http://rmid-oecd.asean.org/situs slot gacorlink slot gacorslot gacorslot88slot gacorslot gacor hari inilink slot gacorslot88judi slot onlineslot gacorsitus slot gacor 2022https://www.dispuig.com/-/slot-gacor/https://www.thungsriudomhospital.com/web/assets/slot-gacor/slot88https://omnipacgroup.com/slot-gacor/https://viconsortium.com/slot-online/http://soac.abejor.org.br/http://oard3.doa.go.th/slot-deposit-pulsa/https://www.moodle.wskiz.edu/http://km87979.hekko24.pl/https://apis-dev.appraisal.carmax.com/https://sms.tsmu.edu/slot-gacor/http://njmr.in/public/slot-gacor/https://devnzeta.immigration.govt.nz/http://ttkt.tdu.edu.vn/-/slot-deposit-dana/https://ingenieria.unach.mx/media/slot-deposit-pulsa/https://www.hcu-eng.hcu.ac.th/wp-content/uploads/2019/05/-/slot-gacor/https://euromed.com.eg/-/slot-gacor/http://www.relise.eco.br/public/journals/1/slot-online/https://research.uru.ac.th/file/slot-deposit-pulsa-tanpa-potongan/http://journal-kogam.kisi.kz/public/journals/1/slot-online/https://aeeid.asean.org/wp-content/https://karsu.uz/wp-content/uploads/2018/04/-/slot-deposit-pulsa/https://zfk.katecheza.radom.pl/public/journals/1/slot-deposit-pulsa/https://science.karsu.uz/public/journals/1/slot-deposit-pulsa/ Category: Отраслевая и региональная экономика - Московский Экономический Журнал1

Московский экономический журнал 5/2017

УДК 336.71

Бакаева Малика Магомедовна

ассистент, ФГБОУ ВО «Чеченский государственный университет»

Грозный, Россия.

Bakaeva Malika Magomedovna

Assistant, FGBOU VO “Chechen State University”

Grozny, Russia.

РЕЙТИНГИ БАНКОВ – КАК ИНСТРУМЕНТАРИЙ И ЕГО СОВЕРШЕНСТВОВАНИЕ

RATINGS OF BANKS – AS A TOOL AND IMPROVEMENT

Аннотация. В данной статье обоснована важность составления рейтинга банков, выделены цели и системные принципы рейтингования банков. Анализируется, как решать системные задачи рейтингования банков. Исследованы задачи автоматизации рейтингования банков, выделены его основные процессы. Отдельно рассмотрены вопросы управления безопасностью и правами пользователей, на уровне «клиент-серверной» и «облачной» технологии. Предложена модель выживаемости банка.

Abstract. This article substantiates the importance of compiling a rating of banks, outlines goals and systemic principles for rating banks. It is analyzed how to solve system tasks of rating banks. The problems of automation of rating of banks are investigated, its main processes are singled out. Separately, the issues of security management and user rights, at the level of “client-server” and “cloud” technology. A model for survival of the bank is proposed.

Ключевые слова: рейтинг банков, цели, системные принципы, задача автоматизации рейтингования банков, вопросы управления безопасностью, вопросы управления правами пользователей, «клиент-серверная» технология, «облачная» технология, модель выживаемости банка.

Keywords: rating of banks, goals, system principles, the task of automation of bank rating, security management issues, user rights management issues, “client-server” technology, cloud technology, survival model of the bank.

 

Рейтинги банков

Релевантным инструментарием сравнивания устойчивости (надежности) банков является рейтинг банков. В его основе показатели, инвариантные (для всех, независимые от профиля, назначения) и вариативные (зависящие от профиля деятельности и статуса). Рейтинговая система должна быть прозрачной, простой, учитывающей достижения банка, в частности, показатели работы.

Многое измеримо количественно, часть – качественно, другие – смешанно, но все должны быть в единой шкале, с едиными весами [11].

Основные цели:

  • получение объективной информации;
  • интегральный анализ банковской сферы, деятельности банков;
  • обеспечение обратной связи, качества обслуживания, новыми банковскими продуктами, усиление конкурентной среды, мотивация банков (персонала), улучшения безопасности;

Системные принципы рейтингования банков:

  • комплексный учет деятельности;
  • объективность, актуальность, полнота информации, минимизация субъективности;
  • систематическое оценивание качественного уровня;
  • открытость результатов, снижение неопределенности, необъективности [8].

Принципы позволяют решать системные задачи рейтингования банков:

  • прогнозирование, планирование, целедостижение;
  • снижение сложности (повышение управляемости);
  • получение общей картины, участия дочерних структур;
  • повышение самооценки персонала;
  • совершенствование оплат (премирования);
  • категорирование банков на предстоящий период.

Используются различные формы учета и экспертного оценивания (например, банковским сообществом), шкалирования, выравнивания в единой шкале и др. Методы оценивания – эмпирические, теоретические, смешанные (наблюдение, опрос, эксперты, прогнозирование и др.). Результаты – прямые (по показателям) или косвенные.

Количественный анализ – с использованием финансового анализа (вариантов SWOT-анализа), связей структурных подразделений [3].

Задачи автоматизации рейтингования банков

Банковская система с большими массивами данных потребует автоматизации ведения, сопровождения, учета иерархичности системы, нормирования показателей, шкалирования с идентифицированными диапазонами изменений, весами.

Для рассмотрения оценок показателей эффективности банковской деятельности их группируют: операционная деятельность, кредитование, диверсификация, благотворительность и др. Внутренний рейтинг должен учесть и социально-общественные параметры по персоналу. Это также значимые показатели. Поощряется имиджевость, работа на его повышение [5].

Каждое достижение привязано к какому-то показателю. И наоборот.

Выделяем основные категории учета связей. При автоматизации рейтинга, выделяем основные процессы:

  • структурирование по значимости показателей учетного периода, их критериев оценки;
  • ввод данных, настройка рейтинговой системы;
  • запуск алгоритмов рейтингования;
  • формирование рейтинга;
  • проектные решения, например, категорирование банков.

Рейтинг и управление веб-взаимодействиями

Важная подсистема – управления безопасностью и правами пользователей, на уровне «клиент-серверной» и «облачной» технологии.

Трудности сравнительного анализа банков, банковских групп снижают релевантность рейтингов, но методики совершенствуются, создаются новые алгоритмы, инструментальные системы.

Какие используются чаще? – Например, реляционные БД (SQL Server), системы документооборота (XML), интеллектуального анализа данных (DataMining), разграничения доступа (Take-Grand) и др.

В автоматизированной системе должна быть аналитическая подсистема, отражающая текущий рейтинг, используются облачные хранилища, возможности, распределенная удаленная обработка персональных данных через интернет-инфраструктуру банка, ЦОД. Это повышает безопасность и устойчивость системы. Наряду с использованием моделей доступа и обслуживания различных уровней. Например, SaaS позволяет использовать полнофункциональное ПО в интернет (сервис по требованию): в облаке – приложение, обслуживающее несколько пользователей (Google Apps, в частности).

Для системы рейтинга банков экономичное, технологичное, надежное решение должно включать разностороннюю поддержку, например, мобильную, онлайн.

Использование облачных ресурсов пресекает несанкционированное использование одного логина, взломы, у него затраты на развертывание и поддержку меньше.

Все материалы организуются иерархически, матрично, сетевым образом. Значимость показателей, их комплекса, весовых коэффициентов определяет экспертная комиссия и (или) Правление (Совет) банка [6].

Модель выживаемости банка

Введем коэффициенты отзыва лицензий (ликвидации) банков, как среднеинтегральные величины:

где числитель формулы – число ликвидаций в группе («равномощных») за х лет, а знаменатель – среднее количество всех банков интервале (х; х+1],   – вероятность ликвидации, где  – темп:

В зависимости от используемых данных выделяем для идентификации группы показателей:

  • абсолютные (из финотчетности банка), они не самые информативные (по динамике);
  • относительные (финансовые коэффициенты), для анализа структуры, качества абсолютных;
  • динамические (трендовые);
  • качественные (репутационно-имиджевые).

Для анализа состояния банка, его ранга используют переменные, которые могут быть количественными (сравнительными), порядковыми (ординальными), ранговыми. При анализе рангов, если ранги банков неразличимы (что редкость для банков), то каждому банку приписывается одинаковый ранг, среднеарифметическое мест, которые они поделили.

Формируя рейтинг необходимо не только адекватно выбрать тип используемых переменных, но и релевантно определить показатели, которые они будут оценивать.

 

Литература

  1. Байдак В.Ю. // МЕТОДОЛОГИЯ ПРИСВОЕНИЯ РЕЙТИНГА БАНКАМ ГРАНИЧНЫМ МЕТОДОМ // Российский экономический интернет-журнал. 2012. № 1. С. 4-13.
  2. Булеев А.И., Гордеев Д.С. // МЕТОДОЛОГИЯ ПРИСВОЕНИЯ РЕЙТИНГА БАНКАМ ГРАНИЧНЫМ МЕТОДОМ // Российский экономический интернет-журнал. 2012. № 2. С. 57-68.
  3. Гуськов С.Ю., Лёвин В.В. // СТАТИСТИЧЕСКИЕ ОЦЕНКИ ПОКАЗАТЕЛЕЙ ВАЛИДНОСТИВНУТРЕННИХ РЕЙТИНГОВ БАНКОВ ДЛЯ СЛУЧАЯ МАЛЫХ ВЫБОРОК // Экономические науки. 2015. № 130. С. 108-114.
  4. Есина М.Г. // ФОРМИРОВАНИЕ РЕЙТИНГА БАНКОВ АГЕНТСТВАМИ: ПРОБЛЕМЫ И ПУТИ СОВЕРШЕНСТВОВАНИЯ // Проблемы и перспективы современной науки. 2016. № 10. С. 123-126.
  5. Иванов А.П., Пыченкова О.С. // РАЗРАБОТКА ШКАЛЫ СОЦИАЛЬНОГО РЕЙТИНГА БАНКОВ // Автоматизация. Современные технологии. 2015. № 9. С. 44-48.
  6. Карабаев Н.А. // ДОХОДНОСТЬ – ВЛИЯТЕЛЬНЫЙ ФАКТОР ОПРЕДЕЛЕНИЯ РЕЙТИНГА БАНКА // Апробация. 2017. № 2 (53). С. 223-224.
  7. Каримов Д.Р. // ПРОБЛЕМЫ ФОРМИРОВАНИЯ РЕЙТИНГА БАНКОВ РЕЙТИНГОВЫМИ АГЕНТСТВАМИ // Теория и практика современной науки. 2016. № 11 (17). С. 382-385.
  8. Карминский А.М., Пересецкий А.А., Рыжов А.В. // МОДЕЛИ РЕЙТИНГОВ БАНКОВ ДЛЯ РИСК-МЕНЕДЖМЕНТА // Управление финансовыми рисками. 2006. № 4. С. 362-373.
  9. Карминский А.М., Сосюрко В.U. // ОСОБЕННОСТИ МОДЕЛИРОВАНИЯ МЕЖДУНАРОДНЫХ РЕЙТИНГОВ БАНКОВ // Управление финансовыми рисками. 2010. № 4. С. 292-305.
  10. Карминский С.А., Малахова И.У., Миненкова Е.С., Пересецкий А.А. // МОДЕЛИ РЕЙТИНГОВ БАНКОВ АГЕНТСТВА MOODYS // Управление финансовыми рисками. 2007. № 2. С. 96-109.
  11. Куницын И.И. // РОЛЬ РЕЙТИНГОВ БАНКОВ РЕГИОНА В ОЦЕНКЕ РЕПУТАЦИОННЫХ УГРОЗ // Банковское дело. 2016. № 4. С. 70-74.
  12. Насонова А.А., Лотобаева Г.Г. // СОВРЕМЕННЫЕ ПОДХОДЫ К РАСЧЕТУ КРЕДИТНОГО РИСКА ОРГАНИЗАЦИЙ МАЛОГО БИЗНЕСА НА ОСНОВЕ ВНУТРЕННИХ РЕЙТИНГОВ БАНКА // Сибирская финансовая школа. 2014. № 3 (104). С. 86-92.
  13. Пригодич И.А. // РЕЙТИНГИ БАНКОВ РЕСПУБЛИКИ БЕЛАРУСЬ // Экономика и банки. 2017. № 1. С. 71-76.
  14. Сейсенбаева Ж.М., Айдаров Т.А. // ЭКОНОМИЧЕСКИЕ ПОКАЗАТЕЛИ АНАЛИЗА РЕЙТИНГОВ БАНКОВ ВТОРОГО УРОВНЯ // Научный альманах. 2017. № 4-1 (30). С. 258-261.
  15. Толовикова О.А. // РАСЧЕТ РЕЙТИНГА БАНКА ВТБ 24 (ПАО) ПО МЕТОДИКЕ CAMEL // Новая наука: От идеи к результату. 2016. № 4-1. С. 202-205.

 

References

  1. Baidak V.Yu. // METHODOLOGY OF ASSIGNING RATING TO BANKS BY BORDER METHOD // Russian Economic Internet Journal. 2012. № 1. P. 4-13.
  2. Buleev AI, Gordeev DS // METHODOLOGY OF ASSIGNING RATING TO BANKS BY BORDER METHOD // Russian Economic Internet Journal. 2012. № 2. P. 57-68.
  3. Guskov S.Yu., Levin V.V. // STATISTICAL ESTIMATES OF INDICATORS OF VALIDITY OF INTERNAL RATINGS OF BANKS FOR CASE OF SMALL SELECTIONS // Economic sciences. 2015. No. 130. P. 108-114.
  4. Esina M.G. // FORMATION OF BANKING RATINGS BY AGENCIES: PROBLEMS AND WAYS OF IMPROVEMENT // Problems and perspectives of modern science. 2016. No. 10. P. 123-126.
  5. Ivanov AP, Pychenkova OS // DEVELOPMENT OF THE SCALE OF SOCIAL RATING OF BANKS // Automation. Modern technologies. 2015. № 9. P. 44-48.
  6. Karabayev N.A. // YIELD – EFFECTIVE FACTOR OF DETERMINING THE BANK RATING // Approbation. No. 2 (53). Pp. 223-224.
  7. Karimov DR // PROBLEMS OF FORMATION OF RATING OF BANKS BY RATING AGENCIES // Theory and practice of modern science. 2016. No. 11 (17). Pp. 382-385.
  8. Karminsky AM, Peresetsky AA, Ryzhov A.V. // MODELS OF RATINGS OF BANKS FOR RISK MANAGEMENT // Financial Risk Management. 2006. № 4. P. 362-373.
  9. Karminsky AM, Sosyurko V.U. // FEATURES OF MODELING OF INTERNATIONAL RATINGS OF BANKS // Financial Risk Management. 2010. № 4. With. 292-305.
  10. Karminsky SA, Malakhova IU, Minenkova ES, Peresetsky AA // MODELS OF RATINGS OF MOODYS AGENCIES // Financial Risk Management. 2007. № 2. P. 96-109.
  11. Kunitsyn I.I. // THE ROLE OF RATINGS OF BANKS OF THE REGION IN THE ASSESSMENT OF REPUTATIONAL THREATS // Banking. 2016. № 4. P. 70-74.
  12. Nasonova AA, Lotobaeva G.G. // MODERN APPROACHES TO CALCULATING CREDIT RISK OF ORGANIZATIONS OF SMALL BUSINESS BASED ON INTERNAL RATINGS OF THE BANK // Siberian Financial School. 2014. No. 3 (104). Pp. 86-92.
  13. Prigodich I.A. // RATINGS OF BANKS OF THE REPUBLIC OF BELARUS // Economy and banks. 2017. No. 1. P. 71-76.
  14. Seisenbaeva Zh.M., Aidarov TA // ECONOMIC INDICATORS OF THE ANALYSIS OF RATINGS OF BANKS OF THE SECOND LEVEL // Scientific almanac. No. 4-1 (30). Pp. 258-261.

Tolovikova O.A. // CALCULATION OF THE RATING OF THE BANK VTB 24 (PAO) BY THE CAMEL METHODOLOGY // New science: From idea to result. 2016. № 4-1. Pp. 202-205




Московский экономический журнал 5/2017

УДК 336.71

Бакаева Малика Магомедовна

ассистент, ФГБОУ ВО «Чеченский государственный университет»

Грозный, Россия.

Bakaeva Malika Magomedovna

Assistant, FGBOU VO “Chechen State University”

Grozny, Russia.

РЫНОК ОНЛАЙН-КРЕДИТОВАНИЯ В РУНЕТ: ГОТОВЫ ЛИ САЙТЫ КОМПАНИЙ?

ONLINE-CREDIT MARKET IN RUNET: IS THE SITES OF COMPANIES READY?

Аннотация. В данной статье рассмотрены сервисы небанковского онлайн-кредитования, исследована общая тенденция «ухода» банковских продуктов и услуг в онлайн. Раскрыто аккумулирование свободных средств и их уход к брокерам, эмиссии, депозитарной деятельности, кредитованию, инвестированию. Предложен критерий эффективности банковской деятельности в ситуационном имитировании. Проанализированы изменения направления экономической активности населения, их мотивированности на рынке. Отдельно рассмотрена готовность коммерческих и бизнес сайтов к освоению сектора онлайн-кредитования. Сделаны соответствующие выводы.

Abstract. This article examines the services of non-bank online lending, investigated the general trend of “care” of banking products and services online. The accumulation of free funds and their withdrawal to brokers, issues, depositary activities, lending, and investment are disclosed. A criterion for the effectiveness of banking activity in situational imitation is proposed. Changes in the direction of economic activity of the population and their motivation in the market are analyzed. Separately examined the readiness of commercial and business sites to develop the online lending sector. The corresponding conclusions are drawn.

Ключевые слова: сервисы небанковского онлайн-кредитования, тенденция «ухода» банковских продуктов и услуг в онлайн, аккумулирование свободных средств и их уход, критерий эффективности банковской деятельности, изменения направления экономической активности населения, изменения направления мотивированности населения, онлайн-кредитование.

Keywords: services of non-bank online lending, the tendency of “care” of banking products and services online, the accumulation of free funds and their withdrawal, the criterion of the effectiveness of banking activities, changes in the direction of economic activity of the population, changes in the motivation of the population, online lending.

 

Рынок и его поведение

Сервисами небанковского, онлайн-кредитования в Рунет до ноября выдано займов на 22 млрд. руб. (в 2.6 раза превышен показатель прошлого аналогичного периода, в рублях – 8.4 млрд.). Выросло и число выданных всего займов: с 0.75 млн. до 1.8 млн. сделок. Средняя сумма («средний чек») займа выросла до 12230 руб. (на 10%).

Выше всего уровень просроченных кредитов в СФО (10.7%), СКФО (10.6%), меньше всего – в Центральном регионе (6.9%). Эксперты (Финтех-группа ID Finance) считают: люди стали финансово грамотными, научились релевантно оценивать финансовое личное состояние, планировать бюджет, дорожить кредитной историей.

Причиной популярности кредитов онлайн считают популяризацию цифровых финансов, качественными онлайн-сервисами, переходом на «цифру» банков, больший охват аудитории, возможность таргетирования и оперативности сделок. Снижение ключевой ставки ЦБР также заметно повлияло на спрос. По статистике, аналитике, возраст подающих заявку на онлайн-кредит – 24-35 лет. Это «яппи», самые активные потребители, грамотные информационно, инфраструктурно, продвигающие цифровую экономику. Почти 40% заемщиков банков (физических лиц) свидетельствуют, что обслуживание кредитов превышает 50% доходов семьи, до половины потребкредитов в банках – для погашения старых кредитов. При этом, падают реальные доходы населения (по Росстату – на 1.3%). Люди попадают в условия «закредитования». Положение лишь подтверждает общую тенденцию «ухода» банковских продуктов, услуг в онлайн [7].

Фондовый рынок в состязание с криптовалютным способствует аккумулированию свободных средств, инвестированию, уходу к брокерам, эмиссии (выпуску акций, облигаций – наращивание заемного капитала), депозитарной деятельности, кредитованию, поддерживает определенный уровень ликвидности, прибыли от вложений, укрепление влияния банка.

Например, можно использовать в ситуационном имитировании банковской деятельности критерий эффективности:

Снимок экрана 2017-12-21 в 1.48.47

где di – средняя доходность кредитования, i – время (i=0,1, 2, …, Т).

Банки обновляют постоянно финансово-кредитную политику, на базе банковской отчетности, прогнозов. Увеличивается неравномерность распределения ликвидных средств, снижается рост даже средних банков [3].

Главная особенность рынка онлайн-услуг банков – изменение направления экономической активности населения, мотивированности на рынке (ориентация на «цифру», «личный кабинет», «е-кошелек» и др.).

Включается контроль над страхованием, онлайн-кредитованием, микрофинансовой деятельностью, криптовалютной биржевой деятельностью. Часть полномочий ЦБР все же планирует передать в онлайн, с надзором. Есть предпосылки по формированию банками образцов стратегического инвестирования, онлайн-кредитования населения [6].

Готовы ли сайты?

Готовы ли коммерческие и бизнес сайты к освоению сектора онлайн-кредитования. Потребуются новые инструменты, методы продвижения: от внутренней оптимизации (формирование семантического ядра, проектирование и др.) до внешней (взаимообмен ссылками, контекстное, рекламное продвижение, таргетирование и др.). Необходимо следить за новшествами, динамикой состояния рынка, отслеживать криптовалютный сектор [5].

Комплексное улучшение ресурса – согласно всем характеристикам целевой аудитории. Систематическое исследование, редизайн, возможно реинжиниринг. Ориентация пользовательская, не забываем, что поисковые алгоритмы совершенствуются, интеллектуализируются. Мобильная версия обязательна, онлайн-доступ без нее – невозможен эффективно, оперативно, комфортно. Мобильный трафик растет, формируется семейства «мобильных» сайтов (под гаджеты). Не забываем скорость загрузки, клиенты стали занятые, не хотят ждать загрузки страниц, уходят, утрачивают заинтересованность.

Хороший контент – обязателен! Поисковые алгоритмы понимают уже суть контекст-содержания сайтов. Нужны переходы с других сайтов, хорошо посещаемых. Трафик трастового ресурса работает на сайт, как и контент-маркетинг. Не забываем в банковской деятельности про безопасность (https – гарантия безопасности обмена). Сайты, не применившие HTTPS-протокол, показаны Google как небезопасные, как и подозрительные на непоисковую пользовательскую деятельность.

Как с банковским Интранет?

Банковская внутрикорпоративная, аналогичная Интернет, система сетей – Интранет – основа информационной банковской инфраструктуры. «Плюсы» использования Интранет:

  • большая мощность при коллективной работе;
  • несложный доступ к данным;
  • гибкость взаимодействий (разрешается изменять транзакции по вертикали, горизонтали – в пределах разрешенного администрацией);
  • быстрая публикация информации (можно корпоративные маркетинговые сведения всегда поддержать в форме);
  • совместная корпоративная культура применения IT для регулирования корпоративных маркетинговых мероприятий;
  • решение политики безопасности в самом широком (системно-корпоративном) формате.

«Минусы» также имеются:

  • Интранет скорее можно взломать;
  • велико влияние недостоверной информации, помещенной в Интранет;
  • возможно распространение оскорбительной информации, чувствительной для успешной корпоративной работы;
  • вероятна утечка данных (инсайдерство);
  • велики накладные затраты на создание (администрирование) Интранет.

Нужен ли реинжиниринг сайта банка? Часто, планируя его для сайта банка, видят, что «простой инжиниринг» (например, смена дизайна) явно недостаточен, необходимы структурно-логические изменения. С учетом отзывов следует усовершенствовать, сделать его оригинальным, постоянно подтверждающим актуальность онлайн-транзакций.

Новая версия всегда обдумывается тщательно. Анализируется («мониторится») текущие параметры эффективности, привлекательности (непривлекательные стороны также анализируем).

 

Литература

 

  1. Беспалова Д.Е., Левченко Л.В. // РЫНОК БАНКОВСКОГО КРЕДИТОВАНИЯ: СУЩНОСТЬ, ОБЪЕКТНО-СУБЪЕКТНЫЕ ОТНОШЕНИЯ, ВИДЫ РЫНКА // Известия Института систем управления СГЭУ. 2017. № 1 (15). С. 147-150.
  2. Давтян А.А. // ИССЛЕДОВАНИЕ ПРОЦЕССА БАНКОВСКОГО КРЕДИТОВАНИЯ // Новая наука: Стратегии и векторы развития. 2016. № 118-3. С. 108-110.
  3. Дроздова Е.А., Воробьев А.Ф. // ОСОБЕННОСТИ ТАКОЙ ИННОВАЦИОННОЙ ФОРМЫ ВЗАИМОДЕЙСТВИЯ КРЕДИТОРОВ И ЗАЕМЩИКОВ, КАК ОНЛАЙН-КРЕДИТОВАНИЕ // APRIORI. Cерия: Естественные и технические науки. 2015. № 5. С. 9.
  4. Кравчук М.Н. // КОМПЛЕКСНОЕ ОНЛАЙН-ПРОДВИЖЕНИЕ — ПУТЬ К ЛИДЕРСТВУ НА РЫНКЕ // Интернет-маркетинг. 2013. № 5. С. 262-268.
  5. Мосина Е.И., Потапова В.С. // ОНЛАЙН-КРЕДИТОВАНИЕ // Научные записки ОрелГИЭТ. 2012. № 1 (5). С. 60-63.
  6. Первакова А.В., Коноплёва Г.И. // ВНЕДРЕНИЕ ПРОГРЕССИВНОЙ ТЕХНОЛОГИИ «ИНТЕРНЕТ-БАНКИНГА» И ОНЛАЙН КРЕДИТОВАНИЯ // Современные наукоемкие технологии. 2014. № 7-1. С. 68-71.
  7. Петряшов Д.В. // ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ВЗАИМОДЕЙСТВИЯ С КЛИЕНТАМИ РЫНКА B-2-B ПРИ ПОМОЩИ ОНЛАЙН-ТЕХНОЛОГИЙ // Промышленный и b2b маркетинг. 2011. № 4. С. 306-315.
  8. Регер О.А. // РАЗВИТИЕ ТЕОРИЙ КРЕДИТОВАНИЯ, А ТАКЖЕ ТЕНДЕНЦИИ РЫНКА РОЗНИЧНОГО КРЕДИТОВАНИЯ В РОССИИ // Экономика и социум. 2015. № 6-3 (19). С. 760-764.
  9. Рудская Е.Н., Болохова Г.А. // МСБ-КРЕДИТОВАНИЕ: ПРОБЛЕМЫ ТРАДИЦИОННОГО СЕКТОРА И ПЕРСПЕКТИВЫ ОНЛАЙН СЕРВИСОВ // Молодой ученый. 2016. № 25 (129). С. 353-365.
  10. Щеголева Н.Г. // ФАКТОРНЫЙ АНАЛИЗ РОССИЙСКОГО РЫНКА ОНЛАЙН-КРЕДИТОВАНИЯ // Банковские услуги. 2017. № 2. С. 25-29.

 

References

 

  1. Bespalova DE, Levchenko LV // THE MARKET OF BANKING CREDITING: ESSENCE, OBJECT-SUBJECTIVE RELATIONS, MARKET TYPES // News of the Institute of Control Systems of SSEU. 2017. No. 1 (15). Pp. 147-150.
  2. Davtyan A.A. // RESEARCH OF THE BANKING CREDIT PROCESS // New science: Strategies and vectors of development. 2016. No. 118-3. Pp. 108-110.
  3. Drozdova EA, Vorobyov AF // FEATURES OF SUCH INNOVATIVE FORM OF INTERACTION OF CREDITORS AND BORROWERS, AS ONLINE-LENDING // APRIORI. Series: Natural and technical sciences. 2015. № 5. With. 9.
  4. Kravchuk M.N. // COMPLEX ONLINE PROMOTION – THE WAY TO LEADING ON THE MARKET // Internet Marketing. 2013. № 5. P. 262-268.
  5. Mosina EI, Potapova VS // ONLINE-CREDITING // Scientific Notes OrelGiET. 2012. No. 1 (5). Pp. 60-63.
  6. Pervakova A.V., Konopleva G.I. // INTRODUCTION OF PROGRESSIVE TECHNOLOGY OF “INTERNET-BANKING” AND ONLINE CREDIT // Modern high technology. 2014. No. 7-1. Pp. 68-71.
  7. Petryashov DV // IMPROVEMENT OF EFFICIENCY OF INTERACTION WITH CLIENTS OF THE B-2-B MARKET BY ONLINE TECHNOLOGIES // Industrial and b2b marketing. 2011. № 4. P. 306-315.
  8. Reger OA // DEVELOPMENT OF CREDIT THEORY, AND ALSO TENDENCIES OF THE RETAIL CREDIT MARKET IN RUSSIA // Economy and society. 2015. No. 6-3 (19). Pp. 760-764.
  9. Rudskaya E.N., Bolokhova G.A. // SME-CREDIT: PROBLEMS OF THE TRADITIONAL SECTOR AND PROSPECTS OF ONLINE SERVICES // Young Scientist. No. 25 (129). Pp. 353-365.

Shchegoleva N.G. // FACTOR ANALYSIS OF THE RUSSIAN MARKET OF ONLINE-CREDIT // Banking. 2017.




Московский экономический журнал 5/2017

УДК 336.71

Бакаева Малика Магомедовна

ассистент, ФГБОУ ВО «Чеченский государственный университет»

Грозный, Россия.

Bakaeva Malika Magomedovna

Assistant, FGBOU VO “Chechen State University”

Grozny, Russia.

КЛОАКИНГ И БЕЗОПАСНОСТЬ БАНКА
CLOAKING AND SECURITY OF THE BANK
Аннотация. В данной статье раскрывается понятие «клоакинг». Рассматриваются возможности его реализации, используя серверные скрипты и программы. Предложено применять для разграничения контента внешней и внутренней сети. Исследованы методы для определения наличия клоакинга. Анализируется, как защищать банки от клоакинга.
Abstract. In this article, the concept of “cloaking” is revealed. The possibilities of its implementation are considered, using server scripts and programs. It is suggested to apply for differentiation of content of external and internal networks. Methods for determining the presence of cloaking were investigated. Analyzed how to protect banks from cloaking.
Ключевые слова: клоакинг, безопасность банка, серверные скрипты, разграничения контента.
Keywords: cloaking, bank security, server scripts, content delimitation.
 

Что такое клоакинг?

«Клоакинг» («Cloaking») в переводе с английского языка означает «маскировать», «прятать», «скрывать». Хакеры часто используют клоакинг, позволяющий возвращать код посещаемой страницы в зависимости от категории посетителя (простой пользователь, поисковый робот или бот). Незаметно. Для владельца, его ресурс становится линк-фермой, просто «донором». Отображать оптимизированную страницу для робота поисковой системы, тогда как обычный пользователь увидит другую версию страницы по данному адресу – суть и назначение клоакинга [3, c.43].

При этом, посетитель страницы увидит обычную страницу, а поисковый робот – специально видоизмененную страницу, для максимального повышения соответствия страницы определенным запросам. У видоизмененного варианта страницы в большинстве случаев имеется малоудобный для восприятия человеком внешний вид. Например, так в последнее время маскировались мошенники под мобильное приложение «Сбербанк онлайн». Очень опасное явление для банковской деятельности!

Причина применения такого способа заключается в сложности совмещения привлекательности страницы и для «поисковика», и для пользователя одновременно [10, c.72].

Клоакинг можно реализовать, пользуясь серверными скриптами и программами. Выходные данные формируются серверными скриптами в зависимости от модифицированных параметров, например, параметры адреса и самого запроса. Можно установить адресата исходного запроса — является ли он роботом? пользователем? Затем создать для идентифицированного запроса результирующую страницу. Выполнение клоакинга с использованием обычного HTML (JavaScript) невозможно.

Каковы методы клоакинга? Существуют несколько методов для определения наличия клоакинга. К таким методам можно отнести проверку поля User-agent, проверку IP адресата, а также комбинирование этих методов.

Метод, который основывается на User-agent, является самым простым. При запросе обычно идет передача имени робота, дополнительных данных, проводится сравнение входящих данных. Затем, используя специальный скрипт определяется робот. В итоге, для робота выдается оптимизированная версия страницы, и обычная версия – остальным посетителям страницы. Преимуществом этого метода является простота реализации, а серьезным недостатком – возможность подделки пользователем поля User-agent с целью получения бесплатного доступа. Поэтому, необходимо проводить проверку IP-адреса посетителя.

Как и обычные посетители банка (офлайн, онлайн), все роботы поисковых систем являются владельцами IP-адресов, которые идентифицируют подключение к сети банковского Интранет, причем у каждого – свой фиксированный адрес. Суть метода заключается в определении IP-адреса посетителя, сравнении этого адреса с базой данных, где хранятся IP поисковых роботов. В итоге можно определить, кто (что) является посетителем сайта – человек или робот, а по полученному результату показать соответствующую страницу (роботу – оптимизированную страницу, «остальным» – нормальную). Данный метод является более хитроумным (IP-адреса почти невозможно подделать). Недостатком метода является необходимость в большой базе IP-адресов роботов с периодическим обновлением.

Самым надежным и эффективным является комбинированный метод: совмещение вышеописанных методов, и чтобы избежать проблем – показывать нормальную страницу.

Независимо от того, что клоакинг скоро может стать вполне приемлемым методом, все же не следует применять его для решения всех задач и сразу. Он в большинстве случаев рекомендуется для уже существующих сайтов, где применяется Flash или AJAX.

Клоакинг можно применять для разграничения контента для внешней и внутренней сети [8, c.21].

 

Как защищать банки от клоакинга?

Можно снизить эффективность воздействие вредоносного влияния в реальном времени, если иметь и реализовывать эффективную интегрированную банковскую политику и систему безопасности, использовать информационно-логическое (финансово-математическое) моделирование угроз. В частности, функциональное представление инфопроцессов, их особенностей, релевантные критерии целостности системы.

Пусть инфопроцесс в системе безопасности банка реализуется n процедурами, причем вероятность v(i) – информационный объем в i-ой подсистеме (транзакции), а V(i) – максимально обрабатываемый системой для i-ой транзакции объем (актуальная при DDoS-атаках).

Показателем полноты обработки служат отношения:

P(V(i) ³V0(i)) = .

Например, v(1) – для процесса «защита от клоакинга», v(2) – для процесса «защита БД» и т.д.

Вероятность реализации вмешательства может оцениваться как время t(i), не более T(i), а своевременность обработки информации:

.

Здесь t(i) – время i-ой транзакции.

Необходимо эффективно:

  • тестировать безопасность (контроль доступа);
  • совершенствовать инструментарий (программное обеспечение);
  • вести тренинг персонала;
  • проверять подразделения, координировать их в реальном режиме.

Данная формализация позволит оценивать вероятность достижения цели, например, клоакинга, провести упреждающие защитные мероприятия. Полностью эффективный высокотехнологичный, высокоинтеллектуальный (на мультиагентных и нейросистемах) подход – дело будущего. Сейчас каждому банку нужно (и можно) решить проблему повышения эффективности системы безопасности.

При SQL-инъекциях (доступе к БД пользователей) нужно соблюдать «противоинъекционные» меры, в частности, данные предоставлять лишь через плейсхолдер, использовать идентификаторы (ключевые слова) лишь из «белого» списка. При XSS-атаках, ориентированных на онлайн-пользователей (позволяет украсть «куки», получить к «админке» доступ) многое зависит от их идентификации вовремя, т.е. от моделирования.

 

Литература

  1. Ашманов И., Иванов А. // ВЫВОД САЙТА НА ЭКРАНЫ РАДАРОВ // Интернет-маркетинг. 2002. № 1. С. 2-12.
  2. Бексаева Е.А., Чамина О.Г. // ФАКТОРЫ И РЕКОМЕНДАЦИИ SEO-АУДИТА ВЕБ-РЕСУРСОВ ЭЛЕКТРОННОЙ КОММЕРЦИИ // Вестник Ульяновского государственного технического университета. 2015. № 3 (71). С. 39-46.
  3. Винокуров П. // ПОИСКОВЫЕ СИСТЕМЫ — ПРАКТИЧЕСКИЕ СОВЕТЫ ОНЛАЙНОВОМУ МАРКЕТОЛОГУ // Интернет-маркетинг. 2002. № 2. С. 39-48.
  4. Гранкина Е.С. // ПОИСКОВЫЕ СИСТЕМЫ И ИХ МЕСТО В МАРКЕТИНГОВОЙ СТРАТЕГИИ // Школа университетской науки: парадигма развития. 2012. Т. II. № 6. С. 78-80.
  5. Довбенко А.В. // ПРОБЛЕМЫ СОВРЕМЕННОЙ ПОИСКОВОЙ ВЫДАЧИ // Проблемы современной науки и образования. 2016. № 39 (81). С. 19-22.
  6. Ермакова Л.М. // МЕТОДЫ КЛАССИФИКАЦИИ ТЕКСТОВ И ОПРЕДЕЛЕНИЯ КАЧЕСТВА КОНТЕНТА // Вестник Пермского университета. Серия: Математика. Механика. Информатика. 2011. № 3. С. 47-53.
  7. Ершов Е.А., Лобачев В.В. // МЕТОДЫ ПРОДВИЖЕНИЯ САЙТОВ В ИНТЕРНЕТЕ // Системный анализ в науке и образовании. 2011. № 4 (14). С. 44-48.
  8. Лебедянцева Л. // НАВИГАЦИОННЫЕ И ПОИСКОВЫЕ СИСТЕМЫ В ИНТЕРНЕТЕ И ИХ ОПТИМИЗАЦИЯ // Интернет-маркетинг. 2005. № 6. С. 18-24.
  9. Луцук А.И., Быта С.В., Самохвалов С.М. // SEO – ТЕХНОЛОГИИ ДЛЯ ОПТИМИЗАЦИИ WEB-ПОИСКА // Россия молодая: передовые технологии – в промышленность!. 2011. № 1. С. 279-282.
  10. Михеев М.Ю., Сомин Н.В., Галина И.В., Золотарев О.В., Козеренко Е.Б., Морозова Ю.И., Шарнин М.М. // ФАЛЬШТЕКСТЫ: КЛАССИФИКАЦИЯ И МЕТОДЫ ОПОЗНАНИЯ ТЕКСТОВЫХ ИМИТАЦИЙ И ДОКУМЕНТОВ С ПОДМЕНОЙ АВТОРСТВА // Информатика и ее применения. 2014. Т. 8. № 4. С. 70-77.
  11. Пахомова Т.В., Смагина И.В. // К ВОПРОСУ ОБ ОПТИМИЗАЦИИ САЙТА // Научные записки ОрелГИЭТ. 2014. № 2 (10). С. 315-318.
  12. Пирко И.Ф. // К ВОПРОСУ ИЗУЧЕНИЯ МЕТОДОВ И ЭТАПОВ ПОИСКОВОЙ ОПТИМИЗАЦИИ ПРИ ПРОДВИЖЕНИИ WEB-САЙТОВ КАК ИНСТРУМЕНТА МАРКЕТИНГОВОЙ ПОЛИТИКИ // Экономика и предпринимательство. 2015. № 10-2 (63-2). С. 938-941.
  13. Прохорова А.М. // SEO-ОПТИМИЗАЦИЯ // Евразийский союз ученых. 2016. № 30-4. С. 79-82.
  14. Сироткин И. // ПОИСКОВЫЕ СИСТЕМЫ И ИХ МЕСТО В МАРКЕТИНГОВОЙ СТРАТЕГИИ // Интернет-маркетинг. 2005. № 5. С. 33-39.
  15. Султанов И.И. // ПОИСКОВЫЕ СТРАТЕГИИ САЙТОВ: СОВРЕМЕННЫЕ ПРОБЛЕМЫ ОПТИМИЗАЦИИ // Вестник Казанского государственного университета культуры и искусств. 2007. № специальный. С. 290-296.
  16. Тоичкина И.В. // ПОИСКОВАЯ ОПТИМИЗАЦИЯ САЙТА В СИСТЕМЕ ЭЛЕКТРОННОГО БИЗНЕСА // Экономика и социум. 2016. № 4-2 (23). С. 349-353.
  17. Чамина О.Г., Бексаева Е.А. // SEO-АНАЛИТИКА ВЕБ-РЕСУРСОВ ЭЛЕКТРОННОЙ КОММЕРЦИИ // Модели, системы, сети в экономике, технике, природе и обществе. 2015. № 3 (15). С. 180-188.
  18. Юлов А. // МАРКЕТИНГОВЫЕ ИССЛЕДОВАНИЯ КОНКУРЕНТНОГО ОКРУЖЕНИЯ В СЕТИ ИНТЕРНЕТ // Интернет-маркетинг. 2004. № 3. С. 21-29.

 

References

 

  1. Ashmanov I., Ivanov A. // CONCLUSION OF THE SITE TO THE RADAR SCREEN // Internet Marketing. 2002. № 1. P. 2-12.
  2. Beksaeva EA, Chamina O.G. // FACTORS AND RECOMMENDATIONS OF SEO-AUDIT OF WEB-RESOURCES OF ELECTRONIC COMMERCE // Bulletin of Ulyanovsk State Technical University. 2015. No. 3 (71). Pp. 39-46.
  3. Vinokurov P. // SEARCH SYSTEMS – PRACTICAL ADVICE ONLINE MARKETOLOGY // Internet Marketing. 2002. № 2. P. 39-48.
  4. Grankina E.S. // SEARCH SYSTEMS AND THEIR PLACE IN THE MARKETING STRATEGY // School of University Science: Development Paradigm. 2012. T. II. № 6. P. 78-80.
  5. Dovbenko A.V. // PROBLEMS OF MODERN SEARCH SEARCH »// Problems of modern science and education. 2016. No. 39 (81). Pp. 19-22.
  6. Ermakova L.M. // METHODS OF CLASSIFICATION OF TEXTS AND DETERMINATION OF QUALITY OF CONTENT // Bulletin of Perm University. Series: Mathematics. Mechanics. Computer science. 2011. № 3. P. 47-53.
  7. Ershov EA, Lobachev VV // METHODS OF PROMOTING SITES IN THE INTERNET // System analysis in science and education. 2011. № 4 (14). Pp. 44-48.
  8. Lebedyantseva L. // NAVIGATION AND SEARCH SYSTEMS IN THE INTERNET AND THEIR OPTIMIZATION // Internet Marketing. 2005. № 6. With. 18-24.
  9. Lutsuk AI, Byta S.V., Samokhvalov S.М. // SEO – TECHNOLOGIES FOR OPTIMIZATION OF WEB-SEARCH // Russia is young: advanced technologies – in industry !. 2011. № 1. P. 279-282.
  10. Mikheev M.Yu., Somin N.V., Galina IV, Zolotarev OV, Kozerenko EB, Morozova Yu.I., Sharnin M.M. // FALSE TEXTS: CLASSIFICATION AND METHODS OF IDENTIFICATION OF TEXT IMITATIONS AND DOCUMENTS WITH SUBSCRIPTION OF AUTHORITY // Informatics and its applications. 2014. T. 8. № 4. S. 70-77.
  11. Pakhomova TV, Smagina IV // TO THE QUESTION OF OPTIMIZATION OF THE SITE // Scientific notes OrelGiET. 2014. No. 2 (10). Pp. 315-318.
  12. Pirko I.F. // TO THE QUESTION OF STUDYING METHODS AND STAGES OF SEARCH OPTIMIZATION AT PROMOTING WEB-SITES AS A TOOL OF MARKETING POLICY // Economics and Entrepreneurship. 2015. No. 10-2 (63-2). Pp. 938-941.
  13. Prokhorov A.M. // SEO-OPTIMIZATION // Eurasian Union of Scientists. 2016. No. 30-4. Pp. 79-82.
  14. Sirotkin I. // SEARCH SYSTEMS AND THEIR PLACE IN THE MARKETING STRATEGY // Internet Marketing. 2005. № 5. P. 33-39.
  15. Sultanov II // SEARCH STRATEGIES OF SITES: CONTEMPORARY PROBLEMS OF OPTIMIZATION // Bulletin of the Kazan State University of Culture and Arts. 2007. No. special. Pp. 290-296.
  16. Toychkina I.V. // Search optimization of the site in the system of electronic business // Economics and society. 2016. No. 4-2 (23). Pp. 349-353.
  17. Chamina OG, Beksaeva EA // SEO-ANALYSIS OF WEB-RESOURCES OF ELECTRONIC COMMERCE // Models, systems, networks in economics, technology, nature and society. № 3 (15). Pp. 180-188.
  18. Yulov A. // MARKETING RESEARCH OF COMPETITIVE ENVIRONMENT IN THE NETWORK INTERNET // Internet marketing. № 3. P. 21-29.



Московский экономический журнал 5/2017

УДК 336.71

Бакаева Малика Магомедовна

ассистент, ФГБОУ ВО «Чеченский государственный университет»

Грозный, Россия.

Bakaeva Malika Magomedovna

Assistant, FGBOU VO “Chechen State University”

Grozny, Russia.

БЕЗОПАСНОСТЬ БАНКА И ЗАКЛЮЧЕНИЯ ПАРТНЕРСКОГО СОГЛАШЕНИЯ

SECURITY OF THE BANK AND THE CONCLUSION OF THE PARTNER AGREEMENT

Аннотация. В данной статье выделены обстоятельства заключения партнерского соглашения. Анализируется, как прогнозировать безопасность партнерских соглашений. Предложено применять моделирование для управления безопасностью. Построены обучающие последовательности для безопасного партнерства.

Abstract. In this article, the circumstances of concluding a partnership agreement are highlighted. Analyzed how to predict the security of partnership agreements. It is proposed to apply modeling for safety management. The training sequences for a secure partnership are built.

Ключевые слова: партнерские соглашения прогнозировать, безопасность партнерских соглашений, моделирование для управления безопасностью, обучающие последовательности.

Keywords: partnership agreements to predict, security of partnership agreements, modeling for security management, training sequences.

 

Что такое безопасное заключение партнерского соглашения?

Безопасность заключения партнерского соглашения? – Есть и такая для банка, например, при ипотечном кредитовании, долевом строительстве, кредитовании под залог. Вызваны рядом обстоятельств. Перечислим их.

  1. Условия. Необходима подача заявления («партнера») на веб-представительстве компании (фирмы). Не допускаются псевдонимы и «аналогичные анонимус», маскировка контактной информации.
  2. Ответственность. Особо это касается ущемления клиентских прав, интеллектуальной собственности третьих лиц, ссылок на любой материал (ресурс), запрещенный по закону. Например, ссылок вредоносных, клеветнических, непристойных, поощряющих насилие, способствующих дискриминации (неважно, на основе чего: пола, религии, расы, этнической принадлежности, национальности, здоровья или возраста), мотивирующих незаконную деятельность (азартные игры, пирамиды и т.п.), содержащих ненормативную лексику. Может быть специальный пункт «Нежелательные ссылки и контент» в договоре.
  3. Информационные права, политика безопасности третьей стороны, например, партнера. Именно это в работе нас и интересует. Необходимо убедиться, что дизайн сайта, медиа на нем не напоминает чьи-то, или получить письменное разрешение по использованию от владельцев аналогов. Не нарушайте политику любой третьей стороны партнерской программы. Политике конфиденциальности – особенное внимание, используйте совместные действия по обеспечению сбора (хранения, актуализации) информации в партнерской программе, особенно, по личным данным клиентской базы. Партнер обязан фильтровать список адресов e-mail, удаляя нежелательные записи, концентрируя тщательно адреса рассылки.
  4. Сеть. Запрещаются любые сторонние изменения ссылок. Требуется сохранять свою партнерскую сеть в соответствии с отраслевыми и корпоративными стандартами. Антиспамовая политика строится на том, что все письма, отправленные в партнерской программе должны предполагать отказ от рассылок спама. Антимошенническая политика, например, анти клик-мошенничество принимается программой по своему усмотрению.
  5. Конфиденциальность. Программа (партнеры) не должна (должны) использовать любую информацию от программы для разработки, улучшения или разработки сервиса конкурирующей партнерской программы, или оказывать в этом содействие третьей стороне.
  6. Прекращение. Соглашение действует с момента одобрения заявки и продолжается до его расторжения. Вы можете прекратить участие, удалив все ссылки, копии из ссылок и направив письменное уведомление в Программу. Программа может прекратить участие в одном предложении или нескольких предложениях в любое время, по любой причине. Все права на законные платежи, действия – в силе и после прекращения. Программа может «заморозить» любые неоплаченные комиссии или изъять уплаченные комиссии, если: а) вы нарушили Соглашение; б) не прошло время законных претензий по полученным доходам; в) выявлено несоответствие требованиям Соглашения (Партнерской программе). Если нарушения – существенны, то Программа имеет право раскрыть клиента и его личную информацию соответствующим правоохранительным, налоговым и иным органами.
  7. Отказ. Партнерская программа не несет ответственности за действие (бездействие) Клиента по отношению к своей продукции или услуге. Например, из-за отсутствия или неработоспособности ссылки, технической неисправности, ошибок, повреждения (потери) информации.

 

Как прогнозировать безопасность партнерских соглашений?

Для снижения рисков потребуется диагностики, оценивание уровня защищенности, выявление потенциальных уязвимостей в партнерских отношениях. Необходимы полные, не допускающие ошибок партнеров, рекомендации, политика безопасности для персонала. И, естественно, мониторинг безопасности, уязвимостей.
Комплекс многогранный. Рассматриваем лишь партнерские отношения. Комплексный его аудит включает оценку:
  • партнерской программы;
  • эффективность;
  • возможностей;
  • ресурсов;
  • мероприятий по безопасности (рискам, защищенности, уязвимости, соответствия политике безопасности).

Ключевой параметр – алгоритм фильтрации, аудита. Он позволяет принять решение (конфиденциальное) в каждом случае.

Комплексный аудит чаще отдается аутсорсинговой компании. Но здесь две опасности:

  • «связывание по рукам» аудитора при доступе к ресурсам компании (в лучшем случае – ограниченные права), что понятно, – нет пока стандартов аудита, требований к аутсорсингу, все боятся инсайдеров;
  • излишняя свобода «хождения» аудитора по базам данных компании.

Рекомендации аудитору должны быть аргументированы, ранжированы (как по мере важности, так и безопасности).

Как управлять безопасностью?

Оптимально управлять можно с помощью моделирования.

Оптимизируем дискретные процессы,

Снимок экрана 2017-12-22 в 6.10.33

 

Функционал Ф соответствует максимуму конечной безопасности

партнерства динамической оптимизацией промежуточных состояний,

управляемых параметров, t дискретное время (шаг по времени),

T – конечное время (глубина прогноза),

Uij(t) – управляемые параметры, Vik(t) – неуправляемые.

Если параметры неуправляемые известны, регулируем отклонения неуправляемых от фактических. Управляющие воздействия – методом Монте-Карло.

Строим также обучающую последовательности, разделяя данные на обучающие и проверочные. По обучающей выборке идентифицируем параметры безопасного партнерства, по проверочной – убеждаемся на практике.

 

Литература

  1. Бондаренко В.А., Семерникова Е.А. // МАРКЕТИНГ ПАРТНЕРСКИХ ОТНОШЕНИЙ И ЕГО РОЛЬ В ФУНКЦИОНИРОВАНИИ КОММЕРЧЕСКОГО БАНКА // Вестник Ростовского государственного экономического университета (РИНХ). 2014. № 4 (48). С. 99-104.
  2. Бондаренко Т.Г., Исаева Е.А. // БАНКИ И СТРАХОВЫЕ КОМПАНИИ: НЕОБХОДИМОСТЬ РАЗВИТИЯ ПАРТНЕРСКИХ ОТНОШЕНИЙ В УСЛОВИЯХ ЭКОНОМИЧЕСКОГО КРИЗИСА // Аудитор. 2016. Т. 2. № 4. С. 19-26.
  3. Гешева М.В., Бондаренко Л.В. // МЕХАНИЗМ ПАРТНЕРСКИХ СОГЛАШЕНИЙ КАК ОСНОВА ЭФФЕКТИВНОЙ ГОСУДАРСТВЕННОЙ ИНВЕСТИЦИОННОЙ ПОЛИТИКИ // Конкурентоспособность в глобальном мире: экономика, наука, технологии. 2017. № 4-6 (42). С. 30-32.
  4. Исаева Е.В., Мамаева В.Ю., Шамкина Е.А. // РЕАЛИЗАЦИЯ СТРАТЕГИИ МАРКЕТИНГА ПАРТНЕРСКИХ ОТНОШЕНИЙ В БАНКЕ: ИСПОЛЬЗОВАНИЕ ЗАРУБЕЖНОГО ОПЫТА // Вестник Омского университета. Серия: Экономика. 2012. № 3. С. 127-131.
  5. Куршакова Н.Б. // ФОРМИРОВАНИЕ ОРГАНИЗАЦИОННОЙ СТРУКТУРЫ РЕГИОНАЛЬНОГО БАНКА, ОРИЕНТИРОВАННОГО НА РАЗВИТИЕ ПАРТНЕРСКИХ ОТНОШЕНИЙ С БИЗНЕС-КЛИЕНТАМИ // Маркетинговые коммуникации. 2005. № 2. С. 27-30.
  6. Маслов К.В. // ВНЕДРЕНИЕ КОНЦЕПЦИИ МАРКЕТИНГА ПАРТНЕРСКИХ ОТНОШЕНИЙ В БАНКЕ // Вестник Омского университета. Серия: Экономика. 2009. № 1. С. 145-146.
  7. Плешаков Г.Г. // РАЗВИТИЕ МАРКЕТИНГА ПАРТНЕРСКИХ ОТНОШЕНИЙ В ДЕЯТЕЛЬНОСТИ КОММЕРЧЕСКОГО БАНКА // Экономика: теория и практика. 2015. № 3 (39). С. 67-72.
  8. Третьякова Е.А. // ИННОВАЦИОННОЕ РАЗВИТИЕ БАНКА ЗА СЧЕТ ПАРТНЕРСКИХ ОТНОШЕНИЙ // Наука и экономика. 2011. № 3. С. 30-32.

 

References

  1. Bondarenko VA, Semernikova EA // MARKETING OF PARTNER RELATIONS AND ITS ROLE IN THE FUNCTIONING OF THE COMMERCIAL BANK // Bulletin of the Rostov State Economic University (RINH). 2014. No. 4 (48). Pp. 99-104.
  2. Bondarenko TG, Isaeva EA // BANKS AND INSURANCE COMPANIES: THE NEED FOR DEVELOPMENT OF PARTNER RELATIONS IN THE CONDITIONS OF THE ECONOMIC CRISIS // The Auditor. 2016. T. 2. № 4. P. 19-26.
  3. Gesheva MV, Bondarenko LV // THE MECHANISM OF PARTNER AGREEMENTS AS THE BASIS OF EFFECTIVE STATE INVESTMENT POLICY // Competitiveness in the global world: economics, science, technology. 2017. No. 4-6 (42). Pp. 30-32.
  4. Isaeva EV, Mamaev V.Yu., Shamkina E.A. // IMPLEMENTATION OF THE MARKETING STRATEGY OF PARTNER RELATIONS IN THE BANK: USE OF FOREIGN EXPERIENCE // Bulletin of Omsk University. Series: The Economy. 2012. № 3. P. 127-131.
  5. Kurshakova N.B. // FORMATION OF THE ORGANIZATIONAL STRUCTURE OF THE REGIONAL BANK ORIENTED ON DEVELOPMENT OF PARTNER RELATIONS WITH BUSINESS CLIENTS // Marketing communications. 2005. № 2. P. 27-30.
  6. Maslov K.V. // INTRODUCTION OF THE CONCEPT OF MARKETING OF PARTNER RELATIONS IN THE BANK // Bulletin of Omsk University. Series: The Economy. 2009. № 1. P. 145-146.
  7. Pleshakov G.G. // DEVELOPMENT OF MARKETING OF PARTNER RELATIONS IN THE ACTIVITY OF THE COMMERCIAL BANK // Economics: Theory and Practice. No. 3 (39). Pp. 67-72.
  8. Tretyakova E.A. // INNOVATIVE DEVELOPMENT OF THE BANK FOR THE ACCOUNT OF PARTNER RELATIONS // Science and Economics. 2011. № 3. P. 3



Московский экономический журнал 5/2017

УДК 004

Кациев Майрбек Абуевич,

ассистент кафедры бизнес- информатика, Факультет информационных технологий, ФГБОУ ВО «Чеченский государственный университет»

Грозный, Россия.

Katsiev Mayrbek Abuevich,

Assistant of the Department of Business Informatics, Faculty of Information Technologies, FGBOU VO “Chechen State University”.

Grozny, Russia.

КРИПТОВАЛЮТЫ

CRYPTUALS

Аннотация. В данной статье приведена история, цели, принципы биткоина, блокчейна. Раскрыто понятие майнинга, приведены его преимущества, недостатки. Изучены факторы, влияющие на майнинг. Приведены наиболее уникальные платформы блокчейна. Отдельно исследована платформа Ethereum и умные контракты на ней. Проанализирован механизм ICO. Рассмотрены перспективы развития криптовалют, возможности России.

Abstract. This article shows the history, goals, principles of bitcoin, blockade. The concept of mining is disclosed, its advantages and disadvantages are given. Factors influencing mining have been studied. The most unique platforms of the block are presented. The Ethereum platform and smart contracts on it have been separately researched. The mechanism of ICO is analyzed. Prospects for the development of the Crypto-currency, the possibilities of Russia, are considered.

Ключевые слова: биткоин, блокчейн, майнинг, Ethereum, умные контракты, ICO, перспективы криптовалют, возможности России.

Keywords: bitcoin, blocking, mining, Ethereum, smart contracts, ICO, prospects kriptovaljut, Russia’s possibilities.

 

История, цели, принципы биткоина, блокчейна

Криптовалюта «биткоин» – попытка децентрализации денежной системы, ее независимости от государства, банков [3].

Стартовал биткоин в 2009-ом, сейчас – самая популярная криптовалюта, особенно вырос его курс за последнее полугодие.

До Нового года достигнет ли $20000? Пожалуй, да! Об этом говорят не только эксперты, но и технический анализ графика динамики восхождения цены.

Биткоин разросся, пришлось разделиться: уже есть «кэш» (ВСН) и «обычная» (ВТС) разновидности биткойна. BCH – со своим протоколом, блоком (трансакциями). BTC превысил курс $5000, BCH – $350, капитализация – примерно $70 млрд.

Принцип блокчейна, на котором базируются все криптовалюты, – идейно простой: это общего пользования БД, без руководства, без централизации кем-либо. Правила, алгоритмы, безопасность и др. характеристики блокчейна могут различаться, но все отлично приспособлено к взаимосвязям «майнинг–эмиссия» [2].

Блокчейн – это также информационная технология, защищенный доступ к БД и распределенным вычислениям: в реальном режиме, дружественный, надежный, почасовой («покликовый» даже), прозрачный, с небольшой оплатой услуг – доступ «каждому, всегда, везде». Небольшое вознаграждение майнерам – не 3-11% комиссионных за платежи, обмен банков!

Трансакции – от «майнеров», участников, подтверждающих подлинность операций на своих достаточных вычислительных мощностях. Пользователи предлагают свои вычислительные мощности, в ответ система обеспечивает их результатами вычислений, поисков, переводимых в биткойны. Процедура майнинга базируется на математически непростых алгоритмах, майнер должен предоставить системе мощный компьютер (мощную «ферму» для майнинга) для вычислений под контролем остальных участников [9].

Пока блокчейн сохранится на одном хотя бы компьютере, он – неизменный.

Блокчейн – высокотехнологичный, многоцелевой инструментарий. Простая, например, «4-8-карточная ферма» ежедневно позволит «майнить» $2-3, а сложная, «насыщенная» – $100. Выручка поступает оперативно, в реальном масштабе, если она невысокая (здесь необходимы дополнительные проверки). Например, геймеры получают в игре с оплатой биткойнами «внутри», в процессе игры.

Блокчейн – многоаспектное явление, важны не только финансовые, но и инфологические, правовые и другие аспекты. Как говорил персонаж фильма «Леон», «банки могут лопаться, отмирать», а запись в БД блокчейна – надежна всегда, ее не взломать без криптокода.

Майнинг, его преимущества, недостатки

Mining («добыча») криптовалюты определяется «мощностью ферм», программно-аппаратных систем. При участии в вычислениях (затратах ресурсов) начисляется криптовалюта. Она хранится в кошельке системы (в файле с персонализированным, защищенном доступом).

Выгоден майнинг, насколько? – Прогноз затруднителен. Впрочем, приведем факторы, важные для него.

Преимущества:

  • оперативность, малозатратность трансакций;
  • курс криптовалюты формируют майнеры сами (их возможности, спрос-потребности рынка);
  • управление децентрализовано, трансакции легкореализуемы, монетизация (через кошельки, биржи) – беспроблемная;
  • большинство компаний – с юридическим статусом, вполне надежны;
  • работа «24/7/365» без комиссии (кроме крупных трансакций);
  • криптологическая защищенность с криптоподписью трансакции;
  • раскрывать личные данные (например, как в Яндекс.Деньги) – нет необходимости;
  • «заморозить» счет невозможно;
  • «безинфляционность», хотя есть ограничения на майнинг, предельная объем монет биткоин для каждого ограничен (21 млн).

В любом случае, это принесет прибыль выше, чем банковская, биржевая (ценных бумаг). Можно дополнительно обезопасить себя, если приобрести параллельно контракты по разным криптовалютам, грамотно распределив вложения. Можно запустить автомайнинг без вложений на различных площадках. Пусть в тестовом режиме!

Факторы, влияющие на майнинг

Основные факторы – потенциал потребительский, эмиссионная цена, инвестиционная привлекательность. Потребительский потенциал – отражение стоимости актива, которого тратит майнер: чем больше – тем ценней. Но криптовалюта имеет, как и обычная валюта, цену актива [7].

Цена эмиссии – отражение строгой ограниченности эмиссии криптовалют (у биткойна BCH, «кэш» – капитализация около $70 млрд). Есть активы с мягким диапазоном границ, непрерывным эмитированием, требующие большей определенности эмиссионной политики. Это актуально – цифровых активов становится много, их особенностей – еще больше. Рассчитывают цену эмиссии по динамике цены, текущей стоимости.

Инвестиционная стоимость, привлекательность – колебательная, перспективы вложений имеются, но в криптовалюты немногие вкладывают.

Оценить потенциал саморазвития криптовалют релевантно не удастся – мало опыта, времени. Есть надежды на экономику IoT, «Интернет вещей». Приблизительно текущую стоимость биткойна можно выяснить, если умножить его рыночную стоимость на уровень его доходности (ROI), затем поделить на количество лет прогноза и, наконец, умножить на цену биткойна по отношению другим криптовалютам. Например, к 2020-му, стоимость с учетом текущей стоимости с дисконтом ($44.29) дает $21.52, ниже реально наблюдаемых. В 2020-ом рост биткойна прогнозируется на 1500% – усиливается инфраструктура криптовалют.

Платформы блокчейна

Их очень много. Многие – однотипные (различия – в деталях, алгоритмах). Но есть уникальные в своем роде:

  • Chronobank, валюта – «трудочас», обменивается на работу (аналогично биллингу на биржах фриланса);
  • ZrCoin, валюта – эквивалент диоксида циркония;
  • Колион, валюта – фермерская продукция от Михаила Шляпникова (д.Колионово);
  • MobileGo, баллы, бонусы в играх (например, AppStore);
  • Liquid, торговля опционами и др.

Особо выделим Ethereum, заинтересовавшая «Сколково» облачная отечественная инфраструктура, с перспективой внедрения в финансово-рыночно-государственные отношения (разрабатываются даже смарт-карты, реестры и др.).

Ethereum и умные контракты

Ethereum – открытого типа блокчейн-платформа, виртуальная машина (EVM). Валюта Ethereum – ether, эфир, ETH. Может служить не только платежным, но и обменным средством, – в широком смысле, – сделками с ресурсами, активами. Используя при этом умные контракты: Ethereum – «криптотопливо» для них. Капитализация Ethereum – более $30 млрд.

Трансакции Ethereum не прибегают к правовым процедурам, базирующаяся на умных контрактах. Умные (Smart) контракты могут реализовываться на EVM до отправки в блокчейн. EVM ограничивает контракты, требующие много времени для выполнения. Например, средства для вывода могут стать недоступны в течение месяца. Поэтому Ethereum считают «Биткойн 2.0». Привлекательна в качестве тест-платформы умных контрактов (облигаций).

Защита сети при майнинге – в начальном состоянии. Затем планируется переход на гибридный метод защиты. Система высоко требовательна к видеопамяти (в сентябре – более 2Гб). ПО Ethereum используема всеми, кому потребуется защита от вмешательства. Во взаимодействии с умными контрактами, может найти применение в разнообразных финансовых секторах, в выстраивании бизнеса по условиям смарт-контракта, хотя ее главное предназначение – «криптовалютное». Примеры таких приложений: инвестиционный фонд, площадка монетизации в играх, краудфандинг, опционы.

ЦБР запустил на Ethereum платформу «Мастерчейн». Внешэкономбанк – партнер Ethereum. Сбербанк – первый банк в альянсе с Ethereum.

ICO

ICO – процедура, механизм инвестиций продажами монет криптовалют, получаемых ускоренной эмиссией. В 2017-ом, посчитали, количество ICO удвоилось за год. Размещения привлекают миллионы, например, StatusResearch &DevelopmentGmbH (Швейцария) привлекла $95 млн. ICO – без госрегулирования, публичных видов деятельности.
ICO реализуется эмиссией криптовалюты (дополнительно, вне майнинга) и распределения ее среди желающих. Называют единицу монетой, токеном, обменивается на ликвидную криптовалюту, например, биткоин, эфир. Достаточно привлечь инвесторов к проекту, гарантировать им выкуп криптовалюты (через некоторый промежуток).

Первый ICO собрал $5 млн. Сейчас привлекают $185 млн (компания Block.one) и более. В обороте сейчас около тысячи криптовалют. Капитализация рынка – свыше $90 млрд (доминируют биткойн – более $41 млрд, Ethereum – более $25 млрд). ICO осваивается и «реальным сектором», например, ICO «Колиново» получил 401 биткоинов. К концу года ожидают запуска около 50 ICO/мес.

Зачем инвестировать в ICO? – Инвестор планирует «спекульнуть» на ожидаемой курсовой разнице, или использовать для фьючерс-контрактов, или просто поддержать привлекательный ему проект.

Перспективы развития

В мире количество различных криптовалют – за тысячу, их капитализация давно за $100 млрд! Рыночная капитализация каждой из крупнейших криптовалют (Топ-10) превышает $1 млрд. Только во втором квартале, объем инвестиций в криптовалюты, спецфонды достиг более $230 млн, а количество кошельков для криптовалют – 12 млн. Все больше желающих открыть их для трансакций, хранения валюты.

На криптовалютный рынок выходят трейдеры, инвесторы, они развивают его. Например, криптоброкер Coinbase (оценен в $1,6 млрд.), недавно смог привлечь $100 млн., причем от «мощных» венчурных фондов (IVP, Greylock, BatteryVentures). Формируются центры криптофинансирования, существенно стимулирующие цифровую экономику через блокчейн-технологии. Страны пытаются разработать, апробировать наиболее релевантную модель регулирования криптовалютных трансакций, включая ICO. Преуспела Япония, с апреля разрешившая биржам криптовалют работать, освободившая от налогов обмен криптовалют.

Система изменит нашу финансовую традиционную парадигму. Монеты криптовалют станут правом на продукт, имущество, бизнес (акциями). Конкуренция криптовалют – мощная, решается жизненный вопрос, какая из них станет самой привлекательной, эффективной, устойчивой без обеспечения золотом, алмазами, нефтью и др. Государства насторожились!

Каково «криптовалютное» место России?

Есть примеры успешных майнеров в России. Юрий Дромашко (Иркутск, инженер) продав квартиру, получив кредит, «на все» построил «среднюю ферму» майнинга биткоинов из нескольких сотен компьютеров. Прибыль Юрий не афиширует (хотя и называет ее «шальные бабки»), но расход энергии (самого дешевого по регионам РФ) на «ферме» – 2.5 МгВ. Валерия Евгеньевна (пенсионерка, агрохимик) криптовалютами заразилась от внуков: «Год назад это для меня тёмный лес был, но я постаралась разобраться, хотя и не играла никогда на бирже». Сын пенсионерки «майнит» с 2016-го. Дмитрий Суслов (старшеклассник из Москвы) увлёкся майнингом. Долго анализировал выбор и прибыль: «Остановился на биткоинах, планирую после школы увеличить инвестиции». Профессионал из Москвы, IT-специалист, за год успел «окупить инвестиции в ферму и выйти на стабильный доход».

А как власти? Власти ждут от блокчейна «гигантского сдвига» в финансовой (и не только) сфере. Например, г-н Греф, советует компаниям «не откладывать его тестирование». Можно и кредит скоро получить монетами биткоин. Технология перспективна для борьбы с коррупционными финансовыми схемами. Блокчейн-экономика должна пройти этап экспериментирования, развития.

Но количество мошенничеств растет. Согласно ИА «Банкир.ру», «каждый десятый участник платформы Ethereum – потенциальная жертва мошенников». Сайт экспертов «Coinsport» считает «99% всей сферы ICO аферой». Справедливости ради отметим: на рынке ICO появляются новые инструменты, методы минимизации рисков.

В России несколько IT-компаний, сосредоточивших усилия на блокчейн. Разрабатывают шлюз взаимодействий с биткоин-блокчейн. Важно решить проблему противодействия анонимности трансакций (например, на одной анонимной площадке за биткоины продавали оружие, наркотики). Предлагается новая статья (УК РФ) – «Оборот денежных суррогатов». Нужна правовая поддержка, законодательная база.

Может появиться ФЗ о криптовалютах, над ним работает группа Госдумы. Вычислительные мощности, сервера должны быть в РФ. Сократят чиновников, снизят расходы банков (хватит им кредитования, сервисных продуктов, онлайн-функций), избавят от комиссии нас.

Эксперты отмечают связи биткоина с S&P500, акциями, спекулянтами. Если эти связи станут законом, повлияет на рынок. Российская компания майнинга RMC привлечь хочет $100 млн, обещая 18% от доходов. Эксперты прогнозируют китайцам треть всего мирового майнинга (пока 2%). Ее кадровые, климатические, энергетические ресурсы позволяют.

Лоббируют блокчейн Сбербанк, Qiwi. У последней – «битрубль» (зарегистрирован ее товарный знак), анонсировано скорое появление собственной криптовалюты. Сбербанк, «мучающийся» с устаревшей системой, не хочет остаться наблюдателем. Минкомсвязь также имеет свои задумки. Взвешивают «плюсы»-«минусы»…

 

Литература

  1. Айганым С. // НАЦИОНАЛЬНЫЕ ОПРЕДЕЛЕНИЯ СТАТУСА КРИПТОВАЛЮТЫ БИТКОЙН // Национальная Ассоциация Ученых. 2015. № 8-1 (13). С. 145-147.
  2. Болдырихин А.А. // КРИПТОВАЛЮТЫ КАК ПРИНЦИПИАЛЬНО НОВЫЙ ФИНАНСОВЫЙ ИНСТРУМЕНТ И ЭКОНОМИЧЕСКИЙ ВЫЗОВ // Панорама. 2015. Т. 18. С. 24-29.
  3. Бубнова И.Ю. // BITCOIN: ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ РАЗВИТИЯ КРИПТОВАЛЮТЫ // Nauka i studia. Т. 4. № -1. С. 11-15.
  4. Вострикова Е.А., Соколова К.С. // КРИПТОВАЛЮТЫ И МИРОВАЯ ЭКОНОМИКА // Вестник молодых ученых Самарского государственного экономического университета. 2016. № 2. С. 29-31.
  5. Коречков Ю.В., Целищев П.Б. // ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ ИСПОЛЬЗОВАНИЯ КРИПТОВАЛЮТЫ В РОССИЙСКОЙ ЭКОНОМИКЕ // Интернет-журнал Науковедение. 2016. Т. 8. № 6 (37). С. 14.
  6. Ленкин А.В., Лучанинов Д.В. // ОБЗОР И ТЕХНОЛОГИЯ ПОЛУЧЕНИЯ КРИПТОВАЛЮТЫ // Постулат. 2017. № 1 (15). С. 40.
  7. Леонтьева А.В. // КРИПТОВАЛЮТЫ КАК ЭКОНОМИЧЕСКИЙ ФЕНОМЕН В ПРАВЕ – НОВАЯ ВЕТВЬ РАЗВИТИЯ ИЛИ ИГРА ВНЕ ЗАКОНА? // Вестник Науки и Творчества. 2017. № 2 (14). С. 116-119.
  8. Мифтахутдинов А.Р., Линюшин Г.М., Цвигун Г.В. // АНАЛИЗ КРИПТОВАЛЮТЫ БИТКОИН: ОСОБЕННОСТИ И ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ В ЭКОНОМИКУ РФ // Новая наука: Стратегии и векторы развития. 2016. № 118-1. С. 175-177.
  9. Овсяникова П. // БИТКОИН: ФАКТОРЫ, ВЛИЯЮЩИЕ НА ВОЛАТИЛЬНОСТЬ КРИПТОВАЛЮТЫ // Электронный вестник Ростовского социально-экономического института. 2016. № 2. С. 254-260.
  10. Пещеров А.И. // ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ КРИПТОВАЛЮТЫ ВО ВНЕШНЕЙ И ВНУТРЕННЕЙ ПОЛИТИКЕ ГОСУДАРСТВА // Юридическая мысль. 2016. Т. 94. № 2. С. 76-78.
  11. Пещеров А.И. // ПОНЯТИЕ И МЕСТО КРИПТОВАЛЮТЫ В СИСТЕМЕ ДЕНЕЖНЫХ СРЕДСТВ // Юридическая мысль. 2016. Т. 95. № 3. С. 130-138.
  12. Сидоренко Э.Л. // КРИМИНАЛЬНОЕ ИСПОЛЬЗОВАНИЕ КРИПТОВАЛЮТЫ: МЕЖДУНАРОДНЫЕ ОЦЕНКИ // Международное уголовное право и международная юстиция. 2016. № 6. С. 8-10.
  13. Шмелев В.В. // КРИПТОВАЛЮТЫ – ДЕНЬГИ XXI ВЕКА? // Банковское дело. 2017. № 3. С. 52-56.

 

References

  1. Aiganym S. // NATIONAL DEFINITIONS OF THE STATUS OF CRYPTUALITY BY BITKOLINE // National Association of Scientists. 2015. No. 8-1 (13). Pp. 145-147.
  2. Boldyrikhin AA // CRYPTUALITIES AS A PRINCIPALLY NEW FINANCIAL INSTRUMENT AND ECONOMIC CHALLENGE // Panorama. 2015. P. 18. P. 24-29.
  3. Bubnova I.Yu. // BITCOIN: PROBLEMS AND PROSPECTS OF DEVELOPMENT OF CRYPTUALS // Nauka i studia. Vol. 4. No. -1. Pp. 11-15.
  4. Vostrikova EA, Sokolova KS // CRYPTUALS AND WORLD ECONOMICS // Bulletin of Young Scientists of Samara State University of Economics. 2016. № 2. P. 29-31.
  5. Korechkov Yu.V., Tselishchev P.B. // ECONOMIC EFFICIENCY OF USE OF CRYPTUALS IN THE RUSSIAN ECONOMY // Internet-journal Naukovedenie. 2016. T. 8. No. 6 (37). C. 14.
  6. Lenkin AV, Luchaninov DV // REVIEW AND TECHNOLOGY OF OBTAINING CRYPTUALS // Postulate. 2017. No. 1 (15). 40.
  7. Leontief A.V. // CRITALS AS AN ECONOMIC PHENOMENON IN THE RIGHT – A NEW BRANCH OF DEVELOPMENT OR A GAME OUTSIDE THE LAW? // Bulletin of Science and Creativity. No. 2 (14). Pp. 116-119.
  8. Miftakhutdinov AR, Linyushin GM, Tsvigun GV // ANALYSIS OF CRYPTUALITY BITKOIN: FEATURES AND PROSPECTS OF INTRODUCTION TO THE ECONOMY OF THE RUSSIAN FEDERATION // New science: Strategies and vectors of development. 2016. No. 118-1. Pp. 175-177.
  9. Ovsyanikova P. // BITKOIN: FACTORS INFLUENCING THE VOLATILITY OF CRYPTUALS // An electronic bulletin of the Rostov socio-economic institute. № 2. P. 254-260.
  10. Pescherov AI // PROSPECTS OF USING CRYPTUALS IN THE EXTERNAL AND INNER POLICY OF THE STATE // Juridical thought. 2016. T. 94. № 2. P. 76-78.
  11. Pescherov AI // CONCEPT AND LOCATION OF CRYPTUALS IN THE SYSTEM OF CASH // Juridical thought. Vol. 95. No. 3. P. 130-138.
  12. Sidorenko E.L. // CRIMINAL USE OF CRYPTUALS: INTERNATIONAL ESTIMATIONS // International Criminal Law and International Justice. № 6. With. 8-10.
  13. Shmelev V.V. // CRYPTUALS – MONEY OF THE XXI CENTURY? // Banking. № 3. P. 52-56.

 




Московский экономический журнал 5/2017

УДК 330.88

Bezymyannyj-12

BIG DATA: ИСПОЛЬЗОВАНИЕ ВОЗМОЖНОСТЕЙ ОПЕРАЦИОННОЙ АНАЛИТИКИ В ПРОЦЕССЕ ОЦЕНКИ БАНКОВСКИХ РИСКОВ

Реутов Р.В., начальник юридического отдела Екатеринбургского филиала ПАО Банк «ФК Открытие», магистрант кафедры финансовых рынков и банковского дела Уральского государственного экономического университета, Куваева Ю.В., к.э.н., доцент кафедры финансовых рынков и банковского дела Уральского государственного экономического университета, Серебренникова А.И., к.э.н., доцент кафедры финансовых рынков и банковского дела Уральского государственного экономического университета

Аннотация: данная статья посвящена описанию возможностей применения инструментов, технологий и навыков использования больших данных в банковской сфере, в частности при выполнении такой базовой функции банка, как оценка кредитоспособности клиентов при решении вопросов об их кредитовании. Описаны основные характеристики Big Data и принципы работы кредитных организаций с большими объемами данных, сделана попытка определения принципов прикладного применения данной технологии в банке.

Ключевые слова: big data, большие данные, традиционная аналитика, операционная аналитика, банковские риски.

Объемы информации, накапливаемой в мире, постоянно увеличиваются и в 2020 году составят, по оценкам Gartner, ведущей мировой исследовательской и консультационной компанией, и IDC, 44 зеттабайта данных (44 трлн. гигабайт). Для сравнения представим, что весь объем данных, подлежащих хранению сотовыми операторами по «закону Яровой», достигает 157,5 эксабайта [1], что составляет 0,1575 зеттабайта. При этом, проведенное провайдером инфраструктурных решений ЕМС и Institute for the Future исследование Information Generation показало: 52% компаний из разных стран и отраслей признают, что-либо не используют доступные им данные эффективно, либо тонут в объемах информации [2].

В  наиболее общем виде термин «big data» определяют в современном мире  как  совокупность подходов, инструментов и методов обработки структурированных и неструктурированных данных  огромных объемов и значительного многообразия для получения восприимчивых человеком результатов, эффективных в условиях непрерывного прироста, распределения по многочисленным узлам вычислительной сети, сформировавшихся в конце 2000-х годов, альтернативных традиционным системам управления базами данных и решениями класса Business Intelligence [3]. В более ранних публикациях авторы уже предлагали несколько модифицировать указанное определение и рассматривать «big data» как различные инструменты, подходы, методы обработки и использования данных, которые позволяют автоматизировать и масштабировать процессы в разных отраслях человеческой деятельности, увеличивая их скорость в пределах «времени принятия решений». В еще более упрощенном варианте можно рассматривать Big Data как совокупность инструментов, методов обработки структурированных и неструктурированных данных значительного объема для получения воспринимаемых человеком результатов [4, с. 63].

При определении понятия Big Data принято говорить о четырех V: Volume (большой объем данных, который постоянно увеличивается; Variety (разнообразность хранимых и обрабатываемых данных, наличие или отсутствие их структуры); Velocity (скорость работы с подобными данными, т.е. скорость их поступления и обработки); Value (ценность информации). Также, возможно дополнить данный перечень такой характеристикой, как Veracity (неопределенность данных) [5]. Таким образом, большие данные часто представляют собой особый тип данных с принципиально иной структурой, и такая структура требует применения специальных способов обработки для включения их в аналитический процесс. В этом контексте суть концепции Big Data, по мнению авторов, сводится к анализу неоднородной и быстро поступающей информации с использованием не только классической, описательной, но прогностической аналитики. Если в классической бизнес- аналитике внимание сосредотачивается на анализе произошедшего с описательной точки зрения, например, определение объема продаж по каждому региону, доли своевременных поставок… то цель прогностической аналитики, наоборот, состоит в предсказании того, что произойдет в будущем. Как увеличить долю своевременных поставок? При этом, новые аналитические процессы должны быть автоматизированы, существенно масштабированы и осуществляться с молниеносной скоростью [6, с. 39-40]. Все это, по мнению авторов, следует относить к особенностям операционной аналитики больших данных. В данном случае сам анализ данных позволяет увидеть определённые и незаметные закономерности, которые не может увидеть человек. Это позволяет оптимизировать все сферы нашей жизни – от государственного управления до производства и телекоммуникаций [7].

Признавая важность этих отраслей экономики, особый интерес вызывает применение концепции больших данных в банковской сфере. Любой банк в своей деятельности сталкивается с огромным количеством рисков, необходимостью их минимизации и диверсификации.  В этой связи – управление рисками – это одна из благодатных сфер применения больших данных в банковском деле. Управление любым видом рисков – операционных, рыночных, кредитных, правовых – зависит от полноты, объективности и своевременности оценки информации, которую получают риск-менеджеры. Инструменты и технологии big data помогут нарисовать всеобъемлющую картину на любом уровне, будь то благонадежность заемщика или экономическая ситуация в отдельном регионе страны [8].

До сих пор банки оценивали риски, исходя из текущих данных, как правило, предоставляемых самими клиентами и применяя при этом традиционную аналитику. Операционная же аналитика сосредоточена на обработке данных и принятии решений в режиме реального времени, и как правило, применяется к конкретному клиенту именно в тот момент, когда это необходимо. По этой причине, система оценки рисков, основанная на операционном подходе применительно к анализу больших данных, расскажет о клиенте (действующем или потенциальном) куда больше и сделает это гораздо объективнее. Такая система оценки учитывает не только кредитную историю клиента, но и активность в соцсетях, тональность его комментариев, предпочтения в покупках и, если надо, поведение в сетевых играх [8]. На основе анализа больших данных банк также может корректировать свою инвестиционную стратегию в зависимости от выявления и оценки рисков в конкретной отрасли и регионе.

Справедливости ради следует отметить, что внедрение отдельных элементов Big Data в оценке рисков достаточно давно происходит в банковской среде. Так, в отношении частных заемщиков используется «скорринг-система», которая представляет собой компьютерную программу, использующую разные математические и статистические приемы обработки ответов заемщика в заявке на кредит, которую он предоставляет в банк [9]. В данном случае анализируются анкетные и паспортные данные, поведенческие данные, которыми обладают банки в силу тех услуг, которые они оказывают. Также могут использоваться  открытые данные, прежде всего из социальных сетей. В отношении корпоративных клиентов ситуация немного иная. Применение программных методов оценки кредитоспособности осложняется ее сложностью и многоаспектностью.

По общему правилу, в американской и в отечественной практике используется метод балльной оценки ссудозаемщиков, основанный на «правиле пяти си» [10, с. 178-179]:

С – Capacity – финансовая способность вернуть долг;

С – Character – репутация заемщика (честность, порядочность, прилежание);

С – Capital – капитал или имущество;

С – Collateral – наличие обеспечения, залога;

С – Conditions – экономическая конъюнктура и ее перспективы.

Методика пяти «С» дополняется анализом системы финансовых коэффициентов и денежного потока. Система финансовых коэффициентов включает в себя 5 групп коэффициентов: ликвидность, эффективность (оборачиваемость), финансовый рычаг (леверидж), прибыльность, обслуживание долга. Бальная оценка проводится кредитными экспертами (аналитиками) на основании полученных от клиентов информации, отчетов кредитных агентств, фактических отчетных данных баланса и других финансовых отчетов с использованием данных за ряд последних лет. Проблематика такого анализа состоит в том, что присутствует определенная доля субъективизма в восприятии и анализе информации сотрудником банка, существует вероятность ошибки как человеческий фактор, а также зачастую возникают проблемы с достоверностью предоставляемых клиентами сведений и информации.

Специфической чертой такого анализа является недооценка макроэкономических показателей состояния отрасли и региона, конкурентоспособности клиента, его положения в указанной отрасли, занимаемой доли рынка, состоянию конкурентов и партнеров анализируемой компании. В целом, ввиду недостаточности информации у кредитного эксперта, этим аспектам уделяется мало внимания, хотя общепризнана необходимость исследования и анализа данных факторов при оценке кредитоспособности клиента. Также, в рамках применения традиционной, пакетной аналитики, при оценке банковских рисков наблюдается явный перекос в сторону финансового анализа, который, как уже говорилось выше, может проводиться как на основе системы финансовых коэффициентов (показателей), так и путем анализа денежных потоков, т.е. сопоставления притока и оттока денежных средств предприятия-заемщика (исследование портфеля контрактов и динамики кредиторской / дебиторской задолженности). Реализация на практике концепции Big Data с применением операционной аналитики в деятельности банков позволит, по мнению авторов, существенно повысить результативность использования соответствующей информации в интересах банка.

Оценку ответственности руководства компании (Character), качества управления (менеджмента), деловой репутации руководителей потенциального заемщика можно провести на основе данных, полученных из социальных сетей. Анализируя профиль поведения руководителя / менеджера (то, какую информацию он о себе публикует и в какой форме, как он общается, как выглядит круг его контактов), можно сделать достаточно много ценных выводов и комплексных оценок различных показателей [5]. Также выявлению и анализу подлежит информация об участии руководителей компании в различных конференциях, профессиональных симпозиумах, выступлениях в СМИ, публикациях, интервью, обсуждениях компании на различных форумах в соцсетях и т.д. Также через социальные сети, используя специальные инструменты, технологии и навыки, можно выявить часто скрываемую информацию о конечных бенефициарах («истинных» владельцах) и контролирующих лицах компании. Данный алгоритм может включать сбор и анализ частоты, периода времени общения в соцсетях лиц, связанных с компанией, фактов присутствия в офисе, недалеко от офиса (через камеры видеонаблюдения), фактов обращения лица на сайт компании, информации на других ресурсах, где клиент мог бы оставить свои актуальные данные. Например, выявленный в сети факт поздравления лица с днем рождения компании, либо выражения благодарности лицу, не являющемуся партнером компании или его сотрудником, может свидетельствовать об «особых» отношениях лица и анализируемого предприятия.

При анализе элемента Capacity (финансовая способность вернуть долг) кредитоспособности клиента прежде всего анализируется способность компании производить и реализовывать продукцию, а также информация о соблюдении компанией обязательств перед контрагентами. В данном случае, используя инструменты и технологии анализа больших данных, по аналогии с маркетинговыми исследованиями соцсетей, эффективности рекламных компаний, сведений о продажах, отзывов и критики услуг / товаров потребителями, публикациях в СМИ, банк может оценить спрос и удовлетворенность клиентов продукцией компании – заемщика, рынок сбыта, а также прогнозировать изменение спроса ввиду сезонности, моды и иных предпочтений.

Наибольшая эффективность применения технологии Big Data может быть достигнута при анализе Conditions (экономическая конъюнктура и ее перспективы), т.е. в процессе изучения макроэкономических условий в стране, определяющих деловой климат в отрасли и регионе присутствия заемщика и его контрагентов, особенностей развития бизнеса в различных секторах и регионах, оказывающих влияние на банк и заемщика. Это достаточно объемный пласт как структурированной, так и не структурированной информации, включающей в себя статистическую информацию, данные из новостной ленты, биржевых сводок, интервью и публикаций на сайтах учебных заведений, информацию из зарубежных источников и т.д. В рамках традиционной аналитики этому блоку так же уделяется недостаточно внимания, тогда как модели и методы операционной аналитики позволяют создавать и использовать особые критериальные модели, разрабатываемые под определенного клиента и желательно в режиме реального времени. В указанные модели включаются разнообразные критерии, такие как отрасль, срок функционирования фирмы, категория товара, макроэкономическая ситуация в регионе присутствия клиента и его контрагентов, является ли регион донором или дотационным, состояние конкурентной среды, транспортная доступность, состояние дорог, расходы на логистику и т.д. Поэтому, чем большее количество переменных будет включено в модель, тем достовернее будет полученный на выходе результат.

Основное внимание в кредитной аналитике уделяется коэффициентному анализу и исследованию обоснованности запрашиваемой потенциальным заемщиком суммы кредита; характеру кредитуемой сделки, проводимому в основном на основании представленных клиентом документов бухгалтерской и аналитической отчетности. И в этом случае инструменты и технологии анализа больших данных могут прийти на помощь банковскому работнику. Анализируя огромный массив данных по определенным критериям, система может выявить компании – аналоги со схожей бизнес – моделью, а также аналогичные инвестиционный проекты (не обязательно связанные с кредитованием, но с аналогичным риском, доходностью, схожими денежными потоками). При этом выявленная информация анализируется на предмет выявления определенных закономерностей и статистических подтверждений, формируется некоторая математическая / регрессионная модель на основе этих данных, которая экстраполируется на анализируемую компанию.

При использовании Big Data, действует общепринятый принцип: чем больше данных – тем больше точность анализа. Представляется интересным использование для анализа информации банков о расчетах (движении денежных средств) клиентов, а также данных о количестве, стоимости и сроках поставки / выполнения работ (услуг) компаний реального сектора экономики. Предположим, что данная информация в каком – либо виде размещается банками и компаниями в сети, при этом не возникает проблем с нарушением принципов банковской и коммерческой тайны, так как информация об операциях и поставках не привязана к конкретному плательщику, получателю средств, номеру счета, поставщику и покупателю, иными словами – обезличена. Персональные данные просто исключаются из размещаемой информации, так как для Big Data совершенно не важно, кто получатель, плательщик или покупатель, важной является информация об общих суммах платежей и поставок, какой товар поставляется, какой оплачивается, сроки и периодичность оплаты / поставки, в какие регионы осуществляются платежи и поставки, назначение платежа в платежных документах. Представляется, что данная информация была бы крайне важной для создания определенной модели и оценивания с ее помощью потенциального клиента банка.

Учитывая, что концепция Big Data и ее применение в банковских технологиях еще находится в стадии формирования, сложно рассчитать экономический эффект для банка от ее использования. Но в любом случае, снижение ошибок при анализе кредитоспособности клиента, минимизация банковских рисков будут непосредственно влиять на качество кредитного портфеля банка и делать его более «здоровым».

В заключении следует отметить, что условием полезного использования больших данных в деятельности банка является поддержка его руководством новых технологий анализа и обработки больших данных, наличие сильной команды аналитиков-рисковиков, а также отсутствие ярко выраженного желания быстрого подтверждения бизнес-эффекта для кредитной организации. Грамотное использование концепции Big Data в текущей деятельности банка (не только в области анализа кредитных рисков) станет существенным конкурентным его преимуществом и будет способствовать внедрению инновационных подходов и новых коммерческих направлений в банке.

Список литературы:

  1. Мне не очень понятна необходимость хранения одних и тех же данных разными операторами // Коммерсант.ru [Электронный ресурс]. URL: https://www.kommersant.ru/doc/3385427 (дата обращения: 08.12.2017).
  2. Big Data в деле // РБК [Электронный ресурс]. URL: http://www.rbcplus.ru/news/555e7b397a8aa97cb615f209 (дата обращения: 08.12.2017).
  3. ВикипедиЯ Свободная энциклопедия // Wikipedia [Электронный ресурс]. URL: https://ru.wikipedia.org/ (дата обращения 09.11.2017).
  4. Гобарева Я.Л., Городецкая О.Ю., Кочанова Е.Р. Возможности и технологии BIGDATA для повышения качества эксплуатации CRM-систем // Транспортное дело России. 2015. №5. С.62-63.
  5. Big Data: внимание банков к соцсетям продолжает расти. Методы анализа информации в социальных сетях // Плас Журнал Pru [Электронный ресурс]. URL: http://www.plusworld.ru/journal/section_1168/section_153395/art153371/ (дата обращения: 08.12.2017).
  6. Фрэнкс Б. Революция в аналитике. Как в эпоху BIG DATA улучшить бизнес с помощью операционной аналитики. [Текст] / Билл Фрэнкс; Пер. с англ. – М.: Альпина Паблишер, 2017. – 316 с.
  7. Что такое Big data: собрали всё самое важное о больших данных // RUSBASE [Электронный ресурс]. URL: https://rb.ru/howto/chto-takoe-big-data/ (дата обращения: 08.12.2017).
  8. Волшебная палочка: зачем банкам big data // Bru [Электронный ресурс]. URL: http://www.banki.ru/news/daytheme/?id=9949915 (дата обращения: 08.12.2017).
  9. Что такое скоринг и как он работает? // Home Credit People [Электронный ресурс]. URL: http://hcpeople.ru/credit_scoring/ (дата обращения: 08.12.2017).
  10. Банковское дело. Организация деятельности коммерческого банка: учебник и практикум для академического бакалавриата / Г. Н. Белоглазова [и др.]; под ред. Г. Н. Белоглазовой, Л. П. Кроливецкой. – 3-е изд., перераб. и доп. – М.: Издательство Юрайт, 2015. – 545 с.



Московский экономический журнал 5/2017

УДК: 336.221

Bezymyannyj-12

Каширина Марина Валентиновна

доцент Департамента налоговой политики и таможенно-тарифного регулирования

Финансового университета при Правительстве Российской Федерации

Россия, г. Москва

Идрисова Мана Ахмедовна

Студентка 3 курса факультета «Налоги и налогообложение»

Финансового университета при Правительстве Российской Федерации

Россия, г. Москва

Kashirina Marina Valentinovna

associate Professor, The Department of tax policy and customs tariff regulation

Financial University under the Government of the Russian Federation

E-mail: askvm@yandex.ru

Idrisova Mana Akhmedovna

3-year student, The Faculty of Taxes and Taxation

Financial University under the Government of the Russian Federation

E-mail: msidrisova@mail.ru

АКТУАЛЬНЫЕ ВОПРОСЫ И ПЕРСПЕКТИВЫ НАЛОГООБЛОЖЕНИЯ В СТРОИТЕЛЬНОЙ ОТРАСЛИ

ACTUAL ISSUES AND PROSPECTS OF TAXATION IN THE CONSTRUCTION INDUSTRY

Аннотация: в статье приведена характеристика строительной отрасли в период выхода России из кризиса, рассмотрены особенности налогообложения в строительстве при учёте: процентов по кредитам, доходов и расходов при ликвидации основного средства, оборудования для монтажа, специальной одежды работников, обязательств при расторжении договора с дольщиком. Проведён анализ последних изменений в налоговом законодательстве и статистических данных по налоговой нагрузке и задолженности по налогам и сборам, позволяющий выделить основные проблемы налогообложения в сфере строительства. Также выявлены спорные вопросы налогообложения и приведены различные точки зрения по их решению.

Abstract: The article describes the characteristics of the construction industry in the period of Russia’s exit from the crisis, the specifics of taxation in construction are considered, including: interest on loans, incomes and expenses for the liquidation of a fixed asset, equipment for installation, special clothing for employees, obligations when terminating an agreement with an interest-holder. The latest changes in the tax legislation are analyzed and statistical data on the tax burden and tax arrears, allowing to identify the main problems of taxation in the construction sector. The disputed issues of taxation have also been revealed and various points of view on their solution have been presented.

Ключевые слова: налоговый учёт, застройщик, подрядчик, долевое строительство, налог на добавленную стоимость (НДС), налог на прибыль.

Keywords: tax accounting, developer, contractor, share construction, value-added tax (VAT), profit tax.

ВВЕДЕНИЕ

Строительство является одной из ключевых отраслей экономики, которая в значительной степени определяет темпы экономического роста страны [7]. Строительство оказывает мультипликативный эффект развития большинства смежных отраслей, таких как:

  • добыча топливно-энергетических полезных ископаемых
  • обработка древесины и производство изделий из дерева
  • химическое производство, черная металлургия
  • машиностроение
  • производство и распределение электроэнергии, газа и воды
  • связь и телекоммуникации
  • финансы и страхование
  • операции с недвижимым имуществом, предоставление услуг и прочие. Что стимулирует эти отрасли к развитию, в свою очередь усиливая экономику страны [8].

Несмотря на всю значимость строительной отрасли, в настоящее время она находится на стадии выхода из кризиса, как и экономика России в целом [10].

Средний показатель налоговой нагрузки за 2014-2016 гг. составил 12,9% от ВВП.[1] Это говорит о том, что данная отрасль является одним из факторов экономического роста страны, так как вносит значительный вклад в доходы нашего государства.

ОСНОВНАЯ ЧАСТЬ

Строительство, как и любая другая отрасль экономики, характеризуется спецификой ведения налогового учёта. Она заключается в том, что в процессе строительства наблюдается тесная взаимосвязь между выполнением работ и оказанием услуг, а также сотрудничеством организаций, которые действуют на основе различных форм гражданско-правовых договоров. При этом вопрос выбора режима налогообложения организациями и предпринимателями, занимающимися строительной деятельностью, не должен быть спонтанным и непродуманным [4]. Глава 25 «Налог на прибыль организаций» Налогового кодекса РФ не предусматривает отраслевых особенностей обложения налогом на прибыль доходов и расходов, возникающих в ходе строительства объектов недвижимости. Поэтому применяется общий порядок отражения доходов и расходов [6].  Рассмотрим некоторые особенности налогообложения в исследуемой отрасли.

1. Учёт процентов по кредитам

Учёт процентов по кредитам — это трудоемкий процесс, требующий специальных знаний и подготовки.

Налоговый учёт в данном случае заключается в нормировании расходов по кредитным процентам, то есть в выделении суммы, которую необходимо включить в расходы в целях налогообложения. Это происходит одинаково, вне зависимости от применяемого организацией налогового режима в соответствии с пп. 9 п. 1 ст.  346.16 и пп. 9 п. 2 ст. 346.5 Налогового кодекса Российской Федерации (НК РФ).

Поэтому при учёте процентов по кредитам все предприятия должны руководствоваться статьей 269 НК РФ.

Рассмотрим налоговый учёт процентов по обычному, инвестиционному и целевому кредитам подробнее.

1.1 Кредит. Обычный кредит представляет собой разовый заем, выдаваемый финансовыми организациями заемщикам (клиентам) на любые нужды.

  В налоговом учёте проценты по обычным кредитам относятся к внереализационным расходам (пп. 2 п. 1 ст. 265 НК РФ). Однако стоит отметить, что расходом является только та сумма процентов, которая начислена за фактическое время пользования средствами, взятыми в кредит.

В бухгалтерском учёте проценты (расходы) по займам относятся к прочим расходам, за исключением суммы, отнесенной на стоимость инвестиционного актива в соответствии с п. 7 Положения по бухгалтерскому учёту (ПБУ) 15/2008. Они включаются в состав прочих расходов равномерно, то есть по мере начисления в течение отчетного периода (п. 8 ПБУ 15/2008).

  1. 2 Инвестиционный кредит является целевым долгосрочным займом, выдаваемом в рамках выполнения определенных целей конкретной инвестиционной программы [1].

Налоговый учёт по процентам инвестиционного кредита не отличается от учёта процентов по обычному кредиту. Они так же относятся к внереализационным расходам. Однако, в соответствии с ПБУ 18/02, в данном случае необходимо отражать временные разницы с последующим образованием отложенного налогового обязательства, так как в налоговом учете проценты списывают раньше, чем в бухгалтерском.

И, напротив, в бухгалтерском учёте проценты по займам, предназначенным для приобретения или создания инвестиционного актива, включаются в стоимость указанного актива равномерно (пункты 7, 8 ПБУ 15/2008).

Стоит также отметить и то, что инвестиционный актив — объект имущества, характеризующийся существенными расходами по его приобретению, сооружению и изготовлению, а также продолжительным периодом подготовки к его целевому использованию.

Проценты по кредиту входят в стоимость инвестиционного актива, начиная с момента его приобретения, а прекращают в нем учитываться с 1 числа месяца, следующего за месяцем окончания строительства этого объекта. Если компания при выполнении строительных работ использует незавершенный инвестиционный объект, то проценты по кредиту в его стоимость не включаются, поскольку их надо учитывать в составе прочих расходов.

1.3 Целевой кредит (для долевого строительства).

Напомним, что долевое строительство представляет собой инвестиционную деятельность, осуществляемую строительной или инвестиционной организацией (застройщиком) путём привлечения денежных средств граждан (дольщиков) с целью строительства объекта недвижимости. Получив разрешение на ввод в эксплуатацию данного объекта, организация (застройщик) обязан передать его участникам долевого строительства (дольщикам).

Налоговый учёт. С 1 января 2017 года разрешается оплата процентов по целевому кредиту застройщика (для осуществления долевого строительства) за счёт денежных средств дольщиков [15]. Это объясняется тем, что оплата таких процентов осуществляется за счет средств целевого финансирования [14]. Более того, согласно статьям 251 (пп. 14 п. 1) и 270 (пп. 17 п. 1), они не учитываются в доходах и расходах для налога на прибыль.

Раньше, до введения новых норм в Федеральный закон №214-ФЗ, возникала следующая проблема: погашение процентов по целевым кредитам за счет средств дольщиков не признавалось целевым использованием средств. Происходило это потому, что цена договора участия в долевом строительстве не всегда могла состоять из 2 частей: 1) суммы на возмещение затрат на строительство и 2) суммы на оплату услуг застройщика. Вторую часть застройщик имел право использовать на погашение заемных средств. Однако, если в договоре цена не была разделена, то этот процесс считался нецелевым использованием средств, полученных по целевому кредиту.

Теперь с учетом дополнений, внесенных в законодательство, застройщик имеет право платить проценты по рассматриваемому кредиту за счёт средств дольщиков без деления цены договора на её составляющие.

Таким образом, в налоговом учёте проценты по данному виду кредита в расходы не включаются, поэтому никаких разниц в бухгалтерском и налоговом учетах не возникает.

Интересно то, что в бухгалтерском учёте проценты по целевому кредиту включаются в стоимость строящегося объекта, как и по инвестиционному кредиту.

Таким образом, рассмотренные особенности учёта процентов по кредитам, позволяют сделать следующие основные выводы:

  • в налоговом учёте проценты по обычному и инвестиционному кредитам включаются во внереализационные расходы, а по целевому кредиту – не учитываются в расходах для налога на прибыль;
  • в бухгалтерском учёте проценты по инвестиционному и целевому кредитам относятся на стоимость инвестиционного актива и строящегося объекта по договору долевого участия соответственно, а по обычному кредиту – включаются в прочие расходы.

2. Учёт доходов и расходов при ликвидации основного средства

Основное средство (ОС) часть имущества организации, используемая в производстве товаров, выполнении работ и оказании услуг и характеризующаяся следующими признаками:

  • стоимость составляет более 40 000 рублей (в целях применения бухгалтерского учета);
  • срок полезного использования (СПИ) – более 1 года (12 месяцев);
  • использование в коммерческой деятельности;
  • возможность принести экономические выгоды в будущем;
  • не предназначен для перепродажи.

Необходимо отметить, что с 1 января 2016 года в целях налогового учёта амортизируемым признаётся имущество с СПИ более 1 года, при этом его первоначальная стоимость увеличивается с 40 000 рублей до 100 000 рублей.

Ликвидация основного средства происходит по многим причинам: устаревание; повреждение; становление ненужным; износ до такой степени, что ремонт не имеет никакого смысла. В данном случае организация может избавиться от такого основного средства, но ей необходимо правильно отразить как расходы, так и доходы по этой операции.

Основными документами, регулирующими рассматриваемый процесс, являются письма Минфина от 25 мая 2017 г. № 03-03-05/32014 и от 18 апреля 2017 г. № 03-03-06/1/22973.

При подтверждении факта выбытия ОС необходимо также обосновать нецелесообразность его дальнейшего экономического использования. Иначе возникнут трудности признания остаточной стоимости и расходов на ликвидацию в налоговом учёте (ст. 252 НК РФ).

При ликвидации основного средства составляются следующие документы: дефектная ведомость; приказ руководителя о создании комиссии для заключения необходимости ликвидации ОС; акт о списании объекта ОС; накладная при поступлении материалов, полученных в ходе демонтажа – №М-11 [16].

Затем на основании составленного акта необходимо сделать запись о выбытии ОС в инвентарной карточке.

Что делать, если объект демонтируется сторонней организацией (подрядчиком)?  Для этого необходимо заключить договор подряда. После окончания всех необходимых работ подписывается акт сдачи-приемки выполненных работ. Организация-подрядчик должна передать компании полученные в результате демонтажа материалы по накладной, либо перечислить их в акте выполненных работ.

В бухгалтерском учёте, согласно ПБУ 6/01 и ПБУ 10/99, остаточная стоимость и затраты на демонтаж списываются в прочие расходы организации.

Полученные в ходе разборки ОС материалы необходимо принять к учету, а также включить их стоимость в прочие доходы. При выбытии ОС сформированная по приказу руководителя комиссия проводит проверку основных деталей, узлов и других составных частей ОС. Если они пригодны для ремонта, то их учитывают в составе МПЗ по рыночной цене (цена, за которую их можно приобрести с учетом износа). Следовательно, амортизация по ним не будет начисляться с 1 числа месяца, следующего за месяцем выбытия ОС.

При сносе старого здания с целью строительства на этом же месте нового, расходы на снос включаются в стоимость нового объекта, однако, его остаточная стоимость списывается на прочие расходы.

Налоговый учёт. Налог на прибыль. Согласно пп. 8 п. 1 ст. 265 НК РФ, расходы на ликвидацию ОС вместе с суммой недоначисленной амортизации списываются на внереализационные расходы. Во внереализационных доходах необходимо учесть стоимость полученных при демонтаже или разборке материалы в соответствии с пп. 13 п.1 ст. 250 НК РФ.

Стоимость работ по ликвидации ОС, выполненных сторонней организацией-подрядчиком, также включается во внереализационные расходы.

При сносе старого ОС, чтобы на его месте построить новое ОС, расходы на снос и его остаточная стоимость включается в первоначальную стоимость будущего объекта. Они формируют первоначальную стоимость нового ОС, так как являются частью расходов на его сооружение.

Налог на добавленную стоимость (НДС). При передаче подрядчиком материалов, полученных в результате демонтажа или разборки, их стоимость он НДС не облагает, так как не возникает объект налогообложения в соответствии со статьей 146 НК РФ: собственник материалов не меняется, имущественные права не передаются и не происходит реализация.

При этом, сумма НДС по работам подрядчика по демонтажу ОС принимается компанией к вычету на основании акта сдачи-приемки выполненных работ и счета-фактуры (ст.171 НК РФ).

В рамках данного налога возникает следующий вопрос: «Нужно ли восстанавливать НДС при досрочном списании основного средства в связи с его ликвидацией?»

Существуют 2 различных мнения по этому поводу:

  1. Минфин утверждает, что принятый ранее к вычету налог необходимо восстановить пропорционально остаточной стоимости, так как списанные ОС больше не будут использоваться в облагаемых НДС операциях;
  2. Судьи считают, что НДС в данном случае восстанавливать не следует. Обосновывают они это тем, что ОС было приобретено для облагаемой НДС деятельности, а, значит, приняла налог к вычету правомерно. В результате ликвидации ОС, его нельзя использовать в дальнейшем ни в какой деятельности. Такая ситуация не предусмотрена 3 пунктом статьи 170, в которой перечислены все возможные операции по восстановлению НДС.

3. Учёт оборудования для монтажа

При передаче и возврате оборудования для выполнения работ по договору строительного подряда определяющую роль играет его учёт. В целях ведения налогового учета все расходы признаются, если они экономически обоснованы, документально подтверждены и имеют связь с деятельностью, направленной на получение дохода [5].

Для начала необходимо разобраться с обеспечением строительства нужным оборудованием. Этим может заниматься как заказчик, так и подрядчик.

В случае с заказчиком — цена договора строительного подряда не будет включать издержки по приобретению оборудования, так как именно заказчик его приобретает и передает второй стороне договора. И, наоборот, в случае с подрядчиком — стоимость оборудования включается в цену договора, так как является одним из результатов выполнения соответствующих работ.

Основной документ при передаче оборудования подрядчику: акт о приеме-передаче оборудования в монтаж (форма № ОС-15).

Основной документ при сдаче работ по монтажу оборудования подрядчиком: акт о приеме-передаче (форма №КС-2).

При поставке оборудования заказчиками порядок учета зависит от того, кто им является. Возможны три случая:

  1. Заказчик – застройщик приобретает для монтажа оборудование, передает оборудование подрядчику, который отразит полученное оборудование на забалансовом счете;
  2. Заказчик – технический заказчик, приобретает оборудование – застройщик. Застройщик, как и в первом случае, учитывает приобретенное оборудование и передает его уже техническому заказчику. Оборудование поставляется на стройплощадку подрядчика и принимается в монтаж. Полученное оборудование подрядчик учитывает аналогично первому случаю;
  3. Заказчик – технический заказчик, который приобретает оборудование самостоятельно за счёт средств застройщика. Например, застройщик перечислил техническому заказчику средства на покупку оборудования для строительства объекта ОС. Технический заказчик приобрел оборудование и передал его подрядчику для монтажа.

Налоговый учёт. НДС. При приобретении ОС, требующих монтажа, организацией принимается к вычету «входной» НДС на основании предоставленных продавцами правильно оформленных счетов-фактуры, постановки ОС на учет, а также использовании их в операциях, облагаемых НДС (ст. 171, 172 НК РФ).

Минфин РФ придерживается следующего мнения: к вычету можно принять суммы НДС по ОС, требующему монтажа, сразу же после его отражения на 07 (оборудование к установке) счете, то есть не дожидаясь, его переноса на 01 (основные средства) счет.

Существует два способа проведения монтажных работ, в зависимости от которых различается учёт НДС:

  1. подрядный – когда монтажные работы выполняются сторонней фирмой. В данном случае сумму НДС по работам подрядчика можно принять к вычету сразу после отражения стоимости этих услуг на счете 08-3 (строительство ОС). Об этом сказано в п. 1 и п. 6 ст. 171, а также в п. 1 и п. 5 ст. 172 НК РФ;
  2. хозяйственный – когда такие работы организация выполняет своими силами. Тут согласно п. 1 ст. 146 НК РФ возникает объект налогообложения, поэтому сначала необходимо начислить НДС на стоимость работ, складывающуюся из всех фактических затрат на её выполнение, а затем, в этом же налоговом периоде, принять к вычету начисленный ранее НДС.

Возникает вопрос: Что же делать, если во время самостоятельного строительства были привлечены организации-подрядчики? Ответ: стоимость их услуг не учитывается в налоговой базе по НДС (ВАС РФ в Решении от 06.03.2007 г. №15182/06).

4. Учёт спецодежды

Прежде чем перейти непосредственно к учёту спецодежды, необходимо разобраться в том, что же относится к спецодежде и кому её нужно выдавать.

Для этого обратимся к Трудовому Кодексу РФ. Спецодежда представляет собой средство индивидуальное защиты (СИЗ), выдаваемое работодателями на обязательной основе сотрудникам, задействованным во вредной, опасной и грязной работе, а также работающим в особом температурном режиме.

Правила, регулирующие порядок выдачи спецодежды в строительной отрасли, регламентируются приказом Минздравсоцразвития от 16 июля 2007 г. № 477.

Выдавать работникам можно лишь сертифицированные СИЗ, поэтому при их покупке необходимо убедиться в наличии соответствующий документов. Спецодежда выдается работникам в соответствии с типовыми нормами.

Руководителям и специалистам, не принимающим постоянного участия в опасных работах и выполняющим свои должностные обязанности при посещении рабочих площадок, выдается дежурная спецодежда.

Выдача и возврат спецодежды отражаются в личной карточке учета выдачи СИЗ.

В бухгалтерском учёте СИЗ может относиться к материалам или к основным средствам в зависимости от нормативного срока носки. В первом случае она может списываться единовременно или равномерно в течение срока использования (выбранный метод необходимо указать в учетной политике компании).

Для учета средств индивидуальной защиты в составе материалов можно использовать как собственные формы первичной учетной документации с соответствующими реквизитами (п. 2 ст. 9 Федерального закона от 6 декабря 2011 г. № 402-ФЗ «О бухгалтерском учете»), так и унифицированные формы по учету материалов, утвержденных Госкомстатом России постановлением от 30 октября 1997 г. № 71а.

Если СИЗ учитывается в составе ОС, то используется 01 счет.

СИЗ списываются, в основном, по истечении срока носки, при этом, работникам выдаются новые комплекты спецодежды. Однако после стирки, чистки или ремонта старой СИЗ она может быть пригодной к использованию, и её вновь выдают сотрудникам.

В налоговом учёте спецодежда учитывается в расходах, если выполняются 2 условия:

  1. Организацией проведена специальная оценка труда или аттестация рабочих мест, которая требует выдачу соответствующей одежды;
  2. СИЗ выдается в пределах утвержденных компанией норм, либо в рамках типовых норм.

         Для включения спецодежды в состав амортизируемого имущества должны выполняться следующие условия:

  1. срок использования превышает 1 год (по типовым нормам);
  2. стоимость более 100 000 рублей.

         Иначе, спецодежду необходимо учитывать в материальных расходах при выдаче работнику в соответствии с подпунктом 3 пункта 1 статьи 254 НК РФ.

         Нужно ли начислять НДФЛ и страховые взносы со стоимости спецодежды? Не нужно, так как при передаче их в пользование не происходит передача права собственности.

         Однако возможна ситуация, когда со стоимости СИЗ начисляется НДС. Допустим, работник договорился с работодателем, что при увольнении спецодежду он оставит себе. При увольнении он должен возместить её стоимость за счёт своей зарплаты. В этом случае работодатель осуществляет реализацию товара. В соответствии с пунктом 1 статьи 146 необходимо начислить НДС.

5. Учёт обязательств при расторжении договора с дольщиком

Застройщик ведет налоговый учет доходов и расходов, связанных с оказанием услуг инвесторам (дольщикам) в рамках заключенных с ними договоров [3].

При расторжении договора с дольщиком у застройщика могут возникнуть дополнительные доходы или расходы, а также новые обязательства в виде процентов за пользование чужими деньгами, штрафов и пеней.

 Основным законом, регулирующим правила и случаи расторжения данного договора, является Федеральный закон от 30 декабря 2004 г. № 214-ФЗ.

 Правила, действующие при расторжении договора:

  1. Застройщик уплачивает дольщику проценты в размере 1/300 ставки рефинансирования – с 2016 года ключевой ставки ЦБ – (за все дни нахождения средств у застройщика) за пользование его деньгами, если он нарушил правила договора. Дольщик-гражданин получает проценты в двойном размере.
  2. Дольщик уплачивает застройщику пени в размере 1/300 ключевой ставки (на день уплаты пени) от суммы просроченного платежа по договору за каждый день просрочки, если он вовремя не внес платеж.
  3. При расторжении договора застройщиком, он должен вернуть деньги дольщику в полном размере. При этом требования по уплате неустойки к дольщику не учитываются.
  4. Если после подписания передаточного акта (например, на квартиру) и признании обязанностей сторон исполненными, дольщик обнаружит недостатки строительства, то он вправе потребовать устранить их в течение гарантийного срока (минимум 5 лет).

При расторжении договора участия в долевом строительстве возникают изменения по налогу на прибыль в отношении штрафов и пеней, которые включаются в доходы и расходы согласно правилам пункта 3 статьи 250 и подпункта 13 пункта 1 статьи 265 НК РФ, а также процентов, уплачиваемых застройщиком в пользу дольщика на основании пункта 1 статьи 269 НК РФ; по НДФЛ при получении процентов от застройщика, у дольщика возникает доход, с которого необходимо уплатить 13% ((п. 1 ст. 208; п. 1, 2 ст. 226, п. 1 ст. 224 НК РФ)[9].

Многочисленные и периодические изменения в нормативно-правовых актах и особенности в налогообложении приводят к тому, что субъекты строительной отрасли не успевают адаптироваться к ним. Также рассмотрим основные ошибки, которые совершают субъекты строительной отрасли на примере российской строительной и девелоперской компании «СУ-155». Во-первых– работа преимущественно осуществлялась на госзаказе. Изменения в составе Правительства РФ, смена министра обороны в 2012 году привела к снижению уровня госзаказов на строительство жилья и переходу на схему субсидирования. В связи с этим доля госзаказа в портфеле СУ-155 сократилась до 25% в 2015 году. Во-вторых – ориентированность на увеличение объемов строительства. В кризисный для России период руководство компании решило не сокращать объемы строительства, что привело к работе на недостаточной марже. Группа снижала цены для ускорения продаж, что способствовала уменьшению и без того невысокой прибыли. И, наконец, в-третьих – неспособность вовремя платить по счетам [16].

Одним из последствий такой политики является формирование налоговой задолженности. В 2014-2016 гг. среднее значение данного показателя в процентах к общей задолженности по налогам и сборам составило 14,1%.[2] В 2014 году этот показатель составил 13,46%, в 2015 – 14,35% и в 2016 – 14,34%. В 2015 году процент задолженности возрос, а в 2016 – хоть и незначительно, но снизился [11]. Это говорит о проблемах, существующих в рамках налогового администрирования и контроля в данной отрасли.

ЗАКЛЮЧЕНИЕ

Таким образом, можно выделить следующие основные проблемы, существующие в строительной отрасли в настоящее время:

  1. Недостаточная эффективность отрасли в целом, а также деятельности отдельных строительных компаний;
  2. Низкая надежность субъектов строительной деятельности;
  3. Довольно высокая налоговая нагрузка;
  4. Зависимость многих строительных компаний от госзаказов;
  5. Наличие больших объемов кредиторской задолженности, а также отсутствие возможности её погашения.

Для решения этих проблем авторами предлагается введение мер по стимулированию строительной отрасли в целом, таких как увеличение объемов инвестиций в реальный сектор экономики путем упорядочения, упрощения и ускорения процедуры отведения земельных участков под строительство и получения необходимой для этого документации; привлечение иностранных инвестиций путем повышения «прозрачности» информационной системы по возможным объектам прямого и долевого инвестирования, а также ликвидации криминальной среды для обеспечения безопасности зарубежных инвесторов; повышение эффективности и конкурентоспособности субъектов строительной отрасли, в том числе их надежности, путем снижения себестоимости строительства для привлечения заказчиков среднего достатка, способствования увеличению концентрации строительства, а также разработки научно обоснованной методики оценки надежности компаний.

В заключение, важно отметить, что строительная отрасль является одной из самых перспективных отраслей экономики России. Несмотря на нестабильное состояние экономики в 2014-2015 гг., строительство перешло на стадию выхода из кризиса, что подтверждают статистические данные Росстата. Как уже было сказано, одним из наиболее перспективных направлений по успешному и эффективному развитию исследуемой отрасли является привлечение большего объема инвестиций в строительный сегмент Российской Федерации.

Литература:

  1. Анищенко А.В. Что изменили в учете процентов по кредитам // Учет в строительстве, №7, 2017 г. – М.: ООО «Актион группа Главбух»;
  2. Градостроительный кодекс Российской Федерации от 29.12.2004 N 190-ФЗ (ред. от 29.07.2017) (с изм. и доп., вступ. в силу с 30.09.2017);
  3. Каширина М.В. Строительство: особенности налогообложения // Экономика. Налоги. Право. – 2015. – №3;
  4. Каширина М.В., Геворгян М.Л. Особенности применения специальных режимов налогообложения строительными компаниями // Московский экономический журнал. – 2016. – №4;
  5. Каширина М.В., Геворгян М.Л. Строительные компании: порядок налогообложения и перспективы развития // Московский экономический журнал. – 2016. – №4;
  6. Каширина М.В Проблемные вопросы налогообложения расходов на инженерные объекты у строительных компаний // Вопросы теории и практики налогообложения. Сборник научных статей. Финансовый университет. – 2016. – Выпуск 13;
  7. Каширина М.В., Тихомирова А. В. Проблемы и перспективы развития налогообложения строительного комплекса, Научно-практический журнал «Московский экономический журнал», №1, 2017 г.;
  8. Каширина М.В., Закарян Г. Г. Особенности налогообложения жилищного строительства, Научно-практический журнал “Московский экономический журнал”, №2, 2017 г.;
  9. Налоговый кодекс Российской Федерации (часть вторая) от 05.08.2000 N 117-ФЗ (ред. от 30.10.2017);
  10. Официальный сайт Федеральной службы государственной статистики: http://www.gks.ru/;
  11. Официальный сайт Федеральной налоговой службы: https://www.nalog.ru/;
  12. Официальный сайт Министерства финансов: https://www.minfin.ru/ru/;
  13. Официальный сайт РБК: https://www.rbc.ru/;
  14. Письмо Минфина от 12.05.17 № 03-03-06/1/28629;
  15. Федеральный закон от 30.12.2004 N 214-ФЗ (ред. от 29.07.2017) «Об участии в долевом строительстве многоквартирных домов и иных объектов недвижимости и о внесении изменений в некоторые законодательные акты Российской Федерации»;
  16. Хвостова С. Е. Проверьте доходы и расходы при ликвидации основного средства №8, 2017 г. – М.: ООО «Актион группа Главбух».

References:

  1. Anischenko V. A. changed the accounting of percent on the credits // Accounting in construction, No. 7, 2017 – M.: OOO «Aktion group accountant»;
  2. Urban Development Code of the Russian Federation No. 190-FZ of December 29, 2004 (as amended on July 29, 2012) (as amended and supplemented, effective from September 30, 2017);
  3. Kashirina M.V. The specifics of taxation in the construction fieild // Ekonomika. Nalogi. Pravo. – 2015. – №3;
  4. Kashirina M.V., Gevorgyan M.L. Features of specific tax regime for costruction companies // Moscow economic journal. – 2016. – №4;
  5. Kashirina M.V., Gevorgyan M.L. Construction companies: taxation and prospects of development // Moscow economic journal. – 2016. – №4;
  6. Kashirina M.V. Problemnyye voprosy nalogooblozheniya raskhodov na inzhenernyye ob”yekty u stroitel’nykh kompaniy // Voprosy teorii i praktiki nalogooblozheniya. Sbornik nauchnykh statey. Finansovyy universitet. – 2016. – Vypusk 13;
  7. Kashirina M. V., Tikhomirov A. V. Problems and prospects of taxation in the building complex, Scientific-practical magazine “Moscow journal», №1, 2017;
  8. Kashirina M. V., Zakaryan G. G. Peculiarities of taxation of housing, Scientific-practical magazine «Moscow journal», №2, 2017;
  9. The Tax Code of the Russian Federation (part two) of 05.08.2000 N 117-FZ (as amended on 30.10.2017);
  10. Official site of the Federal State Statistics Service: http://www.gks.ru/;
  11. The official website of the Federal Tax Service: https://www.nalog.ru/;
  12. Official website of the Ministry of Finance: https://www.minfin.ru/ru/;
  13. Official site of RBC: https://www.rbc.ru/;
  14. The Minfin letter from 12.05.17 № 03-03-06/1/28629;
  15. Federal Law No. 214-FZ of December 30, 2004 (as amended on July 29, 2017) «On participation in the joint construction of apartment buildings and other real estate objects and on amending certain legislative acts of the Russian Federation»;
  16. Khvostova S. E. Verify the income and expenses in the liquidation of the asset No. 8, 2017 – M.: OOО «Aktion group accountant».

 




Московский экономический журнал 5/2017

УДК 339.13

Bezymyannyj-12

Плотников Андрей Викторович,

кандидат экономических наук

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. andreiplotnikovwork@gmail.com

МАТРИЦА БОСТОНСКОЙ КОНСАЛТИНГОВОЙ ГРУППЫ: МЕТОДИКА, КВАДРАНТЫ И ОГРАНИЧЕНИЯ

THE BOSTON CONSULTING GROUP MATRIX: METHODOLOGY, QUADRANTS AND LIMITATIONS

Аннотация

В работе рассматривается построение Матрицы Бостонской Консалтинговой Группы (МБКГ), ее элементы, структура, способы их нахождения и использования. Описывается методика подготовки релевантных выводов, их эффективного применения для развития бизнеса, построение эффективной стратегии на их основе.

Summary

The paper considers the construction of the Boston Consulting Group Matrix (BCCM), what are its elements, structure, how to find and use them How the IBCC is built, what are its elements, structure, how to find them, using what information. How to draw relevant conclusions, apply effectively to maximize it for business development, build effective strategies for it. The article answers the questions posed.

Ключевые слова: матрица BCG, Матрицы Бостонской Консалтинговой Группы, МБКГ

Keywords: BCG matrix, Boston Consulting Group Matrix, MBCC

Введение

Матрица Бостонской Консалтинговой Группы – это портфельный анализ, инструментарий сравнительной оценки деятельности менеджмента и конкурентоспособности компании с целью наиболее выгодных вложений и, тем самым, сокращения невыгодных. Появился данный инструмент в конце 60-ых годов. Матрица (модель) является одним из первых аналитических инструментов анализа связей типа «рост бизнеса – доля рынка». В течение более 50 лет появилось множество работ теоретического [1-5] и практического [6-9] характера.

Основная посылка МБКГ: компания, долгосрочно обеспечивающая продуктивный прибыльный рост, обязана сгенерировать политику (механизм) извлечения доходов из бизнеса, успешного на наиболее развитых рынках, инвестируя их в новые, эволюционирующие, привлекательные сегменты, закрепляясь на них через свои успешные продукты с максимизацией устойчивых будущих доходов.[10]

Основная задача МБКГ: идентификация, ранжирование приоритетов развития ассортимента и ключевых инвестиционных направлений. Метод применим для выяснения, в какие продукты инвестиции лучше вкладывать, чтобы получать в будущем наибольшую прибыль. Это необходимо для разработки ассортиментных стратегий.

МБКГ компании дает возможность анализа, оценки бизнес-процессов, продуктов:

  • отдельных, автономных, например, логистику и рекламную деятельность, производство напитков и турбизнес;
  • продуктовых групп одного рынка, например, страхование (авто, недвижимости, жизни);
  • отдельных продуктовых единиц в рамках товарных групп, например, спрос на сноуборды. Рассматриваемые бренды сноубордов: Arbor, Burton, Nidecker, Rome, Roxy, Salomon, Dc, и другие.

МБКГ: цели, гипотезы

МБКГ базируется на двух гипотезах стратегического развития каждой бизнес-компании:

  • лидер сегмента получает преимущества перед конкурентами по издержкам, следовательно, получит и наивысшую рыночную рентабельность;
  • эффективность компания в быстрорастущем сегменте может достичь, инвестируя достаточно много в развитие продукта (товар, услуга), а при низком темпе роста – сократив расходы на продвижение, развитие продукта.

Базовые показатели МБКГ, их идентификация

Начинается построение МБКГ с поиска трех индикаторов каждой учитываемой продуктовой группы: относительной доли рынка продукта, его темпа прироста, объема запросов по данным Яндекс, учитываемых при анализе групп продукции.

Относительный показатель доли рынка находят, разделив абсолютную величину (долю) рынка продукта на долю прямого конкурента (лидирующего в сегменте). Относительную часть сегмента откладывают на горизонтальную ось, она служит показателем конкурентоспособности продукта по сегменту.

Если доля рынка продукта превышает единицу – это значит, что данный продукт характеризуется высоким рыночным положением. Наоборот, меньше единицы – у компании по продукту слабые рыночные позиции, по сравнению с лидером-конкурентом, а доля его – низка.

Темп роста рынка откладывают на вертикальную ось МБКГ, он является идентификатором насыщенности, привлекательности, развитости рынка для реализации продукта. Показатель рассчитывают, как средневзвешенное по всем сегментам рынка, где задействована компания.

Если данный показатель превышает 10%, то имеем дело с рынком, растущим (динамичным); меньше 10% – с рынком медленно эволюционирующим.

Screenshot_1

Рисунок 1. Пример МБКГ

Пример. Рассмотрим четыре условных рыночных сегмента (А, В, С, D). Средневзвешенный (веса – экспертные, вычисляемые статистически) темп роста А получаем перемножением величины годового темпа (%) и годовой емкости (руб.) с последующим делением произведения на общую емкость всех четырех рынков.

Объем продаж демонстрируется окружностью: больше радиус – больше продажи. Информацию собирают с помощью первичной статистики внутри самой компании, визуализируется, демонстрируя, на каких сегментах сконцентрированы у компании большие средства.

Квадранты МБКГ

МБКГ распределяет продуктовые группы по квадрантам. В зависимости от разбиения (квадранта) формируется стратегия компании по развитию (продвижению) продукта (группы). Каждому квадранту свойственны свои стратегические рекомендации.

Первый квадрант (носит название «вопросительные знаки», «трудные дети»). Сюда попадают бизнес-направления компании, представленные в стабильно быстрорастущих отраслях, но имеющих низкую долю рынка (иными словами, направления со слабым рыночным положением). Эти виды бизнес-процессов, деятельности потребуют высоких инвестиций для согласованного с темпом рынка роста, следует укрепить рыночное положение продукта.

Если направление попало в этот квадрант, следует решать: есть достаточные текущие ресурсы для развития, продвижения продукта на рынке? Если ответ – утвердительный, инвестиции направляются на достижение ключевых преимуществ продукта, в увеличение темпа роста. Если – отрицательный (достаточных ресурсов на продукт нет) – продукт не развивается.

Второй квадрант («звезды»). В нем располагаются направления, являющиеся передовыми в своей же отрасли (быстро растущей). Компания обязана укреплять, всячески поддерживать их, не снижая инвестиции, а наоборот, увеличивая их (если возможно по эволюционному потенциалу). «Делегируют» лучшие виды ресурсов, передовое обеспечение компании (разработки, финансы, менеджмент, персонал, время). Такой бизнес – потенциальный стабильный поставщик доходов.

Третий квадрант («дойные коровы»). Здесь – расположение направлений бизнеса с характерной для рынка высокой относительной долей. Сам рынок медленно растущий (возможно, стагнирующий). Продукты, представленные в этом квадранте – основные источники, генераторы прибыли.

Данные продукты не потребуют «мощных» инвестиций, достаточно поддерживать текущий уровень продаж. Компания сможет направлять потоки денег при реализации этих продуктов на перспективные, инновационные направления (к «звездам» или «вопросам»).

Четвертый квадрант («собаки»). В этом квадранте МБКГ – направления, у которых относительно низка доля рынка, он медленно растущий (стагнирующий, возможно). Такие направления чаще малоприбыльны, неперспективны для развития компании. Следует придерживаться стратегии работы с такими продуктами: сокращать инвестиции (возможно, даже закрывать направление), прекращать продажи продукта.

Сбалансированный МБКГ портфель

Идеален портфель, состоящий из двух групп:

  • продукты, обеспечивающие компанию свободным резервом, инвестиционным потенциалом («дойные коровы», «звезды»);
  • продукты, находящихся на этапе рыночного роста, чувствительные к инвестициям, способные обеспечивать устойчивость, эволюцию бизнеса («вопросительные знаки»).

Продукты первой группы могут обеспечить текущее функционирование компании, второй группы – потенциальные доходы, эволюцию компании.

Выводы при оценки МБКГ

При анализе МБКГ должны быть сгенерированы решения:

  • в МБКГ для каждого продукта принимается релевантная стратегия, согласованная с положением продукта в матрице (лидерство «звезд»; уход, снижение активности «собак»; инвестирование – «вопросов»; максимизация доходности – у «дойных коров»);
  • группы класса «собаки» должны быть оперативно изключены из портфеля (или быть обновлены, репозиционированы), они потянут вниз бизнес, лишат свободных резервов, съедят накопленные ресурсы;
  • при недостаточных свободных средствах (в анализируемый период) должны разрабатываться программы долгосрочного роста группы «дойных коров» («звезд»), краткосрочно – сокращен выход новых продукты (невозможно поддерживать достаточный темп их продвижения);
  • при недостатке потенциально ожидаемых средств, следует вводить больше новинок – претендентов для попадания к «звездам» («дойным коровам»).

Ограничения МБКГ

Темп роста рынка недостаточно информативный, не всегда годится для роста привлекательности. Есть иные факторы: микро, макро, барьерные. Темп роста рынка не свидетельствует о наличии долгосрочных трендов, как и прибылей. При высоком темпе роста возможна усиленная конкуренция в нише, если, например, низки входные барьеры. Это делает сегмент, отрасль бесперспективными.

Относительная доля рынка также индикатором конкурентоспособности продукта не будет – всего лишь результат приложенных раннее усилий, не гарантия лидерства по продукту.

Заключение

МБКГ предоставляет инструментарий выбора правильных направлений и портфелей инвестирования, без деталей (указаний) по реализации рассматриваемой стратегии. Инвестиции в развитие продукта без конкурентных преимуществ не всегда дают эффект.

Ситуационное моделирование на базе МБКГ даст обоснованные сценарии развития, особенного кризисного, описывающего нелинейные системы. Инструментарий используется эффективно для изучения сложно формализуемых и стохастических (структура и функции которой являются по своей сущности вероятностными) систем. Этот инструмент оптимален для моделирования, диагностики. Своевременная диагностика – важный помощник при распознании негативных тенденций. Она помогает компании уйти из зоны кризиса.

Список литературы

  1. Ioana A., Mirea V., Bălescu C. Analysis of service quality management in the materials industry using the bcg matrix method //Amfiteatru Economic Review. – 2009. – Т. 11. – №. 26. – С. 270-276.
  2. Zeithaml V. A., “Rajan” Varadarajan P., Zeithaml C. P. The contingency approach: its foundations and relevance to theory building and research in marketing //European Journal of Marketing. – 1988. – Т. 22. – №. – С. 37-64.
  3. Крипак Е. М., Шепель В. Н., Шаталова Т. Н. Методы анализа ассортиментной политики производственного предприятия //Вестник Оренбургского государственного университета. – 2012. – №. 1 (137).
  4. Воронина В. М. Прогнозирование банкротства промышленных предприятий с помощью количественных и качественных методов анализа: проблемы теории и практики //Экономический анализ: теория и практика. – 2007. – №. 18.
  5. Черников А. А., Стрелкова Л. В. Методы и модели стратегического управления предприятием //Режим доступу: http://www. unn. ru/pages/vestniki _journals/99990193_ West_econ_finans – 2004. – Т. 286. – С. 29-33.
  6. Aylesworth A., Chapman K., Dobscha S. Animal companions and marketing: Dogs are more than just a cell in the bcg matrix! //ACR North American Advances. – 1999.
  7. Рыбальченко И. Практические методы разработки и анализа товарной стратегии предприятия на основе внутренней вторичной информации //Корпоративный менеджмент.–Режим доступу: http://www. cfin. ru/marketing/quasi_bcg. shtml. – 1999.
  8. Козлова О. А., Нечаева Е. В. Анализ эффективности товарного ассортимента предприятия с помощью двухфакторной модели //Экономический анализ: теория и практика. – 2009. – №. 33.
  9. Парахина В. Н., Максименко Л. С., Панасенко С. В. Стратегический менеджмент. – М. : КноРус, 2006.
  10. Матрица Бостонской Консалтинговой Группы: подробный обзор http://powerbranding.ru/biznes-analiz/bcg/



Московский экономический журнал 5/2017

УДК 339.13

Bezymyannyj-12

Плотников Андрей Викторович,

кандидат экономических наук

доцент кафедры менеджмента

Черданцев Вадим Петрович,

доктор экономических наук, профессор,

профессор кафедры менеджмента

Черникова Светлана Александровна,

Кандидат экономических наук, доцент

зав. кафедрой менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. andreiplotnikovwork@gmail.com

Chernikova S.A. schernikova2014@yandex.ru

Cherdantsev V.P. cherdantsev.vadim@yandex.ru

АНАЛИЗ ЗАПРОСОВ И ИХ КЛАСТЕРИЗАЦИЯ

ANALYSIS OF QUERIES AND CLUSTERING

Аннотация

В работе на практическом примере показан результат кластеризации запросов согласно поисковой системе Яндекс, собранных из поисковой системы Google. Обработано 400 запросов с порогом кластеризации 2. Используя строгую кластеризацию, по результатам сформировано 121 группа (из них 108 групп, содержат два и более запроса; 13 групп, содержат 1 запрос). Данные группы можно использовать в качестве ключевых слов для создания контент-маркетинговой стратегии.

Summary

The paper considers a practical example, the result of the clustering of queries in the Yandex search system, collected from the Google search engine, is shown. As a result, 400 requests were processed with clustering threshold 2, using strict clustering, 121 groups were formed according to the results (of them 108 groups containing two or more requests, 13 groups containing 1 query). These groups can be used as keywords for creating a content marketing strategy.

Ключевые слова: контент-маркетинг, кластеризация запросов, потребительский поиск.

Keywords: content marketing, query clustering, consumer search, search engine marketing.

Введение

Российский рынок сыров испытывает нелегкий период. Недостаток сырья и технологий, слабый рубль, недобросовестная конкурентная борьба, сокращение покупательной способности населения — в подобных обстоятельствах вынуждены существовать российские производители сыров. Развитие российской сырной отрасли можно поделить на до- и после-санкционный период. Более 50% сыра было импортным [1]. Для преодоления сложного периода важно понимать о реальных нуждах потребителя и уметь агрегировать ресурсы именно на важных направлениях хозяйственной деятельности, следовательно, важно уделять внимание кластеризации потребительских запросов.

В мире проведено множество исследований и написано много работ [2-8] на тему потребительских предпочтений молочного продукта – сыра. С появлением интернет-технологий стало возможным определять частоту потребительских запросов при поиске, таким образом, собрав базу данных 9186 запросов (наблюдений) в системе Google с маской запроса «сыр», один самый высоко частотный запрос «сыр с плесенью» = 5400 запросов; низкочастотные запросы с частотой = 10 запросов в месяц. Их общее количество 1946 (шампиньоны с сыром в микроволновке, яблочный сыр купить и др.); 54 запроса с частотой 1000 и более.

Основной задачей работы ставится – проведение кластеризации запросов и определение их уровня схожести.

Если построить график со всеми данными, то получим следующее распределение (рис.1), график без выбросов (рис.2).

Screenshot_2

Рисунок 1. Распределение всех запросов по маске «сыр»

Screenshot_3

Рисунок 2. Распределение запросов (без учета высоко частотных (более 1000) и низкочастотных запросов (10 и менее)

Это говорит нам о большом количестве низкочастотных запросов с частотой менее 100 запросов в месяц. Визуально изобразим запросы с частотой от 10 до 90 в месяц на графике (рис. 3)

Screenshot_4

Рисунок 3. Распределение запросов с частотностью 10-90

Исходя из рис.1,2,3 можно сделать вывод, что наиболее часто встречающиеся запросы находятся в диапазоне 10-90 запросов/мес., которые примерно равны между собой внутри этой группы и разница некоторых запросов составляет 3 раза (запросов с частотой 10 шт./мес. больше примерно в 3 раза, чем запросы с частотностью 90 шт./мес.).

Screenshot_5

Рисунок 4. Распределение по количеству запросов в каждой группе

На рис. 4 визуализирована группировка запросов, имеющая частоту от 10 до 90 шт./мес. на каждый запрос, где самая большая группа имеет 647 запросов, с основным интентом (намерение потребителя) поиск рецепта. Группа с количеством 331 запросов (купить) и группа с количеством 250 запросов (цена) – коммерческие, где основной интент связан с приобретением сыра или сырного продукта. Детально проанализируем эти группы запросов далее. Основные запросы сконцентрированы на информационных интентах, направленных на получение информации о способах приготовления различных сыров, а также блюд, в составе, которых содержится сыр.

Screenshot_6

Рисунок 5. Результат описательной статистики запросов

На рис. 5 показан график с результатами описательной статистики (среднее, медиана, выбросы). График показывает, что у всех групп запросов примерно одинаковые показатели, разнящиеся на 10-20 единиц. Это подтверждает рис.1 о примерном частотном равенстве ключевых запросов.

Проанализируем две группы запросов (купить и цена), где учтем в и средне и высоко частотные запросы. Разобьём их на кластеры согласно интентам пользователей, ориентируясь на результаты Топ-10 в поисковой выдаче Яндекс в регионе Москва (необходимо учитывать, что Москва является самым конкурентным регионом, в котором ранжируются сайты с проработанными семантическими ядрами).

Результаты по 1-й группе (купить): обработано 346 запросов с порогом кластеризации 2, используя строгую кластеризацию, по результатам сформировано 190 групп (из них 79 групп содержат два и более запроса; 111 групп содержат 1). Интерес представляют запросы 79 групп, которые можно визуализировать на рис.5

Screenshot_7

Рисунок 6. Визуализация кластера «купить»

Внутренний круг на рис.6 означает номер кластера, внешний круг означает запросы, которые входят в кластеры. Далее проведем кластеризацию запросов со словом «цена». Результаты по 2-й группе (цена): обработано 276 запросов с порогом кластеризации 2, используя строгую кластеризацию, по результатам кластеризации сформировано 168 групп (из них 57 групп содержат два и более запроса; 111 групп содержат 1 запос). Интерес представляют запросы 57 групп, которые можно визуализировать на рис.7. На рис.7, аналогично рис.6 внутренний круг означает номер кластера, внешний круг означает запросы, входящие в кластеры.

Интересно объединить запросы из двух круговых диаграмм и провести совокупную кластеризацию и посмотреть на результат.

Screenshot_8

Рисунок 7. Визуализация кластера «цена»

Screenshot_9

Рисунок 8. Визуализация кластера «купить-цена»

Заключение

Итоговые результаты по общей группе (купить-цена) следующие: обработано 400 запросов с порогом кластеризации 2, используя строгую кластеризацию, по результатам кластеризации сформировано 121 групп (из них 108 групп содержат два и более запроса; 13 групп содержат 1 запрос). Интерес представляют запросы 108 групп, которые можно визуализировать на рис.8. Стоит также отметить, что между собой перемешались поисковые запросы из двух групп (купить и цена) в 27 кластерах.

Данный результат иллюстрирует нам о необходимости кластеризации запросов при составлении семантического ядра сайта.

Список литературы

  1. Рынок сыра после эмбарго: рост производства пошел на спад http://www.agroinvestor.ru/markets/article/25832-rynok-syra-posle-embargo/
  2. Sakovitz-Dale J. Vermont Farmstead Cheese Marketing Study //Vermont Housing. – 2006.
  3. Grannis J., Hine S., Thilmany D. Marketing premium food products in emerging economies: the case of Macedonian cheese //Journal of International Food & Agribusiness Marketing. – 2003. – Т. 13. – №. 2-3. – С. 59-76.
  4. Wilkinson M. G. et al. Marketing cheese with a nutrient message: Dairy nutrition for a healthy future //Bulletin-International Dairy Federation. – 2001. – №. 363. – С. 39-45.
  5. Haller L. E. et al. Branded product marketing strategies in the cottage cheese market: cooperative versus proprietary firms. – Food Marketing Policy Center, Department of Agricultural and Resource Economics, University of Connecticut, 1992.
  6. Paxson H. Locating value in artisan cheese: reverse engineering terroir for new‐world landscapes //American Anthropologist. – 2010. – Т. 112. – №. 3. – С. 444-457.
  7. Dossou S. A. R., Aoudji A. K. N., Ad&egbidi A. Processing of local agricultural products to meet urban demand: Lessons from soybean cheese consumption analysis in Southern Benin //African Journal of Marketing Management. – 2017. – Т. 9. – №. 8. – С. 133-143.
  8. Imami D. et al. Albanian Consumer Preferences for the use of Powder Milk in Cheese-Making: A Conjoint Choice Experiment //Agricultural Economics Review. – 2016. – Т. 17. – №. – С. 20



Московский экономический журнал 5/2017

УДК 336.115+65.011.2

Bezymyannyj-12

Гусев Владислав Борисович

к.ф.-м.н., в.н.с. ИПУ РАН, г. Москва, Е-mail: gusvbr@ipu.ru

Исаева Наталья Александровна

ктн, с.н.с. ИПУ РАН, г. Москва, Е-mail: nat_i@ipu.ru

Vladislav GusevNatalya Isaeva

Анализ факторов взаимодействия экономической системы с внешним окружением

Analysis of the interaction factors of economic system with the external environment

Аннотация: Рассматривается экспертная модель экономической системы, взаимодействующей с внешним миром. С ее помощью исследуются условия устойчивого развития системы с акцентом на факторы ее взаимодействия и развития в условиях глобализации и автономного развития. При анализе модели экспертные оценки интерпретируются в терминах многозначной логики. Полные оценки влияния оцениваются с помощью транзитивного замыкания примитивных связей, которое выполняется рефлексивными процедурами, использующими логические реализации операций над оценками.

Summary. The expert model of the economic system, which interacts with the external world, is examined. With its aid the conditions for the steady development of system with the accent to the factors of its interaction and development under the conditions for globalization and autonomous development are investigated. With the analysis of model expert estimations are interpreted in the terms of multiplevalued logic. Full evaluations of influence are evaluated with the aid of the transitive closing of primitive connections, which are carried out by the reflexive procedures, which use the logical realizations of the operations above the estimations.

Ключевые слова: экспертная модель экономической системы, глобализация и автономное развитие, условия устойчивого развития, многозначный логический вывод.

Keywords: the expert model of economic system, globalization and autonomous development, the condition for steady development, many-valued logical conclusion.

Введение

Проблемы взаимодействия экономической системы с внешним окружением возникают в ряде ситуаций. На региональном уровне они имеют место при выборе долговременной стратегии развития и ее реализации. На уровне государства чаще всего эти проблемы имеют политический, исторический, природный характер. Неопределенность, присущая внешним факторам, может быть причиной экономической нестабильности. Однако изоляция от них также нежелательна, ограничивая возможности кооперации хозяйственных процессов. Целью работы является анализ условий экономического роста в условиях неблагоприятных внешних условий, использующий экспертные данные и процедуры многозначной логики.

Действие одних факторов на другие затрагивает различные аспекты. В результате сложения эффекта от всех цепочек воздействий, исходящих от каждого фактора-причины и заканчивающихся факторами-следствиями, формируется системный эффект, определяемый полной совокупностью возникающих косвенных связей. Получаемые в результате анализа полные оценки степени взаимовлияний факторов можно использовать при сравнении различных сценариев развития с целью выбора управляющих воздействий при планировании.

Принятие решений при управлении сложными объектами требует учета большого числа одновременно действующих факторов. Поскольку исчерпывающий количественный анализ всего действующего набора этих факторов весьма затруднителен, имеет смысл исследовать их системное влияние на качественном уровне с применением моделей причинно-следственных влияний и методов сценарного анализа [1, 2]. Исходная система взаимных влияний в результате рефлексивного наложения всех косвенных воздействий формирует систему полных влияний как их транзитивное замыкание [3]. При принятии решений можно выбирать интерпретацию применяемых числовых данных, как оценки интенсивности взаимодействия факторов. Конкретный аспект взаимодействия обладает своей спецификой и требует соответствующего математического аппарата.

Результаты рефлексий оценок взаимодействий могут быть использованы в качестве подсказок при рациональном выборе набора управляющих факторов и принятии решений в ситуации, когда требуется учитывать значения более одного критерия [4, 5]. Наряду с эконометрическими подходами [6] приведенное исследование режимов долгосрочного развития с помощью экспертной модели экономической системы можно интерпретировать в терминах исследования возможных путей структурных преобразований экономики при выходе из режима спада, как в условиях глобализации управления, так и в условиях автономного развития.

1.     Экспертная модель взаимодействия экономической системы с внешним окружением

Рассматривается экспертная модель экономической системы, взаимодействующей с внешним миром. С ее помощью исследуются условия устойчивого развития системы с акцентом на факторы ее взаимодействия с внешней средой. Приведенное исследование режимов долгосрочного развития с помощью экспертной модели экономической системы можно интерпретировать в терминах исследования возможных путей структурных преобразований экономики при выходе из режима спада, как в условиях глобализации управления, так и в условиях автономного развития.

Пусть факторы взаимодействия экономической системы могут быть представлены в виде следующей структуры (рис.1).

Screenshot_1

Рис. 1. Структура факторов взаимодействия экономической системы

Оценка влияния характеризует степень и знак воздействия прироста управляющего фактора на изменение управляемого фактора, выраженную в балльной шкале. Запись зависимостей использует следующий формат. Слева от знака равенства стоит название управляемого фактора. Справа от знака – выражение с управляющими зависимостями, снабженными экспертными оценками влияния в диапазоне от -10 до 10, соединенными знаками логических операций: ˅ – дизъюнкция, ^ – конъюнкция. При расчетах были получены оценки транзитивного замыкания исходных влияний.

Рассмотрим экспертные предположения и их формализованную запись с конкретизацией оценок взаимовлияния факторов.

Внутренние факторы:

Импорт растет при увеличении Оборотных средств и увеличении Глобализации управления.

Импорт  = 8(Оборотные средства) v 4(Глобализация управления)

Оборотные средства  уменьшаются при нарастании Экономических рисков и растут при увеличении Экспорта.

Оборотные средства = -6(Экономические риски) v 9 (Экспорт)

Основные средства растут при увеличении Оборотных средств и уменьшаются при  нарастании Техногенных рисков.

Основные средства = 6(Оборотные средства) v -4(Техногенные риски)

Локализация управления растет при увеличении Оборотных средств, а также при увеличении Основных средств и уменьшается при росте Разделения труда.

Локализация управления = 7(Оборотные средства) v 5(Основные средства) v -3(Разделение труда)

НТП растет при увеличении Оборотных средств, а также при Локализации управления.

НТП = 3(Оборотные средства) v 5(Локализация управления)

Внешние факторы:

Техногенные риски растут с увеличением Основных средств, уменьшаются с ростом Локализации управления и НТП.

Техногенные риски = 6(Основные средства) v -3(Локализация управления) v -5(НТП)

Экономические риски растут с увеличением Техногенных рисков и уменьшаются с ростом Локализации управления, НТП, Разделения труда, Эффекта масштабирования.

Экономические риски = -5(Локализация управления) v -5(НТП) v 8(Техногенные риски) v -5(Эффект масштабирования) v  -3(Разделение труда)

Внешние интересы растут с увеличением Импорта, НТП, Экспорта, Эффекта масштабирования, Разделения труда и уменьшаются с ростом Локализации управления.

Внешние интересы = 6(Импорт) v -4(Локализация управления) v 4(НТП) v 5(Экспорт) v 7(Эффект масштабирования) v 8(Разделение труда)

Факторы кооперации:

Экспорт растет при увеличении Внешних интересов и Глобализации управления.

Экспорт = 7(Внешние интересы) v 6(Глобализация управления)

Глобализация управления увеличивается при росте Внешних интересов, Экспорта, Разделения труда и уменьшаются с ростом Локализации управления.

Глобализация управления = -9(Локализация управления) v 8(Внешние интересы) v 5(Экспорт) v 8(Разделение труда)

Эффект масштабирования растет при увеличении Глобализация управления, Разделение труда и уменьшаются с ростом Локализации управления.

Эффект масштабирования = -5(Локализация управления) v 8(Глобализация управления) v 7(Разделение труда)

Разделение труда растет при увеличении Глобализации управления и уменьшаются с ростом Локализации управления.

Разделение труда = -3(Локализация управления) v 7(Глобализация управления)

1.     Прогнозные оценки на основе экспертной модели развития страны в условиях глобализации.

Результаты расчета транзитивного замыкания влияний представлены в таблице 1.

Таблица 1. Результат расчета транзитивного замыкания влияний

Screenshot_2

Диагональные элементы этой таблицы позволяют судить о долгосрочной тенденции изменения состояния факторов: положительные значения – рост, отрицательные значения – уменьшение или стабилизация.

Тенденцию роста имеют: Импорт, НТП, Внешние интересы, Глобализация управления, Эффект масштабирования, Разделение труда.

Тенденцию стабилизации имеют: Оборотные средства, Основные средства, Локализация управления, Техногенные риски, Экономические риски, Экспорт.

Этот режим имеет признаки стагнации и спада в условиях глобализации. Изменение значений некоторых коэффициентов влияния при том же характере зависимостей позволяет кардинально изменить качественную картину долгосрочной тенденции. Изменяемые соотношения схемы представлены ниже.

  • Уменьшено отрицательное влияние фактора Экономические риски на факторы Оборотные средства и Основные средства.

Оборотные средства = -4(Экономические риски) v 9(Экспорт)

Основные средства = 6(Оборотные средства) v -4(Техногенные риски)

  • Уменьшено положительное влияние фактора Оборотные средства на фактор Локализация управления.

Локализация управления = 5(Оборотные средства) v 5(Основные средства) v -3(Разделение труда)

  • Уменьшено положительное влияние факторов Внешние интересы и Глобализация управления на фактор Экспорт.

Экспорт = 4(Внешние интересы) v 4(Глобализация управления)

Результаты расчета транзитивного замыкания этого варианта влияний представлены в таблице 2.

Таблица 2. Результат расчета транзитивного замыкания влияний

Screenshot_3

В этом случае тенденцию к убыванию имеет только один факторЭкономические риски. Такой режим можно характеризовать как режим роста в условиях глобализации.

Режим автономного развития реализуется при схеме взаимовлияний факторов, имеющей ряд отличий от схемы роста в условиях глобализации. Схема автономного развития получена из схемы роста с помощью процедур верификации. Сравнение этих схем представлено в таблице 3, где подчеркнуты элементы, различающиеся в одной и другой схемах.

Таблица 3. Сравнение схем роста в условиях глобализации и автономного развития.

Screenshot_4

Отличия между приведенными схемами относятся как к наличию или отсутствию отдельных факторов в уравнениях связи, так и к оценкам влияния факторов. Схема автономного развития далее взята за основу для анализа и долгосрочного прогнозирования последствий структурных изменений

1.     Прогнозные оценки на основе экспертной модели автономного развития страны.

Результаты расчета транзитивного замыкания варианта влияний  для схемы автономного развития представлены в следующей таблице.

Таблица 4. Результат расчета транзитивного замыкания влияний для схемы режима автономного развития.

Screenshot_5

Этот режим характеризуется устойчивым ростом факторов:  Импорт, Оборотные средства, Основные средства, Локализация управления, НТП, Техногенные риски, Экспорт, Разделение труда, Внешние интересы.

Нулевую тенденцию к росту имеют факторы: Экономические риски, Глобализация управления, Эффект масштабирования.

Таким образом, полученный режим может характеризоваться как рост в условиях локализации управления хозяйственной деятельностью.

Система переходит к режиму устойчивого роста в условиях глобализации управления при каждом из следующих изменений коэффициентов влияния.

  • Уменьшение коэффициента влияния фактора Разделение труда на фактор Импорт.
  • Увеличение степени (абсолютной величины коэффициента) отрицательного влияния фактора Экономические риски на фактор Оборотные средства.
  • Увеличение степени отрицательного влияния фактора Эффект масштабирования на фактор Экономические риски.
  • Увеличение степени отрицательного влияния фактора Локализация управления на фактор Глобализация управления.
  • Уменьшение коэффициента влияния фактора Глобализация управления на фактор Эффект масштабирования.
  • Уменьшение степени отрицательного влияния фактора Разделение труда на фактор Локализация управления.
  • Увеличение коэффициента влияния фактора Оборотные средства на фактор Локализация управления.

Анализ условий перехода автономно развивающейся системы из режима спада в режим роста проводился аналогичным методом. Условия обратного перехода в режим спада определены путем вариации коэффициентов схемы и заключаются в следующем.

Общее условие – увеличение коэффициента влияния фактора Техногенные риски на фактор Основные средства с -3 до -1.

Ниже дан полный перечень условий, любое из которых приводит к спаду.

  • Увеличение коэффициента влияния фактора Экономические риски на фактор Оборотные средства с -5 до -3.
  • Увеличение коэффициента влияния фактора Основные средства на фактор Техногенные риски с 3 до 5.
  • Увеличение коэффициента влияния фактора Локализация управления на фактор Экономические риски с -5 до -3.

Таким образом, достаточное условие перехода автономно развивающейся системы из режима спада в режим роста – одновременное выполнение следующего набора требований.

  • Уменьшение степени отрицательного влияния фактора Техногенные риски на фактор Основные средства
  • Увеличение степени отрицательного влияния фактора Экономические риски на фактор Оборотные средства.
  • Уменьшение коэффициента влияния фактора Основные средства на фактор Техногенные риски.
  • Увеличение степени отрицательного влияния фактора Локализация управления на фактор Экономические риски.

Нетрудно видеть, что перечисленные условия образуют замкнутую цепочку зависимостей, что обуславливает положительную обратную связь и устойчивый характер позитивного эффекта.

Заключение

На основе экспертных моделей с переменными многозначной логики проанализировано влияние различных условий функционирования экономической системы на характер ее развития. В рамках используемых моделей рассмотрены признаки устойчивого роста. Получены прогнозные оценки развития страны в условиях глобализации и автономного развития. В условиях глобализации исследован режим, имеющий признаки стагнации и спада, а также режим роста. Для экспертной модели автономного развития страны исследованы режим ограниченного роста в условиях локализации управления хозяйственной деятельностью, а также режим устойчивого роста по ряду факторов, характеризующих состояние экономической системы. Рассмотрены условия обратного перехода в режим спада. Анализ этих вариантов методом рефлексий в многозначной логике показал, что рост в условиях локализации управления хозяйственной деятельностью возможен при выполнении определенного набора требований.

Литература

  1. Гусев В.Б. Принятие решений в сильносвязанных структурах взаимодействия факторов и следствий / В.Б. Гусев // Конгресс по интеллектуальным системам и технологиям «AIS-IT’10»: труды конгресса. Научное издание в 4-х томах. – М.: Физматлит, 2010. – Т. 1. – С. 124-130.
  2. Саати Томас Л. Принятие решений при зависимостях и обратных связях: Аналитические сети. Пер. с англ. / Томас Л. Саати; науч. ред. А.В. Андрейчиков, О.Н. Андрейчикова. Изд. 2-е. – М.: Книжный дом «ЛИБРОКОМ», 2009. – 360 с.
  3. Гусев В.Б., Исаева Н.А. Анализ влияния нематериальных активов на инновационные процессы // Московский экономический журнал. 2016. №4. С. http://qje.su/innovatsii-i-modernizatsiya/moskovskij-ekonomicheskij-zhurnal-4-2016-32/.
  4. Гусев В.Б., Исаева Н.А. Экспертный анализ системного эффекта от взаимовлияний факторов кредитно-денежной политики для поддержки принятия решений на основе рефлексивных процедур линейного оценивания и логического вывода / В.Б. Гусев, Н.А. Исаева // Проблемы управления. – 2014. – № 6. – С. 59-67.
  5. Гусев В.Б., Павельев В.В. Использование непрерывных шкал при оценивании и принятии решений в сложных проблемных ситуациях: научное издание / В.Б. Гусев, В.В. Павельев. – М.: ИПУ РАН, 2013. – 118 с.
  6. Антипов В.И., Пащенко Ф.Ф. Экспериментальный прогноз ВВП. Проблемный анализ и государственно- управленческое проектирование. Вып.№1,Том 4 (М.: 2011) с.52-67.

References

  1. Gusev V.B. Prinyatie reshenii v sil’nosvyazannyh strukturah vzaimodeistviya faktorov i sledstvii / V.B. Gusev // Kongress po intellektual’nym sistemam i tehnologiyam «AIS-IT’10»: trudy kongressa. Nauchnoe izdanie v 4-h tomah. – M.: Fizmatlit, 2010. – T. 1. – S. 124-130.
  2. Saati Tomas L. Prinyatie reshenii pri zavisimostyah i obratnyh svyazyah: Analiticheskie seti. Per. s angl. / Tomas L. Saati; nauch. red. A.V. Andreichikov, O.N. Andreichikova. Izd. 2-e. – M.: Knizhnyi dom «LIBROKOM», 2009. – 360 s.
  3. Gusev V.B., Isaeva N.A. Analiz vliyaniya nematerial’nyh aktivov na innovacionnye processy // Moskovskii ekonomicheskii zhurnal. 2016. №4. S. http://qje.su/innovatsii-i-modernizatsiya/moskovskij-ekonomicheskij-zhurnal-4-2016-32/.
  4. Gusev V.B., Isaeva N.A. Ekspertnyi analiz sistemnogo effekta ot vzaimovliyanii faktorov kreditno-denezhnoi politiki dlya podderzhki prinyatiya reshenii na osnove refleksivnyh procedur lineinogo ocenivaniya i logicheskogo vyvoda / V.B. Gusev, N.A. Isaeva // Problemy upravleniya. – 2014. – № 6. – S. 59-67.
  5. Gusev V.B., Pavel’ev V.V. Ispol’zovanie nepreryvnyh shkal pri ocenivanii i prinyatii reshenii v slozhnyh problemnyh situaciyah: nauchnoe izdanie / V.B. Gusev, V.V. Pavel’ev. – M.: IPU RAN, 2013. –118 s.
  6. Antipov V.I., Pashenko F.F. Eksperimental’nyi prognoz VVP. Problemnyi analiz i gosudarstvenno- upravlencheskoe proektirovanie. Vyp. 1,Tom 4 (M.: 2011) s.52-67.

Реферат

Рассматривается экспертная модель экономической системы, взаимодействующей с внешним миром. С ее помощью исследуются условия устойчивого развития системы с акцентом на факторы ее взаимодействия и развития в условиях глобализации и автономного развития. При анализе модели экспертные оценки интерпретируются в терминах многозначной логики. Полные оценки влияния оцениваются с помощью транзитивного замыкания примитивных связей, которое выполняется рефлексивными процедурами, использующими логические реализации операций над оценками.

На основе экспертных моделей с переменными многозначной логики проанализировано влияние различных условий функционирования экономической системы на характер ее развития. В рамках используемых моделей рассмотрены признаки устойчивого роста. Получены прогнозные оценки развития страны в условиях глобализации и автономного развития. В условиях глобализации исследован режим, имеющий признаки стагнации и спада, а также режим роста. Для экспертной модели автономного развития страны исследованы режим ограниченного роста в условиях локализации управления хозяйственной деятельностью, а также режим устойчивого роста по ряду факторов, характеризующих состояние экономической системы. Рассмотрены условия обратного перехода в режим спада. Анализ этих вариантов методом рефлексий в многозначной логике показал, что рост в условиях локализации управления хозяйственной деятельностью возможен при выполнении определенного набора требований.

Summary

The expert model of the economic system, which interacts with the external world, is examined. With its aid the conditions for the steady development of system with the accent to the factors of its interaction and development under the conditions for globalization and autonomous development are investigated. With the analysis of model expert estimations are interpreted in the terms of multiplevalued logic. Full evaluations of influence are evaluated with the aid of the transitive closing of primitive connections, which are carried out by the reflexive procedures, which use the logical realizations of the operations above the estimations.

The influence of the varied conditions of the functioning of economic system on the nature of its development is analyzed on the basis of expert models with the variables of multiplevalued logic. The within the framework utilized models are examined the signs of steady increase. Are obtained the forecast estimations of the development of the country under the conditions for globalization and autonomous development. Under the conditions of globalization is investigated the regime, which has the signs of stagnation and decrease, and also the regime of increase. For the expert model of autonomous development the countries are investigated the regime of the limited increase under localization conditions for control by economic activity, and also the regime of steady increase on the number of the factors, which characterize the state of economic system. The conditions for reverse passage into the regime of the decrease are examined. The analysis of these versions by the method of reflections in multiplevalued logic showed that the increase under localization conditions for control by economic activity was possible with fulfilling of specific collection of requirements.