Влияние объема промышленного производства и инвестиций на электропотребление в Свердловской области: вейвлет-анализ временных рядов с учетом сезонных факторов

Авторы

DOI:

https://doi.org/10.17059/ekon.reg.2025-2-7

Ключевые слова:

объем производства, инвестиции, электропотребление, сезонность временных рядов, коинтеграция, многомерный вейвлет-анализ, множественная и частичная когерентность, вейвлет-усиление, частичная разность фаз

Аннотация

Электроэнергетика играет ключевую роль в развитии производительных сил, пространственном развитии и интеграции регионов. Наибольший объем потребления электроэнергии приходится на реальный сектор экономики. В связи с этим, анализ взаимосвязей между электропотреблением, объемом промышленного производства и инвестициями на этапе перехода к росту производства приобретает высокую актуальность для развития электроэнергетики и всей экономики. В статье представлен анализ влияния объемов промышленного производства и инвестиций на электропотребление в Свердловской области. Для исследования использованы методы многомерного вейвлет-анализа (MWA), такие как множественная и частичная когерентность, частичная разность фаз и коэффициент частичного вейвлет-усиления применительно к временным рядам с циклической составляющей. В отличие от традиционного эконометрического анализа, результаты, полученные с помощью вейвлет-подхода, не только более детально описывают корреляционные взаимосвязи эндогенной переменой с комбинацией экзогенных, но и содержательно обогащают их выявлением причинно-следственных связей, характер которых различается в зависимости от временного интервала и горизонта планирования. В частности, модели показывают парциальную зависимость спроса на электроэнергию от объема инвестиций в основной капитал Свердловской области, выросшего на 25,7 % за 2023 г. по сравнению с 2022 г. При этом выявлена синфазность электропотребления с объемом инвестиций и лидирование переменной объема инвестиций. Полученные в статье результаты свидетельствуют и о том, что моделирование бизнес-циклов, а также государственная политика в отношении циклических процессов должны учитывать взаимосвязи цикличности представляющих изучаемые процессы переменных, и в этих целях могут быть использованы рассмотренные в статье методы и модели.

Биографии авторов

Серков Леонид Александрович , Институт экономики УрО РАН

кандидат физико-математических наук, доцент, старший научный сотрудник Центра развития и размещения производительных сил; Scopus Author ID: 57216791028; https://orcid.org/0000-0002-3832-3978  (Российская Федерация, 620014, г. Екатеринбург, ул. Московская, 29; e-mail: serkov.la@uiec.ru).

Петров Михаил Борисович , Институт экономики УрО РАН

доктор технических наук, кандидат экономических наук, доцент, руководитель Центра развития и размещения производительных сил; Scopus Author ID: 55970815800; https://orcid.org/0000-0002-3043-6302 (Российская Федерация, 620014, г. Екатеринбург, ул. Московская, 29; e-mail: petrov.mb@uiec.ru).

Библиографические ссылки

Aguiar-Conraria, L. A., Martins, M. M., & Soares, M. J. (2018). Estimating the Taylor rule in the time-frequency domain.

Aguiar-Conraria, L., Azevedo, N., & Soares, M. J. (2008). Using wavelets to decompose the time–frequency effects of monetary policy. Physica A: Statistical Mechanics and its Applications, 387(12), 2863–2878. https://doi.org/10.1016/j.physa.2008.01.063

Astaf’eva, N. M. (1996). Wavelet analysis: basic theory and some applications. Uspekhi fizicheskikh nauk [Physics-Uspekhi], 166(11), 1145–1170. https://doi.org/10.1070/pu1996v039n11abeh000177 (In Russ.)

Avdakovic, S., Ademovic, A., & Nuhanovic, A. (2013). Correlation between air temperature and electricity demand by linear regression and wavelet coherence approach: UK, Slovakia and Bosnia and Herzegovina case study. Archives of Electrical Engineering, 62(4), 521–532. http://dx.doi.org/10.2478/aee-2013–0042

Bai, J., & Ng, S. (2008). Forecasting economic time series using targeted predictors. Journal of Econometrics, 146(2), 304–317. https://doi.org/10.1016/j.jeconom.2008.08.010

Bessonov, V., & Petronevich, A. (2013). Seasonal adjustment as a source of spurious signals. Ehkonomicheskii zhurnal VSHEH [HSE Economic Journal], 17(4), 586–616. (In Russ.)

Bruzda, J. (2020). The wavelet scaling approach to forecasting: Verification on a large set of noisy data. Journal of Forecasting, 39(3), 353–367. https://doi.org/10.1002/for.2634

Connor, J., & Rossiter, R. (2005). Wavelet transforms and commodity prices, Studies in Nonlinear Dynamics. Econometrics, 9(1). https://doi.org/10.2202/1558–3708.1170

Crowley, P. M. (2007). A guide to wavelets for economists. Journal of Economic Surveys, 21(2), 207–267. https://doi.org/10.1111/j.1467–6419.2006.00502.x

Engle, R. F., Granger, C. W. J., Hylleberg, S., & Lee, H. S. (1993). The Japanese consumption function. Journal of Econometrics, 55(1-2), 275-298. https://doi.org/10.1016/0304–4076(93)90016-X

Foufoula-Georgiou, E., & Kumar, P. (1994). Wavelets in Geophysics in Wavelet Analysis and Its Applications. Academic Press.

Grinsted, A., Moore, J. C., & Jevrejeva, S. (2004). Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics, 11(5/6), 561–566. https://doi.org/10.5194/npg-11-561-2004

Hylleberg, S., Engle, R. F., Granger, C. W., & Yoo, B. S. (1990). Seasonal Integration and Cointegration. Journal of Econometrics, 44(1-2), 215–238.

Kirikkaleli, D., & Sowah, J. K. (2020). A wavelet coherence analysis: Nexus between urbanization and environmental sustainability. Environmental Science and Pollution Research, 27(24), 30295–30305. https://doi.org/10.1007/s11356-020-09305-y

Kirikkaleli, D., Adedoyin, F. F., & Bekun, F. V. (2021). Nuclear energy consumption and economic growth in the UK: Evidence from wavelet coherence approach. Journal of Public Affairs, 21(1), e2130. https://doi.org/10.1002/pa.2130

Krüger, J. (2021). A Wavelet Evaluation of Some Leading Business Cycle Indicators for the German Economy. Journal of Business Cycle Research, 17, 293–319. https://doi.org/10.1007/s41549-021-00060-8

Labat, D. (2010). Cross wavelet analyses of annual continental freshwater discharge and selected climate indices. Journal of Hydrology, 385(1-4), 269–278. https://doi.org/10.1016/j.jhydrol.2010.02.029

Magazzino, C., & Giolli, L. (2021). The relationship among railway networks, energy consumption, and real added value in Italy. Evidence form ARDL and Wavelet analysis. Research in Transportation Economics, 90, 101126. http://dx.doi.org/10.1016/j.retrec.2021.101126

Mitsel’, A. A., & Shemiakina, A. N. (2013). Analysis of costs of the enterprise using wavelet-transform. Ekonomiko-matematicheskoe modelirovanie [Economic-Mathematical Modeling], (46(349)), 52–60. (In Russ.)

Petrov, M. B., & Serkov, L. A. (2024). Analysis of Long-Term and Short-Term Relationships between Electricity Consumption and Economic Growth in Industrialized Regions of Russia. Journal of Applied Economic Research, 23(1), 136–158. https://doi.org/10.15826/vestnik.2024.23.1.006 (In Russ.)

Rua, A. (2012). Wavelets in Economics. Economic Bulletin and Financial Stability Report Articles, 8, 71–79.

Rua, A. (2013). Worldwide synchronization since the nineteenth century: A wavelet-based view. Applied Economics Letters, 20(8), 773–776.

Senjyu, T., Tamaki, Y., Takara, H., & Uezato, K. (2002). Next day load curve forecasting using wavelet analysis with neural network. Electric Power Components and Systems, 30(11), 1167–1178. https://doi.org/10.1080/15325000290085398

Serkov, L. A. (2025). Analysis of the Relationship between Inflation, Exchange Rate and Household Expenditures in the Russian Economy Using Wavelet Analysis. Journal of Applied Economic Research, 24(1), 59–90. https://doi.org/10.15826/vestnik.2025.24.1.003 (In Russ.)

Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological Society, 79(1), 61–78. https://doi.org/10.1175/1520–0477(1998)079 %3C0061:APGTWA%3E2.0.CO;2

Vityazev V. V. (2001). Wejwlet-analis wremennych rjadow [Wavelet analysis of time series], SPb: SPbGU, 58 P. (In Russ.)

Wu, J., Abban, O. J., Boadi, A. D., Addae, E. A., Akhtar, M., Hongxing, Y., & Ofori, C. (2022). Time–frequency contained co-movement of renewable electricity production, globalization, and СО2 emissions: A wavelet-based analysis in Asia. Energy Reports, 8, 15189–15205. https://doi.org/10.1016/j.egyr.2022.11.054

Zhang, Q., & Liu, T. (2010). Research on mid-long term load forecasting base on wavelet neural network. In 2010 Second International Conference on Computer Engineering and Applications (Vol. 2, pp. 217-220). IEEE. https://doi.org/10.1109/ICCEA.2010.195

Загрузки

Дополнительные файлы

Опубликован

2025-06-30

Как цитировать

Серков , Л. А., & Петров , М. Б. . (2025). Влияние объема промышленного производства и инвестиций на электропотребление в Свердловской области: вейвлет-анализ временных рядов с учетом сезонных факторов. Экономика региона, 21(2), 349–363. https://doi.org/10.17059/ekon.reg.2025-2-7

Выпуск

Раздел

Отраслевая экономика