – ВДС) обрабатывающей промышленности в регионе. В качестве гипотезы выдвигается предположение, что на динамику валовой добавленной стоимости обрабатывающей промышленности в регионе влияют различные группы экономических, социальных, экологических и инновационных факторов, оказывающих как положительное, так и отрицательное воздействие. Вопросы экологии и бережного отношения к окружающей среде становятся актуальные при проектировании новых производственных мощностей обрабатывающей промышленности в регионе [5].

Методология исследования

К вопросам методологии исследования, анализа и прогнозирования обрабатывающей промышленности обращалось ряд авторов.  Касаева Т. В., Окишева Т. Н. предлагают для прогнозирования валовой добавленной стоимости в обрабатывающей промышленности применять линейный и полиномиальный тренды с аддитивной и мультипликативной компонентами [6, c. 161]. Лапаев Д. Н., Митяков Е. С. и Мокрецова Е. С. осуществляют прогнозную оценку на основе многокритериального подхода, применяя два принципа оптимизации: доминирования и принцип Парето [3, c. 168]. Гартвич Р. Е. применяет для краткосрочного прогнозирования подход наукастинга, позволяющий предсказать экономический показатель в текущем и ближайшем будущем, а также в недавнем прошлом. Прогнозные значения индекса промышленного производства обрабатывающей промышленности в его работе представлены на месяц на основе данных опросов предприятий, проводимых Росстатом и построения бизнес-циклов [7, c. 152]. Прогнозные значения строятся с применением специализированной программы для построения эконометрических моделей EViews, что затрудняет повторение предложенной методики автором. Полбин А. В., Шумилов А. В. в своей работе используют панельные данные для прогнозирования роста обрабатывающей промышленности в России. В тоже время после проведенного исследования авторы делают вывод, что совокупная точность прогнозирования несущественна, соответственно такая модель не имеет существенного преимущества перед моделями временного ряда [8, c. 19], что для нас является важным замечанием.

Для оперативного реагирования и контроля развития обрабатывающей промышленности выбранный метод ее оценки и прогнозирования должен быть простым. В то же время уровень оценки достоверности прогнозной модели должен быть приемлемым для осуществления оценки состояния обрабатывающей промышленности на основе прогнозных данных. С этой целью для прогнозирования добавленной стоимости обрабатывающей промышленности в качестве инструментария предлагается использовать функции анализа данных в электронной таблице, такие как «корреляция» и «регрессия».

Уравнение регрессии имеет вид:

                                                            (1)       

где У – зависимая переменная;

а – коэффициенты регрессии;

хi – независимые переменные;

n – число независимых переменных [9, с. 1163].

Важным при выборе независимых переменных является значимость влияния их на результативный фактор. При применении регрессионного анализа решаются две значимые задачи. Первая задача заключается в подборе таких независимых переменных, которые значительно влияют на зависимую переменную. Прогнозист при этом определяет какой вид будет иметь уравнение регрессии. Вторая задача связана с выбором способов оценки параметров регрессии, где исследователь использует различные способы и приемы обработки данных [10, c. 202].

Оценка качества модели, представленного в виде уравнения регрессии осуществляется по нескольким критериям. В частности, показатель R-квадрат (коэффициент детерминации), определяющий степень влияния переменных должен принимать следующие значения:

• если R-квадрат больше 0,95, то наблюдается высокая степень влияния и точность аппроксимации;
• R-квадрат находится в интервале от 0,6 до 0,95, наблюдается удовлетворительная степень влияния переменных.;
• R-квадрат принимает значение менее 0,6, существует недостаточная точность модели и ее нужно улучшать [9, с. 1164-1165].

Следующий показатель, на который необходимо обратить внимание при оценке качества модели – F. Показатель «Значимость F» указывает на достоверность модели и отсутствие случайных закономерностей. Рекомендованное значение показателя «Значимость F» менее 0,05 [9, с. 1164-1165].

Важным для оценки качества регрессионной модели является оценка средней ошибки аппроксимации, которая рассчитывается по следующей формуле:

                                       (2)

где СОА – средняя ошибка аппроксимации,

Y_i – фактическое значение,

Y_x – расчетное значение результативного показателя, n – число наблюдений.

Рекомендованное значение средней ошибки аппроксимации не должно превышать 15%, в противном случае экономическая модель не будет являться качественной.

Для наглядности данных рекомендуется использовать набор инструментов MS EXCEL для построения диаграмм.

Научное исследование предлагается начать с постановки гипотезы. Предполагаем, что на динамику валовой добавленной стоимости в обрабатывающей промышленности влияет ряд факторов развития региона. Предлагается выделить четыре группы показателей, таких как социальные, экологические, экономические, инновационные (рисунок 1). В качестве эмпирических данных в исследовании выступают официальные данные Федеральной службы государственной статистики.

Рисунок 1. Перечень переменных в целях прогнозирования динамики ВДС обрабатывающей промышленности региона

Источник: составлено автором

Результаты исследования

Динамика индекса промышленного производства не является постоянной и зависит от ряда факторов. Среди которых можно назвать те, которые невозможно предугадать заблаговременно и отразить в прогнозе социально-экономического развития. К их числу относится пандемия, начавшаяся в 2020г. и специальная военная операция в 2022г., которые негативно отразились на динамике индекса промышленного производства в России и, в частности, Московской области (рисунок 2). Согласно прогнозу социально-экономического развития на 2020 год и на плановый период 2021 и 2022 годов средний показатель индекса промышленного производства за 2017-2024 г. не опускался ниже 102%, а его среднее значение составило 102,5% даже по консервативному прогнозу. По фактическим данным наблюдается снижение индекса промышленного производства в 2020г. (97,9%) и в 2022г. (100,6%).

Рисунок 2. Индекс промышленного производства (ИПП) и индекс промышленного производства обрабатывающей промышленности (ИППОП) в целом по России и по Московской области в 2015-2022 г., %

Источник: составлено автором по данным Федеральной службы государственной статистики: официальный сайт. Режим доступа: https://rosstat.gov.ru (дата обращения: 07.01.2024).

Промышленное производство и в частности обрабатывающие производства в Московской области имеют тенденцию к росту за период 2015 – 2022 г., превышая индекс промышленного производства в целом по России за тот же период. Это обусловлено рядом факторов. Обрабатывающая промышленность является основой производственного комплекса Московской области. Падение темпов роста промышленности обуславливалось сокращением экспорта и закрытием ряда западных рынков в связи с введением санкций против России. В наибольшей степени пострадали «пищевая промышленность, производство транспорта, обработка древесины, производство кокса, нефтепереработка, производство химических веществ и продуктов, металлургическое производство, производство компьютеров, электрического оборудования» [10]. Упало производство автомобилей и автобусов, сократилось производство пассажирских и грузовых вагонов [10]. Оживление после пандемии и адаптация промышленного производства повлекли значительный рост индекса промышленного производства в 2021г. (рисунок 2). Новое падение темпов роста индекса промышленного производства вызывает ряд опасений и необходимость анализа и исследования данного вопроса на предмет того, какие факторы оказывают наиболее значимое влияние на динамику показателей развития обрабатывающей промышленности. Выбор факторов был предопределён целями исследований. По мнению Казаковой Н.А., Болвачева А. И., Гендон А.Л. и Голубевой Г.Ф. на динамику обрабатывающей отрасли влияют ряд факторов среди которых можно назвать приток иммигрантов, уровень заработной платы в обрабатывающей промышленности, уровень износа и амортизационных отчислений по основным средствам, размер государственной поддержки инвестиционных и инновационных проектов, объем налоговой нагрузки [11, с. 63]. Предлагается расширить данный перечень фактор для целей прогнозирования.

Предварительный качественный анализ позволил выбрать ряд независимых переменных, которые, по мнению автора, должны влиять на динамику валовой добавленной стоимости обрабатывающей промышленности (рисунок 1).  Выбор был определен рядом требований и условий:

1.  доступность,
2.  достоверность,
3.  измеримость,
4.  равный период исследования с 2005 по 2022 г.

На первом этапе в результате, проведенного качественного анализа с учетом выставляемых требований определена зависимая переменная У – «обрабатывающие производства» и 24 независимых переменных от x1 до x24.

На втором этапе несколькими итерациями с применением корреляционного анализа исключено ряд переменных, которые либо взаимообуславливали друг друга и их корреляционная связь была достаточно сильна, более 0,85. Также были исключены переменные, которые имели незначительную корреляционную связь с зависимой переменной. Таким образом, осталось 9 независимых переменных для дальнейшего исследования: x1, x6, x12, x14, x16, x18, x20, x23, x24 (таблица 1).

Таблица 1. Матрица парной корреляции

Источник: составлено автором

На третьем этапе исследования рекомендуется применить метод регрессионного анализа, результаты которого приведены в таблице 2.

Таблица 2. Результаты регрессионного анализа по 9-ти независимым переменным

Источник: составлено автором

Следующим этапом построения уравнения регрессии, является проверка качества модели по нескольким критериям. Сравнение показателя t-статистика с табличным значение t-Стьюдента показало, что из уравнения регрессии необходимо исключить показатели x14, x16, x18, x23, x24, т.к. t-статистика меньше значения 2,1. Кроме того, P-Значение являются для этих переменных более 0,05, а значения «Нижние 95%» и «Верхние 95%» имеют разный знак (таблица 2). Соответственно нет тренда между зависимой и независимыми переменными. Повторный пересчет показателей регрессии представлен в таблице 3.

Таблица 3. Результаты регрессионного анализа по 4-м независимым переменным

Источник: составлено автором

В результате, полученное управление регрессии имеет вид:

У = -5166916 + 104,99 x1 + 1,359939 x6 + 2074,441 x12 -11203,7 x20

где У – ВДС обрабатывающих производств,

x1 — добыча полезных ископаемых,

x6 — сальдированный финансовый результат (прибыль минус убыток) деятельности организаций,

x12 — численность рабочей силы,

x20 – количество организации, задействованных в научных исследованиях и разработках.

Полученное уравнение регрессии следует трактовать следующим образом: увеличение добычи полезных ископаемых на 1 млн руб., увеличит объем ВДС обрабатывающих производств на 104,99 млн руб.; рост сальдированного финансового результата деятельности организаций на 1 млн руб., позволит увеличить объем ВДС обрабатывающих производств примерно на 1,36 млн руб.; увеличение численности рабочей силы в регионе на 1 тыс. чел, позволит увеличить объем ВДС обрабатывающих производств на 2074,44 млн руб. Показатель х20 оказывает на динамику объема обрабатывающих производств отрицательное воздействие: рост таких организаций на 1 единицу приведет к уменьшению ВДС обрабатывающих производств на 11203,7 млн руб. Последний показатель рекомендуется трактовать следующим образом: увеличение количества организации, задействованных в научных исследованиях и разработках приведёт к отвлечению рабочей силы, финансовых ресурсов и других средств от предприятий обрабатывающих отраслей и приведет к уменьшению ВДС последних.

Ефременко В. Ф. и Бахарев С. М. в своем исследовании утверждают, что взаимосвязь между показателями выпуска продукции в обрабатывающей промышленности и численности занятых, и численности населения в регионе достаточно сильная [12, c. 24], что косвенно подтверждает правильность нашей модели.

Графическое представление линии тренда фактических значений ВДС обрабатывающей промышленности и предсказанных значений продемонстрировано на рисунке 3. Ошибка аппроксимации составила 8,6%, что свидетельствует о качественной экономико-математической модели предсказаний ВДС обрабатывающей промышленности.

Рисунок 3. Фактические и предсказанные значения ВДС обрабатывающей промышленности Московской области за 2005 – 2022 г., млр руб.

Источник: составлено автором

Рисунок 3 демонстрирует рост ВДС обрабатывающей промышленности как по фактическим, так и по предсказанным значениям, что свидетельствует о восстановлении ее динамики. Индекс промышленного производства в ноябре 2023г. за 11 месяцев с января по ноябрь 2023г. показал рост по сравнению с аналогичным периодом 2022г. на 3,6%, в частности, за счет роста обрабатывающей промышленности. Значительный темп роста показала деревообрабатывающая промышленность, мебельное производство, производство автотранспортных средств, выпуск компьютеров и электронных изделий, наметился рост объема продукции в химической промышленности [13]. В Московской области за период январь-ноябрь 2023г. также наблюдается рост индекса промышленного производства (113,3%) и рост индекса промышленного производства в обрабатывающей промышленности (115,1%) к периоду предыдущего года [14].  Данный факт позволяет нам сделать вывод, что обрабатывающая промышленность стала адаптироваться к вводимым санкциям. Предприятия стали ориентироваться на политику импортозамещения, а также находить новые рынки сбыта, ориентированные на страны востока и СНГ.

Заключение

В результате проведенного исследования сформирована методика прогнозирования валовой добавленной стоимости обрабатывающей промышленности в регионе. Представленная экономико-математическая модель прогнозирования в виде уравнения регрессии важна для определения тенденций роста обрабатывающей промышленности и для принятия мер экономической политики в сфере производства.

Исследования проведено на статистических данных Московской области. Выявлено, что на динамику ВДС обрабатывающей промышленности Московской области значительное влияние оказывают факторы: объем добычи полезных ископаемых; сальдированный финансовый результат (прибыль минус убыток) деятельности организаций; численность рабочей силы; количество организации, задействованных в научных исследованиях и разработках. Проведенное исследование позволило сделать вывод, что рост числа рабочей силы будет обуславливать увеличение выпуска продукции в обрабатывающей отрасли.  В дальнейшем это приведет к росту численности населения региона и положительно скажется на демографической ситуации в нем. [12, c. 24].

Наблюдается отрицательное воздействие увеличения числа научных организаций на динамику ВДС обрабатывающей промышленности, поскольку научная сфера является отдельной отраслью, на развитие которой направляются финансовые и иные средства. Тем не менее, внедрение и использование в обрабатывающей промышленности сквозных технологий, искусственного интеллекта, полная автоматизация промышленного производства, использование больших данных, позволят создать «умное» производство, повысить эффективность производственных процессов. Лидерами по производству передовых технологий в 2020г. стали организации по производству компьютерной техники и готовых металлических изделий. По количеству использования передовых технологий лидерами стали предприятия производства машин и оборудования, пищевые отрасли, а также предприятия по производству металлических изделий [15, c. 52]. Соответственно дальнейшее исследование ВДС обрабатывающей промышленности рекомендуется направить на изучение объемов производства и использования инновационных технологий в пределах самой отрасли. Поскольку переход к новой модели экономического роста предполагает ориентацию не на сырьевую экономику, а на высокотехнологичную обрабатывающую промышленность, увеличение доли выпуска инновационного продукта [12, c. 27].

Важно отметить, что обрабатывающая промышленность даже в условиях санкций имеет тенденцию к развитию на основе импортозамещения, что позволит обеспечить национальную экономику всем необходимым от станков до электронных машин, включая товары народного потребления [16, с. 7].

Список использованных источников

1. Куленцан, А.Н., Марчук, Н.А. Анализ прогнозирования индекса промышленного производства // Известия ВУЗов ЭФиУП. 2019. №3 (41). С. 68-73.
2. О производстве и использовании валового внутреннего продукта (ВВП) в 2022 году – Текст : электронный // Федеральная служба государственной статистики: официальный сайт. Режим доступа: https://rosstat.gov.ru/storage/mediabank/55_07-04-2023.html (дата обращения: 11.02.2024).
3. Лапаев, Д.Н., Митяков, Е.С., Мокрецова, Е.С. Мониторинг устойчивого развития отраслей промышленности на основе многокритериального подхода // Статистика и экономика. 2013. №5. С. 168-171.
4. Яровенко, С.Э., Ниязбекова, Ш.У. Cравнительный анализ мировых финансовых кризисов, их причины и последствия // Вестник Московского университета им. С.Ю. Витте. Серия 1: Экономика и управление. 2021. № 4 (39). С. 48-57. doi: 10.21777/2587-554X-2021-4-48-57.
5. Structure of environmental factors in the regional development assessment / Ekaterina Petukhova, Lyudmila Rudenko, Angela Mottaeva, Andrey Ivashchenko and Ekaterina Isaeva // International Scientific Conference on Biotechnology and Food Technology (BFT-2023). E3S Web Conf. Volume 460, 2023, 8 рр. DOI.org/10.1051/e3sconf/202346009030.
6. Касаева, Т.В., Окишева, Т. Н. Модели прогнозирования валовой добавленной стоимости в обрабатывающей промышленности витебской области // Вестник ВГТУ. 2011. №2 (21). С. 157-167.
7. Гартвич, Р. Е. Наукастинг выпуска обрабатывающей промышленности России с использованием данных опросов предприятий // Омский научный вестник. Сер. Общество. История. Современность. 2023. Т. 8, № 4. С. 152–160. DOI: 10.25206/2542-0488-2023-8-4-152-160.
8. Полбин, А.В., Шумилов, А.В. Об использовании моделей панельных данных для прогнозирования темпов роста отраслей российской обрабатывающей промышленности // Экономическое развитие России. 2022. №2. С.15-19.
9. Дилфуза, Р.А. Регрессионный анализ в MS EXCEL на примере // Academic research in educational sciences. №11. С.1159-1166. Сазонов, А.А. Применение регрессионного анализа в прогнозировании // Научные исследования и разработки молодых ученых. 2015. №7. С. 201-204.
10. Доклад. Социально-экономическое положение Московской области в январе-декабре 2022 года – Текст : электронный // Федеральная служба государственной статистики. Управление федеральной службы государственной статистики по г. Москве и Московской области (МОССТАТ): официальный сайт. Режим доступа: https://77.rosstat.gov.ru/storage/mediabank/Доклад%20«Социально-экономическое%20положение%20Московской%20области%20в%20январе-декабре%202022%20года».pdf (дата обращения: 28.01.2024).
11. Казакова, Н.А., Болвачев, А.И., Гендон, А.Л., Голубева, Г.Ф. Анализ и прогнозирование тенденций добавленной стоимости в обрабатывающей промышленности Калининградской области // Проблемы прогнозирования. 2017. №2. С.53-64.
12. Ефременко, В. Ф., Бахарев, С. М. Высокотехнологичная обрабатывающая промышленность как фактор сохранения и развития населения на Дальнем Востоке России // Власть и управление на Востоке России. 2017. № 4 (81). С. 23–29. DOI 10.22394/1818-4049-2017-81-4-23-29.
13. Динамика промышленного производства в ноябре 2023 года – Текст : электронный // Федеральная служба государственной статистики: официальный сайт. Режим доступа: https://rosstat.gov.ru/folder/313/document/226808 (дата обращения: 28.01.2024).
14. Информация о социально-экономическом развитии Московской области за январь — ноябрь 2023 года – Текст : электронный // Министерство экономики и финансов Московской области: официальный сайт. Режим доступа: https://mef.mosreg.ru/dokumenty/socialno-ekonomicheskoe-razvitie/monitoring-socialno-ekonomicheskogo-razvitiya-moskovskoi-oblasti/ezhemesyachnaya-godovaya-informaciya/28-12-2023-12-37-36-informatsiya-o-sotsialno-ekonomicheskom-razvitii-m (режим доступа: 28.01.2024).
15. Шинкевич, А.И., Лубнина, А.А., Райский, И.А. Тенденции новационного развития обрабатывающих отраслей промышленности // Известия Самарского научного центра РАН. 2021. №4. С. 51-56.
16. Морковкин, Д. Е. Анализ станкоинструментальной промышленности современной России на основе «метода Анны Карениной» / Д. Е. Морковкин, А. В. Никонорова // Отходы и ресурсы. Т. 10. № s2. С. 1-8. DOI: 10.15862/05FAOR223.

References

1. Kulentsan, A.N., Marchuk, N.A. Forecasting analysis of the industrial production index [Analiz prognozirovaniya indeksa promyshlennogo proizvodstva] // Proceedings of the Universities of EFiUP. 2019. No.3 (41). pp. 68-73.
2. On the production and use of gross domestic product (GDP) in 2022 [O proizvodstve i ispol’zovanii valovogo vnutrennego produkta (VVP) v 2022 godu]. – Text : electronic // Federal State Statistics Service: official website. Access mode: https://rosstat.gov.ru/storage/mediabank/55_07-04-2023.html (date of application: 02/11/2024).
3. Lapaev, D.N., Mityakov, E.S., Mokretsova, E.S. Monitoring of sustainable development of industries based on a multi-criteria approach [Monitoring ustojchivogo razvitiya otraslej promyshlennosti na osnove mnogokriterial’nogo podhoda ]// Statistics and economics. 2013. No.5. pp. 168-171.
4. Yarovenko, S.E., Niyazbekova, Sh.U. Comparative analysis of global financial crises, their causes and consequences [Cravnitel’nyj analiz mirovyh finansovyh krizisov, ih prichiny i posledstviya] // Bulletin of the S.Y. Witte Moscow University. Series 1: Economics and Management. 2021. No. 4 (39). pp. 48-57. doi: 10.21777/2587-554X-2021-4-48-57.
5. Structure of environmental factors in the regional development assessment / Ekaterina Petukhova, Lyudmila Rudenko, Angela Mottaeva, Andrey Ivashchenko and Ekaterina Isaeva // International Scientific Conference on Biotechnology and Food Technology (BFT-2023). E3S Web Conf. Volume 460, 2023, 8 рр. DOI.org/10.1051/e3sconf/202346009030.
6. Kasaeva, T.V., Okisheva, T. N. Forecasting models of gross value added in the manufacturing industry of the Vitebsk region [Modeli prognozirovaniya valovoj dobavlennoj stoimosti v obrabatyvayushchej promyshlennosti vitebskoj oblasti] // Bulletin of the VSTU. 2011. No. 2 (21). pp. 157-167.
7. Hartwich, R. E. Naukasting of the output of the manufacturing industry of Russia using data from surveys of enterprises [Naukasting vypuska obrabatyvayushchej promyshlennosti Rossii s ispol’zovaniem dannyh oprosov predpriyatij] // Omsk Scientific Bulletin. Ser. Society. History. Modernity. 2023. Vol. 8, No. 4. pp. 152-160. DOI: 10.25206/2542-0488-2023-8-4-152-160.
8. Polbin, A.V., Shumilov, A.V. On the use of panel data models to predict the growth rates of Russian manufacturing industries [Ob ispol’zovanii modelej panel’nyh dannyh dlya prognozirovaniya tempov rosta otraslej rossijskoj obrabatyvayushchej promyshlennosti] // The economic development of Russia. 2022. No.2. pp.15-19.
9. Dilfuza, R.A. Regression analysis in MS EXCEL by example [Regressionnyj analiz v MS EXCEL na primere] // Academic research in educational sciences. 2021. No.11. pp.1159-1166. Sazonov, A.A. Application of regression analysis in forecasting // Scientific research and development of young scientists. 2015. No.7. pp. 201-204.
10. Report. The socio-economic situation of the Moscow region in January-December 2022 [Doklad. Social’no-ekonomicheskoe polozhenie Moskovskoj oblasti v yanvare-dekabre 2022 goda]. – Text : electronic // Federal State Statistics Service. Office of the Federal State Statistics Service for Moscow and the Moscow Region (ROSSTAT): official website. Access mode: https://77.rosstat.gov.ru/storage/mediabank/Доклад%20″Социально-экономическое%20положение%20Московской%20области%20в%20январе-декабре%202022%20года». pdf (accessed: 01/28/2024).
11. Kazakova, N.A., Bolvachev, A.I., Gendon, A.L., Golubeva, G.F. Analysis and forecasting of value-added trends in the manufacturing industry of the Kaliningrad region [Analiz i prognozirovanie tendencij dobavlennoj stoimosti v obrabatyvayushchej promyshlennosti Kaliningradskoj oblasti] // Problems of forecasting. 2017. No.2. pp.53-64.
12. Efremenko, V. F., Bakharev, S. M. High-tech manufacturing industry as a factor of preservation and development of the population in the Russian Far East [Vysokotekhnologichnaya obrabatyvayushchaya promyshlennost’ kak faktor sohraneniya i razvitiya naseleniya na Dal’nem Vostoke Rossii] // Power and management in the East of Russia. 2017. No. 4 (81). pp. 23-29. DOI 10.22394/1818-4049-2017-81-4-23-29.
13. Dynamics of industrial production in November 2023 [Dinamika promyshlennogo proizvodstva v noyabre 2023 goda] – Text : electronic // Federal State Statistics Service: official website. Access mode: https://rosstat.gov.ru/folder/313/document/226808 (date of application: 01/28/2024).
14. Information on the socio-economic development of the Moscow region for January — November 2023 [Informaciya o social’no-ekonomicheskom razvitii Moskovskoj oblasti za yanvar’ — noyabr’ 2023 goda] – Text : electronic // Ministry of Economy and Finance of the Moscow region: official website. Access mode: https://mef.mosreg.ru/dokumenty/socialno-ekonomicheskoe-razvitie/monitoring-socialno-ekonomicheskogo-razvitiya-moskovskoi-oblasti/ezhemesyachnaya-godovaya-informaciya/28-12-2023-12-37-36-informatsiya-o-sotsialno-ekonomicheskom-razvitii-m (access mode: 01/28/2024).
15. Shinkevich, A.I., Lubnina, A.A., Raisky, I.A. Trends in the innovative development of manufacturing industries [Tendencii novacionnogo razvitiya obrabatyvayushchih otraslej promyshlennosti] // Proceedings of the Samara Scientific Center of the Russian Academy of Sciences. 2021. No.4. pp. 51-56.
16. Morkovkin, D. E. Analysis of the machine tool industry in modern Russia based on the «Anna Karenina method» [Analiz stankoinstrumental’noj promyshlennosti sovremennoj Rossii na osnove «metoda Anny Kareninoj»] / D. E. Morkovkin, A.V. Nikonorova // Waste and resources. 2023. Vol. 10. No. s2. pp. 1-8. DOI: 10.15862/05FAOR223.