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 |   ...   | 2 | 3 || 5 | 6 |   ...   | 12 |

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

-- [ Страница 4 ] --

тельства Логарифм объема инвестиций в основной капитал организаций.

Доли инвестиций в основной капитал организаций по различным видам деятельности.

Доли инвестиций в основной капитал организаций по формам собственности (государственная, муниципальная, частная смешанная).

Инвестиционная Логарифм объема прямых зарубежных инвестиций.

активность Логарифм объема портфельных зарубежных инвестиций.

Логарифм объема прочих зарубежных инвестиций.

Доли инвестиций в основной капитал организаций по источникам финансирования (собственные и привлеченные средства, включая кредиты банков и средства бюджетов).

Логарифм сальдированного финансового результата деятельности организаций Финансовое Доля прибыли организаций в ВРП состояние Логарифм задолженности организаций по кредитам (в рублях).

предприятий Логарифм задолженности организаций по кредитам (в иностранной валюте).

Логарифм густоты железнодорожных путей общего пользования (км путей на 10000 кв. км территории).

Развитие инфраструктуры Логарифм густоты автомобильных дорог путей общего пользования с твердым покрытием (км дорог на 1000 кв. км территории).

Логарифм объема отправления грузов железнодорожным транспортом общего пользования (млн т).

Логарифм объема перевозки грузов автомобильным транспортом общего пользования (млн т).

Логарифм доходов от услуг связи населению в расчете на одного жителя.

Логарифм числа телефонных аппаратов сети общего пользования на человек населения.

Доля абонентов сотовой связи в общей численности населения региона.

Доля кредитных организаций в общем числе организаций в регионе.

Доля филиалов кредитных организаций в общем числе организаций в регионе.

Форма Доля приватизированных государственных и муниципальных организаций в собственности общем числе организаций в регионе.

Условия для Доля выпускников государственных и муниципальных вузов в общей генерации, численности населения региона.

восприятия и Доля выпускников негосударственных вузов в общей численности населения адаптации новых региона.

знаний и Доля выпускников государственных и муниципальных средних специальных технологий учебных заведений в общей численности населения региона.

Доля выпускников негосударственных средних специальных учебных заведений в общей численности населения региона.

Доля выпускников государственных и муниципальных вузов в общем выпуске специалистов вузами.

Доля выпускников государственных и муниципальных средних специальных учебных заведений в общем выпуске специалистов средними специальными учебными заведениями.

Логарифм численности сотрудников организаций, занятых исследованиями и разработками.

Логарифм приема и выпуска из аспирантуры в регионе.

Логарифм приема и выпуска из докторантуры в регионе.

Доля экспорта в страны дальнего зарубежья в ВРП.

Доля импорта из стран дальнего зарубежья в ВРП.

Доля экспорта в страны СНГ в ВРП.

Доля импорта из стран СНГ в ВРП.

Логарифм числа соглашений на экспорт технологий и услуг технического характера (млн руб.).

Логарифм стоимости предмета соглашений на экспорт технологий и услуг (млн руб.).

Логарифм поступления средств от экспорта технологий и услуг (млн руб.).

Логарифм числа соглашений на импорт технологий и услуг (млн руб.).

Логарифм стоимости предмета соглашений на импорт технологий и услуг (млн руб.).

Логарифм поступления средств от импорта технологий и услуг (млн руб.).

Логарифм объема инновационной продукции в соседних регионах.

Логарифм внутренних затрат на исследования и разработки в соседних регионах.

Доля организаций, выполнявших научные исследования и разработки в общем числе организаций в соседних регионах.

Инновационная активность в Логарифм количества выданных патентов на изобретения в соседних регионах.

соседних Логарифм числа используемых передовых производственных технологий в регионах соседних регионах.

Доля выпускников государственных и муниципальных вузов в общей численности населения в соседних регионах.

Логарифм численности сотрудников организаций, занятых исследованиями и разработками организаций в соседних регионах.

Логарифм ВРП.

Логарифм ВРП на душу населения.

Логарифм валового накопления основного капитала.

Индикаторы Логарифм доходов консолидированного бюджета субъекта РФ.

социально Доля численности занятого населения в общей численности населения региона.

экономической Доля городского населения в общей численности населения региона.

среды в регионе Доля безработных в общей численности экономически активного населения.

(«контрольные Логарифм потребности в работниках, заявленной в органы государственной переменные») службы занятости.

Логарифм числа зарегистрированных преступлений на 100000 чел. населения.

Несмотря на существование множества подходов, опирающихся на те или иные факторы инновационного развития, вряд ли можно говорить о существовании единой модели, включающей в себя весь комплекс факторов и основные инструменты стимулирования инновационного развития. Однако в научной литературе можно встретить ряд неотъемлемых характеристик подобной модели. В частности, данная модель должна быть нелинейной;

объясняющие и объясняемая переменные должны быть «измеримы»;

в модели должны учитываться «внешние эффекты», о которых говорилось выше;

кроме того, модель должна учитывать неоднородность исследуемых регионов1.

Для разработки модели мы использовали модифицированную «функцию генерирования знаний» типа Кобба-Дугласа 2 и трансформировали ее в логарифмическую форму, замещая некоторые переменные регрессорами из рассмотренных выше гипотез:

ln Yi ln PMCi ln SMEi ln FOi ln EP 1 2 3 4 i ln Infrai ln EFi ln SAbsi ln SNi ln CVi ui, 5 6 7 8 где:

– объем инновационной продукции региона i;

Yi – константа;

PMCi – показатели уровня конкуренции на рынке инновационной продукции в регионе i;

– показатели развития малого предпринимательства в регионе i;

SMEi – переменные инвестиционной активности в регионе i;

FOi – показатели финансового состояния организаций в регионе i;

EPi – показатели уровня развития инфраструктуры в регионе i;

Infrai – показатели формы собственности в регионе i;

EFi – показатели, характеризующие способность региона i к SAbsi восприятию и адаптации новых знаний и технологий;

– показатели уровня инновационной активности в соседних SNi регионах;

– «контрольные» переменные.

CVi Поскольку модель (1) является логарифмической, коэффициенты регрессии i представляют собой эластичности – процентное изменение Yi в ответ на процентное изменение в соответствующей переменной. Так как подобное преобразование применимо только к положительным данным, часть переменных выражена в процентных отношениях (долях) или в виде средних величин.

Мариев О.С., Решетова Я.М., Савин И.В. Моделирование региональных факторов развития инновационного потенциала России. Екатеринбург: Институт экономики УрО РАН, 2007. C. Crescenzi R., Rodriguez-Posa A., Storper M. The territorial dynamics of innovation: a Europe-United States comparative analysis // Journal of Economic Geography. 2007. № 7(6), p. 673– Для получения неискаженных эмпирических оценок эффективности интересующих нас факторов и преодоления проблемы «эндогенности регрессоров» мы применили метод инструментальных переменных в контексте динамической спецификации модели. Кроме того, протестировав имеющиеся данные с помощью теста Хаусмана, мы нашли эмпирическое подтверждение значимости «фиксированных эффектов» на уровне регионов. В результате, эмпирическому тестированию подвергалась следующая обобщенная форма представленной выше модели:

yit yi,t X it Z. (2) 1 it где i – номер региона;

t – период времени;

Z – матрица региональных дамми-переменных;

i, – фиксированные эффекты;

X – матрица размером kN для k переменных и их значений для N регионов;

– вектор коэффициентов размером k1;

– вектор остатков размером N1.

Для тестирования модели (2) использовался метод оценки инструментальными переменными, взятыми с лагом, по отношению к самому периоду эмпирической оценки t («системный обобщенный метод моментов», «system GMM» 1 ). Данный подход наиболее предпочтителен для панельных данных с небольшим периодом наблюдений (в нашем случае – восемь лет) и широко применяется в исследованиях. Более детальное описание этого метода можно найти в научной литературе 2. В данном исследовании параллельно рассматривались два возможных сценария применения «системного обобщенного метода моментов»: в первом случае регрессоры рассматривались как эндогенные (подверженные влиянию инновационной активности предприятий непосредственно в период осуществления инноваций);

во втором случае, делалось допущение о том, что регрессоры предопределены (подвержены влиянию с лагом в 1 период). В зависимости от этого, нами использовано различное количество инструментальных переменных. Проверка правильности использования того или иного числа инструментальных переменных осуществлялась с помощью теста Саржана (Sargan test).

Перед непосредственным тестированием модели (2) требовалось определить, какие переменные должны быть включены в регрессионное уравнение. Процесс определения этих переменных имеет ключевое значение для результатов эмпирического анализа: включение слишком большого количества регрессоров приводит к нестабильности результатов эмпирической оценки модели, а исключение важных переменных может привести к «смещенным», искаженным оценкам.

Рассмотрим проблему оптимизации структуры регрессионной модели в общем случае:

opt yi xt u, (3) где u – вектор остатков, а xt=(x1,t,..., xk,t) – это вектор k-переменных с xtopt в качестве оптимальной структуры модели, которую мы стремимся определить. Мы можем получить xtopt как произведение матрицы Х из уравнения (2) и вектора, составленного из единиц и нулей, указывая, соответственно, какие из переменных включены в модель, а какие нет.

За последнее десятилетие в научной литературе предложен ряд стратегий по формированию оптимальных регрессионных моделей на основе больших баз данных.

Blundell R., Bond S. Initial conditions and moment restrictions in dy-namic panel data models // Journal of Econometrics. 1998. № 87(1), p. 115– Savin I., Winker P. Heuristic optimization methods for dynamic panel data model selection. Application on the Russian innovative performance// Technical Report 27. COMISEF, 2010. (Working Papers Series) Среди них методы определения модели «от общего к частному» (general-to-specific) и альтернативный ему метод, идущий «снизу вверх» (bottom-up)1. Если говорить кратко, оба метода основаны на критериях R2 и t-статистики с пошаговой процедурой регрессии. Тем не менее, применение этих методов не приводит к единой регрессионной модели, а значит, не может считаться надежным методом определения модели. Еще одним методом одновременного определения и оценки регрессионной модели является метод «Лассо»

(Lasso), активно применяемый на сегодняшний день в научных исследованиях, однако дающий асимптотическое искажение получаемой оценки 2. Следует также сказать о возможности использования информационного критерия (IC) для отбора модели согласно ее объясняющей способности и дополнительному «штрафу» за количество включенных в нее регрессоров3.

В данном исследовании мы использовали информационные критерии Баэза (BIC) и Хэннан-Куинна (HQIC), имеющих схожую структуру:

ln( €2 ) IC f (h, n), (4) где € – оценка остаточной суммы квадратов, а второе слагаемое в правой части уравнения – «штраф» за количество включенных переменных (h). Данный «штраф» зависит от количества наблюдений (n), которое в нашем случае составляет 600 – число регионов (75), умноженное на число лет (8).

Качество эмпирической оценки модели, представленной в уравнениях (1-2), критически зависит от определения общего минимума целевой функции (4). Известно, что близкие по значению информационные критерии могут приводить к абсолютно противоположным моделям и выводам. Минимизировать функцию (4) относительно сложно, поскольку область поиска модели дискретна, и классические градиентные методы в данном случае не применимы. Полный перебор всех возможных решений невозможен для нашей модели даже с использованием современных компьютеров по причине большого количества потенциальных регрессоров.

Результаты эмпирического исследования значимости факторов инновационного развития производительных сил представлены в таблице 2. Они отражают усредненное влияние значимых показателей на выпуск инновационной продукции по российским регионам. Результаты исследования представлены по двум сценариям использования инструментальных переменных (регрессоры в правой части уравнения (2) рассматривались как эндогенные и как предопределенные) и для обоих информационных критериев. Тот факт, что полученные результаты весьма схожи, свидетельствует о стабильности полученных оценок. Три из девяти гипотез – о значимом влиянии развития малого предпринимательства (размера предприятий), формы собственности предприятий и «контрольных» переменных на выпуск инновационной продукции региона – не нашли эмпирического подтверждения в рамках данного исследования.

Согласно результатам, представленным в таблице 2, количество выданных патентов и количество используемых передовых производственных технологий оказывает положительное влияние на объем инновационных товаров, работ и услуг организаций в регионе. На основании данного результата можно судить о диффузии знаний внутри региона: новые патенты и технологии, являясь инструментами передачи знаний, способствуют инновационному развитию производительных сил региона. Кроме того, полученный вывод о положительном влиянии количества патентов и технологий свидетельствует о возможности использования данных индикаторов для оценки потенциала инновационного развития производительных сил региона.

Perez-Amaral T., Gallo G.M., White H. A flexible tool for model building: The relevant transformation of the inputs network approach (RETINA). Oxford Bulletin of Economics and Statistics. 2003. № 65(1), p. 821– Tibshirani R. Regression shrinkage and selection via the lasso // Journal of the Royal Statistical Society. 1996. № 58(1), p. 267– Sin C.-Y., White H. Information criteria for selecting possibly mis-specified parametric models // Journal of Econometrics. 1996. № 71(1-2), p. 207– Как видно из таблицы 2, положительное влияние инновационного выпуска в соседних регионах соседствует с негативным эффектом от количества выданных в них патентов.

Первый из указанных эффектов объясняется тем, что товары и услуги, импортируемые из соседних регионов, являются новых знаний предприятиям данного региона. Вывод о негативном влиянии на выпуск инновационной продукции в регионе количества выданных патентов в соседних регионах является достаточно неожиданным результатом, хотя он статистически значим и включен в итоговые спецификации моделей в соответствии с обоими информационными критериями, что подчеркивает его важность для проведенного исследования. Примеры проведенных эмпирических исследований в США и Западной Европе указывают на то, что патенты являются средством передачи знаний1, а значит должен иметь место положительный эффект их влияния на выпуск инновационного продукта.

Таблица 2 – Результаты эконометрического моделирования региональных факторов инновационного развития производительных сил Эндогенные Предопределенные Сценарии регрессоры регрессоры Критерии BIC HQIC BIC HQIC Выпуск инновационной продукции в 0.29*** 0.24*** 0.25*** 0.17*** предшествующий период (t-1) Логарифм количества выданных патентов 0.26** 0.24** 0.22* 0.18* Логарифм количества используемых передовых производственных технологий 0.29** 0.23** 0.25*** 0.33** Показатели развития малого предпринимательства - - - Логарифм инвестиций в основной капитал - - 0.49*** 0.50* организаций Доля частных инвестиций в основной капитал - 0.01* - 0.01* организаций Доля инвестиций в здравоохранение - - - 0.04*** Логарифм объема прямых зарубежных инвестиций - 0.05** - 0.05** Доля прибыли предприятий и организаций в ВРП 0.03*** 0.03*** 0.02*** 0.01* Логарифм задолженности организаций по кредитам - 0.01 - (в рублях) Логарифм густоты железнодорожных путей общего 0.17** 0.15*** - пользования Логарифм объема перевозки грузов автотранспортом общего назначения - - - 0.15*** Доля выпускников государственных средних -0.07** -0.05** -0.05*** -0.04* специальных учебных заведений Логарифм объема выпуска инновационной 0.31*** 0.29*** 0.25*** 0.24*** продукции в соседних регионах Логарифм количества выданных патентов в -0.36*** -0.33*** -0.31* -0.31* соседних регионах Форма собственности предприятий - - - «Контрольные» переменные - - - R2-скорректированный 87% 88% 87% 88% Примечание: ***,**,* – регрессоры статистически значимы, соответственно на уровне 1;

5 и 10 %.

Одним из объяснений данного вывода может служить наличие административных барьеров, неготовность местных властей способствовать продвижению новых технологий на Bacchiocchi, E. and F. Montobbio (2009). Knowledge diffusion from university and public research. a comparison between US, Japan and Europe using patent citations. Journal of Technology Transfer 34(2), 169– региональный рынок1. Другим объяснением может служить тот факт, что определенная часть инновационных предприятий в России сконцентрирована в ряде особых экономических зон (ОЭЗ), где они пользуются определенными налоговыми и другими льготами. Нередко регионы с ОЭЗ на их территории, вместо того чтобы служить источником новых знаний для других регионов, «поглощают» инновационные предприятия соседних регионов.

Полученный результат свидетельствует о том, что использование знаний и технологий в России нередко замыкается в рамках отдельных регионов, что обусловливает целесообразность создания в рамках российских венчурных фондов и других организаций, призванных стимулировать инновационную активность, механизмов, способствующих диффузии знаний и технологий. Следует отметить, что при получении данного результата использовалась «географическая» концепция определения «соседства регионов», в соответствии с которой для каждого из исследуемых регионов «соседние» регионы отбирались по признаку географической близости. Однако тестирование данной гипотезы на основе «экономической» концепции, когда для определения «соседства регионов»

используются экономические критерии, несомненно, может представлять интерес с точки зрения оценки эффекта от диффузии знаний и технологий. При тестировании гипотезы о влиянии инвестиционного фактора на выпуск инновационной продукции в регионе положительный эффект был обнаружен для прямых зарубежных инвестиций. Тем не менее, нельзя не отметить, что уровень данного влияния очень мал. Это может объясняться рядом причин, в частности тем, что новые продукты и технологии, получаемые за счет прямых зарубежных инвестиций, не являются принципиально новыми, а представляют собой имитации уже используемых технологий за рубежом, а также недостаточностью объема самих прямых зарубежных инвестиций. В то же время, полученный результат о влиянии прямых зарубежных инвестиций на выпуск инновационной продукции в регионе свидетельствует о том, что их стимулирование может стать важным приоритетом российской программы по стимулированию инновационной деятельности.

Можно также выделить в числе регрессоров по данной группе показатель доли частных инвестиций в основной капитал, хотя его влияние на выпуск инновационной продукции оказалось крайне низким. Данный результат косвенно свидетельствует о том, что форма собственности потенциально оказывает влияние на инновационное развитие производительных сил, а местный частный капитал можно рассматривать в качестве эффективного собственника инновационных предприятий в перспективе. В качестве значимого регрессора по группе показателей финансового положения предприятий и организаций региона была определена доля их прибыли в ВРП. Однако, как видно из таблицы 2, величина данного эффекта крайне мала. По одному из сценариев также определено незначительное влияние на выпуск инновационной продукции задолженности предприятий и организаций по банковским кредитам (в рублях). Однако данное влияние, хотя оно со знаком «плюс», нельзя назвать позитивным моментом, такт в данном случае оно может быть следствием невозврата кредитов. Для снижения рисков данного невозврата необходима продуманная кредитная и налоговая политика, направленная на снижение стоимости кредитов и стимулирование доходности предприятий. В группе показателей, характеризующих региональные условия для генерации, восприимчивости и использования новых знаний в производстве инновационной продукции, статистически значимым (но с отрицательным влиянием) определен показатель доли выпускников государственных и муниципальных средних специальных учебных заведений. Неожиданность такого результата состоит в том, что работники – активный элемент производительных сил, а уровень образования и профессиональной подготовки кадров, способных осуществлять НИОКР, осваивать и внедрять новые технологии для производства инновационной продукции, является необходимым условием инновационного развития производительных сил.

Котлярова С.Н. Инновационные барьеры и перспективы развития отраслевых рынков на примере строительной отрасли // Экономика региона. 2010. № 3. С. Одна из возможных причин данного негативного результата, возможно, заключается в «смещении отбора», когда лучшие абитуриенты стремятся в более престижные по своему статусу высшие учебные заведения, преимущественно в столичных городах, а в средние специальные учебные заведения, соответственно, поступают менее активные и мотивированные абитуриенты. Другая причина может заключаться в несоответствии объема и структуры подготовки специалистов средними специальными учебными заведениями потребностям предприятий и организаций региона, осуществляющих выпуск инновационных товаров или услуг. При формировании направлений государственной поддержки и стимулирования подготовки кадров в соответствии с потребностями инновационного развития производства может быть полезным использование зарубежного опыта. Например, в Германии осуществляется государственная поддержка и стимулирование развития региональной сети образовательных инновационных институтов, ведущих обучение и профессиональную подготовку кадров в соответствии с идеей «долговременного обучения», поддержка таких учебных программ в учебных заведениях, которые направлены на формирование у будущих выпускников навыков, необходимых для освоения современных технологий1. В более широком плане решение проблемы повышения уровня и престижности профессионального образования в России невозможно без повышения инновационной культуры населения в целом. Показатели уровня развития инфраструктуры в регионе не оказались значимыми в рамках обоих сценариев оценивания. Так, в зависимости от конкретных допущений (в рамках одного из использованных сценариев), можно судить о положительном влиянии на выпуск инновационной продукции в регионе уровня развития транспортной инфраструктуры (по показателям густоты железнодорожных путей общего пользования и объема перевозки грузов автомобильным транспортом) и косвенно – уровня развития социальной сферы (по доле инвестиций в основной капитал в здравоохранение).

Получение более конкретных выводов о влиянии развития инфраструктуры на объем выпуска инновационной продукции в регионе в рамках данной модели не представляется возможным. Отсутствие среди наиболее значимых регрессоров показателей развития малого предпринимательства в регионе можно объяснить тем, что малые предприятия с большой осторожностью относятся к инновационному бизнесу из-за высокой степени риска. Для наиболее полной реализации инновационного потенциала малых предприятий необходима государственная поддержка развития малого наукоемкого бизнеса, а также создание условий для частного инвестирования инновационных проектов 2. Полученные результаты эконометрического анализа региональных факторов инновационного развития производительных сил региона могут быть использованы при разработке направлений региональной инновационной политики и государственного регулирования инновационной деятельности, а также при обосновании стратегий развития российского инновационного бизнеса.

Нагимов Р.М.

Институт социально-экономических исследований Уфимского Научного Центра РАН г. Уфа ПРОГНОЗИРОВАНИЕ РЫНКОВ ТРУДА И ОБРАЗОВАТЕЛЬНЫХ УСЛУГ НА ОСНОВЕ АГЕНТ-ОРИЕНТИРОВАННОЙ МОДЕЛИ Актуальность проблемы. Сегодня, остро стоит вопрос преодоления дисбаланса между выпуском специалистов на рынке образовательных услуг и их соответствию на рынке труда. Из-за отсутствия реального механизма связи между рынком образовательных услуг и Фадеева В. Национальная инновационная система Германии [Электронный ресурс]. URL:

http://www.povestka.ru/nnovation/n14.htm Суховей А.Ф., Голова И.М. Инновационные возможности саморазвития региона. – Екатеринбург: Институт экономики УрО РАН, 2010. С. рынком труда, первый рынок выпускает большое число специалистов, не востребованных вторым рынком. Ряд научных институтов, в частности Петрозаводский Государственный Университет, предлагают различные методики прогноза потребности рынка труда в квалификационных кадрах и выпуска специалистов на рынке образовательных услуг на основе макроэкономических показателей для решения данной проблемы. Зачастую они страдают отсутствием комплексного, методологически обоснованного инструментария, который бы позволял на основе теоретических выводов получать адекватные практические результаты. Методологически обоснованный инструментарий должен учитывать имеющейся информационно-аналитический потенциал рассматриваемого региона, на основе которого можно будет построить гибкую модель, наглядно отражающую протекающие процессы на рынках труда и образовательных услуг. В связи с этим фундаментальной задачей в рамках данной проблемы является задача разработки инструментария моделирования и управления дисбалансом спроса и предложения рынков труда и образовательных на основе гибкой агент-ориентированной модели в программной среде имитационного моделирования.

Гибкость модели позволяет обеспечить структурное и содержательное соответствие рынка образовательных услуг потребностям рынка труда. Агент-ориентированная модель, в отличие от прогнозной трендовой модели, дает возможность многократного проигрывания различных сценариев поведений агентов, позволяет выделить основные параметры, влияющие на поведения агентов и регулировать их, что придает модели большую гибкость и делает ее более адекватной к жизненным реалиям.

Агент-ориентированная модель выпуска специалистов. В данной статье рассматривается концепция поведения агентов на рынке образовательных услуг. В качестве агентов данной модели выступают абитуриенты, так как основным регулятором выпуска специалистов является прием абитуриентов в разрезе учебных заведений и специальностей, внутренний отсев во время учебы играет менее значительную роль. Количество агентов рассчитывается, исходя из статистических данных, и вычисляется на нескольких ключевых узлах. Первый узел – «Демографический блок» базируется на демографической статистике, а именно на статистике рождаемости в рассматриваемом регионе. Вторым ключевым узлом является «Основное образование», где агенты осуществляют выбор – получить среднее полное общее образование или перейти на следующий ключевой узел «Профессиональное образование» и получить начальное или среднее профессиональное образование. Данный выбор агентов моделируется согласно статистическим данным по распределению потоков учащихся по основному и профессиональному образованию. Ключевой узел «Профессиональное образование» объединяет в себе начальное, среднее и высшее профессиональное образование. Попадая на данный ключевой узел, агент осуществляет выбор специальности, участвует в конкурсе на выбранную специальность и, в случае успешного прохождения конкурса, проходит обучение. Получив образование по выбранной специальности, агенты поступают на рынок труда. Концептуальная модель направления потоков учащихся представлена на рис. 1. В агент-ориентированной модели каждому агенту задается свой набор свойств: результаты ЕГЭ (балл), максимальная плата за обучение (руб.), наличие медали (да/нет), наличие льгот (да/нет), и призер олимпиады (да/нет).

Распределение данных свойств агентам в модели идет случайно, согласно статистическим данным по вышеописанным показателям. Свойства агента влияют на его выбор специальности, который он осуществляет согласно следующим критериям выбора: уровень оплаты труда, престижность профессии, сложность поступления, уровень преподавания, вид обучения (коммерческое/некоммерческое), сложность обучения. На выбор специальности агентом влияют все вышеописанные критерии, отличается только их порядок предпочтений.

В модели приоритеты выбора специальности агентом задаются случайно, согласно данным социологических опросов – «Факторы влияния на абитуриентов при выборе специальности».

Выбор специальности основан на принципе фильтров. В модели рассматривается укрупненных групп специальностей (УГС).

Первый фильтр отсекает 7 специальностей, второй – 6 и, наконец, последний – специальности, в итоге остается только одна выбранная специальность (рис. 2). Свойства агента и выбранный им порядок предпочтений критериев выбора специальности определяют стратегию его поведения. Алгоритм прохождения конкурса абитуриентами на выбранную специальность представлен на рис. 3. Критерии выбора специальности агентом будут интерпретироваться в модели следующим образом.

Демографический блок Рождение Основное образование 9 класс Выбор на основании 10-11 класс статистических данных Профессионально НПО СПО е образование Выбор на основании статистических ВПО данных и критериев выбора Рынок труда Рисунок 1 – Концептуальная модель направления потоков учащихся Уровень оплаты труда. На первом этапе определяется экспертно матрица связи рассматриваемых групп специальностей и ОКВЭД. На следующем этапе, определяются группы специальностей, по окончанию которых выпускники получают профессию, которая на данный период является высокооплачиваемой.

N (1) pj max j i где i- счетчик специальностей;

j- счетчик ОКВЭД;

N - доля специалистов i-ой специальности в j–ом ОКВЭД;

p- среднемесячная номинальная начисленная зарплата работников в разрезе ОКВЭД.

Фильтр по данному критерию позволяет выделить данные специальности.

Престижность профессии. Определяются исходя из количества поданных заявлений в разрезе специальностей. Предпочтения агента будут отданы тем специальностям, на которые подано больше всего заявлений по ретроспективным данным прошлым лет.

Сложность поступления. В выборку агента попадают только те специальности, на которые проходной бал по ЕГЭ минимален.

Перечень специальностей по ОКСО (28 специальностей) Агент Свойства Статистика по абитуриент поступлению а 28/2 Определение приоритетов выбора специальности 21/2 (фильтров) Фильтр 15/ (Сложность поступления) Фильтр 10/ (Уровень преподавания) 6/ Фильтр (Уровень Фильтр оплаты) (Престижность 3/ профессии) Фильтр (Сложность поступления) 1/ Фильтр Выбранная (Комерч./ А специальность некомерч.

обучение) Рисунок 2 – Алгоритм выбора специальности (пример) Уровень преподавания. Данный критерий позволяет выделить специальности с высоким качеством образования, т.е. с максимальным количеством доцентов и профессоров.

Сложность обучения. Выборка агента состоит из специальностей, где сложность обучения минимальна. Данный показатель рассчитывается согласно коэффициенту, определяющему отношение количества выпускников к количеству поступивших по каждой специальности.

Коммерческое или некоммерческое обучение. Агенту задается предпочтение исходя из статистических данных. В модели каждому агенту будут присваиваться порядок предпочтений критериев выбора специальностей, на основании которого будет определяться стратегия поведения агентов при выборе той или иной специальности. Участие в конкурсе агентов подразумевает наличие конкурсного отбора между агентами при поступлении на выбранную специальность. Количество агентов, успешно прошедших конкурс, будет зависеть от количества бюджетных и коммерческих мест на специальности и от индивидуального рейтинга каждого из агентов. Рейтинг агента вычисляется исходя из имеющихся у него результатов ЕГЭ. Чем выше рейтинг агента, тем выше вероятность того, что агент успешно поступит на учебу по выбранной специальности. Предлагаемая агент ориентированная модель позволяет определить движение потока учащихся агрегированного по специальностям по всем учебным заведениям начального, среднего и высшего образования на региональном рынке образовательных услуг. Все свойства и предпочтения агента при выборе профессии задаются на основании вероятностей, получаемых в ходе данного анализа. На основании данных свойств и предпочтений строится стратегия поведения агентов.

А Подача документов Да Нет Количество абитуриентов больше Упорядочивание абитуриентов (балл ЕГЭ) Абитуриент прошел конкурс на бюджетной основе Нет Ранг абитуриента больше или Да Нет равно Участие в конкурсе на обучение на Упорядочивание абитуриентов (балл ЕГЭ) Абитуриент не Нет прошел конкурс Да Ранг абитуриента больше или равно Абитуриент прошел Выход 1 Выход 2 Выход конкурс на коммерческой основе Рисунок 3 – Алгоритм прохождения конкурса абитуриентами на выбранную специальность Таким образом, каждый агент будет иметь свою автономную стратегию поведения.

Данная модель может содержать большое количество таких агентов, что делает модель наиболее приближенной к существующим реалиям. Таким образом, данный подход дает возможность смоделировать процесс поступления абитуриентов на определенные специальности. А возможность влияния на различные критерии оценки учебных заведений и специальностей дадут возможность регулировать поток абитуриентов и направить его в сторону наиболее дефицитных специальностей согласно нынешнему прогнозу. Гибкость данной модели заключается в том, что все изменения тенденций выбора специальностей абитуриентами заложены как входящие параметры агент-ориентированной модели и, при их изменении не требуется изменять код модели. Агенты в предлагаемой модели будут реагировать на изменения тенденций, и будут вести себя адекватно данным изменениям.

Прогнозирование потребностей экономики в кадрах с профессиональным образованием. Прогноз численности занятых по отраслям, для регионального рынка труда вычисляется по формуле:

1 eЧЗ Ч ЗНj Ч ЗНj t t Q tj (2) j где Q tj - планируемый ВДС (валовая добавленная стоимость) отрасли j в период t;

Уравнение (2) позволяет установить взаимосвязь между скоростью изменения занятости и объемом выпуска в каждой отрасли:

Ч ЗН % ЧЗ j e (3) j Qj % где eЧЗ - коэффициент чувствительности изменения занятости в j-й отрасли j экономики республики к изменению ВДС за период;

Ч ЗН - прирост численности занятых j-ой отрасли экономики республики в % за j период;

Q j % - прирост ВДС j-ой отрасли экономики республики в % за период.

Полученный прогноз численности работников по отраслям необходимо разделить еще и по уровням образования работников. Доля работников с заданным уровнем образования в отрасли экстраполируется по ретроспективным данным в будущее. В итоге получается распределение Ч ЗНt по уровням образования Ч ЗНt, Ч ЗНt, Ч ЗНt - прогноз потребности j jV jC jN отраслей экономики в работниках соответственно с высшим (V), средним (C) и начальным (N) образованием.

Прогноз потребности отраслей экономики в работниках соответственно с высшим (V), средним (C) и начальным (N) образованием был получен из ретроспективных данных и определен в соотношении 45%, 33% и 22%.

На следующем этапе осуществляется расчет коэффициента ежегодного обновления (величина, обратная коэффициенту ротации) по отраслям экономики занятого населения.

Этот коэффициент зависит от уровня образования и определяется эмпирическим путем. Для высшего образования он составляет приблизительно 4%, соответствующий коэффициент ротации RV =1/0,04=25. Для среднего и начального образования данный коэффициент будет равен 5% и 7% соответственно. На основе коэффициента ротации рассчитывается доля ежегодно обновляемой части работников (потребности в специалистах) соответствующего уровня образования для каждой отрасли экономики;

например, для высшего образования она Ч ЗНjV t будет равна (1). Построение нормативной матрицы весовых коэффициентов Rv профессионально-квалификационного распределения выпуска специалистов для двадцати восьми укрупненных групп специальностей (УГС) по тринадцати отраслям экономики.

Строки этой матрицы соответствуют тринадцати отраслям экономики (j индекс отраслей экономики), а столбцы – двадцати восьми укрупненным группам специальностей (k индекс укрупненных групп специальностей). Данная матрица является нормативной и уникальной для каждого уровня образования O, O € {N C V}: ее элемент a Oik соответствует процентной доле специалистов уровня образования O с k-ой УГС, которые традиционно привлечены к работе в отрасли экономики j. Матрица позволяет пересчитать ежегодную потребность в специалистах PtOk уровня образования O из разреза j отраслей экономики в разрез k укрупненных групп образовательных специальностей (2):

aOik Ч знОjk RO t (4) PtOk j Таким образом, получим матрицы прогнозных значений необходимого количества специалистов на рынке труда и количества специалистов выпускаемых на рынке образовательных услуг в одном разрезе времени.

Разница между соответствующими элементами двух матриц будет отражать соответствующий дисбаланс между выпускающимися и требуемыми специалистами.

Предлагаемая модель имеет возможность производить самоадаптацию внутренних расчетных коэффициентов по ретроспективным данным и изменениям трендов используемых данных. Удобное визуальное представление агент-ориентированной модели делает простой ее в использовании, позволяет собирать информацию как по агентам по отдельности, так и в совокупности, в любых временных интервалах. Кроме того, имеется возможность конвертирования данных в программный продукт Excel и обратно.

Нехорошкова О.В.

к.э.н. Радченко С.М.

Нижнетагильский технологический институт (филиал) УрФУ МОДЕЛИРОВАНИЕ В НАЛОГООБЛОЖЕНИИ С ПОМОЩЬЮ ПОСТРОЕНИЯ СТРУКТУРНОЙ ФУНКЦИОНАЛЬНОЙ МОДЕЛИ ДЕЯТЕЛЬНОСТИ НАЛОГОВОЙ ИНСПЕКЦИИ Необходимо отметить, что в последнее время планирование поступлений налогов и сборов в прогнозировании развития налоговой системы занимает все более важное место, являясь одной из немногих, но чрезвычайно действенных хозяйственных функций государства в условиях экономики рыночного типа. Налоги служат индикатором макроэкономических проблем, и поэтому их поступление в бюджетную систему зависит в основном от колебаний экономической конъюнктуры, финансовой политики государства, организационно-правовых проблем, а также налогового администрирования. Проблема стабильности налоговых поступлений определяется, прежде всего существующей налоговой системой, слаженности работы налоговых органов, а также от множества других микро- и макроэкономических факторов. Среди определяющих причин неудовлетворительного поступления налоговых платежей в бюджетную систему страны, регионов и муниципалитетов можно выделить проблемы нерациональности применяемых налоговых механизмов, несовершенную структуру налоговой системы, недостаточно эффективную работу налоговых органов по прогнозированию налоговых платежей. Одним из направлений составления прогноза поступления налогов может служить разработка структурной функциональной модели деятельности налоговой инспекции. Она будет представлять собой "снимок" технологии функционирования налоговой инспекции на момент исследования.

Данная модель позволит проанализировать бизнес-процессы, происходящие на территориальном уровне с использованием методов системного анализа, выявить существующие проблемы и сформулировать новые подходы по реинжинирингу налогового механизма. После проведения детального исследования выбранной предметной области необходимо четко определить цель будущего проекта и построить прогнозную модель функционирования налоговой инспекции. Модель может быть построена как на бумаге, так и с помощью программного обеспечения.

Модель будет включать список параметров представленных ниже:

применяемую методологию;

кадровый состав;

техническое обеспечение;

программное обеспечение;

данные о налогоплательщиках;

бухгалтерскую, налоговую отчетность;

платежные документы;

входящие документы;

сведения по налоговым начислениям;

сведения о состоянии лицевых счетов налогоплательщиков;

выходящие документы;

налоговые предписания.

При формировании списка данных необходимо проводить группировку понятий для повышения «читаемости» сконструированной модели. Исходным блоком для управления рассматриваемой модели могут служить: законодательство, инструктивные материалы, должностные инструкции. Все эти понятия могут быть заменены термином "методология".

Ниже изображена модель функционирования налоговой службы (см. рис. 1).

Рисунок 1 – Модели функционирования налоговой службы Уровень детализации и декомпозиции модели зависит от потребностей пользователя, который будет ею руководствоваться. Построение модели является итеративным процессом, т.е. первый реализованный вариант модели, скорее всего, не будет окончательным и, будет дополняться в дальнейшем. В рамках нашего исследования рассматривалась деятельность отдела камеральных проверок №3 Межрайонной инспекции Федеральной налоговой службы №16 по Свердловской области в городе Нижний Тагил (далее Инспекция). Данный отдел в наибольшей степени задействован в осуществлении задачи налогового контроля и прогнозирования налоговых платежей. Налоговая инспекция является территориальным органом и осуществляет нижеперечисленные функции контроля:

за соблюдением законодательства о налогах и сборах;

правильностью, полнотой исчисления и своевременностью внесения в соответствующий бюджет налогов и сборов;

соблюдением валютного законодательства Российской Федерации в пределах компетенции налоговых органов;

соблюдением требований к контрольно-кассовой технике, порядком и условиями ее регистрации и применения, а также полнотой учета выручки денежных средств и др.

Для проведения анализа воспользуемся следующей схемой (см. рис.2.). Любая организация, в том числе и налоговая, представляет собой сложную систему, внутри которой постоянно протекают различные процессы. Если бы не существовало никаких процессов, то нельзя было бы говорить и о существовании организации, так как только через происходящие изменения мы можем изучать любую систему. Общая схема процессного подхода выглядит следующим образом (см. рис. 3). Решение задачи повышения эффективности деятельности организации неразрывно связано с обеспечением информационной поддержки процессов.

Сегодня практически ни у кого не вызывает сомнений необходимость построения четкой системы происходящих процессов в организации или учреждении с эффективной информационной составляющей. Не составляет исключения и налоговая инспекция.

Рисунок 2 – Схема построения проведения анализа Известно, что в основе процессов организационного планирования и управления лежит информация, появляющаяся на стадии проектирования деятельности. Следовательно, эффективность работы всей информационной системы напрямую зависит от актуальности и полноты данных, получаемых на этой стадии.

Рисунок 3 – Общая схема процессного подхода Таблица 1 – Атрибуты бизнес-процессов отдела Важность № Бизнес-процесс Проблемность процесса Входные границы процесса Выходные границы процесса процесса I. Основные процессы Идентификация сведений 4 / высокая Несвоевременность Информация, поступающая от Достоверные сведения об 1. получения сведений от регистрирующих органов объектах налогообложения и их регистрирующих органов правообладателях Актуализация базы 5 / очень Человеческий фактор Существующая база плательщиков Обновленная и дополненная база 1. высокая (ошибки при занесении данных в базу).

Наличие «двойников»

Исчисление налогов 5 / очень Ошибки при исчислении Сведения об объектах Налоговые уведомления и 1. высокая налогов налогообложения;

налоговые платежные документы на уплату ставки указанных налогов Подготовка материалов 5 / очень Незаявление Документы, подтверждающие Исковые заявления на взыскание 1. камеральных налоговых важная налогоплательщиками о уплату налогов задолженности по налогам и проверок наличии льгот пене Анализ причин возврата 4 / высокая Неоперативность работы Возвращенные налоговые Повторное направление 1. неврученных налоговых почты. уведомления налоговых уведомлений уведомлений ФЛ Замедленный обмен информацией между субъектами налоговых отношений 1.6 Участие в подготовке ответов 5 / очень Обращения с вопросами, Запросы в письменном и устном Ответы на обращения на запросы важная невходящими в виде налогоплательщиков налогоплательщиков, в т.ч. в компетенцию отдела ходе приема граждан 1.7 Формирование 4 / высокая Сложность с освоением Цели, задачи, поставленные перед Отчеты о деятельности отдела установленной отчетности новых форм отчетности отделом;

выборка по предмету деятельности информационных ресурсов отдела Выполнение контрольных 5 / очень Нерациональное Контрольное задание Управления Выполненное контрольное 1. заданий инспекции и высокая использование рабочего ФНС России по Свердловской задание и отчет о его исполнении контролирующих органов времени при исполнении области заданий II. Обеспечивающие процессы Обеспечение безопасности 4 / высокая Нарушение правил База данных по Соблюдение налоговой тайны, 2. безопасности (прием налогоплательщикам обеспечение граждан только по конфиденциальности предъявлению паспорта, неразглашение пароля) ИТ-обеспечение и связь 5 / очень Перебои в работе Программное обеспечение, Оказанные услуги по ИТ 2. высокая локальной сети компьютерная техника, внутренняя обеспечению и связи телефонная линия, локальная сеть (внедренное ПО) Юридическое обеспечение 5/ очень Разночтения налогового Налоговое законодательство;

Документы, оформленные по 2. высокая законодательства правильное оформление исковых нормам законодательства заявлений III. Процессы управления Управление бизнес- 5 / очень Ошибки при оформлении Требования к оформлению Проведенные мероприятий по 3. процессами и качеством высокая документации. документов;

оптимизация времени;

улучшению процессов и качества Неоперативность сроки и точность исполнения работы отдела (электронная исполнения заданий очередь, обработка запросов через интернет) Управление персоналом 5 / очень Отсутствие Планы и мероприятия по Четкое распределение участков 3. высокая квалифицированных кадров;

управлению персоналом. работы среди сотрудников сокращение персонала;

Штатное расписание;

наличие декретные отпуска вакансий Участие в организации и 4 / высокая Отсутствие работника в Необходимость в подготовке и Новые кадры для налоговой 3.3.

осуществлении момент проведения переподготовке кадров инспекции мероприятий по экономической учебы профессиональной (отпуск, болезнь);

быстрота подготовке и изменения налогового переподготовке кадров законодательства Другими словами, развитая система процессов лишь при эффективной информационной поддержке есть ключ к успеху любого предприятия или учреждения. В иерархических структурах, которые доминируют в бюджетной сфере, хорошо налажены вертикальные связи, а горизонтальные (между сотрудниками подразделений), как правило, малоэффективны, плохо формализованы, в основном зависят от человеческого фактора.

Одной, из актуальных задач, решаемых в рамках процессного подхода, и соответственно формирования системы процессов бюджетной организации, в частности налоговой службы РФ является совершенствование ведомственного контроля. В Инспекции этот процесс осуществляется на основе Концепции развития внутреннего контроля и аудита.

Основная цель процессного подхода состоит в формировании эффективной системы, которая позволит своевременно выявлять причины нарушений налогового законодательства, а субъекты управления получат возможность нивелирования последствий выявленных текущих проблем и формирования комплекса мер по предотвращению отклонений от нормы в будущем. В результате совершенствования системы процессов в налоговой инспекции повысится прозрачность и управляемость организационных процессов и деятельности инспекции в целом, качество планирования и точность оценки эффективности подразделений, результативность регионального налогообложения, а также ускорится и упростится работа с налогоплательщиками. Для анализа бизнес-процессов отдела камеральных проверок и определения их важности была сформирована экспертная группа в составе трех человек: начальник отдела, государственный налоговый инспектор, специалист информационного отдела. Полученные результаты анализа представлены в таблице 1. Все проблемы, имеющиеся в отделе, связаны с формированием базы плательщиков налога на имущество физических лиц, транспортного и земельного налога. Они возникают из-за того, что сведения, поступающие в инспекцию от регистрирующих органов через Управление Федеральной налоговой службы (ФНС) России по Свердловской области, поступают не полностью и в отдельных случаях имеют неточности. На данный момент налоговая инспекция и регистрирующие органы (Федеральная регистрационная служба, бюро технической инвентаризации) не используют единый классификатор адресов, в результате чего идентификация об объектах налогообложения (недвижимость, земельные участки) в автоматическом режиме производится в размере не более чем 20-30 % от общего количества поступивших сведений и значительная часть сведений обрабатывается в инспекции в ручном режиме. Так, в связи с выявленной проблемой количество не идентифицированных сведений по состоянию на 1 июля 2009 года составило:


по налогу на имущество физических лиц: не идентифицировано объектов – 1966 (2, % от поступивших сведений), правообладателей – 3028 (1,6% от поступивших сведений);

по земельному налогу: не идентифицировано объектов – нет, правообладателей – (0,4 % от поступивших сведений).

В настоящее время разработано и предложено к использованию немало методик для оценки эффективности работы налоговых органов. В нашем случае мы используем методикой, предложенной Д.В. Крыловым для определения эффективности налогового администрирования отдела (см. табл. 2). Используя формулы (1) и (2) рассчитаем коэффициент собираемости налогов и экономической эффективности налогового администрирования за рассматриваемые периоды.

(1) = (2) В рамках предлагаемого метода под потенциалом налогооблагаемой базы понимается состояние базы налогообложения, выраженное через величину начисленных налоговых платежей. Под потенциалом задолженности предлагается рассматривать величину задолженности, реальную к взысканию в отчетном периоде.

Определение величины реальной к взысканию задолженности является сложной процедурой и должно предусматривать как качественную оценку задолженности, так и разработку плановых и методических мероприятий по ее снижению.

Таблица 2 – Расчет коэффициентов эффективности налогового администрирования за 2009 – 2011 гг.

№ Обозначения Показатель 2009 г 2010 г. 2011 г.

п/п Общий объем налоговых поступлений, П 1 148 528 172 940 180 тыс.руб.

Налоговый потенциал, тыс.руб. НП 2 181 432 198 810 208 Задолженность к взысканию, тыс.руб. З 3 32 904 25 870 27 Коэффициент собираемости налогов Кс 4 0,82 0,87 0, Коэффициент экономической эффективности налогового Кэ 5 4,5 6,7 6, администрирования По результатам расчета наблюдается незначительное увеличение рассматриваемого коэффициента собираемости, о чем свидетельствуют полученные значения в строке таблицы 2. Что касается, коэффициента эффективности, то результаты расчетов показывают его увеличение в 2010 году в сравнении с 2009 годом. Однако в 2011 году произошло его незначительное снижение на 0,2 пункта. Рост данного показателя обусловлен увеличением общей величины налоговых поступлений и снижением доли задолженности по местным налогам. Разработка модели на основе программного комплекса «Электронный документооборот» (ЭДО) позволит ликвидировать «грязные данные», поступающие от регистрирующих органов и повысить эффективность взаимодействия налоговой службы с другими субъектами налоговых отношений (см. рис.4).

Результат внедрения Проблемы Модели Замедленный обмен Увеличение налоговых информацией между поступлений от субъектами налоговых налогоплательщиков отношений Несвоеременность получения Модель сведений, поступающих от взаимодействия ФНС регистрирующих органов Экономия времени с регистрирующими работы налоговых органами на основе органов Неполнота сведений, программного поступающих от комплекса ЭОД регистрирующих органов Получение искаженной Повышение уровня информации, поступающей от качества работы регистрирующих органов Рисунок 4 – Обоснование разработки модели для повышения эффективности деятельности ФНС Рассмотрим, каким образом функционирует модель. В развернутом виде ее можно увидеть на рисунке 5. Входными параметрами модели являются сведения о физических лицах, поступающие от регистрирующих органов (БТИ, ФМС, ЗАГС, Росреестр, ГИБДД).

Основой информационного обмена ФНС с органом государственного технического учета (БТИ) является предоставляемая информация:

об объектах недвижимого имущества, являющегося объектом налогообложения налогом на имущество физических лиц, и их правообладателях;

об инвентаризационной стоимости объектов недвижимого имущества (т.е. стоимость объекта оценки с учетом его физического износа и динамики роста цен на строительную продукцию, работы и услуги по состоянию на дату определения стоимости).

В качестве уточняющих данных по запросу налогового органа представляет сведения об объекте недвижимости (наименование, точный адрес - местоположение), площадь (при наличии – инвентарный номер, литер, этаж, номер на поэтапном плане). Федеральная миграционная служба (ФМС) также является одним из органов, на которые возложена обязанность сообщать в налоговые органы указанные сведения. Во-первых, данные о регистрации граждан по месту жительства. Во-вторых, сведения о фактах первичной выдачи документов или замены документов, удостоверяющих личность гражданина Российской Федерации на территории РФ, плюс изменения персональных данных, содержащихся во вновь выданном документе, плюс факты подачи гражданином заявления об утрате документа, удостоверяющего личность.

Процессный Оценка Сведения об инвентаризационной БТИ подход эффективности стоимости недвижимого имущества (анализ бизнес- (анализ Управление процессов) коэффициентов ФМС Сведения о регистрации ФЛ ФНС эффективности) по месту жительства Межрайонная ЗАГС ИФНС Внутренняя России № Сведения о факте рождения и смерти ФЛ отчетность Отдел Сведения о недвижимом имуществе и Письменные ответы Налого камеральных проверок № о его владельцах на запросы налогоплательщиков плательщики Росреестр Сведения о земельных участках и (физические о его владельцах Налоговые лица) уведомления Земельный комитет Временная Программный Компьютеры Сведения о земельных участках, проектная комплекс Принтеры признаваемым объектом налогообложения группа ЭОД Телефоны ГИБДД Сведения о транспортных средствах и их владельцах Рисунок 5 – Проект функционирования субъектов налоговых отношений на основе разработанной модели Получение налоговыми органами данной информации позволяет им своевременно произвести постановку на учет физического лица по месту жительства, а также обеспечивает наличие в налоговых органах актуальной информации о гражданах, которая используется, в том числе при направлении налоговых уведомлений налогоплательщикам - физическим лицам. Также налоговая служба заинтересована в оперативном получении информации от органов ЗАГСа в целях корректного ведения баз данных налоговых органов и правильного начисления налогов. В рамках этого взаимодействия в налоговую инспекцию предоставляются сведения о фактах рождения и смерти физических лиц, а также сведения о смене фамилии граждан. Следующим источником предоставления сведений о физических лицах является Росреестр.

В ходе обмена данными в налоговую инспекцию поступают сведения об объектах недвижимого имущества, зарегистрированных правах на объекты недвижимого имущества, о лицах, являющихся правообладателями данных объектов недвижимости, в том числе сведения о земельных участках, их владельцах, а также стоимости земельного участка.

Органы Государственной инспекции безопасности дорожного движения информируют налоговую службу обо всех транспортных средствах и лицах, на которых они зарегистрированы, в течение 10 дней после регистрации или снятия с регистрации транспортных средств, а также лицах, на которых зарегистрированы транспортные средства.

На практике сведения, направляемые регистрирующими органами, часто являются неполными, неактуальными и некорректными, что приводит к невозможности правильно начислить налог. Система ЭОД ориентирована на функциональный принцип работы и на «хождение» всех документов в электронном виде. Таким образом, пользователь в любой момент может увидеть, где находится документ и в каком он состоянии. Качественные результаты внедрения «Системы ЭОД» заключаются в повышении технологичности, создания актуального банка данных о налогоплательщике, повышении персональной ответственности сотрудников за принимаемые решения.

Выходными параметрами модели являются:

внутренняя отчетность отдела (еженедельная, квартальная);

письменные ответы на запросы налогоплательщиков;

налоговые уведомления на уплату физическими лицами налога на имущество, земельного и транспортного налога.

Спрогнозируем экономические показатели, на основе методики Д.В. Крылова для оценки результата внедрения модели для отдела камеральных проверок №3. Исходя из, существующего тренда задолженностей по налогам за ряд предыдущих периодов, а так же предложенной модели функционирования субъектов налоговых отношений можно предположить снижение задолженности порядка 3-4% (см. табл.3). Результаты расчетов демонстрируют возможное снижение задолженности в 2014 году до 3%. Это составит 197 162 тыс. руб., что на 16 580 тыс. руб. больше показателя 2011 года. Также произведенные расчеты свидетельствуют о повышении коэффициента собираемости налогов и коэффициента экономической эффективности.

Таблица 3 – Прогнозные показатели после внедрения модели Показатели 2012 г. 2013 г. 2014 г.

Задолженность, % 10 7 Уровень инфляции, % 6 5 Ожидаемые налоговые поступления, тыс. руб. 186 713 190 984 197 Коэффициент собираемости 0,9 0,92 0, Коэффициент экономической эффективности 6,7 6,9 7, Таким образом, модель позволит более эффективно организовать информационные потоки между субъектами налоговых отношений и это найдет отражение в улучшении экономических показателях. В заключении следует отметить, что процесс налогового планирования и прогнозирования не является механическим определением размера предстоящих поступлений в бюджетную систему. Это процесс определения эффективности принимаемых решений и оптимального взаимодействия всех участников в области налоговых отношений.


Павлов Н.В.

НТИ (филиал) УрФУ г. Нижний Тагил ВОЗМОЖНЫЕ ПРИНЦИПЫ ПРОГНОЗИРОВАНИЯ И ЭФФЕКТЫ ТЕРРИТОРИАЛЬНОГО ПОВЕДЕНИЯ ИНДИВИДОВ В РАМКАХ АНТРОПОСТРАТЕГИЧЕСКОГО ПОДХОДА Кризисы последних лет указывают на существование серьзных пробелов в прогнозировании социально-экономических показателей развития территорий.

Индивидуальная и социальная динамики вообще не учитываются. Вызывает опасение постепенная деградация Российского общества и, как результат, снижение экономического потенциала человеческого капитала. Продолжают обостряться проблемы наркомании, табакокурения и алкоголизма среди населения. Россия занимает первое место среди всех стран по потреблению героина. По неофициальным данным от 2,5% до 3,5% населения страны регулярно употребляют наркотики, из них 80% приходится на детей и молоджь.

Без всякого сомнения, один экономический рост не спаст страну из культурного кризиса. Говоря о росте, не стоит забывать, что Россия остатся, в первую очередь, добывающей страной. Налицо проблема несоответствия и недостаточности параметров прогнозирования для принимаемых стратегических решений. При решении данной проблемы одной из ошибок учных является недооценка принципов человеческого поведения. Необходимы радикально новые источники развития и роста человеческого капитала, которые, даже не станут запредельно эффективными, то хотя бы дадут новую надежду и подтолкнут Россию к выходу из затяжного кризиса. В своей работе «Кризис современной экономической теории и необходимость формирования интегративной экономики» В.С. Бочко указывает на актуальность и высокое значение оценки поведенческих детерминант в решении проблем развития территорий 1. Принимая этот вектор за основу, проведм беглый анализ текущих знаний об индивидуальном поведении.

На протяжении нескольких веков до сих пор (как это ни странно) продолжают раздельно существовать такие науки как экономика, социология и психология. Это, в свою очередь, исходит из того, что экономическая теория как наука в данный момент совершенно неспособна спрогнозировать психологию. А психология практически не стремится задействовать позиции и фундаментальные законы экономической теории, продолжая вс больше и больше загонять себя в тупик совершенно надуманными теориями. Социология на современном этапе содержит в себе множество противоречий. В идеале же она должна опираться на чткие законы человеческого поведения. В их отсутствие она придумывает свои полугипотезы и псевдокатегории, которые больше вгоняют в тупик ученые умы, чем развивают их в нужном направлении. Теории социологии и психологии в больше мере описывают индивидуальное поведение, чем способны его спрогнозировать. Их недостаток в невозможности предугадать индивидуальную динамику поведения, даже в краткосрочном периоде, не говоря о динамике социальной. Не стоит здесь перечислять огромное множество концепций, гипотез, теорий, глобальных тезисов и постулатов, выдвинутых экономистами, психологами, социологами за последние десятилетия. Разумеется, кто-то из них прав, однако даже при этом в подобном ракурсе развитие гуманитарных наук неэффективно. Сверх того – неприемлемо и недопустимо. Создавая новые знания, необходимо периодически наводить порядок: вычркивать и оптимизировать знания существующие, комбинировать и улучшать.

Этой функцией занимаются очень немногие учные.

Бочко В.С.: «Кризис современной экономической теории и необходимость формирования интегративной экономики» / Труды V Всероссийского симпозиума по экономической теории. Том 1. Политическая экономия.

Микроэкономика (экономика локальных рынков). Макроэкономика (национальная экономика). – Екатеринбург:

Институт экономики УрО РАН, 2012. – 245 с.

Работы таких учных тем замечательнее, чем их меньше. В их числе, например, Сальваторе Мадди (работа «Теории личности – сравнительный анализ») 1, который самостоятельно за несколько лет сумел скомпоновать вершину психологических концепций, разделив их на три направления: бихевиористские, когнитивные и гуманистические. Однако даже этот без сомнения выдающийся учный не принял во внимание возможность создания индивидуальной психологии, базирующейся на принципе получения чистой экономической выгоды в любом совершаемом индивидом действии. Если отстаивать подобную возможность прогнозирования индивидуального поведения, то принцип звучит так: «Любое совершаемое индивидом действие направлено на получение конкретной выгоды». Это определение уже бросает свет на многие вопросы. А именно, навсегда и полностью исключает свободу выбора. Исключает возможность иррационального поведения индивида, в частности, существования сверхестественной воли. Многие люди называют это «душа», однако душа по нашему мнению выступает лишь отражением сознания, которое наблюдает за совершаемым выбором, а не совершает его. Подобную трактовку души оспорить невозможно, равно, как и однозначно доказать. Очевидно, что существуют действия, не направленные на получение выгоды. Подобное поведение рационально, но неэффективно. Негативное индивидуальное поведение отдельных индивидов приносит выгоду большинству. К таким действиям можно отнести употребление наркотиков, табакокурение, употребление алкоголя, азартные игры на деньги, совершение преступлений и ряд иных. Совершая такие действия, индивиды деградируют, что позволяет окружающим вытеснять их и понижать их статус. На основе социального сравнения индивиды ощущают сво превосходство, что позволяет им претерпевать дополнительные трудности в жизни. И это социальное сравнение, таким образом, положительно сказывается на их выживании.

Одновременно с этим деградирующие индивиды совершают негативные действия по отношению к стабильно существующим. Эти действия, несомненно, наносят сильный ущерб.

Однако, они же и активируют стабильно существующих индивидов, детерминируя в них потребность к выживанию и долгосрочно усиливая. В этом вторая выгода общества от деградации отдельных индивидов. При этом сами индивиды долгосрочно не получают выгоду от подобного поведения. Их поведение можно назвать низкоэффективным. Так как выгоды от суррогатов существуют, то в прогнозирование можно, а может быть даже нужно каким-то образом закладывать эти феномены. Их нужно пристально и более внимательно изучить, ведь теперь, когда общесоциальная выгода от деградации отдельных индивидов ясна, становится ясно, почему невозможно достичь блага для всех индивидов одновременно.

Чтобы воспрепятствовать социальным суррогатам следует создать механизмы их замещения и постепенного вытеснения. При этом механизмы должны не просто имитировать социальное сравнение и иные законы человеческого поведения, но инициировать в индивидах максимальную активацию. Одновременно, прогнозирование индивидуальной и социальной динамики следует строить, вероятно, исходя из единственного критерия – индивидуальной активации. Ведь экономику характеризует не только уровень е развития.

Но и потенциал развития – способность индивидов общества эффективно действовать для повышения собственного и всеобщего благосостояния. В долгосрочной перспективе именно потенциал развития является решающим фактором;

каким бы ни был текущий уровень благосостояния, он может постепенно уменьшаться с учтом инфляции.

Современное стратегическое прогнозирование благосостояния территорий опирается на множество факторов. Но эти факторы сами по себе не основные, а промежуточные. А основным и единственным фактором выступает активация – количество действий, совершаемых индивидом в промежуток времени, ориентированных на долгосрочное выживание. Именно такие действия позволяют индивиду накопить серьзный потенциал и прочный ресурс для выживания. И главная конечная цель всех институтов общества – максимизировать такие действия.

Мадди С.: «Теории личности – сравнительный анализ». – М.: Речь", 2002. – 486 с Значит, во-первых, следует признать, что свобода индивидов общества на современном этапе не может быть признана абсолютной. Существуют механизмы, которые целенаправленно подавляют неконкурентоспособных индивидов, увеличивая активацию большинства других;

такие механизмы невозможно уничтожить. Их возможно лишь заменить на новые, усиливающие активацию, в результате этого сохранить жизни людей.

Эти механизмы создают индивидуальные потери активации. Однако, закон социального сравнения невозможно отменить, и в этой стези представляется возможным перевести сравнение не столько на текущее материальное благосостояние, сколько на потенциал его обеспечения – то есть на параметр активации. Сверх того, имеются и социальные потери активации – стояние в очередях, непредвиденные обстоятельства, отсутствие инноваций, неэффективные действия, отсутствие достаточной информированности, недостаточно эффективное видение собственной выгоды в совершаемых действиях, отсутствие конечной цели в совершаемых действиях. Отметим также, что многие индивидуальные потери приводят к получению удовольствия и в результате временно снижают активацию. Таким образом, мы видим примерно следующее (рис. 1):

Отсутствие Необходимость необходимости выживания выживания (получение удовольствия) ИНДИВИДУАЛЬНАЯ АКТИВАЦИЯ Индивидуальные потери Социальные потери (суррогаты) Эффективное (отсутствие инноваций) поведение, направленное на выживание Рисунок 1 – Частичная схема оборота активации среди индивидов общества.

Из данного рисунка очевидно возможное существование кругооборота активации.

Уже здесь мы видим, что кругооборот осуществляется как минимум в пределах употребления суррогатов. Эта активация не высвобождается в полезное действие: привычка употреблять общественные суррогаты приводит к мнимому отсутствию необходимости выживания. Постепенно вс большая и большая часть активации перетекает в суррогаты и индивид деградирует.

При этом на основе социального сравнения ему начинают подражать другие индивиды общества. Значит, всячески минимизируя правую часть, общество будет только выигрывать активацию. Индивидуальная цель любого индивида – выживание (выжить самому и оставить потомство). Цель общества – максимизировать активацию (усиливать индивидов, развивать их потомство и направить действия по их выживанию в нужное русло). Целью общества не является пропаганда неэффективного поведения, которое препятствует выживанию. Оценка активации может быть произведена наилучшим образом за счт активационного времени, которое тратит индивид на продуктивное поведение каждый день. Сюда относится саморазвитие, спорт, изучение литературы, повышение авторитета (социального статуса), повышение текущей активации, получение достижений и, конечно, работа.

Измеряется в часах от проведнного дня.

At = 24 – St [At] = ч/день где Аt – время активации;

St – время, затраченное на суррогаты;

24 – количество часов в сутках.

Однако сама по себе активация как критерий сложнее. И предполагает не только затраченное время количественно, но и качественно продуктивность затрат времени – соответствие цели выживанию. Тому, как быстро и как эффективно оно приведт индивида к конечной для него цели. Поэтому реальная активация в единицу времени для разных индивидов может быть совершенно разной, действия одних могут быть более результативны.

Качественное увеличение активации представляет собой стратегическое преимущество индивидов. Активацию существенно уменьшает отсутствие инноваций и недостаточно чткое видение индивида цепочки «действие – цель – получаемые выгоды (результат)».

Таким образом, введение и максимизация параметра индивидуальной активации – первый возможный принцип прогнозирования социальной динамики территориальных систем в рамках антропостратегического подхода. Максимизировать активацию, очевидно, позволяет причинение индивидам общества дискомфорта. Отсюда следует, что существует три социальных источника возникновения активации:

преступность и деградация (вынужденная активация);

саморазвитие и тайм-менеджмент (индивидуальная активация);

форс-мажорные обстоятельства (случайная активация – аварии, катастрофы, трагедии).

Следует понимать, что поведение индивидов никогда не свободно. Индивиды рождаются совершенно без знаний, без опыта, вс, чем они обладают – это наследственность. Следовательно, весь им выбор даже в долгосрочной перспективе определяется обществом и наследственностью. Воспитание родителей, влияние сверстников – также обусловлено обществом. Все индивиды связаны между собой как минимум в пределах социальных иерархий. Каждый индивид ежедневно общается с другими.

Обменивается стереотипами. И если его поведение меняется, то это отражается и на поведении других. Все решения принимаются индивидами на основе прошлого опыта, наследственности и текущего лидерского (социально-статусного) влияния. Все индивиды адаптивны. Лишь очень немногие позволяют себе создавать радикальные инновации и интегрировать их в сво поведение. Допустим индивид обладает согласованной антинаркотической установкой. Среди его близких кто-то становится подвержен наркомании, и индивид вынужденно ужесточает свой антинаркотический принцип поведения. Сообщая об этом знакомым, он опять же вынужденно сталкивается с противодействием: далеко не у всех имеется такая жсткая позиция. Одновременно с тем некоторые чткой позиции по данному вопросу не имеют. А некоторые вообще могут тайно или явно употреблять наркотики. По мере согласования жсткая позиция индивида ослабевает. Но усиливается позиция тех индивидов, с кем ему удалось обсудить проблему.

Усиленная жсткая позиция этих индивидов, в свою очередь, влияет на их окружение. Это распространяется как волны с затухающими колебаниями (рис. 2). Итак, мы видим, что в результате социального влияния даже самые сильные установки нивелируются.

Одновременно они меняют поведение других индивидов, в лучшую (эффективную для общесоциального выживания) или в худшую (неэффективную для выживания) стороны.

Волнообразный эффект – эффект распространения установок, стереотипов и 1.

моделей поведения среди индивидов общества в результате эффекта социального сравнения с постепенным выравниванием силы эмоциональной предрасположенности к ним.

Волнообразный эффект обязательно нужно учитывать при прогнозировании динамики поведения индивидов территориальных систем. В результате общество не только направляет выбор и предпочтения индивидов. Но и полностью их формирует. О свободе выбора не может быть речи. Второй возможный принцип прогнозирования социальной динамики в рамках антропостратегического подхода – целенаправленное создание механизмов и институтов инициации активации, пресечение механизмов и институтов, снижающих активацию индивидов и учт функционирования таких институтов.

согласует установку с Этап 1. Индивид А индивидом В Инд. А Инд. В Инд. С Неприязнь к наркомани и согласует установку с Этап 2. Индивид В Инд. А Инд. В индивидом С Инд. С снова установку с индивидом Этап 3. Индивид А согласует Инд. В Инд. С Инд. А В Рисунок 2 – Согласование установок, стереотипов и моделей поведения в обществе. Волнообразный эффект.

Это означает, что прогнозирование само по себе должно обязательно предусматривать сворачивание алкогольных и табачных продаж, развитие спорта, снижение смертности от употребления наркотиков, снижение зависимости от азартных игр и других суррогатов. Ни в коем случае нельзя принимать и подписывать прогнозы, не учитывающие последовательных действий по сохранению и развитию человеческого капитала, и одновременно не гарантирующих реализацию этих действий. Такие действия, без сомнения, произведут некоторый социальный эффект. И их оценка не может быть просто количественной, здесь имеет место мультипликативный эффект. Общество устроено так, что все индивиды связаны между собой невидимыми нитями социального сравнения. Изменяя себя, индивид оказывает влияние на других, а те, в свою очередь – на сво окружение. Но уровень социального сравнения между ними разный и зависит от уровня социального статуса.

Те, кто обладают большим социальным статусом, подвержены социальному влиянию меньше со стороны каждого отдельного знакомого. Однако, число их знакомых как правило выше. И наоборот. Поэтому социальный статус выступает критерием социального влияния.

Рассмотрим эффекты социального влияния.

Мультипликативный эффект. Допустим, в городе осуществляется 2.

антинаркотическая профилактика. Под охват подпали О = 500 (человек). Из них изменилось к лучшему И = 300. Затронуто неформальных лидеров – Л = 20. Средний уровень социального влияния лидера – ВЛ = 5 (человек). Таким образом, общий охват:

ОО = О + Л ВЛ = 300 + 20 5 = 400 (человек).

Это мультипликативный эффект прогнозирования социально-экономического поведения, который реализуется через неформальных лидеров. Пример очень условный;

на деле каждый индивид обладает некоторым мультипликативным эффектом. Это зависит от его социального статуса. Чем он выше – тем выше уровень лидерского влияния на других – тем ниже уровень лидерского влияния на него самого.

Резонансный эффект. Пусть профилактика проходила локально, и из этих 3.

(ОО) человек каждый знает примерно З = 4. Социальное влияние отдельно взятого знакомого составляет Э = 5%, и выражается в доле эмоционального резерва, инвестированного в индивида. Если мнение против наркотиков у каждого в среднем изменилось на = 10%, то изменение мнений 4 знакомых дополнительно приведт к созданию нового, резонансного социального влияния равного:

ЭР = З Э = 4 0,1 0,05 = 0,02 = 2%.

Таким образом, эффективность локальной профилактики тем выше, чем больше людей знают друг друга и чем выше уровень положительной эмоциональной связи между ними. Следовательно, проводя небольшие акции по сохранению активации, мы лишаемся резонансного эффекта. Проводя широкомасштабные акции – получаем существенный бонус.

Практически в два раза можно было усилить результаты профилактики, если охватить целый город. Тогда в средний резонанс на каждого жителя превысил бы 50%.

Стабилизационный эффект. Чем сильнее воздействие от профилактики, тем 4.

больше изменятся установки индивидов. В любом случае после изменения возникает необходимость поделиться мнением с окружающими (значимыми другими) и согласовать общее мнение. В этом случае, чем сильнее будет изменение установки, тем больше вероятность убедить окружающих, тем меньше вероятность вернуться к прежней установке, тем большее изменение произойдт для окружающих при согласовании установок.

Допустим, изменение установки на У = + Р = 10% + 2% = 12% позволит половине индивидов, подпавших под воздействие профилактики, изменить установки ещ двух человек (СЧ = 2) в среднем на 6% (УС). Тогда равноценной агитацией по изменению установки будет охвачено в совокупности:

ОС = ОО УС СЧ / У = 400 0,06 2 / 0,12 = ООС = ОО + ОС = 400 + 400 = ЭС = 1 + УС СЧ / У =1 + 0,06 2 / 0,12 = Получается, что эффект стабилизатора обеспечивает равносильное воздействие профилактики ещ на 400 человек, то есть удваивает это воздействие и, таким образом, увеличивает е влияние вдвое. Это согласование будет происходить уже после проведения профилактики. Поэтому крайне важен не только масштаб, но и сила профилактики. Чем большее изменилась установка – тем выше стабилизационный эффект. То есть тем большее число людей подпадут под жсткий принцип прежде, чем он ослабнет. Общее социальное влияние и изменение установок, вызванное инициированными воздействиями, рассчитывается как:

СВ = (300 + 20 5) (0,1 + 4 0,1 0,05) 2 = 9600% Благодаря изменению установок большинства индивидов общества, автоматически удатся оказывать социальное влияние на всех остальных индивидов, с ними связанных.

Таким образом, даже капля социально-направленной рекламы в одном месте в незначительной степени изменит ситуацию в другом.



Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 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.