«Сборник статей I Научной школы молодых ученых ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ И СЦЕНАРНОГО МОДЕЛИРОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ ТЕРРИТОРИАЛЬНЫХ СИСТЕМ Екатеринбург, 2012 УДК 911+332(075.8) ББК 65.049 (2 Рос) П78 ...»

РОССИЙСКАЯ АКАДЕМИЯ НАУК

УРАЛЬСКОЕ ОТДЕЛЕНИЕ

ИНСТИТУТ ЭКОНОМИКИ

Сборник статей

I Научной школы молодых ученых

ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ И СЦЕНАРНОГО

МОДЕЛИРОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО

РАЗВИТИЯ ТЕРРИТОРИАЛЬНЫХ СИСТЕМ

Екатеринбург, 2012 УДК 911+332(075.8) ББК 65.049 (2 Рос) П78 Ответственный редактор:

доктор экон. наук, доцент Ю.Г. Лаврикова Рецензенты:

доктор экон. наук, профессор Л.А. Мочалова доктор фил. наук, профессор А.Ф. Суховей ИПроблемы прогнозирования и сценарного моделирования социально-экономического развития территориальных систем: сборник статей I Научной школы молодых ученых / под ред. д.э.н. Лавриковой Ю.Г. Екатеринбург: Институт экономики УрО РАН, 2012. – 312 с.

ISBN 978 – 5 – 94646 – 395 – Сборник докладов I Научной школы молодых ученых (1-5 октября 2012 года г. Екатеринбург) подготовлен при финансовой поддержке гранта РГНФ № 12-32- «Проблемы прогнозирования и сценарного моделирования социально-экономического развития территориальных систем».

Представленный по итогам работы научной школы сборник содержит результаты исследований молодых ученых по самым разнообразным вопросам экономической науки, использующие различные методы моделирования и прогнозирования. В публикации представлен довольно широкий перечень инструментов моделирования и прогнозирования, в котором нашли отражение исследования на основе агентоориентированных, структурно-функциональных моделей, сценарного прогнозирования, адаптивных методов, кластеризации и пр. Развитие форм обмена опытом и сотрудничества в научной среде, в том числе в виде научной школы для молодых ученых по вопросам использования различных методов прогнозирования и моделирования позволяет существенно повысить уровень научных исследований, как за счет внедрения современных инструментов, так и более корректного их использования.

Сборник статей Научной школы будет интересен не только молодым ученым, занимающимся вопросами прогнозирования и сценарного моделирования, но также заинтересует уже состоявшихся ученых, преподавателей вузов, специалистов-практиков, специализирующихся на изучении схожей тематики.

УДК 911+332(075.8) ББК 65.049 (2 Рос) П ©Институт экономики УрО РАН, ISBN 978 – 5 – 94646 – 395 – Методология прогнозирования и моделирования социально-экономических процессов: основные подходы, методы и инструменты к.э.н. Анимица П.Е.

Институт экономики УрО РАН г. Екатеринбург

ПРИМЕНЕНИЕ МЕТОДОВ ПРОГНОЗИРОВАНИЯ В ЦЕЛЯХ ДИАГНОСТИКИ

ИМУЩЕСТВЕННЫХ НАЛОГОВ

Статья подготовлена в рамках исследовательского проекта №12-12- «Налогообложение недвижимости граждан: экономическая необходимость нововведений и социальные последствия (на примере Свердловской области)» (региональный конкурс РГНФ «Урал: история, экономика, культура»).

На протяжении последнего десятилетия активно прорабатывается вопрос относительно реформирования налогообложения недвижимости граждан и введения единого налога на недвижимость взамен действующих налогов на землю и имущество. В среде разработчиков новой реформы до сих пор отсутствует единое мнение о том, по каким ставкам будет рассчитываться данный налог. Однозначно определяется лишь факт, что недвижимость будет оцениваться исходя из рыночной стоимости объектов. В данных условиях, при введении налога на недвижимость, рассчитанного на новых началах, необходимо предвидеть возможные сценарии развития событий при различных ставках налога и прочих условиях. Для этого требуется спрогнозировать объем налоговых поступлений при разных вариантах реализации налога на недвижимость граждан.

В целом, прогнозирование налоговых поступлений требует детального учета и анализа результатов и перспектив социально-экономического развития страны и отдельных ее регионов. Основными проблемами в этой области являются несоответствие применяемых методик налогового прогнозирования современным требованиям развития национальной экономики, отсутствие единой методики расчета прогноза налоговых поступлений в субъектах федерации. Во многих субъектах построение прогнозов налоговых поступлений основывается на показателях «от достигнутого».

Прогнозирование налоговых поступлений может быть сведено к моделированию динамики базы налогообложения в зависимости от различных макро- и микроэкономических параметров. Подходы к решению задач планирования и прогнозирования поступлений налоговых доходов в укрупненном плане можно подразделить следующим образом1:

Прогнозирование налоговых поступлений на основе алгоритмов обработки временных рядов. Данный подход допустим в случае, если параметры налоговой и бюджетной политики, а также экономические условия в расчетном периоде полагаются неизменными. Прогноз формируется либо с помощью стандартных статистических процедур прогнозирования временных рядов (трендовые модели, модели авторегрессии, модели статистического сглаживания различных типов), либо путем экстраполяции сложившихся и рассчитанных на ретроспективном периоде темпов прироста налоговых поступлений по отношению к выбранному базовому периоду (соответствующему периоду прошлого года или предыдущему календарному периоду). Данный метод применим в основном для поддержки задач разработки проектов заданий по сбору налогов и сборов на краткосрочный период (от одного месяца до одного квартала текущего финансового года), и полученные данным методом прогнозы можно использовать только как ориентиры для формирования плановых заданий.

';

См., Мишустин М.В. Стратегия построения системы информационно-технологического обеспечения администрирования имущественных налогов в России // дисс. докт.экон.наук. М., 2010.

Прогнозирование налоговых поступлений с учетом возможных изменений показателей социального и экономического положения в регионах РФ, основных отраслях экономики, на мировых товарных и финансовых рынках. Параметры бюджетной политики при таком подходе не варьируются. Прогноз формируется с помощью регрессионных моделей, выявляющих на ретроспективном периоде зависимость налоговых поступлений от некоторого набора экономических факторов и показателей. Значения факторов в расчетном периоде могут задаваться экспертно или же формироваться другими моделями (статистическими или иными). Данный метод прогнозирования применим для расчета значений сценарных прогнозов налоговых доходов и оценки последствий изменения экономической политики с точки зрения перспектив развития экономики и социальной сферы.

Имитационное моделирование поступления налогов и сборов с целью оценки возможных изменений поступления налогов вследствие как изменений социальноэкономических условий, так и параметров налоговой и бюджетной политики на федеральном и региональном уровнях. Данный метод требует предварительного формирования модели для расчета сумм поступления налогов на основе индивидуального для каждого вида налогов набора нормативных показателей (ставки налогов, нормативы распределения), показателей налоговой базы (объемы налоговых баз, вычетов, льгот), социально-экономических показателей (курс рубля, уровень цен внутри страны и на мировом рынке), а также других параметров. Базовым вариантом данной модели могут служить расчеты поступлений по статьям бюджетной классификации доходов, содержащиеся в приложениях к законам «О федеральном бюджете» соответствующего финансового года.

Метод имитационного моделирования целесообразно применять для оценки возможных исходов реализации налога на недвижимость. В зависимости от способов определения на расчетном периоде показателей налоговой базы, в рамках данного метода можно выделить два подхода:

- расчет на основе экспертно задаваемых налогооблагаемых баз. Данный способ предполагает экспертное задание размера и структуры налогооблагаемой базы по рассчитываемым видам налогов;

- расчет на основе прогнозируемых налогооблагаемых баз. Отличие от предыдущего метода – в том, что размеры налогооблагаемых баз, вычетов из них определяются не экспертом-аналитиком, а рассчитываются с помощью моделей факторного анализа (линейной или нелинейной регрессии, нейронных сетей) при различных вариантах макроэкономического прогноза. При этом список факторов (показателей макроэкономического прогноза) для каждой статьи налогооблагаемой базы формируется пользователем-аналитиком до начала расчета и может быть изменен в ходе расчета.

Важным этапом при моделировании налоговых поступлений, в том числе и налога на недвижимость, является прогнозирование уровня собираемости налогов. Основой для прогнозирования служат ретроспективные данные о начислении и поступлении налогов, а также задолженности по их уплате. Прогноз уровня собираемости может быть получен как относительно простыми трендовыми методами, так и с помощью модели регрессионного анализа – с выявлением зависимостей уровня собираемости от нормативных и социальноэкономических показателей. Первые два метода прогнозирования относятся к группе так называемых эконометрических методов прогнозирования, по которым имеется довольно обширная литература. Общая схема построения прогнозов состоит из следующих этапов1:

Определяются цели построения модели (или цели прогнозирования). Как уже отмечалось выше модели временных рядов лучше подходят для задач разработки проектов заданий по сбору налогов и сборов на краткосрочный период, а регрессионные модели – для См., например: Турунцева М., Юдин А. и др. Некоторые подходы к прогнозированию экономических показателей. Москва: ИЭПП, Научные труды, 2005. № 89; Канторович Г.Г. Анализ временных рядов // Экономический журнал ВШЭ, 2002, №№1-4 (2002).

разработки плановых заданий по сбору налогов и оценки обоснованности таких заданий с точки зрения перспектив развития экономики и социальной сферы.

Определяется спецификация модели. Стандартная эконометрическая модель имеет вид:

где t ~ i.i.d. 0, 2 последовательность независимых (гауссовых) случайных величин с нулевым математическим ожиданием, постоянной и конечной дисперсией и нулевыми ковариациями (случайная ошибка регрессии); X t 1, X t 2,, X 1 – множество значений вектора объясняющих переменных X t до момента времени t-1 включительно. Среди объясняющих переменных могут присутствовать как экзогенные переменные, так и запаздывающие значения объясняющей переменной и случайной ошибки регрессии. В том случае, если в спецификации присутствуют только запаздывающие значения объясняющей переменной и случайной ошибки регрессии, мы получаем модель временного ряда ARIMA(p, d, q) – интегрированную авторегрессионную модель с ошибками в форме скользящего среднего.

Оценивается модель выбранного вида. Методы оценивания моделей различаются в зависимости от типа модели. Классическая линейная регрессия оценивается методом наименьших квадратов (МНК). Можно показать (теорема Гаусса-Маркова1), что при выполнении определенных предпосылок об ошибках регрессии (случайная ошибка регрессии должна быть белым шумом и быть распределена независимо от всех объясняющих переменных) оценки, полученные по МНК, являются наилучшими несмещенными оценками в классе всех линейных оценок. При этом вводится предположение о детерминированности объясняющих переменных.

В том случае, если нарушаются предпосылки теоремы Гаусса-Маркова о случайных ошибках регрессии или предполагается, что некоторые из объясняющих переменных не являются детерминированными, МНК-оценки регрессии, вообще говоря, не будут обладать описанными выше свойствами. В частности, для оценки интегрированных авторегрессионных моделей с ошибками в форме скользящего среднего моделей ARIMA(p, d, q) в зависимости от спецификации модели может быть использован, как МНК (для авторегрессионных моделей AR(p)), так и метод максимального правдоподобия (ММП) или метод поиска на сетке 2. При нарушениях предположений теоремы Гаусса-Маркова о случайных ошибках регрессии применяются различные методы, которые позволяют корректировать данные нарушения, например, взвешенный МНК (для корректировки гетероскедастичности остатков регрессии), метод инструментальных переменных (для корректировки предположения о независимости распределения случайной ошибки от объясняющих переменных), процедура Кокрана-Оркатта (Cochrane-Orcutt) и др. Для регрессионных моделей данный этап довольно сильно перекликается со следующими в силу зависимости выбора метода оценивания от результатов, полученных на этапах проверки адекватности модели и ее упрощения.

После того, как модель оценена, проверяется ее адекватность, т.е., с одной стороны, остатки модели проходят проверку на соответствие условиям теоремы Гаусса-Маркова при помощи различных тестов для остатков регрессии. С другой стороны, сама модель подвергается анализу при помощи тестов на правильность спецификации модели.

См., например: Доугерти К. Введение в эконометрику. М.:ИНФРА-М, 2004; Магнус Я.Р., Катышев П.К., Пересецкий А.А. Экономерика (начальный курс). М.: Дело, 2004.

Канторович Г.Г. Анализ временных рядов // Экономический журнал ВШЭ. 2002, №1.

Доугерти К. Введение в эконометрику. М.: Инфра-М, 2004.

Далее, исходя из результатов предыдущего этапа, модель может быть упрощена (например, посредством исключения незначимых переменных) или оценена методом, являющимся более адекватным для случая конкретной регрессионной модели. Последние три этапа проводятся до тех пор, пока модель не будет отвечать всем требованиям, касающимся ее качества и простоты.

Так как в конечном итоге необходимо получить прогноз, на последнем этапе исследуются прогнозные свойства оцененной модели (или моделей), о чем будет написано ниже.

Дискуссионным является вопрос о необходимости сбора как можно более длинных временных рядов данных, используемых при построении модели. С одной стороны, считается, что наличие более длинных рядов данных в регрессиях улучшает качество как самих регрессий, так и получаемых по ним прогнозов, поскольку увеличивается количество информации, на основе которой оценивается модель. С другой стороны, отмечается, что в ситуации, когда на рассматриваемом интервале времени происходит изменение в поведении одного или нескольких временных рядов, включенных в регрессию, а также структурные изменения моделируемого временного ряда (для случая моделей временных рядов), увеличение длины ряда может не только не привести к улучшению прогнозов, но и ухудшить их. Исходя из общего вида регрессионной модели, получаем (и для случая моделей временных рядов, и для случая регрессионных моделей), что прогноз можно представить следующим образом:

где ~ – значение прогноза в момент времени Т на h шагов вперед, X T, X T 1,, X 1 – множество значений вектора объясняющих переменных X t при t=1,…,T.

Иными словами, прогноз представляет собой условное математическое ожидание значения зависимой переменной в момент времени Т+h, полученное в момент времени T при наличии всей доступной на этот момент времени информации. Такой прогноз, как известно, обладает наименьшей среднеквадратичной ошибкой прогнозирования в классе прогнозов, построенных на основе той же информации.

Для проверки и сравнения качества прогнозов используются стандартные статистики, прогнозное значение временного ряда, полученное в момент времени Т на h шагов вперед;

yT h – истинное значение временного ряда в момент времени T+h. Первые две статистики являются относительными и позволяют сравнивать между собой две и более модели.

Средняя абсолютная ошибка является абсолютной мерой качества прогноза и позволяет оценить как прогнозную силу модели, так и сравнить ее с прогнозной силой другой модели.

Помимо этих статистик существуют более сложные тесты, позволяющие выявить значимые различия между прогнозами, получаемыми по различным моделям, например, тест Моргана-Гренджера-Ньюболда, тест Диболда-Мариано и др. 1 Стоит отметить, что выбор статистики качества прогноза, влияет на конечный результат.

См., например: Турунцева М., Юдин А. и др. Некоторые подходы к прогнозированию экономических показателей. М., ИЭПП, 2005. Научные труды № 89.

В качестве примера можно привести результаты сравнения качества прогнозов различных экономических показателей РФ, полученных по различным моделям временных рядов, приведенные в работе Энтова, Носко и др. (2002) 1. В данной работе отмечается, что в ряде случаев (например, для денежного агрегата М1) лучшие по прогнозной силе модели были выбраны по средней абсолютной процентной ошибке (MAPE).

Существует довольно много причин, ведущих к появлению ошибки прогнозирования, что в первую очередь, связано со спецификой эконометрической модели, содержащей три основных компоненты: детерминированные члены (константа, детерминированный тренд и т.д.), чьи будущие значения известны; наблюдаемые стохастические переменные (например, индекс потребительских цен), чьи будущие значение неизвестны; и, наконец, ненаблюдаемая ошибка, чьи значения (и прошлые, и настоящие, и будущие) неизвестны. В соответствии с данной спецификой регрессионной модели в работе Клементса и Хендри 2 выделены следующие потенциальные причины появления ошибки прогнозирования:

изменения коэффициентов при детерминированных членах;

изменения коэффициентов при стохастических переменных;

неправильная спецификация детерминированных членов;

неправильная спецификация стохастических членов;

неправильная оценка коэффициентов при детерминированных членах;

неправильная оценка коэффициентов при стохастических переменных;

накопление ошибки с увеличением горизонта прогнозирования.

Если прогноз строится на короткий дискрет времени (например, на один месяц вперед), то можно ограничиться простейшими методами прогнозирования – сделать экстраполяцию по модели временного тренда.

Чаще всего для моделирования временного тренда в целях прогнозирования используют двухфакторную регрессию. Обозначим временной ряд значений переменной, прогноз которой нам необходимо построить, за y, а элементы этого ряда – за yt, где t – период времени, к которому относится соответствующее наблюдение. Линейная модель временного тренда имеет вид:

где T – переменная времени, – свободный член уравнения, – тангенс угла наклона прямой линии к оси времени, err – случайная составляющая модели.

В регрессионных моделях имеется как минимум два источника неопределенности.

Во–первых, в модель физически невозможно включить все факторы, от которых может зависеть моделируемая переменная. Этот тип неопределенности представлен в модели в виде слагаемого "err" (от англ. error – ошибка), стоящего в конце уравнения регрессии. Ошибки, связанные с этой неопределенностью, называют обычно "случайными возмущениями", "шумом" или "инновационными толчками". Об относительной величине этих возмущений можно судить по показателю среднеквадратической ошибки регрессии, о котором мы говорили выше. Второй источник неопределенности связан с тем, что вместо "истинных" значений коэффициентов мы вынуждены использовать их оценки, рассчитанные по имеющимся данным. Большинство прогнозов строятся с использованием временных (динамических) рядов. Моделирование с использованием динамических рядов предполагает их предварительный анализ. Если анализ динамики временного ряда позволяет обнаружить какие–то регулярные закономерности, которые можно экстраполировать на будущее, учет этих закономерностей в модели позволит сделать прогноз более точным. Прогноз Энтов Р.М., В.П. Носко, А.Д. Юдин, П.А. Кадочников, С.С. Пономаренко. Проблемы прогнозирования некоторых макроэкономических показателей. М.: ИЭПП, 2002. Научные труды №46.

Clements M.P. and Hendry D.F. Forecasting Non-Stationary Economic Time Series, The MIT Press, Cambridge (Massachusetts), London (England), 2001.

стохастического временного ряда можно в некоторых случаях улучшить за счет включения в модель авторегрессионной составляющей и скользящих средних. Для применения этой методологии необходимо установить, является ли интересующий нас временной ряд стационарным. С другой стороны многие нестационарные ряды приводятся к стационарному виду путем дифференцирования (перевода уровней в первые, вторые и т.д. разности). Если визуальный анализ показывает, что временной ряд случайным образом колеблется вокруг некоторого фиксированного уровня, например, вокруг среднего значения, то такой ряд стационарен. Оценка точности сформированных математических моделей поступления налогов и сборов производится путем расчета ряда стандартных статистических характеристик, и сравнения модельного ряда с фактическим поступлением налогов на ретроспективном периоде.

Другой большой класс моделей, используемых для прогнозирования, – структурные экономические модели. Они представляют собой стохастические уравнения, которые устанавливают зависимость между моделируемой переменной, представленной в виде временного ряда, и некоторым набором экономических показателей, также представленных в виде временных рядов. Основная идея этого подхода заключается в том, что динамика временного ряда, прогноз которого требуется построить, может зависеть от поведения некоторых других переменных, по которым имеются данные. В структурной модели динамика поступлений налога (этот показатель называется зависимой переменной) представляется в виде функции от некоторого набора объясняющих или независимых переменных.) При использовании структурных моделей неявно предполагается наличие причинно– следственных связей между зависимой и независимыми переменными: при изменении независимых переменных изменяется и зависимая. Направление причинно–следственных связей должно при этом идти от независимых переменных к зависимой (моделируемой) переменной. Подобная интерпретация позволяет подбирать объясняющие переменные исходя из качественных, содержательных соображений.

Основным математическим инструментом для структурных моделей являются модели регрессии:

Xt=A0+A1Y1t+…+AkYkt+errt, Xt - объясняемая переменная, Y1t,…,Ykt - соответствующие независимые (объясняющие) переменные (факторы модели – показатели социально-экономического развития), errt - возмущение с нулевым математическим ожиданием и дисперсией 2, значения которого в различные моменты времени независимы и одинаково распределены (иначе, «белый шум»). В этой модели k+1 неизвестных параметра A0, A1, …, Ak, 2, которые должны быть оценены по имеющимся данным об изучаемом процессе.

Одной из характеристик качества парной регрессионной модели, оцененной МНК, может служить коэффициент детерминации, либо его модификация для случая множественной регрессии – скорректированный коэффициент детерминации.

Для прогнозирования налогов и сборов предпочтительнее использовать структурные модели, поскольку они обладают большим количеством преимуществ. Благодаря данному виду моделей получаются довольно хорошие результаты прогнозирования, которых нельзя добиться при применении однофакторных (динамических) моделей. Динамику налогов и сборов не удается удовлетворительным образом объяснить, используя одни только авторегрессионые зависимости. Однако если между поступлением налога и каким-либо показателем социально-экономической статистики существует устойчивая зависимость, то включение в модель этого показателя может существенно улучшить ее прогнозные свойства.

Метод имитационного моделирования применим для оценки обоснованности проектов доходных частей федерального и территориальных бюджетов будущего финансового года с учетом предлагаемых к принятию решений по вопросам налоговой и бюджетной политики и прогнозов макроэкономических условий исполнения доходной части бюджетов. Целесообразно применение имитационных подходов также при разработке и оценке обоснованности разработанных плановых заданий по сбору налогов текущего финансового года, если федеральными или региональными органами власти планируется принятие решений, затрагивающих процессы исполнения доходов бюджета - прямым (изменение налоговых ставок, нормативов зачисления доходов в бюджеты различных уровней, изменения методик расчета налогооблагаемой базы) или косвенным (через возможное изменение социально-экономических условий исполнения бюджетов – меры в области денежно-кредитной, таможенной, социальной политики) образом.

Метод имитационного моделирования незаменим и для оценки возможных исходов реализации нового налога на недвижимость. С учетом того, что возможные ставки нового налога на недвижимость обсуждаются в диапазоне от 0,01 до 2% от рыночной стоимости имущества, в имитационной модели должны быть рассмотрены как минимум 3 возможных варианта (минимальный уровень ставки, срединный и максимальный). При прогнозировании результатов налога на недвижимость граждан должен быть учтен ряд показателей, среди которых: уровень средней заработной платы, средняя рыночная цена квадратного метра жилья по стране в целом и в разрезе регионов, обеспеченность населения жильем и др. Только при анализе этих показателей можно определить базу налогообложения, необлагаемый минимум, льготируемые выплаты, среднюю ставку налога и на основе этого - общую сумму налога на предстоящий период. При этом важно корректно определить необлагаемый минимум и оценить категории граждан, получающих льготы, так как ошибочная оценка данных показателей может с одной стороны либо привести к экономической неэффективности данного налога, а с другой стороны – к повышению социальной напряженности в обществе, если налоговое бремя будет распределено неверно.

В заключении следует отметить, что прогнозирование последствий реформ, в том числе и налоговых – чрезвычайно трудная задача, требующая учета множества факторов, но вместе с тем необходимая. Оно должно осуществляться на основе детально проработанных методик и моделей, с привлечением компетентных экономистов, финансистов.

ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ И СЦЕНАРНОГО МОДЕЛИРОВАНИЯ

СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ ТЕРРИТРИАЛЬНЫХ СИСТЕМ

Эффективное управление пространственным развитием невозможно без широкого использования инструментов прогнозирования и планирования как на уровне федерации, так и на региональном и муниципальном уровнях. Прогнозы социально-экономического развития позволяет предопределить кризисные явление и обеспечить устойчивое развитие территориальных социально-экономических систем через реализацию отдельных направлений государственной и муниципальной политики. С методологической точки зрения важно определить, как между собой соотносятся ключевые понятия предопределения развития территорий: прогнозирование, планирование или моделирование. Как правило, понятия «прогнозирование» и «планирование» отождествляются, либо считаются синонимами. Тем не менее, следует различать эти понятия. Если рассматривать процесс управления, то планирование является одним из начальных его элементов, и представляет собой постановку целей, задач и действий в будущем, а также определение необходимых ресурсов для достижения данных целей. Как правило, планирование (планы) носят директивный характер, их достижение определяет эффективность управления. При этом для обеспечения планирование без прогнозирования является неэффективным. Только имея четкое представление о состоянии объекта в будущем (или представление о множестве вариантов состояния системы в тех или иных условиях) лицо принимающее решение может строить свою дальнейшую работу, в том числе планировать направления развития системы.

Таким образом, прогнозирование является основой планирования. Как правило, под прогнозом понимается предположение (обоснованное) о возможном состоянии объекта в будущем (либо об альтернативных состояниях объекта), а также сроков достижения этих состояний. Соответственно процесс разработки прогноза определяется как прогнозирование.

В отличие от планирование прогноз носит не директивный, а консультативный (информативный) характер, и может относиться не только к непосредственно объекту управления, но и ко внешней среде.

В настоящее время органы исполнительной власти субъектов Российской Федерации должны ежегодно разрабатывать прогнозы социально-экономического развития субъекта Российской Федерации по двум вариантам сценарных условий 1. Однако на сегодняшний день прогнозирование как элемент общей системы управления территориальным развитием в Российской Федерации сопряжено с рядом трудностей. Причиной тому являются общие нерешенные проблемы и противоречия в системе управления мезо- и макроэкономическими системами. Среди наиболее существенных проблем, оказывающих влияние на качество принимаемых решений, следует отметить следующие:

1) несогласованность целей на разных уровнях управления. Наличие нескольких управляющих контуров разного уровня, реализующих функции управления территорией (органы власти федерального и регионального уровня, органы местного самоуправления) требует согласования их действий и исключение дублирования функций. Также имеет место несогласованность целей долгосрочного развития и принимаемых краткосрочных решений.

В большинстве случаев решения принимаемые на муниципальном уровне, носят ситуативный характер и не соотнесены с программами долгосрочного развития. Во многом это объясняется отсутствием соответствующих ресурсов (дефицит бюджета), что ограничивает возможность финансирования проектов, направленных на развитие;

2) функционирование в муниципальной системе множества экономических субъектов, цели деятельности которых отличаются от целей других агентов и органов государственного и муниципального управления. В связи с этим отсутствует единый критерий оптимальности развития;

3) отсутствие системного характера экономической политики. Лицо ответственное за принятие тех или иных решений в сфере социально-экономического развития не может учесть все многообразие факторов, оказывающих влияние на исследуемые процессы.

Сложность учета таких факторов заключается еще и в том, что влияние некоторых из них может быть скрытым, косвенным или опосредованным. В связи с этим разработка управленческих решений происходит на основе опыта и интуиции и не имеет достаточного научного обоснования;

Приказ Минэкономразвития России от 30 ноября 2009 г. № 492 «Об утверждении Методических рекомендаций по разработке прогноза социально-экономического развития Российской Федерации на очередной финансовый год и плановый период»

4) недостаточное качество исходной информации о функционировании муниципального образования. Проблемы статистического учета и использования статистических данных, а зачастую отсутствие информации по определенным вопросам приводят к принятию неэффективных решений. В отдельных случаях причиной этого является преднамеренное искажение данных. В тоже время отсутствует четкая система анализа и эффективного использования управленческой информации;

5) открытость системы и существенное влияние внешних воздействий на экономику муниципального образования. Одновременно с этим имеет место недооценка влияния различных внутренних и внешних факторов, формирование диспропорций развития, что в совокупности с предшествующими проблемами повышает вероятность принятия некачественных решений.

Особенностью прогнозирования развития территориальных социальноэкономических систем различных уровней является учет различных аспектов прогнозирования: воспроизводственных, финансовых, социальных, экологических и других аспектов этого развития в ретроспективном периоде с учетом степени реализации государственных программ. Такая сложность прогнозирования обуславливается необходимость использования сочетание самых разнообразных методов. В наиболее общем виде всю совокупность существующих методов прогнозирования экономических и социальных процессов можно представить в виде схемы, изображенной на рис. 2.

На сегодняшний день большая часть субъектов РФ для прогнозирования своего социально-экономического развития использует исключительно интуитивные методы (методы экспертных оценок). Однако они являются субъективными и не отражают реальное состояние экономики. Формализованные методы в меньшей степени подвержены субъективному влиянию в отличие от интуитивных, в этой связи одним из направлений совершенствования системы прогнозирования регионального развития должно стать повышение роли формализованных методов прогнозирования в процессе построения прогнозов регионального развития, особенно методов математического моделирования.

Таким образом, если прогнозирование является одной из основ планирования, то в свою очередь моделирование является одной из основ прогнозирования. В общем случае модель представляет собой упрощенное представление объекта с выделением наиболее ключевых ее характеристик, предназначенная для ее анализа и принятия управленческих решений.

Различают различные виды моделей, однако в области прогнозирования социальноэкономического развития территорий особый интерес представляют математические модели – формализуемые, то есть представляющие собой совокупность взаимосвязанных математических и формально-логических выражений, как правило, отображающих реальные процессы и явления 1. Значительное количество математических моделей экономики как страны, так и региона можно классифицировать по различным признакам (рис. 3).

http://ru.wikipedia.org/wiki/%CC%EE%E4%E5%EB%FC Необходимо отметить, что в отличии от прогнозирования, планирование предполагает активность действия. В определенной степени здесь решается обратная задача типа «что нужно, чтобы…» (в отличие от задачи прогнозирования типа «что будет, если…»). В тоже время необходимо понимать, что планирование развития сложных социально-экономических объектов невозможно без использования инструментов прогнозирования и это два направления тесно взаимосвязаны. Прежде чем приступить непосредственно к построению моделей территориального развития необходимо определиться особенности региона как объекта моделирования.

В литературе на сегодняшний день не существует единого подхода к определению региона. В частности, он выступает как квазигосударство, как квазикорпорация, как рынок и как социум. При этом каждый подход выделяет уникальный набор признаков и ключевых черт региона. Это объясняется тем, что регион представляет собой многоаспектное образование. Одним из наиболее распространенных является определение, данное А. Г.

Гранбергом: «Регион – это определенная территория, отличающаяся от других территорий по ряду признаков и обладающая некоторой целостностью, взаимосвязанностью составляющих е элементов» 1. Каждый регион (в широком смысле) является сложной системой, включающей множество взаимосвязанных элементов: население, хозяйствующие субъекты, общественные организации и т.д. Для осуществления управления таким объектом, требуется соответствующий инструментарий. При этом само управление характеризуется высокой динамичностью, сложностью, многоаспектностью и наличием пересекающихся потоков управляющих воздействий. Таким образом, проработанность, эффективность, комплексность, последовательность и научная обоснованность принимаемых на региональном уровне решений становится залогом развития территории.

Рисунок 3 – Анализ и классификаций моделей экономического развития Основы региональной экономики: учебник для вузов / А.Г. Гранберг; Гос. ун-т – Высшая школа экономики. – 4-е изд. [стер.]. – М.: Изд.дом ГУ ВШЭ, 2004. – 495 с.

Необходимо отметить, что несмотря на накопленный опыт в данной сфере прогнозирование как элемент общей системы управления территориальным развитием в Российской Федерации сопряжено с рядом трудностей. Причиной тому являются общие нерешенные проблемы и противоречия в системе управления мезо- и макроэкономическими системами. Среди наиболее существенных проблем, оказывающих влияние на качество принимаемых решений и действующих на субрегиональном уровне, следует отметить следующие:

1. Несогласованность целей на разных уровнях управления. Наличие нескольких управляющих контуров разного уровня, реализующих функции управления территорией (органы власти федерального и регионального уровня, органы местного самоуправления) требует согласования их действий и исключение дублирования функций1. Также имеет место несогласованность целей долгосрочного развития и принимаемых краткосрочных решений.

В большинстве случаев решения, принимаемые на муниципальном уровне, носят ситуативный характер и не соотнесены с программами долгосрочного развития. Во многом это объясняется отсутствием соответствующих ресурсов, что ограничивает возможность финансирования проектов, направленных на развитие;

2. Функционирование в субрегиональной системе множества экономических субъектов, цели деятельности которых отличаются от целей других агентов и органов государственного и муниципального управления. В связи с этим отсутствует единый критерий оптимальности развития;

3. Отсутствие системного характера экономической политики. Лицо ответственное за принятие тех или иных решений в сфере социально-экономического развития не может учесть все многообразие факторов, оказывающих влияние на исследуемые процессы.

Сложность учета таких факторов заключается еще и в том, что влияние некоторых из них может быть скрытым, косвенным или опосредованным. В связи с этим разработка управленческих решений происходит на основе опыта и интуиции и не имеет достаточного научного обоснования;

4. Недостаточное качество исходной информации о функционировании территориального образования. Проблемы статистического учета и использования статистических данных, а зачастую отсутствие информации по определенным вопросам приводят к принятию неэффективных решений. В тоже время отсутствует четкая система анализа и эффективного использования управленческой информации;

5. Открытость системы и существенное влияние внешних воздействий на экономику муниципальных образований и, как следствие, субрегиона в целом. Одновременно с этим имеет место недооценка влияния различных внутренних и внешних факторов, формирование диспропорций развития, что в совокупности с предшествующими проблемами повышает вероятность принятия некачественных решений.

Многие проблемы управления региональным развитием взаимосвязаны и взаимообусловлены. В связи с этим требуется комплексный подход к их устранению.

Основные проблемы регионального развития и вытекающие из них задачи представлены на рисунке 4. До построения модели региона необходимо учитывать особенности региона как объекта моделирования.

1. Регион как объект моделирования – это прежде всего сложная слабоструктурированная система, моделирование которое предполагает выявление большого количества сложных причинно-следственных связей между факторами.

2. Регион – это саморегулируемая система. В регионе существуют внутренние механизмы регуляции: во-первых, нормативно-правовое регулирование в виде регионального законодательства; во-вторых, система управленческих учреждений: представительных, исполнительных, судебных; в-третьих, внутрирегиональные экономические регуляторы и т.

Преодолеть несогласованность действий федерального центра и регионов (из решения Совета законодателей) [Электронный ресурс]. Режим доступа: http://www.council.gov.ru/inf_ps/parlisurvey/2006/03/36/ item963.html д. Тем не менее, при построении модели региона также необходимо учитывать внешнее воздействие, оказываемое на федеральном уровне.

3. Регион – стохастическая система. Большинство процессов, которые протекают в регионе, проходят в условиях неопределенности. Это обстоятельство необходимо учитывать при построении прогнозных моделей.

4. Регион – социальная система. Проблема развития региона ориентирована на улучшение качества жизни индивидуума. Поэтому при моделировании экономических процессов так важно учитывать как социальные интересы общества в целом так и отдельного человека.

Еще из экономической теории известно, что модель саморегулируемого рынка без внешней государственной поддержки неэффективна, так как не позволяет учитывать интересы незащищенных слоев населения и ведет к социальной напряженности в обществе.

5. Значительное количество причинно-следственных связей. Это обстоятельство связано с определением региона как сложной слабоструктурированной системы. Регион, представляет собой очень сложную структуру различных административных, экономических, социальных, политических, ментальных субъектов, взаимосвязанных, взаимовлияющих и взаимозависимых как внутри региона, так и с внешними системами: федеральным центром, другими субъектами федерации, другими государствами.

принимаемых решений долгосрочных и краткосрочных особенностей региона Выявление и учет взаимовлияния Переход от управления функционированием Рисунок 4 – Проблемы и задачи управления региональным развитием Атаева А.Г., Исламова Д. В., Мустафин Э. Р., Орешников В. В. Сравнительный анализ моделей регионального развития // Управление экономическими системами: электронный научный журнал, 2011, №10 (34) 6. Особенность учета большого количества информации вытекает из предыдущего положения. Для построения адекватной модели региона необходим большой комплекс показателей, описывающих всех основных экономических агентов региона.

7. Статистическая информация, описывающая регион в комплексе не всегда бывает доступна. Кроме того, существует ряд важных показателей экономики, которые относятся к категории ненаблюдаемой информации. Это также необходимо учитывать при построении модели региона.

8. Одной из основных характеристик региона является возможность представления его в качестве динамической системы. Исследование развития региональных процессов требует учета исторической динамики, циклов экономического роста, естественных процессов роста и спада производства и т. д.

9. При этом вне зависимости от естественных процессов спада, подъема необходимо учитывать то, что для нормального развития региона необходимо поддержание экономического равновесия со стороны органов государственной власти.

При моделировании социально-экономических процессов в регионе важно выделить экономических агентов – субъектов экономических отношений, принимающих участие в производстве, распределении, обмене и потреблении экономических благ. При всем разнообразии экономических агентов региона следует выделить три основных типа:

Домохозяйства – домашние хозяйства (индивиды и их семьи), которые с одной стороны являются поставщиками на рынке ресурсов, с другой – потребителями товаров и услуг.

Предприятия – это хозяйствующие субъекты, выполняющие функции производства товаров и предоставления услуг. Как и домохозяйства, они являются как объектами спроса, так и объектами предложения. Агент «государство» с одной стороны также выступает в качестве представителя / потребителя товаров и услуг, а с другой прямо или косвенно может вмешиваться и контролировать этот кругооборот ресурсов. Кроме того, при анализе развития социально-экономического развития региона могут быть выделены управляемые (те параметры, которые могут быть изменены под непосредственным воздействием органов власти) и неуправляемые параметры. В качестве отдельного экономического агента зачастую выделяют некоммерческие организации, так как основной целью функционирования таких организаций не является получение прибыли. Данные экономические агенты взаимодействуют на различных рынках: рынок товаров, работ и услуг; финансовый рынок;

рынок ресурсов. Кроме того, существует внешняя среда, оказывающая воздействие как на регион в целом, так и на отдельные его элементы. В общем виде схема взаимодействия основных экономических агентов представлена на рисунке 5.

Каждый из элементов системы в каждый момент времени имеет определенный объем запасов. Их изменение происходит в результате взаимодействия элементов и в соответствии с определенными «правилами». Данные правила зависят от состояния как самих элементов, так и от состояния окружающей среды. Таким образом, фактически имеется набор правил, каждое из которых активизируется в определенной ситуации. Состав показателей, характеризующий каждый экономический агент, определяется исходя из целей исследования. При анализе экономического развития региона, на первый план выходят показатели, характеризующие доходы и расходы каждого из агентов. В качестве основных критериев построения региональной модели можно выделить следующие.

1. Системность – охват моделью всей совокупности существенных элементов и взаимосвязей моделируемого объекта. В качестве инструмента обеспечения системности предложено формировать модель с учетом стандартов системы национального счетоводства.

2. Научная обоснованность – использование в модели научных методов, в частности методов экономико-математического моделирования, обеспечивающих строгую формализацию и тем самым достоверность и верифицируемость результатов моделирования.

3. Сбалансированность – целостный учет источников образования и использования ресурсов, обеспечивающих сохранение основных воспроизводственных пропорций при моделировании. Решение этой задачи также может быть проведено за счет использования стандартов системы национального счетоводства.

конечное потребление Промежуточное и 4. Вариантность – возможность модели генерировать и оценивать последствия реализации альтернативных стратегий развития с учетом возможных изменений условий внутренней и внешней среды. Инструмент достижения – использование методов сценарного моделирования.

5. Практическая применимость – наиважнейшее условие, обеспечивающее достаточность для данной модели официально существующей информационной и статистической базы для обеспечения возможности доведения теоретических выкладок до практических результатов моделирования.

6. Стоимость – приемлемость величины затрат конечного пользователя по приобретению, установке, использованию и обслуживанию информационной системы;

7. Возможность адаптации – возможность применения существующей модели для анализа и прогнозирования развития других социально-экономических систем. Определяется необходимостью изменения основных параметров модели, изменения имеющихся зависимостей, набора показателей, величины базы данных и базы знаний;

8. Гибкость – способность модели адекватно отображать состояние моделируемого объекта при изменении его параметров в определенных пределах;

9. Реализация в качестве программного продукта – доведение концептуальной модели до уровня программного продукта и реализации в виде информационной системы (СППР, ИАС и т.д.);

10. Устойчивость системы к изменяемым параметрам 11. Возможность корректировки - возможность вмешательства пользователя в процесс моделирования и изменения отдельных параметров на определенном шаге моделирования.

Системный учет данных принципов при построении комплексной модели региона позволит преодолеть или уменьшить степень воздействия тех недостатков и ограничений, которые присущи существующим разработкам.

Подходы в области территориального моделирования.

Классы моделей определяются главных образом логикой построения модели и используемыми методами формализации и моделирования. Существуют различные классификации моделей, в частности можно выделить следующие классы модели, которые соответственно делятся на подклассы (рис. 6).

Россия: Федеральные округа;

Имитационная модель Вятского ГУ;

АС «Моделирование СЭР региона», ГУУ нейронными сетями Федеральные округа.

Модели спросадвумя товарами и двумя модель Эрроу-Дебре без Атаева А.Г., Исламова Д.В., Мустафин Э.Р., Орешников В.В. Сравнительный анализ моделей регионального развития [Электронный ресурс] // Управление экономическими системами (электронный научный журнал).

2011, №10. Режим доступа: http://uecs.ru/uecs-34-342011/item/737-2011-10-31-06-45pop=1&tmpl=component&print= Подобное деление на классы и подклассы очень условно. Некоторые авторы относят имитационные модели к числу эконометрических, другие также к эконометрическим моделям относят модели межотраслевых балансов. Кроме того, большинство моделей нельзя четко отнести к определенному классу: существуют модели, относящиеся одновременно к двум и даже трем классам. Так например, CGE-модели с нейронными сетями можно с одной стороны отнести как классу нейросетевых моделей на основе интеллектуальных технологий, с другой стороны к моделям равновесия экономики, с третьей стороны к рекуррентным имитационным моделям. Основная часть моделей находится на стыке классов, что говорит о невозможности однозначного определения класса модели. Рассмотрим краткую характеристику четырех классов моделей:

1. Модели общеэкономического равновесия;

2. Вероятностно-статистические модели;

3. Имитационные модели;

4. Модели на основе интеллектуальных технологий.

Модели пространственного взаимодействия нами не рассматриваются по причине того, что цель их разработки – не прогноз и анализ развития региона, а определение оптимального размещения производства.

Модели общеэкономического равновесия. Среди моделей общеэкономического равновесия можно выделить два основных подкласса: модели межотраслевых балансов и СGE-модели. Балансовые модели служат основным инструментом поддержания пропорций в экономике, определяя баланс между имеющимися ресурсами (трудовыми, материальными, финансовыми) и потребностями в них. Среди балансовых методов наиболее широкое распространение получили модели межотраслевого баланса, разработанные еще в 1930-х гг. 1, 2. Принципиальная схема межотраслевого баланса состоит в том, что народное хозяйство представляется в виде совокупности конечного числа отраслей, производящих товары и услуги. Каждая из отраслей производит некоторый продукт, часть которого потребляется внутри системы, а часть выводится вне ее в виде конечного продукта. Таким образом, модель позволяет выявить диспропорции в хозяйстве страны при сопоставлении фактического производства с фактическим потреблением. Однако в модели есть ряд существенных ограничений. Так в качестве отрасли выступает так называемая «чистая отрасль» – условная отрасль, объединяющая все производство данного продукта независимо от формы собственности предприятия и ее ведомственной подчиненности. Это обуславливает необходимость специального преобразования фактических хозяйственных отраслей к чистым, моделируемым. Другим известным представителем группы балансовых моделей, являются CGE (Computable General Equilibrium models) модели – вычислимые модели общего равновесия. Экономика в моделях представляют собой систему уравнений, решением которой является общее экономическое равновесие, как правило, сводящееся к уравновешиванию спроса и предложения на всех рассматриваемых в модели рынках товаров и услуг. Данные модели, в основном, применялись для оценки последствий государственных решений.

Вероятностно-статистическая модель – это вероятностная модель, параметры которой оцениваются по исходным конкретным статистическим данным. При анализе развития социально-экономических систем наибольшее распространение получили эконометрические модели, основанные на построении производственной функции, позволяющие анализировать и прогнозировать конкретные экономические процессы на макро- и микроэкономическом уровне на основе реальной статистической информации.

Первой моделью межотраслевого баланса принято считать модель «затраты - выпуск», разработанную американским экономистом В. Леонтьевым.

Леонтьев В. Предисловие. Межотраслевая экономика. Научный редактор и автор предисловия академик РАН А.Г. Гранберг; Пер. с англ. [Текст] / В. Леонтьев. – М.: Экономика, 1997. – 480 с.

В качестве преимущества использования эконометрического подхода при моделировании территориального развития можно отнести простоту интерпретации полученных результатов и возможность оценки последствий от принятых мер на государственном уровне. Однако необходимым условиям для применения таких моделей в аналитических и прогнозных целях является получение статистической базы, полностью характеризующей исследуемые процессы. Особенно это относится к региональным моделям, в связи с меньшей полнотой региональной статистики и наличием более коротких временных рядов данных. Также среди проблем применения данного подхода на практике является проблема спецификации модели, что связано с нейтральностью методов математической статистики по отношению к экономическому содержанию экономических процессов, которое может привести к ложным взаимосвязям между показателями. При использовании этого математического аппарата в социально-экономических задачах нужно четко определять границы применимости используемых аналогий с техническими системами и учитывать допущения, лежащие в основе математических методов обработки данных, поскольку многие эффектные результаты статистического анализа предполагают, что измеряемая величина подчиняется гауссовой статистике и теореме о нормальности закона распределения сложного статистического процесса. При использовании других статистик можно получить значительные отклонения оценок параметров в связи с несоблюдением условий их состоятельности. Тем не менее, можно рекомендовать использование вероятностно-статистических моделей совместно с другими видами моделей. Как известно экономические системы являются сложными, и учесть все взаимосвязи, а также все внешние факторы практически невозможно. В связи с этим прибегают к построению эконометрических моделей, учитывающих только существенные, наиболее значимые связи.

Подобное упрощение, тем не менее, позволяет достаточно точно смоделировать поведение прогнозируемой системы и сделать прогноз. Подобного рода модели получили название имитационных моделей.

Также одним из наиболее важных классов моделей регионального развития являются имитационные модели, позволяющие с помощью последовательности вычислений прогнозировать траекторию развития социально-экономической системы с заданными параметрами при воздействии различных факторов и условий. Имитационные модели основаны на построении моделей рекуррентного типа и/или моделей системной экономической динамики. В основу технологии прогнозирования деятельности региона положена концепция, согласно которой прогноз является результатом эволюции исходного состояния модели региона на заданную перспективу при задаваемых сценарных условиях. В процессе прогнозирования исходная база данных переносится в точку прогнозирования через модель причинно-следственных связей, экзогенные параметры модели переносятся через сценарий. При этом в модели обеспечивается сохранение соответствия между параметрами. Неоспоримым преимуществом моделей имитационного класса является использование модульной структуры при построении информационной системы на их основе, подобный подход позволяет наиболее эффективно использовать ресурсы оборудования, сокращая время обработки данных. Достоинством модели также является возможность отслеживания показателей на каждом этапе моделирования. Среди недостатков описываемого класса моделей наиболее существенным является их высокая стоимость.

Разработка имитационной модели регионального развития предполагает участие целого коллектива авторов, занимает достаточно продолжительное время и требует значительных ресурсов. Внедрение информационно-аналитической системы, в основе которой лежит имитационная модель, в практическую деятельность органов государственной власти субъекта федерации также нуждается в существенной финансовой поддержке, необходимой для программной адаптации, установки и обучения персонала. Также существенным минусом данного класса моделей является использование ряда показателей, не анализируемых официальными органами статистики, что при достаточно обширном наборе диагностических показателей не позволяет модели работать в полной мере.

Модели, построенные на различных интеллектуальных информационных технологиях, позволяют формировать вполне конкретные решения на основе неполных и нечетких данных благодаря наличию моделей мышлений на основе баз знаний. Данные модели способны к обучению и самообучению и характеризуются наличием механизма объяснений. К таким моделям относятся CGE с нейронными сетями, где в качестве метода анализа информации используются нейронный сети. С этим связан определенный недостаток данных моделей, а именно непрозрачный процесс моделирования в связи с тем, что между получением входной информации и генерацией выходного результата остается определенное числе скрытых слоев нейронов. Также возможность обучения и самообучения данных моделей вызывают необходимость повышенных требований к обучающей сети информации, и для получения достаточно надежных прогнозов необходимо иметь очень большие по объему базы данных, что в свою очередь повышает стоимость модели. При этом, несмотря на сложность самих систем для пользователей модели, построенные на различных интеллектуальных информационных технологиях, довольно просты в обращении. К моделям, построенным на различных интеллектуальных информационных технологиях, относятся экспертные системы – по сути программы, способные в определенной мере заменить специалиста-эксперта при принятии управленческих решений в проблемной ситуации. Недостаток данных систем связан с необходимостью формирования обширной базы знаний по проблемной отрасли (что соответственно приводит к большим трудовым и финансовым затратам). При этом если эксперты, составляющие базу данных, не сталкивались с проблемой, либо база данных не обновляется, то система не способна решить ситуацию.

Отчасти с этим связана и высокая стоимость сопровождения модели, зачастую превышающая стоимость ее создания. В большинстве случаев, при использовании инструментария интеллектуального анализа, применяется нечеткая логика, определяющая принадлежность данных к какой-нибудь группе с вероятностью в интервале от 0 до 1. Нечеткая логика предлагает осуществление процесса моделирования на высоком уровне абстракций, при котором используется минимальный набор закономерностей. К недостаткам данной методики относятся отсутствие стандартной методики конструирования нечетких систем и невозможность математического анализа существующими методами. Кроме того, зачастую применяются комбинированные интеллектуальные методы. К общим достоинствам моделей данного класса относятся возможность нахождения решений в условиях неопределенности, невозможности полностью формализовать задачу, учет экспертных мнений. Среди недостатков данного класса необходимо отметить высокую стоимость разработки и обслуживания систем, основанных на использовании базы знаний экспертов, в большинстве случаев требуется использование специальных электронных плат и нейрокомпьютеров, низкая возможность повторного использования моделей для анализа других объектов, непрозрачность принимаемых решений (эффект «черного ящика»). Для выявления преимуществ и недостатков существующих подходов нами был проведен сравнительный анализ наиболее известных систем, реализованных в виде готовых программных решений и в основе которых лежат описанные выше теоретико-методические подходы (табл. 1).

Одной из ключевых проблем прогнозирования развития социально-экономических систем является неопределенность воздействия внешней среды и изменения неуправляемых параметров. С другой стороны, лицу принимающему решение требуется понимание того, как изменятся параметры управляемого объекта под влиянием этих факторов и одновременно под влиянием тех или иных решений. Актуальной становится задача разработки комплекса прогнозов, отвечающих за различные варианты действий и развития событий.

Таблица 1 – Сравнительная оценка основных систем в области моделирования регионального развития Модели равновесия экономики CGE-модели Вероятностно-статистические модели Хорошо применимы для исследования длительно необходимость обширной статистической базы, Эконометрические стабильных или слабо динамичных систем и процессов; полностью характеризующей исследуемые процессы модели простота интерпретации полученных результатов и проблема спецификации моделей;

Модели на основе интеллектуальных технологий Нейросетевые модели экономики Возможность гибкой настройки параметров модели Отсутствие системности моделирования;

Модель региона на «недоопределенных»

(РНИИ Возможность использования неполной и неточной вычислений Искусственного информации интеллекта) Решения могут быть объяснены на качественном Высокая стоимость создания и обслуживания;

Экспертные системы Возможность использования для анализа слабо баз знаний теряют актуальность;

формализованных объектов и отсутствия полной 1. Низкая гибкость, т.к. не возможно использования Имитационные модели Комплексное прогнозирование территориального Сложность информационного обеспечения;

Программный комплекс «Прогноз»

Территориальная система «ТАИС»

Система «Губернатор»

Возможность отслеживать и корректировать ход Основывается только на финансовых показателях Макромодель прогноГибкий инструментарий сценарного анализа; Ограниченные функциональные возможности.

зирования индикаторов развития региона (проект СИРЕНА, ИЭОПП СО РАН) Данный подход применяется на всех уровнях управленческой иерархии начиная от разработки бизнес-планов организаций (анализ чувствительности, вариационный анализ, использование различных вариантов цен реализации продукции) до федерального уровня (сценарные условия для формирования вариантов прогноза социально-экономического развития). Сценарное моделирование становится неотъемлемой частью системы прогнозирования и в региональном управлении. Для повышения достоверности прогнозных оценок моделирование целесообразно осуществлять по нескольким альтернативным вариантам с учетом возможных изменений экономических условий, интенсивности реализации тех или иных видов экономической политики и соответствующих им стратегий развития. Число, состав и специфика подобных сценариев зависит от целей исследования.

Наиболее распространено выделение трех альтернатив – пессимистическая, оптимистическая и наиболее вероятная. Данный подход целесообразно применять при наличии некоторой общей направленности или единстве рассматриваемых факторов.

Другим подходом в данной области является выделение стратегий исходя из приоритетности развития того или иного направления деятельности (направления использования ресурсов). В данном случае могут, например, быть выделены следующие стратегии: базовая стратегия развития; инвестиционно ориентированная стратегия развития; социально ориентированная стратегия развития; комбинированная стратегия развития. Базовая стратегия в целом предполагает сохранение сложившихся тенденций развития по всем основным социально-экономическим показателям до конца рассматриваемого периода. Сохраняющаяся структура производства и распределения благ обеспечивает неизменность основных экономических соотношений.

В расчетах могут быть заданы темпы освоения инвестиций в основной капитал, прироста заработной платы при сохранении сложившейся структуры и динамики расходов бюджетов по различным направлениям на уровне предшествующих лет. В результате анализа последствий реализации данной стратегии обычно выявляет сохранение инерционного тренда изменения основных параметров социально-экономического развития системы. Значительных изменений в динамике и пропорциях социальных и экономических показателей в целом не наблюдается. При этом по отдельным показателям может намечаться как положительная, так и отрицательная динамика. Социально ориентированная стратегия предполагает приоритетность направления финансовых ресурсов на развитие социальной сферы, сосредоточение усилий на решении значимых для населения вопросов. Сценарные и управляющие параметры в рамках данной стратегии формируют «умеренную»

интенсивность инвестиционной политики при «высокой» интенсивности социальной политики, а также активизации бюджетной политики в части расходов бюджета по направлениям «Здравоохранение, физическая культура и спорт», «Образование», «Социальная политика», «Культура, кинематография и СМИ».

В расчетах прироста темпов инвестиций в основной капитал задаются усредненные значения показателей за предшествующие годы, в расчетах темпов прироста заработной платы и динамики расходов бюджета на социальную сферу задается повышенное значение.

При этом следует ожидать рост поступлений по налогу на доходы физических лиц, что в условиях Российской Федерации позволит увеличить поступления в бюджеты муниципальных образований (и соответствующий рост их расходной части). В то же время специфика данной стратегии подразумевает возрастание доли расходов на поддержание социальной сферы. По показателям производственно-экономической деятельности большинство индикаторов либо сохранит динамику роста на уровне инерционной стратегии развития, либо будет наблюдаться снижение темпов роста. Реализация инвестиционно ориентированной стратегии предполагает приоритетное направление финансовых и материальных ресурсов в реальный сектор экономики, в сферу производства.

Для реализации данной стратегии потребуется привлечение существенных инвестиционных ресурсов из всех источников финансирования, что позволит увеличить объем используемых основных фондов как производственного, так и непроизводственного назначений. Сценарные и управляющие параметры в рамках данной стратегии формируют «умеренную» интенсивность социальной политики при «высокой» интенсивности инвестиционной политики, а также бюджетной политики в части расходов бюджета по разделу «Национальная экономика». При расчетах роста темпов заработной платы задаются усредненные значения за предшествующие годы исходя из номинальных среднемесячных уровней заработной платы. В расчетах темпов прироста инвестиций в основной капитал и динамики расходов бюджета на национальную экономику задается увеличенное значение. В сравнении с базовой стратегией при увеличении объемов инвестиций в основной капитал следует ожидать рост объемов отгруженной продукции (ВРП). При этом в большинстве случаев прогнозируется относительное улучшение показателей благосостояния и качества жизни населения (роста денежных доходов населения, обеспеченности жильем, увеличения уровня рождаемости и т.д.). Наиболее существенным преимуществом инвестиционно ориентированной стратегии по сравнению со стратегией социально ориентированного развития является опережающая динамика показателей производственно-экономической деятельности. При этом по показателям социального характера будет наблюдаться некоторое снижение положительной динамики (в том числе снизятся средние темпы прироста заработной платы). В структуре доходов населения усилятся тенденции роста доли доходов от предпринимательской деятельности при снижении доли оплаты труда, а также доли социальных трансфертов.

Последствием реализации инвестиционно ориентированной стратегии станет увеличение налоговых доходов связанных, в первую очередь, с объемом производства и прибыльностью предприятий, а также в определенной степени других налогов. В то же время данная стратегия предполагает активную инвестиционную деятельность, в связи с чем соответственно изменится структура расходов бюджетов всех уровней. Принимая во внимание необходимость учета интересов как социального, так и экономического развития в среднесрочной перспективе, оптимальной может стать реализация комбинированной стратегии развития, предполагающей средневзвешенный подход к финансированию приоритетов как производственной, так и социальной подсистем территории. Данная стратегия позволит сделать основные показатели прогноза более сбалансированными.

Существующие информационные системы в области управления сложными социально-экономическими объектами Нами уже были рассмотрены различные подходы в области территориального моделирования. Каждая из выделенных групп имеет конкретных представителей как в отечественной, так и в зарубежной науке. Они отличаются по уровню применения и по предлагаемому набору инструментов. В частности весьма широко представлены модели общеэкономического равновесия. В качестве примера зарубежных балансовых моделей можно привести Уортонскую годовую модель экономики США (Wharton model), модель LIFT (Long-term Interindustry Forecasting Tool), модель налогово-бюджетной политики США ОВЕ Брукингская модель экономики США. Следует отметить, что кроме балансового метода при моделировании первых двух моделей использовался и эконометрический подход при формировании «отраслевых» уравнений. Среди отечественных моделей, разработанных для прогнозирования развития экономики страны и использующие при моделировании методы межотраслевого баланса можно выделить модель RIM, СИРЕНА 1. Модель RIM (Russian Interindustry Model) была разработана в Институте народнохозяйственного прогнозирования РАН и представляет собой макроэкономическую межотраслевую модель рыночного равновесия российской экономики.

Институт народнохозяйственного прогнозирования РАН: официальный сайт. – Режим доступа:

http://www.macroforecast.ru/ Модель является динамической, агрегированной, с использованием дискретных переменных. В качестве недостатков данной модели экспертами отмечается отсутствие блока эндогенного расчета равновесия на денежном рынке. В России наиболее известна CGE модель – RUSEC (RUSsianEConomy), разработанная в 1997 году академиком В.Л. Макаровым1,2 в которой выделено 12 экономических агентов, взаимодействующих на 47 рынках. При этом особенностью модели является то, что в ней функционируют две системы цен: государственная и рыночная. Интегральные показатели экономики, характеризующие поведение экономики в целом, получаются операцией суммирования. В модели такими макро показателями являются: ВВП, инвестиции, бюджет, денежная масса, уровень цен по секторам экономики и т.д. При построение данной модели были использованы и другие подходы к моделированию, такие как теоретико-игровой и эконометрический подход. Среди основных достоинств данной модели можно выделить гибкость, позволяющую легко вносить изменения в математическую часть модели, что создает основу для проведения различных сценарных расчетов. Для численного разрешения данной модели было использовано программное обеспечение MSExcel, использование которого увеличивает преимущества данных моделей по сравнению с другими. Также использование Excel значительно снижает стоимость модели. В настоящее время уже создано большое количество CGE моделей, разработкой которых в основном занимаются сотрудники ЦЭМИ РАН под непосредственным руководством академика В. Л. Макарова.

Среди которых можно выделить «Россия: Центр – Федеральные округа», «CGE модель социально-экономической системы России со встроенными нейронными сетями».

Недостатком данных моделей при моделировании регионального развития является трудность информационного обеспечения, так как для более адекватного описания системы необходим большой объем данных, который зачастую отсутствует в связи с меньшей полнотой региональной статистики. Класс вероятностно-статистических моделей довольно распространен на Западе, где к эконометрическим моделям можно отнести модель глобальной экономики проект LINK, созданный в 1968 году, Уортоновскую годовую модель экономики США, разработанную в 60-е годы прошлого века, предназначенную для построения долгосрочных прогнозов. Наиболее подробной из зарубежных эконометрических моделей считается Брукингская модель экономики США, которая применялась для анализа бюджетной, кредитно-денежной политики, экономических циклов и для решения других вопросов. Среди зарубежных эконометрических моделей можно также выделить квартальную модель экономики США Р. Фера, которая в отличие от рассмотренных выше моделей является высокоагрегированной, но практически непригодной для решения прикладных задач, в связи с отсутствием в модели взаимоувязки прогноза с ресурсами.

В российской практике примером является «Эконометрическая модель экономики России», также разработанная в ЦЭМИ РАН под руководством академика С.А. Айвазяна3.

Данная модель представляет собой систему одновременных уравнений относительно показателей состояния экономики. При этом акцент в модели сделан на исследовании зависимости экономической динамики от мировых цен на нефть и от размеров государственных социальных расходов.

Прототипом модели стала модель конкурентной рыночной экономики Эрроу-Дебре, согласно которой экономика представлена совокупностью экономических агентов взаимодействующих на рынках. При этом считается, что каждый агент, обладающий определенным поведением, действует рационально и преследуют в своей деятельности определенные цели. Все агенты, принимая свои решения, рассматривают цены как заданную величину и в зависимости от них определяют спрос и предложение товаров.

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/ RIM OBE Брукингская Брукингский Для страны Эконометрическая Низкая Высокая степень детализации; Требуется большой объем информации, «Сирена» (Синтез А. Г. Гранберг. Страна. Имитационная Высокая Комплексность модели; Большое количество исходных данных;

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

Эконометрическая В. Л. Макаров С. Для страны Эконометрическая средняя Простота интерпретации Трудность информационного RUSEC CGE модель В. Л. Макаров Для страны Балансовая, средняя Реализация сценарных расчетов Проблема информационного сетями Россия: Центр – А. Р. Бахтизин межрегиональ Балансовая высокая Реализация сценарных расчетов Проблема информационного Имитационная Социально- Регион. Имитационная Адаптирова Учитывает теневой оборот; Большое количество переменных и Аналитическая Лычкина Н. Н. Регион Имитационная Адаптирова Практическая реализация в Необходимость большого объема демографической информатики и Интеллектуальная на Долгосрочность – до 20 лет. демографической ситуации, поэтому в области. технологических Аналитический Андрианов, Регион Имитационная Высокая1. Возможность отслеживать и Высокая стоимость;

Территориальная Цыбатов, Регион Имитационная Высокая1. Возможность отслеживать и 1. Высокая стоимость;

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.

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), 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:

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:

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 даммипеременная 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.