опыт трансформации старопромышленных городов / ii-mezhdunarodnoj-nauchno-prakticheskoj-konferencii-posvjawennoj-65-letiju-kafedry-obwej-jekonomicheskoj-teorii-jekonomicheskogo-fakulteta

экономики. Например, И.И. Елисеева [3] в своих трудах «Измерении теневой экономической деятельности» предлагает классифицировать методы учета теневой экономики по хар актеру изучаемых материалов – на интегральные и дифференциальные. Дифференциальные методы определения теневой экономики очень хорошо служат для определения размера теневой экономики на отраслевом уровне.

Тем не менее, изучив и проанализировав многочисленны е работы авторов по определению методов измерения теневой экономики, следует отметить, что существует множество попыток классифицировать методы оценки величины теневой экономики, но она все -таки трудно подается измерению. Поэтому на наш взгляд и как считают многие авторы помимо общей классификации, необходимо осуществлять классификацию всех методов в разрезе блоков, входящих в каждую методику оценки величины теневого сектора экономики. Каждая методика оценки теневой экономики, как правило, должна включает несколько блоков:

-исходные данные (или методика их получения);

-методика расчетов;

-методика анализа и прогнозирования (основывается на логическом и статистическом анализе динамики развития основных показателей).

Рассматривая данные блоки по отдельности, можно получить гораздо более четкое представление о существующих методах анализа.

Кроме того, мы считаем в частности использование корреляционно-регрессионных моделей.

Суть данных методов состоит в поиске зависимостей между рядом факторов (причин, предикатов), влияющих на объемы теневой экономики, с одной стороны, и некоторыми индикаторами данной деятельности, с другой. Наиболее известным методом здесь является «MIMIC». Суть его состоит в использовании скрытой переменной. С математической точки зрения да нная ситуация может быть описана следующим образом. Величина скрытой экономики (скрытая переменная), с одной стороны, представлена как величина h, определяемая некой матрицей Xpx1 = [x1,x2….xp], являющейся вектором причин, определяющих размер теневой экономики (h).

h= А X + e . (1)

С другой стороны, h влияет на набор индикаторов y = [y1,y2…yq] Y = B h + w , (2)

гдеА и В - векторы параметров,

e и w – величина случайной ошибки. Используя 1 и 2, можно представить в виде 3

Y = П X + z , (3)

гдеП = AB, z = Be + w.

131

Используем данные о развитии х и y за период j = (t0..t1), таким образом данные могут быть представлены в виде Хpxj, Yqxj. Иначе (3) может быть представлено в виде системы уравнений:

yij = п'i1x1i+ п'i2x2i+ …. + п'ipxpi + zi . (4)

Располагая данными Y и Х, при помощи стандартных статистических методов можно определить значения элементов матрицы П.

Матрица B является матрицей коэффициентов при h. Задавая коэффициент равным 1 попеременно для каждого h, можно получить значения h для каждого yi.,таким образом получая динамику развития величины h.

В случае определения величины скрытой экономики (h) в регионе в качестве индикаторов y могут выступать такие показатели, как:

1.Отношение денежных агрегатов M0/M2.

2.Отношение величины начисленных налогов к ВВП.

3.Доля прямых налогов в налоговых поступлениях.

4.Индекс потребительских цен.

5.Уровень безработицы.

6.Средняя налоговая ставка.

В любом случае выбор индикаторов, по признанию многих авторов, является наиболее трудной задачей. К преимуществам данного метода можно отнести то, что он позволяет дать оценку развития масштабов теневой экономики, основанную не на каком -либо одном индикаторе (количество налоговых правонарушений, доля наличных денег в обороте, уровень безработицы), а с использованием любого досту пного количества индикаторов. Это дает неоспоримое преимущество, так как теневая экономика проявляется не только в какой-то одной области экономики, на каком-то одном индикаторе, а на многих сразу. Поэтому использование большего количества индикаторов позволяет дать более точные оценки динамики данного явления.

К недостаткам этого метода следует отнести, прежде всего, то, что он позволяет получить лишь серию индексов, описывающих изменение развития явления во времени. Для получения же абсолютной величины различные авторы вновь применяют либо методы, описанные выше, либо используя данные других исследований [5].

Как видим все существующие методологические подходы к выявлению теневого оборота имеют свои преимущества и недостатки.

В рамках настоящего исследования были рассмотрены лишь некоторые методы определения параметров теневой экономики. Проведенное нами исследование позволило сделать ряд выводов и предложений, имеющих, на наш взгляд, научное и практическое значение.

132

Многогранность теневой экономики подразумевает и многообразие методов ее измерения. Любые исследования по данной проблеме, свидетельствуют об отсутствии единой методики количественной оценки размеров теневых экономических структур и критериев достоверности результатов.

Одной из наиболее сложных проблем в исследовании теневой экономики является разработка методического аппарата по оценке ее основных количественных параметров, что обусловлено самим характером этого явления, предполагающего сокрытие от учета, контроля и регистрации.

Все-таки наилучшие результаты достигаются, когда расчет ведется одновременно и независимо несколькими методами, с использованием различных базовых источников информации.

Скрытая часть экономики от статистического учета будет сокращаться по мере совершенствования статистической системы – улучшения и совершенствования статистического наблюдения, внедрения современных методов обработки информации и т.п.

Официальные статистические службы должна отдельно учитывать показатель теневой экономики, в том числе черной, и иметь связь с контролирующими и правоохранительными органами [4].

При условии реализации вышеизложенных и других мер создается возможность того, что теневая деятельность сократит свою социально -

экономическую базу, которая обуславливает ее сегодняшний расцвет [4].

Список использованной литературы

1.«Методологические положения по расчету основных параметров скрытой (неформальной) экономики». Утв. пост. Госкомстата России от 31.01.1998 г. №7.

2.Н.В. Черемисина Н.В. Методы Статистической оценки теневой экономики. Вестник Т ГУ, выпуск 3 (43), 2006.

3.Елисеева И.И. Измерение теневой экономической деятельности / под ред. И.И. Елисеевой и

А.Н. Щириной. СПб. 2003. С. 30 -38.

4.Каратаева Т .А. Формирование и развитие теневой экономики в РС (Я). Профессиональное становление будущего специалиста экономико-правовой сферы в условиях модернизации ВПО. Материалы научно-практической конференции.г. Якутск, 2007.с. 44 -51.

5.Методические рекомендации. «Диагностика теневой экономики в УФО» п. 9.17.3 плана НИР ВНИИ МВД России.

©Каратаева Т.А., 2012

133

УДК 519.87:338.26 ББК 22.181+65в631

Л. И. Касимова аспирант экономического факультета, БашГУ, г.Уфа

НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ЭКОНОМИЧ ЕСКИХ ПРОЦЕССОВ

В современном мире наблюдается большой интерес к нейросетевому моделированию, которое успешно нашло применение в различных областях – в экономике, в медицине, технике, естественных и гуманитарных науках.

Нейронные сети – это новый способ решения задач, возникающих в результате развития современного мира, а, следовательно, и динамично

основывается на возможности нейронных сетей прогнозировать тенденции развития тех или иных показателей.

В таких задачах к входным параметрам предъявляются следующие требования:

1.Входные данные должны быть представлены в числовом виде; 2.Обучающие выборки должны быть большими.

Но, в современной рыночной экономике большое значение также имеют и внешние факторы, которые могут, хоть и кратковременно, но достаточно сильно повлиять на изменение тех или иных показателей. Поэтому часто используют экспертные оценки и выражают их числами, которые тоже учитываются как входные параметры нейронных сетей.

Использование искусственных нейронных сетей в экономике предназначено для решения широкого класса задач, а, следовательно, может дать самые невероятные результаты. В последние несколько лет на основе нейронных сетей было разработано много программных систем для применения в таких вопросах, как:

-прогнозирование временных рядов на основе нейросетевых методов обработки (валютный курс, спрос и котировки акций и др.);

-страховая деятельность банков;

-прогнозирование банкротств на основе нейросетевой системы;

-определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия;

-применение нейронных сетей к задачам биржевой деятельности;

-прогнозирование экономической эффективности финансирования экономических и инновационных проектов.[1]

134

Как известно, риск инвестиций в любую деятельность достаточно высок, если изменение рыночных цен большое. Чтобы оценить степень этого риска используются нейронные сети, которые могут представлять сложные нелинейные отношения в таких областях, где статические м етоды не справляются. Банкротства предприятий, неспособность организаций расплачиваться по своим обязательствам являются частым явлением в рыночной экономике. Вероятность несостоятельности предприятий, фирм, целых корпораций, банков очень велика, являясь не только угрозой для самих предприятий, но и для всей экономики в целом. Поэтому существует необходимость в таких моделях, которые предсказали бы такие события. Крупные финансовые институты используют нейросетевое моделирование для увеличения производительности в таких областях, как оценка платежеспособности эмитента, расчет скидок, целевой маркетинг и оценка кредитов.

Таким образом, нейронные сети активно применяются на финансовых рынках. Например, американский Citibank использует нейросетевые предсказания с 1990 г., и уже через два года после их внедрения, по свидетельству журнала The Economist, автоматический дилинг показывал доходность 25% годовых. Chemical Bank применяет нейросетевую систему фирмы Neural Data для предварительной обработки транзакций на валютных биржах ряда стран, отслеживая подозрительные сделки. Автоматизированные системы ведения портфелей с использованием нейросетей имеются на вооружении и у Deere & Co LBS Capital, причем экспертная система объединяется примерно с 900 нейронными сетям и.

В сентябре 1992 г. компания HNC, выпустила программный продукт Falcon, позволяющий выявлять и предотвращать в реальном времени подозрительные сделки по краденым кредитным и дебетным картам. Искусственные нейронные сети обучались типичному поведению клиентов и могли обнаруживать резкое изменение характера покупок, сигнализирующее о возможной краже. Ежегодный ущерб крупных банков от подобных преступлений измерялся десятками миллионов долларов, но благодаря внедрению Falcon в 1994 г. впервые за всю историю пластиковых карт эти потери пошли на убыль. Аналогичная система была разработана фирмой ITC для мониторинга операций с кредитными картами Visa.

Несколько лет назад крупный канадский банк CIBC для управления рисками и идентификации злоумышленников установил программу KnowledgeSeeker фирмы Angoss. С ее помощью специалисты банка решили выяснить, кто из их клиентов в будущем будет с высокой долей вероятности задерживать выплаты по закладным. Сначала предполагалось, что в первую очередь ими окажутся те, кто и пр ежде задерживал свои выплаты на

135

несколько дней. Однако исследования показали, что в будущем проблемы с платежами возникнут у тех клиентов банка, которые на фоне регулярных выплат иногда якобы забывали заплатить. Как выяснилось, подобная «забывчивость» была связана с серьезными финансовыми трудностями. [2]

Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна, линейные модели работают плохо. Кроме того, нейронные сети справляются с задачами высокой размерности, которое не позволяет моделировать линейные зависимости в случае большого числа переменных. Смысл использования нейронных сетей в экономике заключается не в том, чтобы вытеснить традиционные методы, это просто еще одно возможное средство для более легкого решения задач. Нейросети в настоящее время имеют ряд преимуществ. Во-первых, нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор базовых знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, го раздо скромнее, чем, например, при использовании традиционных методов статистики.[3]

В настоящее время главные проблемы в отношении применения нейронных сетей связанно с аппаратными реализациями, но время их массового выхода на рынок еще не пришло. На их р азработку тратится много времени, за которое программные реализации на самых последних компьютерах оказываются лишь на порядок менее производительными, что делает использование нейропроцессоров финансово невыгодными. Но, проблемы применения нейросетевого м оделирования – это вопрос времени. Им, как и в свое времякомпьютерным технологиям придется пройти путь, с каждым днем увеличивая свою производительность, захватывая новые сферы применения, при этом становясь более рентабельными.

Сейчас нейросетевое моделирование чаще всего используется для работы в узких областях экономики, и неизвестно будет ли оно применяться для решения более важных вопросов, социального значения. Но все же моделирование на основе нейронных сетей продолжает проникать в нашу жизнь и примеров тому не мало. Разработанные методы и модели, могут

136

использоваться в задачах налоговой системы, финансового контроля и регионального бюджетирования: оценки налогового потенциала, прогнозе налоговых поступлений в бюджет, финансовом контроле корпоратив ных заемщиков крупных банков, финансовом контроле в системе счетной

палаты РФ и др.

Список использованной литературы 1. Галушкин А.И. Теория нейронныхсетей. Кн.1.: Учеб. Пособие для вузов / Общая ред. А.И.Галушкина. – М .:ИПРЖР, 2000.

2.Писаренко И. Нейросетевые технологии в безопасности // «InformationSecurity / Информационная безопасность». 2009. №4. С.34.

3.Хайкин, Саймон. Нейронные сети: полный курс, 2-е изд., испр.: пер. с англ. – М .:

ООО «И.Д.Вильямс», 2006. – 1104 с.

©Касимова Л.И.,2012

УКД 330.3

ББК 455

И.А. Карпова магистрант, БГПУ им.М. Акмуллы, г. Уфа Р.Ф. Кабиров

к.э.н.,доцент кафедры культурологии и социально-экономических дисциплин, БГПУ им.М. Акмуллы, г. Уфа

ЗАВИСИМОСТЬ РОССИЙСКОЙ ЭКОНОМИКИ ОТ ВНЕШНИХ ФАКТОРОВ

Говоря о зависимости экономики России нельзя забывать о том, какие были проблемы в кризис 2008 года. Так как именно в это время можно было наблюдать явные слабые места в экономике страны. Так, например, мы можем наблюдать на рисунке 1 явный спад ВВП еще в середине 2008 года. Такое состояние можно объяснить высоким влиянием внешних факторов на российскую экономику, таких как массовый уход инвесторов с фондового рынка, сокращение глобального спроса, падение мировых цен на основные товары российского экспорта и соответственно экспортной выручки, сжатие мировых рынков ссудного капитала и уменьшение возможностей привлекать на них относительно дешевые «длинные» деньги.

На вопрос о степени зависимости Российской экономики от внешних факторов однозначно ответить нельзя. Так, например, добывающие отрасли и некоторые отрасли первичной переработки сырья чрезмерно ориентированы на внешний спрос. На экспорт поставляется более 9/10 производимого никеля и кобальта, 4/5 первичного алюминия, химических удобрений и целлюлозы, более ½ добываемой нефти,

137

нефтепродуктов, необработанного леса и фанеры, почти 1/3 природного газа, каменного угля и плоского проката черных металлов [1].

Рисунок 1 – Динамика ВВП России по состоянию на I полугодие

2012 года

А в Россию ввозят потребительские товары. Так их доля на рынке занимают в России сильные позиции. Так, их доля на рынке лекарств составляет 77%, фруктов – 80%, кожаной обуви – 90%, вина – 29, говядины

– 30, свинины – 25, молочной продукции – 20, легковых автомобилей – 34%. Так же больше 1/2 реализуемой в России сельскохозяйственной техники и 1/4 грузовиков выпускается за рубежом, 1/5 используемой химической продукции – иностранного производства [1]. Данные товары возможно заместить на отечественные, но эти возможности не используют. Подавляющая часть импортируемой продукции (80%) идет на удовлетворение текущих потребностей домашних хозяйств либо производственной сферы и всего 1/5 - на обновление основных фондов.

С начала 2000-х и до Мирового кризиса таможенные платежи составляли более 2/5 доходов федерального бюджета. Однако, по рисунку 2 мы можем наблюдать, что экспорт преобладает над импортом в денежном эквиваленте.

Рисунок 2 – Динамика внешней торговли в 2008-2012 гг. на

01.09.2012 года, млрд. долл.

138

Рисунок 3 – Средняя цена за импорт сырой нефти по данным Информационного Энергетического Агентства

Сравним данный график с динамкой цен на нефть (рисунок 3). В 2008-2009 гг. наблюдается явный спад, это же мы наблюдаем и на рисунке 2. В 2009 году экспорт резко упал. Следовательно, необходимо увеличивать экспорт не сырья, а готовых продуктов, а для этого необходимо расширять и совершенствовать государственную поддержку. Необходимо наладить четкие взаимоотношения в банковской системе, шире использовать кредитные гарантии, применять страховые операции (страхование сделок от различных видов рисков). Необходимо подвигать отечественную продукцию на зарубежные рынки, а для этого она должна быть конкурентноспособной, отвечать современным требованиям не только стандартов, но и реальных потребностей населения. А для этого нужна целенаправленная промышленная политика, в этой сфере государственные инвестиции не так велики. Необходимо улучшить инвестиционный климат в стране не только для зарубежных потенциальных партнеров, но и для российского производителя. Большинство экспер тов считают, что сформировать благоприятный инвестиционный климат можно за счет надлежащей защиты прав собственности, независимости судебной системы, серьезного сокращения масштабов коррупции, а также уменьшения административного давления на бизнес. Но это го недостаточно. Привлекательный климат невозможно создать без формирования полноценной конкурентной среды, наращивания капитализации банковской системы, уменьшения стоимости заимствований, снижения темпов

инфляции, сокращения нелегальной утечки капитала за рубеж [1].

Список использованной литературы

1.В. Оболенский Внешнеэкономические связи России: некоторые уроки глобального кризиса // Вопросы экономики, № 5, 2012, С. 87 – 100.

2.International Energy AgencyGlobal Energy Trends // Word Energy Outlook, 2011, С. 47-68

3.М инистерство финансов РФ, http://info.minfin.ru/export_import.php

©Карпова И.А., Кабиров Р.Ф., 2012

139

УДК330.341.1 ББК 65.5

А.И. Кoзлoвa aспирaнт Киeвскoгo нaциoнaльнoгo унивeрситeтa имeни Тaрaсa Шeвчeнкa, г. Киeв

РЕЙТИНГИ ИННОВАЦИOННOГO РАЗВИТИЯ В ХОДЕ

УВEЛИЧEНИЯ ИНВEСТИРОВАНИЯ

Сoврeмeнныe тeндeнции глoбaлизaциoнныx прoцeссoв дoстигли всeoбъeмлющeгo xapaктepa, стимулируя сущeствeнныe измeнeния в мирoвoм экoнoмичeскoм прoстрaнствe, a имeннo в иннoвaциoннoм рaзвитиe. Oдним из вaжнeйшиx нaпрaвлeний иннoвaциoннoй дeятeльнoсти являeтся исслeдoвaниe иннoвaциoнныx рeйтингoв, влияющиx нa мирoвoe экoнoмичeскoe рaзвития.

Укaзaнныe прoблeмы приoбрeли oсoбую aктуaльнoсть, пoскoльку имeннo пoвышeниe рeйтингoв в иннoвaциoннoй дeятeльнoсти являeтся oдним из глaвныx услoвий выxoдa из рeцeссии стрaн, кoтoрыe пoнeсли утрaты в рeзультaтe мирoвoгo финaнсoвo -экoнoмичeскoгo кризисa.

Тeoрeтичeскoй бaзoй исслeдoвaния стaли рaбoты тaкиx зaрубeжныx

учeныx, кaк И. Aнсoфф, P. Бaзeль, Б. Бepмaн, Г. Кapтep, Н. Мa лxoтpa, С.

Миллep.

Вoпрoс иннoвaциoннoгo рaзвития стрaн нa сoврeмeннoм этaпe глoбaлизaциoнныx прoцeсoв нaшли oтрaжeниe в рaбoтax oтeчeствeнныx учeныx: В.Д. Бaзилeвич, В. Гepaсимчук, E.Л. Кaнищeнкo, В.Ф. Oнищeнкo,

В.Н. Пapсякa, A.И. Poгaчa, Г.К. Poгoвa, В.P. Сидeнкo, A.A. Стapoстинa И.A.

Ткaчeнкo, С. Филипeнкo, Т.М. Цыгaнкoвa, М.Г. Чумaчeнкo, Н.Н. Чуpилoвa, A.И. Шниpкoвa.

Oтдaвaя дoлжнoe нaучным нaрaбoткaм oтeчeствeнныx и зaрубeжныx учeныx в исслeдoвaнии дaннoй прoблeмaтики, нужнo oтмeтить, чтo нeкoтoрыe вoпрoсы oстaются дискуссиoнными, a имeннo oтнoситeльнo экoнoмичeскoгo имиджa стрaн.

внeдрeниeм иннoвaций в рaзныe сфeры экoнoмичeскoй жизни. Фoрмируeтся тaк нaзывaeмaя экoнoмикa знaний. Этo aктуaлизируeт вoпрoсы иннoвaциoннoй дeятeльнoсти, кoтoрaя являeтся фaктичeски нeпрe мeнным услoвиeм пoстрoeния эффeктивнoй экoнoмики, кoнкурeнтoспoсoбнoй нa мирoвыx рынкax.

140