авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |   ...   | 12 |

«РОССИЙСКАЯ АКАДЕМИЯ НАУК УРАЛЬСКОЕ ОТДЕЛЕНИЕ ИНСТИТУТ ЭКОНОМИКИ Сборник статей I Научной школы молодых ученых ...»

-- [ Страница 2 ] --

Макаров В.Л. Вычислимая модель российской экономики (RUSEC) [Электронный ресурс] // Центр ситуационного анализа и прогнозирования ЦЭМИ РАН: официальный сайт. – Режим доступа:

http://data.cemi.rssi.ru/GRAF/center/methodology/macroeconom/2.htm Макаров В.Л., Айвазян С.А., Борисова С.В., Лакалин Э.А. Эконометрическая модель экономики России для целей краткосрочного прогноза и сценарного анализа [Текст] – М.: ЦЭМИ РАН, 2001.

К отечественным эконометрическим моделям можно также отнести и модель RIM, хотя в соответствии с вышеприведенной классификации ее можно отнести и к моделям экономического равновесия. Модель современной российской экономики Вычислительного центра им. Дородницына РАН 1, разработка которой была прекращена также можно представить как пример эконометрической модели. К классу имитационных моделей следует отнести ряд информационно-аналитических и прогнозных систем, например информационно-аналитический комплекс «Прогноз»2, территориальная автоматизированная система «ТАИС» 3, система анализа и моделирования динамики бюджета региона «Губернатор» 4. Компанией «Прогноз» разработан ряд программных продуктов, предназначенных для поддержки принятия стратегических и оперативных управленческих решений руководством и специалистами органов исполнительной различных уровней.

Решения охватывают финансово-бюджетные процессы, социально-экономическое развитие, управление имуществом, земельными ресурсами и кадрами. В области прогнозирования территориального социально-экономического развития данным программным продуктом решаются, в том числе, следующие задачи:

мониторинг показателей социально-экономического развития;

формирование оценок в различных сферах деятельности;

анализ потоков ресурсов;

многовариантное сценарное прогнозирование социально-экономического развития региона.

Модели на основе интеллектуальных технологий занимают отдельную нишу. Однако зачастую мы наблюдаем комбинацию отдельных технологий моделирования. В частности, к таким моделям относится «CGE модель социально-экономической системы России со встроенными нейронными сетями» 5, в которой с помощью нейронных сетей были просчитаны показатели трудовой мобильности и доли распределения бюджета домашних хозяйств. Обучение нейронных сетей осуществлялось с помощью баз данных RLMS (Российский мониторинг экономического положения и здоровья населения), в которой представлены результаты опросов о социально-экономическом положении населения.

Также среди моделей данной группы можно отметить сценарную динамическую модель демографической ситуации в Мурманской области6, созданную при Институте информатики и математического моделирования технологических процессов Кольского научного центра Российской академии наук (ИИММ КНЦ РАН). Особенностью разработки является то, что структура динамической модели создается в результате концептуального моделирования демографической подсистемы региона на базе экспертных знаний средствами интеллектуальной системы поддержки создания концептуальных моделей сложных систем, что обеспечивает адекватность создаваемых моделей. Отдельно следует упомянуть модели, основанные на применении комбинированных интеллектуальных методов.

Учреждение РАН Вычислительный центр им. А. А. Дородницына РАН: официальный сайт. – Режим доступа:

http://www.ccas.ru/body.html Комплекс разработан учеными Пермского госуниверситета под руководством академика РАЕН Андрианова Д.Л. Компания «Прогноз»: официальный сайт. Режим доступа: http://www.prognoz.ru/ru/about_company.php Система разработана учеными Самарской государственной экономической академии Компания «Волгоинформсеть»: официальный сайт. – Режим доступа: http://www.ais.vis.ru/site/tais.nsf/wpages1/ Система разработана научным центром компании «Франклин&Грант. Риск консалтинг»: официальный сайт. – Режим доступа: http://www.franklin-grant.ru/ru/services/gov-gubernator.asp CGE модель социально-экономической системы России со встроенными нейронными сетями [Электронный ресурс] // Центр ситуационного анализа и прогнозирования ЦЭМИ РАН: официальный сайт. – Режим доступа:

http://lab207.b13.su/models/cge/cge7.htm Модель создана при Институте информатики и математического моделирования технологических процессов Кольского научного центра Российской академии наук (ИИММ КНЦ РАН). Официальный сайт. режим доступа:

http://www.iimm.ru/ Таблица 2 – Сравнительная таблица моделей экономики страны и региона Название Автор Уровень Класс Возмож- Преимущества Недостатки используемо используемого ность го инстр-ия инструментария адаптации Зарубежные модели для уровня страны Проект LINK Глобальная Эконометрическая Низкая Комплексность модели – Сложность информационного (объединяет представляет собой взаимосвязь обеспечения;

требуется большой объем модели стран) 79 моделей различных стран и информации, в том числе регионов ненаблюдаемой.

Краткосрочная Для страны Эконометрическая Низкая Включение экзогенных Крайне агрегирована;

квартальная параметров через экспертные Рассчитана на краткосрочный период;

модель экономики оценки;

В прикладных целях не применялась;

США Р.Фэра Пассивный прогноз тенденций экономического роста ограниченного круга показателей без соотношения целей со средствами их достижения.

Необходимость постоянного привлечения экспертов Институт Для страны Межотраслевая, Высокая Используется СНС;

Отсутствует блок эндогенного расчета RIM народнохозяйстве (имеется эконометрическая Наличие модификаций на равновесия на денежном рынке;

нного региональный каждом уровне;

Сложность информационного прогнозирования вариант) Комплексность модели;

обеспечения РАН Уортонская Центр Для страны Эконометрическая Низкая Практическую ценность Сложность информационного годовая модель прогнозирования, балансовая получаемых по модели обеспечения;

экономики США Пенсильванского прогнозов экономического университета развития по отраслям (Гербер Левин) экономики;

Комплексность модели Модель налогово- Для страны Балансовая Низкая Небольшая информационная Акцентирование на отдельной области;

бюджетной база;

Крайняя степень агрегирования;

политики США Возможность постановки Не учитывается взаимосвязь рычагов экспериментов;

налогово-бюджетной политики;

OBE Процессы государственного регулирования представлены в самом общем виде.

Название Автор Уровень Класс Возмож- Преимущества Недостатки используемо используемого ность го инстр-ия инструментария адаптации Брукингская Брукингский Для страны Эконометрическая Низкая Высокая степень детализации;

Требуется большой объем информации, модель экономики институт, балансовая Комплексность модели;

в том числе ненаблюдаемой ;

США Возможность анализа структурных деловых циклов Межотраслевая Разработана под Для страны МОБ Низкая Комплексность модели;

Сложность информационного модель LIFT руководством обеспечения;

Клоппера Алмона.

Работа продолжена в исследовательско м центре INFORUM.

Отечественные для экономики страны «Сирена» (Синтез А. Г. Гранберг. Страна. Имитационная Высокая Комплексность модели;

Большое количество исходных данных;

Региональных и ИЭОПП СО РАН Отдельный рекуррентная Состоит из 4 отдельных Сложность информационного Народно- модельно- комплексов, каждый из которых обеспечения;

хозяйственных методический решает свой круг задач;

решений). комплекс для Точность выполняемых Сибири балансов;

Мягкая балансировка параметров регионального развития;

Наличие комплекса моделей для подключения региональных расчетов.

Модель Вычислительный Для страны Эконометрическая Средняя Небольшая информационная Проект не был продолжен;

современной центр им., балансовая база;

Акцентирование на отдельной области – российской Дородницына Малое число настроечных финансовой составляющей;

экономики, РАН под параметров;

учитывающая руководством Межвременное экономическое наличие теневого академика РАН равновесие;

оборота А.А. Петрова Эконометрическая В. Л. Макаров С. Для страны Эконометрическая средняя Простота интерпретации Трудность информационного модель экономики А. Айвазян С. В. полученных результатов обеспечения России Борисова Возможность оценки Проблема спецификации модели Э. А. Ликалин последствий от принятых мер Название Автор Уровень Класс Возмож- Преимущества Недостатки используемо используемого ность го инстр-ия инструментария адаптации В. Л. Макаров Для страны Балансовая средняя Реализация сценарных расчетов Проблема информационного RUSEC Сбалансированность обеспечения прогнозных показателей Гибкость модели Позволяют отследить процесс межотраслевого взаимодействия CGE модель В. Л. Макаров Для страны Балансовая, средняя Реализация сценарных расчетов Проблема информационного социально- А. Р. Бахтизин модели на основе Сбалансированность обеспечения экономической Н. В. Бахтизина интеллектуальных прогнозных показателей системы России со технологий 3.позволяют отследить процесс встроенными межотраслевого взаимодействия нейронными 3.реалистичность прогнозов сетями Отечественные модели экономики региона Россия: Центр – А. Р. Бахтизин межрегиональ Балансовая высокая Реализация сценарных расчетов Проблема информационного Федеральные ная Сбалансированность обеспечения округа прогнозных показателей Гибкоть модели Позволяют отследить процесс межотраслевого взаимодействия Модель экономики РНИИ Региональная Имитационная Высокая Возможность гибкой настройки Отсутствие системности региона на основе Искусственного (существуют параметров модели за счет моделирования;

«недоопределенны интеллекта различные интервальных оценок;

Разбалансированность результатов х» вычислений модификации Реалистичность прогнозов;

моделирования;

для разных Возможность использования Проблема сверхобучаемости системы уровней) неполной и неточной информации;

Имитационная Социально- Регион. Имитационная Адаптирова Учитывает теневой оборот;

Большое количество переменных и модель развития экономический Кировская на Малое число настроечных необходимых исходных данных;

региональной факультет область. параметров;

Разработан для конкретного региона;

экономики. Вятского Высокая надежность государственного университета Название Автор Уровень Класс Возмож- Преимущества Недостатки используемо используемого ность го инстр-ия инструментария адаптации Аналитическая Лычкина Н. Н. Регион Имитационная Адаптирова Практическая реализация в Необходимость большого объема система ГОУ ВПО на среде Vtnsim 5.0$ информации;

«Моделирование Государственный Наличие отдельных Сложность реализации.

социально- университет аналитических блоков и экономического управления модельных комплексов, развития региона». позволяющих моделировать отдельные отраслевые комплексы.

Модель Институт Регион Сценарная, Адаптирова Простота использования;

Разработана только для демографической информатики и Интеллектуальная на Долгосрочность – до 20 лет. демографической ситуации, поэтому в ситуации математического целом для анализа экономики региона Мурманской моделирования неприменима области. технологических процессов Кольского научного центра РАН Система анализа и ООО Регион Имитационная Высокая Использование модульной Высокая стоимость;

моделирования "Франклин&Гран (применяетс системы;

Основывается только на финансовых динамики бюджета т. Риск я Возможность отслеживать и показателях – имеет узкую региона Консалтинг" непосредств корректировать ход специализацию;

«Губернатор» енно для моделирования;

Проблемная адаптация для конкретного региона) Высокая гибкость;

региона. Модель по сути региональная, Применение нескольких типов но создавалась для отдельной моделирования. территории, переход на другой регион представляется достаточной задачей.

Требуется большой объем информации, в том числе ненаблюдаемой.

Название Автор Уровень Класс Возмож- Преимущества Недостатки используемо используемого ность го инстр-ия инструментария адаптации Аналитический Андрианов, Регион Имитационная Высокая1. Возможность отслеживать и Высокая стоимость;

2.

комплекс Грандберг, (применяет корректировать ход Высокие требования к сетевому 3.

«Прогноз» Максимов ся моделирования;

оборудованию;

непосредст Высокая гибкость;

Требуется большой объем информации, 2. 4.

венно для Использование конструктора в том числе ненаблюдаемой.

3.

региона) динамических моделей;

Большой диапазон данных (по годам и 5.

Развитая система хранения количеству показателей) 4.

данных Высокая сложность внедрения в 6.

текущую деятельность органов государственной власти Территориальная Цыбатов, Регион Имитационная Высокая1. Возможность отслеживать и 1. Высокая стоимость;

автоматизированна Дубровин (применяет корректировать ход Требуется большой объем информации, 2.

я информационная ся моделирования;

в том числе ненаблюдаемой.

система (ТАИС) непосредст Высокая гибкость;

Большой диапазон данных (по годам и 2. 3.

венно для Применение концепции количеству показателей.

3.

региона) «баланса интересов»;

использование принципов 4.

стратегического планирования Разработка подобных моделей является одним из направлений деятельности Российского НИИ искусственного интеллекта. Проект «Экономика» 1 направлен на разработку на основе аппарата недоопределенных вычислений технологии создания компьютерной модели макроэкономики страны, региона, отрасли, корпорации. На их основе строятся недоопределенные модели (Н-модели), учитывающие «коридор» возможных состояний экономической или финансовой системы, который в свою очередь обуславливает «коридоры» возможных значений всех параметров модели. Интервальные оценки исходных и результирующих показателей позволяют эффективно отражать, корректировать и доуточнять возможную неполноту и неточность используемой информации, погрешности статистически данных и доверительный интервал прогноза. Кроме того, данные модели обладают большой гибкостью и позволяет не только предвидеть последствия принимаемых решений, но и находить требующиеся решения. Таким образом, на сегодняшний день существует достаточно разнообразный инструментарий, позволяющий проводить моделирование и прогнозирование социально-экономических процессов на различных уровнях управления. Каждый из классов моделей обладает своими достоинствами и недостатками (см. сравнительную таблицу 2). В связи с тем, что все модели являются детерминированными, динамическими, дискретными и агрегированными, данные характеристики классификации не были включены в таблицу. Рациональное сочетание качеств каждого из классов позволяет создавать эффективные инструменты анализа и поддержки принятия управленческих решений. Дальнейшее совершенствование используемых методов и моделей является важнейшей задачей, стоящей перед современной экономической наукой.

Глушенкова М.А.

Институт экономики УрО РАН г. Екатеринбург МЕТОДЫ ПРОГНОЗИРОВНИЯ БАНКОВСКИХ КРИЗИСОВ И ИХ ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ Одним из способов эмпирического исследования банковских кризисов с целью получения модели, позволяющей их предсказывать, является сигнальный подход. Этот метод использовался в работе Камински, Лизондо и Рейнхарт 2, в которой дается подробное описание данной методологии. Хотя в этом исследовании сигнальный подход применялся для изучения валютных кризисов, позже аналогичные методы были использованы и для банковских кризисов. Суть «системы раннего предупреждения» заключается в выборе ряда индикаторов и выявлении необычных тенденций в их поведении в около кризисный период.

При превышении некого заданного порога делается вывод о том, что сложившаяся ситуация имеет высокий кризисный потенциал, т.е. вероятность его наступления в ближайшее время (24 месяца) высока. Пороговые значения индикаторов подбираются с целью достижения оптимального баланса между риском слишком большого числа ложных срабатываний и риском осуществления кризисного сценария при отсутствии сигнала. Кроме того, источник сигнала (конкретный индикатор) может позволить определить, какие причины лежат в истоках кризиса. Авторы работы пришли к выводу, что наилучшими сигнальными индикаторами для валютных кризисов являются выпуск, экспорт, отклонение реального валютного курса от тренда, цены на акции и отношение денежной массы к золотовалютным резервам. При этом поведение индикаторов в кризисные периоды сравнивалось с контрольной группой, когда кризис отсутствовал. «Хорошим» сигналом от индикатора считается такой, за которым следует кризис в течение сигнального горизонта (24 месяца), Российский НИИ искусственного интеллекта: официальный сайт. – Режим доступа:

http://www.artint.ru/projects/economic.asp.

Kaminsky G. L., Lizondo S., Reinhart C. M. Leading Indicators of Currency Crises // IMF Staff Papers. – 1998. – Vol.

45, № 1 – P. 1-48.

«плохим» (ложным) – тот сигнал, за которым не следует кризиса. Важной характеристикой индикаторов является соотношение шум/сигнал, которое рассчитывается на основе четырех показателей:

1. A – число верных сигналов;

2. B – число ложных сигналов;

3. C – число кризисов, не сопровождавшихся сигналом;

4. D – число ситуаций, когда не было ни кризиса, ни сигнала.

Приведенное соотношение шум/сигнал можно получить по следующей формуле:

B /( B D) (1) A /( A C ) То есть, необходимо разделить долю плохих сигналов в тех ситуациях, когда они могли быть поданы (нет кризиса), на долю хороших сигналов в тех ситуациях, когда они могли быть поданы (кризис есть). Таким образом, чем ниже это соотношение, тем лучше индикатор справляется со своей задачей. Сигнальное устройство, подающее сигналы случайным образом, будет иметь соотношение шум/сигнал близкое к единице – то есть, не иметь никакой практической ценности. Поэтому индикаторы с соотношением шум/сигнал в районе единицы или выше привносят слишком много шума и не должны рассматриваться как сигнальные. В аналогичной работе 1, посвященной двойным кризисам, Камински и Рейнхарт применили сигнальный подход для анализа 26 случаев банковских и 76 валютных кризисов. Для банковских кризисов был определен период в 12 месяцев до кризиса, в течение которого отслеживались значения индикаторов. Для выбранных пороговых значений, почти в 85% случаях банковских кризисов более 60% индикаторов давали верный сигнал. При этом соотношение шум/сигнал принимало значения от 0,52 до 1,52, что показывает высокую долю ошибок в сигналах. Ряд недостатков сигнального подхода в его первоначальном виде был исправлен в другой работе Камински2, также посвященной теме банковских и валютных кризисов. Дело в том, что в описанной методологии каждый индикатор рассматривается отдельно, т.к. их невозможно эффективно объединить в рамках одной предсказательной модели. Кроме того, вся информация от индикаторов, чьи значения не превышают пороговые значения, фактически отбрасывается. Решить эту проблему призван композитный (сводный) индикатор кризиса, который объединяет в себе ряд переменных-индикаторов с присвоенными им степеням значимости.

Одним из вариантов композитного индикатора является число сигналов, поданных всеми индикаторами в конкретный период времени. Однако такой сводный показатель не различает «сильные» и «слабые» сигналы, то есть не учитывает степень превышения значения над пороговым. Сильный сигнал может свидетельствовать о приближении кризиса с гораздо большей точностью, чем слабый. Эту проблему можно решить, введя два порога для каждого индикатора, и присваивая сильным сигналам (превысившим более высокий порог) двойную значимость при составлении композитного индекса. Еще одной важной характеристикой композитного индекса является накапливаемость сигналов. Резкое падение цен на акции в одном периоде является рисковым фактором и для будущих периодов, хотя сигнал при этом может подаваться только в одном периоде. Поэтому составной индикатор учитывает сигналы не только в индивидуальном периоде, но и в нескольких предшествующих. Каждому индикатору присваивается определенный вес, отражающий его предсказательную способность. Чем больше соотношение шум/сигнал, тем менее значимым должен быть этот отдельный индикатор. Для композитного индикатора определяется сигнальный порог, так же как это делалось для каждого отдельного индикатора. Однако, даже при вышеуказанных дополнениях, сигнальный подход не смог продемонстрировать Kaminsky G. L., Reinhart C. M. The Twin Crises: The Causes of Banking and Balance-of-Payments Problems // American Economic Review, American Economic Association. – 1999. – Vol. 89(3) – P. 473-500.

Kaminsky G. L. Currency and Banking Crises: The Early Warnings of Distress / G. L. Kaminsky // International Finance Discussion Papers. – 1998. –№ 629 – P. 1-41.

значительных результатов при предсказании банковских кризисов. Композитный индикатор позволил чаще предсказывать кризисные явления, однако в спокойные периоды он также показывал высокую долю ошибок. Наиболее полным исследованием в рамках систем раннего предупреждения, использующим сигнальный подход при прогнозировании банковских и валютных кризисов, является работа Голдстейна, Камински и Рейнхарт 1.

Авторы основываются на эмпирических данных для 25 развивающихся экономик за период 1970-1995 гг. В выборку попадает 87 валютных кризисов и 29 банковских. В этой работе особое внимание уделяется банковским кризисам – впервые для их предсказания используются помесячные данные. На основе эмпирической оценки индикаторов, авторы пришли к следующим основным выводам:

1. Хотя наиболее эффективные индикаторы и позволяют предсказать до 100% кризисов, даже они показывают высокую долю плохих сигналов (примерно 1 плохой сигнал на каждые 3 хороших).

2. Банковские кризисы значительно хуже поддаются предсказанию с помощью сигнального подхода, чем валютные кризисы.

3. Наиболее эффективными индикаторами для определения банковских кризисов являются повышение реального валютного курса относительно линии тренда, падение выпуска, падение экспорта, падение цен на акции, повышение мультипликатора денежной массы М2 и повышение реальной процентной ставки.

Суммируя выводы перечисленных работ, следует отметить, что сигнальный подход безусловно позволяет составлять прогнозы относительно возникновения кризисов, которые обладают определенной предсказательной способностью. Однако качество этих прогнозов не является высоким, что особенно ярко проявляется на выборках банковских кризисов.

Другим распространенным подходом к эконометрическому исследованию банковских кризисов является использование многомерных логит и пробит моделей. Отличие этих двух моделей заключается только в распределении отклонений остатков (логистическое и нормальное, соответственно), поэтому далее мы не будем акцентировать внимание на различии в применении этих методологий. В каждый период экономика либо находится в состоянии банковского кризиса, либо нет. Для отражения этого факта в логит-моделях вводится бинарная дамми-переменная, принимающая нулевое значение при отсутствии кризиса и единичное – при его наличии. Присвоение значений объясняемой переменной основывается на принципах, согласно которым авторы исследования определяют кризисную ситуацию. Основной задачей исследователя является оценка вероятности наступления банковского кризиса как функции от вектора n неких объясняющих переменных X(i,t), где i – это страна, а t – период. Если обозначить дамми-переменную кризиса как P(i,t), – как вектор искомых коэффициентов, а F( ’X(i,t)) – как кумулятивную функцию распределения, то логарифмическая функция правдоподобия модели, подлежащая максимизации, будет выглядеть следующим образом2:

T n LnL P(i, t ) ln F ( ' X (i, t )) (1 P(i, t )) ln 1 F ( ' X (i, t )) (2) tqi Логистическая форма функции накладывает определенные ограничения на интерпретацию результатов регрессии. Оцениваемые коэффициенты не отражают увеличение вероятности кризиса при увеличении на единицу объясняющей переменной – вместо этого они показывают эффект от изменения объясняющей переменной на ln(P(i,t)/1 – P(i,t)). Таким образом, увеличение вероятности зависит от первоначальных значений всех переменных и их коэффициентов.

Goldstein M., Kaminsky G. L., Reinhart C. M. Assessing Financial Vulnerability: An Early Warning System for Emerging Markets: Introduction. – Washington, DC: Institute for International Economics, 2000. – 56 p.

Demirguc-Kunt A., Detragiache E. The Determinants of Banking Crises: Evidence from Developing and Developed Countries. – The World Bank, 1997. – P. 13.

Знак коэффициента отражает направление изменения вероятности, но его размер зависит от наклона кумулятивной функции распределения в ’X(i,t). Объясняющие переменные будут иметь разные эффекты на вероятность кризиса в зависимости от первоначальной величины этой вероятности. Одной из проблем многомерных логит-моделей является взаимное влияние объясняемой и объясняющих переменных. После начала банковского кризиса поведение некоторых объясняющих переменных будет неизбежно меняться под влиянием самого кризиса, что затрудняет адекватную оценку причин кризиса и снижает предсказательную силу модели. Во избежание этого исследователи часто исключают из выборки все наблюдения, следующие за периодом, в котором дамми переменная кризиса приняла единичное значение. При этом наблюдение после даты конца кризиса обычно остаются в выборке, что позволяет оценивать вероятность появления повторных кризисов.

Рассмотрим несколько работ, в которых применялись многомерные логит-модели для исследования причин банковских кризисов. Одной из таких работ является статья Мереза и Кауфманна 1, в которой рассматривается связь прозрачности институтов, финансовой либерализации и системных банковских кризисов. На основе выборке из 56 стран за период 1977-1997 авторы делают вывод, что финансовая либерализация увеличивает вероятность того, что кризисный сценарий осуществится в течение пяти лет после либерализации. При этом малая прозрачность в банковском секторе только усиливает вероятность отрицательного эффекта либерализации. Недостатком исследования является отсутствие дифференциации между различными типами и степенями либерализации финансовых рынков. Еще одним исследованием в этом русле является работа Демиргук-Кунта и Детрагиаш 2. Авторы исследования так же заключают, что банковские кризисы более вероятны в странах с либерализованной финансовой системой. Результаты исследования свидетельствуют, что слабая институциональная среда укрепляет эту связь: неэффективная система претворения закона в жизнь, бюрократия и коррупция повышают степень отрицательного влияния финансовой либерализации на состояние банковского сектора.

Эйхенгрин и Роуз в своей работе3 под названием «Оставаясь на плаву, когда меняется ветер» провели исследование на базе панельных макроэкономических и финансовых данных по более чем сотне развивающихся стран за период 1975-1992 гг. Главным выводом работы является обнаружение связи между внешними экономическими факторами и банковскими кризисами внутри страны. Была выявлена значительная положительная корреляция между изменениями процентных ставок в промышленно развитых странах и системными банковскими кризисами в развивающихся рынках. Показатели процентных ставок резко растут в предкризисный период и достигают пика с началом кризиса. Наиболее вероятным объяснением этой связи является затруднение доступа развивающихся экономик к зарубежному фондированию, а также рост проблемы «моральной угрозы». Данный эффект получил название «Аргентинского синдрома» – в связи с реализацией аналогичного сценария в Аргентине в 1995 году, когда страна испытала серьезные проблемы в своем банковском секторе из-за событий на мировом рынке капитала. Еще одним возможным каналом, через который международный рынок может влиять на банковский сектор страны, является структура внешнего долга. Финансовый сектор стран с большим объемом краткосрочных долгов в валюте, с переменной процентной ставкой, должен быть особенно подвержен риску. В статье Артета и Эйхенгрин 4 отмечается, что свидетельства наличия связи между режимом валютного курса и банковскими кризисами весьма ограничены и Mehrez G., Kaufmann D. Transparency, Liberalization and Financial Crises. – The World Bank, 2003. – 56 p.

Demirguc-Kunt A., Detragiache E. Financial Liberalization and Financial Fragility. – International Monetary Fund, 1998. – 53 p.

Eichengreen B., Rose A. K. Staying Afloat When the Wind Shifts: External Factors and Emerging-Market Banking Crises. – Working Paper 6370. – National Bureau of Economic Research, 1998. – 48 p.

4 Arteta C., Eichengreen B. Banking Crises in Emerging Markets: Presumptions and Evidence. – University of California, 2000. – 60 p.

подвержены колебаниям при смене спецификации эконометрической модели. В исследовании Демиргук-Кунт и Детрагиаш 1 проведена большая работа по выявлению факторов экономической среды, которые благоприятствуют осуществлению банковских кризисов и, по сути, являются их причинами. Авторы строят эконометрическую модель и исследуют на ее базе 65 стран за период 1980-1994. Полученные результаты указывают на то, что низкие темпы роста ВВП, слишком высокие процентные ставки и инфляция значительно увеличивают вероятность появления системных проблем в банковском секторе.

Однако слабое макроэкономическое окружение не является единственным фактором, благоприятствующим развитию кризиса. Структурные характеристики банковского сектора и всей экономики также играют важную роль. Уязвимость системы к внезапному оттоку капитала увеличивает вероятность кризиса. Также исследование показывает, что наличие чрезмерной схемы страхования депозитов делает развертывание банковского кризиса более вероятным. Хотя страховая защита вкладов должна укреплять банковскую систему, уменьшая стимулы к набегам на банки (и таким образом предотвращая воплощение само сбывающихся пророчеств), с другой стороны она создает значительные стимулы к оппортунистическому поведению у руководства банков – им становится выгодно принимать излишние риски. В эконометрическом исследовании угроза оппортунистического поведения предстает важным фактором, вызывающим банковские кризисы – вероятно, в странах, пострадавших от кризисов, не хватало адекватной и развитой системы контроля и регулирования банковского сектора, а также имелись ошибки в планировании системы страхования депозитов.

Отдельная работа под авторством Бек, Демиргук-Кунт и Левайн2 посвящена вопросу связи степени концентрированности банковского сектора и банковских кризисов. Используя эконометрический аппарат, авторы получают ряд интересных результатов.

Концентрация в банковской сфере оказывает стабилизирующий эффект.

Концентрированные банковские системы менее подвержены кризисам, и на то есть целый ряд причин. Крупные банки имеют больше возможностей для диверсификации, больший размер прибылей позволяет им создать «подушку безопасности» против возможных неприятностей. Также, над крупными банками легче осуществлять мониторинг и контроль.

Помимо этого, авторы обнаружили, что излишняя зарегулированность банковского сектора (наличие значительных барьеров входа, ограничений деятельности) оказывает дестабилизирующий эффект. Банковские системы, где значительная часть заявок на вход отклоняется, и где банкам не разрешается заниматься деятельностью, не связанной с предоставлением кредитов, более уязвимы для банковских кризисов. Напротив, более конкурентные системы без сильных ограничений на вход являются более здоровыми.

Большую роль в предопределении вероятности кризисов играет развитость институтов.

Страны с хорошо развитыми институтами, которые содействуют укреплению конкурентной среды, с меньшей вероятностью подвержены банковским кризисам. Мы провели эконометрический анализ, основанный на построении многомерной логит-модели, позволяющий не только выяснить, насколько значимыми являются переменные для прогнозирования банковских кризисов, но и оценить вероятность наступления таких событий. Выборкой служат данные по 58 странам за период с 1980 по 2010 гг., полученные из баз данных World Development Indicators 2010 (World Bank) и International Financial Statistics 2010 (International Monetary Fund). В каждом периоде объясняемая дамми переменная cris(i,t) принимает значение нуля, если кризиса нет, и единицы, если кризис есть.

Demirguc-Kunt A., Detragiache E. The Determinants of Banking Crises: Evidence from Developing and Developed Countries. – The World Bank, 1997. – 52 p.

Beck T., Demirguc-Kunt A., Levine R. Bank Concentration and Crises. – Working Paper 9921. – National Bureau of Economic Research, 2003. – 43 p.

В рамках модели мы предполагаем, что вероятность наступления кризиса в конкретный момент времени в определенной стране, является функцией от вектора n объясняющих переменных x(i,t), при этом € – это вектор n неизвестных коэффициентов и F ( € (i, t )) – это функция распределения вероятности. Тогда функция максимального X правдоподобия в модели принимает вид:

T n cris(i, t ) ln F ( € (i, t )) (1 cris(i, t )) ln 1 F ( € (i, t )) (3) ln L X X t1i Коэффициенты, таким образом, отражают эффект изменения объясняющей переменной на ln[cris(i,t)/(1 – cris(i,t)]. Вероятность наступления банковского кризиса оценивается как:

exp( € ) X prob(cris i 1) (4) 1 exp( € ) X Значение этой функции рассчитывается на основе вектора оценок коэффициентов € для каждого наблюдения вне зависимости от того, был в этом году кризис в данной стране или нет.

Для оценки качества прогнозирующей способности модели необходимо выбрать оптимальный сигнальный порог. При превышении рассчитываемой вероятностью наступления кризиса prob(crisi 1) этого порога, модель подает сигнал о наступлении банковского кризиса. Если значение вероятности кризиса меньше сигнального порога, сигнал о кризисе отсутствует. Чем больше модель подает правильных сигналов (т.е. верно предсказывает как кризисные, так и спокойные периоды), тем выше ее прогнозирующая способность. Оптимальный порог может быть рассчитан путем минимизации некой обобщенной функции ошибок. В качестве подобной меры качества модели мы использовали сумму отношений ошибок первого и второго рода к фактическому количеству кризисных эпизодов и спокойных периодов соответственно (по сути, это процент совершенных ошибок от общего числа случаев, когда эти ошибки могли быть совершены):

B C optp min( ) (5) BD AC где А – верный сигнал о наступления кризиса;

B – модель прогнозирует наступление кризиса, в то время как фактически его не было (ошибка первого рода);

C – сигнал о кризисе не был подан, однако в реальности он был (ошибка второго рода);

D – верный сигнал об отсутствии кризиса.

При проведении эконометрического исследования нам необходимо будет проверить корректность спецификации модели. Большинство приложений эконометрической обработки панельных данных использует однокомпонентную модель случайной ошибки (it):

vit ui it (6) где ui – ненаблюдаемые индивидуальные эффекты (в нашем случае – различных стран), а it – остаточная ошибка, т.е. полностью случайная компонента.

Заметим, что ui не зависят от времени и отвечают за характеристики объектов, которые не включены в регрессию непосредственно. В противоположность индивидуальным (фиксированным) эффектам, остаточная ошибка it меняется в зависимости от времени и объектов, и может рассматриваться как обыкновенная случайная составляющая в регрессии.

В соответствии с вышесказанным, модели можно разделить на модели с фиксированными эффектами и со случайными эффектами. Модель с фиксированными эффектами характеризуется тем, что ошибки в ней раскладываются на u i (фиксированные параметры) и остаточные ошибки it (независимые одинаково распределенные случайные величины). Эта модель является подходящей спецификацией, если рассматривается уникальная выборка стран, где большую роль играют индивидуальные особенности каждой конкретной страны.

В модели со случайными эффектами предполагается, что индивидуальные эффекты u i случайны. Тогда Xit не зависят от ui и it для всех i и t. Такая модель применяется, когда объекты для тестирования выбираются случайным образом из большой генеральной совокупности элементов. Если мы хотим построить прогнозирующую модель, предназначенную для анализа макроэкономической динамики в странах, не входящих в первоначальную выборку, то более предпочтительной для нас будет являться модель со случайными эффектами. В противоположном случае мы не сможем правильно оценить фиксированный эффект для новой страны без того, чтобы не включить ее в первоначальную выборку – что, в свою очередь, сделает весьма сложным делом оценку качества прогнозирования модели в практических условиях. Общим тестом на корректность спецификации модели является тест Хаусмана. Он применяется для проверки корректности модели случайного эффекта против модели фиксированного эффекта для панельных данных.

В случае если тест Хаусмана будет свидетельствовать о действительном наличии значимых индивидуальных эффектов, мы не сможем прибегнуть к использованию спецификации со случайными эффектами, т.к. это может серьезно ухудшить объясняющую способность эконометрической модели.

Перейдем к эконометрической оценке логит-модели на основе имеющихся панельных данных в программном пакете Stata. Для выбора корректной спецификации модели были оценены модели с фиксированными и случайными эффектами. Для сравнения двух спецификаций модели, мы провели тест Хаусмана. Результаты теста показали, что у нас нет оснований отвергнуть предположение о том, что корректной спецификацией модели является модель со случайными эффектами (иными словами, введение индивидуальных эффектов не дало значимой прибавки в объясняющей способности). Анализируя результаты, полученные при оценке модели со случайными эффектами, можно сказать следующее:

статистически значимыми на уровне 5% являются коэффициенты при переменных gdpgr, cred, kurs, rir, gpr и pfinv. В соответствии с уже обозначенным подходом к определению оптимального порогового значения вероятности наступления банковского кризиса, были рассчитаны «хорошие» и «ложные» сигналы для каждого порогового значения от 0 до 1 с шагом 0,01. Затем была найдена точка минимума функции суммы долей ошибок первого и второго родов (Рис. 1), что позволило найти оптимальное значение сигнального порога (при котором модель допускает наименьшее количество ошибок в процентном отношении).

Рисунок 1 – Определение оптимального порогового значения вероятности наступления банковского кризиса, базовая модель Минимизируемая функция достигает своего минимума при значении порога 0,34.

Таким образом, оптимальный порог для нашей модели со случайными эффектами, при превышении которого она должна давать сигнал о наступлении кризиса, равен 0,34.

Прогнозирующая способность модели при данном пороге можно охарактеризована в Таблице 1. Модель верно прогнозирует почти 60% кризисных эпизодов и 74% спокойных периодов. Такое значение достигается благодаря выбору оптимального порога вероятности наступления банковского кризиса: при ином значении порога можно достигнуть большего числа верных прогнозов кризисных периодов, но при этом также и большее число спокойных периодов будет ошибочно принято за кризисные эпизоды. Используемый критерий позволяет минимизировать не просто сумму ошибок первого и второго рода, а учесть их вклад в общие ошибки модели по отдельности. Можно увидеть, что количество ошибок второго рода значительно меньше количества ошибок первого рода. В целом, нельзя сказать, что прогнозирующая способность базовой модели отличается большой точностью:

хотя спокойные периоды предсказываются правильно почти в 74% случаев, вероятность предсказать правильно кризис не превышает 60% – результат немногим лучше случайного угадывания. Таким образом, несмотря на то, что построенная модель дает меньший процент «ложных срабатываний», она также довольно часто не сигнализирует о наступлении кризиса тогда, когда ей следовало бы это делать. Что касается анализа коэффициентов при значимых переменных, то только показатель роста ВВП снижает вероятность появления кризиса.

Остальные переменные – реальная ставка процента, реальный валютный курс, доля банковского кредита в ВВП и портфельные инвестиции – при своем росте оказывают дестабилизирующий эффект на банковский сектор и способствуют повышению вероятности наступления финансового кризиса. Положительный знак коэффициента при переменной изменения реального валютного курса можно объяснить с точки зрения отрицательного влияния ревальвации национальной валюты на конкурентоспособность экспортного сектора экономики. Однако резкая девальвация валюты также должна повысить вероятность системного банковского кризиса через механизм оттока частных капиталов и дефолтов по валютным обязательствам (как банков, так и предприятий). Вероятно, отчасти именно неспособность совместить разнонаправленные влияния одного фактора в рамках одной модели обусловили невысокую прогнозирующую способность эконометрической модели. О возможных путях решения этой проблемы речь пойдет в третьей главе, где мы сделаем попытку дифференцировать эпизоды банковских кризисов на основе факторов, лежащих в их основе.

Таблица 1 – Статистика результатов оценки базовой модели для сигнального порога = 0, Показатель Количество Доля Общее число наблюдений 1334 100.00% Эпизоды системных банковских кризисов / процент от общего числа 252 18.89% наблюдений Спокойные периоды/процент от общего числа наблюдений 1082 81.11% Сигнал есть, кризис есть (A) / процент от общего числа наблюдений 150 11.24% Сигнал есть, кризиса нет (B) / процент от общего числа наблюдений 282 21.14% Сигнала нет, кризис есть (C) / процент от общего числа наблюдений 102 7.65% Сигнала нет, кризиса нет (D) / процент от общего числа наблюдений 800 59.97% Количество сигналов от общего числа наблюдений / процент от общего 432 32.38% числа наблюдений Верно предсказанные кризисы / процент от количества эпизодов кризиса 150 59.52% Верно предсказанные спокойные периоды / процент от общего 800 73.94% количества спокойных периодов Итак, наиболее удобным и эффективным для целей прогнозирования банковских кризисов эмпирическим подходом является методология многомерной логит-модели.

Применяя ее к панельным данным, можно получить сводное уравнение вероятности наступления банковского кризиса для заданного набора объясняющих переменных.

Построенная и оцененная нами модель верно предсказывает почти 60% кризисных эпизодов и 74% спокойных периодов выборки. Данные результаты трудно считать свидетельством хорошей прогнозирующей способности, т.к. большое количество «плохих» сигналов делает практическое использование модели весьма затрудненным. В качестве значимых были выявлены коэффициенты при переменных как внутреннего макроэкономического характера (темп роста ВВП, реальная процентная ставка, доля кредита частному сектору в ВВП), так и связанные с внешнеэкономическими факторами (изменение реального валютного курса, валовой поток частного капитала, портфельные инвестиции). Это позволяет сделать вывод, что кризисные эпизоды в выборке могли быть вызваны разными причинами, и раздельный анализ кризисов, относящихся к разным типам, может принести позволить улучшить прогнозирующую способность модели.

к.э.н. Гурбан И. А.

к.э.н. Денисова О. А.

к.э.н. Пыхов П. А.

Институт экономики УрО РАН г. Екатеринбург МЕТОДОЛОГИЯ МОДЕЛИРОВАНИЯ НАЦИОНАЛЬНОГО БОГАТСТВА РЕГИОНОВ РОССИИ В содержании национального капитала естественным образом выделяется три составляющие, имеющие существенно различную природу: физический капитал – та часть национального капитала, которая создана и материально овеществлена трудом человека (населения территории);

природно-ресурсный капитал – та часть национального капитала, которой располагает территория в виде ее природных ресурсов, используемых или возможных к использованию на территории и человеческий капитал – население самой территории с его здоровьем, знаниями, умениями и навыками и тем его потенциалом, который может порождать трудовую деятельность для накопления национального богатства, делая этот процесс непрерывным. Проблема оценки национального капитала не должна ставиться формально как получение показателя (или показателей) его уровня. Неразрывность связи понятий «национальный капитал» и «устойчивое развитие», «экономическая безопасность» приводит к выводу, что правильнее говорить не просто об оценке уровня национального капитала, но также об оценке его состояния на территории. Иначе говоря, оценивая национальный капитал территории, мы должны не просто определить его величину, но также определить, как этот национальный капитал используется и способствует обеспечению устойчивого развития и экономической безопасности территории. В исследованиях устойчивого развития и экономической безопасности территорий, как это стало уже общепризнанным, широко используются методы многокритериального анализа.

Направленность задач обеспечения экономической безопасности и формирования и приращения национального капитала на достижение одних и тех же целей – обеспечение высокого качества жизни на территории и ее устойчивого развития приводят к выводу о перспективности использования методологии индикативного анализа для оценки состояния национального капитала территории. Что касается показателей, характеризующих национальный капитал, то их состав определен на основе развития и конкретизации содержания и структуры выделенных трех составляющих – физического, природно ресурсного и человеческого капитала.

Как следует из характеристики этих составляющих, они имеют самые различные единицы измерения, что затрудняет их сопоставимость и приведение к единой системе измерения. Для решения указанной проблемы успешно применяется подход, основанный на применении индикативного анализа как квалиметрического метода оценки соответствия достигнутых на рассматриваемый момент или прогнозируемых значений так называемых индикативных показателей (индикаторов) тем их значениям, которые отвечают требованиям цивилизованного развития социума, обеспечения условий устойчивого развития, экономической безопасности территорий с учетом достигнутого уровня развития, имеющихся условий развития и поставленных достижимых целей развития. Главными преимуществами индикативного анализа являются следующие:

1) значительно более слабая зависимость результата от различия в единицах измерения показателей, характеризующих уровень и качество исследуемых состояний, по сравнению с методами, требующими выражения всех показателей в одних единицах измерения (в данной задаче – всех составных частей национального капитала в денежных единицах);

2) возможность выявления «слабых мест» в системе формирования национального капитала за счет сопоставления значений индикативных показателей с их так называемыми пороговыми уровнями, соответствующими определенным качественным уровням состояния капитала. Такое выявление облегчает решение задачи рационального управления национальным капиталам, его эффективного использования, наращивания и справедливого распределения между членами общества.

Достоинством излагаемого далее методического подхода является то, что показатели, используемые в системе национальных (региональных) счетов, также учитываются в методике индикативного анализа, однако они существенно дополняются целым рядом индикаторов, связанных с процессами формирования национального капитала, характеризующими его качество. В результате, методический подход дает возможность рассмотреть национальный капитал в его движении, выявить факторы, способствующие его сохранению и приращению. В результате существенно облегчается решение задачи прогнозирования развития национального капитала и его эффективного управления. В соответствии с данными подходом уровни и состояния национального капитала анализируются на основе совокупности индикаторов, сгруппированных по выделенным ранее трем группам составляющих – показателей физического, природно-ресурсного и человеческого капитала – путем сравнения их текущих или (для решения задачи прогнозирования развития национального капитала) прогнозных значений с их пороговыми уровнями. Индикативный показатель (индикатор) состояния национального капитала территории – это критериальный показатель уровня и развития соответствующей составляющей национального капитала или значения фактора, существенно определяющего уровень и развитие национального капитала.

Пороговое значение индикатора национального капитала – это такое значение индикатора, которое означает достижение пограничного состояния между двумя смежными качественно различающимися уровнями состояния национального капитала по рассматриваемой его составляющей. Исходный показатель формирования состояния национального капитала – это показатель, который используется при определении индикативных показателей как характеристика какого-либо свойства национального капитала или процесса его создания. Исходные показатели используются при расчете значений индикаторов или условий их формирования по определенным правилам. В частности, некоторые из исходных показателей могут непосредственно представлять собой индикативные показатели. Уровень национального капитала или оценка его состояния – это условный показатель, интегрально характеризующий качественное состояние национального капитала территории для некоторой группы индикативных показателей, объединенных общими признаками или характеризующих одну из сторон или составных частей национального капитала, или интегрально оценивающий результирующее состояние национального капитала территории и степень его развития.


Оценка национального капитала территории производится в следующем порядке:

1. Составляется предварительный реестр объектов исследования – территорий.

2. Формируется состав индикативных показателей, сгруппированных по трем крупным составляющим национального капитала – физическому, природно-ресурсному и человеческому. Внутри каждой из этих составляющих индикативные показатели группируются по признакам участия национального капитала в формировании ситуации по одной из сфер жизнедеятельности или ориентации на однородную структуру показателей, формирующих одну из частей национального капитала. Следует отметить, что индикативные показатели подразделяются на два типа – простые и синтетические. Способы расчета индикативных показателей представляются в виде соответствующих расчетных формул.

3. Производится сбор исходных показателей, участвующих в расчетных формулах определения значений индикаторов для каждого из объектов оценки. Данные исходные показатели условно обозначаются как (первичные показатели).

4. Формируются пороговые уровни для индикативных показателей как их пограничные значения для смежных зон состояний национального капитала по каждому из рассматриваемых индикаторов.

5. Пороговые уровни формируются с применением сравнительного, в том числе межстранового подхода, нормативного, экспертного, целевого и др. методов. Их значения для определенных индикаторов могут районироваться территориально в зависимости от условий формирования национального капитала, которые имеют место на разных территориях.

6. Выполняется расчет текущих значений индикативных показателей для каждого анализируемого объекта.

7. Для тех индикаторов, которые являются простыми, производится сравнение их текущих значений с пороговыми и определяется уровень состояния национального капитала по соответствующему показателю. Однако среди индикативных показателей имеются также синтетические. Их значения определяются на основе интегрального состояния объектов по суммарному действию двух или более простых индикаторов, из которых и образуется соответствующий синтетический. Здесь могут наблюдаться два случая. В первом случае все простые индикаторы, из которых образуется синтетический, выражаются в одних и тех же единицах измерения. В этом случае синтетический показатель формируется как некоторая взвешенная сумма значений составляющих его простых показателей. Взвешивающие коэффициенты определяются как коэффициенты участия простых показателей в образовании синтетического. В этом случае, как правило, пороговые уровни для простых индикативных показателей не устанавливаются, их достаточно установить лишь для соответствующих синтетических показателей. Однако может иметь место другой случай, когда простые индикативные показатели, образующие синтетический, имеют различные единицы измерения. Тогда установление коэффициентов их участия в образовании синтетического может встретить непреодолимые трудности. В этой ситуации для простых индикативных показателей устанавливаются свои пороговые уровни, а значения синтетических индикативных показателей определяются по специальной методике1.

8. По специальной методике выполняется нормирование значений рассчитанных индикативных показателей, в результате чего все они выражаются в относительных единицах. Предварительно также по специальной методике выполняется нормирование пороговых значений индикативных показателей.

Здесь и далее см. С. 311-333 в источнике: Прогнозирование социально-экономического развития региона.

Монография / под ред. Черешнева В.А., Татаркина А.И., Глазьева С.Ю. – Екатеринбург: Институт экономики УрО РАН, 2011. – 1104 с.

Сравнение нормированных значений индикаторов с нормированными значениями пороговых уровней определяет состояние национального капитала по соответствующему индикатору.

9. С применением специальной методики выполняются расчеты по оценке и классификации ситуации по тем синтетическим показателям, простые индикативные показатели, входящие в состав которых имеют различные единицы измерения и характеризуются своими пороговыми уровнями состояния, а также (подобным же образом) по оценке и классификации ситуации по группам индикативных показателей (простых или синтетических), входящих в одну из выделенных крупных составляющих национального капитала.

10. Выполняются расчеты по оценке и классификации состояния национального капитала по каждой из трех составляющих национального капитала.

11. Выполняются расчеты по оценке состояния и классификации состояния национального богатства в целом.

12. Подобным образом выполняются расчеты по всем объектам (территориям) за все периоды (годы) развития.

13. Выполняется построение диагностической картины территориального распределения состояния национального капитала в целом и по его составляющим – физическому, природно-ресурсному и человеческому капиталу, а также по отдельным группам индикаторов и отдельным индикативным показателям. Диагностическая картина может быть изображена картографически, а также в виде ландшафтных диаграмм.

14. Выполнение расчетов для годов ретроспективного, а при необходимости и перспективного периода позволяет также получить динамические характеристики накопления национального капитала и изменения его уровней по составляющим национального капитала, их выделенным группам и отдельным индикаторам.

15. Выполняется подробный анализ формирования и развития ситуации по состоянию национального капитала территорий (или выделенной территории).Выявляются те показатели и их группы, которые проявили себя как «узкие места» в формировании состояния национального капитала. Разрабатываются программно-целевые мероприятия, направленные на устранение барьеров к наращиванию национального капитала, определению причин его депрессивного состояния на тех территориях, где такое состояние выявлено, создание условий для активизации условий, действующих благоприятно на формирование и развитие национального капитала.

Качественная разнородность составляющих национального капитала, видов оценок их уровней, многогранность самого понятия национального капитала чрезвычайно затрудняют его интегральную оценку. Поэтому при использовании индикативного метода оценки национального капитала введены градации таких оценок, определяющие качественно их уровни и состояние национального капитала по соответствующим составляющим. Учитывая многокритериальность оценок национального капитала и качественный характер оценки состояния, представляется вполне достаточным иметь семь таких качественных уровней оценки национального капитала, а именно: весьма низкий, низкий, удовлетворительный, средний, хороший, высокий и весьма высокий. Первый, весьма низкий уровень национального капитала в целом или его составляющей, представленной индикативным показателем, или блоком индикативных показателей, или одним из трех упоминавшийся крупных видов национального капитала соответствует значениям, при которых не обеспечивается уровень выживаемости населения территории. Такой уровень ведет к крайней бедности населения территории, безусловно, представляет собой также угрозу е устойчивому развитию и безопасности, является фактором, свидетельствующим о деградации территории. Как правило, эти условия характеризуются деградацией экономики, высокими уровнями смертности, повышенной преступности, низким уровнем и качеством питания, возникновением очагов развития, а сама территория находится в состоянии глубокого кризиса.

Второй уровень, классифицируемый как низкий, соответствует уровню выживаемости населения территории в условиях бедности. Все негативные факторы, имеющие место при весьма низком уровне развития национального капитала территории, также присутствуют, хотя и в ослабленной форме. В этом состоянии целый ряд сфер жизнедеятельности находится в кризисном состоянии безопасности. Третий уровень, классифицируемый как удовлетворительный, соответствует уровню, обеспечивающему скромный достаток населения. При этом уровне национального капитала экономика территории способна удовлетворять основные потребности населения в продуктах питания, одежды, жилья и т.п., однако на весьма скромном уровне. При этом состоянии национального капитала, хотя обычно нет прямой угрозы устойчивому развитию территории, однако по целому ряду сфер жизнедеятельности ощущается дефицит ресурсов, что вынуждает постоянно прибегать к режиму экономии. Как правило, при оценке экономической безопасности большинство сфер жизнедеятельности территории оказываются в предкризисном состоянии, а некоторые из них – даже в кризисном. Тем не менее, в этом состоянии территории могут находиться весьма долго, балансируя между низким уровнем национального богатства (уровнем выживаемости) и следующим более высоким – четвертым уровнем, который является средним в предложенной системе классификации национального богатства. Этот последний уровень соответствует уровню умеренного достатка населения территории. Состояние национального капитала территории при этом не вызывает особых опасений, равно как и устойчивость развития территории. Основные демографические показатели, как правило, приемлемы.

Экономика территории обеспечивает развитие в поступательном направлении, хотя и без особых взлетов. Как правило, е развитие сопровождается определенными трудностями, так что по ряду социально-экономических показателей отмечается предкризисное состояние, тем не менее, не доходящее обычно до кризиса. Следующая, пятая стадия развития национального капитала характеризуется его хорошим состоянием. Это стадия бескризисного состояния экономики, е устойчивого развития. Экономическая безопасность территории обеспечивается почти по всем показателям, и предкризисное состояние отмечается лишь по отдельным индикативным показателям. Социальная обстановка на территории достаточно спокойная, возникающая напряженность довольно успешно разрешается усилиями органов управления.


Экономика территории обеспечивает безбедное и благополучное существование жителей, так что на такой территории весьма значительную прослойку составляет так называемый средний класс. Дифференциация доходов населения такова, что не исключаются значительные разрывы между доходами 10% наиболее обеспеченного и 10% наименее обеспеченного слоев населения, однако сильная прослойка среднего класса препятствует значительному влиянию этого фактора на устойчивость развития территории. Шестая стадия развития национального капитала означает достижение высокого уровня его развития, т.е.

достижение уровня высокого материального достатка населения и социального равновесия.

Экономика территории при достижении этой стадии характеризуется сбалансированным развитием и процветает. Устойчивость развития обеспечена за счет, обычно, получения территорией значительных конкурентных преимуществ перед другими территориями. Темпы е роста устойчивы, а возникающие трудности преодолеваются успешно благодаря этим конкурентным преимуществам. Как правило, это обеспечивается монопольным или доминирующим положением территории в рыночной среде по ключевым отраслям е экономики. Социальные гарантии для населения соблюдены, средний класс территории имеет доминирующее положение, при этом весьма значительна и прослойка зажиточной части населения. На таких территориях обычно вообще практически отсутствует бедное население, т.е. население, имеющее доходы ниже прожиточного минимума. Так как оценка уровня и состояния национального капитала является комплексной, складывающейся из оценок по многим его составляющим, то возникает задача оценки уровней вклада этих составляющих в достижение суммарного уровня национального капитала территории.

Противоречивость факторов, формирующих состояние национального капитала, сложности социального и экономического развития, различия в природно-ресурсных, демографических условиях между территориями и т.д. приводят к тому, что вклады составляющих национального богатства по разным сферам жизнедеятельности на территории могут весьма сильно различаться между собой. Однако применение индикативного анализа позволяет успешно преодолеть эти трудности, а именно, индикативные оценки позволяют классифицировать вклады составляющих в формирование интегрального уровня национального богатства по тому же принципу, как сформированы сами интегральные оценки, т.е. путем введения тех же градаций оценок, одинаково применяемых как к отдельным индикативным показателям, так и к их группам, в том числе интегральной оценке национального капитала. Это придает универсальность всей методологии индикативного анализа. Как известно из практики многофакторного анализа, вследствие противоречивости действия факторов их суммарное действие нивелируется.

Поэтому представляется целесообразным введение не шести, а семи градаций уровней составляющих национального капитала, соответствующих отдельным индикативным показателям. Такой седьмой уровень может быть назван весьма высоким. Вряд ли стоит ожидать, что в целом национальный капитал какой-либо территории достигнет такого уровня вследствие объективно существующих в любом обществе противоречий социально экономического развития. Иначе говоря, идеальные условия могут иметь место для какого-то одного показателя или даже группы показателей, формирующих состояние национального капитала, но практически неосуществима ситуация, когда для всех или практически всех составляющих национального капитала условия окажутся столь благоприятны. Тем не менее, методика индикативного анализа позволяет получить оценки и в таких ситуациях.

Далее приведены оценки состояния национального капитала субъектов Уральского федерального округа за период 2000-2010 гг. по его составляющим: физическому, природно ресурсному и человеческому капиталу.

Физический капитал Результаты комплексной оценки физического капитала показали, что Уральский регион имеет удовлетворительный уровень физического капитала. Наилучшее значение стабильно имеет Свердловская область. Тюменская область с е автономными округами находится на удовлетворительной позиции по данной составляющей национального капитала. Курганская и Челябинская область характеризуются достаточно низкими позициями (табл. 1 и рис. 1). В 2009 г. из-за мирового экономического кризиса и тяжелого финансового положения в банковской сфере ухудшились условия кредитования предприятий, в том числе предприятий энергетики. Это привело к нарастанию технологического отставания предприятий от современного мирового уровня. В связи с этим полученные оценки состояния физического капитала по части индикаторам показали заметное ухудшение. Так, по блоку основного производственного капитала в 2010 г. в части его износа ситуация складывается неблагоприятная.

Наихудшее значение (весьма низкое) имеет Курганская область. Степень износа основного производственного капитала увеличилась в 2010 г. по сравнению с 2009 г. на 11%, в то время как ещ в 2006 г. область находилась на срединной позиции – значение индикатора составляло 50,5% против 70% в 2010 г. В наилучшем положении находятся Свердловская и Челябинская области. Степень износа основного производственного капитала за последние годы существенно не менялась (около 50%). Тюменская область с е автономными округами занимает срединное положение. Значение индикатора к 2011 г.

составило около 55%. Более того, при удовлетворительном технологическом состоянии основного производственного капитала наблюдается ещ и крайне низкая эффективность использования имеющихся оборотных средств.

Оценка ситуации по оборачиваемости оборотного капитала показывает, что все субъекты имеют очень низкую оборачиваемость оборотных фондов – меньше единицы, что означает снижение деловой активности, особенно после кризисного 2008 г., проявляемой предприятиями и организациями в процессе достижения целей их хозяйственной деятельности.

Таблица 1 - Результаты диагностики состояния физического капитала субъектов УрФО 2000 г. 2005 г. 2009 г. 2010 г.

Наименование территории Сост. НО М. Сост. НО М. Сост. НО М. Сост. НО М.

Уральский федеральный У У У У 1,200 - 1,024 - 1,071 - 1,105 округ Курганская область Н Н Н Н 1,309 2 1,256 3 1,281 2 1,364 Свердловская область У У С С 1,008 6 1,021 5 0,907 6 0,887 Тюменская область У Н Н У 1,166 4 1,374 2 1,254 3 1,090 Ханты-Мансийский У Н У У 1,060 5 1,411 1 1,211 4 1,039 автономный округ Ямало-Ненецкий ВН 1,571 У Н У 1 1,132 4 1,358 1 1,120 автономный округ Челябинская область Н С У Н 1,275 3 0,916 6 1,210 5 1,356 Примечание. Здесь и далее приняты следующие обозначения:

Сост. – состояние;

НО – нормализованная оценка;

Мес. – место территории в рейтинге;

Уровни состояния капитала: ВН – весьма низкий, Н – низкий, У – удовлетворительный, С – средний, Х – хороший, В – высокий, ВВ – весьма высокий.

Рисунок 1 – Динамика состояния физического капитала субъектов УрФО за период 2000 – 2010 гг.

Только два субъекта – Тюменская область и ХМАО – занимают удовлетворительную позицию (оборачиваемость составляет около 0,3 раз в год). Все это привело к тому, что ситуация по блоку производства продукции после 2008 г. принципиально не улучшается.

Несмотря на то, что у ряда субъектов УрФО объем промышленного производства увеличился к 2010 г. на 11-20%, это, однако лишь, соответствует низкому уровню физического капитала по данному индикатору. Достаточно низкая оценка физического капитала по данному блоку может частично объясняться неблагоприятной ситуацией по индикатору доли инновационной продукции в общем объеме промышленной продукции.

За исключением Курганской и Свердловской областей доля инновационной продукции составляет 0,2-2%. Отметим Челябинскую область: к началу 2011 г. значение индикатора упало на 44% и составило 2,5%, что способствовало переходу области с высокой оценки физического капитала по этому индикатору на весьма низкую. В целом доля инновационной продукции в УрФО в 2010 г. составила 2,09%. Таким образом, ситуация по блоку производства продукции характеризуется как удовлетворительная. Хотя до 2009 г.

физический капитал УрФО по этому модулю занимал хорошую позицию.

Самое сильное отрицательное влияние на комплексную оценку физического капитала оказало состояние непроизводственного капитала, который имеет самую худшую оценку среди всех анализируемых блоков. Все субъекты, кроме Тюменской области, характеризуются низким уровнем развития. Эта ситуация существенно не меняется на протяжении последних лет. Единственным исключением является Ямало-Ненецкий автономный округ, который по сравнению с 2009 г. со средней позиции перешел на низкую.

Так, по индикатору ввода в действие объектов жилого назначения на душу населения два субъекта – Тюменская область и Ханты-Мансийский автономный округ – имеют хорошее положение. Ямало-Ненецкий автономный округ имеет удовлетворительное состояние (0, кв. м на душу населения). Остальные субъекты занимают срединную позицию. Стоит отметить, что по сравнению с ситуацией в развитых странах значение данного показателя в российских регионах значительно ниже. Спад в сфере жилищного строительства только усиливается. Низкий уровень предложения на фоне возросшего спроса только способствует росту цен на жилую недвижимость. Таким образом, говорить о скором решении проблемы улучшения жилищных условий населения России не приходится – ситуация в ближайшее время вряд ли радикально изменится. Такая же ситуация наблюдается и в сфере ввода в действие учреждений системы здравоохранения, которая практически на протяжении всего периода характеризуется низким уровнем. Все субъекты УрФО имеют низкое и весьма низкое значение по данным показателям: на одного человека приходится около 0,1 койки.

И надо отметить, что ситуация хронически не меняется. Таким образом, в условиях истощения производственного потенциала на первый план выходят решение проблемы нехватки инвестиционных ресурсов для поддержания нормального воспроизводственного процесса, формирования благоприятного инвестиционного климата для обеспечения необходимого притока инвестиций, генерирующих экономический рост. Необходимо предпринять решительные меры, чтобы большая часть вывозимого капитала вкладывалась в российскую экономику с целью модернизации физического капитала. Однако административными и репрессивными мерами поток капитала из страны не повернуть вспять. По крайней мере, в долгосрочном плане. Это можно сделать только одним способом: создать для инвесторов более привлекательные условия вложения капитала на российском рынке, чем в странах, являющихся основными конкурентами России в борьбе за инвестиции.

Природно-ресурсный капитал Анализируя полученные данные по территориям, можно отметить факторы, повлиявшие на итоговую оценку природно-ресурсного капитала (табл. 2). Курганская область по состоянию земных недр характеризуется весьма низким уровнем капитала, т.к. не располагает топливно-энергетическими ресурсами, а запасы и уровень использования минерально-сырьевых ресурсов весьма низок – около 300 руб./чел. в год. По блоку земельных ресурсов ситуация диагностируется как хорошая, обеспеченность земельными ресурсами весьма высокая, объемы производства сельскохозяйственной продукции на душу населения постоянно растут и находятся на уровне около 15 тыс. руб./чел., что является лучшим показателем среди всех территорий УрФО. Уровень обеспеченности и использования лесных ресурсов оценивается как средний – при умеренных объемах запасов древесины уровень их использования (вырубки) достаточно высок – 670 куб. м/чел., однако объемы переработки лесной продукции находятся на очень умеренном уровне – 291 куб.

м/чел.

Ресурсы животного мира оценены на среднем уровне, т.к. на протяжении рассматриваемого периода обеспеченность сельскохозяйственными животными снизилась с 10,8 голов/ кв. км в 2000 г. до 6,72 голов/км2 в 2010 г., а обеспеченность населения продуктами питания животноводства собственного производства упала с 470 до 299 тыс.

ккал/чел. за тот же период. Итоговая комплексная оценка состояния природно-ресурсного капитала при диагностировании в 2010 г. получилась удовлетворительная.

Таблица 2 – Результаты диагностики состояния природно-ресурсного капитала субъектов УрФО 2000 г. 2005 г. 2009 г. 2010 г.

Наименование территории Сост. НО М. Сост. НО М. Сост. НО М. Сост. НО М.

Уральский Н 1,717 Н Н Н - 1,616 - 1,599 - 1,616 федеральный округ Курганская область Н 1,518 У У У 5 1,342 6 1,378 5 1,325 Свердловская область Н 1,499 Н У Н 6 1,511 3 1,425 4 1,510 Тюменская область Н 1,596 У У У 4 1,420 5 1,362 6 1,419 Ханты-Мансийский ВН 2,012 Н Н Н 2 1,870 2 1,887 2 1,867 автономный округ Ямало-Ненецкий ВН 2,067 ВН 2,093 ВН 2,053 ВН 2, 1 1 1 автономный округ Челябинская область Н 1,610 У Н У 3 1,462 4 1,489 3 1,477 Свердловская область по состоянию земных недр оценивается на весьма низком уровне из-за необеспеченности собственными топливными ресурсами. Уровень добычи топливно-энергетических полезных ископаемых находится на уровне около 0,160 т у т/чел.

Весьма высокий уровень добычи минеральных полезных ископаемых – 15,1 тыс. руб./чел. не выравнивает ситуацию. По блоку земельных ресурсов обеспеченность оценивается как удовлетворительная – при достаточных ресурсах земли уровень экономической эффективности ее использования находится на удовлетворительном либо низком уровне (объем производства сельскохозяйственной продукции на душу населения – около 3-4 тыс.

руб./чел.). Обеспеченность и использование лесных ресурсов в области находятся на высоких уровнях как по запасам древесины, так и по ее использованию. Ресурсы животного мира оцениваются средней обеспеченностью – при хорошей обеспеченности основными видами сельскохозяйственных животных низок уровень производства собственных продуктов питания из этого ресурса (около 200 тыс. ккал/чел). Тюменская область по земным недрам оценивается на удовлетворительном и низком уровне. Имея высочайшие оценки по добыче ТЭР, объемы добычи нетопливных ресурсов находятся на низком и весьма низком уровнях.

Уровень использования земельных ресурсов оценивается как средний – при высоких запасах земельных ресурсов уровень их использования (объем продукции растениеводства на одного жителя) находится около значения 6,6-7 тыс. руб./чел. Использование лесных ресурсов находится на весьма высоком уровне – высокие запасы древесины и высокие показатели ее использования. По блоку животного мира оценка обеспеченности низкая – весьма низкое количество сельскохозяйственных животных (0,5 голов/км2) и средние объемы обеспеченности основными продуктами питания животноводства собственного производства (порядка 250 тыс. ккал/чел.). Челябинская область по блоку земных недр получила оценку весьма низкую оценку. Это обусловлено стагнацией угольной отрасли (объемы добычи ТЭР упали с 0,77 т у т/чел. в 2000 г. до 0,23 т у т/чел. в 2010 г.), средними уровнями добычи минеральных полезных ископаемых (порядка 4,6 тыс. руб./чел.). Оценка использования земельных ресурсов получилась средней, при высоких объемах запасов земли ситуацию тянет вниз низкая урожайность основных сельскохозяйственных культур (например, овощей порядка 190-200 ц/га, что чуть лучше, чем в ЯНАО!). Использование лесных ресурсов находится на низком уровне.

Это обусловлено низкими запасами древесины на душу населения, а также весьма низкими уровнями их использования. Блок животного мира в среднем оценн на высоком уровне. Весьма высокая обеспеченность сельскохозяйственными животными (10,6 голов/км в 2010 г.) и хорошая обеспеченность основными продуктами питания животноводства собственного производства (около 310 тыс. ккал/чел.) В целом по Уральскому федеральному округу ситуация следующая: по блоку земных недр уровень использования находится на хорошем и высоком уровнях (немного варьируется по годам). Оценка земельных ресурсов получилась на среднем уровне, по большинству индикаторов блока она такая же – средние объемы запасов земли, средний уровень экономической эффективности использования. Лесные ресурсы оцениваются на среднем уровне: при весьма высоких уровнях запасов древесины результативность их использования находится на среднем уровне (объем производства деловой древесины всего около 0,350 куб.

м/чел.). Блок животного мира получил удовлетворительную оценку из-за низкой обеспеченности сельскохозяйственными животными и среднего уровня собственного производства продуктов питания животноводства. Из рис. 2 видно, что динамика изменения ситуации в 2000-2010 гг. довольна низка, в основном происходит топтание на месте и ухудшение ситуации в 2008-2010 гг., что обусловлено рядом факторов. В блоке оценки использования капитала земных недр во время мирового кризиса 2008 г. понизились уровни оценок территорий, сильно зависящих от добычи сырья. Этот тренд был обусловлен снижением цен на группу минерально-сырьевых товаров. В Тюменской области снизилась добыча топливных ресурсов (газа с 600 млрд куб. м в 2006 г. до 570 млрд куб. м в 2010 г., нефти с 325 млн т в 2006 г. до 307 млн т в 2010 г.). С одной стороны, это было обусловлено снижением спроса во время кризиса 2008 г., но отсутствие роста к 2010 году, возможно, свидетельствует о начале стадии исчерпания эксплуатируемых запасов топлива на Урале.

Рисунок 2 – Динамика состояния природно-ресурсного капитала субъектов УрФО за период 2000 – 2010 гг.

Блок земельных ресурсов в части индикаторов, оценивающих эффективность использования земли с позиций сельскохозяйственного применения, показал, что уровень эффективности растениеводства по сравнению даже со средне российскими показателями довольно низок. Результаты расчетов так же наглядно показали, что при планировании результатов сельскохозяйственной деятельности следует учитывать природные риски, т.к.

что засушливый 2010 год серьезно повлиял на урожайность и объемы производства продукции.

В блоке лесных ресурсов можно отметить значительное расхождение между объемами добычи древесины и производством деловой древесины, например, в Свердловской области в 2010 г. добыча составила 0,67 куб. м/чел., а производство всего 0,29 куб. м/чел. Это значит, что мы в основном только рубим и экспортируем кругляк.

Человеческий капитал Что касается комплексной оценки состояния человеческого капитала УрФО в целом и входящих в него субъектов, то, исходя из заданной градации состояния, уровень человеческого капитала классифицируется как низкий, при наблюдаемой в целом положительной динамике изменения ситуации за исследуемый период (табл. 3).

Таблица 3 – Результаты диагностики состояния человеческого капитала субъектов УрФО 2000 г. 2005 г. 2009 г. 2010 г.

Наименование территории Сост. НО М. Сост. НО М. Сост. НО М. Сост. НО М.

Уральский Н 1,655 Н Н Н - 1,556 - 1,518 - 1,531 федеральный округ Курганская область ВН 1,805 ВН 1,801 Н Н 1 1 1,712 2 1,646 Свердловская область Н 1,654 Н 1,608 Н Н 5 6 1,512 6 1,487 Тюменская область Н 1,641 Н 1,662 Н Н 6 5 1,608 4 1,582 Ханты-Мансийский Н 1,721 Н Н Н 3 1,673 4 1,704 3 1,656 автономный округ Ямало-Ненецкий Н 1,760 Н Н Н 2 1,728 2 1,748 1 1,770 автономный округ Челябинская область Н 1,716 Н Н Н 4 1,677 3 1,601 5 1,593 Рисунок 3 – Динамика состояния человеческого капитала субъектов УрФО за период 2000 – 2010 гг.

Однако, наблюдаемое улучшение состояния весьма незначительно, поскольку происходило в рамках только низкого уровня состояния (рис. 3). Среди субъектов округа самый высокий уровень человеческого капитала в Свердловской области (выше, чем в среднем по УрФО), затем следует Челябинская область, Тюменская и Курганская области, Ханты-Мансийский автономный округ, наконец, Ямало-Ненецкий автономный округ с самым низким среди субъектов УрФО уровнем человеческого капитала. Обращение к результатам оценки состояния составляющих сфер человеческого капитала иллюстрирует полученные оценки.



Pages:     | 1 || 3 | 4 |   ...   | 12 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.