Економічне зростання країн в умовах воєнних дій
Ключові слова:
економічне зростання, військові конфлікти, моделі зростання, машинне навчання, міжнародна допомогаАнотація
Мета. Метою дослідження є оцінка економічного зростання України, Сирії та Палестини в умовах воєнних конфліктів, порівняння моделей зростання (Солоу, MRW, Ромера, модель машинного навчання), визначення факторів відновлення та розробка рекомендацій до 2030 року. Дизайн / Метод / Підхід. Дослідження використовує порівняльний аналіз моделей зростання, модифікованих показником інтенсивності конфлікту, на основі панельних даних 1990–2023 років (World Bank, UNESCO, IndexMundi). Для прогнозів застосовано Random Forest, що враховує нелінійні зв’язки змінних (інвестиції, освіта, R&D, міжнародна допомога). Прогнози охоплюють три сценарії на 2025–2030 роки. Результати. Модель Ромера найточніша для України, прогнозуючи ВВП на душу населення 13 456 дол. США (оптимістичний сценарій, 2030). Для Сирії та Палестини – 1 183 та 3 012 дол. США. Random Forest передбачає 23 792 дол. США для України, 6 819 дол. США для Сирії, 5 764 дол. США для Палестини. Ключові фактори: міжнародна допомога (29,8%), інвестиції (24,6%), зменшення конфлікту (19,7%). Теоретичне значення. Дослідження адаптує моделі зростання до воєнних умов, підкреслюючи переваги ендогенних моделей і машинного навчання для аналізу складних економік. Практичне значення. Результати сприяють розробці стратегій відновлення, розподілу міжнародної допомоги та плануванню сталого розвитку в країнах, що постраждали від конфліктів. Оригінальність / Цінність. Унікальність полягає в адаптації моделей до умов війни, порівнянні їх ефективності та застосуванні Random Forest для прогнозування. Обмеження дослідження / Майбутні дослідження. Обмеження: мала вибірка (72 спостереження), брак даних, суб’єктивність припущень, неврахування зовнішніх шоків. Майбутні дослідження мають включити ширші дані, кліматичні та геополітичні фактори. Тип статті. Емпірична.
Завантажити
Посилання
Amare, M. Z., Demissie, W. M., & Massa, M. M. (2025). Technical efficiency analysis of African economic growth: Panel stochastic frontier model approach. Scientific African, 28, e02648. https://doi.org/10.1016/j.sciaf.2025.e02648
Bloom, N., Jones, C. I., Van Reenen, J., & Webb, M. (2020). Are Ideas Getting Harder to Find? American Economic Review, 110(4), 1104–1144. https://doi.org/10.1257/aer.20180338
Carvalho Marques, M. de, Mohamed, A. A., & Feitosa, P. (2025). Sustainable development goal 6 monitoring through statistical machine learning – Random Forest method. Cleaner Production Letters, 8, 100088. https://doi.org/10.1016/j.clpl.2024.100088
Cobb, C. W., & Douglas, P. H. (1928). A theory of production. American Economic Review, 18(1), 139–165. https://www.jstor.org/stable/1811556
Comin, D., & Mestieri, M. (2014). Technology diffusion: Measurement, causes, and consequences. In P. Aghion & S. N. Durlauf (Eds.), Handbook of economic growth (Vol. 2, pp. 565–622). Elsevier. https://doi.org/10.1016/B978-0-444-53540-5.00002-1
Countryeconomy.com. (2024). Economic and sociodemographic information. Countryeconomy.com. https://countryeconomy.com
Domar, E. D. (1946). Capital expansion, rate of growth, and employment. Econometrica, 14(2), 137–147. https://www.jstor.org/stable/1905364
Gómez, M. A. (2025). Factor substitution and economic growth in a Romer-type model with monopolistic competition. Journal of Mathematical Economics, 117, 103086. https://doi.org/10.1016/j.jmateco.2025.103086
Harrod, R. F. (1939). An essay in dynamic theory. Economic Journal, 49(193), 14–33. https://www.jstor.org/stable/2225181
Huang, X., Dong, J., & Li, X. (2025). Fintech, technological innovation and regional economic growth: Theoretical modeling and empirical evidence. China Economic Review, 91, 102397. https://doi.org/10.1016/j.chieco.2025.102397
IndexMundi. (2024). Country facts. IndexMundi. https://www.indexmundi.com
Macrotrends LLC. (2024). The long term perspective on markets. Macrotrends. https://www.macrotrends.net
Mankiw, N. G., Romer, D., & Weil, D. N. (1992). A contribution to the empirics of economic growth. Quarterly Journal of Economics, 107(2), 407–437. https://www.jstor.org/stable/2118477
Nordhaus, W. (2021). Dynamic climate clubs: On the effectiveness of incentives in global climate agreements. Proceedings of the National Academy of Sciences, 118(45), e2109988118. https://doi.org/10.1073/pnas.2109988118
Ochi, A., & Saidi, A. (2024). Impact of governance quality, population and economic growth on greenhouse gas emissions: An analysis based on a panel VAR model. Journal of Environmental Management, 370, 122613. https://doi.org/10.1016/j.jenvman.2024.122613
Odunsi, O. M., & Rienow, A. (2025). Examining urban expansion in Abeokuta through the lens of its economic development cluster: A geospatial approach utilising Random Forest and Batty’s entropy. Geomatica, 77(1), 100050. https://doi.org/10.1016/j.geomat.2025.100050
Petrović, P. (2023). Climate change and economic growth: Plug-in model averaging approach. Journal of Cleaner Production, 433, 139766. https://doi.org/10.1016/j.jclepro.2023.139766
Ramsey, F. P. (1928). A mathematical theory of saving. Economic Journal, 38(152), 543–559. https://www.jstor.org/stable/2224098
Romer, P. M. (1990). Endogenous technological change. Journal of Political Economy, 98(5, Pt. 2), S71–S102. https://www.jstor.org/stable/2937632
Shalaby, A. (2024). Leveraging the digital sustainable growth model (DSGM) to drive economic growth: Transforming innovation uncertainty into scalable technology. Journal of Economy and Technology, 2, 310–321. https://doi.org/10.1016/j.ject.2024.09.003
Smets, F., & Wouters, R. (2007). Shocks and frictions in US business cycles: A Bayesian DSGE approach. American Economic Review, 97(3), 586–606. https://www.jstor.org/stable/30035022
Solow, R. M. (1956). A contribution to the theory of economic growth. Quarterly Journal of Economics, 70(1), 65–94. https://www.jstor.org/stable/1884513
Stern, N., & Taylor, C. (2007). Economics: Climate change, risk, ethics, and the Stern Review. Science, 317(5835), 203–204. https://doi.org/10.1126/science.1142920
Trading Economics. (2024). 20 million indicators from 196 countries. Trading Economics. https://tradingeconomics.com
UNESCO Institute for Statistics. (2024). Data for the Sustainable Development Goals. UNESCO UIS. https://uis.unesco.org
Wan, B. (2024). The Impact of Cultural Capital on Economic Growth Based on Green Low-Carbon Endogenous Economic Growth Model. Sustainability, 16(5), 1781. https://doi.org/10.3390/su16051781
World Bank Group. (2024). International development, poverty, and sustainability. World Bank Group. https://www.worldbank.org/ext/en/home
Yu, T.-K., Chang, I.-C., Chen, S.-D., Chen, H.-L., & Yu, T.-Y. (2025). Predicting potential soil and groundwater contamination risks from gas stations using three machine learning models (XGBoost, LightGBM, and Random Forest). Process Safety and Environmental Protection, 188, 107249. https://doi.org/10.1016/j.psep.2025.107249
Завантаження
Опубліковано
Номер
Розділ
Категорії
Ліцензія
Авторське право (c) 2025 Olexandr Shapurov, Oleksii Hrechanyi, Volodymyr Stoiev, Anatolii Karpelianskyi, Alina Sosnovska (Author)
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Всі статті, опубліковані в журналі Challenges and Issues of Modern Science, ліцензовані за ліцензією Creative Commons Attribution 4.0 International (CC BY). Це означає, що ви можете:
- Поширювати, копіювати та передавати статтю
- Адаптувати, реміксувати та створювати похідні роботи на основі статті
за умови, що ви надаєте належне посилання на оригінальну роботу, вказуєте ім'я авторів, назву статті, журнал та наявність ліцензії CC BY. Будь-яке використання матеріалів не повинно припускати схвалення авторами або журналом використаного матеріалу.
