Московский экономический журнал 3/2022

Posted by redaktor
image_pdfimage_print

Научная статья

Original article

УДК 331.103.32

doi: 10.55186/2413046X_2022_7_3_180

МОДЕЛИРОВАНИЕ ОЦЕНКИ ДЕЯТЕЛЬНОСТИ ТОП-МЕНЕДЖМЕНТА КОМПАНИЙ ПО СНИЖЕНИЮ ПОТЕНЦИАЛЬНЫХ РИСКОВ БИЗНЕСА В УСЛОВИЯХ ЦИФРОВИЗАЦИИ ЭКОНОМИКИ

SIMULATION OF EVALUATION OF TOP MANAGEMENT ACTIVITIES OF COMPANIES TO REDUCE POTENTIAL RISKS OF BUSINESS IN CONDITIONS OF DIGITALIZATION OF ECONOMY

Третьяков Олег Владимирович, кандидат экономических наук, заведующий кафедрой «Инновационные технологии добычи нефти и газа», ФГБОУ ВО «Пермский национальный исследовательский политехнический университет»

Tretyakov Oleg Vladimirovich, Candidate of Economic Sciences, Head of the Department «Innovative Technologies of Oil and Gas Production», Perm National Research Polytechnic University.

Аннотация. В статье проводится анализ подходов к оценке эффективности и трудоемкости работ, выполняемых топ-менеджерами, на основе современных методов интерпретации качественных и экспертных оценок. Продукт творческого труда топ-менеджера определен как новые знания, необходимые для принятия решений, направленных на снижение коммерческих и иных рисков; «сложность» знаний определяется через оценку их «новизны», «компетенционной сложности» и «коммерческого потенциала». Для количественного определения «сложности» продукта труда творческой составляющей деятельности топ-менеджера предлагается использовать методы и подходы нечеткой логики — эти подходы позволяют лингвистические и экспертные оценки результатов труда руководителей перевести в количественные показатели. Для оценки эффективности творческой составляющей труда топ-менеджеров предлагается учитывать не только текущие количественные показатели, а также трудоемкость, но и коммерческие и иные риски, исходящие из решений топ-менеджмента, где снижение рисков — это показатель эффективности труда топ-менеджера. Рассмотрены возможности нейросетевого моделирования, которое успешно применяется при оценке рисков в различных сферах деловой активности.

Abstract. The article analyzes the approaches to assessing the effectiveness and complexity of the work performed by top managers, based on modern methods of interpreting qualitative and expert assessments. The product of the top manager’s creative work is defined as new knowledge needed to make decisions aimed at reducing commercial and other risks; The «complexity» of knowledge is determined by assessing its «novelty», «competence complexity» and «commercial potential». To quantify the «complexity» of the product of the creative component of the top manager’s activities, it is proposed to use methods and approaches of fuzzy logic — these approaches allow linguistic and expert assessments of managers’ work results to be translated into quantitative indicators. To assess the effectiveness of the creative component of top managers, it is proposed to take into account not only current quantitative indicators, but also labor intensity, but also commercial and other risks arising from top management decisions, where risk reduction is an indicator of top manager’s efficiency. Possibilities of neural network modeling which are successfully applied at a risk assessment in various spheres of business activity are considered.

Ключевые слова: творческий труд, нормирование труда, компетенции, оценка трудоемкости, теория сложности, нечеткая логика, риск-ориентированные подходы, нейросетевое моделирование

Keywords: creative work, labor rationing, competencies, labor intensity assessment, complexity theory, fuzzy logic, risk-oriented approaches, neural network modeling 

Введение.

Вопросам оценки эффективности деятельности руководства (топ-менеджеров) компаний посвящен широкий круг зарубежных и отечественных публикаций, но единого подхода не существует (и, пожалуй, не может существовать), а сама проблема не перестает быть актуальной. Топ-менеджеры с точки зрения управленческой ответственности — это менеджеры, которые отвечают за развитие компании в целом и имеют право самостоятельного распоряжения ее ресурсами в рамках своей зоны ответственности. В исследованиях международной практики управления отмечаются черты работы топ-менеджеров: 1) бюджет (определенная доля оборота), которым топ-менеджер может распоряжаться, не отчитываясь, и 2) описание в контракте обязательств топ-менеджера (через цели и показатели) и обязательств корпорации по поддержке его основных функций (через объем выделяемых ресурсов) [1]. В российской практике понятие «топ-менеджер» используется по-разному, — в некоторых компаниях к топ-менеджменту причисляют руководителей не только первых двух уровней, но и третьего уровня, отвечающих за деятельность частей компании, — например, директоров региональных филиалов, департаментов или отделов, входящих в крупные управления [2, с. 32-34].

Деятельность топ-менеджеров нацелена на реализацию целей компании (высшего уровня дерева целей) и принимаемые ими решения носят не только тактический, но и стратегический характер. Особенность топ-менеджера — ответственность и принятие решений в масштабе компании или ее сквозных ключевых функций.

При оценке эффективности труда топ-менеджеров, необходимо ответить на вопрос, что является результатом их труда, какова его трудоемкость и что можно считать эффектом их деятельности. Очень часто для этого требуется исходить из качественной оценки результатов труда и пролонгированного эффекта, который необходимо каким-то образом спрогнозировать. Оценка качественных и прогнозных показателей во многом может оказаться ценнее текущих показателей их деятельности. Прибыль компании, объем производства могут быть значимыми на сегодняшний момент, но привести к серьезным негативным последствиям в долгосрочной перспективе  [3, с. 80].

В качестве одного из четырнадцати принципов управления классиком менеджмента качества Уильямом Эдвардсом Демингом отмечается следующее: «Работа менеджера — это не надзор, а лидерство. Менеджер должен работать с источником улучшений — с целями, намерениями в области повышения качества продукции и услуг… Преобразование западного стиля менеджмента требует, чтобы руководители стали лидерами. Сосредоточенность на выходах (управление на основе голых чисел, управление по целям, производственные нормы и задания, попадание в допуски, ноль дефектов, аттестация персонала) нужно упразднить, заменив их лидерством» [4, с. 70].

Несмотря на то, что этот принцип известен уже несколько десятков лет, своей актуальности он не потерял. Современные стандарты в области менеджмента качества, в том числе и семейства ISO, основаны на принципах и подходах Эдвардса Деминга, т.е. требуют, во-первых, качественных оценок, во-вторых, оценки рисков, связанных с принятием решений топ-менеджментом. Последнее является следствием принципов риск-ориентированных подходов, широко применяемых в менеджменте.

В данном случае рассмотрим подходы к оценке эффективности трудоемкости творческих видов работ руководителей компаний высшего звена. Речь пойдет об оценке эффективного времени, необходимого на принятие решений, что является ничем иным, как элементом нормирования труда. И второй аспект, связанный с оценкой эффективности высших управленцев, — это оценка результатов их труда через оценку снижения или повышения коммерческих и иных рисков, возглавляемых ими организаций и компаний.

Методология и источники

Методология и подходы оценки деятельности высших управленческих кадров в целом известны. Но необходимо отметить, что одной из ключевых особенностей оценки эффективности деятельности руководителя связана с творческим началом менеджмента: «Одним из решающих факторов является способность и умение творчески использовать именно те компетенции, которые обеспечат наиболее эффективное решение управленческих задач с учетом конкретной ситуации» [5, с. 85].

Таким образом, оценку результатов деятельности топ-менеджмента нельзя просто автоматически сводить к сбору каких-то количественных параметров. И даже оборот, возврат инвестиций (RoI), чистая прибыль не позволяют адекватно оценить результаты труда высших руководителей компаний с точки зрения долгосрочной перспективы. Тем более, очень часто эти показатели привязаны к календарю бухгалтерской и экономической отчетности, т.е. имеют «астрологический характер». И это тоже снижает уровень доверия к таким оценкам и тем более не всегда позволяет оценить перспективность деятельности топ-менеджмента, которая может оказаться не столь радужной, если опираться на тенденции и тренды на рынке.

Как отмечают некоторые авторы, современные математические методы и модели открывают новые возможности для формализации, конструктивного развития и повышения эффективности методов управления персоналом компании и оценки перспективности проектов [6-8].

За рубежом ведутся работы по исследованию возможности нейронных сетей для оценки персонала [9]. Риски проекта оцениваются в том числе и на прошлом опыте менеджеров, занимавшихся ими [10]. Элени Т. Ставроу [11] осуществлен анализ деятельности и результативности руководителей высшего звена в области HR и успешности бизнеса, которая основана на самоорганизующейся карте Кахонена.

Если речь идет об оценке эффективности руководящего персонала, то эта задача сводится к оценке результатов творческого труда и трудоемкости творческой составляющей выполняемых топ-менеджментом работ и прогнозирования успешной деятельности компании, как минимум в среднесрочной перспективе. Необходимо по входным характеристикам руководителя, включая не только его компетенции и иные показатели, известные в стандартных методах оценки персонала, осуществить оценку трудоемкости творческой составляющей его труда и рисков, связанных с принятием решений.

Прежде чем переходить к проблеме оценки топ-менеджмента, необходимо определить, что входит в понятие «творческий труд» и «результат творческого труда» руководителей и управленцев.

На основе исследования Ассоциации менеджеров можно выделить девять профессиональных качеств топ-менеджера, наиболее важных для эффективного руководства компанией  [5, с. 82] (рис. 1).

Компанией DeTech определено двадцать основных компетенций — модель «20 Граней» [12, с. 93] (рис. 2).

С учетом современных задач, стоящих перед компаниями, выделяют следующие базовые и приоритетные компетенции руководителя:

  • лидерство;
  • гибкость;
  • концептуальность;
  • способность сформировать команду;
  • фасилитация [5].

Методики оценки индивидуально-личностных качеств по основным направлениям управленческой деятельности широко представлены в литературе, поэтому нет необходимости останавливаться на них. Возникает и представляет значительный интерес вопрос об оценке творческой составляющей топ-менеджмента. Как известно, творческим трудом считается деятельность, направленная на получение новых знаний [13]. Исходя из этого, продуктом творческого труда являются новые знания, а в случае с деятельностью топ-менеджмента — новые знания, направленные на снижение потенциальных рисков бизнеса. Поэтому оценивая эффективность работы топ-менеджмента, необходимо оценить трудоемкость их труда и потенциальные риски, связанные с их деятельностью.

Результаты и обсуждение

Трудоемкость некоторых видов работ, в частности уникальных, не повторяющихся, может быть осуществлена путем оценки «сложности» продукта или результатов этих работ. Методология, теоретический аппарат и практические аспекты этого подхода описаны авторами в работе «Теория сложности» [14].

Центральной задачей определения трудоемкости изготовления «продукта труда» становится исследование зависимости:

T = f (C) ,                                            (1)

где С — «сложность» продукта, а Т — трудоемкость.

Согласно теории сложности [14] трудоемкость Т определяется на основании данных предприятия. Как показали авторы «Теории сложности», трудоемкость продукта и его сложность являются случайными величинами с высокой степенью корреляции. Это позволяет сложность считать мерой трудоемкости и определить последнюю при помощи регрессионной зависимости. Авторы пошли по пути линейной регрессии:

Т = a + b  C,                                      (2)

где а и b — коэффициенты регрессии.

Построив эмпирическую зависимость Т(С), представленную на рисунке 3 [14], можно определить трудоемкость выполняемых работ, временных затрат, оценив сложность результатов труда.

Тем самым нормирование труда для сложного и уникального процесса осуществляется не путем прямых измерений временных затрат на те или иные операции, а на основе оценки результатов труда.

В «Теории сложности» [14] предполагалась линейная зависимость трудоемкости от сложности результатов труда, которая рассчитывалась на основе регрессионного анализа по накопленной статистике.

Также рядом авторов предложено использовать теорию сложности для определения трудоемкости творческого труда [13]. Оценка прогнозного продукта такой деятельности, который представляет собой «новые знания», осуществляется исходя из их «новизны», «коммерческого потенциала» и «компетенционной сложности». Для этого используется экспертный подход, т.е. «новые знания» оцениваются через лингвистические термины. Этот подход не противоречит имеющимся традициям оценки трудоемкости творческого труда посредством экспертных методов [15].

В ходе экспертной оценки компетенционной сложности продукта труда топ-менеджмента выявляется не только набор необходимых компетенций, но и их важность, взаимное влияние, знания, навыки, умение и предыдущий опыт. «Новизна» и «коммерческий потенциал» «новых знаний» оценивается экспертами, знакомыми с существующими в менеджменте практиками.

Определение сложности «новых знаний» и статистика временных затрат позволяют получить зависимость Т (трудоемкость) от C (сложность), что является своего рода «калькулятором» для расчета трудоемкости труда топ-менеджмента.

Сложность «новых знаний» как продукта творческого труда требует экспертной оценки, что подразумевает определенную нечеткость, размытость рассуждений, возникновение лингвистических характеристик и качественной оценки того, как была решена та или иная управленческая проблема. Для количественной интерпретации этих данных предлагается использовать математический аппарат нечеткой логики [13]. Ключевой задачей при этом является конструирование функций принадлежности для входящих переменных («новизны», «компетенционной сложности» и «коммерческого потенциала») и выходной переменной («сложность знания»).

Прогнозирование будущих результатов от их текущей деятельности, потенциала решений может быть построено на основе нейросетевых технологий. В частности, для прогнозирования потенциала персонала предлагается использовать многослойный персептрон, в качестве механизма обучения — градиентный алгоритм обратного распространения [6].

Входным вектором в систему будет набор компетенций и творческая трудоемкость решаемой топ-менеджером задачи:

X = {с1, с2, …, ck, p1, p2, …, pn, T},

где ci — оценки компетенций, pi — внешние и внутренние параметры бизнеса, Т — творческая трудоемкость задач.

В качестве весовой функции W = {w1, w2, …, wm} используется набор параметров Wi, которые по своей сути являются качественными, лингвистическими оценками важности компетенционных показателей.

Труд руководителей высшего уровня необходимо оценивать не только с точки зрения количественных показателей, творческой составляющей, но и с точки зрения рисков, которые связаны с принимаемыми ими решениями. Эффективное на сегодняшний день решение может привести к росту рисков в средне- или долгосрочной перспективе. Но при оценке топ-менеджмента необходимо руководствоваться подходами не оценки персонала, а оценки рисков, вероятность и последствия которых возрастают или снижаются в зависимости от принятого решения. Здесь важно понять, какие события могут последовать за тем или иным решением. Высокую точность прогнозирования обеспечивают методы, использующие рекуррентные нейронные сети и вейвлет многослойный персептрон [16].

Моделирование оценки принятия решения и рисков, связанных с ними, реализовано во многих работах. В частности, в работе [17] представлена информационная система поддержки принятия решения в сфере оценки финансового состояния предприятий малого и среднего бизнеса.

Выходной вектор определяет не только оценку топ-менеджера с точки зрения его компетенционного соответствия требованиям работодателя в лице учредителей бизнеса, соответствия творческого потенциала, но и оценку рисков для компании. По сути, решение задачи оценки топ-менеджмента сводится к оценке рисков, что в целом уже реализовано в терминах нейросетевого моделирования во многих работах с широкой географией [18-19].

Заключение

Таким образом, оценку труда топ-менеджеров необходимо осуществлять на основе оценки их компетенций, трудоемкости творческой составляющей труда и рисков для компании. Оценка сложности продукта творческого труда, новых знаний, необходимых для принятия решения, реализуется на основе подходов нечеткой логики. В качества входных параметров предлагается считать «новизну», «коммерческий потенциал» и «компетенционную сложность» новых знаний. Математический аппарат для этого выстраивается на основе теории сложности и нечеткой логики, используемый ранее при нормировании творческого труда. Для оценки перспективности решений, предложенных творческими работниками, используются возможности нейросетевого моделирования. Нейросетевое моделирование также применяется как для оценки потенциала персонала, так и для оценки рисков, в том числе коммерческого характера. Интеграция этих подходов, с учетом оценки влияния на риски в результате деятельности топ-менеджмента, позволяет с высокой эффективностью оценить труд высших руководителей с точки зрения эффективности, результативности и трудоемкости.

Список источников

  1. Гурков И.Б. Стратегия и структура корпорации. — 2-е изд., перераб. — М.: Издательство «Дело» АНХ, 2008. — 288 с.
  2. Ога Р.Н., Юхимчук М.П. Обзор современных подходов, определяющих понятие «топ-менеджер» // Инновационные технологии научного развития: сборник статей Международной научно-практической конференции (20 мая 2017 г., г. Казань). В 5 ч. Ч. 2. — Уфа: АЭТЕРНА, 2017. — 291 с.
  3. Корецкий В.П., Марданова И.М., Якимова Д.П. Возможности оценки труда высших руководителей на основе теории сложности, нечеткой логики и нейросетевого моделирования // Вестник Омского университета. Серия: Экономика. 2019. Т. 17. № 1. С. 80-87.
  4. Деминг У.Э. Выход из кризиса: Новая парадигма управления людьми, системами и процессами. — М.: Альпина Паблишер, 2012. — 419 с.
  5. Федоров Ю.В. Оплата труда высших руководителей: теория и практика: монография. — Ижевск: Издательство ИжГТУ, 2013. — 160 с.
  6. Азарнова Т.В., Степин В.В., Щепина И.Н. Повышение эффективности методов управления развитием персонала на основе нейросетевых моделей и нечетких экспертных технологий // Вестник Воронежского государственного университета. Серия: Экономика и управление. 2014. № 3. С. 121-130.
  7. Aguinis H., Henle C.A., Beaty J.C. Virtual Reality Technology: A new tool for personnel selection. — International Journal of Selection and Assessment. 2001. № 9. P. 70-83.
  8. Yager R. R. Aggregation operators and fuzzy systems modeling. — Fuzzy Sets and Systems. 1994. № 67. Р. 129-145.
  9. Neural Network Model for Performance Evaluation of Academic Staff of Tertiary Institutions / M.N. Okoye-Ubaka et al. — International Journal of Applied Information Systems. 2013. Vol. 5. № 1. P. 1-9.
  10. Costantino F. Project selection in project portfolio management: An artificial neural network model based on critical success factors. — International Journal of Project Management. 2015. Vol. 33. Iss. 8. P. 1744-1754.
  11. Stavrou E.T. Human resource management and performance: A neural network analysis. — European Journal of Operational Research. 2007. Vol. 181. Iss. 1. P. 453-467.
  12. Симоненко С.И. Модель эффективного руководителя в рамках концепции динамического лидерства // Известия Саратовского университета. Новая серия. 2012. Т. 12. Серия: Философия. Психология. Педагогика. Вып. 4. С. 90-96.
  13. Галиахметова М.Р., Корецкий В.П., Марданова И.М. Применение методов и подходов теории сложности и нечеткой логики при нормировании и оценке трудоемкости творческого труда // Вестник ИжГТУ им. М.Т. Калашникова. 2016. Т. 19. № 3. С. 41-43.
  14. Теория сложности / Ю.С. Шарин, Б.А. Якимович, В.Г. Толмачев, А.И. Коршунов. — Ижевск: Издательство ИжГТУ, 1999. — 132 с.
  15. Дурнев Р.А., Жданенко И.В. Проект методики оценки трудоемкости и стоимости научно-исследовательских и опытно-конструкторских работ // Современные наукоемкие технологии. 2014. № 1. С. 19-28.
  16. Mirikitani D., Nikolaev N. Nonlinear maximum likelihood estimation of electricity spot prices using recurrent neural networks. — Neural Comput & Applic. 2011. Vol. 20. № 1. P. 79-89.
  17. Пелипенко Е.Ю., Халафян А.А. Информационная система поддержки принятия решения в сфере оценки финансового состояния предприятий малого и среднего бизнеса // Научый журнал КубГАУ. 2015. № 108. С. 872-890.
  18. Akinyede R.O., Daramola O.A. Neural Network Web-Based Human Resource Management System Model. — International Journal of Computer Networks and Communications Security. 2013. Vol. 1. № 3. P. 75-87.
  19. Sharma A., Chopra A. Artificial neural networks: applications in management. — Journal of Business and Management. 2013. Vol. 12. Iss. 5. P. 32-40.

References

  1. Gurkov I.B. Strategiya i struktura korporacii. — 2-e izd., pererab. — M.: Izdatel’stvo \»Delo\» ANH, 2008. — 288 s.
  2. Oga R.N., Yuhimchuk M.P. Obzor sovremennyh podhodov, opredelyayushchih ponyatie \»top-menedzher\» // Innovacionnye tekhnologii nauchnogo razvitiya: sbornik statej Mezhdunarodnoj nauchno-prakticheskoj konferencii (20 maya 2017 g., g. Kazan’). V 5 ch. Ch. 2. — Ufa: AETERNA, 2017. — 291 s.
  3. Koreckij V.P., Mardanova I.M., Yakimova D.P. Vozmozhnosti ocenki truda vysshih rukovoditelej na osnove teorii slozhnosti, nechetkoj logiki i nejrosetevogo modelirovaniya // Vestnik Omskogo universiteta. Seriya: Ekonomika. 2019. T. 17. № 1. S. 80-87.
  4. Deming U.E. Vyhod iz krizisa: Novaya paradigma upravleniya lyud’mi, sistemami i processami. — M.: Al’pina Pablisher, 2012. — 419 s.
  5. Fedorov Yu.V. Oplata truda vysshih rukovoditelej: teoriya i praktika: monografiya. — Izhevsk: Izdatel’stvo IzhGTU, 2013. — 160 s.
  6. Azarnova T.V., Stepin V.V., Shchepina I.N. Povyshenie effektivnosti metodov upravleniya razvitiem personala na osnove nejrosetevyh modelej i nechetkih ekspertnyh tekhnologij // Vestnik Voronezhskogo gosudarstvennogo universiteta. Seriya: Ekonomika i upravlenie. 2014. № 3. S. 121-130.
  7. Aguinis H., Henle C.A., Beaty J.C. Virtual Reality Technology: A new tool for personnel selection. — International Journal of Selection and Assessment. 2001. № 9. P. 70-83.
  8. Yager R. R. Aggregation operators and fuzzy systems modeling. — Fuzzy Sets and Systems. 1994. № 67. R. 129-145.
  9. Neural Network Model for Performance Evaluation of Academic Staff of Tertiary Institutions / M.N. Okoye-Ubaka et al. — International Journal of Applied Information Systems. 2013. Vol. 5. № 1. P. 1-9.
  10. Costantino F. Project selection in project portfolio management: An artificial neural network model based on critical success factors. — International Journal of Project Management. 2015. Vol. 33. Iss. 8. P. 1744-1754.
  11. Stavrou E.T. Human resource management and performance: A neural network analysis. — European Journal of Operational Research. 2007. Vol. 181. Iss. 1. P. 453-467.
  12. Simonenko S.I. Model’ effektivnogo rukovoditelya v ramkah koncepcii dinamicheskogo liderstva // Izvestiya Saratovskogo universiteta. Novaya seriya. 2012. T. 12. Seriya: Filosofiya. Psihologiya. Pedagogika. Vyp. 4. S. 90-96.
  13. Galiahmetova M.R., Koreckij V.P., Mardanova I.M. Primenenie metodov i podhodov teorii slozhnosti i nechetkoj logiki pri normirovanii i ocenke trudoemkosti tvorcheskogo truda // Vestnik IzhGTU im. M.T. Kalashnikova. 2016. T. 19. № 3. S. 41-43.
  14. Teoriya slozhnosti / Yu.S. Sharin, B.A. Yakimovich, V.G. Tolmachev, A.I. Korshunov. — Izhevsk: Izdatel’stvo IzhGTU, 1999. — 132 s.
  15. Durnev R.A., Zhdanenko I.V. Proekt metodiki ocenki trudoemkosti i stoimosti nauchno-issledovatel’skih i opytno-konstruktorskih rabot // Sovremennye naukoemkie tekhnologii. 2014. № 1. S. 19-28.
  16. Mirikitani D., Nikolaev N. Nonlinear maximum likelihood estimation of electricity spot prices using recurrent neural networks. — Neural Comput & Applic. 2011. Vol. 20. № 1. P. 79-89.
  17. Pelipenko E.Yu., Halafyan A.A. Informacionnaya sistema podderzhki prinyatiya resheniya v sfere ocenki finansovogo sostoyaniya predpriyatij malogo i srednego biznesa // Nauchyj zhurnal KubGAU. 2015. № 108. S. 872-890.
  18. Akinyede R.O., Daramola O.A. Neural Network Web-Based Human Resource Management System Model. — International Journal of Computer Networks and Communications Security. 2013. Vol. 1. № 3. P. 75-87.
  19. Sharma A., Chopra A. Artificial neural networks: applications in management. — Journal of Business and Management. 2013. Vol. 12. Iss. 5. P. 32-40.

Для цитирования: Третьяков О.В. Моделирование оценки деятельности топ-менеджмента компаний по снижению потенциальных рисков бизнеса в условиях цифровизации экономики // Московский экономический журнал. 2022. № 3. URL: https://qje.su/ekonomicheskaya-teoriya/moskovskij-ekonomicheskij-zhurnal-3-2022-48/

© Третьяков О.В., 2022. Московский экономический журнал, 2022, № 3.