摘要：Vidurio ir Rytų Europos (YRE) šalys išgyvena pereinamuosius ekonominius procesus, kurie skatina ekonominę konvergenciją su Europos Sąjunga. Tiesioginės užsienio investicijos (TUI) yra vienas iš pagrindinių veiksnių, todėl TUI srautų analizė yra svarbi tyrimo sritis. Tradicinės daugiakriterinės tiesinės analizės priemonės nei konceptualiai, nei statistiškai neduoda patikimų rezultatų esant mažoms, ne visoms ir chaotiškoms duomenų sekoms. Šiame tyrime pateikiamas netradicinis (netiesinis), todėl naujoviškas požiūris į TUI VRE pavyzdžiu. Pagrindiniai iškelti uždaviniai: (a) TUI prognozavimo modelio sukūrimas naudojant dirbtinių neuroninių tinklų (DNT) metodus, (b) TUI turinčių įtakos veiksnių (makroekonominių, finansinių, socialinių ir gravitacinių) svorių įvertinimas DNT pagalba. Atlikti empiriniai tyrimai leido sukurti DNT modelį, kuris duoda kur kas geresnius aproksimavimo ir neblogesnius prognozavimo rezultatus, palyginti su daugiakriteriniu tiesiniu modeliu. Nors gauti rezultatai yra preliminarūs ir reikia išsamesnės analizės, tačiau jie siūlo svarbias ir naujoviškas įžvalgas būsimiems netiesiniams tyrimams, apimantiems detalius VRE sektorinius ir šalių tarpusavio palyginimus.
其他摘要：Central and Eastern European (CEE) countries are in an economic transition process which involves convergence of economic performance with the European Union. One of the principle engines for the necessary transformation towards EU average economic performance is inward-FDI. Quantitatively examining the causes of FDI in the CEE region is thus an important research area. Traditional linear regression approaches have had difficulty in achieving conceptually and statistically reliable results. In this paper, we offer a novel approach to examining FDI in the CEE region. The key tasks addressed in this research are (i) a neural network based FDI forecasting model and (H) nonlinear evaluation of the determinants of FDI. The methodology is non traditional for this kind of research (compared with multiple linear regression estimates) and is applied primarily for the FDI dynamics in the CEE region with some worldwide comparisons. In terms of MSE and Rsquared criteria, we find that NN approaches are better to explain FDI determinants’ weights than traditional regression methodologies. Our findings are preliminary but offer important and novel implications for future research in this area, including more detailed comparisons across sectors as well as countries over time.
关键词：Foreign Direct Investment;neural networks;nonlinear dynamics
