cryptocurrency سیستم پرداخت نوآوری باز: تجزیه و تحلیل مقایسه ای ارزهای رمزنگاری موجود

این مطالعه برای ارزیابی اجرای یک سیستم مالی رمزنگاری نوآوری باز با استفاده از یک رویکرد آماری انجام شد. آرایه داده نشان دهنده سرعت واقعی سیستم cryptocurrency ، بیان شده در معاملات در ثانیه (TPS) است که به عنوان میانگین سرعت سالانه گرفته شده است. این مقاله یک رویکرد جامع برای انتخاب سیستم مالی بهینه cryptocurrency ارائه می دهد. تجزیه و تحلیل نهایی نشان می دهد که دلایل اتخاذ سیستم مالی cryptocurrency عملی و راحتی و همچنین زمان معامله کارآمد ، پرداخت سریعتر و سادگی روند پرداخت است. تأثیر عوامل اجتماعی ، تلاشهای مورد انتظار و شرایط کمک به نگرش به سیستم مالی رمزنگاری مورد بررسی قرار گرفت. علاوه بر این ، عوامل اجتماعی که تأثیر قابل توجهی در اجرای سیستم مالی رمزنگاری دارند ، مشخص شد.

کلید واژه ها:

1. معرفی

این مطالعه با هدف ارزیابی اجرای یک سیستم مالی cryptocurrency نوآوری باز با استفاده از یک رویکرد آماری انجام شد. با داشتن پتانسیل سرعت پردازش 50،000 معاملات در هر ثانیه ، سیستم Cryptocurrency EOS (EOS) قادر به تأمین بیشتر نیازهای نقل و انتقالات پول در بازار بزرگ جهانی است.

تازگی مقاله یک رویکرد جامع برای انتخاب سیستم مالی بهینه رمزنگاری در پایه سرعت معامله است. این مقاله شکاف ادبیات را در یافتن سیستم مالی بهینه cryptocurrency پر می کند. این فرضیه مقاله این است که سیستم مالی بهینه رمزنگاری EOS است.

با وجود این واقعیت که تعریف سیستم مالی اغلب در مطالعات و نشریات علمی متعددی در زمینه امور مالی ظاهر می شود ، تلاش می شود تا این اصطلاح را به طور دقیق تعریف کند. معنای سیستم مالی بر اساس رویکردهای مطالعه این اصطلاح به روشهای مختلفی آشکار می شود. پنج رویکرد اصلی وجود دارد:

نهادی سیستم مالی را از دیدگاه موسسات مالی تعریف می کند و عملکرد و روابط آنها را در بازار در نظر می گیرد.

پولی سیستم مالی را از طرف تأمین پول به اقتصاد واقعی در نظر می گیرد ، یعنی این مفهوم را به عنوان مکانیسمی برای تأمین پول به اقتصاد واقعی نشان می دهد.

توزیع کننده سیستم مالی را از دیدگاه توزیع و تحول سرمایه یا از دیدگاه مکانیسم توزیع مجدد وجوه بسته به میزان اضافی یا کمبود آنها مشخص می کند.

عملکرد عملکردی عملکرد سیستمی را انجام می دهد که شبکه ای از بازارهای مالی ، واسطه های مالی و سایر موسسات مالی را که برنامه های مالی خانوارها ، مشاغل و مقامات دولتی را اجرا می کند ، پوشش می دهد. وت

در رویکرد سیستم ، رابطه بین عناصر سیستم مالی و تأثیر آنها بر عملکرد بخش مالی و اقتصاد به طور کلی در نظر گرفته شده است [1].

توسعه ارزهای رمزپایه به عنوان آنالوگ پول سنتی نیاز به افزایش سرعت معاملات ، کنترل پذیری گردش خون و ثبات نرخ ارز دارد. یکی از امیدوار کننده ترین راه حل های این مشکل ممکن است ساخت سیستم های رمزنگاری با مدیریت متمرکز و سکه اصلی باشد. یکی از ویژگی های خاص این اتصال ، اتصال آن به ارز است که راه حلی برای مشکل کمبود ارزش داخلی ارزهای رمزنگاری شده است. پلت فرم EOS دارای یک سیستم منبع باز با توانایی توسعه برنامه های شخص ثالث برای کاربرد عملی خود در گردش مالی شرکت های مختلف و تمرکز جزئی سیستم مدیریت است که مبتنی بر تجهیزات فناوری استاندارد بیست گره است که ،به نوبه خود ، ثبات سیستم را افزایش داده و مقیاس پذیری آن را ساده کنید.

2. بررسی ادبیات

بسیاری از مطالعات بحث کردند که آیا محرک های جهانی پذیرش زیرساخت های رمزنگاری و گرایش آینده. بازار موجود سیستم های پرداخت و فن آوری های مالی اصلی ترین مرجع برای توسعه دارایی های رمزنگاری است ، زیرا تعداد پرداخت های غیر نقدی و کارت های بانکی به طور مداوم در حال رشد است ، بنابراین ، بازاری که Cryptocurrency می خواهد به رقابت بپردازد ، تقاضای فزاینده ای دارد [2،3،4،5].

با این حال ، ارزهای رمزپایه دارای تعدادی ویژگی هستند که آنها را از پول و دارایی های مالی معمول فیات متمایز می کند و از معرفی سریع ارزهای دیجیتال و سیستم های رمزنگاری شده به بازار مالی جهانی جلوگیری می کند. مزایای اصلی ارزهای دیجیتال محرمانه بودن و قابلیت اطمینان اطلاعات منتقل شده در سیستم و آزادی معاملات است. این ویژگی بیشتر در مورد شبکه های همسالان غیر متمرکز با مدیریت توزیع شده اعمال می شود [6،7،8].

محققان دیگر در مورد سرعت واقعی سیستم رمزنگاری ، بیان شده در معاملات در ثانیه (TPS) ، که به عنوان میانگین سرعت سالانه در نظر گرفته شده است ، بحث کردند. معایب اصلی آنها نوسانات بالا ، دشواری پیش بینی ، سیستم عامل های توان پایین و مشکلات مقیاس پذیری است. با این حال ، همه اینها امکان استفاده از ارزهای رمزپایه به عنوان یک دارایی پرخطر را فراهم می کند که به دلیل همبستگی کم با شاخص های اصلی بازار ، قادر به تنوع ریسک نمونه کارها است. هنگام تجزیه و تحلیل بازار cryptocurrency ، رهبر مطلق بازار از نظر سرمایه گذاری و میانگین گردش مالی روزانه ، بیت کوین را با سهم بازار 67 ٪ در ابتدای سال 2020 و سهم در ساختار کلی معاملات حدود نیمی از بازار نشان داد.

با این حال ، شایان ذکر است که تمایل به تضعیف موقعیت های پیشرو در Cryptocurrency به دلیل ارائه منظم سکه اولیه (ICO) و انتشار سیستم عامل های جدید به بازار است. این تأثیر مثبتی در رقابت در بازار دارد. نوسانات چنین دارایی طی سه سال گذشته 12 ٪ است که شش برابر بیشتر از همان شاخص برای معیار بازار (S & P500) است.

بسیاری از محققان اجرای یک سیستم مالی cryptocurrency نوآوری باز را با استفاده از یک رویکرد آماری مطالعه می کنند [3،4،10]. سیستم های مالی cryptocurrency به دلیل شبکه blockchain قادر به تأمین سطح بالایی از امنیت هستند. علاوه بر این ، ارزهای رمزپایه خطرات از دست دادن یا تغییر اطلاعات در سیستم را به دلیل ماهیت غیر متمرکز خود به حداقل می رسانند. در اینجا ، یکی از اصلی ترین مزایای رمزنگاری ، مشکل تنظیم و نظارت توسط دولت توزیع شده است (شکل 1) [9].

تکامل فرایندها و مکانیسم های به اشتراک گذاری دانش به بهترین وجه نشان دهنده پویایی نوآوری باز است. پویایی شرح داده شده در ادبیات علمی می تواند به موارد کیفی و کمی تقسیم شود. مکانیسم های ادغام پروژه های انتقال فناوری به برنامه های توسعه بلند مدت بازار فناوری ، صنایع و مجتمع ها مشخصات بیان شده مدل در نظر گرفته شده است [10،11].

مدل Behrma n-Wallender بر توصیف تبادل دانش بین المللی ، بومی سازی تولید متمرکز شده است. از طریق هفت مرحله ارائه می شود: (1) تعیین مکان و توجیه اقتصادی پروژه.(2) انتخاب IPO و فن آوری های محلی سازی.(3) تدوین برنامه موقعیت مکانی در طرح زمین و تعیین زیرساخت های لازم.(4) ساخت گیاه و راه اندازی تولید ؛و (5) فناوری. علاوه بر این ، توضیحات مراحل مدل ها توسط نویسنده برای سنتی در اقتصاد و واژگان عملی تصویب شده است [9]: (6) اقتباس از پرسنل و اشکال زدایی از تولید. و (7) برقراری ارتباط ، پایگاه قرارداد با مدیریت تولید موضعی. مشخصات و سهم علمی مدل ، شناسایی و توصیف مراحل سازماندهی انتقال فناوری بین دولتی در پروژه های محلی سازی تولید را تعیین می کند [5].

مدل Dahlma n-Westphal از نظر تعیین سوژه ها و اشیاء جنبش دانش (OIS) ، نسبت به نه مرحله انتقال فناوری [9]. به هر حال ، بانک های مرکزی و وزارتخانه های مالی موظفند وضعیت گردش مالی پولی در کشور را به منظور انجام یک سیاست پولی مؤثر ، یعنی دولت به موسساتی که مسئول این رویه ها هستند ، نظارت کنند. از طرف دیگر ، کاربران بالقوه رمزنگاری ، شهروندان ، به حفظ حریم خصوصی داده ها و مدیریت غیرمتمرکز علاقه دارند (جدول 1). با این حال ، هر دو مدیریت متمرکز و غیرمتمرکز تعدادی از مزایا و معایب دارند [10،11،12،13].

این یکی از اصلی ترین تضادهای ارزهای رمزنگاری شده است: باز بودن سیستم ، فراوانی آن و سطح بالایی از اتوماسیون حاکی از عدم کنترل متمرکز بر مسئله و حرکت ارز دیجیتال از هر ایالت است [18،19،20،21 ،22]

3. روشها

روشها ارزیابی قابلیت ها و پتانسیل ارزهای رمزنگاری شده در زمینه ارائه وسیله پرداخت و سیستم پرداخت است. به عنوان آنالوگ های موجود ، ما سیستم های پرداخت فعلی را که در بین رهبران بخش های آنها قرار دارند ، در نظر خواهیم گرفت: ویزا ، که نمایانگر بخش کارت پرداخت است و پی پال ، که نماینده خدمات پرداخت الکترونیکی است. ما به عنوان رقبا ، ما سیستم EOS را به عنوان سیستم با بیشترین پتانسیل مقیاس پذیری و بیت کوین به عنوان محبوب ترین رمزنگاری در نظر خواهیم گرفت. زنجیره پرداخت cryptocurrency از طریق قرارداد هوشمند فرایندی است که دارای بسیاری از نقاط است (شکل 2).

داده های ارائه شده در هیستوگرام زیر نشان دهنده سرعت واقعی سیستم های مورد تجزیه و تحلیل ، بیان شده در معاملات در ثانیه (TPS) است که به عنوان میانگین سرعت سالانه سال 2019 و همچنین پتانسیل آنها در سرعت انجام می شود. این مقایسه ضروری است زیرا ، اگر سیستم پرداخت cryptocurrency به تنها سیستم پرداخت جهانی تبدیل شود ، باید ظرفیت بازار را هضم کند و ثبات را با سرعت برابر با رهبران فعلی بازار تضمین کند [23،24،25]. این مطالعه مبتنی بر نرم افزار Python 3. 6. 10 برای شناسایی قدرت و جهت رابطه بین سرعت سیستم عامل های رمزنگاری. از ضریب همبستگی خطی (1) نیز استفاده شد:

r x y = c o v x y σ x σ y = ∑ x - x ¯ (y - y ¯) ∑ x - x ¯ 2 ∑ y - y ¯ 2

با استفاده از این شاخص ، مشخص می شود که سرعت ترانزیت چقدر تأثیر دارد. پس از محاسبه شاخص های همبستگی ، تجزیه و تحلیل رگرسیون از روابط آن شاخص ها با بالاترین همبستگی برای تأیید نتیجه و نتیجه گیری در مورد اهمیت مدل ساخته شده و کیفیت آن انجام شد (2). با استفاده از مدل رگرسیون خطی ، می توان میزان رابطه بین متغیر وابسته Y و مقدار مستقل X را شناسایی کرد.

مقادیر متغیر وابسته شاخص های عوامل مرتبط با سرعت معامله سیستم های پرداخت هستند و مقادیر متغیر X شاخص های صنعت بستر cryptocurrency هستند:

y i = a 0 + a 1 x i + ε i

پس از ساخت مدل و مطالعه کیفیت رابطه بین ویژگی ها ، با استفاده از معیار فیشر در سطح اهمیت 0. 05 (3) ، می توان در مورد اهمیت نتایج تحقیق و اهمیت آنها در شکل گیری نتیجه گیری کلی نتیجه گرفت. کیفیت مدل رگرسیون خطی با استفاده از خطای متوسط تقریب (4) ارزیابی می شود ، که به شما امکان می دهد مدل حاصل و چشم انداز استفاده از نتایج در نتیجه گیری را ارزیابی کنید [26،27،28،29،30]:

f = r 2 / k - 1 1 - r 2 / n - k~f k - 1 ؛n - k a = 1 n ∑ y i - y ¯ i y I ∗ 100 ٪

در مورد رویکرد بعدی ، پولی ، مشکل بسیاری از ارزهای رمزپایه نوسانات و غیرقابل پیش بینی آن است ، زیرا هیچ پایه و اساس قابل توجهی برای توجیه قیمت آنها وجود ندارد. این مشکل را می توان با استفاده از Stablecoins یک ارز دیجیتال پایدار حل کرد. یک پیشگام در این بخش دارایی Tether Crypto است. ارزش آن به دلار گره خورده و توسط ذخایر شرکت دلار آمریکا ذخیره شده در حساب های بانکی [31،32،33] تأمین می شود.

از داده های ارائه شده در بالا ، می توان آن دو سیستم عامل با خصوصیات مختلف را مشاهده کرد: بیت کوین و EO های غیر متمرکز با مدیریت متمرکز-سرعت سیستم بالقوه کاملاً متفاوت (شکل 3). واقعیت این است که سرعت یک سیستم غیرمتمرکز با سرعت کمترین شرکت کننده در سیستم محدود می شود ، در حالی که EOS ظرفیت تولیدی سیستم مدیریت را محدود می کند. با توجه به توسعه دهندگان این سیستم ، تعیین پتانسیل دقیق سرعت معاملات در EOS دشوار است ، اما این پروژه به دلیل چندتایی از blockchain ، بلوک های کنترل استاندارد و کد باز برای توسعه شخص ثالث به راحتی مقیاس پذیر است. برنامه ها [26،27،28].

یکی از اصلی ترین مشکلات چنین ارز ، بی ثباتی آن است که با پیوند دادن ارزش آن به سایر دارایی ها ، یا با تشکیل ارزهای رمزنگاری شده به عنوان تعهدات سازمان های بزرگ ، حتی ممکن است ، قابل حل است.

مشکلات مربوط به جایگزینی فعالیت های بانکی را می توان با معرفی و توسعه بیشتر قراردادهای هوشمند در سیستم مالی حل کرد ، که به طور خودکار توزیع مجدد سرمایه را تسهیل می کند ، اما این امر به مدیریت متمرکز و داده های شخصی برای شناسایی کاربران شبکه نیاز دارد [29،30 ،31]

4. نتایج

از آنجا که ارزهای رمزنگاری شده از مقررات و شناخت مناسبی برخوردار نیستند ، به طور کلی پول پذیرفته شده ، استفاده گسترده آنها به عنوان وسیله ای برای گردش می تواند خطرات اقتصادی و مالی قابل توجهی را مانند محققان قبلی که قبلاً نوشتند ، مستلزم آن باشد.

با این حال ، مضرات چنین ارز بسیار مهم تر است: ادغام خطرات در یک ارز می تواند یک تهدید بالقوه برای اقتصاد جهانی باشد. مورد بعدی سیاست قیمت گذاری برابر است ، زیرا شرکت های بین المللی مجبورند همان قیمت ها را تعیین کنند. با همین قیمت ها و استانداردهای مختلف زندگی در کشورهای مختلف ، اختلاف در ثروت جمعیت جهان افزایش می یابد (جدول 2).

بر خلاف بیت کوین و آلتکین ها ، Tether دارای نوسانات بسیار کمتری است و این باعث افزایش چشم انداز استفاده از stablecoins به عنوان جایگزینی برای پول فیات می شود. با این حال ، اگر ما در مورد جایگزینی کامل پول سنتی موجود با ارزهای دیجیتال صحبت می کنیم ، برای تهیه آنها به دارایی دیگری نیاز خواهد بود. این می تواند یک فلز گرانبها یا تعهدی از طرف دولت از نظر اصل وجود پول باشد. مانع دیگر این توسعه ممکن است خطرات مرتبط با نیاز به چنین سیستمی در وجود یک ارز واحد باشد. مزایای واحد واحد شامل سهولت استفاده برای پرداخت های بین المللی است. عموم مردم نیازی به جستجوی دفاتر مبادله نخواهند داشت و هیچ هزینه ای در رابطه با مبادله ارز وجود نخواهد داشت. معاملات بین المللی نیز به طور قابل توجهی ساده خواهد شد ، جایی که نیازی به تعدیل مداوم در شرایط توافق نامه در مورد نرخ ارز فعلی نخواهد بود. سومین مزیت تقویت و ضرب روابط اقتصادی و مالی در عرصه بین المللی است.

اگر ارزهای دیجیتالی را به عنوان یک دارایی مالی در نظر بگیریم ، آنها با تعداد بسیار زیادی از عوامل کلان و خرد اقتصادی که بر نقل قول های آنها در بازار تأثیر می گذارد ، روبرو می شوند. ارزیابی این اثر با استفاده از همبستگی و تحلیل رگرسیون لازم است. با این حال ، خطرات ناشی از ارزهای رمزپایه خاص است ، زیرا این دارایی هیچ آنالوگ در بازار ندارد. نمودار زیر نقل قول های شاخص های اصلی - S& P500 و شاخص Dow Jones (DJI) را نشان می دهد ، همچنین شامل شاخص تبادل مسکو (IMOEX) است. دوره تجزیه و تحلیل سه سال است: از 1 مارس 2017 تا 1 مارس 2020 (شکل 4).

داده های نشان داده شده در نمودار دارای مقدار مشابهی هستند که برای مقایسه بصری شاخص ها و ارزهای رمزنگاری شده با مقادیر مطلق آنها متفاوت است. این به شما امکان می دهد همبستگی و روندهای موجود در بازارها را ارزیابی کنید. نمودار نشان می دهد که IMOEX ، شاخص های DJI و بیت کوین رابطه مستقیمی و یک رابطه معکوس با شاخص S& P500 دارند. این نشان می دهد که این ابزارهای مالی تحت تأثیر همان عوامل بازار قرار دارند. در نتیجه ، تخمین و پیش بینی شاخص های آنها بر اساس روش های تخمین استاندارد خواهد بود. در مورد رمزنگاری ، هیچ ارتباطی بین شاخص ها وجود ندارد. همچنین شایان ذکر است که نوسانات بالای ارز دیجیتال ، نسبت به معیارهای بازار طی سه سال گذشته. تجزیه و تحلیل نوسانات بر اساس بازده روزانه است. از همبستگی لگاریتم های طبیعی بازده روزانه استفاده شد. فاصله زمانی روزانه برای دوره سه سال گذشته است. فاصله زمانی تجزیه و تحلیل رگرسیون روزانه برای دوره پنج سال گذشته است (جدول 3 و جدول 4).

داده های محاسبه شده نشان می دهد که بین شاخص های IMOEX ، S& P و DJI با ضریب همبستگی بیشتر از 0. 84 در هر مقایسه وجود دارد. وابستگی رمزنگاری به این شاخص ها می تواند برای اهداف مطالعه ناچیز تلقی شود ، بنابراین ، پیش بینی قیمت بیت کوین به طور قابل توجهی با طرح های تجزیه و تحلیل این شاخص ها متفاوت خواهد بود. عدم وجود روابط بین شاخص ها می تواند برای متنوع سازی خطرات نمونه کارها مورد استفاده قرار گیرد ، که یکی از اصلی ترین عوامل در استفاده از این دارایی برای اهداف سرمایه گذاری است. دارایی های رمزنگاری را می توان به عنوان پرخطر طبقه بندی کرد ، اما برخلاف دارایی های مالی با خطرات ذاتی ، رمزنگاری Cryptocurrency جریان پرداخت را به شکل سود سهام فراهم نمی کند.

برای ارزیابی میزان خطر دارایی ، لازم است نوسانات قیمت های رمزنگاری شده و شاخص های بازار معیارها را مقایسه کنید. جدول زیر میانگین تغییرات نسبی و مطلق در قیمت های این ابزارهای مالی را نشان می دهد ، که بر اساس میانگین انحراف استاندارد قیمت ها و بازده محاسبه می شود.

5. بحث: نوآوری Cryptocracy

بر این اساس ، اگر پیشینه خبری مثبت وجود داشته باشد ، به عنوان مثال ، در مورد نوآوری در رمزنگاری یا قانونی شدن ارزهای دیجیتال ، نرخ ارز چنین دارایی ها به طور فعال رشد می کند و اگر وضعیت مخالف خبرهای نامطلوب باشد ، بازار در آن واکنش نشان می دهدراه مقابل [37،38،39].

این بازار تمام افت شدید قیمت های بیت کوین را بازگرداند و با موفقیت افت قیمت که در سال 2018 تشکیل شد را جبران کرد و به سطح قبلی بازگشت. میزان ارزهای رمزپایه کمی شناخته شده ممکن است بدون هیچ دلیل مستقیم نوسان داشته باشد. گاهی اوقات سقوط یا افزایش نرخ ارز بیت کوین یا سایر ارزهای عمده برای سقوط یا رشد آن کافی است. در مقایسه با دارایی های مالی مشترک ، نوسانات ارزهای رمزنگاری بسیار بیشتر است. دلیل اصلی چنین گسترش زیادی در قیمت دارایی های رمزنگاری ، پیچیدگی پیش بینی و تجزیه و تحلیل ارزهای رمزنگاری شده است: مردم نمی دانند از آن چه انتظاری دارند [40،41،42،43].

نوسانات ارزهای رمزپایه مورد مطالعه در سالهای اخیر به دلیل:

افزایش پذیرش و مقررات دولت. به عنوان مثال ، دلار توسط مؤسسات مالی تعداد زیادی از کشورهای توسعه یافته با اقتصادهای پایدار و همچنین تقاضای بسیار زیادی برای این ارز در روابط بین الملل اقتصادی و مالی پشتیبانی و تأمین می شود [44،45].

امکان پیوند ارزش ارزهای رمزپایه به دارایی های خاص ، که اطمینان از قابلیت اطمینان رمزنگاری ، به عنوان مثال ، هزینه برق را تضمین می کند. این بدان معنی است که هیچ شاخص عملکرد خاص واقعی وجود ندارد که ارزش ذاتی رمزنگاری را تأیید کند. به عنوان مثال ، ارزش داخلی سهام با تجزیه و تحلیل وضعیت مالی صادرکننده و شاخص های عملکرد آن (نقدینگی ، سودآوری ، ارزش ملک و غیره) تعیین می شود [46،47].

عامل انسانیدر صورت عدم وجود نوسان ساز و سایر شاخص های موجود در بورس در بخش رمزنگاری ، سرمایه گذاران تمایل به انجام اشتباهات تجاری دارند که این امر بر ثبات عرضه و تقاضا و بر همین اساس نرخ ارز رمزنگاری تأثیر می گذارد.

این عوامل نوآوری رمزنگاری به ما اجازه نمی دهد که آنها را به عنوان پول بالقوه در نظر بگیریم ، اما می توان آنها را به عنوان یک دارایی مالی خاص با شاخص های ریسک بالا و سودآوری بالقوه متمایز کرد ، که می تواند بر شکل گیری موفقیت آمیز یک نمونه کارها متنوع تأثیر بگذارد. راه حل این مشکل ممکن است ظهور و گسترش چارچوب نظارتی برای تعریف و گردش ارزهای رمزنگاری شود [48،49].

اگر رمزنگاری را از طرف دیگر در نظر بگیریم - به عنوان یک ارز مشترک بالقوه ، وسیله ای برای توزیع مجدد و پرداخت ، پس با خطرات قانونی روبرو می شود ، که به نوبه خود ، تهدیدهای جدیدی را برای سیستم مالی ایجاد می کند [50،51،52،53]بشر

عدم قطعیت مقررات قانونی یکی از اصلی ترین مشکلات بسیاری از کشورها از جمله روسیه است که مانع توسعه و اجرای ارزهای رمزنگاری شده در سیستم مالی می شود. علاوه بر این ، با توجه به این واقعیت که بازار ارز دیجیتال ، به لطف خود تنظیم و خودسازی ، بدون مشارکت در کنترل دولت شروع به کار می کند ، این واقعیت می تواند آسیب های احتمالی هم شرکت کنندگان در سیستم و هم اقتصادهای جهانی را وارد کند [[54،55،56،57،58،59].

در نتیجه ، می توانیم نتیجه بگیریم که سیستم مالی در اقتصاد جهانی مدرن بسیار چند وجهی است و شامل یک سیستم بسیار بزرگ است که مؤسسات و مکانیسم هایی را متحد می کند که عملکرد بخش مالی و اقتصاد را به طور کلی تضمین می کند [60،61،62، 63،64]. در این مرحله ، دارایی های رمزنگاری را می توان به عنوان سرمایه گذاری های بالقوه با ریسک بالا ، بلکه با امکان بدست آوردن درآمد بزرگ به دلیل نوسانات قوی نقل قول ها توصیف کرد [65،66،67،68].

با این حال ، برای تبدیل شدن به چیزی بیشتر ، تبدیل شدن به یک شرکت کننده تمام عیار در سیستم مالی ، ارزهای رمزنگاری شده باید نه تنها نقش پول را انجام دهند ، بلکه مکانیسم های توزیع را نیز انجام می دهند که جریان پول را به اقتصاد تضمین می کند. مهمترین مضرات ارزهای رمزپایه بی ثباتی و بی ثباتی قانونی آنها در بسیاری از کشورها است [69].

6. نتیجه گیری

در این مقاله ، مطالعه ای از خطرات و چشم انداز ارزهای رمزنگاری شده در سیستم مالی جهانی انجام شد. این جنبه های نظری مفهوم cryptocurrency ، مراحل توسعه اصطلاح خود و فن آوری های مرتبط با آن ، تجزیه و تحلیل بازار فعلی ارزهای دیجیتال ، تجزیه و تحلیل مقایسه ای از ارزهای رمزنگاری موجود با پول فیات ، دارایی ها و مورد بررسی قرار گرفت. داده های مربوط به رقابت در بازار را ارائه می دهد.

بر اساس نتایج مطالعه ، می توان نتیجه گرفت که تعریف اصطلاح سیستم cryptocurrency به دلیل چارچوب نظارتی کافی برای این بخش در اکثر کشورهای توسعه یافته دشوار است. به لطف علم رمزنگاری ، می توان دقیق ترین توصیف این پدیده را ارائه داد ، که روش های رمزگذاری اطلاعات ، انتقال و رمزگشایی داده ها را بررسی می کند. بنابراین ، در دهه 90 از قرن گذشته برای ایجاد یک فناوری blockchain بر اساس ساخت زنجیره ای از داده های رمزگذاری شده بهم پیوسته ، که کاربرد آن در ثبت معاملات در سیستم های cryptocurrency بود ، استفاده شد.

اکنون ارزهای رمزنگاری شده رایج تر می شوند: توسعه و گسترش سیستم ها و سیستم عامل های موجود و جدید ، پس از سقوط سال 2018 به طور فعال در حال رشد سرمایه در بازار افزایش می یابد متوسط حجم معاملات روزانه و افزایش ظرفیت بازار.

بر اساس تجزیه و تحلیل ، مشخص شد که پلت فرم EOS در حال حاضر قادر به رقابت با یکی از شرکت های پیشرو در زمینه سیستم های پرداخت است ویزا است. با سرعت پردازش 50،000 معاملات در هر ثانیه ، پلت فرم EOS قادر به تأمین بیشتر نیازهای انتقال پول بازار بزرگ جهان است. به نظر ما ، یک سیستم Cryptocurrency امیدوارکننده باید شامل ویژگی های فوق برای استفاده از ارز دیجیتال به عنوان وسیله اصلی پرداخت باشد ، اما از دارایی غیر از ارز مانند طلا به عنوان یک عنصر پایداری استفاده کنید یا شرایطی را برای تعهدات صادرکننده ایجاد کنید. هنگام صدور ارز دیجیتال ظاهر شود.

در چنین سیستمی ، تنظیم کننده صادرکننده ممکن است یک شرکت بزرگ مستقل ، احتمالاً فراملی باشد تا از ایمنی داده ها و محرمانه بودن جزئی کاربران شبکه اطمینان حاصل کند. برای اطمینان از حفظ مکانیسم های مالیاتی و اعتباری ، باید از قراردادهای هوشمند استفاده شود که به لطف باز بودن کد سیستم EOS ، قادر به سازگاری با هر سازمان و در نتیجه ، گردش مالی پولی پایدار بین همتایان است.

در نتیجه ، سیستم مالی موجود رمزنگاری موجود ارزیابی شد. با داشتن پتانسیل سرعت پردازش 50،000 معاملات در هر ثانیه ، سیستم cryptocurrency مبتنی بر EOS قادر به تأمین بیشتر نیازهای نقل و انتقالات پول در بازار بزرگ جهانی است.

کمک های نویسنده

مفهوم سازی: V. T. ؛درمان داده ها: V. T. ؛تجزیه و تحلیل رسمی: O. L. ؛کسب بودجه: O. L. ؛تحقیقات: T. K. ؛روش شناسی: S. P. ؛مدیریت پروژه: S. P. ؛منابع: S. P. ؛نرم افزار: T. S. ؛نظارت: T. S. ؛اعتبار سنجی: T. S. ؛تجسم: S. P. ؛نوشتن - پیش نویس Original: V. T. و M. U. ؛نوشتن - بررسی و ویرایش: S. P. و M. U. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

این تحقیق بودجه خارجی دریافت نکرد.

بیانیه در دسترس بودن داده ها

به اشتراک گذاری داده ها قابل اجرا نیست.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

1. Vejačka ، M. جنبه های اساسی ارزهای رمزپایه. J. Econ. اتوبوس. مالی. 2014 ، 2 ، 75-83.[Google Scholar]
2. سعدی ، ه. ؛Bronström ، A. ؛Ruiz ، F. محرک های جهانی پذیرش زیرساخت های رمزنگاری. اتوبوس کوچکECON2020[Google Scholar] [CrossRef] [نسخه سبز]
3. Batrancea ، L. ؛Batrancea ، من ؛Moscviciov ، A. تجزیه و تحلیل نقدینگی نهاد - وسیله ای برای ارزیابی جریان نقدی. int. J. مالی. ECON2009 ، 9 ، 92-98.[Google Scholar]
4. Giudici ، G. ؛Milne ، A. ؛Vinogradov ، D. Cryptocur ارز: تجزیه و تحلیل بازار و دیدگاه ها. J. Ind. Bus. ECON2019 ، 47 ، 1-18.[Google Scholar] [CrossRef] [نسخه سبز]
5. Uematsu ، Y. ؛Tanaka ، S. پیش بینی کلان اقتصادی با ابعاد بالا و انتخاب متغیر از طریق رگرسیون مجازات. اقتصاد. J. 2017.[Google Scholar] [CrossRef] [نسخه سبز]
6. Tinbergen ، J. شکل دادن به اقتصاد جهانی ؛پیشنهادات برای یک سیاست اقتصادی بین المللی ؛صندوق قرن بیستم: نیویورک ، نیویورک ، ایالات متحده ، 1962 ؛پ. 113. [Google Scholar]
7. Tasca ، ص. ؛هایز ، ا. لیو ، س. تکامل اقتصاد بیت کوین: استخراج و تجزیه و تحلیل شبکه روابط پرداخت. J. Risk Financy. 2018 ، 19 ، 94 126.[Google Scholar] [CrossRef]
8. Swan ، M. Blockchain: طرح اقتصاد جدید ؛O'Reilly Media ، Inc: Newton ، MA ، USA ، 2015 ؛پ. 23. [Google Scholar]
9. Singh Maini ، s. ؛پیش بینی بازار سهام Govinda ، K. با استفاده از تکنیک های داده کاوی. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در مورد سیستم های پایدار هوشمند (ICISS 2017) ، Tirupur ، هند ، 7-8 دسامبر 2017. [Google Scholar]
10. Silva ، J. S. ؛Tenreyro ، S. گزارش گرانش. روحانی اکون. آمار2006 ، 88 ، 641-658.[Google Scholar] [CrossRef] [نسخه سبز]
11. شهریواری ، س. ؛Jalili ، S. فراتر از پردازش دسته ای: به سمت زمان واقعی و پخش داده های بزرگ. رایانه های 2014 ، 3 ، 117. [Google Scholar] [CrossRef] [نسخه سبز]
12. رمی ، ج. ؛Rym ، b. ؛Matthieu ، L. ردیابی فعالیت کاربران بیت کوین با استفاده از تشخیص جامعه در شبکه ای از سیگنال های ضعیف. در مجموعه مقالات ششمین کارگاه بین المللی شبکه های پیچیده و برنامه های آنها ، لیون ، فرانسه ، 29 نوامبر - 1 دسامبر 2017 ؛اسپرینگر: برلین/هایدلبرگ ، آلمان ، 2017 ؛صص 166-177.[Google Scholar]
13. یون ، J. J. ؛برنده ، د. ؛Park ، K. Dynamics از نوآوری باز تا تغییر تکاملی. J. Open Iov. تکنولعلامت گذاری. پیچیده2016 ، 2 ، 7-22.[Google Scholar] [CrossRef] [نسخه سبز]
14. Reid ، F. ؛هریگان ، م. تجزیه و تحلیل ناشناس بودن در سیستم بیت کوین. امنیت و حریم خصوصی در شبکه های اجتماعی ؛اسپرینگر: برلین/هایدلبرگ ، آلمان ، 2013 ؛صص 197-223.[Google Scholar]
15. Puri ، V. رمزگشایی قیمت بیت کوین و نرخ پذیرش با استفاده از جستجوی Google. CMC ارشد پایان نامه ، کالج کلارمونت مک کنا ، کلارمونت ، کالیفرنیا ، ایالات متحده ، 2016. مقاله 1418. ص. 27. در دسترس آنلاین: http://scholarship. claremont. edu/cmc_theses (دسترسی به 12 مارس 2021).
16. Neudecker ، T. ؛Hartenstein ، H. آیا اطلاعات شبکه می تواند باعث خوشه بندی آدرس در بیت کوین شود؟در مجموعه مقالات بیست و یکمین کنفرانس بین المللی رمزنگاری مالی و امنیت داده ها ، Sliema ، مالت ، 3-7 آوریل 2017 ؛اسپرینگر: چم ، سوئیس ، 2017 ؛صص 155-169.[Google Scholar]
17. پرچین ، M. S. ؛کریشنا ، ج. ؛Srinath ، R. یک سیستم پیش بینی کننده سهام و پیشنهاد دهنده سهام. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در مورد پیشرفت در محاسبات ، ارتباطات و انفورماتیک (ICACCI 2018) ، بنگلور ، هند ، 19-22 سپتامبر 2018. [Google Scholar]
18. منینگ ، C. D. ؛راغاوان ، ص ؛Schütze ، H. مقدمه بازیابی اطلاعات ؛انتشارات دانشگاه کمبریج: نیویورک ، نیویورک ، ایالات متحده ، 2008 ؛پ. 123. [Google Scholar]
19. Lohrma ، C. ؛Luukka ، P. طبقه بندی Intraday S& P500 با یک جنگل تصادفی باز می گردد. int. پیش بینی J. 2018 ، 35.[Google Scholar] [CrossRef]
20. لیشکه ، م. ؛فابیان ، ب. تجزیه و تحلیل شبکه بیت کوین: چهار سال اول. اینترنت آینده 2016 ، 8 ، 7. [Google Scholar] [CrossRef] [نسخه سبز]
21. لی ، ج. ؛چنگ ، ک. ؛وانگ ، س. ؛Morstatter ، F. ؛Trevino ، R. P. ؛تانگ ، ج. ؛لیو ، H. انتخاب ویژگی: چشم انداز داده. ARXIV 2016 ، ARXIV: 1601. 07996.[Google Scholar] [CrossRef] [نسخه سبز]
22. لوئر ، J. J. ؛Van Den Berg ، H. یک مدل گرانش از مهاجرت. ECONکاهنده2008 ، 99 ، 164-167.[Google Scholar] [CrossRef] [نسخه سبز]
23. لاهمی ، س. ؛پیش بینی Bekiros ، S. cryptocurrency با شبکه های عصبی هرج و مرج عمیق یادگیری. Chaos Solitons Fractals 2019 ، 118 ، 35-40.[Google Scholar] [CrossRef]
24. Kroll ، J. A. ؛دیوی ، I. C. ؛Felten ، E. W. اقتصاد استخراج بیت کوین یا بیت کوین در حضور مخالفان. در مجموعه مقالات دوازدهمین کارگاه در زمینه اقتصاد امنیت اطلاعات (ویس 2013) ، واشنگتن ، دی سی ، ایالات متحده ، 11-12 ژوئن 2013 ؛پ. 11. [Google Scholar]
25. Kristoufek ، L. رانندگان اصلی قیمت بیت کوین چیست؟شواهدی از تجزیه و تحلیل انسجام موجک. PLOS ONE 2015 ، 10 ، E0123923.[Google Scholar] [CrossRef]
26. Kristoufek ، L. Bitcoin با Google Trends و Wikipedia ملاقات می کند: کمیت رابطه بین پدیده های دوران اینترنت. علمیRep. 2013 ، 3 ، 3415. [Google Scholar] [CrossRef] [PubMed] [نسخه سبز]
27. Krauss ، C. ؛انجام ، X. A. ؛Huck ، N. شبکه های عصبی عمیق ، درختان شیب دار ، جنگل های تصادفی: داوری آماری در S& P. یوروJ. عملres2017 ، 259.[Google Scholar] [CrossRef] [نسخه سبز]
28. Krause ، M. Bitcoin: پیامدهای مربوط به جهان در حال توسعه. CMC ارشد پایان نامه ، کالج کلارمونت مک کنا ، کلارمونت ، کالیفرنیا ، ایالات متحده ، 2016. مقاله 1261. ص. 75. [Google Scholar]
29. کوشی ، د. ؛کوشی ، ص ؛McDaniel ، P. تجزیه و تحلیل ناشناس بودن در بیت کوین با استفاده از ترافیک شبکه P2P. در مجموعه مقالات هجدهمین کنفرانس بین المللی رمزنگاری مالی و امنیت داده ها ، کلیسای مسیح ، باربادوس ، 3-7 مارس 2014 ؛اسپرینگر: برلین/هایدلبرگ ، آلمان ، 2014 ؛صص 469-485.[Google Scholar]
30. Kohavi ، R. ؛جان ، G. بسته بندی برای انتخاب ویژگی. Artifهوش1997 ، 97 ، 273-324.[Google Scholar] [CrossRef] [نسخه سبز]
31. Kenji ، K. ؛Rendell ، L. یک رویکرد عملی برای انتخاب ویژگی. در مجموعه مقالات نهمین کارگاه بین المللی یادگیری ماشین ، آبردین ، انگلستان ، 1-3 ژوئیه 1992 ؛ص 368-377.[Google Scholar]
32. کندا ، ک. ؛Kažič ، b. ؛نواک ، ه. ؛Mladenić ، D. FUSION DATA برای اینترنت اشیاء. سنسورهای 2019 ، 19 ، 1955. [Google Scholar] [CrossRef] [PubMed] [نسخه سبز]
33. کانگ ، س. ؛ژو ، ح. ؛Kang ، Y. یک روش یادگیری تقویت کننده بازیگر-انتقاد از مزیت ناهمزمان برای انتخاب سهام و مدیریت نمونه کارها. در مجموعه مقالات دومین کنفرانس بین المللی تحقیقات بزرگ ، سیاتل ، WA ، ایالات متحده ، 10-13 دسامبر 2018 ؛صص 141-145.[Google Scholar]
34. Jiao ، Y. ؛Jakubowicz ، J. پیش بینی جهت حرکت سهام با یادگیری ماشین: یک مطالعه گسترده در مورد سهام S& P 500. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در مورد داده های بزرگ (IEEE BigData 2017) ، بوستون ، MA ، ایالات متحده ، 11-14 دسامبر 2017. [Google Scholar]
35. Guo ، T. ؛Antulov-Fantulin ، N. پیش بینی نوسانات قیمت بیت کوین کوتاه مدت از سفارشات خرید و فروش. ARXIV 2018.[Google Scholar]
36. گلدبرگر ، A. S. تفسیر و برآورد توابع Cobb-Douglas. Econometrica 1968 ، 36 ، 464. [Google Scholar] [Crossref]
37. An ، J. ؛میخایلوف ، A. پروژه های انرژی روسیه در آفریقای جنوبی. J. Energy South. آفریقایی2020 ، 31 ، 58-64.[Google Scholar] [CrossRef]
38. An ، J. ؛میخایلوف ، ا. ؛Richter ، U. H. اثرات جنگ تجاری: شواهدی از بخش های انرژی و منابع در آفریقا. Heliyon 2020 ، 6 ، E05693.[Google Scholar] [CrossRef] [PubMed]
39. Denisova ، v. ؛میخایلوف ، ا. ؛لوپاتین ، E. زیرساخت های blockchain و رشد مصرف انرژی جهانی. int. J. Energy Econ. سیاست 2019 ، 9 ، 22-29.[Google Scholar] [CrossRef]
40. Dooyum ، U. D. ؛میخایلوف ، ا. ؛Waryash ، I. مفهوم امنیت انرژی در روسیه و کره جنوبی. int. J. Energy Econ. سیاست 2020 ، 10 ، 102-107.[Google Scholar] [CrossRef]
41. لی ، م. ؛یون ، J. J. ؛Pyka ، A. ؛برنده ، د. ؛Kodama ، F. ؛Schiuma ، G. ؛پارک ، ح. جون ، ج. ؛پارک ، ک. ؛یونگ ، ک. ؛و همکارانچگونه می توان به چهارمین انقلاب صنعتی یا انقلاب دوم فناوری اطلاعات پاسخ داد؟ترکیبات جدید پویا بین فناوری ، بازار و جامعه از طریق نوآوری باز. J. Open Iov. تکنولعلامت گذاری. پیچیده2018 ، 4 ، 21. [Google Scholar] [CrossRef] [نسخه سبز]
42. یون ، J. J. ؛لیو ، Z. میکرو و کلان دینامیک نوآوری باز با یک مدل مارپیچ چهارگانه. پایداری 2019 ، 11 ، 3301. [Google Scholar] [CrossRef] [نسخه سبز]
43. یون ، J. J. ؛برنده ، د. ؛Park ، K. دینامیک چرخه ای کارآفرینی از نوآوری باز. J. Evol. ECON2018 ، 28 ، 1151 1174.[Google Scholar] [CrossRef]
44. واگنر ، R. اختراع فرهنگ ؛University of Chicago Press: Chicago ، IL ، USA ، 2016. [Google Scholar]
45. Swidler ، A. فرهنگ در عمل: نمادها و استراتژی ها. صبح. اجتماعی. Rev. 1986 ، 51 ، 273. [Google Scholar] [CrossRef] [نسخه سبز]
46. Bhabha ، H. K. محل فرهنگ ؛Routledge: Abingdon ، UK ، 2012. [Google Scholar]
47. گرانت ، A. M. ؛مایر ، D. M. سربازان خوب و بازیگران خوب: انگیزه های مدیریت اجتماعی و تصور به عنوان پیش از تعاملی رفتارهای شهروندی وابسته. J. Appl. روان2009 ، 94 ، 900-912.[Google Scholar] [CrossRef] [نسخه سبز]
48. ماریون ، تی. ؛Fixson ، S. Navigator نوآوری: تغییر سازمان خود در دوران طراحی دیجیتال و فرهنگ مشارکتی. دانشگاه تورنتو پرس: تورنتو ، ON ، کانادا ، 2018. [Google Scholar]
49. Coyle ، D. کد فرهنگ: اسرار گروه های بسیار موفق ؛Bantam: New York ، NY ، USA ، 2018. [Google Scholar]
50. مورفی ، P. J. ؛کوک ، R. A. ؛لوپز ، ی. کشت و عملکرد شرکت: اثرات و محدودیت های شدت. مدیر. تصمیم گیری2013 ، 51 ، 661-679.[Google Scholar] [CrossRef] [نسخه سبز]
51. Hofstede ، G. پیامدهای فرهنگ: مقایسه ارزش ها ، رفتارها ، نهادها و سازمان ها در سراسر ملل. انتشارات SAGE: هزار اوکس ، کالیفرنیا ، ایالات متحده ، 2001. [Google Scholar]
52. O'Rilly ، ج. ؛Chatman ، J. فرهنگ به عنوان کنترل اجتماعی: شرکت ها ، فرهنگ و تعهد. resعضو. رفتار. 1996 ، 18 ، 157-200.[Google Scholar]
53. امید ، O. K. افشای سطح شرکت و نقش نسبی فرهنگ و منشأ قانونی. J. int. مالی. مدیر. حساب. 2003 ، 14 ، 218-248.[Google Scholar] [CrossRef]
54. Mello ، J. E. ؛Stank ، T. P. پیوند فرهنگ و جهت گیری شرکت به موفقیت زنجیره تأمین. int. J. Phys. توزیعلجرمدیر. 2005 ، 35 ، 542-554.[Google Scholar] [CrossRef]
55. گالبره ، جی. محرک مسئولیت اجتماعی شرکتها: نقش برنامه ریزی رسمی استراتژیک و فرهنگ شرکت. برمJ. Manag. 2010 ، 21 ، 511-525.[Google Scholar] [CrossRef]
56. Ochi ، W. G. ؛ویلکینز ، A. L. فرهنگ سازمانی. Auروحانی سوسیلول. 1985 ، 11 ، 457-483.[Google Scholar] [CrossRef]
57. هارتوگ ، D. N. ؛Verburg ، R. M. سیستم های کاری با کارایی بالا ، فرهنگ سازمانی و اثربخشی شرکت. هولمنبعمدیر. J. 2004 ، 14 ، 55-78.[Google Scholar] [CrossRef]
58. گورا ، د. ؛میخایلوف ، ا. ؛Glushkov ، s. ؛Zaikov ، م. ؛شیخ ، Z. A. مدل برای تخمین اتلاف برق در طول طول اتصال در توپولوژی تک تراشه. تحولهوش2020 ، S12065.[Google Scholar] [CrossRef]
59. Mikhaylov ، A. قیمت گذاری در بازار نفت و استفاده از مدل Probit برای تجزیه و تحلیل اثرات بازار سهام. int. J. Energy Econ. سیاست 2018 ، 8 ، 69-73.[Google Scholar]
60. Mikhaylov ، A. تأثیر سرریز نوسانات بین سهام و نرخ ارز در کشورهای صادرکننده نفت. int. J. Energy Econ. سیاست 2018 ، 8 ، 321-326.[Google Scholar]
61. درآمدهای بودجه نفت و گاز میخایلوف ، A. پس از بحران در سال 2015 در روسیه. J. Energy Econ. سیاست 2019 ، 9 ، 375-380.[Google Scholar]
62. Mikhaylov ، A. توسعه بازار Cryptocurrency: روش Hurst. مالی. تمرین تئوری. 2020 ، 24 ، 81-91.[Google Scholar] [CrossRef]
63. میخایلوف ، A. توسعه انرژی زمین گرمایی در ایسلند. int. J. Energy Econ. سیاست 2020 ، 10 ، 31-35.[Google Scholar] [CrossRef]
64. میخایلوف ، ا. ؛Moiseev ، n. ؛Aleshin ، K. ؛Burkhardt ، T. تغییرات جهانی آب و هوا و اثر گلخانه. کارپایدارشماره های 2020 ، 7 ، 2897 2913.[Google Scholar] [CrossRef]
65. نی ، د. ؛Panfilova ، E. ؛ساموسنکوف ، v. ؛Mikhaylov ، A. مدل های تأمین مالی یادگیری الکترونیکی در روسیه برای توسعه پایدار. پایداری 2020 ، 12 ، 4412. [Google Scholar] [CrossRef]
66. Nyangarika ، A. ؛میخایلوف ، ا. ؛تانگ ، B.-J. همبستگی قیمت نفت و تولید ناخالص داخلی در کشورهای تولید کننده نفت. int. J. Energy Econ. سیاست 2018 ، 8 ، 42-48.[Google Scholar]
67. Nyangarika ، A. ؛میخایلوف ، ا. ؛Richter ، U. فاکتورهای قیمت نفت: پیش بینی در پایه مدل متوسط متحرک یکپارچه اصلاح شده خودکار. int. J. Energy Econ. سیاست 2019 ، 9 ، 149-160.[Google Scholar]
68. Nyangarika ، A. ؛میخایلوف ، ا. ؛ریشتر ، U. بر قیمت نفت به سمت شاخص های اقتصادی در روسیه تأثیر می گذارد. int. J. Energy Econ. سیاست 2019 ، 9 ، 123-130.[Google Scholar] [CrossRef]
69. یوماشف ، ا. ؛ślusarczyk ، b. ؛Kondrashev ، s. ؛میخایلوف ، A. شاخص های جهانی توسعه پایدار: ارزیابی تأثیر شاخص توسعه انسانی بر مصرف و کیفیت انرژی. Energies 2020 ، 13 ، 2768. [Google Scholar] [CrossRef]