РОССИЙСКАЯ АКАДЕМИЯ НАУК
ОТДЕЛЕНИЕ ОБЩЕСТВЕННЫХ НАУК
УЧРЕЖДЕНИЕ РОССИЙСКОЙ АКАДЕМИИ НАУК
ЦЕНТРАЛЬНЫЙ ЭКОНОМИКО-МАТЕМАТИЧЕСКИЙ ИНСТИТУТ РАН
УЧРЕЖДЕНИЕ РОССИЙСКОЙ АКАДЕМИИ НАУК
САНКТ-ПЕТЕРБУРГСКИЙ
ЭКОНОМИКО-МАТЕМАТИЧЕСКИЙ ИНСТИТУТ РАН
МЦСЭИ “ЛЕОНТЬЕВСКИЙ ЦЕНТР”
РОССИЙСКИЙ ФОНД ФУНДАМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ

МОДЕЛИРОВАНИЕ В ЗАДАЧАХ
ГОРОДСКОЙ И РЕГИОНАЛЬНОЙ ЭКОНОМИКИ
Материалы Всероссийской конференции,
посвященной 75-летию со дня рождения
первого директора СПб ЭМИ РАН,
заместителя председателя Президиума СПб НЦ РАН,
профессора Бориса Львовича Овсиевича
(1936-1997)
24-25 октября 2011 года

Санкт-Петербург
2011

УДК 33+519.8
ББК 65В6

Моделирование в задачах городской и региональной экономики:
Материалы Всероссийской конференции, посвященной 75-летию со
дня рождения первого директора СПб ЭМИ РАН, заместителя председателя Президиума СПб НЦ РАН, профессора Бориса Львовича Овсиевича
24–25 октября 2011 года. — СПб. : Нестор-История, 2011. — 236 с.
Сборник содержит материалы, представленные на Всероссийскую конференцию «Моделирование в задачах городской и региональной экономики», проводимую Санкт-Петербургским экономико-математическим
институтом РАН. Все материалы публикуются в авторской редакции.

Проведение конференции и издание материалов
осуществлено при поддержке
Российского фонда фундаментальных исследований
(проект № 11-06-06130-г)

© Авторы статей, 2011
© Санкт-Петербургский
экономико-математический
институт РАН, 2011

Эконометрические модели принятия решений фирмами относительно
места расположения и участия во внешнеэкономической деятельности1.
К.С. Акушевич1, Ф.А. Ущев2
1
СПбГУЭФ (Финэк)
1191023,Санкт-Петербург, ул. Садовая, д. 21, akushevich@gmail.com
2НИУ ВШЭ, СПб
190008 Санкт-Петербург, ул. Союза Печатников, д. 16 ph.ushchev@gmail.com

Ключевые слова: discrete choice, new economic geography, spatial economy, location models

В последние десятилетия получили мощное развитие такие области
экономической науки, как экономическая география и теория международной
торговли [1,2]. Теоретическая литература по так называемой «новой»
экономической географии, основанной на теории общего равновесия, породила
не менее обширную эмпирическую литературу. В частности, в настоящее время
активно ведутся эконометрические исследования выбора фирмами места
расположения и экспортного статуса фирм. В том числе, такие исследования
проводятся и на российских данных [4], однако их пока сравнительно немного.
В работе решаются две родственные по постановке задачи:
 Задача

построения

российскими

фирмами

эконометрической
решений

по

модели
поводу

принятия
участия

во

внешнеэкономической деятельности;
 Задача

построения

эконометрической

модели

принятия

российскими фирмами решений по поводу места расположения.
Используются данные по российским предприятиям, полученные в течение
2008-2009 гг. в рамках четвертого круга Исследования Бизнес Среды и Деятельности
Предприятий (Business Environment and Enterprise Performance Survey).
В связи с первой задачей тестировались следующие основные гипотезы:
 экспортеры в среднем отличаются большей эффективностью, что
выражается в больших значениях прибыли и рентабельности;
 предприятия, ориентированные на домашний рынок, меньше по объему
используемых капитальных средств и по размеру численности персонала;
 экспортеры отличаются от неэкспортеров более высокой квалификацией
персонала;
1

Исследование осуществлено в рамках программы фундаментальных исследований НИУ ВШЭ в 2011 г.

3

 фирмы, вовлеченные в международную торговлю, более склонны к
инвестированию в новые проекты.
Зависимой

переменной

является

переменная

«экспортный статус»,

определяемая следующим образом:

0, i  A,

yi   1, i  B,
 2, i  C.

Здесь A – множество индексов тех фирм, которые не экспортируют, B –
множество индексов фирм, в незначительной степени ориентированных на
экспорт, C – множество индексов фирм, в основном ориентированных на экспорт.
На множестве значений переменной «экспортный статус» определено
естественное

отношение

порядка.

Поэтому

подходящей

для

решения

поставленной задачи модельной структурой является упорядоченная модель
дискретного выбора (ordered discrete choice model, далее ODCM) [3]. В моделях
такого типа вводится в рассмотрение латентная переменная y*, связанная с
экспортным статусом фирмы следующим образом:
yi* < c1  yi = 0,
c1 < yi* < c2  yi = 1,
yi* < c2  yi = 2.
Переменную y* естественно интерпретировать как экспортный потенциал
фирмы. Величины c1,2 представляют собой пороговые значения экспортного
потенциала, при достижении которых фирма переходит из одной категории в
другую. Эти параметры не определены заранее, они определяются в ходе
процедуры оценивания модели.
Предполагается, что экспортный потенциал y* связан с перечисленными в
сформулированных выше гипотезах факторами линейной регрессионной
зависимостью:
yi* = βxi + εi,
εi ~ iid(0,σ2).
4

В зависимости от предположений по поводу типа распределения ошибки εi
получаются различные модификации ODCM. В работе использовались
упорядоченная логит-модель и упорядоченная пробит-модель. В этих моделях
ошибки предполагаются распределенными, соответственно, по логистическому
и нормальному законам.
Примеры результатов оценивания ODCM приведены в табл. 1,2.
Таблица 1. Результат оценивания упорядоченной логит-модели экспортного

статуса фирмы, регрессоры: earn – прибыль, r1 – рентабельность
активов, r2 – рентабельность продаж, r3 – рентабельность затрат.
Ordered logistic regression

Number of obs
LR chi2(4)
Prob > chi2
Pseudo R2

Log likelihood = -136.63653
exp_stat

Coef.

Std. Err.

earn
r1
r2
r3

1.46e-09
-.0013398
-.0011076
-.1798546

5.63e-10
.0025622
.0032475
.5578479

/cut1
/cut2

1.265441
2.397336

.2240695
.292526

z
2.60
-0.52
-0.34
-0.32

P>|z|
0.009
0.601
0.733
0.747

=
=
=
=

204
10.37
0.0347
0.0365

[95% Conf. Interval]
3.58e-10
-.0063617
-.0074726
-1.273216

2.57e-09
.0036821
.0052573
.9135071

.8262725
1.823996

1.704609
2.970677

Таблица 2. Результат оценивания упорядоченной логит-модели экспортного

статуса фирмы, регрессоры: rd – объем инвестиций в исследования и
разработки, invest – прочие инвестиции.
Ordered logistic regression

Number of obs
LR chi2(2)
Prob > chi2
Pseudo R2

Log likelihood = -218.14509
exp_statfin

Coef.

Std. Err.

rd
invest

1.51e-08
3.10e-09

6.63e-09
1.53e-09

/cut1
/cut2

1.307761
2.507555

.1423281
.210784

z
2.27
2.02

=
=
=
=

318
14.51
0.0007
0.0322

P>|z|

[95% Conf. Interval]

0.023
0.043

2.05e-09
9.82e-11

2.81e-08
6.10e-09

1.028803
2.094426

1.586719
2.920684

Из табл. 1-2 можно видеть, что некоторые из сформулированных выше
гипотез, по крайней мере, частично подтверждаются.
При решении второй задачи основное внимание уделялось анализу
различий

отраслевой

структуры

фирм,

расположенных

в

различных

федеральных округах. Поскольку при выборе места расположения множество
5

возможных альтернатив фирмы совпадает с множеством мест расположения (в
данном случае – федеральных округов), на множестве альтернатив не задано
естественное отношение линейного порядка. Поэтому в данном случае следует
применять мультиномиальную модель дискретного.
Зависимая переменная определяется следующим образом:
0,
1,

2,

yi  3,
4,

5,

6,

если i-я фирма относится к СЗФО,
если i-я фирма относится к ПФО,
если i-я фирма относится к ЦФО,
если i-я фирма относится к ЮФО,
если i-я фирма относится к УФО,
если i-я фирма относится к ДФО,
если i-я фирма относится к СФО.

Пример результатов моделирования (для y=5, т.е. для Дальневосточного
Федерального Округа) приведен в табл. 3.
Таблица 3. Результат оценивания мультиномиальной логит-модели выбора места
расположения фирмы, y = 5.
Multinomial logistic regression

Number of obs
LR chi2(96)
Prob > chi2
Pseudo R2

Log likelihood = -1598.8527
var284

Coef.

dm21
dm22
dm23
dm24
dm25
dm26
dm27
dm28
dm29
dm210
dm211
dm212
dm213
dm214
dm215
dm216
_cons

-36.05389
-1.365241
.1335314
.4700036
-.8472979
.2113091
-1.544899
.4700036
-35.43873
-.7282385
.9162907
.4054651
1.280934
-35.64094
.3566749
-.7537718
-1.386294

Std. Err.

z

P>|z|

=
=
=
=

1004
164.73
0.0000
0.0490

[95% Conf. Interval]

5
5.51e+07
.6773305
.6523766
.8967534
.6879057
.4080338
.6062178
.8967534
5.73e+07
.5140673
.6551081
.75
.4177763
6.34e+07
.6128583
.8142421
.3227486

-0.00
-2.02
0.20
0.52
-1.23
0.52
-2.55
0.52
-0.00
-1.42
1.40
0.54
3.07
-0.00
0.58
-0.93
-4.30
6

1.000
0.044
0.838
0.600
0.218
0.605
0.011
0.600
1.000
0.157
0.162
0.589
0.002
1.000
0.561
0.355
0.000

-1.08e+08
-2.692784
-1.145103
-1.287601
-2.195568
-.5884225
-2.733064
-1.287601
-1.12e+08
-1.735792
-.3676976
-1.064508
.4621073
-1.24e+08
-.8445052
-2.349657
-2.01887

1.08e+08
-.0376976
1.412166
2.227608
.5009726
1.011041
-.3567344
2.227608
1.12e+08
.2793149
2.200279
1.875438
2.09976
1.24e+08
1.557855
.8421134
-.7537187

Независимыми переменными являются индикаторы (dummies) отраслевой
принадлежности фирм, обозначаемые dm21, dm22, …, dm216.
Из табл. 3 видно, что отраслевая принадлежность значимо влияет на выбор
Дальневосточного ФО в качестве места расположения теми фирмами, которые
относятся к отраслям 22, 27 и 213 – это химическая промышленность, добыча
драгоценных камней и розничная торговля.
Литература
1. P. Ph. Combes, T. Meyer, J.F. Thisse. Economic geography: the integration of regions and nations.
2. M. Fujita, P. Krugman, A. Venables. The spatial economy: cities, regions and nations. The MIT Press, 2001.
3. G. Maddala. Limited dependent and qualitative variables in econometrics. Cambridge University
Press, 1983.
4. Голикова В.В., Гончар К.Р., Кузнецов Б.В. Влияние глобализации на поведение российских
промышленных предприятий. http://www.nisse.ru/business/article/article_1671.html

Защита прав на интеллектуальную собственность
и её влияние на темп экономического роста1
М.Ю.Алексеев
Национальный Исследовательский Университет – Высшая Школа Экономики
(Санкт-Петербургский филиал)

Россия, 190008, г. Санкт-Петербург, ул. Союза Печатников, д.16
e-mail: simvolika11@mail.ru
Ключевые слова: инновации, экономический рост, интеллектуальная собственность.

Одним из основных факторов, влияющих на интенсивность и масштабы
инновационной деятельности компаний, так и страны в целом, является защита
прав на интеллектуальную собственность (далее ЗПИС), в том числе на
результаты НИОКР. Слабая ЗПИС принуждает компании делать выбор в
пользу имитаций, поэтому уровень защиты интеллектуальной собственности
определяет направление развития технологий российских компаний. Эти
предположения подтверждаются как данными официальной статистики, так и
выбором компаниями направления инновационного развития [1].
На вопрос «Оказывает ли ЗПИС влияние на экономический рост?» точного
ответа нет [2]. В целом, ЗПИС может иметь как положительное, так и
отрицательное влияние на рост ВВП.
1

Исследование осуществлено при поддержке Программы фундаментальных исследований НИУ ВШЭ
в 2011 году

7

Недавние эмпирические исследования, которые выявили положительную
связь между ЗПИС и экономическим ростом, были проведены в [2, 3, 5].
В вышеперечисленных исследованиях авторы создали эмпирическую
модель, базирующуюся на новой теории роста, связанной с ЗПИС. Авторы
обнаружили положительный эффект на экономический рост от сильной ЗПИС
не только для стран с высоким, но и с низким уровнем доходов. Они
использовали панельные данные для 80 стран за пятилетний период. Строя
простые регрессии, они обнаружили положительное влияние ЗПИС на
совокупный ВВП на душу населения для стран, но значимость этого влияния
оказалась низкой.
В более ранних эмпирических исследованиях Д. Гоулд, В. Грубен [3] и М.
Томсон, Ф. Рашинг [5] сформулировали общее мнение, что связь между ЗПИС
и экономическим ростом является позитивной, но небольшой значимости. В
исследовании [3] было обнаружено положительное и значительное влияние
«меры прав на интеллектуальную собственность Рэппа и Розека» на
экономический рост с использованием модели роста для 95 стран в период
1960-1988 гг. Авторы обнаружили, что эффект от сильной ЗПИС для открытой
экономики больше, чем для стран со слабой экономикой. М. Томсон, Ф. Рашинг
в [5] использовали «switching regression model» для 112 стран за период 19701985 гг. и обнаружили, что в основном существует положительное, но
незначительное влияние ЗПИС на экономический рост, а для некоторых стран
нет никакой связи между ЗПИС и ростом ВВП. В обоих исследованиях были
использованы довольно «старые» данные.
Негативное (отрицательное) влияние сильной ЗПИС на экономический
рост было найдено в теоретических работах Р. Хорри, Т. Ивайсако в [4].
Таким образом, можно сказать, что влияние ЗПИС на экономический рост
оценить нелегко. Эмпирические исследования показали некоторые позитивные
(положительные) связи между ЗПИС и ростом ВВП, однако результаты не
всегда были значимыми. Противоположные результаты были получены в
теоретических моделях без эмпирического доказательства. Такая «путаница» в
8

литературе может быть объяснена сложными прямыми и косвенными связями
между ЗПИС и ВВП.
В целом, можно сделать вывод, что в литературе отсутствует единое
мнение о том, есть ли влияние сильной ЗПИС на макроэкономические
показатели, такие как экономический рост, ПИИ, международную торговлю и
т.д. Следовательно, существует широкое поле для исследований в этой области.
Для эмпирической оценки влияния степени ЗПИС на темп экономического
роста

нами

были

пространственные

собраны
данные

данные

по

(cross-sectional

75
data).

странам.

Тип

Основным

данных:
критерием

включения страны в список была доступность индекса ЗПИС в Economic
Freedom of the World Report, 2010. Также некоторые данные были взяты из
World Development Indicators, 2010 и Global Innovation Index Report, 2009-2010.
Индексы ЗПИС были доступны за 2000, 2005, 2007 и 2008 годы.
Необходимо

выделить

переменные,

используемые

в

нашем

эконометрическом исследовании: AGR (average growth rate) – среднегодовой
темп роста ВВП; DAGR (delta average growth rate) – изменение среднегодового
темпа роста ВВП; IPR (intellectual property rights) – индекс ЗПИС в диапазоне от
1 до 10; чем выше, тем сильнее (Economic Freedom of the World Report); DIPR
(delta intellectual property rights) – изменение ЗПИС за промежуток времени.
Нами были рассмотрено влияние ЗПИС на среднегодовой темп роста за
различные периоды времени. Связь между ЗПИС и среднегодовым темпом
роста за разные временные промежутки отрицательная и незначимая, что
подталкивает нас к рассмотрению связей между параметрами AGR и IPR с
учётом выделения групп стран с различным уровнем ЗПИС в период с 20002004 гг.: уровень ЗПИС в период 2000-2004 гг. был выше «4» и в период 20072009 гг. остался также выше «4»; уровень ЗПИС в период 2000-2004 гг. был
ниже «4», а в период 2007-2009 гг. стал выше «4»; уровень ЗПИС в период
2000-2004 гг. был ниже «4» и в период 2007-2009 гг. остался также ниже «4».
Во всех трёх случаях связь между изменением ЗПИС и изменением темпа
роста ВВП незначимая, что позволяет сделать вывод: изменение в уровне ЗПИС
9

в динамике не влияет на изменение темпа роста ВВП, снижение которого
вызвано не ЗПИС, а некоторыми иными экономическими факторами.
Проведём

эконометрический

анализ

с

учётом

параметров,

предположительно значимо влияющих на темп роста ВВП. В качестве
зависимой переменной рассмотрим: AGR_0709 (average growth rate) –
среднегодовой темп роста 2007-2009 гг. В качестве регрессоров рассмотрим:
IPR_2008 (intellectual property rights protection) – индекс ЗПИС в диапазоне от 1
до 10; чем выше, тем защита сильнее; PATENTS (number of patents) – индекс,
показывающий количество патентов выданных в 2008 год; PER_MILLION
(researchers in R&D per million of population) – количество исследователей на 1
миллион населения в 2008 году; PUBLIC (public R&D Expenditure as % of GDP)
– государственные расходы на исследования и разработки в 2008 году (в %
ВВП); QUAL (quality of scientific research institutions) – качество научноисследовательских институтов в 2008 году в диапазоне от 1 до 7 (чем выше, тем
сильнее); CAP (capacity for innovation) – индекс в диапазоне от 1 до 7,
показывающий как страна в 2008 году получает технологии (1- исключительно
от лицензирования или имитирования технологий других стран, 7- путём
создания новых продуктов с помощью собственных исследований); LABOR08
(labor force) – доля экономически активного населения.
Наши некоторые выкладки показывают отрицательные незначимые
взаимосвязи между ЗПИС и темпом роста ВВП. Можно говорить, что ЗПИС не
оказывает прямого влияния на рост. После включения в регрессию таких
показателей,

как

«доля

экономически

активного

населения»

и

«государственных расходов на исследования» была обнаружена положительная
незначимая связь между ЗПИС и темпом экономического роста. Таким
образом, в нашем исследовании подтверждаются выводы сделанные другими
авторами о сложности оценки влияния ЗПИС на темп экономического роста.
Такие неоднозначные результаты могут быть объяснены сложными прямыми и
косвенными связями между ЗПИС и ВВП, что открывает широкое поле для
последующих исследований.
10

С учётом выделенных предпосылок можно отметить предложения для
будущего

исследования:

возможно,

десятилетний

период

является

недостаточным для корректного выявления зависимостей, поэтому важной
необходимостью будет рассмотрение связи темпа экономического роста от
уровня ЗПИС с использованием панельных данных за больший промежуток
времени, чем в данной модели.
Литература
1. Юдаева К.В., Козлов К.К., Соколов Д.Г. Инновационная активность российских фирм //
Экономический журнал Высшей школы экономики. – 2004. – Т.8, №3. – С.399-413.
2. Falvey R., Foster N., Greenaway D. Intellectual Property Rights and Economic Growth // Review
of Development Economics. – 2006. – V.10, No.4. – PP. 700-719.
3. Gould D., Grouben W. The Role of Intellectual Property Rights in Economic Growth // Journal
of Development Economics. – 1996 – V. 48, No. 2. – PP. 232 – 350.
4. Horii R., Iwaisako T. Economic Growth with Imperfect Protection of Intellectual Property Rights
// Journal of Economics. – 2007. – V. 90, No.1. – PP. 45-85.
5. Thompson M., Rushing F. An Empirical Analysis of the Impact of Patent Protection on
Economic Growth // Journal of Economic Development. – 1996. – V. 21, No.1. – PP. 61-79.

Оптимизационные модели распределения энергетических и водных ресурсов
и формирования тарифной политики большого города
на примере Санкт-Петербурга
В.А.Андреев, И.Н.Боголюбов
Учреждение Российской академии наук Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского, д. 1, Санкт-Петербург, 191187,
e-mail: andreev@emi.nw.ru
Ключевые слова: тепловая энергия, электрическая энергия, водные ресурсы, ассимиляционный
потенциал, распределение природных ресурсов, тарифы, оптимизационные модели, большой город

Энергетические рынки и рынки водных ресурсов представляют собой
систему рынков. Вследствие «естественного монополизма» эти рынки
складываются не стихийно, а в результате целенаправленной деятельности.
Результаты этой деятельности нужно оценивать и контролировать.
Проблема оптимального использования природных и энергетических
ресурсов имеет две составляющие. Первая – разработка методов и моделей для
определения

оптимальных

способов

использования

ресурсов.

Вторая

составляющая – это создание экономических механизмов и правовых отношений
между государством и производителями товаров и услуг, которые обеспечивают
практическую реализацию оптимальных способов использования ресурсов.
11

Предлагаемые в данной работе модели предназначены для определения
оптимальных вариантов распределения электрической и тепловой энергии,
водных ресурсов и услуг по отведению загрязненных вод (ЗВД) на краткосрочных
производственных периодах (КПП), а также оптимальной тарифной политики
электроснабжения, теплоснабжения, водоснабжения и водоотведения большого
города на долгосрочном производственном периоде (ДПП). При разработке
моделей учтены особенности экономики Санкт-Петербурга.
Под оптимальными вариантами распределения рассматриваемых ресурсов
и

услуг

понимаются

варианты,

обеспечивающие

максимум

прибыли,

получаемой промышленностью города на КПП при заданных тарифах и условии
устойчивого развития.
Оптимальные тарифы должны обеспечивать максимальный прирост
объемов основных фондов (ОФ) в промышленности.
Задача максимизации суммарной прибыли на КПП сводится к максимизации
функции, задаваемой многочленом второй степени на выпуклом множестве.
При моделировании город рассматривается как открытая система,
состоящая из населения, природной среды, отраслевых комплексов предприятий
(ОКП) и промышленной группы или кластера [1], в состав которого входят
теплоэнергетический комплекс (ТЭК), тепло – электроэнергетический комплекс
(ТЭЭК), комплекс водоснабжения (КВ) и комплекс отведения и очистки
загрязненных вод (КООЗВ). При этом предполагается, что внешние рынки
являются конкурентными.
Образуемый КООЗВ, КВ, ТЭК и ТЭЭК кластер реализует свою продукцию
только на территории города. Предприятия кластера сбрасывают загрязненные
воды в канализацию. Каждое ОКП делится на две группы предприятий, одна из
которых

сбрасывает

поверхностные

загрязненные

водные

объекты

воды
(ПВО).

в

канализацию,

Кроме

того,

в

а

вторая

в

канализацию

направляются бытовые сточные воды и поверхностный сток. В ПВО может
сбрасывать загрязненные воды также КООЗВ. При этом объемы загрязняющих
веществ (ЗВЩ), содержащихся в сброшенных ЗВД, не должны превышать
величину ассимиляционного потенциала ПВО.
12

Группы предприятий, реализующие свою продукцию на внешних и
внутренних рынках или только на внешних, образуют экспортный сектор
экономики города. Остальные группы предприятий, реализующих свою
продукцию только на внутренних рынках, образуют внутренний сектор
экономики города [2].
Состояние экономики города определяется тарифами на электрическую и
тепловую

энергию,

водоснабжение,

водоотведение,

индексами

цен

на

продукцию ОКП, а также показателями производственной деятельности,
объемами и структурой трудовых ресурсов и основных фондов рассматриваемых
групп

и

комплексов

предприятий.

Производственная

деятельность

характеризуется объемами произведенной продукции, доходами, расходами и
объемами материально-технического снабжения в отраслевом разрезе.
Экзогенными переменными в модели являются значения следующих
экономических нормативов, коэффициентов и показателей:
- максимально допустимые объемы ЗВЩ, которые могут содержаться в
сбрасываемых в ПВО ЗВД,
- допустимые

границы

изменения

тарифов

и

индексов

цен

на

рассматриваемые товары и услуги,
- значения

показателей

конечного

спроса

на

рассматриваемые

виды

продукции и услуг,
- транспортные расходы и отраслевые цены для импортируемых товаров,
- банковские проценты по кредитам и депозитам.
Предполагается, что для каждого из рассматриваемых комплексов и групп
предприятий задана производственная функция Кобба-Дугласа.
Для предлагаемых моделей разработаны вычислительные алгоритмы и
программное обеспечение. Модели проверены на примере условной экономики,
построенной на основе статистически данных экономики Санкт-Петербурга.
Литература
1. Портер М.Э. Конкуренция. М.: Изд. Дом «Вильямс». 2000. 459 с.
2. Свэйлс Д.К. Определение мультипликаторов экспортной базы региона в присутствии ресурсных
ограничений: подход Норта // Пространственная экономика. – 2006 – №1. –С. 109 – 137.
13

Использование общедоступной текстовой информации при моделировании
коммерческого успеха кинофильмов
Е.А. Антипов
НИУ ВШЭ - Санкт-Петербург
192171, г. Санкт-Петербург, ул. Седова, д. 55, к.2
e-mail: e.antipov@mail.ru

Ключевые слова: анализ текстов, метод главных компонент, рейтинг MPAA,
моделирование успеха кинофильмов.

Существующие градации рейтинга MPAA (Американской ассоциации
кинопроизводителей) позволяют частично учесть содержание фильма, а также
тот факт, что люди по-разному реагируют на разные рейтинги: так, родители
вряд ли пойдут с ребенком в кинотеатр на фильм с рейтингом R, в то время как
рейтинг G повышает вероятность похода в кинотеатр всей семьей, а значит и
кассовые сборы. Анализ влияния рейтинга MPAA приводил исследователей к
противоречивым результатам [1]. Ограничения по просмотру влияют как на
возможность посещения киносеанса, так и на интерес к фильму. Тогда как
некоторые авторы выявляли отрицательное влияние ограничивающих рейтингов
MPAA (то есть R и NC-17) (например, Litman [2]; Sawhney и Eliashberg [4]), в
других исследованиях существенного влияния не было обнаружено (например,
Prag и Cassavant [3]). De Vany и Walls [5] приводят в своей работе описательные
статистики, свидетельствующие о том, что «звезды» чаще появлялись с фильмах
с рейтингом R, в особенности, в высокобюджетных фильмах.
С другой стороны, кинозрители обращают внимание не только на рейтинг,
но и аннотацию к фильму и трейлеры, из которых можно понять, ожидать ли в
фильме сцен насилия, секса, ненормативной лексики и т. п. Эта информация
может быть извлечена из доступных для большинства фильмов формулировок
причины присвоения того или иного рейтинга. Эти причины, по нашему
мнению, могут дать дополнительную полезную информацию и сделать
классификацию кинофильмов более подробной. Новая классификация позволит
установить, какие особенности кинофильмов характерны для успешных
фильмов разных жанров.
С помощью пакета STATISTICA 8 был проведен анализ текстовой
переменной

board_rating_reason,

содержащей
14

причину

присвоения

ограничительного рейтинга (PG, PG13 или R/NC-17). Приведем несколько
причин присвоения рейтинга PG-13:
 “for sexual content and an intense scene of childbirth”
 “for some language/sexual references and violence”
 “for language and thematic elements”
 “for brief language, drug use and a sexual reference”.
В файл с данными были добавлены 26 бинарных переменных (по
количеству слов), принимающих значение 1, если слово присутствует в
причине присвоения рейтинга и 0, если отсутствует. Затем по добавленным
переменным был проведен анализ методом главных компонент (метод
вращения – Varimax). В результате были получены 10 главных компонент,
объясняющих в сумме 66,9% исходной дисперсии.
Каждая компонента коррелированна с 2-4 словами, часто встречающимися
совместно в тексте (Таблица 1).
Таблица 1. Матрица факторных нагрузок после вращения
Component
sequence
intense
action
sexual
content
material
thematic
elements
humor
crude
disturbing
image
use
drug
strong
pervasive
violent
graphic
nudity
brief
language
mild
scene
sensual

1

2

3

4

5

6

7

8

9

10

0.837
0.829
0.666
-0.116
-0.048
0.040
-0.010
-0.038
-0.033
-0.039
0.002
0.071
-0.052
-0.053
-0.123
-0.084
0.287
0.019
-0.034
0.039
-0.104
-0.023
-0.010
0.092

-0.010
0.060
-0.238
0.731
0.721
0.441
0.059
-0.162
-0.097
0.125
0.052
-0.080
0.028
0.357
0.089
0.032
-0.009
0.052
0.247
-0.003
0.313
-0.468
0.035
-0.207

-0.008
0.025
-0.062
-0.067
-0.018
0.315
0.929
0.880
-0.055
-0.028
0.060
0.027
-0.047
-0.006
-0.086
0.014
-0.117
0.048
-0.060
-0.003
0.019
0.254
-0.056
0.062

-0.061
-0.060
0.057
0.066
0.014
0.028
-0.045
-0.048
0.884
0.878
-0.047
-0.018
-0.043
0.090
-0.052
0.041
-0.174
0.015
-0.022
-0.081
0.110
0.236
-0.055
0.000

0.101
0.062
-0.101
-0.048
-0.044
0.128
0.107
-0.011
-0.053
-0.011
0.881
0.876
0.019
-0.030
-0.028
-0.060
0.188
0.040
0.081
0.089
-0.100
-0.126
-0.042
0.040
15

-0.026
-0.012
-0.069
0.197
0.116
-0.120
-0.066
0.019
-0.002
0.028
0.006
-0.013
0.904
0.782
0.083
0.255
-0.104
-0.022
0.014
0.048
0.090
-0.025
0.078
-0.055

-0.015
-0.045
0.009
0.070
0.035
0.028
-0.060
-0.072
-0.101
0.018
-0.032
0.042
0.113
0.140
0.688
0.638
0.627
0.125
0.073
-0.053
0.428
-0.110
-0.057
0.040

0.047
-0.013
-0.068
0.199
0.093
-0.433
-0.139
0.093
-0.032
0.021
0.026
0.056
0.080
-0.090
0.271
0.023
-0.048
0.704
0.629
-0.017
0.051
-0.008
0.155
-0.096

-0.060
-0.050
0.127
0.058
0.041
0.002
0.009
0.027
0.033
-0.049
0.018
0.019
0.023
0.078
0.072
-0.141
0.036
-0.157
0.205
0.835
0.478
0.396
-0.046
0.085

0.002
0.097
-0.010
-0.079
-0.170
0.268
0.089
-0.078
-0.057
0.003
-0.007
0.011
0.017
0.007
-0.042
-0.064
0.148
0.036
0.063
0.073
-0.061
-0.096
0.786
0.616

Были построены 2 робастные регрессионные модели: в одной, наряду с
другими характеристиками фильма использовался рейтинг MPAA ,в другой –
вместо рейтинга MPAA полученные ранее 10 факторов. Объясняющая
способность моделей примерно одинакова, однако в модели, в которой
используется расширенная система описания содержания существенно слабее
проблема мультиколлинеарности (средний показатель VIF=3,07 в случае
использования набора из 10 факторов против VIF=7,06 в случае использования
рейтингов MPAA). Таким образом, вариант с расширенной системой
переменных существенно более предпочтителен, чем рейтинги MPAA для
целей эконометрического моделирования. Таким образом, можно утверждать,
что предложенная система позволяет, сохранив информацию из рейтингов
MPAA, снизить корреляцию переменных ее формирующих с другими
объясняющими переменными, что обеспечивает более корректную оценку
коэффициентов.

Кроме

того,

с

экономической

точки зрения

эти 10

контролирующих переменных должны лучше справляться с задачей учета
особенностей содержания фильмов, в то время как рейтинг MPAA выполняет
скорее функцию оценки суммарного объема неподобающего контента.
Примерная интерпретация каждого фактора (компоненты) приведена в Таблице 2.
Таблица 2. Интерпретация факторов
Номер
фактора
1
2
3
4
5
6
7
8
9
10

Интерпретация

Высокая концентрация "экшна" (intense sequence of action)
Сексуальный материал (sexual contant)
Фильм затрагивает социальные темы, неподходящие для детской аудитории (thematic elements)
Изображения, влияющие на психику (disturbing images)
Неподобающий юмор (crude humor)
Затрагивает тему наркомании (drug use)
Высокая концентрация насилия и/или ненормативной лексики (pervasive violence/strong language)
Обнаженные тела (graphic nudity)
Немного неподобающей лексики (brief/mild language)
Эротические сцены (sensual scenes)

Литература
1. Elberse, A. and Eliashberg, J. The drivers of motion picture performance: the need to consider

dynamics, endogeneity and simultaneity // Working paper, The Wharton School, University of
Pennsylvania. – 2002.
2. Litman, B.R. Predicting the success of theatrical movies: An empirical study // Journal of
Popular Culture. – 1983. – Vol. 16. – P. 159-175.
3. Prag, J. and Cassavant, J. An empirical study of determinants of revenues and marketing
expenditures in the motion picture industry // Journal of Cultural Economics. – 1994. – Vol. 18,
No. 3. – P. 217-35.
16

4. Sawhney, M.S. and Eliashberg, J. A parsimonious model for forecasting gross box-office
revenues of motion pictures // Marketing Science. – 1996. – Vol. 15, No. 2. – P. 113– 131.
5. De Vany, A.S. and Walls, W.D. Does Hollywood make too many R-rated movies? Risk, stochastic
dominance, and the illusion of expectation // Journal of Business. – 2002. – Vol. 75, No. 3. – P. 425-451.

Анализ эффективности работы Газпрома и перспективы добычи природного газа
из тюменских месторождений в 2011 году
А.А. Афанасьев
ЦЭМИ РАН, 117418, Москва, Нахимовский проспект, д. 47.
e-mail: aanton@cemi.rssi.ru

ОАО «Газпром» – крупнейшая газовая компания, занимающая первое
место в мире по запасам, добыче и экспорту газа, а также в 2009–2010 гг. по
величине чистой прибыли среди нефтегазовых компаний. Три четверти (75,6 %)
разведанных запасов газа компании сосредоточены в недрах Тюменской
области (включая шельф Ямала), а основная часть газа Газпрома добывается из
тюменских месторождений. В связи с этим представляется актуальным анализ
эффективности работы компании в 2010 г. и прогнозирование добычи
природного газа Газпрома на территории Тюменской области в 2011 г.
Газпром – эффективный ресурсный стабилизатор народного хозяйства
России. В предыдущих работах автора [1–2] в результате эконометрического
исследования трех видов производственных функций добычи природного газа
из тюменских месторождений Газпрома с постоянной отдачей на единицу
масштаба во временных промежутках 1993–2007 гг. и 1993–2008 гг. получен
важный народнохозяйственный результат – эластичность добычи природного
газа по труду полностью или почти совпадает со средней долей заработной
платы с начислениями в затратах на добычу газа дочерних обществ Газпрома
Тюменской области. На основе этого было сделано заключение о минимизации
издержек и парето-эффективном использовании факторов производства
газодобывающими предприятиями Газпрома Тюменской области [1–3].
Эконометрическое

исследование

производственных

функций

во

временных промежутках с 1993 по 2009–2010 гг. на предмет минимизации
затрат и парето-эффективности не представляется возможным ввиду отсутствия
у автора данных о загрузке производственных мощностей газодобывающих
предприятий в среднегодовом разрезе. Тем не менее, о продолжении этой
политики Газпромом в 2010 г. можно судить по следующим фактам. Так, по
17

данным журнала Fortune, в 2010 г. концерн продолжает оставаться на первом
месте в мире по величине чистой прибыли среди энергетических компаний (см.
[4] и рис. 1). Кроме того, впервые с 1993 г. удельная себестоимость добычи
природного газа компании в 2010 г. по отношению к 2009 г. увеличилась
незначительно, примерно на 4 руб. за 1000 м3 (менее чем на 1% [5]), а в
Тюменской области у четырех дочерних обществ в совокупности она снизилась
с 482,5 до 481,5 руб. за 1000 м3, т.е. на 1 руб. за 1000 м3 (см. рис. 2). Лидером по
снижению удельных затрат стало газодобывающее предприятие ООО «Газпром
добыча Ямбург»: там себестоимость уменьшилась с 490 до 470 руб. за тыс. м3,
т.е. на 20 руб. за тыс. м3. На втором месте оказалось дочернее общество ООО
«Газпром добыча Ноябрьск», средние издержки добычи которого снизились на
11 руб. за тыс. м3. У производственного объединения ООО «Газпром добыча
Надым» удельная себестоимость осталась примерно на уровне 2009 г.,
увеличившись менее чем на 1 %. В Республике Коми хорошие результаты по
оптимизации затрат на добычу и переработку газа показали Вуктыльское ГПУ и
Сосногорский ГПЗ – филиалы ООО «Газпром переработка».
Таким образом, можно утверждать, что минимизируя издержки
производства и парето-эффективно используя факторы производства,
Газпром служит ресурсным стабилизатором народного хозяйства Российской
Федерации, ибо компания не оттягивает трудовые и инвестиционные ресурсы
из прочих секторов экономики, а наоборот высвобождает их для других
отраслей народного хозяйства, способствуя тем самым их эффективному
функционированию и ускорению темпов роста всей российской экономики.
Прогноз добычи на 2011 г. и эффективность использования принципа
ретроспективных расчетов. Прогнозирование добычи природного газа из
тюменских месторождений Газпрома

будет осуществляться на

основе

эконометрических моделей производственных функций, имеющих небольшие
ошибки ex-post прогноза. Среди исследованных нами производственных
функций достаточно низкие (не превышающие 2,3 %) ошибки ex-post прогноза
на 1 год и далее до 12 лет вперед (без учета 2009 г.) имеют степеннопоказательные производственные функции (1) (см. табл. 1)
18

Гt  eα0 (Фt 1(1990) )

α1  α 2G1963,t 1

,

исследованные во временных промежутках с 1984 г. по 1997, 2005–2008 гг. (см.
[1, 2]),

где

Гt 

валовая

Фt 1(1990)  среднегодовая

добыча

природного

стоимость

газа

в

основных

году

t,

промышленно-

производственных фондов (в сопоставимых ценах 1990 г.) в году t – 1, G1963,t 2 
накопленная

добыча

природного

с

момента

начала

промышленной

эксплуатации первого в Тюменской области газового месторождения (1963 г.)
по год t – 2. Эти функции прогнозируют объемы добычи природного газа на
2011 г. в объеме 461,3–464,9 млрд. м3 (см. табл. 1 и рис. 3).
Более того, в `процессе эконометрического исследования получен очень
редкий как в эконометрике, так и в экономике газовой промышленности
результат – выявлены степенно-показательные производственные функции (2)
(см. табл. 1), позволяющие прогнозировать добычу природного газа на 1 год и
далее до 18 лет вперед (без учета 2009 г.) с максимальной ошибкой ex-post
прогноза 3,7 % (см. табл. 2, рис. 4–6). Эти функции

α α G
Гt  eα0 (Фt 1(1990) ) 1 2 1963,t 1 ,
исследованные во временных промежутках с 1985 по 1991, 1994, 1997, 2003–
2008 гг., прогнозируют добычу природного газа на 2011 г. в объеме 464,3–474,7
млрд. м3 (см. табл. 1 и рис. 7).
В частности, производственная функция
Гt  e4,61(Фt 1(1990) )

0,565,12109 G1963,t 1

,
исследованная на данных советского периода во временном промежутке 1985–
1991 гг. (R2= 0,99; DW.= 1,52) имеет следующие ошибки ex-post прогноза (см.
табл. 1–2, рис. 4-6): в 1992 г. – 0,4 %, в 1993 г. – 1,1 %, в 1994 г. – 0,4 %, в 1995
г. – 0,3 %, в 1996 г. – 3,0 %, в 1997 г. – 2,7 %, в 1998 г. (год кризиса и дефолта) –
1,0 %, в 1999 г. (посткризисный год) – 1,5 %, в 2000 г. – 1,0 %, в 2001 г. – 0,1 %, в
2002 г. – 1,1 %, в 2003 г. – 0,8 %, в 2004 г. – 1,6 %, в 2005 г. – 3,1 %, в 2006 г. –
2,8 %, в 2007 г. – 2,7 %, в 2008 г. – 0,5 %, в 2009 г. (год кризиса) – 17,6 %, в 2010
г. (посткризисный год) – 3,7 %. На 2011 г. эта функция прогнозирует добычу
природного газа в объёме 474610 млн. м3.
19

Таблица 1. Результаты эконометрического исследования производственных функций и прогнозы добычи природного газа на 2011 г.

№

Функция

Временной
промежуток

(1)

Степенно-показательная
с накопленной добычей газа
α α G
Гt  eα0 (Фt 1(1990) ) 1 2 1963,t 1
См. подробнее [2, 6]

1984–1997
1984–2005
1984–2006
1984–2007
1984–2008
1985–1991
1985–1994
1985–1997

(2)

Степенно-показательная
с накопленной добычей газа
α α G
Гt  eα0 (Фt 1(1990) ) 1 2 1963,t 1

1985–2003
1985–2004
1985–2005
1985–2006
1985–2007
1985–2008

Коэффициенты и t-статистики
(в скобках)

α0

α1

α2

4,01
4,02
4,00
3,98
4,01
4,61
(4)
4,60
(10)
4,60
(11)
4,59
(16)
4,57
(16)
4,55
(15)
4,54
(15)
4,51
(15)
4,54
(16)

0,60
0,60
0,60
0,60
0,60
0,56
(6)
0,56
(18)
0,56
(21)
0,56
(29)
0,56
(29)
0,56
(28)
0,56
(28)
0,57
(29)
0,56
(29)

–5,58 109
–5,58 109
–5,62 109
–5,66 109
–5,62 109
–5,12  10 9
(–2,04)
–5,15  10 9
(–8)
–5,14  10 9
(–12)
–5,14  10 9
(-23)
–5,19  10 9
(–23)
–5,24  10 9
(–23)
–5,28  10 9
(–23)
–5,32  10 9
(–24)
–5,28  10 9
(–25)

20

Максимальная
ошибка ex-post
Прогноз
прогноза на τ лет на 2011 г.,
вперед (без 2009 г.) млн. м3
τ, лет ошибка, %
13
2,3
464 873
4
1,9
465 380
3
1,4
462 855
2
1,3
461 303
1
1,4
462 772

R2

DW

0,99
0,99
0,99
0,99
0,99

1,52
1,44
1,37
1,34
1,39

0,99

1,52

18

3,7

474 610

0,99

1,68

15

3,3

472 534

0,99

2,09

13

3,6

474 073

0,99

2,20

6

3,7

474 668

0,98

2,09

5

3,2

472 014

0,98

1,84

4

2,4

468 217

0,98

1,73

3

1,9

465 870

0,98

1,68

2

1,6

464 310

0,98

1,74

1

1,9

465 661

Таблица 2. Ретроспективная оценка абсолютной величины относительной ошибки прогноза на основе функции (2) (табл. 1) по
обучающим выборкам с 1985 по 1991–2008 гг.
Год ex-post
прогноза
№.п/п год
1
1992
2
1993
3
1994
4
1995
5
1996
6
1997
7
1998
8
1999
9
2000
10
2001
11
2002
12
2003
13
2004
14
2005
15
2006
16
2007
17
2008
18
2009
19
2010

Обучающие выборки с 1985 г. по год
1991
0,4
1,1
0,4
0,3
3,0
2,7
1,0
1,5
1,0
0,1
1,1
0,8
1,6
3,1
2,8
2,7
0,5
17,6
3,7

1992 1993
—
—
1,5 —
0,2
1,2
0,5
1,4
2,0
4,3
3,9
1,1
0,3
2,7
0,0
3,4
0,6
3,3
1,9
2,3
3,0
1,6
2,8
2,0
3,8
1,4
5,5
0,2
5,4
0,7
5,5
1,0
3,4
3,4
21,2 12,7
7,1
0,9

1994
—
—
—
0,4
3,1
2,5
1,1
1,7
1,3
0,1
0,8
0,5
1,3
2,8
2,5
2,4
0,2
17,1
3,3

1995
—
—
—
—
2,9
2,8
0,8
1,3
0,8
0,4
1,4
1,1
1,9
3,4
3,2
3,1
1,0
18,2
4,2

1996
—
—
—
—
—
4,4
1,0
0,8
1,6
3,1
4,2
4,1
5,2
7,0
7,0
7,3
5,3
23,7
9,4

1997
—
—
—
—
—
—
1,0
1,5
1,1
0,1
1,1
0,8
1,6
3,1
2,8
2,7
0,5
17,5
3,6

1998
—
—
—
—
—
—
—
1,1
0,6
0,6
1,6
1,3
2,2
3,7
3,5
3,4
1,3
18,5
4,6

21

1999
—
—
—
—
—
—
—
—
0,2
1,1
2,1
1,9
2,7
4,3
4,1
4,2
2,1
19,5
5,5

2000
—
—
—
—
—
—
—
—
—
1,1
2,2
1,9
2,8
4,4
4,2
4,3
2,2
19,7
5,7

2001
—
—
—
—
—
—
—
—
—
—
1,8
1,6
2,4
4,0
3,8
3,8
1,7
19,0
5,0

2002
—
—
—
—
—
—
—
—
—
—
—
1,1
1,9
3,5
3,2
3,1
0,9
18,1
4,2

2003
—
—
—
—
—
—
—
—
—
—
—
—
1,7
3,2
2,9
2,8
0,6
17,7
3,7

2004
—
—
—
—
—
—
—
—
—
—
—
—
—
2,8
2,5
2,3
0,1
17,1
3,2

2005
—
—
—
—
—
—
—
—
—
—
—
—
—
—
1,9
1,7
0,5
16,2
2,4

2006
—
—
—
—
—
—
—
—
—
—
—
—
—
—
—
1,3
0,9
15,7
1,9

2007
—
—
—
—
—
—
—
—
—
—
—
—
—
—
—
—
1,2
15,4
1,6

2008
—
—
—
—
—
—
—
—
—
—
—
—
—
—
—
—
—
15,7
1,9

Gazprom

31 894,5

Exxon Mobil

30 460,0

Royal Dutch Shell

20 127,0

Petrobras

19 184,0

Chevron

19 024,0

Petronas

17 479,3

China National Petroleum

14 366,9

Total

14 000,9

ConocoPhillips

11 358,0

Rosneft Oil

10 400,0

Lukoil

9 006,0

ENI

8 367,9
0

5 000

10 000

15 000
20 000
Млн. долл. США

25 000

30 000

35 000

Рис. 1. Чистая прибыль нефтегазовых компаний в 2010 г.

(по данным журнала Fortune [4]).

600

2009 год
2010 год
500

-1

-20
490

+1%

470

400

482,5 481,5

Рублей за 1000 м3

-11

300

200

100

0

Надымгазпром

Уренгойгазпром

Ноябрьскгаздобыча

Ямбурггаздобыча

Газпром (Тюм. обл.)

Рис. 2. Динамика удельной себестоимости добычи природного газа

(с учетом аппарата) дочерних обществ ОАО «Газпром»
Тюменской области за 2009–2010 гг.
22

Прогнозная добыча природного газа, млн. куб. м.

466 000
465 380
464 873

465 000

464 000
462 855

463 000

462 772

462 000
461 303
461 000

460 000

459 000
1984–1997

1984–2005

1984–2006

1984–2007

1984–2008

Годы обучающей выборки

Рис 3. Прогнозная добыча природного газа на 2011 г. по функциям
α α G
Гt  eα0 (Фt 1(1990) ) 1 2 1963,t 1 ,

исследованным с 1984 по 1997, 2005–2008 гг. (табл. 1).
600 000

Фактическая добыча газа
Расчетная МНК добыча газа
550 000

544 733

539 124
536 583

513 462
500 000

543 013

507 538
474 807
474 200

450 000
430 815
421 246
390 285

400 000

386 228
358 078
350 000

350 629

300 000
1985

1986

1987

1988

1989

1990

1991

Рис. 4. Фактическая и расчетная методом наименьших квадратов

добыча природного газа по функции

α α G
Гt  eα0 (Фt 1(1990) ) 1 2 1963,t 1

исследованной в 1985–1991 гг. (табл. 1).
23

,

560000

549463
547276
539198
530633
528721
529158
526438
533438
518731
520990
521554
526570
514626
514655
514634
511809
509170
510391
517282
509913
509026
512767
510755
498165
506360
509726
507698
499175
496891
502449
492786
495795
491733
488420
485118
487781
474610
467787

Добыча природного газа, млн. куб. м.

540000

520000

500000

480000

460000

440000
Фактическая добыча
424424

420000

Ex-post прогнозная (1992-2010 гг.) и
прогнозная на 2011 г. добыча

400000
92 993 994 995 996 997 998 999 000 001 002 003 004 005 006 007 008 009 010 011
19
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
Годы

Рис. 5. Фактическая, ex-post прогнозная (1992–2010 гг.) и прогнозная добыча
природного газа на 2011 г. по функции Гt  eα 0 (Фt 1(1990) )α1  α 2G1963,t 1
,

исследованной в 1985–1991 гг. (табл. 1).
20%
17,6%

18%
16%
14%
12%
10%
8%
6%
4%
2%

1,1%
0,4%

0,4% 0,3%

3,7%

3,1% 2,8%
2,7%

3,0% 2,7%
1,0%

1,5%

1,1% 0,8%

1,0%
0,1%

1,6%
0,5%

0%
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

Рис. 6. Ошибки ex-post прогноза на 1992–2010 гг. по функции
α α G
Гt  eα0 (Фt 1(1990) ) 1 2 1963,t 1 , исследованной в 1985–1991 гг. (табл. 1).
24

Прогнозная добыча природного газа, млн. куб. м.

476

474,6

474,1

474,7

474

472,5

472,0

472
470

468,2
468

465,9

466

465,7
464,3

464
462
460
458
1985–1991 1985–1994 1985–1997 1985–2003 1985–2004 1985–2005 1985–2006 1985–2007 1985–2008
Годы обучающей выборки

Рис. 7. Прогнозная добыча природного газа на 2011 г. по функциям
α α G
Гt  eα0 (Фt 1(1990) ) 1 2 1963,t 1 , исследованным с 1985 по 1991, 1994, 1997,

2003–2008 гг. (табл. 1).
Итак, приведенные выше результаты свидетельствуют о высокой
эффективности использования принципа ретроспективных расчетов (ex-post
прогноза) при эконометрическом прогнозировании добычи природного газа.
Прогнозируемые по степенно-показательным производственным функциям (1)–
(2) объемы добычи природного газа на 2011 г. из месторождений Газпрома
Тюменской области с максимальной ex-post прогнозной ошибкой в 3,7 %
располагаются в интервале 461,3–474,7 млрд. м3 (см. табл. 1 и рис. 3, 7).
Литература
1. Афанасьев А.А. Парето-эффективность, минимизация издержек и инновации – важнейшие

составляющие политики ОАО «Газпром» в сфере добычи природного газа // Газовая
промышленность. – 2009. – № 4. – C. 10–17.
2. Афанасьев А.А. Прогнозирование добычи природного газа из месторождений Восточной
Сибири // Газовая промышленность. – 2010. – № 14 (654). – C. 16–26.
3. Миллер А.Б. Доклад Председателя Правления ОАО «Газпром» на годовом Общем
собрании акционеров. – 2011. – 30 июня.
4. Fortune. – 2011. – July 25. http://money.cnn.com/magazines/fortune/global500/2011/performers/companies/profits/
5. Круглов А.В. Финансово-экономическая политика ОАО «Газпром»: Презентация к прессконференции. – 2011. – 29 июня.
6. Афанасьев А.А. Возможно ли прогнозировать добычу российского газа в периоды
кризисов? / В сб.: Стратегическое планирование и развитие предприятий. Секция 5:
Материалы Двенадцатого всероссийского симпозиума. Москва, 12–13 апреля 2011 г. – М.:
ЦЭМИ РАН, 2011. – C. 12–14.
25

Использование структуры личностных потребностей
в компьютерной поддержке конкурсного отбора социальных проектов.
Боголюбов И.Н., Воронцова И.П.
Учреждение Российской академии наук Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского, д. 1, Санкт-Петербург, 191187.
e-mail: ib@emi.nw.ru

Ключевые слова: личностные потребности, социальные проекты, конкурсный отбор,
компьютерная поддержка

Доклад посвящается памяти Бориса Львовича Овсиевича, который не
только

поставил

задачу

компьютерной

поддержки

решения

проблем

стратегического планирования, но и до конца своих дней возглавлял тему и
принимал в работе над ней самое активное участие [1].
От задач компьютерной поддержки разработки структуры целей развития
города мы перешли к задачам поддержки тех социальных целей развития,
которые не обеспечиваются, или недостаточно обеспечиваются нормами,
регулирующим бюджетное планирование [2]. Была поставлена задача и
разработана схема обременения инвестиционных конкурсов включением в
функционал

качества

проектов

составляющей,

оценивающей

их

направленность на социальные цели, предложена структура социальных целей,
дано описание дисциплины работы экспертов и формализованное определение
оценок соответствия проектов или групп проектов социальным целям.
В рамках развития этой методики была сформулирована проблема
поддержки личностных потребностей на основе конкурсов социальных
проектов. В настоящем докладе содержится описание подхода к учету
личностных потребностей и базовая схема оценки проектов по их соответствию
личностным потребностям.
Функционирование социума любого уровня основано на личностной
деятельности, т.е. деятельности элементов нижнего уровня. Поддержка
личностных целей горожан происходит опосредованно, путем проецирования
на

удовлетворение

личностных

потребностей

результатов

реализации

социальных целей.
Недостаточное

внимание

к

проблеме

реализации

личностных

потребностей приводит к возникновению серьезных социальных проблем.
26

Особенно важен учет личностных потребностей молодежи, так как становление
большинства социальных и духовных потребностей личности появляются в
процессе ее развития.
Изучение работ, посвященных потребностям человека, его психологии, позволило
выбрать структуру личностных потребностей для использования ее в системе
компьютерной поддержки отбора проектов. Оставляя задачу помощи в социальной
поддержке материальных потребностей личности бюджетному финансированию,
мы обратили внимание на разработку структур духовных и социальных
потребностей, предназначенных для сочетания интересов социума и личности.
В рамках компьютерной поддержки конкурсного отбора проектов схема
учета личностных потребностей представляет собой совокупность сценариев
работы эксперта по созданию описаний проектов и оценке личностных
действий, сопровождаемую расчетом оценок проектов, основанным на их
экспертных характеристиках.
Конкурсные

проекты

характеризуются

списком

официально

предоставляемых социальных услуг, каждой из которых экспертно соотносится
список личностных действий, соответствующих формам потребления этой
услуги. Предполагается также, что могут осуществляться личностные действия,
не вытекающие непосредственно из стандартных (нормативных) описаний услуг.
Личностным потребностям экспертно задаются относительные веса, как
означающие их приоритетность для соотносимой с типом проекта группы
личностей, так и характеризующие ситуацию в регионе реализации проекта.
Производится проецирование набора возможных в рамках проекта
личностных действий на личностные потребности и, с учетом весов
потребностей, определяется оценка соответствия проекта личностным целям.
Окончательная
коэффициентами

оценка

соотнесения

проекта

представляет

общественных

и

собой

взвешенную

личностных

интересов,

являющимися экспертными параметрами, сумму личностных и социальных оценок.
На основе оценок проектов производится отбор совокупности проектов с
максимальной личностно-социальной оценкой. Допустимыми считаются такие
наборы

проектов,

которые

удовлетворяют
27

ресурсным

ограничениям,

задаваемым условиями конкурса, такими, например, как суммарная стоимость
реализации совокупности проектов.
Если предположить, что услуги конкурсных проектов платные, то можно
рассматривать дополнительный критерий оптимизации – суммарную стоимость
услуг. В этом случае можно ставить задачу отбора проектов по критерию
максимума суммарной значимости личностных действий при ограничении на
суммарную стоимость услуг.
В процессе формирования и опробования схемы оценки социальных
проектов по их соответствию личностным целям были использованы описания
проектов, участвовавших в Конкурсах социальных и культурных проектов,
ежегодно проводимым Благотворительным фондом ЛУКОЙЛ. Описания
конкурса 2010 года приведены на сайте www.lukoil.ru/static_6_5id_2259_.html.
Они содержат аннотации проектов и размеры полученных грантов.
Главная задача Конкурса – создать условия для увеличения числа
активных граждан, способных самостоятельно решать как свои проблемы, так и
проблемы своего сообщества. Такая формулировка задачи привлекла внимание
своей нацеленностью не только на социальные, но и на личностные цели. В
нашу задачу не входило сравнение результатов отбора, так как была
использована лишь часть уже отобранных проектов. Однако использование
совокупности описаний реальных проектов дало возможность опробовать
предложенную

схему

и

скорректировать

ее

для

работы

с

пакетом

неоднородных по направленности проектов.
Дальнейшая работа над базовой схемой предполагает сужение степени
субъективности эксперта при определении личностных действий в рамках
проектов путем выбора их из заранее структурированной совокупности. Кроме
того, предполагается более широкое применение кластерного подхода,
учитывающего особенности разных типов личностей при описании весов
потребностей.
Литература
1. Овсиевич Б.Л., Боголюбов И.Н., Воронцова И.П. Формирование программ социальноэкономического развития. – Сб.: "Экономико-математические исследования:
математические модели и информационные технологии", СПбНЦ РАН, 2000, с.228-237.
28

2. Боголюбов И.Н., Воронцова И.П. Социальные цели и конкурсный отбор проектов //
Нестор-История, СПб, 2007, с. 169-183.

Индексный подход к межотраслевому анализу технологических изменений
(на примере «Российской межотраслевой модели» за 2000–2006 годы)
М.В. Бодриков
Общество с ограниченной ответственностью «Пулковская ТЭЦ»
Пулковское ш., д. 19, лит. 3, Санкт-Петербург, 196240;
e-mail: bodrikov8@rambler.ru

Ключевые слова: анализ затраты – выпуск, коэффициенты прямых затрат, технологические
коэффициенты, индексная технологическая матрица

1. На

сегодняшний

день

наиболее

обоснованным

инструментом

макроэкономического анализа вообще и исследования структуры экономики в
частности является метод затраты – выпуск. Вместе с тем современная
статистика межотраслевых балансов ведется исключительно в денежной форме
и не дает представления о технологических условиях производства товаров.
Публикуемые в статистических сборниках «Затраты – выпуск» коэффициенты
прямых затрат несут совершенно иной экономический смысл. Рассчитываемые
как частное денежных показателей промежуточного потребления и валового
выпуска,

они

равны

произведению

собственно

технологических

коэффициентов и относительных цен потребляемых товаров в единицах
выпускаемых товаров:
IP
X p
p
a~ij  ij  ij i  aij i ,
GO j X j p j
pj

(1)

где: aij– коэффициент доли денежных затрат i-го товара в цене j-го товара;
IPij – денежная оценка промежуточного потребления i-го товара в j-той чистой отрасли;
GOj – денежная оценка валового выпуска j-той чистой отрасли;
Xij – натуральный поток промежуточного потребления i-го товара в j-той чистой отрасли;
Xj – натуральный поток валового выпуска j-той чистой отрасли;
aij – технологический коэффициент промежуточного потребления i-го товара
в j-той чистой отрасли (среднего расхода i-го промежуточного ресурса
на производство единицы j-го товара);
pi, pj – цены i-го и j-го товаров, соответственно.

29

Практическое значение таблицы прямых затрат невелико. Ее столбцы
характеризуют структуру денежных затрат чистых отраслей, а не применяемые
ими технологии1. О последних можно судить только в части промежуточного
потребления товаров собственного производства, то есть по технологическим
коэффициентам главной диагонали:

i  j , a~ij  aij .

(2)

Остальные коэффициенты прямых затрат выражены в относительных
ценах, причем, в каждой отрасли – в своем собственном масштабе (pj). В
результате относительные цены всех товаров в эквивалентных количествах
самих себя имеют единичные значения (pj/pj), но фактические цены (pi) и
пропорции обмена (pi/pj) остаются неизвестными.
Формально преобразование матрицы прямых затрат в технологическую
матрицу

не

составляет

проблемы.

Достаточно

скорректировать

ее

коэффициенты соответствующими ценовыми соотношениями. К сожалению,
необходимой для такой корректировки статистики цен нет, и в обозримом
будущем не предвидится. Возможно, именно поэтому получило признание
мнение, что денежное выражение товарных потоков служит особым образом
переопределенной оценкой их натуральных (физических) объемов 2.
Однако вне зависимости от интерпретации, статистическая таблица
коэффициентов прямых затрат не удовлетворяет задачам структурного анализа
экономики

как

искривленное

системы

отображение

взаимосвязанных
технологий

отраслей.

производства

Это

не

просто

товаров.

Вместо

технологической матрицы она содержит дезагрегированный набор векторов
структуры денежных затрат (читай – долей различных промежуточных затрат в
выручке отдельной чистой отрасли). Тем самым в ней допускается
фрагментация целостной картины экономики, подрывающая ключевую идею
межотраслевого анализа.
1

«Коэффициенты прямых затрат представляют собой затраты одного продукта на производство другого
(например, расход угля на производство электроэнергии) и рассчитываются в рублях на 1000 рублей
продукции» [1, с. 4].
2
По утверждению В. Леонтьева, чтобы выраженные в деньгах потоки межотраслевого баланса:
«интерпретировать также как представляющие физические объемы товаров и услуг, ... требуется
лишь переопределить физические единицы, в которых измерены представленные элементами
каждой строки количества, рассматривая в качестве новой единицы измерения ту величину выпуска
соответствующего сектора, которая может быть приобретена за 1 доллар по ценам, преобладающим
в течение периода времени, для которого составляется эта таблица» [2, с. 54].

30

2. Несмотря на то, что современные таблицы затраты - выпуск скрывают
технологии производства товаров в отдельные периоды времени, они пригодны
для оценки динамики технологических коэффициентов. Перепишем формулу
(1) в индексном виде:

τ(aij )  τ(aij )τ( pi )

1
,
τ( p j )

(3)

где: τ(…) – индекс роста стоящего в скобках показателя, в % к базисному периоду.
Проведя элементарные преобразования, выделим индекс одноименного
технологического коэффициента:
τ(aij )  τ( aij )τ( p j )

1
.
τ( pi )

(4)

Существующая статистика ценовых индексов наблюдаемых товарных групп
позволяет строить индексные матрицы технологических коэффициентов1.
Следовательно, невзирая на отсутствие данных о технологиях производства
товаров, уже сегодня открыта возможность для изучения изменений в
технологической структуре экономики.
3. Метод индексной матрицы технологических коэффициентов апробирован
на «Российской межотраслевой модели» (RIM), описывающей структуру
экономики России в разрезе 25 товарных групп и 25 чистых отраслей2. Исходную
базу расчетов составили симметричные таблицы межотраслевых балансов 2000 и
2006 годов в текущих и постоянных ценах 2000 года. Непосредственно из них
получены две таблицы коэффициентов прямых затрат чистых отраслей в текущих
ценах и вектор индексов номинальных цен товарных групп 2006 года в процентах
к 2000 году. Затем на их основе построены таблицы индексов коэффициентов
прямых затрат и относительных цен в эквивалентных количествах отраслевых
товаров за период с 2000 по 2006 годы. На заключительном этапе индексы
коэффициентов прямых затрат пересчитаны в индексы технологических
коэффициентов. Найденная индексная технологическая матрица 2006 года
представлена в таблице.
1

Очевидно, что рассуждая аналогичным образом, не сложно построить и матрицу индексов
натуральных (физических) потоков промежуточного потребления.
2
«Российская межотраслевая модель» (RIM) разработана и поддерживается Институтом
народнохозяйственного прогнозирования РАН. Использованные в расчетах данные представлены в
открытом доступе на интернет-сайте: www.macroforecast.ru.

31

Таблица. Индексная технологическая матрица экономики РФ в 2006 году, в процентах к 2000 году
ТГ
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

141,1 111,7 47,5 70,3 90,3 83,8 79,5 59,3 62,9 64,6 90,7 64,2 107,5 68,9 46,6 62,6 79,7 98,5 54,2 81,6 125,8 92,5 55,4 64,9 73,2
729,6 36,4 123,8 –
–
–
0,0 0,0
–
–
0,0 0,0 0,0 0,0 0,0 113,9 55,6 151,0 –
–
–
–
6,4 167,4 –
89,8 256,2 18,1 185,0 188,1 102,8 96,3 74,7 65,4 86,5 91,6 75,4 109,2 64,5 57,4 66,9 77,5 85,0 46,8 60,9 89,7 75,8 70,2 81,9 41,5
184,2 0,0
– 221,6 343,1 5026, 141,1 118,7 107,1 124,7 172,2 136,2 196,3 131,9 70,7 107,8 102,6 158,5 87,2 189,4 250,0 109,9 217,8 171,7 102,1
123,2 90,4 –
– 307,2 115,6 82,3 57,8 87,1 79,6 102,2 79,9 123,4 76,8 41,5 83,2 68,5 154,7 85,1 127,4 122,7 110,9 97,1 100,5 43,5
104,1 85,2 178,3 – 74,3 123,0 105,8 131,9 61,8 97,1 109,3 69,5 157,7 95,2 14,1 86,9 74,9 109,2 60,1 82,9 122,7 85,5 122,2 126,3 71,1
146,4 258,4 448,8 116,4 138,3 70,6 110,5 77,2 86,2 105,5 126,2 102,7 157,9 88,9 58,9 90,5 65,1 215,1 118,3 149,0 453,8 101,9 134,1 140,4 59,6
141,8 184,9 – 34,7 –
– 143,4 94,8 101,5 117,4 148,6 118,8 – 71,6 105,4 102,0 63,3 241,3 132,6 132,0 146,4 125,2 149,1 128,5 –
152,6 181,1 – 299,5 130,9 6,3 94,3 80,5 108,0 105,0 124,4 87,0 135,1 89,3 74,2 85,7 83,8 166,6 91,6 122,4 438,5 92,2 93,4 127,7 106,0
130,7 183,7 212,6 153,2 132,7 105,0 91,7 98,6 79,7 92,9 128,1 89,6 134,6 86,0 84,3 86,1 67,6 188,0 103,4 154,5 432,8 90,4 118,3 126,6 55,4
0,0 121,5 –
– 122,9 3,2 110,7 59,5 80,7 91,1 111,7 76,0 117,7 65,5 90,8 81,4 58,8 162,9 89,6 115,4 152,2 91,0 103,8 110,7 47,0
196,9 155,4 –
– 159,9 142,5 122,2 55,7 87,2 117,2 140,5 114,2 197,6 95,1 89,0 83,2 59,9 173,0 95,1 110,7 472,7 96,8 95,2 154,4 57,6
97,8 76,3 – 102,6 113,5 97,0 69,1 58,9 56,1 69,0 80,6 55,6 91,5 51,7 36,7 59,0 42,9 123,7 68,0 78,0 368,7 69,1 81,0 91,7 45,4
478,2 170,7 –
– 212,5 – 235,1 63,2 122,8 169,8 147,3 179,1 53,5 108,3 94,4 125,0 69,1 284,2 156,3 154,7 543,9 140,1 169,6 191,0 76,9
137,5 109,0 206,6 234,9 180,8 75,2 130,7 94,3 108,2 128,1 147,3 118,1 178,0 113,1 74,2 99,5 105,8 236,0 129,8 130,1 198,9 103,1 127,3 134,2 65,1
111,0 52,5 108,0 201,6 90,9 – 105,8 96,2 88,8 111,4 63,6 111,6 269,0 156,7 111,4 45,0 111,3 116,3 64,0 71,0 188,1 131,2 115,1 192,7 298,8
– 217,0 –
0,0
–
– 3300, –
–
–
–
– 222,0 95,8 80,0 107,8 119,4 204,7 – 130,6 793,0 106,2 137,4 191,5 75,5
196,9 144,4 38,8 190,2 102,7 240,5 97,7 73,1 88,4 95,5 84,3 99,3 80,8 81,6 62,1 70,0 72,2 104,3 58,0 74,1 135,2 112,9 102,3 91,5 78,7
605,9 444,4 119,3 585,5 315,9 – 300,8 225,0 271,9 293,9 259,5 305,6 248,7 251,0 191,2 215,5 222,0 321,7 176,6 228,2 416,1 347,4 314,7 281,7 242,0
274,0 393,2 30,3 713,8 322,8 571,1 203,5 106,5 188,1 176,8 203,4 162,8 211,7 128,3 153,2 130,5 159,0 188,1 103,4 125,8 339,1 193,5 181,9 213,9 106,4
230,6 129,1 116,3 270,7 93,5 73,9 143,0 102,6 97,1 90,4 157,2 82,9 154,6 68,4 114,0 114,7 93,0 136,5 75,1 80,7 134,4 91,1 96,1 102,7 39,9
186,8 220,0 11,8 111,0 85,5 58,6 71,7 55,2 42,2 74,5 112,2 60,4 83,3 84,3 85,5 93,0 159,8 136,4 75,0 100,6 108,4 86,1 133,2 91,2 82,5
701,1 280,0 497,4 1043, 332,2 – 278,7 724,5 439,3 325,6 396,0 463,0 572,7 296,6 64,1 540,9 319,4 857,1 471,4 284,7 649,0 660,9 531,5 372,3 202,1
499,0 37,4 107,7 148,0 37,4 – 254,4 141,0 115,3 100,2 174,8 27,3 0,0 50,1 62,3 109,9 48,5 84,5 46,4 580,3 53,0 103,2 83,2 111,2 87,9
342,7 160,7 172,9 214,9 288,4 – 145,9 97,8 111,6 185,1 119,7 152,1 138,7 209,9 97,9 124,6 219,1 217,7 119,7 130,9 215,4 126,0 119,6 186,3 132,5
Товарные группы (ТГ): 1. Электро- и теплоэнергия. 2. Продукты нефтедобычи. 3. Продукты нефтепереработки. 4. Продукты газовой промышленности. 5. Уголь. 6.
Горючие сланцы и торф. 7. Черные металлы. 8. Цветные металлы. 9. Продукты химической и нефтехимической промышленности. 10. Машины и оборудование,
продукты металлообработки. 11. Продукты лесной, деревообрабатывающей и целлюлозно-бумажной промышленности. 12. Строительные материалы (включая
продукты стекольной и фарфоро-фаянсовой промышленности). 13. Продукты легкой промышленности. 14. Продукты пищевой промышленности. 15. Прочие
промышленные продукты. 16. Продукция строительства. 17. Сельхозпродукты, услуги по обслуживанию сельского хозяйства и продукты лесного хозяйства. 18.
Услуги транспорта. 19. Услуги связи. 20. Торгово-посреднические услуги (включая услуги общественного питания). 21. Продукты прочих видов деятельности. 22.
Услуги жилищно-коммунального хозяйства и непроизводственных видов бытового обслуживания населения. 23. Услуги здравоохранения, физической культуры и
социального обеспечения, образования, культуры и искусства. 24. Услуги науки и научного обслуживания, геологии и разведки недр, геодезической и
гидрометеорологической служб. 25. Услуги финансового посредничества, страхования, управления и общественных объединений.
Условные обозначения: – явление отсутствует; 0,0 значение показателя меньше единицы измерения.

32

4. Помимо практического анализа технологической динамики, индексная
матрица технологических коэффициентов полезна для статистической оценки
ряда теоретических гипотез. К их числу принадлежат, например, такие
укоренившиеся в качестве догм предположения, как: устойчивость технологий
производства товаров, замещение факторов производства при изменении их
относительных цен, обратная зависимость между объемом продаж и
номинальной

ценой

товара

и

многие

другие.

Отдельные

результаты

исследований в этом направлении будут сообщены в докладе.
Литература
1. Система таблиц «Затраты – Выпуск» России за 2003 год. Статистический сборник – М.:
Росстат, 2006.- 116 с.
2. Леонтьев В.В. Анализ «затраты – выпуск» // Избранные произведения: в 3-х т. – М.: ЗАО
«Издательство «Экономика», 2006 – 2007. Т. 1.- 407 с. С. 51 – 76.

Территориально-поселенческая структура: нерешенная задача
О.Б. Божков
Социологический институт РАН, 190005, СПб, 7-я Красноармейская ул., д. 25/14;
e-mail: olegbozh@gmail.com

Ключевые слова: социально-экономическое развитие территорий, стратегическое
планирование, объекты выборки, индикаторы, малые города, сельские поселения.

Одно из направлений стратегического планирования – социальноэкономическое развитие территорий и поселений. Давно обнаружена тенденция
«стягивания» социально-экономической активности к городам, прежде всего,
крупным городам и мегаполисам. Эта тенденция приводит к обезлюдению
больших территорий и, естественно, к ослаблению контроля за ними, в том
числе, и экологического.
В

определенной

мере,

этот

естественный

процесс

усугубляется

демографическими процессами: превышением смертности над рождаемостью.
Т. Нефедова в 2006 году опубликовала карту России 1, на которой большие зоны
обозначены как зоны необратимой депопуляции. В первую очередь, эти зоны
образуются там, где преобладают сельские поселения (деревни, села), а также
рабочие поселки и малые города. Как правило, это территории, находящиеся на
дальней периферии субъектов РФ и их районов. В основном эти зоны
1

Т. Нефедова, Д. Пэллот Неизвестное сельское хозяйство, или зачем нужна корова. Новое издательство,
2006, с. 158.

33

сосредоточены в районах нечерноземья, Урала и Западной Сибири. Впрочем,
это отнюдь не общее правило. Страна действительно огромна и развитие её
регионов невозможно оценивать по единым меркам.
К сожалению, эта тенденция «стягивания» отражается и в сознании
исследователей. В частности, в инструкциях по построению выборки (ВЦИОМ,
Левада-Центр, ФОМ и др.) прямо указывается, что из обследования
исключаются

«труднодоступные

и

малонаселенные

поселения».

Таким

образом, при выборе объектов из поля зрения эти типы поселений
систематически выпадают.
В СИ РАН выяснение роли поселенческого фактора было выполнено
Н.Корневым в 2009 г.1, когда в проекте EUREQUAL было обнаружено, что
распределение домохозяйств по уровню жизни оказалось отличным от
полученного Центром

Левады.

В

то же

время,

на

выборке,

также

репрезентирующей население России. Разной была доля самых бедных семей,
где денег не хватает даже на продукты: по данным СИ РАН – 6,3%, а по
данным Центра Левады – 11,4%. Этой разницы хватало, чтобы возникал вопрос
о месте России среди стран проекта EUREQUAL – 9-м или 11-м по доле
беднейшего населения. Различие обнаруживалось и при сравнении данных для
сходных типов населенных пунктов, наиболее заметно – на селе.
Выясняя причину расхождения, Н.Корнев посмотрел этот показатель у
Центра Левады в динамике, за полтора года. Наличие расхождения лишь
подтвердилось, и на всей выборке, и для разных типов населенных пунктов.
Пришлось

внимательнее

рассмотреть

структуру

выборки.

Выборка,

использовавшаяся в EUREQUAL, была типовой, уже в течение многих лет
использовавшейся для международных и российских исследований (опрос
заказывался авторитетной российской социологической компании). Оказалось,
что чем меньше населенные пункты, тем меньшей долей от общего своего
числа они представлены в выборке. Так, из 927 городов России с населением до
100 тыс. человек в нашей выборке – всего 22. Еще ниже представительство
поселков городского типа и самой многочисленной категории – сел и деревень
(всего 33 из примерно 148 тысяч).
1

Н. Корнев, Поселенческий фактор социального неравенства (отчет по НИР за 2009 г.), СИ РАН, 2009.

34

Меж тем, тип населенного пункта во многом определяет общие для
большинства его жителей условия жизни – инженерная и социальная
инфраструктура, емкость и состояние рынка труда, ассортимент товаров и
услуг, их стоимость в среднем, и т.д. При этом важна не только численность
населения, но и наличие функций центра территории, в условиях России
ресурса очень важного. Многие нормативы числа и уровня социальных
объектов населенного пункта исходят из численности его населения и
положения в иерархии центров.
Таким образом, подход к территориально-поселенческой репрезентации
населения России в проекте EUREQUAL такой же, как во множестве проектов
ВЦИОМ, Левада-Центра и др. авторитетных производителей общероссийских
опросов. Это-то и интересно, что обнаруженное искажение типично для
опросов из разных источников. Кроме того, при исследовании неравенства дело
не столько в необходимости улучшения измерений средних показателей всей
выборочной или генеральной совокупности и каких-то их фракций, сколько в
определении локусов субъектов на краях распределения по уровню жизни, их
социальных координат, дистанции между крайними субъектами в уровне
жизни, в ее качественных характеристиках и различиях.
Другой, не менее важный аспект, – это необходимость систематических и
регулярных исследований (мониторинга) развития территорий. А также отбор
индикаторов, с помощью которых осуществляется описание, сравнение и
оценка уровня развитости тех или иных объектов. В обстоятельном докладе
«Россия: принципы пространственного развития» этот аспект выделяется,
как особенно важный. Авторы доклада констатируют, что исследования,
которые проводятся российскими государственными учреждениями, включая
Госкомстат, «во-первых, никак не согласуются между собой, во-вторых, они
трудно доступны,

в-третьих,

они

не

отстроены

по

муниципальным

образованиям, вследствие чего выход к первичной информации практически
невозможен. Наличная информация по регионам в целом мало информативна,
позволяя соотносить между собой лишь схемы полей ответственности – между
регионами и для региона по годам.<…> В данном случае мы имеем дело
35

с очередной попыткой перейти к проектированию некоторого будущего
состояния без действительного исследования настоящего. Нищета состава
показателей, относящихся к жизни поселений и районов, очевидна, хотя учет
стандартных показателей, вроде плотности населения по зонам, или плотности
дорожной сети, самоочевиден»1.
В докладе также приводится целый ряд индикаторов, которые адекватно
характеризуют именно уровень развития поселенческих территорий. С нашей
точки зрения, к ним стоит добавить и такие показатели, как доля населенных
пунктов с населением менее 100 чел.; доля лиц старше трудоспособного
возраста; доля труднодоступных населенных пунктов; доля населенных пунктов
не обеспеченных школами, естественный прирост/убыль населения и т.п.
В качестве позитивного примера использования таких информативных
показателей приведем рис. 1-3, взятые с официального сайта администрации
Тверской области.
Иными

словами,

необходим

цикл

специальных

исследований,

направленных на выработку системы индикаторов, а также унификация
(стандартизация) региональной статистики на уровне районов субъектов РФ.

Рис. 1. Доля населения старше трудоспособного возраста, %

Как видим, наиболее «молодое» население – в Удомельском районе, где
находится высокотехнологическое предприятие, тогда как в периферийных
1

В.Глазычев и др. Россия: принципы пространственного развития раздел «Инструментарий
пространственного развития» //
http//www.glazychev.ru/projects/2004_ProstRazv/2004_DocladProstRazv_prilozhenie.htm

36

(преимущественно сельских) районах значительную долю составляют люди
старше трудоспособного возраста.

Рис. 2. Доля сельского населения, проживающего в населенных пунктах
без основных и средних школ, %

Рис. 3. Доля сельского населения, проживающего в населенных пунктах людностью
менее 200 чел., %

Рис. 3 служит хорошей иллюстрацией названной в начале тенденции
«стягивания» активности к центрам. Как видим, каждый показатель по-разному
представляет структуру поселений области, а в совокупности они дают вполне
объемную картину. Правда, эта картина свидетельствует, скорее об отсутствии
какой бы то ни было осмысленной политики субъекта РФ в сфере
пространственного развития.
В любом случае, обозначенные в докладе вопросы требуют самого
пристального внимания и специальных разработок. А кроме того внятной
государственной политики в сфере перспективы развития поселений разного
типа и подхода к территориальным проблемам как к целостной системе.

37

Некоторые конфликты при построения синтаксического дерева
разбора предложения
К.К. Боярский1, Е.А. Каневский2
1

СПб Гос. Университет информационных технологий, механики и оптики,
197101, Санкт-Петербург, пр. Кронверкский, д.49;
e-mail: boyarin9@yandex.ru
2
Санкт-Петербургский экономико-математический институт РАН,
ул. Чайковского д.1, Санкт-Петербург, 191187
e-mail: kanev@emi.nw.ru

Ключевые слова: анализ текста, синтаксический разбор, семантический классификатор.

Автоматический анализ текста на естественном языке представляет собой
чрезвычайно трудную и во многом еще не решенную проблему. Кроме того,
сам

термин

«понимание

текста

компьютером»

очень

расплывчат.

Вкладываемый в него смысл определяется конкретной решаемой задачей.
Однако несомненно, что в большинстве случаев необходимо выполнить два
предварительных

условия:

снять

морфологическую

и

грамматическую

неоднозначность и выявить связи между словами, построив синтаксическое
дерево разбора. Для решения этих задач авторами разрабатывается семантикосинтаксический анализатор Sem-Sin. На первом этапе морфологический
анализатор для каждого слова предложения находит все возможные варианты
морфологических параметров (часть речи, лемма, род, число, падеж и т. д.) для
данной словоформы. Затем с помощью системы продукционных правил
делается попытка снять частеречную и морфологическую неоднозначность и
построить дерево разбора. Однако в ряде случаев возникают трудно решаемые
или вовсе неразрешимые противоречия [1], о которых и пойдет речь ниже.
1.

Конструкции,

обозначающие

часть

или

меру.

Сравним

два

морфологически очень близких предложения: Вася разбил стакан вина и Вася
выпил стакан вина. Если в первом случае связи слов достаточно очевидны:
, то во втором смысл отражается схемой

.

38

2. Конструкции с числительными. Последние два сапога оказались рваными.
Что является субъектом действия в этом предложении и какова схема связей:
?

или

По морфологическим характеристикам роль подлежащего может выполнять
только числительное, по смыслу главным является существительное.
3. Конструкции с именами собственными. Канцлер Ангела Меркель подписала
договор. Морфологически с глаголом по роду согласуется имя и фамилия
, что соответствует схеме разбора.
Однако фактически договор подписывает не конкретный человек, а должностное
.

лицо, т. е. должно быть:

Таким образом, построение синтаксического дерева разбора предложения
невозможно без наличия детального семантического классификатора. Нами
используется классификатор В.А. Тузова [2] на 1650 классов совместно со
словарем на 170 тысяч лексем.
Литература
1. Тестелец Я.Г. Введение в общий синтаксис, М.: РГГУ, 2001, 800 с.
2. Тузов В.А. Компьютерная семантика русского языка. СПб.: Изд-во СПбГУ, 2004. 400 с.

Об одном подходе к измерению внутреннего и интеграционного потенциалов
экономического развития регионов1.
Е.А. Волкова1, Ф.А. Ущев2, В.П. Чернов3
1

ООО «Центр Пространственных исследований»
190020, Санкт-Петербург, Рижский проспект, дом 41, лит Г, Бизнес-центр «КалинкинЪ», 3 этаж, офис 307
2
НИУ ВШЭ, СПб 90008, Санкт-Петербург, ул. Союза Печатников, д. 16
3
СПбГУЭФ (Финэк)/ 191023, Санкт-Петербург, ул. Садовая, д. 21
1
volkova.ekaterina441@gmail.com; 2ph.ushchev@gmail.com; 3viktor_chernov@mail.ru
Ключевые слова: multidimensional scaling, regional economics.

В [2] рассматривается модель динамики региональной хозяйственной
системы,

учитывающая

межрегиональные

1

взаимодействия.

Предметом

Работа выполнена в рамках Международного гранта РГНФ-НАН Украины № 10-02-00716 а/U «Модели
оценки неравномерности и цикличности динамики социально-экономического развития регионов
Украины и России».

39

настоящей статьи является формирование подхода к моделированию отдельных
аспектов таких взаимодействий. Специальное внимание уделено подходу к
разложению инновационного потенциала региона на собственный (внутренний)
потенциал

и

потенциал,

обусловленный

взаимодействиями с

другими

регионами (внешний, или интеграционный, потенциал).
В основе идеи решения задачи лежит метод метрического шкалирования,
математические основания которого изложены в [1]. В качестве базовой
конструкции

будем

использовать

следующую

схему

метрического

шкалирования взвешенного графа [3].
Пусть имеется взвешенный граф (V E, D), где V ={1, 2, …, n} – множество
вершин, E  V×V – множество ребер, D  (d ij ) ni , j 1 – матрица расстояний между
вершинами. Таким образом, если вершины i, j  V соединены ребром, то
0 < dij < +∞, в противном случае полагаем dij = +∞ и, соответственно,

1
 0.
d ij

Задача метрического шкалирования множества вершин V состоит в
построении числовой функции
f : V → R,
которая обладала бы следующим свойством: значения функции на близких
вершинах также должны быть близки. Другими словами, отображение
шкалирования должно, по возможности, сохранить метрические свойства графа.
Простой подход к нахождению подходящего отображения шкалирования
состоит в нахождении минимума следующей квадратичной функции потерь:

L1 ( f ) 


( i , j )E

( f i  f j )2
d ij

(1)

при условии нормировки:
f , Af  1 ,

где угловые скобки обозначают скалярное произведение.

40

(2)

Смысл функции потерь (1) состоит в том, что она налагает высокие
штрафы за попытку приписать сильно различающиеся шкальные значения
близким вершинам.
Матрица A  (aij ) in, j 1 в формуле (2) определяется следующим образом:

1

, i  j,

aij  
d
iV
ij
0, i  j.
Рассмотрим следующую обобщенную задачу о собственных значениях:
Bf = λAf,

(3)

где матрица B определяется следующим образом:
B = D – A.
В [3] показано, что точкой минимума функции потерь (1) при условии
нормировки (2) является собственный вектор, соответствующий наименьшему
положительному собственному значению в задаче (3). Этот вектор и задает
подходящее отображение шкалирования.
Применительно к нашей задаче вершины соответствуют регионам, ребра –
экономическим связям между регионами, а расстояния показывают степень
тесноты

этих связей.

Расстоянием

может быть,

например,

величина,

отрицательно зависящая от числа инновационных проектов, совместно
реализованных регионами i, j: чем теснее связь, тем меньше «расстояние».
Значение отображения шкалирования можно интерпретировать как потенциал
развития региона. Если расстояния dij характеризуют именно тесноту
инновационных связей, то можно говорить об инновационном потенциале.
Конкретные

способы

расчета

расстояний

должны

составить

предмет

отдельного исследования, здесь они не рассматриваются.
Описанный метод построения инновационного потенциала имеет тот
недостаток, что учитывает лишь место региона в системе межрегиональных
связей, и никак не учитывает внутренние характеристики региона. В связи с
этим рассмотрим следующую модификацию изложенной процедуры.

41

Предположим, что значения уровней внутреннего потенциала развития
регионов уже каким-то образом получены. Это могут быть, например,
координаты главной компоненты,

рассчитанные

в

ходе

многомерного

статистического анализа данных об инновационной деятельности регионов.
Обозначим уровни внутреннего потенциала посредством gi, i = 1, 2, …, n.
Суммарные потенциалы инновационного развития будем искать как значения
отображения шкалирования, минимизирующего следующую функцию потерь:
n

L2 ( f )   aii ( f i  gi ) 2 
i 1



( f i  f j )2

( i , j )E

(4)

d ij

при некотором условии нормировки, аналогичном (2).
Смысл функции потерь (2) в том, что она налагает штраф не только за
присвоение тесно связанным регионам далеких шкальных значений, но и за
большие отличия суммарного потенциала от вычисленного ранее внутреннего
потенциала.
Задача минимизации (4) при условии (2) или аналогичном ему является
задачей квадратичного программирования с не слишком большим числом
переменных (например, число российских регионов, по которым доступны
данные официальной статистики – порядка 80). Таким образом, данная задача
легко может быть решена численно.
Положим

по

определению

hi = fi – gi.

Величину

hi

естественно

интерпретировать как внешний, интеграционный потенциал развития региона i.
В итоге получим разложение потенциала инновационного развития региона на
внутреннюю и внешнюю составляющие:
fi = gi + hi.

(5)

Соотношение (5) позволяет придать количественную определенность
суждениям такого сорта: «инновационное развития данного региона на 40%
обусловлено его внутренним потенциалом, и на 60% – эффективным
взаимодействием с другими регионами».
В заключение отметим, что любые два равных ориентированных отрезка
сохраняют ориентацию и остаются равными под действием положительного
42

аффинного преобразования вещественной оси. Поэтому величины потенциалов
fi, gi, hi следует, в силу способа их построения, считать найденными с точностью
до положительного аффинного преобразования. Таким образом, построенные
потенциалы инновационного развития измеряются в шкале интервалов.
Литература
1. Перекрест В.Т. Нелинейный типологический анализ социально-экономической
информации. М., Наука, 1983.
2. Чернов В.П. Модель региональной динамики и межрегиональных взаимодействий //
Экономическая кибернетика: Системный анализ в экономике и управлении: Сб. научных
трудов (вып. 21) / Под ред. Д.В. Соколова, В.П. Чернова. – СПб.: Изд-во СПбГУЭФ, 2010.
3. Belkin, M., P. Niyogi., 2003. Laplacian Eigenmaps for Dimensionality Reduction and Data
Representation // Neural Computation, 15, 1373 – 1396.

Стохастические модели экономического роста: постановка и аппроксимация
А.В. Воронцовский
СПбГУ, Экономический факультет.191123. СПб. ул. Чайковского д.62;
e-mail: a.vorontsovskiy@econ.pu.ru
Ключевые слова: стохастические модели роста, винеровские случайные процессы, малая
открытая экономика, дискретная аппроксимация стохастических уравнений, расчетные
траектории в режиме имитации

В

докладе

предполагается

рассмотреть

некоторые

особенности

формирования современных стохастических моделей экономического роста на
примере моделей малой открытой экономики, предполагающих моделирование
факторов неопределенности и риска в форме винеровских случайных
процессов. В качестве примера рассматривается постановка моделей роста
малой

открытой

экономики,

предполагающая

формирование

задачи

оптимизации потребления на бесконечном периоде, ограничения которой
формируются с учетом случайных факторов. В основу положена постановка
модели экономического роста, предложенная американским экономистом С.
Тарновским, в рамках которой находят свое отражение несколько случайных
факторов [1] и ее модификации [2].
Сформулируем основные предпосылки рассматриваемой модели малой
открытой экономики. В ней выделены четыре основных агента: производитель
(фирма), потребитель, внешние рынки и государство. Выпуск продукции
определяется на основе стохастической производственной функции Кобба–
43

Дугласа. Учитывается внешний товарный рынок и рынок облигаций.
Рассматривается

модель

открытой

экономики

для

страны,

которая

специализируется на производстве одного товара и в которой потребитель
потребляет

как

продукт

внутреннего

производства,

так

и

второй,

импортируемый, продукт [3]. Рассматриваются условия так называемой АК
модели. Динамика цен импортируемого товара и цен облигаций на внешнем
рынке описывается винеровским процессом. Невозможно воздействие на ставку
процента по облигациям на внешнем рынке. Налоговые платежи определяются с
учетом случайной составляющей. Государственные расходы устанавливаются в
определенной доле от ВВП с учетом его случайной составляющей. В модели
выделены случайнее факторы, которые учитываются при определении выпуска
продукции, цен облигаций и выпускаемой продукции, а также собираемых
налогов и государственных расходов. Для их моделирования используются
приращения винеровских случайных процессов.
В докладе обратим внимание на возможности применения метода МонтеКарло для обоснования траекторий, моделируемых в форме стохастических
процессов. Применение методов Монте-Карло для анализа и построения
траекторий роста макроэкономических показателей, которые моделируются с
учетом тех или иных стохастических процессов, предполагает, что для каждого
рассматриваемого

случайного

процесса

необходимо

построить

его

приближенную или аппроксимирующую форму.
Предлагаемый подход основан на рассмотрении отдельных стохастических
уравнений

исходной

модели.

Например,

прирост

ВВП

описывается

стохастическим дифференциальным уравнением следующего вида [4]:
dY = AK(dt + dy),

(1)

где dY – прирост ВВП, K – материальный капитал A – постоянный предельный
физический продукт капитала, dy – приращение винеровского процесса с
нулевым ожиданием и дисперсией σ2y dt .
Предлагается

заменить

уравнение

вида

(1)

его

дискретной

аппроксимацией. Для преобразования уравнения (1) возьмем интеграл от
44

правой и левой части этого уравнения по фиксированному промежутку времени
длительностью Δ, который начинается в момент t и заканчивается в момент
t + Δ. Тогда получим
t 

t 

t

t 

 dY   AKdt   AKdy  AK  AK  dy.
t

t

t

(2)

t

Левую часть равенства (2) представим в приближенной форме,
учитывающей значения подинтегральной функции в начале и в конце
промежутка. Учитывая, что dy есть приращение винеровского процесса, его
можно представить в виде
dy = σydw,

(3)

где dw – приращение стандартного винеровского процесса со средним равным
нулю

и

дисперсией

равной

длительности

промежутка

Δ.

Тогда

аппроксимирующую форму дискретного рекуррентного соотношения для
объемов производства ВВП, т.е. для производственной функции, задаваемой
уравнением (1), можно записать так:
Yt+Δ = Yt + AKΔ +AK  ξyt,

(4)

где ξyt – реализация случайной величины, подчиняющейся нормальному закону
со средним, равным нулю, и дисперсией, равной σ2y, описывающая влияние
случайного фактора на промежутке [t, t + Δ].
Соотношения вида (5) предлагается использовать для построения и
анализа расчетных траекторий ВВП и других рассматриваемых показателей в
процессе компьютерной имитации реализации случайной величины ξyt,
учитывая начальное значение ВВП для выделенного промежутка времени.
Основная особенность подобных расчетных траекторий состоит в том, что для
построения расчетных прогнозных траекторий используется только начальное
и или ткущее значение рассматриваемого макроэкономического показателя, и
совершенно не учитывается динамика развития в предшествующие периоды.
Значительные проблемы связаны с тем, что определенная часть параметров
моделей не представлена в статистике. Примеры расчетов подобных

45

траекторий по данным Дании, Исландии, Норвегии и др. стран предполагается
рассмотреть в докладе.
Литература
1. Turnovsky S. Methods of Macroeconomic Dynamics. Cambridge MA. 1996. P. 436–450.
2. Benavie A., Grinols E., Turnovsky S.J. Adjustment Costs and Investment in a Stochastic
Endogenous Growth Model // Journal of Monetary Economics. –1996 –. Vol. 38. P. 77–100;
Grinols E., Turnovsky S.J. Optimal Government Finance Policy and Exchange Rate Management
in a Stochastically Growing Open Economy // Journal of International Money and Finance. –
1996 –Vol. 15. No. 5. P. 687–716.
3. Turnovsky S.J., Chattopadhyay P. Volatility and Growth in Developing Economies: Some
Numerical Results and Empirical Evidence // Journal of International Economics. – 2003 – Vol. 59.
P. 267–295.
4. Turnovsky S.J. On the Role of Government in a Stochastically Growing Open Economy //Journal
of Economic Dynamics and Control. – 1999 –. Vol. 23. P. 877.

Модель экономического роста с учетом природоохранных затрат
М.Е. Галахова
СПбГУЭФ. 191023, Садовая улица, дом 21;
e-mail: secretgate@mail.ru
Ключевые слова: динамическая модель, окружающая среда, штрафы, управление.

Построим динамическую модель развития предприятия с учетом штрафа
за загрязнение окружающей среды. За основу возьмем подход, изложенный в
[1]. Пусть x(t) – функция, характеризующая выпуск предприятия, t  [0, T],
x(t)  R; x0 = x(0), x1 = x(T) – начальное и конечное состояния системы,
соответственно; β = β(x) – доля выпуска, идущая на природоохранную
деятельность. Будем полагать, что β(x) – кусочно-постоянная функция, которая
будет рассматриваться как управляющее воздействие, β(x) [0, 1]. Функция
u = 1 - β(x) [0, 1] определяет долю выпуска, идущую на развитие производства;
постоянная c > 0 характеризует технологические возможности предприятия;
y(t) – объем загрязнений окружающей среды предприятием, накопленный к
моменту времени t. Полагаем, что объем загрязнений пропорционален выпуску
и ε (0, 1) – доля, которую составляет объем загрязнений от объема выпуска [2].
Пусть постоянная величина δ > 1 определяет уменьшение загрязнений при
затрате одной единицы выпуска на природоохранную деятельность.
В качестве функции штрафа S = S(x) возьмем линейную функцию вида
S(x) = γ x, где γ > 0 – заданная постоянная [3].
46

Тогда можно считать, что динамика развития предприятия с учетом
природоохранных затрат задается уравнением

x =(1 – β(x))cx – γx,
динамику загрязнений будем задавать уравнением

γ =(ε – δ β(x))x.
Если в некоторый момент времени t* объем загрязнений y(t), возрастая,
достигает заданного порогового значения d > 0, т. е. y(t*) = d, то полагаем, что
при t = t* происходит закрытие предприятия.
Задача: пусть x(0) = x0 > 0 – заданный начальный выпуск. Требуется
построить управление β(x), обеспечивающее предприятию заданный выпуск
x1 = x(T) > x0 к заданному моменту времени T при условии
y(t) < d, t  [0, T].
Поставленная задача рассматривается также при условии использования
предприятием кредитных ресурсов.
Литература
1. Егорова Н.Е., Хачатрян С.Р. Применение дифференциальных уравнений для анализа
динамики развития малых предприятий, использующих кредитно-инвестиционные
ресурсы // Экономика и математические методы. 2006, т.42, №1, с.50-67.
2. Киллер Э., Спенс М., Зекхаузер П. Оптимальный контроль над загрязнением окружающей
среды // Математическая экономика. М., Мир, 1974, с. 46-63.
3. Моделирование процессов в природно-экологических системах / Под ред. В.И.Гурмана,
А.И.Москаленко. – Новосибирск, Наука, 1982, 178 с.

Метод сравнительного анализа тенденций
социально – экономического развития субъектов Российской Федерации
И.А. Герасимова
ЦЭМИ РАН.117418, г. Москва, Нахимовский проспект, дом 47;
e-mail: iger@cemi.rssi.ru ; irina.guerassimova@gmail.com
Ключевые слова: регион, тенденции развития, метод «накопленного потенциала»,
сравнительный анализ, типологическая группировка

1.

Россия

–

федеративное

государство,

объединяющее

более

восьмидесяти конституционно равноправных регионов – субъектов РФ (СРФ).
Уровень и тенденции развития страны в целом определяются средними
взвешенными значениями индикаторов социально – экономического развития
(СЭР) её административно – территориальных образований.
47

2. Анализ данных о социально – экономическом положении регионов,
публикуемых РОССТАТ,ом с середины 90х годов ХХ века 1 показывает, что не
только уровень, но и тенденции СЭР субъектов РФ значительно различаются.
По ряду важных индикаторов межрегиональная дифференциация нарастает и
спектр её негативных последствий широк. Межрегиональная дифференциация
денежных доходов населения стимулирует миграционный отток наиболее
образованной и квалифицированной части трудоспособного населения в
регионы с более высоким уровнем СЭР и оплаты труда. Это ведет к снижению
трудового потенциала (социального капитала) региона выбытия, снижению его
инвестиционной привлекательности, к обезлюдению территории, в перспективе
– к деградации его социальной и производственной инфраструктуры 2.
3. Представленный в докладе «индекс накопленного потенциала» –
LAR(x,t) зависит от исследуемой переменной x и времени t. Он разработан для
визуализации, эконометрического анализа и типологической группировки
траекторий социально – экономического развития территорий, образующих
единое экономическое пространство 3. В его основе лежит соотношение между
значением исследуемого показателя в регионе и в стране в целом. Если
удельные экономические показатели субъекта РФ в течение определенного
периода времени выше средних для России значений, то краткосрочное
ухудшение ситуации будет демпфировано накопленным потенциалом. Верно и
обратное – кратковременное улучшение значения исследуемого индикатора
СЭР не ведет к устойчивому изменению тенденций его динамики. Иначе, чем
дольше конкретный регион отклоняется от средних для страны значений, тем
сложнее изменить тренд его развития. По внутреннему содержанию «индекс
накопленного потенциала» близок к понятиям «хроническая бедность»,
1

См. Регионы России. Социально-экономические показатели. Стат. сб. / Росстат.  М., 1995 – 2009.
Социальное положение и уровень жизни населения России. Стат.сб. / Росстат - M., 1995 – 2009.
2
Проблема снижения межрегионального неравенства актуальна как для развитых, так и для
развивающихся стран. Она отражена в «Концепции 2020», в документах OECD, в новом пятилетнем
плане КНР. См.: «Концепция долгосрочного социально-экономического развития Российской
Федерации на период до 2020 года» / Распоряжение Правительства Российской Федерации от 17
ноября 2008 г. № 1662-р; OECD Reviews of Regional Innovation: Regions and Innovation Policy; China’s
12th Five-Year Plan.
3
Индексный метод широко применяется в экономических исследованиях, в том числе для
исследования тенденций развития процессов. Его эффективность всесторонне представлена в [1].

48

«продолжительность безработицы», «социальный капитал», «накопленные
баллы» для студентов, спортсменов или политиков – кратковременные успехи
или поражения мало влияют на их рейтинг.
4.

Формализация

«индекса

накопленного

Введем

потенциала».

следующие обозначения:
J – номер субъекта РФ, j = 1, …, 79
i – порядковый

номер

показателя

в

рассматриваемом

перечне

индикаторов СЭР
xji – значение показателя СЭР региона, x●i– его среднее для РФ значение.
t – момент времени (год), t = 1, 2, …, 13, где t =1 соответствует 1995 г., а
t = 13 соответствует 2007 г. Тогда
x ji (t )
xi (t )
соотношение между значениями показателя i в регионе j в году t и в РФ.
R( x ji (t )) 

(1)

t
t x ji (τ)
AR( x ji (t ))   R( x ji (τ))  
(2)
x (τ)
τ1
τ1 i
индекс «накопленных соотношений" в период (0,τ), аккумулирующий
предшествующее состояние региона.
Т.к. AR(xij(t)) экспоненциально возрастает при R(xij(t))>1 и убывает при
R(xij(t))<1, то естественно перейти к логарифмической шкале. Определим
t
 t x ji (τ)  t
 x ji (τ) 
   log2 R(x ji (t ))   log2 
LAR(x ji (t))  log2 AR( x ji (t))  log2  
 x (τ)  (3)
τ1 xi (τ)  τ1
 i 
τ1
или









 x (t) 
LAR(x ji (t))  LAR(x ji (t  1))  log2  ji 
(4)
 xi (t) 
Формула (4) отражает представленное в п.3 понимание «накопления

капитала». Выбор основания 2 при логарифмировании определяется простотой
интерпретации двукратного увеличения / уменьшения исходного показателя по
отношению к его среднему для России значению.
5.

«Индекс

визуализации

и

накопленного

потенциала»

типологической

группировки
49

был

разработан

траекторий

для

динамики

среднедушевого денежного дохода (СДД) и его пяти компонент, ВРП на душу,
экономической активности населения в регионах России. Для этих показателей
и для каждого из 79 субъектов РФ на основании функции LAR(x,t) были
построены временные ряды, охватывающие период 1995-2007 гг. Первый этап
– визуальный анализ траекторий – позволили выявить группы субъектов РФ,
устойчиво сохраняющих свое положение относительно средних для России
показателей, а также регионы с неустойчивой динамикой. Далее проверялись
гипотезы «линейного тренда» и «параболы второго порядка». В большинстве
случаев они не отвергались, но были выявлены регионы с очень неустойчивой
динамикой. Графики, представленные на рис. 1,2,3, частично иллюстрируют
разнообразие выявленных ситуаций. Результаты первого этапа исследования
представлены в [2], [3], [4].
6. «Индекс накопленного потенциал» – LAR(x,t) позволяет выявить
периоды стабильности региона и моменты изменения тренда. Содержательный
анализ

управленческих

решений,

предшествующих

изменению

тренда,

позволяет оценить их целесообразность и эффективность. Предложенный метод
может быть применен на муниципальном уровне, а также для сравнительного
анализа эффективности хозяйствующих субъектов, входящих в единый
производственный или финансовый холдинг. Дальнейшего эконометрической
задачей является изучение взаимосвязей между траекториями динамики
отдельных показателей СЭР и их многомерная классификация.

7,0
6,0
5,0
4,0
LAR

inc
GDP_pc

3,0

Ec Act iv
2,0
1,0
год

0,0
1 99 5
-1,0

1 99 6

1 99 7

1 99 8

1 99 9

2 00 0

2 00 1

2 00 2

2 00 3

2 00 4

2 00 5

2 00 6

2 00 7

Рис. 1. Центральный ФО: LAR (x) 1995 - 2007 гг.
50

0,7
0,6
0,5
0,4
LAR

inc
GDP_pc

0,3

Ec Activ
0,2
0,1
0,0
-0,1

год
1 995

199 6

1 997

1 99 8

1 99 9

200 0

2 001

200 2

2 00 3

2 004

2 00 5

200 6

2 00 7

Рис. 2. Северо-Западный ФО: LAR (x) 1995 - 2007 гг.
год

0,0
1 99 5
-2,0

1 99 6

1 99 7

1 99 8

1 99 9

2 00 0

2 00 1

2 00 2

2 00 3

2 00 4

2 00 5

2 00 6

2 00 7

-4,0

inc

LAR

-6,0

GDP_pc
Ec Act iv

-8,0

-10,0

-12,0

-14,0

Рис. 3. Южный ФО: LAR (x) 1995 - 2007 гг.

Литература
1. Елисеева И.И., Юзбашев М.М. Общая теория статистики. –М.: Финансы и статистика, 2004.
2. Герасимова И.А. Источники доходов как фактор межрегиональной социальноэкономической дифференциации населения России (1995–2007 гг.). // Прикладная
эконометрика. – 2009. – № 4. С. 60-84.
3. Герасимова И.А., Герасимова Е.В., Щетинкина А.Ю. Динамика межрегионального
неравенства
среднедушевых
денежных
доходов
населения
России
(1995–
2007 гг.). // Препринт # WP/2011/280. — М.: ЦЭМИ РАН.
4. Герасимова И.А. Исследование, оценка и дизайн траекторий социально – экономического
развития регионов России. Тезисы доклада. //Материалы VII Международной научнопрактической конференции “Регионы России: стратегии и механизмы модернизации,
инновационного и технологического развития”.26-27 мая 2011 г., Москва, ИНИОН РАН и
ООН РАН (в печати).

51

Экономико-математические модели для исследования и прогнозирования процессов
в региональном АПК
А.В. Гетманчук, М.М. Ермилов
Российский университет кооперации
141014, Московская область, г. Мытищи, ул. В.Волошиной, 12/30;
e-mail: sonir2010@yandex.ru

Современные экономические исследования невозможно представить себе
без построения и использования экономико-математических моделей. При
моделировании сложных объектов, которые характеризуются большим числом
экономических связей, можно выделить три направления.
1. Использование агрегированных моделей,
аналитический и синтетический подходы.

в

которых

сочетаются

2. Направление объектно-ориентированного программирования, которое
развивается в последние годы для решения многих прикладных задач.
3. Использование моделей с аналитическими расчетными схемами.
Использование агрегированных моделей. Структура системы моделей АПК
определяется укрупнёнными функциональными блоками и их последующей
реструктуризацией.

Обычно

рассматриваются

блоки

наднационального,

национального, регионального и отраслевого уровней АПК, а также отдельных
предприятий. В каждом блоке должны содержаться модели технологических
элементов АПК и элементов, связанных с принятием решений. Эти модели
могут характеризовать различные парадигмы, подходы и методы ведения
производства и управления, объединённые в базовые блоки с учётом
конкретизации

институциональной

среды.

Представляется

актуальной

разработка в составе трёх первых блоков специальных подсистем для
моделирования демографической ситуации, потребления населением продуктов
питания, ситуации на рынках труда, проблем расселения, развития социальной
инфраструктуры и прочих существенных компонентов развития сельских
территорий

[1].

Комбинируя

различные

варианты

информационно

совместимых базовых блоков можно перенастроить систему моделей для
решения поставленной задачи, в частности, для построения сценарных
прогнозов. Дальнейшая детализация позволяет выделить модели целостного
объекта соответствующего уровня и модели единичных процессов или явлений,
52

из которых в конечном итоге и складывается целое. Существуют два типа
субмоделей: количественное описание наблюдаемого явления по принципу
«чёрного ящика» (внешнее описание) и модели, основанные на рассмотрении
взаимодействия основных важнейших элементов изучаемого объекта или
явления (внутреннее описание). Модели внешнего описания соответствуют
начальным стадиям исследования объекта неизвестной природы и строятся, как
правило, на основе доступной информации с использованием методов
математической статистики (классификация, анализ связей). Дальнейший
процесс состоит в построении моделей, основанных на теоретическом
понимании исследуемых процессов. Модели внутреннего описания в идеале
основаны на знании механизмов явлений и их математических представлений.
Дополнительные сложности возникают при моделировании в задачах развития
АПК. Они связаны с принципиально нелинейным характером взаимосвязей
между отдельными факторами. Это может порождать множественность
траекторий

развития,

характеризуют

ветвящихся

состояния

в

точках

неустойчивости,

бифуркаций.

при

которых

Последние

относительно

небольшие изменения параметров внешней среды и управляющих воздействий
приводят к скачкообразному переходу на качественно другую траекторию. При
этом после прохождения точки бифуркации система входит в сферу влияния
нового класса закономерностей, выйти из-под воздействия которых можно
лишь при значительных усилиях, в то время как для перехода на одну из
возможных траекторий в точке бифуркации не нужно затрачивать особенно
значительных ресурсов и усилий.
Объектно-ориентированный анализ и программирование. В последнее
десятилетие активно развивается направление объектно-ориентированного
программирования для решения многих прикладных задач. Рассмотрим
возможности

применения

унифицированного

языка

моделирования

и

объектного программирования для построения систем управления процессами
в АПК. Как известно, концептуальной основой объектно-ориентированного
подхода является объектная модель. Основными ее свойствами являются
следующие: абстрагирование, инкапсуляция, модульность, иерархия. Кроме
53

основных имеются еще три дополнительных элемента, не являющихся
в отличие от основных строго обязательными: типизация, параллелизм,
устойчивость. Преимущество применения методов ООАП в сравнении с
обычными методами анализа и проектирования состоят в следующем:
1) рассмотрение и анализ объектов и отношений между ними проводится
объективно и по заранее разработанным критериям; 2) анализ проводится
полно и всесторонне, поскольку при применении ООАП привлекаются
наиболее квалифицированные специалисты; 3) применение расчетных методов
и процедур позволяет исследовать большое количество вариантов и выработать
наиболее оптимальные стратегии; 4) модель ООАП предоставляет возможность
также реализовать еще несколько уровней абстракций, используя уже другие
парадигмы, такие как компонентно-ориентированное программирование и
аспектно-ориентированное программирование, что позволяет нам реализовать
ряд других экономических моделей, не подходящих под ООАП; 5) на ООАП
можно реализовать метод опорных векторов (набор схожих алгоритмов),
использующийся для задач классификации и регрессионного анализа [2].
Необходимо отметить, что построение систем

управления на

основе

аналитической модели представляет собой достаточно трудоемкий процесс.
Основные его этапы: определение требований, анализ, проектирование,
реализация, тестирование. Два последних этапа можно считать собственно
проектной частью аналитической модели. Подчеркнем, что на базе правильно
составленной аналитической модели возможно реализовать разнообразные
программные продукты в зависимости от требований заказчика. Таким
образом, применение ООАП дает принципиально новые возможности для
решения поставленных задач.
Аналитические методы. В качестве примера аналитического подхода
экономико-математического моделирования процессов производства в АПК
в конкретном регионе можно привести использование аппарата линейных
дифференциальных уравнений. Однако не исключено, что для адекватного
описания изучаемых процессов развития понадобятся системы нелинейных
уравнений. Вероятными претендентами здесь могут быть, например, уравнения
54

типа Вольтерра-Лотки, дающие характерные колеблющиеся решения. Особый
интерес представляет то множество уравнений, которое рассматривается в
синергетике. Эти подходы нашли развитие в трудах Малинецкого, Милованова,
Олемского, Мятлева, Панченко, где, помимо упомянутых, вкратце описаны
нелинейные диффузионные уравнения, учитывающие влияние случайных
шумов. Отбор наиболее подходящих экономико-математических моделей для
описания экономических процессов – это сложный процесс, требующий
обширных исследований.
Литература
1. Гетманчук А.В. Экономические основы продовольственного обеспечения регионов.Ярославль-Москва: Издательство «Канцлер», 2010.
2. Гетманчук А.В., Ермилов М.М. Экономико-математические модели.- Ярославль-Москва:
Издательство «Канцлер», 2011.

Развитие методологии межотраслевых исследований на основе концепции
общего равновесия и моделирования IV квадранта межотраслевого баланса1
В.М. Гильмундинов
Институт экономики ОПП СО РАН, г. Новосибирск, 630090
gilmundinov@mail.ru

В исследовании рассматриваются теоретические и методологические
вопросы моделирования структурных изменений в национальной экономике в
условиях межотраслевой конкуренции и несовершенных рынков. Предлагается
развитие модели межотраслевого баланса в рамках концепции общего
равновесия, а также моделирования четвертого квадранта МОБ, что позволяет
более детально описать основные взаимосвязи, возникающие в национальной
экономике на межотраслевом и макро- уровне.
В условиях формирования в России рыночной экономики одним из
актуальных направлений

развития

моделирования

народного

хозяйства

является построение общеравновесных моделей. При построении таких
моделей необходимо учитывать особенности экономики России, связанные с
несовершенным характером рынков и институтов, а также существенной ролью
1

Исследование выполнено при поддержке гранта Президента РФ для молодых российских ученыхкандидатов наук, проект № МК-2148.2010.6 «Моделирование структурных изменений в экономике
России в условиях межотраслевой конкуренции»

55

межотраслевой

конкуренции

в

формировании

отраслевой

структуры

экономики. По сути реализуемый в данном исследовании подход является
развитием подхода к построению общеравновесной многосекторной модели
национальной экономики, предложенного Л. Йохансеном (см., например: [1]) и
являющегося одной из отправных точек для построения CGE моделей. Вместе с
тем одним из недостатков большинства существующих подходов к построению
межотраслевых моделей, основанных на равновесном принципе (см., например:
К. Алмон [2], Г.Р. Серебряков [3] и М.Н. Узяков [4]), является недостаточный
учет поведения экономических агентов на изменяющиеся рыночные условия,
особенно в условиях межотраслевой, а не межрегиональной постановки. В этой
связи предлагается развитие аппарата межотраслевого моделирования в
направлении включения в межотраслевую модель оптимизации по целевым
функциям

секторов

экономики,

а

также

эндогенного

моделирования

равновесных переменных, что позволяет придать моделям межотраслевого
баланса равновесный характер. Неразвитость методологии моделирования
четвертого квадранта ведет к избыточно открытому характеру моделей
межотраслевого баланса, что снижает адекватность их использования для
моделирования национальной экономики. Для решения данной проблемы
общая модель межотраслевого баланса в равновесной постановке развивается в
направлении включения в нее модели четвертого квадранта, основанного на
учете финансовых потоков, возникающих между секторами национальной
экономики и позволяющая включить в базовую межотраслевую модель
дополнительные ограничения, возникающие на макроуровне. Как показывают
экспериментальные расчеты, предлагаемый подход позволяет более детально
анализировать

и

моделировать

изменения

в

отраслевой

структуре

национальной экономики на краткосрочную и среднесрочную перспективу, что
может выступать в качестве методологической основы для оперативной
корректировки основных направлений государственной структурной политики.
Литература
1. Leif Johansen, A Multi-Sectoral Study of Economic Growth, 2nd enlarged edition, Amsterdam,
North Holland Publishing Company, 1974.
56

2. Clopper Almon. The Craft of Economic Modeling, 5th edition, College Park, University of
Maryland, 2008.
3. Серебряков Г.Р. Опыт построения динамической межотраслевой равновесной модели
Российской экономики / Проблемы прогнозирования. – 2000. – №2. – с. 1-17.
4. Узяков М.Н. Проблемы построения межотраслевой модели равновесия российской
экономики / Проблемы прогнозирования. – 2000. – №2. – с. 18-33.

Темпы роста региональной экономики и институт губернаторства
П.В. Дружинин, А.П. Дружинин
Петрозаводск, Институт экономики КарНЦ РАН
e-mail: pdruzhinin@mail.ru

Российские регионы значительно отличаются по динамике основных
социально-экономических

показателей.

В

качестве

основных

факторов

объясняющих данную разницу и используемых в моделях, обычно выделяют
наличие природных ресурсов, структуру экономики, экономико-географическое
положение, основные фонды, имеющиеся трудовые ресурсы и некоторые другие,
которые не меняются или слабо меняются с течением времени.
Исследования изменений в развитии экономики конкретных регионов
показывают, что колебания экономических и социальных показателей, их
отклонения от основных тенденций развития часто связаны с внешним
воздействием

(прежде

всего

федеральных

властей)

и

с

решениями,

принимаемыми региональными властями, с обоснованностью данных решений.
Причем это касается и экономики региона в целом, и отдельных отраслей и
секторов.

Поэтому

функционирования

можно

институтов

предположить,
региональной

что

власти

эффективность
является

важным

фактором регионального развития и требует детального анализа. В результате
можно будет уточнить экономико-математические модели, используемые для
анализа и прогнозирования развития региональной экономики, повысить
качество региональных прогнозов. Данное исследование даст возможность
проанализировать региональную политику, разработать рекомендации по ее
улучшению,

оценить

качество

институтов

региональной

власти

и

сформулировать предложения по их совершенствованию.
Формирование институтов государственной власти в России и ее регионах
оказалось достаточно сложным процессом, и эффективность их функционирования
57

часто

невелика.

Институт

губернаторства

развивается,

претерпевая

существенные изменения, которые возможно оказывают заметное влияние на его
эффективность. В данном исследовании предпринята попытка оценить влияние
данного института на социально-экономическое развитие российских регионов.
Институт губернаторства определяется различными характеристиками, из
которых в данной статье анализируются переход от выборов населением к
назначению губернаторов и отмена ограничения по продолжительности
нахождения у власти главы региона двумя сроками. Для оценки воздействия на
экономику регионов данных изменений решалось три задачи. В первом случае
анализировалось, повлиял ли переход от выборов губернаторов населением к
назначению на основные социально-экономические показатели развития
регионов, во втором – как изменяются данные показатели развития регионов в
зависимости от продолжительности нахождения у власти главы региона
(особенно после окончания второго срока). Третья задача – оценка влияния
смены губернатора на социально-экономическое развитие региона. Была
собрана информация за 1990-2009 гг. по развитию экономики 79 регионов
России (без большинства национальных округов и Чеченской республики, по
которым отсутствует информация за 90-е годы). Рассматривались следующие
показатели – валовой региональный продукт (ВРП), собственные бюджетные
доходы региона, инвестиции в основной капитал, среднедушевые доходы
населения. Все показатели приводились к сопоставимому виду, удобному для
анализа. В докладе рассматриваются результаты расчетов по динамике ВРП.
На

положительное,

хотя

и

незначительное,

влияние

увеличения

продолжительности пребывания губернатора у власти указывают данные 2001 г.,
2002 г., 2004 г., 2005 г. В то же время расчеты за 2003 г., 2006 г., 2007 г., 2008 г. и
2009 г.

показали,

отрицательный.

что

Надо

длительность
отметить,

что

руководства
в

регионом

последние

годы

–

фактор

зависимость

отрицательная и становится все более значимой – коэффициент корреляции
увеличивается. Возможно, в данном случае может сказываться переход от
выборов населением к назначению губернаторов. Построение уравнений
регрессии по данным 2009 г. показывает наличие заметной отрицательной
58

связи. Если в 2009 г. выделить четырехлетние периоды, начиная с первого
полного года, то средний темп роста ВРП постоянно снижается. За первое
четырехлетие он составляет 98.5%, за второе – 95.6%, за третье – 93.2% и за
четвертое – 91.8%. Если рассматривать все данные за 2000-2009 гг.
(нормировав их предварительно), то средний темп роста за первый срок
составляет 100.1%, за второй – 100.3%, а за третий заметно меньше – 99.6%, что
возможно говорит о разумности существовавшего ранее ограничения.
В период 2000-2004 гг., когда были только выборы губернаторов населением
можно отметить некоторую тенденцию к росту средних темпов ВРП с
увеличением длительности руководства регионом. При анализе данных за 20062009 гг. четко проглядывается спад во время третьего срока. Средний темп роста за
первый срок (100.6%) лишь немного уступает результатам второго срока (100.8%)
и значительно выше, чем средний темп роста ВРП за третий срок (98.7%).
Фактически отмеченное ранее снижение темпов роста ВРП после окончания
второго срока четко проявилось после отмены выборов губернаторов населением.
Смена губернаторов приводит к увеличению темпов роста ВРП, но лишь в
первый и второй годы после выборов (назначения), затем они снижаются и в
четвертый год темпы роста региона возвращаются к прежнему уровню.
Полученные результаты являются предварительными и требуют уточнения,
но, тем не менее, можно сказать, что инерция регионального развития является
труднопреодолимой, смена власти дает лишь кратковременный эффект, третий
срок губернаторства ведет к снижению темпов экономического роста региона
после отмены выборов губернаторов населением.
Прогнозирование изменения экологической ситуации в регионе
П.В. Дружинин, Г.Т. Шкиперова
Петрозаводск, Институт экономики КарНЦ РАН
e-mail: pdruzhinin@mail.ru

Построение моделей эколого-экономических процессов, разработка на их
основе прогнозов дают возможность исследовать пути развития регионов,
оценить влияние возможных решений федеральных и региональных властей, а
также

учесть

особенности

территорий.
59

Построенные

в

процессе

прогнозирования различные сценарии развития экономики регионов могут
приводить к существенно различающимся экологическим последствиям,
которые необходимо анализировать и учитывать при принятии решений.
Для дальнесрочного и долгосрочного прогнозирования представляется
перспективным подход, связанный с построением относительно простых
моделей, понятных и имеющих определенный экологический и экономический
смысл, расчеты по которым за ретроспективный период позволяют делать
разумные выводы и способны привести к относительно небольшому
количеству альтернативных управленческих решений. В рамках предлагаемого
подхода строятся достаточно простые и удобные для анализа наблюдаемых
процессов функции, которые описывают связь экономических и экологических
показателей, параметры которых стабильны и имеют определенный смысл,
понятный экономистам и экологам. Данный подход в значительной степени
основан на работах по теории производственных функций.
В исследованиях в качестве факторов использовались следующие
показатели – валовой региональный продукт (ВРП) и его структура, оборот
организаций и его структура, основные фонды и их структура, инвестиции в
основной капитал и их структура,

инвестиции в основной капитал,

направленные на охрану окружающей среды и рациональное использование
природных ресурсов и их структура, текущие затраты на охрану окружающей
природной среды и другие.
Основное достоинство предлагаемых функций загрязнения, связывающих
влияние на окружающую среду инвестиций и других факторов состоит в том,
что они позволяет исследовать динамику экологической эффективности
инвестиций, анализировать влияние изменения структуры инвестиций и
экономики и учесть возможность компенсации одного фактора другим.
Экологические

инвестиционные

функции

позволяют

учесть

неоднозначность влияния развития экономики на экологические показатели в
зависимости от вида деятельности и структуры инвестиций. Развитие
экономики в основном ведет к количественному росту, большинство проектов
оказывает чаще отрицательное воздействие, создание новых производств
60

увеличивает в той или иной степени нагрузку на окружающую среду. В то же
время

модернизация

действующего

производства,

переход

к

новым

технологиям, инновационные проекты, перепрофилирование производства
могут оказать положительное воздействие, могут существенно снизить
нагрузку на окружающую среду.
Исследование развития экономики Карелии за период реформ показало, что
в 90-х годах спад в экономике привел к снижению воздействия на окружающую
среду. Начавшийся с 1999 г. рост экономики большинства регионов создал
опасность значительного ухудшения экологической ситуации. В реальности рост
загрязнений оказался не столь значительным, а по некоторым показателям
экономический рост сопровождался уменьшением экологической нагрузки.
Анализ динамики выбросов загрязняющих веществ в атмосферный воздух
от стационарных источников в зависимости от ВРП Республики Карелия
показал, что до 1998 г. при снижении ВРП более чем в два раза почти так же
уменьшились и выбросы, а после девальвации рубля начавшийся экономический
рост вскоре стал сопровождаться снижением выбросов в атмосферу. Значит
природоохранные мероприятия, модернизация оборудования и структурные
сдвиги в экономике способствовали улучшению экологической ситуации.
Сброс загрязненных сточных вод характеризуется меньшими перепадами.
С уменьшением ВРП он также снижается, но лишь на 36% к 1996 г., а потом
даже немного возрастает, несмотря на продолжающееся падение ВРП. Затем
при росте ВРП сброс сточных вод увеличивается примерно на 20%.
Расчеты, которые проводились по данным Республики Карелия по
предложенным функциям позволили определить несколько зависимостей,
которые достаточно хорошо отражают реальность, и оценить влияние основных
факторов. Поскольку влияние данных факторов менялось с течением времени,
то использовались функции с переменными факторными эластичностями.
Для выбросов в атмосферу для двухфакторных функций расчеты были
возможны лишь при учете нейтрального экологического прогресса. Поскольку
влияние модернизации в 2000-х годах значительно, то темп нейтрального
экологического прогресса достаточно большой – p =-0.051. Влияние ВРП
61

Карелии на выбросы в атмосферу постепенно уменьшалось: прирост ВРП на
1% вызывал рост выбросов в атмосферу на 0.5% в начале 90-х годов и на 0.3% в
конце 2000-х. Прирост природоохранных инвестиций на 1% вызывал падение
выбросов примерно на 0.01%.
Выявление

влияния

модернизации

потребовало

при

построении

трехфакторных функций введения специальных переменных для учета
постепенности проявления эффекта от модернизации. В результате получили,
что прирост кумулятивных инвестиций на новое строительство на 1%
увеличивал выбросы на 0.19%, прирост кумулятивных инвестиций на
модернизацию на 1% уменьшал выбросы на 0.04%, и прирост кумулятивных
инвестиций в охрану воздуха на 1% уменьшал выбросы на 0.03%.
Несколько иная картина получается для сбросов загрязненных сточных
вод. Прирост ВРП на 1% приводил к росту сбросов на 0.4% в начале 90-х и
конце 2000-х годов и на 0.3% в середине периода. Вложения в модернизацию
предприятий

и водоохранные

инвестиции не

приводили к заметным

изменениям сбросов загрязненных сточных вод.
Анализ

возможности

использования

предложенных

функций

для

прогнозирования проводился на данных трех регионов Беломорья и Республики
Карелия.

Определены

условия,

при

которых

продолжиться

снижение

воздействия развития экономики Карелии на окружающую среду.
Базы данных операторов мобильной связи
как источник информации для моделирования города
Б.С. Жихаревич
МЦСЭИ «Леонтьевский центр»
190005, Санкт-Петербург, 7-ая Красноармейская ул., дом 25
e-mail: zhikh@leontief.ru
Ключевые слова: моделирование города, транспортные потоки, границы агломерации,
базы данных, мобильная связь

Не так давно (в марте 2011 г.) я «изобрел велосипед», сообразив, что
необычайно полезным источником данных для изучения транспортных
потоков

могут

быть

базы

данных

операторов

мобильной

связи.

Непосредственным толчком к этому «изобретению» стали размышления о
62

способах получения информации о миграциях населения для уточнения границ
санкт-петербургской агломерации (в рамках исследовательского проекта
Леонтьевского центра). Недолгий библиографический экскурс показал, что эта
мысль в мировом масштабе не нова, и уже несколько лет тому назад появились
научные работы, детально обсуждающие данную возможность, и даже
описывающие некоторые результаты ее использования. В докладе я намерен
поделиться полученными сведениями и собственными соображениями о
применимости данной методики в российских условиях.
Технология. Как известно, в основе мобильной связи – радиосигнал между
телефоном и антенной базовой станции. Таких базовых станций на территории
города множество. Точность привязки включенного телефона к местности может
быть от 100 до 600 м в случае использования самой простой техники, когда
местоположение телефона соотносится с местоположением базовой станции,
которая в данный момент его обслуживает. Более точная техника, основанная на
показателях двух станций, позволяет повысить точность до 50-100 м. Для
исследований возможны два типа данных: объем трафика конкретной базовой
станции

и регистрация перемещения телефона от одной базовой станции к

другой. Первый тип данных проще получить и использовать: данные априори
обезличены, известны операторам и ими фиксируются.
Известные приложения. Для наблюдения изменения плотности населения
по территории можно использовать данные первого типа – показатели динамики
загрузки каждой базовой станции в течение дня. Так, исследования в Милане [1]
позволили очень наглядно отобразить на карте естественное «продвижение»
загрузки станций от пригородов к центру года в утренние часы. Показательна
также динамика загрузки в районе центрального вокзала, позволяющая уточнить
границы «часа пик» и т.п. В Риме созданы ГИС, отображающие концентрацию
пользователей на территории города на основе подобных данных в реальном
времени [2]. А испанские исследователи, наблюдая за изменением почасовой
активности абонентов сети, делают выводы о фактическом использовании
территории и автоматически уточняют карты функционального зонирования.
Участки с преобладанием загрузки в будние дни и рабочие часы могут
63

относиться к офисным и индустриальным зонам, а участки с преобладанием
загрузки в нерабочие дни и часы – к рекреационным и жилым [3].
Следующим шагом является использование данных второго типа. О начале
такой работы говорится в [1]. Известно также, что компания IBM, реализуя
проект управления транспортными потоками в Стамбуле, сумела договориться
с местным оператором связи об использовании его баз данных.
Формализация. Первичным элементом данных второго типа является
набор трех показателей: идентификатор аппарата, время входа в соту, номер
соты. При этом известно однозначное соответствие соты и участка территории.
Хронологическая

последовательность

первичных

элементов

создает

траекторию суточного (недельного, годичного) движения телефона. Таким
образом, в крупных городах можно провести практически сплошное
исследование мобильности населения, как через разовые замеры, так и
непрерывное. Для социологических обследований было бы полезно иметь
возможность связать с идентификатором аппарата сведения о пользователе: год
рождения, пол, среднемесячный объем расходов на связь.
Исследовательские и прикладные возможности. Наиболее актуальное
прикладное использование – транспортная проблема. Ее решение возможно на
стыке социальных и технических наук и связано с изменением средств и логики
передвижений, что требует углубления знаний о существующих типах и масштабах
перемещений масс людей в городе. Назовем лишь несколько блоков задач.
А. Обследование потоков людей и транспорта для планирования
транспортной сети и управления дорожным движением, уточнение данных для
моделей прогнозирования изменений в транспортной сети, обоснования
строительства дорожных сооружений или объектов притяжения.
Б. Определение границ реальных ареалов обитания, агломерации, на
основе исследования пассажиропотоков в рамках суточных, недельных и
сезонных циклов (как часто и как далеко за пределы городской черты выезжали
горожане?, какая часть населения пригородов выезжает в центр?).
В. Социология перемещений в мегаполисе. Обработка данных позволит
выявить типы ежедневных и еженедельных траекторий, создать классификации
64

социальных групп по характеру перемещений и оценить размер группы для
разных районов агломерации. Например, «домоседы» (в течение недели не
покидали своего района), «трудоголики» (перемещение только дом-работа),
«горожане»

(не

выезжают

в

пригороды),

бродяги

(беспорядочные

перемещения) и т.п.
Препятствия для использования. Препятствия имеются с двух сторон:
- со стороны государства и его спецслужб, которые, вероятно, уже
применяют эти технологии и не захотят делиться информацией под предлогом
возможности ее использования в антиобщественных целях,
- со стороны общества, опасающегося утечек персональных данных и
утраты неприкосновенности частной жизни.
Второе препятствие преодолимо легче: большая часть разумных граждан
может

согласиться

на

разовое

или

периодическое

использование

деперсонализированных сведений в интересах городского планирования,
улучшения транспортной ситуации, работы общественного транспорта. Более
того,

горожане

функционировании

уже

демонстрируют

интерактивных

такую

готовность,

общедоступных

ГИС,

участвуя

в

отображающих

загрузку транспортных сетей и дорожную информацию на основании
добровольно передаваемых в центр обработки данных сведений пользователей
(Яндекс-пробки и подобные). Это хороший признак наличия в местном
сообществе так называемого «социального капитала» – способности и готовности
горожан сотрудничать в решении общих проблем. Чем крупнее город, тем легче
соблюсти анонимность и тем важнее проведение подобных исследований.
По европейскому законодательству информация о местоположении может
использоваться, если клиент предупрежден об этом. В США и ЕС определение
координат людей, звонящих по телефону экстренных служб, является
обязательным по закону. Более того, вполне логично со стороны общества
поставить вопрос – а кто владелец этих данных, фактически предоставленных
всеми и каждым? Вполне можно представить себе закон, обязывающий
операторов связи делать доступными данные для всех заинтересованных лиц, в
первую очередь, для исследователей и планировщиков.
65

Хочется надеяться, что исследовательское любопытство и колоссальный
потенциальный эффект от использования данных послужат достаточным
стимулом

для

преодоления

обозначенных препятствий,

и

уже

скоро

исследователи города получат в свое распоряжение уникальный источник
информации для углубления знаний о морфологии и динамике города и для
качественного скачка в повышении точности обоснования планов и проектов
развития транспорта и других городских подсистем.
Литература
1. C.Ratti, R. Pulselli, S.Williams, D. Frenchman. Mobile Landscapes: using location data from cell-phones
for urban analysis. SENSEable City Laboratory, Massachusetts Institute of Technology, Cambridge, MA,
USA http://senseable.mit.edu/papers/pdf/RattiPulselliWilliamsFrenchman2005E&PB.pdf
2. F. Calabrese, C.Ratti. Real Time Rome // Networks and Communication Studies. NETCOM. - Vol 20,
# 3-4, 2006. P. 247-258. http://www.netcom-journal.com/volumes/articlesV203/Netcom247-258.pdf
3. V. Soto, E. Frias-Martinez. Automated Land Use Identification using Call Detail Records" // 3rd
ACM Int. Workshop on Hot Topics in Planet-Scale Measurement, in conjunction with ACM
MobiSys2011, Washington DC, 2011. http://enriquefriasmartinez.info/yahoo_site_admin/assets/docs/hot12-soto.14592918.pdf

Моделирование сферы потребления в Узбекистане
Н.М. Ибрагимова, Х.С. Асадов
Институт прогнозирования и макроэкономических исследований
Узбекистан, 100000, г. Ташкент, ул. А. Кодирий, 2;
e-mail: Khurshed_bek@mail.ru
Ключевые слова: компоненты спроса, обследования домохозяйств, модели стационарных
рядов, Узбекистан

Учитывая тот факт, что колебания в потреблении домашних хозяйств
являются

важнейшими

прогнозирование

элементами

конечного

подъемов и спадов в экономике,

потребления

имеет

важное

значение

для

определения экономических механизмов, объясняющих особенности процессов
экономической динамики, особенно на фоне сложных задач в области развития
промышленных технологий, индустриализации и роста потребления услуг.
Прогнозирование и количественное определение спроса населения требует
разработки таких методов моделирования, которые могли бы адекватно объяснить
закономерности динамики спроса и трансформации его структуры, дать
количественные оценки наиболее существенных факторов, влияющих на спрос.
В

современной

экономической

литературе

количественной

оценке

потребления населения уделяется много внимания и работы на эту тему
66

позволяют определить целый спектр направлений, по которым можно проводить
новые исследования. В области публикаций по прикладному эконометрическому
анализу

потребления

часто

используется

динамический

подход

к

моделированию сферы потребления с использованием модели межвременного
выбора потребления. В нескольких работах рассматривается построение
многоаспектных моделей и функций потребительского спроса (Flavin, 1981; Hall,
1978, Campbell and Mankiw, 1989; Blanchard 1985). За последние 15 лет для
оценки модели оптимизации потребления несколько исследований использовали
статистические данные обследований домохозяйств (Hall and Mishkin, 1982;
Attanasio and Weber, 1995; Gourinchas and Parker, 2002).
Однако накопленный западный теоретико-методологический аппарат
исследований в области потребления населения не может быть полностью
скопирован в условиях экономики переходного периода. Прежде всего, по
причине того, что имеющиеся модели потребления основаны на допущении о
равновесном состоянии экономики, предполагающем наличие развитых
рыночных институтов.
В тоже время обширный западный опыт может быть особенно полезным
при исследовании воздействия на потребление населения изменений в доходах
населения, неопределенности доходов, их дифференциации, либерализации
экономической

политики

(уменьшения

вмешательства

государства

в

распределение ресурсов) и прочих факторов.
Применительно к Узбекистану при прогнозировании спроса с учетом
особенностей

товаров

применен

подход

выделения

особенностей

покупательского спроса в соответствии с периодичностью или частотой его
предъявления – спрос подразделяется на повседневный (на продовольственные
товары), периодический (на непродовольственные товары), редкий (на товары
длительного пользования).
Компоненты спроса формируются под влиянием множества факторов,
которые можно объединить в группы. На основе рассмотренных выше
методических подходов к анализу потребления, можно выделить общие и
специфические для экономики Узбекистана факторы функций спроса.
На

уровне

домашних

хозяйств

установленные

общие

факторы,

определяющие расходы на потребление, касаются доходов и других социально67

экономических факторов (располагаемые доходы потребителей, изменение
реальных денежных доходов населения, их структура по источникам
поступления; динамика инфляции и уровень розничных цен на товары и
тарифов на бытовые услуги и их соотношение; налоговая политика государства;
степень обеспеченности населения товарами длительного пользования

и

жилищные условия населения; возможности потребительского кредитования,
которые, в свою очередь, зависят от процентных ставок в банках и специальных
учреждениях

потребительского

кредитования;

отсутствие

недостатка

финансовых ресурсов и сбережений).
К специфическим для экономики Узбекистана факторам формирования
потребления

населения

по основным

видам

товаров можно отнести:

демографические особенности (численность населения и его половозрастной
состав – высокая доля молодого поколения и сельского населения);
кредитование покупок отечественной продукции.
Информационной

базой

анализа

служат

доступные

в

условиях

существующей макроэкономической отчетности ряды квартальной динамики
макроэкономических индикаторов и экономической политики, а также данные
из обследований бюджета домашних хозяйств для последовательного ряда лет.
Главным
статистически

результатом
значимых

эконометрического

причинно

анализа

следственных

является

взаимосвязей

схема
между

факторами и элементами частного спроса, сложившихся в конкретных условиях
переходной экономики Узбекистана. Результаты свидетельствуют о том, что в
модели

частное

потребление

определяется

следующими

основными

статистически значимыми факторами: уровень текущего дохода, доля молодого
поколения, процентная ставка и переменная благосостояния.
Как следует из характеристики полученных уравнений элементов частного
спроса, в целом полученные уравнения объяснили 95%-98% всей динамики
элементов частного спроса.
Полученные оценки показывают, что при росте текущих располагаемых
доходов домохозяйств на 1 п.п. наблюдается рост потребления платных услуг
на 0.68 п.п. Растет потребление платных услуг

также и при росте

обеспеченности

4.69 п.п.

домашних

хозяйств

жильем

обеспеченности на 1. п.п. от базового периода).
68

(на

при

росте

Для товаров повседневного пользования повышение доходов, например, на
10 п.п. приводило к дополнительному повышению темпов прироста элементов
частного спроса на эти товары на 7.8 п.п.
В свою очередь динамика товаров длительного пользования определялась
динамикой доходов, сбережений и долей молодого поколения. Выявленной
особенностью является их высокая зависимость от доли молодого поколения
(коэффициент эластичности 3,06).
На потребление продовольственных товаров положительно влияют темпы
прироста доходов населения (коэффициент эластичности 0,71), доли молодого
поколения (2,22) и темпы роста сбережений населения (0,19).
Для учета краткосрочных и долгосрочных эффектов факторов на
компоненты потребления домохозяйств и соответственно на рост этих
компонентов, было проанализировано влияние эффекта мультипликатора в
указанном периоде. Определение влияния мультипликативных эффектов
компонент потребления и выявление его долгосрочных и краткосрочных
эффектов позволяет выявить наиболее взаимосвязанную компоненту с
потреблением домохозяйств, что в конечном итоге предоставляет возможность
проанализировать поведение домохозяйств (в т.ч. определения реагирования
домохозяйств в период кризисных явлений).
Литература
1. Attanasio, Orazio P., and Guglielmo Weber, Is Consumption Growth Consistent with

Intertemporal Optimization? Evidence from the Consumer Expenditure Survey. Journal of
Political Economy 103, (1995) 1121-1157.
2. Blanchard, O. “Debt, deficits and finite horizons,” Journal of Political Economy (1985), 93(2), 223-247.
3. Campbell, John Y., and Gregory Mankiw, Consumption, Income and Interest Rates:
Reinterpreting the Time Series Evidence; in Olivier J. Blanchard and Stanley Fischer, eds.:
NBER Macroeconomics Annual (MIT Press, Cambridge MA, 1989).
4. Flavin, Marjorie A. “The Adjustment of Consumption to Changing Expectations about Future
Income,” Journal of Political Economy 89, (October 1981) 974-1009.
5. Gourinchas, Pierre-Olivier, and Jonathan Parker, “Consumption over the Life-Cycle,”
Econometrica, 2002, Vol. 70, No. 1, pp. 47–89.
6. Hall, Robert E Stochastic Implications of the Life Cycle –Permanent Income Hypothesis: Theory
and Evidence. Journal of Political Economy 86, no 6 (December 1978) 971-87.
7. Krueger, Dirk, and Jesus Fernandez-Villaverde, Consumption over the Life Cycle: Facts from
Consumer Expenditure Survey Data. Working Paper, University of Pennsylvania, 2004.
8. Rudd, Jeremy, and Karl Whelan, A Note on the Cointegration of Consumption, Income, and
Wealth. Finance and Economics Discussion Series 2002-53. Board of Governors of the Federal
Reserve System, 2002.
69

Динамическая стохастическая модель общего экономического равновесия
Казахстан - Россия - Остальной мир
С.М. Иващенко
Санкт-Петербургский государственный политехнический университет
195251, Санкт-Петербург, Политехническая, 29
e-mail: glucke_ru@pisem.net
Ключевые слова: ДСОЭР; DSGE.

Динамические стохастические модели общего экономического равновесия
(ДСОЭР) стали одним из основных инструментов макроэкономического анализа,
как в международной академической среде, так и для центральных банков.
Крупнейшие центральные банки для анализа различных аспектов денежной
политики создали свои модели, такие как SIGMA (ФРС США), NAWM (ЕЦБ),
BEQM (Банк Англии), ToTEM (Банк Канады), GEM (МВФ), NEMO (Норвегия),
RAMSES (Швеция), MAS (Чили), MEGA-D (Перу) [2]. В русскоязычной
литературе данному классу моделей не уделялось должного внимания.
Одним из основных способов применения ДСОЭР моделей является анализ
государственной экономической политики (особенно денежной политики).
Подобный анализ был проведен для экономики Казахстана. Учитывая тесную
взаимосвязь экономики Казахстана и России, была построена ДСОЭР модель
Казахстан – Россия – Остальной мир. В рамках модели экономика каждой из 3х
стран состоит из 3 групп агентов: домохозяйств, фирм и государства. Каждая
фирма и каждое домохозяйство максимизирует ожидаемый дисконтированный
поток полезности при условии ряда ограничений.
Параметры разработанной модели были оценены на основе статистических
данных по Казахстану и России. Схема расчетов выглядит следующим образом:
1. Аналитически найдены условия оптимальности поведения каждого
домохозяйства и фирмы (условия первого порядка).
2. Все получившиеся условия оптимальности поведения агентов (содержат
рациональные ожидания из-за природы оптимизационных задач), а так же
правила поведения государства, балансовые ограничения и описания
экзогенных процессов объединяются в единую систему.
3. Находится

параметризированное

получившейся системы.
70

детерминированное

равновесие

4. Система линеаризуется в точке параметризированного детерминированного
равновесия.
5. Находится решение системы уравнений с рациональными ожиданиями
представляющее

собой

зависимость

эндогенных

переменных

от

собственных лагов и экзогенных шоков.
6. На

основе

полученной

правдоподобия

(сумма

зависимости

квадратов

рассчитывается

ошибок

прогнозов

функция

наблюдаемых

переменных на 1 квартал) при помощи фильтра Калмана.
7. Численно максимизируется функция правдоподобия (минимизируется
сумма квадратов ошибок прогнозов наблюдаемых переменных на 1 квартал)
по параметрам повторяя шаги 4-6.
Полученные двумя способами оценки всех 242 параметров в целом
оказались схожи, однако оценки 18 параметров существенно разошлись. В
основном

расхождения

коснулись стандартных отклонений экзогенных

процессов (12 из 18 расхождений). Остальные 6 отклонений это: параметр
автокорреляции экзогенного процесса характеризующего ставку налога на
выпуск в остальном мире (0.16 при ММП против 0.7 при МНК); параметр
автокорреляции экзогенного процесса характеризующего денежную политику в
остальном мире (0.42 при ММП против -0.58 при МНК); параметр
автокорреляции

экзогенного

процесса

ликвидности фирм в Казахстане (6*10
параметр

характеризующий

-4

характеризующего

предпочтение

при ММП против 0.35 при МНК);

«привычный»

объем

облигаций

в

рублях

приобретаемый домохозяйствами остального мира (1.15 при ММП против -2.2
при МНК); параметр при лаге процентных ставок в правиле Тейлора
описывающем денежную политику Казахстана (0.85 при ММП против 0.16 при
МНК); параметр негибкости позиции домохозяйств Казахстана в акциях фирм
Казахстана (398 при ММП против 1.1*106 при МНК).
Сравнивая поведения государства в России и Казахстане, можно видеть,
что денежная политика в Казахстане соответствует принятым в ведущих
странах стандартам – заметная антиинфляционная политика (рост инфляции на
1% ведет к росту ставок на 0.75%) и последовательность в определении ставок
71

(коэффициент при лаге ставки 0.85), небольшая чувствительность к темпам
экономического роста (соответствующий коэффициент 1.9*10 -2). В России
денежная политика не чувствительна ни к темпам инфляции (соответствующий
коэффициент 3.5*10-4) ни к темпам экономического роста (соответствующий
коэффициент 2.7*10-4), при этом денежная политика крайне непоследовательна
(коэффициент при лаге процентных ставок -0.998). Таким образом, проводимая
в России денежная политика не представима в виде управления процентными
ставками с целью управления инфляцией. Если вспомнить, что правила
задающие темпы роста денежной массы, таким как правило Маккалума схожи с
правилом Тейлора [1], то получается, что проводимая в России денежная
политика

определяется

экзогенными

факторами,

а

не

основными

экономическими показателями.
Правило определяющее государственные расходы так же различаются
между Казахстаном и Россией (в Казахстане доля государственных расходов
чувствительна к темпам экономического роста, а в России чувствительность
невысокая). В целом правила фискальной политики Казахстана носят ярковыраженный контрциклический характер, в то время как в России скорее
процикличны. Другим проявлением этих различий в экономической политике
государства является разложение дисперсии инфляции и темпов экономического
роста. В России большая часть дисперсии, как инфляции, так и темпов роста
объясняется деятельности государства. В то же время в Казахстане для темпов
экономического роста ключевым фактором является объем трудовых ресурсов в
распоряжении домохозяйств, а динамика инфляции объясняется множеством
факторов, среди которых шоки предпочтения ликвидности, шоки межвременных
предпочтений, технологический шок и другие.
Таким

образом,

уже

беглый

анализ

фиксирует

преимущества

экономической политики в Казахстане над Российской.
Литература
1. Razzak W. Is the Taylor Rule Really Different from the McCallum Rule? // Contemporary
Economic Policy. 2003. Vol. 21. Issue 4. Pp. 445-457.
2. Tovar C. E. DSGE models and central banks // BIS Working Papers from Bank for International
Settlements. No 258. 2008.
72

Эконометрический анализ обменного курса и инфляции в России
А.Д. Игнатенко
Санкт-Петербургскийэкономико-математический институт РАН
ул. Чайковского, д.1, Санкт-Петербург, 191187
e-mail: an.ignatenko@gmail.com
Ключевые слова: инфляция, обменный курс, exchange rate pass-through

Введение
В последнее время в странах с переходной экономикой Центральные Банки в
своей политике все больше внимания уделяют проблеме контроля инфляции.
Россия не стала исключением. Об этом свидетельствуют и политика, проводимая
ЦБ РФ, и цели, которые он перед собой ставит. В связи с этим анализ проводимой
Центральным банком политики невозможен без понимания механизмов
формирования инфляции.
В данной работе осуществлена попытка проверить наличие взаимосвязи
между изменением уровня инфляции в стране и изменением обменного курса. В
англоязычной литературе данный эффект получил название exchange rate pass
through (ERPT). К сожалению, общепринятого перевода данного термина еще не
существует. Суть данного эффекта можно свети к тому, что инфляция может
«импортироваться» из одной страны в другую через обменный курс. Таким
образом, с помощью ERPT можно исследовать один из важнейших параметров
экономики – инфляцию.
Вторым этапом исследования стало изучение правил денежно-кредитной
политики Центрального банка РФ, в которых находит отражение политика,
проводимая

Центральным

банком,

а

также

особенности

современной

экономической ситуации в стране. Знание такого правила позволяет лучше
прогнозировать экономические процессы, поскольку такое правило дает
представление о том, как Центральный банк будет реагировать на текущую
экономическую ситуацию в стране.
Exchange Rate Pass Through (ERPT)
Существует два похода к выявлению наличия: проверка линейной
гипотезы и выявление коинтеграционного соотношения.
73

Анализ наличия ERPT, основанный на оценивании линейной модели,
которая вытекает из закона одной цены. Данный метод подразумевает оценку
корректировки уровня цен в зависимости от изменений обменного курса в
ответ на транзакции между страной-экспортером и страной-импортером.
В

рамках

подхода,

связанного

с

выявлением

коинтеграционного

соотношения выделяют два метода для определения наличия ERPT. Один из
них – это проведение теста Йохансена в рамках построения VAR-модели.
Вторым методом является проведение теста Песарана–Шина на основе
построения ARDL-модели.
VAR-модели и рассмотрение функций откликов в рамках этих моделей
является наилучшим инструментом качественного анализа разнонаправленных
эффектов, какими являются обменный курс и инфляция.
Анализ ERPT для российских данных проводился на интервале с июня 1999
года по декабрь 2006 (ежемесячные данные) для трех видов обменных курсов:
обменный курс рубля к доллару, обменный курс рубля к евро и эффективный
обменный курс, рассчитанный по методологии ЦБ РФ.
Проведение проверки наличия ERPT описанными выше показало, что
данный эффект присутствует для трех типов обменных курсов. Можно говорить
о достаточно высокой достоверности выводов, поскольку в исходные VARмодели для качественного анализа ERPT, построенные для каждого типа
обменного курса, были включены следующие регрессоры в таком порядке: цены
на нефть, отклонение реального выпуска от потенциального, объем денежной
массы, обменный курса. Полученные модели были проверены на нормальность,
гетероскедастичность, наличие автокорреляции в остатках и устойчивость.
На основе полученных VAR-моделей были построены функции откликов,
которые дали сходные результаты для всех трех исследуемых моделей. В ответ на
резкое изменение темпов прироста обменного курса, темпы прироста инфляции в
первом периоде растут, а затем инфляция замедляется, но в итоге темп прироста
ИПЦ стабилизируется на уровне, чуть превышающем изначальный. Также на
основании полученных функций откликов можно говорить о трехмесячной

74

первичной подстройке отечественных производителей к росту спроса на их
продукцию в результате шока в обменном курсе.
Другим

способом

оценки

ERPT

является

расчет

так

называемых

коэффициентов ERPT, который представляет собой величину кумулятивного
отклика темпов прироста инфляции, нормированную на величину кумулятивного
отклика темпов изменения обменного курса.
Проведенный анализ показал, что для трех типов обменных курсов эффект
ERPT имеет различную величину. Так, ERPT для обменного курса рубля по
отношению к доллару оказался самым значительным в течение первых периодов.
Это объясняется тем, что сверхдоходы от продажи нефти поступают именно в
долларах и именно нефтедоллары могут провоцировать рост инфляции.
Из всего вышесказанного можно сделать вывод, что для всех обменных
курсов сначала имеет место отрицательный эффект ERPT, который, в первую
очередь, связан с превентивными антиинфляционными мерами государства,
однако в долгосрочной перспективе российская экономика демонстрирует
значительные положительные коэффициенты ERPT для обменного курса рубля
по отношению к доллару и для эффективного обменного курса.
Заключение
В данное исследовании, с одной стороны, была осуществлена попытка
проверить наличие такого эффекта как ERPT, который несомненно оказывает
влияние на политику, проводимую Центральным банком.
Построенные VAR-модели подтвердили гипотезу о том, что одной из
причин инфляции в России является ее «импортирование» через обменный курс.
Также анализ показал, что наличие эффекта ERPT в России в первую очередь
связано со сверхдоходами от продажи нефти. И в этой связи наличие
стабилизационного фонда представляется очень разумной и эффективной мерой
государственной политики. Однако коэффициенты EPRT не достигают величины
в 100%, что свидетельствует о неполном ERPT и что существуют другие
факторы, помимо цен на нефть, способствующие росту инфляции внутри страны.
Литература
1. Ball L. «Policy Rules for Open Economies», NBER Working Papers, Working Paper 6760,
October 1998.

75

2. Frankel J., D.Parsley, S.J.Wei, «Slow pass through around the world: a new import for
developing countries», .NBER Working Paper #11199 2005
3. Goldberg P.K., M.Knetter «Goods Prices and Exchange Rates: What Have We Learned?»,
Journal of Economic Literature, Vol. 35, #3, 1997, pp, 1243-1272
4. Korhonen I., P.Wachtel «A note on exchange rate pass-through in CIS countries», Research in
International Business and Finance, Vol. 20, No. 2 (2006), pp. 215-226
5. Orphanides A. «Taylor rules» Board of Governors of the Federal Reserve System, January 2007.
6. Pesaran M.H., Y. Shin and R.J. Smith, «Bounds testing approaches to the analysis of level
relationships» Journal of Applied Econometrics, 2001, Vol 16, No. 3, pp.289-326
7. Taylor J.B. «Discretion versus policy rules in practice» Carnegie-Rochester Conference on
Public Policy 39, 195-214, 1993.

Моделирование влияния структуры рождаемости
на долгосрочную динамику населения
Е.М. Ильин, Н.Г. Косолапенко
Санкт-Петербургский экономико-математический институт РАН
191187, Санкт-Петербург, ул. Чайковского, д. 1
e-mail: emil@emi.nw.ru, nina_k@emi.nw.ru
Ключевые слова: математическое моделирование, демографические процессы,
возрастная структура, рождаемость, миграция, стабильное население

В рамках теории стабильного населения изучается влияние изменений
величины и структуры показателей рождаемости на возрастной состав
населения. Рассматривается вопрос о связи возраста матери при рождении
детей и возрастной структуры стабильного населения. Показано, что при
неизменной величине суммарного коэффициента рождаемости (СКР) смещение
максимумов возрастных коэффициентов в старшие возраста приводит в случае
суженного воспроизводства к росту доли детей и снижению среднего возраста,
т.е. к омоложению стабильного населения.
Будем использовать дискретную демографическую модель, обобщающую
модель Лесли за счет учета миграции, и подробно описанную в [1]. Обозначим
через n(t) вектор численностей возрастных групп в момент времени t: n(t) =
(n0(t), n1(t),…, nω(t)), где  – номер последней возрастной группы. Примем, что
время и возраст населения меняются с годичным интервалом. Векторы n(t+1) и
n(t) связаны соотношением: n(t+1) = Ln(t) + Rn(t)  Lm n(t). Здесь L – матрица
Лесли, R = diag(r), где r = (r0, r1, r2,…,r) – вектор возрастных коэффициентов
миграционного прироста. Пусть i собственные числа матрицы Lm. Будем
предполагать, что 0 – вещественно и i<  0 , i = 1, 2,…,  (при r ≥ 0
76

предположение выполняется автоматически). В результате модель обладает
свойством

эргодичности,

т.е.

при

больших

временах

динамика

стабилизируется:

n t 

lim

μ t0

t 

 πv , π = const.

Возрастная структура стабильного населения определяется отвечающим
 0 собственным вектором v, который не зависит от начального населения n(0) и
полностью определяется режимами воспроизводства и миграции.
Аналитической

основой

приводимого

ниже

анализа

стабильного

населения служат явные выражения для характеристического полинома
матрицы Lm и компонент вектора v (см. [1]). Вектор v не зависят явно от
коэффициентов рождаемости. Их воздействие проявляется лишь через ведущее
собственное число µ0 , задающее также и темп роста стабильного населения.
В результате, исследование показателей проводится в два этапа: сначала
изучается их зависимость от µ0, а затем – поведение µ0 как функции от вектора
коэффициентов рождаемости Ф.
Пусть Dj – доля j-й возрастной группы в стабильном населении. Для
интенсивностей изменения его долевого состава имеет место представление
i
ω
dD j (μ0 )
1

 R(μ0 )  γ j (μ0 ), γi (μ0 )   (μ0  r j )1, R(μ0 )   γk (μ0 )Dk (μ0 ). (1)
D j (μ0 ) dμ0
j 1
k 0

При отсутствии миграции (модель Лесли) аналог формулы (1) показывает,
что коэффициент эластичности равен разности средних возрастов всего
населения и группы j. Будем считать, что µ0 – rj > 0, при этом функции γj (µ0)
монотонно возрастают вместе с номером j1. Из формулы (1) вытекает, что при
изменении µ0 возрастные группы детей и пожилых будут меняться с большей
амплитудой,

чем

группы

лиц

трудоспособного

возраста.

Рассмотрим

совокупность возрастных групп с последовательно возрастающими номерами j
= 0, 1,…, δ, δ < ω. Суммарная доля данной последовательности с ростом

1

Неравенства µ > rj означают, что динамика численности населения в первую очередь определяется
процессом естественного воспроизводства.

77

(уменьшением) µ0 будет увеличиваться (убывать). При помощи формулы (1)
можно также установить, что с ростом (уменьшением) µ0 средний возраст
стабильного населения убывает (растет). Характер изменения этих показателей
свидетельствует, что с ростом µ0 возрастная структура населения сдвигается в
сторону омоложения.
Дифференцируя характеристический полином det(Lm – µ0 I), получим
выражение для дифференциала dµ0
β


dμ0  g (μ0)  L(d ), L(d )   v j (μ0)d  j , g(μ0)  v0   γ j (μ0)v j (μ0)  j 

jα
jα

β

1

 0 , (2)

где ,  – номера первой и последней групп репродуктивного периода. Из (2)
следует, что величина и знак dµ0 определяются линейной формой L(dФ). В
частности, любые перестройки структуры рождаемости, при которой L(dФ) = 0,
т. е. численность родившихся останется прежней, сохранят темп роста и
структуру стабильного населения.
В настоящее время в большинстве развитых стран, включая Россию,
наблюдается процесс старения материнства – сдвиг рождения детей к старшим
возрастам репродуктивного периода (см., например, [2]). Проанализируем в
рамках рассматриваемой модели влияние этого процесса на возрастную
структуру стабильного населения. Рассмотрим варианты, при которых СКР
постоянен, а меняется лишь возрастная структура рождаемости. Здесь
в качестве «модели» можно рассмотреть следующую ситуацию. Пусть
коэффициенты рождаемости изменились только в двух возрастных группах
с номерами j и j + 1 и при этом – dФj = dФj+1, т. е. уменьшение рождаемости
в младшей возрастной группе компенсируется ее увеличением в старшей.
В результате величина СКР останется прежней, а средний возраст матери при
рождении детей возрастет. Из формулы (2) получим

d μ 0  g (μ 0 )  [ v k 1 (μ 0 )  v k (μ 0 )] d  k .
Дифференциал dμ0 будет положителен, если численность старшей возрастной
группы будет больше. Для этого достаточно, чтобы выполнялось неравенство.

Pj > μ0 – rj+1. Здесь Pj – вероятность дожития для лиц j-й возрастной группы.
78

Анализ реальных ситуаций показывает, что при суженном воспроизводстве,
когда µ0 < 1, неравенство выполняется для всех групп репродуктивного возраста.
Рассмотрим еще один модельный вариант изменения структуры рождаемости
при суженном воспроизводстве. Предположим, что в репродуктивном периоде
численность групп с возрастом монотонно увеличивается, все группы
репродуктивного периода можно разделить на две не пересекающиеся
совокупности так, что в младшей показатели рождаемости не возрастают:
dФj ≤ 0, а в старшей – не убывают: dФj ≥ 0, и при этом величина СКР не меняется.
В этом случае форма L(dФ), а вместе с ней и собственное число μ0 возрастут,
увеличится и средний возраст матери. В обоих случаях «старение» материнства
ведет к омоложению возрастного состава. Таким образом, в этих модельных
ситуациях или в близких к ней реальных случаях, средний возраст при рождении
детей будет служить индикатором омоложения возрастной структуры.
Литература
1. Ильин Е.М., Косолапенко Н.Г., Сафарова Г.Л. Оценка замещающей миграции.
Экономико-математические исследования: математические модели и информационные
технологии. IV. С.-Петербург: Наука, 2005, часть 1. С. 186-200.
2. Население России 2007. Пятнадцатый ежегодный демографический доклад / Отв. ред.
А.Г. Вишневский. – М.: Издательский дом ГУ ВШЭ, 2009.

Автоматизированная система учета результатов интеллектуальной деятельности РАН
как основа для создания виртуальной научной среды
М.Д. Ильменский, С.И. Паринов
Центральный экономико-математический институт РАН
Нахимовский пр. 47, Москва, 117418
e-mail: ilmensky@cemi.rssi.ru
Ключевые слова: АСУ РИД РАН, регистрация результатов исследований, единая
виртуальная среда РАН

Исходным стимулом для создания автоматизированной системы учета
результатов интеллектуальной деятельности РАН (АСУ РИД РАН) стала
необходимость исполнения в Российской академии наук постановления
Правительства РФ от 04.05.2005 г. № 284 «О государственном учёте
результатов

научно-исследовательских,

технологических

работ

гражданского

опытно-конструкторских
назначения»

и

и

постановления

Правительства РФ от 08.04.2009 г. № 312 «Об оценке результативности
79

деятельности научных организаций, выполняющих научно-исследовательские,
опытно-конструкторские и технологические работы гражданского назначения».
В 2009-2010 гг. работы по созданию АСУ РИД РАН проводились в рамках
программы Президиума РАН «Поддержка инноваций и разработок» (рук.
программы акад. РАН С.М. Алдошин). Руководитель работ – заместитель
председателя Черноголовского научного центра, д.ф-м.н. П.К. Берзигияров.
ЦЭМИ РАН было приглашено к участию в этом проекте в сентябре 2009 г.
Решаемые задачи включали: методическую разработку концепции АСУ РИД
РАН, создание службы технической поддержки пользователей системы,
разработка электронных административных регламентов для основных категорий
пользователей, организацию процесса тестирования системы и ее доработки.
Основными процессами, реализованными в АСУ РИД РАН на середину
2011 г. являются:
• электронное

проведение

конкурсов

проектов

на

финансирование

исследований по программам Президиума РАН, включая онлайновый прием
заявок и проектов, их экспертную оценку, определение победителей, прием и
регистрацию отчетов по выполнению проектов;
• электронная регистрация всех РНТД, полученных по выполняемым РАН
проектам, включая их регистрацию в едином государственном реестре;
• электронный

сбор

данных

и

их

регулярное

обновление,

для

формирования показателей результативности деятельности организаций РАН,
а также автоматическое формирование на основе этих данных публичных
рейтингов научных организаций РАН и т.д.
Для онлайнового взаимодействия сотрудников институтов РАН с этой
системой создан интернет-портал АСУ РИД РАН (https://www.asurid.ru/),
который состоит из пяти основных подсистем:
1. управление пользователями системы;
2. программы, проекты, экспертизы, отчеты;
3. учет РНТД (описание РНТД и процедуры регистрации в едином
государственном реестре);
4. оценка результативности (ввод показателей и создание отчетов);
80

5. служба технической поддержки пользователей.
По разным причинам ввод АСУ РИД РАН в эксплуатацию уже несколько
раз переносился, но в ближайшее время эта система будет принята в опытнопромышленную эксплуатацию и до конца года начнет полноценно работать в
части сбора как данных для оценивания результативности институтов РАН,
регистрации РНТД и т.п.
АСУ РИД РАН исходно создавалась для совершенствования учета
охраняемых результатов, полученных на средства госбюджета, и комплексной
оценки результативности институтов РАН. Однако созданная система обладает
значительным потенциалом для повышения эффективности функционирования
науки в целом.
Развитие средств учета результатов НИР и совершенствования способов
оценивания результативности научной деятельности связанно с лучшим
пониманием как работает социально-экономическая система науки и ее
специфики в сравнении с другими типами социально-экономических систем.
Естественные социально-экономические регулирующие механизмы, основанные
на конкуренции агентов системы за ограниченные ресурсы, применительно к
науке действуют несколько иначе. Ученые не конкурируют за доступ к корпусу
научных результатов, который является основным ресурсом для производства
нового научного знания. Ученые и исследовательские организации стремятся
иметь хорошую научную репутацию, и конкурируют между собой, чтобы иметь
максимально высокий репутационный рейтинг, на основе которого, как правило,
распределяется финансирование на поддержку исследований.
Социально-экономическая теория для таких случаев утверждает, что
эффективность и устойчивость системы напрямую зависят от силы корреляции
между результативностью агентов системы в рамках основного процесса
производства (т.е. в производстве научного знания) и их репутационным
рейтингом, формируемым существующей научной инфраструктурой.
Научные информационные системы (например, АСУ РИД РАН) создают
виртуальную среду для научно-исследовательской деятельности, которая может
характеризоваться различной степенью корреляции между реальной научной
81

результативностью агентов и показателями, на основе которых принимаются
решения о финансировании их исследований. В силу многофакторности этой
ситуации, задача построение научных информационных систем для анализа и
выявления оптимальных решений является не тривиальной.
Современные подходы и технологии компьютерного имитационного
моделирования

социально-экономических

систем

позволяют

построить

компьютерную модель научной системы, которая может с высокой точностью
имитировать возможные последствия от применения различных решений как в
части дизайна и архитектуры научных информационных систем, так и в
административных регламентах и организационном обеспечении.
В связи с этим считаем целесообразным инициировать исследования и
разработку соответствующей компьютерной имитационной модели силами
организаций, участвующих в настоящее время в развитии АСУ РИД РАН
(ЧНЦ, ИПРАН, ЦЭМИ).
Наличие такого инструментария позволит анализировать различные
подходы к формированию новой виртуальной среды для деятельности ученых,
к появлению у ученых новых привычек, а также нового понимания ими модели
успешного профессионального поведения. Это позволит с упреждением
реагировать на современные вызовы в развитии науки, когда многие
привычные атрибуты научной жизни меняют свое содержание, а также
возникают новые явления: самоархивирование статей самими учеными вместо
их традиционной публикации, хранение и поиск материалов в репозиториях
открытого доступа вместо традиционных библиотек, научная статья становится
"живой" публикацией, гранулирование научных статей в нанопубликации,
замена традиционных научных ссылок семантическими связями между
цифровыми объектами с развитой качественной атрибутикой, и т.д.
Системный подход к анализу этих процессов на основе компьютерной
имитационной модели научной системы позволяет пересмотреть наши
традиционные представления о жизненном цикле производства научного
результата. В рамках этого появляются возможности для качественно нового
решения ряда актуальных проблем науки: улучшение научного оборота и
использования

результатов

исследований,
82

повышение

качества

оценок

результативности ученых и исследовательских организаций, более точная
фиксация индивидуального вклада ученого и влияния отдельных научных
результатов на науку.
Литература
1. Паринов С.И. Концепция виртуальной научной среды "Открытая Наука" //Труды международной
суперкомпьютерной конф. "Научный сервис в сети Интернет: суперкомпьютерные центры и
задачи", Новороссийск, 20-25 сентября 2010 г. – М.: Изд-во МГУ, 2010, стр. 473-481. Электронная
авторская версия: http://socionet.ru/publication.xml?h=repec:rus:mqijxk:24
2. Ильменский М.Д., Маракуев А.В., Паринов С.И. Применение новых информационных
технологий в экономических исследованиях //ЭММ, номер 39, выпуск 2, 2003.

ВЕГА – инструмент компьютерной поддержки социологических исследований
Е.А. Каневский1, К.К. Боярский2
1

Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского д.1, Санкт-Петербург, 191187;
e-mail: kanev@emi.nw.ru;
2
СПб Гос. Университет информационных технологий, механики и оптики
197101, Санкт-Петербург, пр. Кронверкский, д.49;
e-mail: boyarin9@yandex.ru
Ключевые слова: социология, контент-анализ текстов, фраза, классификация, открытые
вопросы, словари.

Многие исследователи занимаются анализом содержания текстов при
изучении влияния средств массовой информации на общественное мнение, при
изучении

политического,

экономического,

юридического

и

даже

экологического сознания общества. В частности, социологи анализируют такие
тексты,

как

материалы

средств

массовой

информации,

политические

материалы, биографии и дневники, научные публикации и др. Более того,
социология сама стимулирует появление в обществе специальных текстов,
проводя конкурсы сочинений и автобиографий, организуя интервью с
использованием открытых вопросов [1].
Среди

перспективных

направлений

анализа

текстов

обсуждаются

концепции и технологии применения контент-анализа (КА) для исследования
текстуальных данных [2]. КА является одним из методов качественноколичественного изучения содержания текстов и позволяет извлекать из них
разнообразную информацию. Сущность КА заключается в том, что все
многообразие текстов по интересующей исследователя тематике сводится к
набору определенных элементов, которые затем подвергаются подсчету и
83

анализу. При этом фиксируется как сама частота выделенных элементов, так и
частота связанности одних групп элементов с другими.
Система ДИСКАНТ была создана в 1993–1998 годах для классификации и
анализа

текстовых

массивов.

Она

обеспечила

мощной

компьютерной

поддержкой работу различных исследователей и аналитиков, имеющих дело с
анализом текстовой информации [3].
На основе системы ДИСКАНТ в настоящее время создана система ВЕГА
[4, 5]. ВЕГА – это диалоговая система классификации и анализа текстов,
использующая принципы КА текстов, словари и классификаторы. Система в
основном предназначена для обработки структурированной и, прежде всего,
анкетной информации, представляющей собой ответы респондентов на открытые и
полузакрытые вопросы социологических анкет. Система позволяет выполнять
также некоторые элементы анализа текста: составление словарей, подсчет
встречаемости слов, поиск слов по словарю и по тексту и т. д. Система
обеспечивает статистический анализ ответов на закрытые и полузакрытые вопросы.
Обеспечивается также стыковка с Microsoft Excel и SPSS. Таким образом, система
ВЕГА представляет собой весьма развитый инструмент для работы с текстовой и
цифровой информацией при проведении социологических исследований.
Основное достоинство системы ВЕГА – возможность классификации
текстовой информации. Используется методика итерационной классификации
текста. В качестве единицы анализа выбрана фраза. Слова, наиболее точно
отражающие смысл фразы, выделяются прописными буквами – это ключевые
слова. Выделение фраз и ключевых слов осуществляется вручную в процессе
подготовки текста к анализу. В ручном варианте классификация состоит из трех
основных процедур: разработки классификатора, собственно классификация
заранее отобранных фраз (они получают статус нормативных фраз) и
идентификации, в процессе которой каждая фраза основного текстового
массива ставится в соответствие с одной из нормативных фраз, наиболее
близкой ей по смыслу (точнее по словарному составу). После этого очередной
текстовой фразе приписывается порядковый номер указанной им нормативной
фразы – своеобразный адрес в классификаторе, по этому адресу в дальнейшем
определяется класс и группа текстовой фразы.
84

В

принципе

полная

реализация

классификационного

процесса

осуществляется путем итерации всех трех вышеперечисленных процедур.
Такая итерационная схема позволяет выполнять анализ порциями. Обычно
только

после

нескольких

классификацию

всего

итераций

текстового

удается

массива

и

провести

получить

адекватную

классификатор,

оптимальный по структуре.
Новые возможности для системы ВЕГА открываются с появлением в ее
составе морфологического анализатора. Это касается как появления
возможности более точного сравнения слов по их основным формам, так и
использования дополнительного параметра для сравнения фраз – класса слов.
Такой класс автоматически определяется по одному из трех вариантов
классификатора по выбору исследователя и в ряде случаев позволяет
значительно упростить сам процесс классификации. Появляется возможность
составления настоящих частотных словарей.
Принципиально

новой

является

возможность

автоматической

классификации текста, при которой весь классификационный процесс
осуществляется одновременно. Полученный классификатор обычно требует
ручного редактирования. Такая автоматическая классификация с успехом
может

быть

применена

для

классификации

сравнительно

кратких

и

однозначных текстовых фрагментов (такими могут быть, например, названия
должностей и специальностей, характеристика образования и т. п.). По нашему
мнению, на сегодня ВЕГА является единственной системой, позволяющая
производить автоматическую классификацию текста.
Развитая система словарей и простота самой системы, а также наличие
подробной системы справки позволяет рекомендовать систему ВЕГА для
широкого использования при самых разнообразных работах. В качестве текстов
могут выступать как любые «длинные» неструктурированные тексты –
например, концепция, литературный или иной текст, интервью, биография,
дневники и др., так и анкетная информация в социологических исследованиях.
Литература
1. Каневский Е.А., Саганенко Г.И. Концептуальное обоснование компьютерного анализа
массивов с текстами // Социология: 4М. – 1997. – №9. С. 65–81.
2. Weber R.P. Basic content analysis, 2nd ed. – Newbury Park, CA, 1990.
85

3. Саганенко Г.И., Каневский Е.А., Гайдукова Л.М., Клименко Е.Н. Контент-анализ
текстуальных данных в системе "ДИСКАНТ" // Информационные продукты, процессы и
технологии "НТИ-96". – М.: ВИНИТИ. – 1996. – С. 196–197.
4. Боярский К.К., Каневский Е.А. Вега – система для работы с текстами // Экономикоматематические исследования: математические модели и информационные технологии.
СПб.: Нестор История. – 2008. – Вып.6. – С. 184–200.
5. Саганенко Г.И., Каневский Е.А., Боярский К.К. Контексты эмпирического познания в
социологии и возможности программы ВЕГА // Телескоп. – 2008. – №6. С. 43–55.

Контекстно-ориентированные модели социального знания
Г.В. Каныгин
Социологический институт РАН
190005, СПб, 7-я Красноармейская ул., д. 25/14
e-mail: genaka@inbox.ru

Назначение. Выступление лидера. Он говорит: «Мы создали стратегии
социального развития города. В их рамках нам удалось улучшить содержание
жилищного фонда и осуществить социальную поддержку малоимущих граждан».
За выступлением стоит социальное знание, которое в современной практике
социального управления формируется по преимуществу с помощью текстовых
документов.

Использование

текста

в

качестве

инструмента

социальной

коммуникации не позволяет предложить неэкспертные критерии оценивания
социального

знания.

Отсюда

возникает

зависимость

оценок

предмета,

описываемого в документе (постановлении, законе, регламенте, сфере полномочий
и т.п.), от включенности эксперта в разнообразные социальные отношения.
Развиваемые

методы

предназначены

для

организации

социальной

коммуникации с целью коллективного создания социального знания, которое
может быть проверено на связность без привлечения эксперта. Предполагается,
что в создании знания участвуют многие социальные акторы – население,
политические партии, юристы, известные и неизвестные персоны и др., а
предлагаемые методы позволяют им эффективно взаимодействовать, в частности,
контролировать утверждения друг друга в ходе этого процесса.
Создание социального знания контекстно-ориентированными методами
представляет собой аналог объектно-ориентированного программирования,
которое осуществляется множеством социальных акторов, использующих
вместо типообразования переменных и работы с их значениями понятные
86

людям текстовые обозначения. Контроль вводимых текстовых обозначений
представляет собой аналог компиляции текста компьютерной программы.
Достоинством методов является их относительно простой синтаксис по
сравнению с современными языками программирования.
Основные принципы. Текстовые обозначения (далее – метки) создаются
социальным актором также как обычный текст – исходя из его собственных
интуитивных оснований, и могут выражать любой аспект его опыта:
приобретенные знания, переживания, гипотезы и др.
Вся ответственность за то, насколько удачно выполнено текстовое
обозначение, возлагается на его создателя (аналитика). Тем самым никакое
"соответствие" между отдельной меткой и обозначаемым ею аспектом опыта
аналитика

не

контролируется.

Другими

словами,

не

используются

представления о достоверности, валидности, аутентичности и т.п., т.е.
критерии, предназначенные для контроля единичного обозначения.
Критерий

"правильности"

множества

меток

–

это

их

связность,

существующая (или не существующая) как результат совокупности всех
действий аналитика. Связность оценивается алгоритмически, что оказывается
возможным благодаря предложенному структурному аппарату.
Основные

структурные

особенности.

Поясним

особенности

предложенного аппарата в сравнении с файловой системой, например, Windows. С
помощью проводника человек создает общую структуру директорий (папок) в
виде древовидного графа, вершинами которого являются метки ([текстовые]
обозначения), не имеющие измеримых свойств. Файловая система, ассистируя
пользователю путем компьютерного моделирования структуры графа, никак не
проверяет действия человека по связыванию узлов этой структуры между собой.
Предлагаемые

контекстно-ориентированные

модели,

организуя

работу

пользователя с помощью несложного интуитивно понятного синтаксиса,
позволяют контролировать его действия при создании единой структуры меток [1].
Развиваемые модели предполагают, что общая система отношений между
метками создается в человеко-машинном режиме в два этапа. Первый этап,
выполняемый пользователем, состоит в построении множества локальных
87

изменений меток, иначе говоря, переходов «родитель-дети» или «от папки к
подпапкам», но с указанием для каждого перехода условия его осуществления
(контекста), которое также обозначается меткой.
Второй этап осуществляется алгоритмами, которые построены на
интуитивно понятных эвристических правилах. Эти алгоритмы генерируют
граф, выявляющий общую структуру меток по множеству их локальных
изменений. Результат работы алгоритмов представляет собой древовидный
граф, где узлами служат метки, каждая из которых имеет контекст определения,
также выраженный меткой.
Подход позволяет алгоритмически проверять, насколько связной является
совокупность всех меток, использованных при формировании локальных
переходов, структурно не связанных между собой. Возможность контроля
возникает в связи с оригинальной реализацией человеко-машинного разделения
функций при формировании единой системы отношений между метками. При
создании множества локальных переходов аналитик, имея в голове некоторую
структуру своих обозначений, не располагает возможностью строить ее
непосредственно в виде графа. Зато он может, за счет использования одних и
тех же текстовых обозначений в разных локальных переходах, так их
сформировать, что они будут согласованы друг с другом. Правила согласования
аналогичны соглашениям, управляющим видимостью и наследованием свойств
переменных в языках программирования высокого уровня.
В случае «правильной» расстановки меток в каждом из локальных
переходов алгоритмы воспроизведут именно тот граф, который был в голове
пользователя при построении им множества этих переходов. В случае же, если
аналитик нарушал закон тождества или ошибался каким-то иным способом,
например, указывал не те метки в качестве «детей», неверно определял
контексты меток и др., то алгоритмы не смогут создать единую структуру меток.
Автоматическая генерация структуры контекстно-определенных связей
между текстовыми обозначениями представляет собой метод проверки
действий пользователя с неизмеримыми «переменными», которыми являются
метки. Будучи использованными в процедурах социального управления
88

контекстно-ориентированные модели позволяют создавать средства социальной
коммуникации, которые столь же эффективны при описания многообразий
управленческих ситуаций как текстовый документ, но в отличие от последнего
обладают двумя принципиальными преимуществами. Во-первых, позволяют
организовать коллективный процесс создания социального знания с помощью
аналитиков, не обладающих специальной программистской подготовки. Вовторых,

дает

возможность

аналитически

контролировать

связность

утверждений, составляющих это знание.
Литература
1. Каныгин Г.В. Контекстно-ориентированная концептуализация социологической информации
//Компьютерная лингвистика и развитие семантического поиска в Интернете: Труды научного
семинара XIII Всероссийской объединенной конференции «Интернет и современное общество».
Санкт-Петербург, 19-22 октября 2010 г. / Под ред. В.Ш. Рубашкина. – СПб., 2010. С. 30-41.

Экономико-математическая модель энергосистемы региона
Ю.В. Караева, Г.Р. Халитова
Исследовательский центр проблем энергетики Учреждения
Российской академии наук Казанского научного центра РАН,
420111, Казань, ул. Лобачевского, 2/31, а/я 190
e-mail: julieenergy@list.ru
Ключевые слова: планирование, топливно-энергетический баланс, информационная сеть.

Разработанная «Программа расчета и планирования развития топливноэнергетического комплекса с учетом инновационных технологических решений
использования традиционных и возобновляемых видов энергии» позволяет
детально рассмотреть топливно-энергетический баланс любой отрасли (ЖКХ,
угольной, газовой, нефтеперерабатывающей и т.п.), от энергетического потока
в рамках одного предприятия до энергетического потока регионального уровня.
В

режиме

комплексный

интерактивного
и

системный

диалога
анализ

с

пользователем

процесса

осуществляется

формирования

топливно-

энергетического баланса региона.
Основой разработанной программы является экономико-математическая
модель энергосистемы региона, включающая: информационную сеть топливноэнергетического баланса; базу данных по техническим и экономическим
характеристикам энергетического оборудования; алгоритм расчета топливноэнергетического баланса.
89

Разработана информационная сеть энергосистемы Республики Татарстан
(РТ), в которой каждому типу узла соответствует свой вычислительный блок в
виде системы нелинейных уравнений. На рис. 1 отображены все генерирующие
компании РТ: ОАО «ТГК-16», ОАО «Генерирующая компания», ООО
«Нижнекамская

ТЭЦ»,

ЗАО

«ТГК

Уруссинская

ГРЭС».

Суммарная

установленная электрическая мощность компаний составляет 6 836 МВт, а
тепловая мощность – 14 655 Гкал (17 044 МВт). Расходы на топливо в структуре
затрат на производство тепловой и электрической энергии составляют порядка
80%. Основным видом топлива для генерирующих компаний является
природный газ. Резервным видом топлива является топочный мазут марки М-100.
Исключение – ТЭЦ 2 (г. Казань), для которой основной энергоресурс – уголь.
Основными факторами роста цен (тарифов) субъектов естественных
монополий продолжают оставаться рост цен на топливо, а также включение
инвестиционной составляющей в регулируемые тарифы.
Рассмотрено два варианта прогноза роста цен и тарифов на товары и
услуги естественных монополий в 2012-2014 годах (таблица 1).
Первый – основной вариант (используется в качестве расчетного для всех
вариантов прогноза) предусматривает сохранение принятых решений в
отношении регулируемых тарифов на услуги естественных монополий. В
электроэнергетике

предусматриваются

действующие

механизмы

ценообразования, с учетом корректировки для сдерживания роста цен в 2011
году, т.к. в начале года произошел опережающий рост цен и тарифов на
электроэнергию по отношению к планируемому уровню.
Для сохранения роста цен и тарифов на электроэнергию в 2011 году в
рамках 13-15% были приняты исключительные меры, такие как: отмена
индексации по плате за мощность по инфляции 2011 года; изменение порядка
расчета тарифов на мощность для генерации, работающей в вынужденном
режиме, а также для генерации, формировавшей наиболее дорогую часть
предложения, с целью снижения стоимости их оплаты; снижение целевых
инвестиционных средств ГЭС; увеличение периода "сглаживания" тарифа для
ОАО "ФСК ЕЭС"; снижение тарифов для территориальных сетевых организаций,
"сглаживание" для ограничения роста тарифов сетевых компаний не более 15%.
90

Рост внутренних цен на газ определяется исходя из необходимости
сокращения разрыва между доходностью поставок газа на внутренний и
внешний рынок и обеспечения необходимого объема инвестиций, при этом
ограничителем выступает повышение цен на электроэнергию.

Рис. 1. Энергосистема Республики Татарстан

Второй – дополнительный вариант предполагает усиление в 2011 году
мер по повышению эффективности деятельности и ограничения роста цен
(тарифов) субъектов естественных монополий. Такой вариант прогноза
предполагает снижение прогноза роста цен (тарифов) для предприятий на 20122014 гг. до уровня близкого к прогнозу инфляции.
При исследовании вариантов развития энергосистемы РТ за базовые
ограничители

были

приняты

ситуационные

изменения

по

поставкам

природного газа в регион и присутствие в структуре баланса импорта
электрической энергии из других регионов Российской Федерации.
91

Таблица 1.Прогноз роста цен (тарифов) субъектов естественных монополий
Прогноз
2011
оценка
2012
2013
ЭЛЕКТРИЧЕСКАЯ ЭНЕРГИЯ
(государственное регулирование тарифов для населения)
Доля потребления по
76
76
76
нерегулируемым ценам
осн
111-113
110-112
Рост конечных цен в среднем
113для всех категорий потребителей
115
доп
105-107
106-108
Варианты

Рост регулируемых тарифов в
среднем для населения

110

110

2014

76
109-110
106,5108,5

110

110

ЭЛЕКТРИЧЕСКАЯ ЭНЕРГИЯ
(либерализация цен)
Доля потребления по
нерегулируемым ценам
Рост конечных цен в среднем
для всех категорий потребителей
Рост нерегулируемых тарифов в
среднем для населения
Тепловая энергия
Тарифы для населения
Регулируемые оптовые цены, в
среднем для всех
Регулируемые тарифы для
населения
Регулируемые тарифы для
прочих потребителей

осн
доп

100

100

100

100

110112

108-110
104-106

107-109
103-105

104-106
105-107

125

118-120

105-107

106-108

110-111
108-109

109-110
107-108

110-111

109-110

115
106,8

115
106,4

ТЕПЛОВАЯ ЭНЕРГИЯ
осн
110-112
115116
доп
108-110
125125-130
126
ПРИРОДНЫЙ ГАЗ
осн
115
115,3
доп
107,1

осн
доп

117,2

115

115

115

115

115
106

115
105,5

115
105

Моделирование динамики роста и структурных преобразований промышленности
Республики Узбекистан
А.Д. Киреева
Институт прогнозирования и макроэкономических исследований
100000, Узбекистан, г. Ташкент, Мирзо-Улугбекский район, ул. А. Кодирий, 2;
e-mail: kir_alice@mail.ru
Ключевые слова: динамическая межотраслевая модель, коэффициент использования
производственных мощностей.

В ответ на вызовы глобализации Узбекистан свои долгосрочные и
среднесрочные приоритеты экономического роста связывает со структурными
преобразованиями и диверсификацией экономики на основе модернизации,
92

технического и технологического обновления производства, внедрения инноваций.
Проведение качественного анализа и прогноза структурных преобразований и
диверсификации экономики исследователи многих стран мира связывают с
разработкой соответствующего модельного инструментария, способного стать
эффективным инструментом моделирования структурных процессов в экономике.
В качестве методологической основы создания эффективного инструмента
моделирования структурных процессов в экономике республики послужила
динамическая межотраслевая модель в виде системы линейных уравнений,
разработанная Институтом экономики Академии Наук Литовской ССР в 1980-е
годы [1]. В настоящее время эта модель доработана [2] и был предложен
подход, обусловленный проблемой информационного обеспечения. Упрощенно
модель имеет вид:
Xt = At × Xt + Wt × Kt + Yt

(1)

Kt = Φt (Xt, …, Xt)

(2)

Kt ≈ Δt

(3)

где Xt – вектор выпусков в году t размерности (n×1), где n – число отраслей; At –
матрица коэффициентов прямых затрат размерности (n×n) в году t; Yt – вектор
чистого конечного спроса динамической модели размерности (n×1); Kt – вектор
капитальных вложений в году t размерности (n×1); Δt – ввод основного
капитала в году t размерности (n×1).
В

свою

очередь,

ввод

основного

капитала

Δt

определяется

из

инвестиционно-фондового блока динамической модели МОБ:

Ft j 

1 
1  βtj  ti 11βij F0j  1  βtj  tp12  ti 1p βij  pj 1  1  βtj   tj1  tj
j 

st













F jt = f jt × X jt
Δ jt

j

= Φ (F

j
0,

(4)
(5)

β j1,

β j2,

…, β

j
t,

X j1,

X j2,

…,

X jt)

(6)

где F jt – среднегодовые фонды в отрасли j, где j= (1, …, n); β jt – коэффициент
сохранности основных фондов в отрасли j; F j0 – наличие основных фондов на
начало прогнозного периода в отрасли j; f jt – коэффициент фондоемкости; s jt –
коэффициент равномерности ввода фондов в отрасли j.
93

Данная динамическая межотраслевая модель была адаптирована к
имеющейся

информационной

базе

Узбекистана.

С

учетом

проблемы

недостаточной информационной обеспеченности статистическими данными был
применен

метод

экспертных

оценок

показателя

использования

производственных мощностей на отраслевом уровне через агрегирование
важнейших видов отраслевой продукции, по которым ведется статистическая
отчетность.

В

построении

модели

этому

показателю

отводится

роль

корректирующего коэффициента. Так как в условиях наличия простаивающих
производственных мощностей требуется корректировка фондоемкости на
коэффициент использования производственных мощностей. В противном случае
расчетная фондоемкость окажется выше, чем фактическая, что сильно исказит
прогнозы по модели. В целях подтверждения достоверности экспертных оценок
дополнительно был опробован метод расчета специального индикатора,
отражающего степень загрузки производственных мощностей.1 Для расчета
индикатора в каждой отрасли определялся базовый год – год максимальной
загрузки мощностей по наиболее репрезентативному виду продукции. Расчет
индикатора загрузки мощностей осуществлялся по следующей формуле:
ISPMIj 

OUTj
OUTBj * CAPj / CAPBj ,

где ISPMIj – индикатор загрузки мощностей отрасли j;
OUTj – валовой выпуск отрасли j;
OUTBj – валовой выпуск отрасли j в базовом году;
CAPj – стоимость основных производственных фондов отрасли j;
CAPBj – стоимость основных производственных фондов отрасли j в базовом году.
При построении модели нами были внесены некоторые коррективы в
методы расчета отдельных показателей. Так, например, метод расчета,
предлагаемый в литовской модели коэффициента сохранности (годности), как
разность между единицей и коэффициентом выбытия основных фондов,
искажает реальное состояние фондов, почти вдвое увеличивая значение этого
1

А.Ю. Губанов «Опыт моделирования динамики коэффициентов прямых затрат (на примере
электроэнергетики)»

94

показателя. Так как при низких значениях коэффициента выбытия естественно
увеличивается значение коэффициента сохранности, что и было выявлено при
сопоставлении значений этого показателя, полученных методом расчета по
литовской модели и традиционным методом (как разность между единицей и
коэффициентом износа). В связи с этим в нашей модели был использован
традиционный

метод

расчета

коэффициента

сохранности,

который

в

максимальной степени отражает реальное состояние фондов.
Результаты, которые были получены с помощью этой модели, являются
адекватными и отражают существующую ситуацию в стране. Погрешность в
расчетах составляет не более 5 %. В целом результаты тестирования
показывают,

что

информационной

данная
базе,

модель,

может

адаптированная

к

существующей

использована

в

аналитических

быть

исследованиях и в прогнозировании развития как экономики в целом, так и
отдельных ее отраслях (промышленности).
Литература
1. Руткаускас А.-В.М. Подсистема производственных моделей системы анализа и
прогнозирования процесса воспроизводства совокупного общественного продукта
республики // Региональное моделирование общественного воспроизводства / Под ред.
А.И. Бурачас. Вильнюс. 1980. С.18-43.
2. Саяпова А.Р.,
Слободяник С.Н.
Некоторые проблемы
информационной
базы
динамических межотраслевых моделей при структурном прогнозировании экономики РФ
// Коллектив авторов «Научные труды ИНП РАН Гл. ред. А.Г. Коровкин» – 2009 г.

Моделирование структурных изменений в экономической динамике
А.Н.Кириллов
Институт прикладных математических исследований Карельского научного центра РАН
185910, г. Петрозаводск, ул. Пушкинская, 11
e-mail: krllvaleksandr@rambler.ru
Ключевые слова: гибридная система, экономическая динамика, структура, управление.

Рассматривается

сложная

экономическая

динамическая

система

с

изменяющейся в процессе функционирования структурой. Такие системы
можно отнести к классу гибридных систем, сочетающих непрерывную и
дискретную

динамику

[1].

Предлагается

подход

к

математическому

моделированию гибридной динамики, основанный на понятии структуры [2].
Система

S

состоит

из

подсистем
95

S1, …, Sn,

которые

в

процессе

функционирования могут входить в состав S или отключаться от нее. Вводится
понятие вектора внешней структуры y(t) = (y1(t), … yn(t)), где yi(t) = 1 или 0 в
зависимости от того, входит или нет Si в состав S в момент времени t, а также
матрицы внутренней структуры, задающей интенсивность взаимосвязей между
подсистемами. Изменение структуры определяется значениями компонент
вектора эволюционного времени y(t) = (y1(t), … yn(t)). При этом y(t) удовлетворяет
некоторой системе обыкновенных дифференциальных уравнений.
В качестве применения описанного подхода к анализу и управлению
динамическими системами со структурными изменениями в экономике
рассматривается следующая концептуальная модель. Предположим, что
имеется производственное объединение S, в состав которого могут входить
предприятия S1, …, Sn выпускающие однородный продукт. Пусть xi(t) – выпуск
i-го предприятия в момент времени t. Динамика предприятия i задается
уравнением

x = μi xi + wi(xi, t),
где μi xi, wi(xi, t) – скорости прироста инвестиций в предприятие i за счет его
собственных средств и банковского кредита. Пусть ci(xi, t) – некоторая
пороговая функция. Тогда условие wi(xi, t) ≥ ci(xi, t) отражает тот факт, что
предприятие в значительной степени развивается не за счет собственных
средств, а за счет кредитования, что является признаком его неэффективного
функционирования. Предположим, что орган управления производственным
объединением может приостановить деятельность любого предприятия в
случае его недостаточной эффективности. Возникает вопрос, когда это сделать?
Естественно, следует наблюдать некоторое время за работой предприятия, для
которого выполняется условие wi(xi, t) ≥ ci(xi, t). Поскольку это условие носит
мгновенный характер, то для выявления тенденции в развитии предприятия
следует рассмотреть интегральный вариант условия, для чего введем
переменную yi следующим образом
t

yi ( t )   ( wi ( xi , τ)  ci ( xi , τ)) d τ ,
t0
96

где t0 – начальный момент времени. Пусть yi(t) < di при t0  [t0 , ti‾), где di –
заданная постоянная, и в некоторый момент времени ti‾ имеем yi(ti‾) = di, что
влечет закрытие неэффективного предприятия i. Итак, yi(t) – суммарное
превышение кредитом заданного порога, и при достижении этим превышением
величины di происходит закрытие предприятия. Тем самым решение о закрытии
носит инерционный характер, не является скороспелым. После закрытия i–е
предприятие переходит в пассивный режим, которому соответствует система
уравнений x = –vi(xi, t), если xi(t)≥ 0, где 0 ≤ vi(xi, t) – скорость “сокращения”
выпуска, что может означать, например, распродажу производственных фондов
для погашения кредита [3]. Далее предлагается сценарий открытия нового или
возобновления деятельности приостановленного предприятия. Заметим, что
условию

yi(t) < di

нормального

функционирования

предприятия

можно

придавать различный смысл в зависимости от смысла функции wi(xi, t). Оно
может быть связано с природоохранными ограничениями, с количеством
средств на текущем счете предприятия и т.д. В этом состоит концептуальный
характер модели. Таким образом, построена модель производственного
объединения с изменяющимся количеством предприятий.
Далее решается задача нахождения такой стратегии кредитования, при которой
t

суммарный выпуск

 xi ( T )

к конечному моменту времени T достигнет заданной

i 1

величины X . Допустимым управлением является вектор w = (w1(x1, t), …, wn(xn, t)),
n

удовлетворяющий ограничению

 wi ( xi , t )  w ( x , t ) , где w(x, t) – заданная
i 1

функция. Получены условия разрешимости и найдены соответствующие
управления. Отметим, что данная постановка задачи берет начало от работы
[4], где решалась задача распределения капиталовложений по отраслям
городского хозяйства.
Предлагается также модель, в которой учитывается взаимодействие между
предприятиями. Исследовано влияние изменения внешней и внутренней
97

структуры, т.е. состава системы и интенсивности взаимосвязей между
подсистемами, на разрешимость поставленной выше задачи управления.
Литература
1. Nerode A., Kohn W. Models for hybrid systems: automata, topologies, controllability, observability //
Lecture notes in control and information sciences. Springer. – 1993. – № 736. – P. 317-356.
2. Кириллов А.Н. Метод динамической декомпозиции в моделировании систем со структурными
изменениями // Информационно-управляющие системы. – 2009. – № 1. – С. 20-24.
3. Оленев Н.Н., Петров А.А., Поспелов И.Г. Регулирование экологических последствий
экономического роста // Математическое моделирование. – 1998. – Т.10, № 8. – С. 17-32.
4. Кириллов А.Н. Одна математическая модель распределения капитальных вложений //
Экономика и математические методы. – 1982. – Т.18, № 5. – С.922-925.

Региональный налог на выбросы парниковых газов как инструмент повышения
энергоэффективности экономики
Д.В. Ковалевский
Международный центр по окружающей среде и дистанционному зондированию им. Нансена
199034, Россия, Санкт-Петербург, В.О., 14-я линия, дом 7, офис 49;
e-mail: dmitry.kovalevsky@niersc.spb.ru, d_v_kovalevsky@list.ru
Ключевые слова: изменение климата, парниковые газы, налог на выбросы, энергоэффективность

Принятие Российской Федерацией национальной Климатической доктрины
(2009) и последующие первые меры по ее практической реализации (в частности,
запуск проектов совместного осуществления, направленных на снижение или
сокращение темпов роста выбросов парниковых газов (ПГ)) свидетельствуют о
том, что Россия постепенно занимает более активную позицию в области
национальной и международной климатической политики в ответ на вызовы
антропогенных изменений глобального климата. Вместе с тем, в последние годы
в РФ принят и ряд важных документов в области энергетической политики
(в частности, Указ Президента РФ Д.А. Медведева от 04.06.2008 № 889, ставящий
целью снижение энергоемкости ВВП к 2020 году не менее чем на 40%
по сравнению с 2007 годом; Энергетическая стратегия России до 2030 года (2009);
Закон об энергосбережении и о повышении энергоэффективности (2009) и др.).
Климатическая и энергетическая политика имеют много точек соприкосновения.
Так, повышение энергоэффективности экономики является одним из действенных
факторов снижения выбросов диоксида углерода – важнейшего антропогенного
ПГ. Верно и обратное: продуманные законодательные инициативы по смягчению
98

изменений климата, выражающиеся в ограничениях на выбросы ПГ, могут
способствовать

повышению

энергоэффективности

экономики.

Последнее

обстоятельство представляет собой яркий пример эффекта «двойного дивиденда»
(double dividend), свойственного рациональной климатической политике.
Снижение

выбросов

ПГ

может

достигаться

как

командно-

административными методами, так и путем применения экономических
механизмов регулирования (налоги на выбросы ПГ, схемы торговли квотами на
выбросы и др.). В настоящее время зарубежные страны, осуществляющие
активную климатическую политику, преимущественно идут по второму пути.
Наиболее авторитетная на сегодняшний день обобщающая работа в области
экономики изменений климата – Доклад Стерна [6] – всесторонне обосновывает
необходимость формирования общемировой «цены на углерод» (carbon price)
с целью замедления процесса глобального потепления. На сегодняшний день
перспективы практической реализации данной программы в мировом масштабе
остаются неопределенными, однако соответствующие региональные инициативы
уже предпринимаются на уровне групп стран, отдельных стран и даже регионов
в пределах одной страны.
Настоящая работа посвящена анализу влияния регионального налога на
выбросы ПГ на экономику региона и, в частности, возможного вклада
соответствующего налога в повышение энергоэффективности на региональном
уровне. Яркие практические примеры соответствующих региональных и
муниципальных законодательных инициатив дает североамериканский опыт
(США [3], Канада [4]). Налог на выбросы ПГ может способствовать
повышению энергоэффективности непосредственно, стимулируя пользователей
невозобновляемых источников энергии сокращать их потребление при
неизменном выпуске продукции с целью снижения налоговой базы. Однако
данный эффект может быть усилен, если при этом часть налоговых
поступлений будет инвестироваться в повышение энергоэффективности
предприятий и домохозяйств.

99

Математическое моделирование региональной экономики в условиях
введения налога на выбросы ПГ с целью оценки стимулируемого им
повышения энергоэффективности может быть осуществлено в рамках
различных подходов. В настоящей работе принят агент-ориентированный
системно-динамический

подход

[5],

первоначально

предложенный

для

разработки глобальных моделей совокупной оценки. В частности, в рамках
данного подхода была разработана экономико-климатическая модель MADIAM
[7] и ее преемница – система моделей MADIAMS [2]. Перспективы
регионализации моделей данного типа обсуждались, в частности, в [1].
Экономика региона моделируется как система, динамику которой
определяют управляющие стратегии небольшого числа агрегированных
экономических агентов в условиях введения регионального налога на выбросы
ПГ. Изменение энергоэффективности носит эндогенный характер, и в одной из
модельных постановок предполагается, что часть налоговых поступлений
расходуется

на

финансирование

региональных

программ

повышения

энергоэффективности.
Работа поддержана грантом РФФИ (проект №10-06-00238-а «Экономика
изменений климата в мультирегиональной модели совокупной оценки для
Российской Федерации»).
Литература
1. Ковалевский Д.В. Проблемы регионализации агент-ориентированных системнодинамических моделей в экономике изменений климата // Научно-технические ведомости
СПбГПУ. Сер. «Экономические науки». – 2010. – № 6(112). – C. 253-256.
2. Ковалевский Д.В., Бобылев Л.П., Анискина О.Г. Макроэкономическая динамика в системе
моделей MADIAMS // Материалы II Всероссийской конференции «Экономический рост,
ресурсозависимость и социально-экономическое неравенство». Санкт-Петербург, 27-29
октября 2011 года. – С. 74-77.
3. Carbon tax // Wikipedia [http://en.wikipedia.org/wiki/Carbon_tax].
4. Duff D.G. Carbon taxation in British Columbia // Vermont Journal of Environmental Law. –
2008. – Vol. 10. [Тж. опубликовано в кн.: «The reality of carbon taxes in the 21st century» –
http://www.vjel.org/books.php?vol=2008-2009.]
5. Hasselmann K. Simulating human behavior in macroeconomic models applied to climate changе.
– European Climate Forum. Working Paper 3/2009. ISBN: 978-3-941663-03-9.
6. Stern N. The Stern Review on the economics of climate change. – Cambridge University Press,
Cambridge, 2006.
7. Weber M., Barth V., Hasselmann K. A multi-actor dynamic integrated assessment model
(MADIAM) of induced technological change and sustainable economic growth // Ecological
Economics. – 2005. – Vol. 54. – P. 306-327.
100

Оценка влияния городских агломераций на экономический рост в России
Е.А. Коломак
Учреждение РАН Институт экономики и организации промышленного производства СО РАН
проспект академика Лаврентьева, 17, г. Новосибирск, 630090;
e-mail: ekolomak@academ.org
Ключевые слова: урбанизация, агломерация, экономический рост, эмпирическая оценка,
регионы России

Во всем мире города становятся основными точками развития, в них
сконцентрированы управленческие, финансовые и людские ресурсы, что
создает

благоприятные

экономические

и

социальные

эффекты: новые

возможности для бизнеса, развития человеческого капитала, технологических
сдвигов и инноваций. Однако использование ресурса урбанизации имеет свои
пределы, негативные последствия интенсивного роста городов включают
список от экологических проблем до инфраструктурных.
Одной из характерных черт XX века был стремительный рост городов во
всем мире. В России в середине XIX века в городских поселениях проживало
лишь 8% населения, в настоящее время Россия – это страна городов, где
проживает более 73% населения. Несмотря на то, что Россия является высоко
урбанизированной страной, вопросы влияния роста городов на экономическое
развитие страны остаются вне поля активного исследования. Данный доклад
посвящен эмпирическому анализу процессов урбанизации в России и
получению количественных оценок влияния городских агломераций на
функционирование экономических систем регионов и страны в целом.
В ХХ веке в России наблюдался тренд роста городского населения, но уже
в 1980-е годы скорость процессов урбанизации существенно замедлилась, доля
городского населения, достигнув показателя 73%, остается стабильной на
протяжении

последних

лет.

Отличительными

особенностями

процесса

урбанизации в России являются: общее снижение численности населения,
сокращение городских поселений из-за административно-территориальных
преобразований.

На

фоне

данных

процессов,

происходит

снижение

абсолютного и относительного числа горожан, поэтому показатель доли
101

городского населения оказывается подверженным манипуляциям и является не
совсем адекватным для оценки эффектов сосредоточения экономической
активности в городах. Более корректным в такой ситуации является изучение
влияния крупных городов и городских агломераций.
В России, как и в остальном мире, преобладают моноцентрические
агломерации с одним городом-ядром, который подчиняет своему влиянию
населенные пункты его пригородной зоны. Центр в этом случае намного
превосходит по размеру и экономическому развитию свое окружение.
Значительно меньше среди российских агломераций -полицентрических.
В Российской Федерации официальный статистический учёт агломераций
не ведётся, а экспертные оценки состава и числа агломераций основаны на
авторских методиках и существенно различаются. Учитывая особенности
формирования

городских

агломераций

в

России

и

то,

что

процесс

концентрации экономической активности в городах отражается в численности
их населения, в качестве характеристики агломерационных эффектов на
территории можно использовать показатель среднего размера города. Эта
переменная рассчитывается на базе официальной статистики, как отношение
городского населения к общему числу городов и поселков городского типа на
территории субъекта РФ.
Модель эконометрического оценивания влияния агломерационных эффектов
использует идею расширенной производственной функции, где в качестве
независимой

переменной

выступает

валовой

региональный

продукт,

а

регрессорами являются численность населения, основные фонды и средний
размер

городского

поселения

в

регионе.

Региональные

особенности

контролируются с помощью переменной доли «устойчивых» отраслей экономики,
включающих топливно-энергетический комплекс, химию и нефтехимию и
металлургическое производство. Информация имеет панельную структуру и
охватывает 79 регионов и период 200-2007 гг., поэтому, чтобы учесть особенности
выборки, модель дополнена переменной фиксированного регионального эффекта.
Таким образом, оценивается следующее регрессионное уравнение:
102

ln yit  ln A  ln kit  ln uit  ln sit  μi  εit ,
где yit – валовой региональный продукт на душу населения в регионе i в
году t, kit – основные фонды на душу населения в регионе i в году t, uit – средний
размер города в регионе i в году t, sit – доля «устойчивых отраслей» в регионе i в
году t, μi – фиксированный региональный эффект региона i, εit – ошибка
регрессии.
Для

оценивания

модели

использовался

метод

инструментальных

переменных, так как подтвердилась гипотеза о наличии эндогенности, с одной
стороны, рост размера города оказывает влияние на производительность труда,
с другой стороны, увеличение выпуска создает дополнительный спрос на
продукцию смежных производств и на рабочую силу, то есть стимулирует рост
численности

городского

населения

и

масштаба

города.

В

качестве

инструментов для переменной среднего размера города использовались лаги.
Основная тестируемая гипотеза анализа подтвердилась, концентрация
экономической активности в городах положительно влияет на экономическое
развитие и производительность труда в России, чем больше размер города, тем
выше производительность. Коэффициент эластичности при переменной
«размер города» равен 0,24. Данная оценка – несколько выше аналогичных для
развитых стран, которая находится в пределах 0,15 – 0,20. Такой результат –
достаточно естественный и свидетельствует о том, что Россия еще не исчерпала
возможности ресурса роста городов и урбанизации.
Крупные города являются активными центрами потребления, формируют
интенсивную рыночную среду, представляют мощные и диверсифицированные
рынки труда, товаров и услуг, с этим связана и их инвестиционная
привлекательность. Переход в новую фазу развития урбанизированных
территорий,

а

именно

–

к формированию крупных агломераций на

современных основаниях является важным процессом в развитии экономики
страны и фактором, требующим внимания при разработке стратегий
пространственной организации экономической активности.

103

Моделирование репродуктивного поведения, как инструмента измерения
демографического развития
М.А. Ласточкина
Институт социально-экономического развития территорий РАН
160014, г. Вологда, ул. Горького, д. 56А
e-mail: mashkop@mail.ru
Ключевые слова: репродуктивное поведение, репродуктивные установки, рождаемость,
логистический анализ, депопуляция.

Наше исследование строится на предположении о том, что трансформация
уровня рождаемости является реакцией населения на изменение уровня жизни,
а именно, отражает не прямую связь репродуктивного поведения с социальноэкономическими показателями, а его зависимость от социально-психологических
факторов – восприятие индивидом экономической, социальной и политической
стабильности или нестабильности в обществе.
На

основе

материалов

социологического

обследования 1

населения

фертильного возраста (от 15 до 49 лет), мы попытались определить, как
формируется потребность в детях и какими факторами детерминируется
репродуктивное поведение населения региона.
На первом этапе была построена логистическая регрессия, где в качестве
зависимой переменной была выбрана желаемое число детей в семье, в качестве
независимых рассмотрены: пол, возраст, отношение к браку. Анализируя
полученные коэффициенты (оценка коэффициент шансов – OR, с 95%
доверительным интервалом), выявили, что женщины значимо (p < 0,05) в
1,7 раза больше мужчин желают иметь двух детей, и в 1,5 больше трех детей. В
случае четырех и более детей значимых гендерных отличий не выявлено, а вот
население моложе 35 лет реже нацелено на многодетность, чем старшие
возрастные группы. Значимые различия выявлены в группах населения,
отдающих предпочтение зарегистрированному браку, в отличие от других
типов взаимоотношений (совместное проживание без регистрации в ЗАГСе).

1

Опрос населения Вологодской области «Изучение репродуктивного потенциала населения» (1536
респондентов). Тип выборки: районирование с пропорциональным размещением единиц наблюдения,
квотная по полу и возрасту в соответствии с выборочной совокупностью. Величина случайной ошибки
выборки не превышает 5%. Проведен ИСЭРТ РАН в 2008 г.

104

Так желание иметь четырех и более детей в своей семье выражено сильнее в
4,8 раза среди людей, предпочитающих зарегистрированный брак, трех детей –
в 2,8 раза, двух – в 3 раза, одного ребенка – в 1,5 раза. Таким образом, наличие
у людей психологической установки на регистрированный брак в целом
положительно влияет на репродуктивные ориентации.
На втором этапе при вычислении эффекта воздействия на репродуктивное
поведение субъективных оснований репродуктивного сознания исследовались
ключевые

составляющие

экономические,

репродуктивного

психологические

причины,

поведения:
определяющие

социальные,
рождение

планируемого числа детей, необходимые условия для полной реализации
потребности в детях, отношение к аборту. Так, для выявления взаимосвязей
были проанализированы факторы, которые побуждают индивида иметь менее
трех детей в семье. Согласно результатам логистического анализа гендерные
различия не оказывают существенное влияние на причины иметь менее трех
детей в семье. Анализируя причины многодетности, отметим, что любовь к
детям проявляется сильнее в 2,7 раза у женщин, а также у молодого поколения
(OR = 1,8). Анализ условий, обеспечивающих рождение желаемого числа детей,
выявил, что «полная семья» имеет приоритет в 3 раза больший среди женщин, а
вот отношение к регистрации брака существенно не сказывается на оценке
респондентами условий, обеспечивающих желаемое число детей в семье. Таким
образом, обусловленность репродуктивного поведения определяет себя как
асимметрия половозрастного состава населения, которая детерминирует
лежащую в ее основе систему ценностей, норм, обыденных представлений, а
также обеспечивающих ее функционирование социальных институтов, таких
как семья, образовательные учреждения, органы социальной защиты. В
конечном счете, иерархические стереотипы определяют характер и особенности
индивидуального репродуктивного поведения.
Ориентация на малодетную семью свойственна сегодня большинству
россиян, при этом вопрос о распространении многодетности женщины
связывают, прежде всего, с проблемой ответственности за воспитание детей и с
материальными ресурсами, которыми располагает семья. Согласно исследованию
105

женщины в гораздо большей степени, чем мужчины уверены, что увеличение
размера детских пособий, пособия по беременности и родам, выплата
«материнского капитала» способны увеличить рождаемость в нашей стране.
Результаты

проведенного

анализа

расширили

представление

о

детерминации репродуктивного поведения и взаимосвязи потребности в детях с
условиями ее реализации. Вопрос о преобладающей роли экономических,
социальных или психологических факторов не имеет строго принципиального
значения, так как в основании этих представлений содержится один и тот же
структурный механизм установления репродуктивного поведения – условия
жизни и потребность в детях. Вполне очевидно, что сегодня рождение ребенка
снижает уровень жизни родителей, таким образом, в обществе, признающем
приоритет материального достатка, на многодетность мало кто готов. То есть
комплекс мероприятий по стимулированию рождаемости должен быть
подкреплен экономическими стимулами (оплата труда, учитывающая семейное
положение работника; соответствующий размер детских пособий, чтобы
появление ребенка было не обременительно; строительство доступного жилья;
бюджетные места в ВУЗах и стипендии детям из многодетных семей;
демографическая часть пенсий, учитывающая число детей). Между тем,
преодоление депопуляции является проблемой, которую невозможно решить
без изменения мотивации репродуктивного поведения.
Литература
1. Волков А.Г. Семейная структура населения России: факторы и тенденции // Российский
демографический журнал. – 1996. – №1. – С. 22.
2. Баранов А.Б. Социально-экономические проблемы депопуляции и старения населения // Вопросы
экономики. – 2000. – №7. – С. 115.

Проблемы анализа конкурентности рынков
Е.А.Левина
Национальный исследовательский университет Высшая школа экономики
101000, г. Москва, ул. Мясницкая, д. 20;
e-mail: e_levina@mail.ru
Ключевые слова: Конкурентная среда, антимонопольное законодательство, географические
границы рынка, продуктовые границы рынка.

Как

только

ставшие

общепринятыми

теоретические

концепции

совершенной конкуренции, монополии или олигополии начинают применяться
106

в реальности, сразу возникает вопрос: с каким именно рынком мы имеем дело в
каждом конкретном случае? Получить корректные ответы на, казалось бы,
теоретические вопросы, особенно важно в ходе судебных процессов по
антимонопольным делам.
Сегодня, как и несколько десятилетий назад, множество вопросов
антимонопольного регулирования остаются неразрешенными. Исследователи
продолжают предлагать свои концепции рынков, методы определения их границ
и пути повышения их эффективности. Не случайно работы, написанные десять и
двадцать лет назад, остаются актуальными по сей день.
В России существует ряд законодательных актов, призванных отслеживать
и регулировать уровень конкуренции на отраслевых рынках. На сегодняшний
день основным законодательным актом является Закон № 135-ФЗ «О защите
конкуренции». В апреле 2010 вступил в силу Приказ ФАС № 220 «Об
утверждении порядка проведения анализа состояния конкуренции на товарном
рынке». Основных проблем три.
Первая проблема заключается в том, чтобы определить само понятие
рынка, поскольку среди экономистов нет единого мнения относительно
существования

универсального

определения

рынка.

Вторая

проблема

заключается в определении перечня образующих рынок товаров. Третья
проблема заключается в том, чтобы понять, при каких условиях два различных
рынка в смысле географического расположения становятся единым рынком в
экономическом смысле.
В качестве иллюстрации удобно рассматривать розничный рынок
автомобильного топлива, поскольку на этом рынке хорошо видны плюсы и
минусы той методологии, которая прописана в нормативных документах для
анализа уровня конкуренции рынков.
Так, например, базируясь на следующих предположениях1
1.

Существует некий усредненный расход бензина на 1 км;

2.

На заправке потребитель заправляет полный бак;

3.

У потребителя существует представление о предельно допустимом для
него увеличении стоимости 1 л бензина;

1

Нормы расхода топлива установлены распоряжением Минтранса № АМ-23-р от 14 марта 2008 г..

107

4.

Усредненный потребитель едет на заправку исключительно с целью
заправиться и затем возвращается назад в место своего пребывания;

5.
6.

У потребителя есть начальный запас бензина, чтобы доехать до заправки;
Цена начального запаса, который расходуется по дороге до заправки, равна
предельно допустимой для потребителя, цена топлива, израсходованного
по дороге назад до места проживания равна среднерыночной цене

можно показать, что географические границы рынка моторного топлива
отличаются от предполагаемых Порядком.
Введем следующие обозначения:
V– объем бака в литрах;
  средний расход топлива в литрах на 1 км;
P  среднерыночная цена одного литра топлива
P1 – цена 1 л бензина, которую вынужден платить владелец автомобиля,
при условии, что он никуда не едет, а заправляется на ближайшей заправке.
Предполагаем, что эта цена и является предельно допустимой для потребителя.
X – предельное расстояние, на которое готов отклониться потребитель
от места своего пребывания.
  коэффициент, показывающий во сколько раз предельно допустимая
цена отличается от среднерыночной (готовность потребителя доплачивать за
нахождение заправки с местом текущего проживания);
W0 – первоначальный запас бензина.
Исходя из выдвинутых предпосылок, получаем:
W0 = X

(1)

P1 = (1+)P

(2)

P1V = PV + PX +P1X

(3)

(1+)PV = PV + PX + (1+)PX  X = (V/)(/(2+))

(4)

Как видно из выражения (4), географические границы рынка не зависят от
абсолютного значения среднерыночной цены, а зависят от характеристик
автомобиля и готовности потребителя доплачивать за наличие заправки в
"шаговой доступности". Это логично, поскольку, чем больше у автомобиля
размер бензобака и чем меньше расход бензина, тем меньшую долю составляют
расходы на перемещение до заправочной станции в общем объеме заправки.
108

Другой вывод из приведенных расчетов – географические границы
розничного рынка моторного топлива зависят от того, какие марки автомобилей
преобладают у населения данного региона. Третий вывод состоит в том, что
географические границы рынка расширяются с ростом доходов населения.
Нормы расхода бензина для разных марок легковых автомобилей 1
находятся в интервале от 6,5 л на 100 км до 19,3 л на 100 км. Объем бензобака
находится в интервале от 30 л. до 98,5 л. Используя приведенные рассуждения
получаем, что географические границы рынка моторного топлива находятся в
интервале от 11,3 км. до 12,4 км. Рассмотрим, как изменяются результаты в
зависимости от параметров.
Таблица 1. Расчет географических границ рынка
Объем двигателя, л.
, л./км


30,0 98,5 30,0
0,065 0,193 0,065
0,05 0,05 0,10

98,5
0,193
0,10

30,0 98,5 30,0 98,5
0,065 0,193 0,065 0,193
0,15 0,15 0,20 0,20

Географические границы рынка, км

11,3

24,3

32,2

12,4

22,0

35,6

42,0

46,4

Таблица 2. Время, затрачиваемое на путь до заправки и обратно в зависимости

от географических границ рынка
Среднерыночная цена

22,0

22,0

22,0

22,0

22,0

22,0

22,0

22,0

Предельно допустимая цена

23,1

23,1

24,2

24,2

25,3

25,3

26,4

26,4

23

25

44

49

64

71

84

93

Время, затраченное на дорогу до
заправки и обратно при средней
скорости движения 60 км/ч, мин.

Как видно из зависимостей, приведенных в таблицах 1-2, географические
границы рынка расширяются в первую очередь с ростом готовности владельца
автомобиля нести транспортные расходы. Также они расширяются с
увеличением объема двигателя (объем двигателя увеличивается быстрее, чем
расход бензина на 1 км).
Вместе с тем, начиная с некоторого момента, вступает в силу
психологический фактор потраченного времени на путь до заправки и обратно
Маловероятно, чтобы владелец автомобиля согласился регулярно тратить на
заправку более 1 часа времени.
1

Нормы расхода топлива установлены распоряжением Минтранса № АМ-23-р от 14 марта 2008 г

109

Если строго следовать п. 4.4 Порядка, то отклонение стоимости заправки
полного бака не должно превышать 10% от средневзвешенной цены в месте
нахождения

потребителя.

В

этом

случае,

как

следует

из

таблицы,

географические границы рынка расширяются до 22,0-24,3 км, а время в пути до
заправки и обратно увеличивается соответственно до 44-49 мин.
О формировании терминологических словарей
в задаче автоматизации коммерческих отношений
Г.В.Лезин, Е.Н.Клименко, Е.Ф.Силина
Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского, д. 1, СПб, 191187;
e-mail: lezin@emi.nw.ru

Терминологическим словарем обычно [1] называют словарь, содержащий
термины определенной области знания и их определения (дефиниции). Важной
компонентой этого определения является сопоставленная словарю область социальной
сферы (знания, деятельности), в рамках которой термины словаря обладают свойством
однозначности. По-видимому, как раз однозначность определений терминов
является одним из важнейших разграничительных признаков отличающих
терминологический словарь от толкового или энциклопедического словарей.
Другой важной характеристикой качества терминологического словаря
является его системность [2]. Тематический словарь не может быть простым
механически объединенным множеством терминов. Дефиниции словаря
обязаны отражать имеющиеся смысловые связи между терминами. Словарь в
целом должен фиксировать в своих дефинициях имеющуюся в определяемой
им области сеть отношений между терминами.
С

повсеместным

распространением

и

освоением

Интернета

роль

терминологических словарей как понятийной основы относительно замкнутых
информационных пространств значительно возросла. Возникли новые задачи
многократного использования и обмена информацией, распределенной по сети,
семантического согласования данных и программ в процессе обмена. Появились
стандарты описания семантики программ и данных [3, 4]. Первоочередной стала
задача машинного понимания семантики информационного пространства,
заданного

терминологическим

словарем
110

и,

как

следствие,

формальной

семантической

интерпретации

терминов.

Явно

обозначилась

тенденция

определения понятийной основы информационного пространства парой:
- терминологический словарь;
- онтология,

формально

описывающая

систему

отношений

между

объектами информационного пространства, заданного терминами словаря.
В докладе рассматривается задача формирования терминологического
словаря для узкой предметной области в виде конкретизации общих понятий,
заданных онтологией электронного бизнеса (система стандартов Open-edi
ISO/IEC 15944

[5]).

Основное

внимание

уделено

методам

извлечения

онтологической информации из текстов дефиниций. Цель исследований –
автоматизация процесса совместной разработки терминологического словаря и
обусловленной им онтологии. В качестве исходной метаонтологии была взята
онтология ISO/IEC 15944. Источниками для формирования списка терминов,
относящихся

к

банковской

сфере

послужили

экономические

словари

энциклопедического плана [6, 7]. Решается задача автоматизированного
извлечения онтологической информации из текстов дефиниций отобранного
списка терминов. Четко выделяются следующие этапы ее решения [8,9]:
а) Семантико-синтаксический

анализ

исходного

варианта

текстов

дефиниций. На этом же этапе выделяются словосочетания, образующие
термины терминологического словаря. Выделенные словосочетания сливаются
в узлы дерева. В результате каждому из вхождений термина в разбираемое
предложение, независимо от количества образующих этот термин слов, в
дереве разбора соответствует один узел.
б) Разработка системы правил, вычленяющих из текста вербального
определения онтологически значимую информацию. Правило имеет вид
продукции и состоит из двух частей:
– решающей части, которая содержит условия применимости правила;
– исполнительной части, содержащей последовательность действий по преобразованию
текущего вида и (или) состояния дерева разбора в новый вид (состояние).
в) Применение

правил

к

текстам

вербальных

определений

терминологического словаря. Конечным результатом этой работы является
формальный текст онтологии, связывающей исходный набор терминов в сеть
111

отношений между терминами. Полученный текст представлен на стандартом
формальном языке (на языке OWL) и может быть введен в стандартный
онторедактор для последующего анализа и правки.
Получение конечного результата связано выполнением большого объема итераций:
– правится исходный текст определений для получения приемлемой
интерпретации его имеющимися правилами (в большинстве случаем этим
удается и ограничиться);
– уточняются и пополняются правила интерпретации текстов, т.е.
фактически ведется отладка правил.
В основу системы стандартов Open-edi положена

модель электронного

бизнеса, сокращенно обозначаемая как REA-модель (ресурсы, события, агенты)
[9, 10]. REA-модель предполагает, что в исходном состоянии агенты обладают
некими правами на распоряжение ресурсами и сделка (бизнес-транзакция)
представляется как процесс обмена этими правами между партнерами по сделке.
Обязательства

каждого

из

партнеров

оформляются

в

виде

сценариев

экономических событий и бизнес-событий, непосредственно реализуемых этим
партнером. Формальное описание обязательств каждого из партнеров извлекается
из общего контракта, которым завершаются переговоры между участниками
сделки. Основная задача онтологии Open-edi, расширенной на конкретную
предметную область, – формальное описание понятий и данных, задействованных
в контракте. Отсюда следует, что терминологический словарь понятий
конкретной предметной области играет очень важную роль в организации
информационного пространства взаимодействия между партнерами по сделке.
Литература
1. http://slovari.yandex.ru/~книги/Естественные науки/Терминологический словарь.
2. Сложеникина Ю.В. Термин: живой как жизнь (почему термин может и должен иметь
варианты) // Главная / Информационный гуманитарный портал "Знание. Понимание.
Умение"/ № 5 2010 – Филология http://www.zpu-journal.ru/e-zpu/2010/5/Slozhenikina/#_edn2
3. OWL Web Ontology Language Guide. W3C Recommendation 10 February 2004 URL:
http://www.w3.org/TR/2004/REC-owl-guide-2004021
4. RIF Overview. W3C Working Group Note 22 June 2010. // Интернет-ресурс:
http://www.w3.org/TR/2010/NOTE-rif-overview-20100622/
5. ISO/IEC 15944-1:2002(E). Information technology — Business agreement semantic descriptive
techniques — Part 1: Operational aspects of Open-edi for implementation
6. Борисов А.Б. Большой экономический словарь. - М.: Книжный мир, 2003. - 895 с.
7. Словарь экономических терминов // Интернет-ресурс:
http://www.bank24.ru/info/glossary/index.php?print=Y
112

8. Лезин Г.В. Онтологическая семантика текста: форматирование лексики в семантическом
словаре // Труды ХI Всероссийской научной конференции RCDL'2009. Петрозаводск, 1721 сентября 2009 г. с.141-147.
9. Боярский К. К., Каневский Е. А., Лезин Г. В., Калиниченко Л. А., Скворцов Н. А.
Автоматизация процесса извлечения онтологической информации из вербальных
терминологических словарей (на примере терминологического словаря задачи
межзвездного поглощения) // XII Всероссийская научная конференция RCDL'2010, Казань
13-17 октября 2010 г., с 257-264.

Проблемы планирования пространственного развития
С-Петербургской агломерации
Л.Э. Лимонов
МЦСЭИ «Леонтьевский Центр»
190005, С-Петербург, ул. 7-я Красноармейская д. 25;
e-mail: limonov@leontief.ru
Ключевые слова: агломерация, землепользование, стратегическое планирование, земельный
рынок, межевание, аренда с полным пакетом документов, аренда с неполным пакетом,
разрешение на строительство, Генеральный план, общественные слушания, дачная амнистия

В современной экономике именно агломерации (с присущими им
агломерационными эффектами) становятся основными локомотивами развития
национальных экономик. В то же время российские агломерации не играют,
пока, той роли, которая характерна для развитых и наиболее динамично
развивающихся стран. Одна из причин этого явления заключается, повидимому,

в

дефектах

пространственного

развития,

порождающих

неэффективность и дополнительные издержки, снижающие положительное
воздействие агломерационных эффектов. Анализ особенностей и факторов
развития российских агломераций в постсоветский период не привлек, пока,
внимания специалистов по пространственной экономике и редко используется
в исследованиях. Между тем, в России пространственное развитие агломераций
сохраняет многие особенности советского периода, а трансформации в
структуре и интенсивности землепользования, вызванные действием рыночных
факторов, происходят очень медленно и не всегда имеют положительный
эффект. По-видимому, институциональные особенности землепользования и
застройки оказывают существенное влияние на развитие агломераций. Другим
важным институциональным фактором пространственного развития является
очень

слабое

(или

практически

полное

отсутствие)

взаимодействие

муниципальных образований и/или субъектов федерации, на территории
113

которых развиваются агломерационные процессы и формируются мегаполисы.
В Градостроительном Кодексе и других документах, регламентирующих
градостроительное планирование, понятие агломерации отсутствует, что в
российских условиях делает невозможным разработку планов развития
мегаполиса общими усилиями нескольких муниципальных образований и/или
субъектов федерации. Особенно ярким примером проявления этой проблемы
является Санкт-Петербургская агломерация.
В докладе на примере Санкт-Петербурга рассматриваются следующие
проблемы:
 Принципы определения границ агломерации;
 Характеристика особенностей и проблем пространственного развития
Санкт-Петербургской агломерации;
 Факторы пространственного развития, роль институциональных факторов;
 Анализ нормативной правовой базы и практики формирования системы
регулирования пространственного развития и прав собственности на землю;
 Результаты

эмпирического

исследования

по

оценке

факторов

пространственного развития, в том числе таких институциональных
факторов, как регулирование застройки и предложение земельных участков.
Методологической базой исследования являлись неоинституциональная
теория (теорема Коуза, теория коллективных действий) и новая экономическая
география. Эмпирическое исследование включало как анализ доступных
статистических данных, так и проведение экспертного интервьюирования
значимых акторов земельного рынка и инвестиционно-строительной деятельности
в Санкт-Петербурге и Ленинградской области (размер выборки – 35 человек).
Практически
предложение

опрошенные

городской

ограниченность,
собственности

все

скорее,

земли

эксперты

ограничено

качественная,

Санкт-Петербурга

есть

согласились
и

тем,

что

но

эта

количественная.

В

недостаточно,

нежели
много

с

земли,

пригодной

под

строительство, но она либо на периферии без инженерной подготовки, либо со
значительными ограничителями по инженерной нагрузке в застроенных
городских районах. Кроме того, в обоих случаях, как правило, отсутствуют
114

необходимые документы (проект межевания участков, кадастровые номера,
проект планировки территории – ППТ и др.).
Негативным фактором для развития земельного рынка является то, что попрежнему крайне мало земельных участков выставляется на продажу, в
основном все торги проходят на право заключения договоров аренды.
Одна из основных проблем, с которой сталкиваются застройщики, – это
обеспечение

земельного

участка

инженерными

коммуникациями

и

согласование предельных мощностей планируемого объекта с компаниямипоставщиками коммунальных услуг (ГУП «ТЭК СПб», ГУП «Водоканал», ОАО
«Ленэнерго», ООО «Петербурггаз»).
С неменьшими проблемами сталкиваются застройщики в центральных
районах города, где инженерные сети уже успели износиться и не рассчитаны
на новые мощности. Помимо этого возникает сложность с расчётом свободных
мощностей из-за большого количества несанкционированных подключений и
неэффективного использования энергии.
По мнению большинства экспертов, сроки согласования проектов можно
и нужно сократить. Среди конкретных предложений, связанных с решением
этой

проблемы:

уменьшение

количества

государственных

органов,

согласующих строительный проект, особенно в тех случая, если он полностью
укладывается в рамки Правил землепользования и застройки; дифференциация
сроков, предусмотренных для ответов разных государственных органов на
разные виды запросов.
Таким образом, можно сделать вывод, что в Санкт-Петербурге, и в
России в целом, за 20 лет экономических реформ так и не сформировался
полноценный рынок земли. Однако, инвесторы гораздо охотнее начинают
проекты, если могут оформить земельный участок в собственность, поскольку
последующий выкуп или сохранение аренды увеличивают инвестиционные
риски из-за неопределённости прав на земельный участок, непредсказуемости
решений

органов

государственной

власти

и

частого

изменения

законодательства. Процесс покупки земли на вторичном рынке также является
более простым и понятным для инвесторов.
115

Огромные площади неразграниченных между субъектами собственности
земель создают искусственный дефицит, повышают

стоимость земли и,

соответственно, строительства, прежде всего жилья, что, в конечном итоге,
препятствует

улучшению

жилищных

условий

горожан

и

стимулирует

коррупцию на строительном рынке. Дефицит подготовленных и оформленных
участков,

избыточное

регулирование

при

отсутствии

ясной

стратегии

пространственного развития, проблемы межевания (появление недопустимых
для развития города участков), неравномерность предложения земли под
застройку по районам города и прилегающим районам области, отсутствие
координации планов развития агломерации между городом и областью, и другие
институциональные факторы вносят существенный вклад в консервацию и
углубление проблем пространственного развития С-Петербурга: сохраняются
высокий процент износа инфраструктуры в центре города и разросшийся в
советское время старый промышленный пояс вблизи центра, продолжается
расползание агломерации на территории области, обостряются транспортные
проблемы, сокращаются площади зеленых насаждений и число деревьев в
центре города при ухудшении качества городской среды и застройки. Хотя в
некоторых отношениях эффективность землепользования повысилась (рост
числа и разнообразия предприятий сферы услуг и торговли, рост плотности
жилой и нежилой застройки в некоторых районах), существующая ситуация с
собственностью на землю и регулированием застройки не позволяет СПетербургу успешно пройти постиндустриальную трансформацию и, за счет
эффективной пространственной организации, порождать агломерационные
эффекты сравнимые с эффектами, возникающими в крупных и наиболее
конкурентоспособных мегаполисах (например, в ЕС и США).
На основании проведенного исследования можно сделать следующие выводы:
1. Несмотря на проведение рыночных реформ в России, диспропорции и
дефекты

пространственного

развития

городских

агломераций

продолжают сохраняться.
2. Медленная

трансформация

городских

агломераций

связана,

в

значительной мере, с институциональными факторами.
3. Среди институциональных факторов наиболее важными являются следующие:
116

- система

территориального планирования

и система

регулирования

землепользования и застройки, а также регистрация прав собственности;
- процедуры

и

механизмы

частно-государственного

партнерства

применительно к вопросам развития локальных зон городских агломераций;
- процедуры и механизмы сотрудничества муниципальных образований и
субъектов РФ в области пространственного развития.
Литература
1. Де Сото Э. 2004. Загадка капитала. Почему капитализм торжествует на Западе и терпит
поражение во всем остальном мире – М.: ЗАО «Олимп-Бизнес». – 272 с.
2. Дроздова Н.П. 1996. Неоинституциональная концепция экономической истории России:
постановка вопроса// Вестник Санкт-Петербургского Университета. Сер. 5. Вып. 3 (№ 19),
С. 3 – 17.
3. Жихаревич Б.С. Стратегические приоритеты регионального развития: от теории к
принципам формирования единого социально-экономического пространства. ИПРЭ РАН.
Санкт-Петербург: Наука, 2009.
4. Коуз Р. 1993. Проблема социальных издержек// Коуз Р. Фирма, рынок и право. – М.: Дело
ЛТД при участии изд-ва “Catallaxy”. – С. 87 – 141.
5. Лимонов Л.Э. 2009. Власть и собственность на землю в России: к вопросу о зависимости
от траектории предшествующего развития// Экономика и право – СПб: МЦСЭИ
«Леонтьевский Центр». – С. 58-84.
6. Лимонов Л.Э., Вахрушева К.В. 2010. Земельный рынок и строительство в СанктПетербурге: проблемы неполной спецификации прав и государственной квазимонополии
на землю // Финансы и Бизнес, №3. – С. 128-143.
7. Трутнев Э.К., Бандорин Л.Е., Гудзь Т.В. и др. 2008. Градорегулирование: основы
регулирования градостроительной деятельности в условиях становления рынка
недвижимости. – М.: Фонд «Институт экономики города», 296 с.
8. Hardin G. 1968. The Tragedy of the Commons// Science 162, P. 1243-48.
9. North D.C., Wallis J.J., Webb S.B., Weingast B.R. 2007. Limited Access Order in the
Developping World: A New Approach to the Problems of Development. World Bank. Policy
Research Working Paper № 4359.
10. Ostrom E. 1990. Governing the Commons: The Evolution of Institutions for Collective Action.
- Cambridge: Cambridge University Press.

Игры, связанные с многокритериальными задачами
А.Н.Ляпунов
СПб ЭМИ РАН
191187 Санкт-Петербург, ул.Чайковского 1;
e-mail: anlyapunov@yandex.ru
Ключевые слова: многокритериальная задача, Парето-оптимальность, С-ядро,
вектор Шепли, n-ядро.

Определение. Пара (X, f), где X   n – множество, а f : X  m – набор
критериев, называется многокритериальной задачей.
117

m

Пусть  m { p   m |  pi  1} . Рассмотрим задачу: для p  Δm найти
i 1

величину V(p) из условия

V ( p )  max xX pf ( x).

(1)

Функция (1) называется значением задачи.
Известно, что если x  Парето оптимально, то оно является решением
задачи (1) при некотором p  Δm.
Пусть M = {1, …, m} и S  M . Положим p ( S )   iS pi . Для p Δm, p (S) > 0
введем вектор pS с компонентами

 pi
, если i  S ,

piS   p ( S )
 0, если i  S .

Рассмотрим задачу:

V ( p, S )  max xX

S
i

p

f i ( x).

(2)

iS

При фиксированном p  Δm, p > 0, имеем кооперативную игру V(p, ).
Рассмотрим замыкание функции V на весь симплекс Δm. Тогда при каждом S
функция V(·,S) станет многозначной, Пусть Φ(p) – какое-либо решение этой
игры (С-ядро, вектор Шепли, n-ядро). Заметим, что ввиду многозначности
функции V решение Φ как функция p также будет многозначным.
Определение. Равновесным решением задачи (X, f) называется вектор
p Δm, удовлетворяющий условию
p λΦ(p).

(3)

При этом коэффициент λ выбирается из условия нормировки p(M) = 1.
Теорема. Пусть X   n и функции f строго вогнуты и имеют максимум.
Тогда:
Если Φ – С-ядро, то уравнение (3) разрешимо при условии ( p )   для
всех p Δm.
Если Φ – вектор Шепли или n -ядро, то уравнение (3) разрешимо.

118

Применение суперкомпьютеров для реализации агент-ориентированных моделей1
В.Л Макаров, А.Р. Бахтизин
Учреждение Российской академии наук Центральный экономико-математический институт РАН
117418, г. Москва, Нахимовский проспект 47;
e-mail: cgemodel@yandex.ru
Ключевые слова: агент-ориентированные модели, параллельные вычисления,
суперкомпьютеры

Компьютерное моделирование – широчайшая, интереснейшая и интенсивно
развивающаяся область, востребованная сегодня практически во всех областях
человеческой деятельности. Агент-ориентированный подход к моделированию
очень универсален и удобен для прикладников в силу свой наглядности, но его
также отличает и требовательность к вычислительным ресурсам. Очевидно, что
прямое моделирование достаточно длительных социальных процессов в масштабах
страны в целом требуют весьма значительной вычислительной мощности.
Суперкомпьютеры позволяют на несколько порядков увеличить число
агентов и других количественных характеристик (узлов сети, величины
территории) в моделях, первоначально разработанных для использования в
обычных

настольных

компьютерах.

Поэтому

суперкомпьютерное

моделирование является логичным и крайне желательным шагом для тех
упрощенных моделей,
апробацию

на

которые

обычных

уже

прошли

компьютерах.

Увы,

успешную
специфика

практическую
архитектуры

современных компьютеров вовсе не гарантирует, что программное обеспечение
компьютерной модели

немедленно

заработает и

на

суперкомпьютере.

Требуется как минимум распараллеливание счетного ядра, а зачастую и его
глубокая оптимизация, поскольку, в ином случае, применение дорогостоящего
суперкомпьютерного счета будет не так уж и оправдано.
В марте 2011 г. на суперкомпьютере «Ломоносов» была запущена модель,
имитирующая

развитие

социально-экономической

системы

России

на

протяжении последующих 50 лет. Эта агент-ориентированная модель основана
на взаимодействии 100 млн. агентов, условно представляющих социальноэкономическую среду России. Поведение каждого агента задано набором
1

Работа выполнена при поддержке гранта Президента РФ МД-1456.2011.6

119

алгоритмов, которые описывают его действия и взаимодействие с другими
агентами в реальном мире.
Проект задействовал 5 человек: 2 специалистов ЦЭМИ РАН (В.Л. Макаров,
А.Р. Бахтизин) и 3 со стороны МГУ (В.А. Васенин, В.А. Роганов, И.А. Трифонов).
Данные

для

моделирования

были

предоставлены

Федеральной

службой

государственной статистики и российским мониторингом экономического положения
и здоровья населения. Модель для обычного компьютера была построена в 2009 г.,
а в 2011 году она была конвертирована в «суперкомпьютерную» версию.
Первоначальный этап разработки этой модели заключался в построении
инструмента,

успешно

решающего

задачу

исследования

на

обычных

компьютерах, а также в настройке параметров модели. После ее успешной
апробации

с

небольшим

числом

персональный

компьютер

с

агентов

хорошей

(учитывая

их

сложность,

производительностью

способен

производить вычисления с удовлетворительной скоростью над числом агентов
около 20 тыс.) было решено конвертировать ее для суперкомпьютера – второй
этап разработки. Отметим, что на первом этапе был использован пакет
AnyLogic, технические возможности которого позволили достаточно быстро
отладить модель и настроить ее параметры.
В

виду

неинтерактивности

запуска

программы

на

больших

суперкомпьютерах сбор выходных данных и визуализация были разделены (это
связано с неравномерностью нагрузки на кластеры в разное время суток, а
монопольный доступ попросту невозможен). После пересчета модели,
получившаяся на выходе информация может быть снова визуализирована.
Важно

отметить,

суперкомпьютеров

что

довольно

проблема

масштабирования

фундаментальна.

Хотя

программ
и

обычная

для
и

суперкомпьютерная программы реализуют один и тот же функционал, целевые
функции их разработки, как правило, разные.
Так, при начальной разработке сложного прикладного программного
обеспечения

в

первую

очередь

стараются

сократить

издержки

на

программирование, обучение персонала, повысить переносимость между
платформами и т. д, а оптимизацию откладывают «на потом». И это вполне
120

разумно, так как на ранних стадиях приоритетом разработки является
исключительно функционал.
Однако после того как разработанное программное обеспечение уже
начало внедряться, часто выясняется, что на больших реальных данных не
хватает производительности. А поскольку современные суперкомпьютеры – это
вовсе не разогнанные в тысячи раз персональные компьютеры, то для запуска
на суперкомпьютере программу приходится существенно видоизменять.
Причем эффективно сделать это без специальных знаний и навыков удается
далеко не всегда.
При

грамотно

проведенной

работе

значительное

повышение

эффективности обычно достигается на трех уровнях: 1) распараллеливание
счета; 2) специализация вычислительных библиотек по специфике задачи;
3) низкоуровневая оптимизация.
Таким образом, на суперкомпьютере запускалась уже оптимизированная
версия модели. Задействование 200 процессоров суперкомпьютера позволило
сделать прогноз на 50 модельных лет для среды объемом 100 млн. агентов. Все
вычисления заняли 1 минуту 30 секунд. Также была предпринята попытка
запуска модели с помощью 1000 процессоров. В этом случае на решение той же
задачи было потрачено примерно 16 секунд. Кроме «Ломоносова» (414 TFlops),
модель была опробована еще на 2 суперкомпьютерах: МВС-100К (123 TFlops) и
«Чебышев» (60 TFlops).
Эксперименты с моделью показали, что одни и те же параметры
(рождаемость, продолжительность жизни и т.д.) могут приводить к различным
результатам в зависимости от размера социума. При запуске одной и той же версии
модели с разным количеством агентов результаты отличались на 4,5%. В первом
случае моделирование велось для 100 млн. агентов, а во втором – 100 тыс. агентов.
В этой связи можно предположить, что, по всей видимости, в сложных
динамических

системах,

одни

и

те

же

параметры

(рождаемость,

продолжительность жизни и т.д.) могут приводить к различным результатам в
зависимости от размера социума.
121

Моделирование влияния
научно-исследовательской компоненты преподавателя университета
на уровень подготовки выпускника в зависимости от правил финансирования
М.Д. Мараева
СПб ЭМИ РАН
ул. Чайковского, д. 1, Санкт-Петербург, 191187;
e-mail: masancho@rambler.ru
Ключевые слова: научно-исследовательская деятельность преподавателя, качество
образования, уровень подготовки выпускников, правила финансирования

Образование – прогрессивный фактор экономического роста, от его
качества во многом зависит темп экономического роста страны. В современной
экономике – глобальной и постиндустриальной – именно университеты
создают

критическую

массу

талантов

для

динамической

конкурентоспособности страны. Поэтому в современной экономике система
высшего образования – ключевой фактор успеха страны.
Основной проблемой высшего образования в России является низкая
исследовательская

составляющая.

Это

обусловлено

как

устаревшими

механизмами финансирования, так и отсутствием достойной мотивационной
схемы занятия научной деятельностью.
Существующие

механизмы

финансирования

требуют

значительной

модернизации, и центральное место в исследованиях занимают качественные
показатели деятельности университетов.
Критерием

качества

выступает

исследовательская

деятельность

университетов; исследование Шаттока [Shattock, 2002] свидетельствует, что
университеты, которые проводят хорошие исследования, имеют высокие
показатели и в образовательной деятельности. С другой стороны, трудно
проследить, что именно происходит в тех университетах, которые не находятся
в десятке лучших. Однако, очевидно то, что в университетах, где не ведутся
исследования, о высоком уровне образования говорить не приходится.
Фактически, напряженные отношения между обучением и исследованиями
не были широко изучены в экономической литературе. Рэй [Del Rey, 2001]
изучает модель конкуренции между университетами, которые выбирают
распределение фондов между обучением и исследованиями. В ее модели
122

обучающие

достижения

и

качественные

исследования

входят

в

университетскую функцию полезности, и финансирование положительно
связано с числом студентов. Она изучает баланс между исследованием и
обучением как функцию правил финансирования.
Позже, Гатьер и Воузи [Gautier, Wauthy, 2007] в исследовании,
дополняющем работу Дел Рэй [Del Rey, 2001], рассматривают потенциальные значения

мотивационных

схем

как

инструмент,

чтобы

продвинуть

эффективность в пределах единственного университета и противопоставить два
способа

управления

относительно

выбора

образовательной

и

исследовательской стратегий. Исследователи акцентируют внимание на том,
что при отсутствии достойных стимулов к исследовательской деятельности,
преподаватель не заинтересованы в ней и предпочтут образовательную
деятельность. Однако, при таком положении, качественный показатель
образования будет падать.
В нашем исследовании мы строим модель, которая показывает, как
научно-исследовательская

компонента

в

деятельности

преподавателей

университетов влияет на показатели качества образования. Она позволяет
оценить

все

существующие

механизмы

финансирования

и

провести

сравнительный анализ.
Ключевыми факторами модели выступают начальная квалификация
абитуриента,
преподавателя,

научно-исследовательская
квалификация

компонента

выпускника,

зарплата

в

деятельности

преподавателя

за

преподавание и исследования, распределение времени преподавателя.
Предполагается,

что

преподаватель

обладает

определенной

квалификацией, которую он должен постоянно поддерживать, для этого он
должен заниматься исследованиями не ниже критического уровня. В
противном случае, его квалификация снижается. Распределение времени
преподавателя на преподавание и исследования обусловлено зарплатой,
считается, что главная цель – максимизация дохода, то есть чем меньше
оплачиваются исследования, тем меньше времени он будет на них тратить.

123

Предполагается, что сильный студент, взаимодействуя, с сильным
преподавателем становится высококвалифицированным выпускником. Выбор
университета абитуриентом обуславливается квалификацией выпускников
данного университета. Поэтому достижение высокого качества образования
возможно

при

наличии

сильных

абитуриентов,

квалифицированных

преподавателей, занимающихся исследованиями.
Построенная модель показывает, что для повышения качества образования
профессор должен заниматься исследованиями, причем не менее критического
минимума. Только профессор-исследователь может дать студенту знания
высокого уровня.
Далее мы проводим эмпирическое исследование и оцениваем параметры
модели, такие как:
1) начальная квалификация абитуриента, оцениваемая как средний балл по ЕГЭ;
2) научно-исследовательская

компонента

профессоров,

выраженная

в

интегральном показателе научной деятельности вузов;
3) квалификация выпускника, оцениваемая с помощью информации о
проценте выпускников, работающих по специальности, средней заработной
плате выпускников, работающих по специальности и не по специальности.
Эмпирическое
теоретической

исследование

модели

–

позволило

преподаватель

с

доказать
высокой

предпосылки
квалификацией,

взаимодействуя с сильным абитуриентом, передавая ему свои знания, развивает
его способности и на выходе мы получаем квалифицированного выпускника,
который претендует на высокий уровень заработной платы, что и отражает
качество его образования.
Реформирование экономики образования, в частности высшего, является
приоритетным направлением государственной политики. Разработанная модель
показывает, что увеличение объема финансирования научной деятельности
профессоров, занимающихся исследованиями, в определенном объеме будет
способствовать повышению качества образования и повлечет за собой рост
конкуренции в преподавательской среде, что также будет благоприятно как для
общества, так и для экономики в целом.
124

Очевидно, что необходимо расширение доли научно-исследовательской
компоненты в бюджете университета, причем это расширение, по опыту
зарубежных стран, должно происходить не только за счет государственных
ассигнований, но и за счет расширение доли внебюджетного финансирования.
Литература
1. Alchian A. Private Property and the Relative Cost of Tenure // Public Stake in Union Power. – 1958.
2. Barr N. The benefits of education: What we know and what we don’t // London School of
Economics. – 2001.
3. Beath J., Poyato-Theotoky J., Ulph D. University Funding system and System and their Impact
on Research and Teaching: A General Framework // Paper presented at the Conference on Higher
Education, Multijurisdictionarity and Globalisation, Mons (Belgium). – 2005.

Анализ международных транспортных коридоров Европа-Азия
А.П. Мартюшев
Институт автоматики и процессов управления ДВО РАН
г. Владивосток, ул. Радио 5, 690041;
e-mail: martyushev.alexey@gmail.com
Ключевые слова: транспортные равновесие, Трансазиатские железные дороги, обобщенные
принципы Вардропа, ЭСКАТО

Транспорт является одним из необходимых факторов эффективного и
стабильного функционирования экономической системы государства, играя
важную роль в социально-экономическом развитии страны, обеспечивая
условия экономического роста, повышая конкурентоспособность национальной
экономики и качества жизни населения.
Особая

значимость

транспортной

системы

Российской

Федерации

обусловлена ее уникальным геостратегическим положением и огромным
пространственным размахом.
В 2009 году в направлении «Азия-Европа» было перевезено 11.4 млн.
ДФЭ, а в сообщении «Европа-Азия» 5,4 млн. ДФЭ. При этом около 98%
процентов заданного потока перевозится с помощью морского транспорта и
всего лишь 0,002% перевозится через Транссиб. По подсчетам специалистов
ЭСКАТО, к 2015 году объем перевозок грузов в контейнерах в сообщении
Азия-Европа достигнет 26.1 млн. ДФЭ, а в сообщении Европа-Азия – 17.7 млн.
ДФЭ

[3].

В

условиях

ежегодно

увеличивающегося

товарооборота,

альтернативные маршруты доставки грузов имеют все шансы, чтобы занять
125

свою нишу на рынке транзитных грузоперевозок. Главное преимущество
сухопутного маршрута – это снижение сроков доставки грузов почти в 2 раза.
С точки зрения международных транспортных коридоров, Транссибирская
магистраль

является

важной

составной

частью

ряда

международных

транспортных проектов. В данной работе рассматривается проект Трансазиатских
железных дорог (англ. Trans-Asian Railway) – международный проект по
созданию объединённой сети грузоперевозок в Европе и Азии, координируется
Экономической

и

социальной

комиссии

ООН

по

странам

Азиатско-

Тихоокеанского региона (ЭСКАТО) и имеет непосредственное отношение
к транспортной системе Дальнего Востока Российской Федерации [1].
Рисунок 1. Сеть Трансазиатских железных дорог

В сложившихся условиях, анализ международной транспортной сети,
расположенной на стыке Европы и Азии большая часть которой пролегает по
территории Российской Федерации, приобретает важное экономическое,
политическое и геостратегическое значение. Применение равновесных моделей
позволяет не только спрогнозировать возможное распределение транспортных
потоков на заданной сети, но и выявить факторы оказывающие влияние на
формирование полученного равновесия, что за невозможностью проведения
«натурного

эксперимента»

приобретает

повышенную

актуальность

и

представляет собой практическую целесообразность.
В данной работе рассматривается графовая модель сети железных дорог, где
G = (V, E) – ориентированный граф, V – станции, E – перегоны. Перегон e E задается
упорядоченной парой (v1, v2) V×V, также в V заданы s – вершина-источник, t –
вершина-сток. Маршрут p = (v0, v1, …, vk) описывается последовательностью станций
126

с v0 = s и vk = t, а общее множество маршрутов соединяющих s и t обозначим за P,
дополнительно для пары w = (s, t) V×V задан фиксированный объемы перевозок d.
Распределение потока d по маршрутам P соединяющим пару w источник-сток,
задается вектором x = {xp : p P}. Затраты на прохождение маршрута p P
описываются функцией T p ( x )  e p  e ( y e ) , где τe(ye) – функция затрат на
прохождение перегона e, y e  y e ( x)   pPe x p – нагрузка на перегон e, где Pe –
множество маршрутов,
потокового

содержащих

равновесия

рассматривается

заключается

как

e.

ребро

независимый

в

Принцип

том,

что

выбор

конкурентного

каждый

маршрут

экономических

агентов,

осуществляющих перевозки, причем единственным критерием выбора того или
иного маршрута являются временные затраты на передвижение груза [3].
Фактически

в

этих

условиях

будут

использоваться
*

лишь

маршруты

*
p

минимизирующие стоимость или время доставки: x = { x : p  P}  X называется
равновесным [3], если для любого p P из x*p > 0 следует, что
T p ( x * )  min Tq ( x * ).

(1)

qP

С математической точки зрения задача сводится [5] к решению
вариационного неравенства:
(T ( x * ), x  x * )  0,

x  X
(2)
для решения которого был применен проективный метод, который сводит

поставленную задачу к решению проективного уравнения:

x* = PX(x* – λT(x*),

(3)

где λ – шаговый множитель (λ > 0), T(x) – вектор-функция с компонентами
Tp (x) ,

p P,

PX –

X  {x  R n : x  0,



оператор
pP

проекции

на

допустимое

множество

x p  d } , заданное транспортными балансами и

ограничениями неотрицательности.
Модель с ограничением на пропускную способность перегонов сужает
допустимое множество решений:

X  {x  R n : g i ( x)  0, i  1, m  n, h ( x)  0},
127

 y  cap 
,
g ( x)  
 x 

(4)

h ( x)   x p  d ,
pP

где y – вектор нагрузок на перегоны, cap – вектор пропускных способностей
перегонов, m – размерность вектор-функции g(x), n – размерность векторфункции h(x). В данной постановке распределение потоков x*  X является
*

*

транспортным равновесием, если (T(x ), x – x ) ≥ 0, x  X

[2], при этом

*

решение x будет одновременно и решением задачи:
min {T ( x * ) T x : g i ( x )  0 , i  1, m  n , h ( x )  0 }.
x

(5)

Однако, для описания равновесных транспортных потоков для модели с
ограничением

на

пропускную

способность

перегонов

классическая

формулировка Вардропа не применима, поэтому используется понятие
обобщенных транспортных издержек [3] под которыми мы будем понимать
m
Tˆ ( x )  T ( x )   i 1  i g i ( x ) . Аналогично рассмотренному выше принципу Вардропа,

– обобщенное равновесие по Вардропу, если для i  1, n выполнены условия:
если x i  0  Tˆi ( x * )   ,
(6)
если xi  0  Tˆi ( x * )   ,
где π и  есть множители Лагранжа задачи (5).
По

каждой

вычислительные

из

вышепредставленной

эксперименты,

которые

модели

демонстрируют

осуществлены
равновесное

распределение потоков и нагрузку на элементы сети. Приводится некоторый
анализ полученных результатов, в том числе зависимость равновесного объема
грузоперевозок по Транссибу от изменения скорости перемещения поездов
между станциями Уссурийск и Карымское. Результаты расчетов по модели с
ограничениями имеют важное практическое применение для разработки
политики в отношении перегруженных элементов транспортной системы,
поскольку обобщенные транспортные издержки T(x*) демонстрируют, какими
должны быть затраты на прохождение участков сети для экономических
128

агентов,

чтобы

уравновесить

спрос

и

предложение

на

наиболее

привлекательные перегоны с ограничениями на пропускную способность и
избежать возникновения очередей и сопутствующих убытков.
Литература
1. Intergovernmental agreement on the trans-asian railway network (TAR) // UNESCAP. 2009. P.1-31.
URL: http://www.unescap.org/ttdw/common/TlS/TAR/text/ (дата обращения: 08.04.2011).
2. Maugeri A. Optimization Problems With Side Constraints And Generalized Equilibrium
Principles // Le Matematiche. – 1994. – Vol. XLIX, Fasc. II. – P. 305-312.
3. Wardrop J.G. Some theoretical aspects of road traffic research // Proceedings of Institute of Civil
Engineers. – 1952. – Part II, №1. – P. 325-378.
4. Винокуров Е. Ю., Джадралиев М.А., Щербанин Ю.А. Международные транспортные
коридоры ЕврАзЭС: быстрее, дешевле, больше // Отраслевой обзор – Алматы,
Евразийский банк развития. – 2009. – Т. 4, – С. 1-60.
5. Нурминский Е.А., Шамрай Н.Б., Лютаев Д.А. Транспортные проблемы больших городов и
некоторые вопросы их математического моделирования на примере г. Владивостока //
Научные доклады: независимый экономический анализ. – 2007. – № 198, – С. 154-167.

Чем определяется общая производительность факторов?1
А.В. Матвеенко
Санкт-Петербургский государственный университет
198504, Санкт-Петербург, Старый Петергоф, Университетский пр., 28ж
e-mail: andrei.v.matve@gmail.com
Ключевые слова: производственная функция, общая производительность факторов,
эластичность замещения, CES-функция, функция Кобба-Дугласа, технологическое меню.

В большинстве теоретических исследований национальной и мировой
экономики

в

качестве

основного

показателя

производительности

рассматривается общая производительность факторов, TFP. Необходимость
развития теории TFP неоднократно подчеркивалась, например, [2]. В
настоящей работе TFP изучается на основе подхода [1], где производственная
функция

Кобба-Дугласа

F ( K , L)

представляется

как

решение

задачи

оптимального выбора технологии из технологического меню  :
F ( K , L)  max G (l K K , l L L),

(1)

l

где

G(.,.) –

«локальная» производственная

функция,

технологии. Технологическое меню имеет вид:

  {l  (l K , l L ) : A1l K l 1L  1} .
1

Работа выполнена при поддержке РФФИ (проект 11-01-00878а).

129

l = (lK, lL) –

вектор

Будем рассматривать зависимость TFP «глобальной» производственной
функции от эластичности замещения «локальной» производственной функции
и от степени ее сходства с технологическим меню.
Пусть «локальными» производственными функциями служат CES-функции:



G(lK K , lL L)  β  lK K 

p

1
p p
 1  β  lL L 
,



где p < 0.
ТЕОРЕМА. Решением задачи (1) является «глобальная» производственная
~

функция Кобба-Дугласа A K  L1 , где TFP равна:
1 α

α

 1 β  p  β  p
A  A 

  .
1 α 
α
Таким образом, TFP положительно зависит от величины p и, тем самым,
положительно

зависит

от

производственной функции σ 

эластичности

замещения

«локальной»

1
. Кроме того, TFP зависит от степени
1 p

сходства «локальной» производственной функции с технологическим меню, т.е.
от величины

H  β,1  β 
α 1 α
, где H  x1, x2   x1 x2 .
H  α,1  α 

ЛЕММА. Величина ρ( x, y )  ln

H  x1, x2 
является полуметрикой.
H  y1, y2 

Полуметрика (псевдометрика) обладает всеми свойствами метрики за
исключением аксиомы тождества. Равенство ρ(x, y) = 0 определяет классы
эквивалентности, которыми являются линии уровня H = (x1, x2) = const.
Чем больше различие между характеристиками технологического меню
(α, 1- α) и характеристиками «локальной» производственной функции (β, 1- β),
~

измеряемое по указанной полуметрике, тем выше TFP A «глобальной»
производственной функции.
Литература
1. Jones C.J. The shape of production function a the direction of technical change // Quarterly
Journal of Economics. – 2005. – V. 120, N. 2. – P. 517-549
2. Prescott E.C. Needed: a theory of total factor productivity // International Economic Review. –
1998. – V. 39, N. 3. – P. 525-551.
130

Исследование направленного технического прогресса1
В.Д. Матвеенко
Санкт-Петербургский экономико-математический институт РАН
191187 Санкт-Петербург, ул. Чайковского, д. 1ж
e-mail: matveenko@emi.nw.ru
Ключевые слова: производственная функция, эластичность замещения, технический
прогресс, эффективность факторов, истинно усиливаемый фактор

Будем рассматривать два типа производственных функций, включающих в
качестве факторов производства используемые природные ресурсы (поток их
услуг) N, труд L и капитал K: функцию Кобба-Дугласа:
F ( K , L, N )  ALa N b K 1 a b ,

(1)

CES-функцию:

F ( K , L, N )  [a ( AL L) p  b( AN N ) p  (1  a  b)( AK ) p ]1 / p .

(2)

Здесь A – коэффициент общей производительности факторов (TFP),
AK, AL, AN – коэффициенты эффективности факторов a, b, p – параметры, 0 < a,
b < 1, a + b < 1

p  (, 0)  (0, 1) . Будет использоваться также обозначение

α = 1 – a – b. При обсуждении производственных функций чаще говорят не о
параметре p, а об эластичности замещения σ 
эластичность замещения высокая, если

1
. Будем говорить, что
1 p

σ  (1, ) и, соответственно,

p  (0, 1) ; эластичность замещения низкая, если σ  (0,1) и, соответственно,

p  (, 0) .
Доли факторов

θK 

F K
F L
F N
, θL 
и θN 
,
K F
L F
N F

равны эластичностям выпуска по факторам. При росте эффективного значения
любого из факторов (например, AK K) при высокой эластичности замещения
доля этого фактора (например, θk) растет, а при низкой эластичности замещения
– наоборот, доля фактора падает.
1

Работа выполнена при поддержке РФИИ (проект 11-01-00878а) и в рамках Программы
фундаментальных исследований НИУ ВШЭ 2011 года.

131

Обозначим через M и m, соответственно, наибольшее и наименьшее из
эффективных значений факторов: AKK, ALL, ANN. Из приведенных формул
видно, что если AKK=ALL=ANN (т.е. M = m), то, как и для функции КоббаДугласа, для CES-функции производственные факторы получают доли α, a, b.
Назовем такое распределение дохода нормальным дележом.
Пусть M > m. Назовем фактор, который имеет наибольшее эффективное
значение M, избыточным, а фактор, имеющий наименьшее эффективное
значение m, недостаточным. При высокой эластичности замещения каждый
избыточный фактор получает повышенную долю ВНП по сравнению с
нормальным дележом, а каждый недостаточный фактор – пониженную долю.
При низкой эластичности замещения, наоборот, каждый избыточный фактор
получает пониженную долю ВНП, а каждый недостаточный фактор –
повышенную долю.
Технический прогресс относительно увеличивает важность одних факторов и
снижает – других. Для того, чтобы судить о направленности технического
прогресса, должна быть выбрана соответствующая мера, и сделать это можно
несколькими способами. Проще всего – судить о том, какой фактор «добавляется»
техническим

прогрессом.

Технический

прогресс

называется

капиталодобавляющим (трудодобавляющим, ресурсодобавляющим), если он
приводит к увеличению коэффициента эффективности AK (соответственно, AL, AN).
Для нас представляет интерес такой результат [1, 2]: при высокой эластичности
замещения σ, технический прогресс направлен на увеличение эффективности
избыточного фактора, тогда как при низкой эластичности замещения технический
прогресс направлен на повышение эффективности недостаточного фактора.
Сравнивая с результатами предыдущего абзаца, можно переформулировать
результат

[1, 2]

так:

технический

прогресс

направлен

на

увеличение

эффективности фактора производства, получающего повышенную долю ВНП.
В [1, 2] выделяется два эффекта: эффект цены, который создает стимул
развивать технологии, применяемые при производстве более дорогих товаров с
использованием дефицитных факторов, и эффект размера рынка, благодаря
которому выгодно развивать технологии, которые используют избыточные
факторы. Эластичность замещения факторов производства определяет, какой из
132

этих эффектов сильнее и, тем самым, как технологическое изменение отвечает на
экономическую ситуацию. Если эластичность замещения низка, то относительно
сильнее эффект цены, если высока – преобладает эффект размера рынка.
Итак,

технический

прогресс

направлен

на

увеличение

фактора,

получающего повышенную долю выпуска. В одном случае (при малой
эластичности замещения) эта повышенная доля обеспечивается недостаточному
фактору за счет эффекта цены, а в другом случае – избыточному фактору за
счет эффекта размера рынка. При увеличении эффективного значения любого
фактора при высокой эластичности замещения доля фактора в доходе растет, а
при низкой эластичности замещения – наоборот, падает. Следовательно, при
высокой эластичности замещения направленность технического прогресса
усиливается ростом доли добавляемого фактора. При низкой эластичности
замещения доля добавляемого фактора падает, и направление технического
прогресса даже при неизменных количествах факторов может измениться.
Между

тем,

рост

коэффициента

эффективности

фактора

может

способствовать повышению эффективности использования других факторов
(например, рост коэффициента эффективности капитала AK может фактически
способствовать повышению эффективности использования труда), и потому
изменение коэффициента эффективности, само по себе, не отражает в полной
мере

истинного

изменения

относительной

эффективности

факторов

и

направленности технического прогресса.
В

качестве

меры

относительной

эффективности

двух

факторов

производства мы предлагаем рассматривать отношение их предельных
продуктов, т.е. предельную норму технического замещения (MRTS). Например,
относительная эффективность капитала по отношению к труду равна

F / K
.
F / L

Пусть технический прогресс в модели состоит в изменении некоторого
параметра со значения v до значения  . Будем, в частности, говорить, что
технический прогресс истинно усиливает капитал по отношению к труду,
если он увеличивает MRTS, т.е. если

F / K
F / L




F / K
.
F / L 

133

(3)

при любых значениях факторов производства K, L, N. По-другому неравенство
(3) может быть записано так:

F / K 



 F / L 

.
F / K 
F / L 
Смысл последнего равенства в том, что технический прогресс, истинно
усиливающий капитал по отношению к труду, увеличивает предельный
продукт капитала в большей степени, чем предельный продукт труда.
ТЕОРЕМА 1. Пусть для CES-функции (2) технический прогресс является
капиталодобавляющим: AK  AK . Тогда при высокой эластичности замещения
технический прогресс истинно усиливает капитал по отношению к труду (и по
отношению к природным ресурсам), а при низкой эластичности замещения
технический прогресс истинно усиливает труд (и природные ресурсы) по
отношению к капиталу.
Из сказанного выше следует, что технический прогресс, состоящий в
увеличении коэффициента эффективности того или иного фактора, всегда
истинно усиливает избыточный фактор.
Будем теперь предполагать, что в результате технологических изменений
меняются параметры a, b, α = 1 – a – b функции Кобба-Дугласа или CESфункции. В свете межстрановых различий и межвременных изменений в долях
факторов,

возможность

изменения

параметров

a, b, α

в

результате

направленного технического прогресса представляется столь же интересной,
как и возможность изменения коэффициентов эффективности факторов.
ТЕОРЕМА 2. Для функции Кобба-Дугласа (1) или для CES-функции (2)
пусть

технический

прогресс

состоит

в

увеличении

(уменьшении)

коэффициента α в сочетании со снижением (увеличением) коэффициента a.
Именно, пусть a  a (соответственно, a  a ), b не меняется. Тогда,
независимо от величины эластичности замещения, технический прогресс
истинно усиливает капитал по отношению к труду и к природным ресурсам
(соответственно, истинно усиливает труд по отношению к капиталу).
Литература
1. Acemoglu D. Directed technical change // Review of Economic Studies. – 2002. V. 69. – P. 781-809.
2. Acemoglu D. Labor- and capital augmenting technical change // Journal of the European
Economic Association. – 2003. V. 1. – P. 1-37.
134

Концептуальное моделирование сложных систем на примере
экологических систем озер.
В.В.Меншуткин
Санкт-Петербургский Экономико-математический институт РАН
Санкт-Петербург, ул.Чайковского, 1;
e-mail: vvm@emi.nw.ru
Ключевые слова: нечеткие вычисления, когнитивные карты, экологическая система, озеро.

Сложные системы, в частности экологические системы озер, далеко не
всегда

поддаются

моделированию

с

применением

традиционного

математического аппарата дифференциальных уравнений или конечных
автоматов. При решении практических проблем рационального использования
природных ресурсов озер приходится описывать плохо формализованные
системы с применением логико-лингвистических переменных, нечеткой логики
и когнитивных карт. На примере обобщенного озера Карелии разработана
модель, включающая в себя большинство доступных сведений об озерах,
начиная от формы котловины озера и кончая рыбным промыслом. В качестве
исходных данных применены правила типа «Если А и В то С». Для программной
реализации

использован

алгоритм

Мамдани

[1].

Модель

проверена

с

использованием экспертной системы по озерам Карелии [2].
Литература
1. Новиков В.В, Круглов В.В., Федулов А.С. Нечеткие модели и сети. – М.: Телеком, 2007.
2. Меншуткин В.В., Филатов Н.Н., Потазин М.С. Экспертная система «Озера Карелии» //
Водные ресурсы. – 2009. – Т. 36, № 3. – С. 300-311.

Максимизация прибыли авиакомпаний в транспортной структуре мегаполисов
с применением оптимизационных моделей продаж авиабилетов
с учетом виртуальной емкости
К.А. Мозговая, М.В. Яблочкина
СПб ГУЭФ
191023, Санкт- Петербург, Садовая улица, дом 21
e-mail: kristina.mozg@gmail.com
Ключевые слова: мегаполис, прогноз пассажирского спроса, сверхлимитная (виртуальная)
емкость воздушного судна, неявка на регистрацию, возврат билетов, компенсация.

Глобализация экономики, институциональные преобразования и динамика
социально-экономической политики, реформы местного самоуправления,
135

многочисленные инновационные проекты, новые условия функционирования
регионов, крупных городов и особенно мегаполисов, делают их более
открытыми для потоков инвестиций, людей, товаров и услуг. В этих условиях
актуализируются проблемы конкурентоспособности, что становится базовым
условием устойчивого развития регионов в целом, мегаполисов в частности, в
современной

нестабильной

рыночной

среде.

Эффективность

и

сбалансированность работы всех отраслей региона позволяет осуществлять
постоянное повышение доходности бюджета, что и является фундаментом
экономики и основой существования крупных агломераций.
Учитывая, что основной чертой мегаполисов является крупное скопление
населения, производственно-хозяйственных, социально-культурных объектов, по
сути своей мегаполис является анклавом внутри государства со своей спецификой
хозяйственного, производственного, жизненного уклада, своим бюджетом,
органами государственной власти и управления, в целом подчиняющимся законам
государства, но имеющими особенности или даже привилегии.
Соответственно, разработка и внедрение новых методов и технологий
управления и развития транспортного комплекса обеспечивает стабильное
существование
инфраструктуры
существование

региона.

Особая

мегаполисов
которого

в

роль

в

систематизации

транспортной

воздушному

транспорту,

отводится

крупных

регионах

становится

жизненно

необходимым и неизбежным, и даже является особенностью региона, основным
звеном связи с другими регионами страны и мира.
В данном исследовании затронута проблема повышения доходности
воздушного транспорта.
Хотя российские авиакомпании и продолжают в целом наращивать рынок
пассажирских авиаперевозок (Рис.1), динамика эксплуатации самолетного
парка даже по сравнению с прошлым 2010 годом, демонстрирует заметное
снижение. Процент занятости пассажирских кресел снизился на 1,6% (составил
72,0%), а процент коммерческой загрузки – на 1,4 % (составил 61,7%). В первой
декаде 2011 года предложение опережало спрос в среднем на 2,5 процента.

136

Рис.1 Долгосрочный прогноз пассажирских авиаперевозок

Снижение

уровня

занятости

пассажирских

кресел

влияет

на

эффективность пассажирских авиаперевозок и рентабельность воздушной
линии. Таким образом, задача воздушного флота – не только обеспечение
пассажиро- и грузопотоков, но и повышение доходности отрасли в целом,
значит, и увеличение налоговых поступлений в казну региона.
Для решения задач планирования авиатранспортных перевозок успешно
применяются методы математического моделирования. Внедрение в систему
управления доходами новых оптимизационных методов – эффективная
стратегия повышения конкурентоспособности любого авиапредприятия.
Целью управления доходами является максимизация двух источников
доходов: объема и цены на единицу производимых услуг.
В основе выработки оптимальной стратегии продаж лежит максимизация
математического ожидания полученной прибыли. Достоверная оценка прогноза
спроса – ключевой фактор анализа заполняемости воздушного судна. В данном
исследовании затронута проблема наличия «пустых» мест при полетах, как
основного резерва стопроцентного использования имеющихся провозных
мощностей транспортного средства.
Одним из решений проблемы свободных мест в самолете стало внедрение
практики сверхлимитных продаж на авиарейсах. Сверхлимитные продажи
(Overbooking) – продажа большего, чем вместимость самолета, количества
137

билетов для того, чтобы компенсировать потери в связи с неявкой пассажиров к
регистрации на рейс.
При известных средней цене T билета на рейс, физической емкости Cap
назначенного на рейс ВС и прогнозе осредненной вероятности p появления
пассажира, купившего билет, на предполетной регистрации (так называемый
show rate), задача состоит в нахождении величины B– виртуальной емкости,
при которой достигает максимума выражение R(B):
R(B) = B × T – CRT × B (1 – p) – F (B, p, Cap) → max,

(1)

где F(B, p, Cap) – компенсационная функция, определяющая размер ожидаемых
потерь, связанных с выплатой компенсаций «лишним» пассажирам на рейсе в
случае продажи B билетов на ВС емкостью Cap, при этом F(B, p, Cap) = 0 для
B ≤ Cap. Коэффициент 0 ≤ CR ≤ 1 показывает долю средней цены билета T,
возвращаемую пассажиру в случае его неявки к регистрации.
Первое слагаемое в формуле (1), очевидно, представляет собой доход от
продажи

билетов на рейс, а второе и третье – ожидаемые потери, связанные с

этими продажами. Таким образом, величина R(B) – это ожидаемая прибыль,
которую следует максимизировать.
Оптимальное значение виртуальной емкости B используется затем для
расчета пределов продаж на рейс и ожидаемой доходности от рейса с учетом
виртуальной вместимости воздушного судна.
В данном исследовании приводится результат симуляции процесса продаж
авиабилетов и предполетной регистрации с учетом возможной неявки
пассажиров и отказами от бронирования для модельного примера. Все расчеты
были выполнены с помощью использования программной среды Mathematica 7.0.
Результаты, продемонстрированные на модельном примере, позволяют
сделать вывод, что общая прибыль от продаж с учетом сверхлимитного
бронирования увеличивается как минимум на 5%. Эффективность применения
сверхлимитного бронирования одновременно с ростом доходов от продажи
билетов, позволяет решать проблему с перевозкой пустых мест, увеличивая
занятость пассажирских кресел.

138

В реальности при применении данных методов относительно всех аспектов
максимизации

доходов

воздушного

транспорта

и

поиска

новых

оптимизационных способов повышения эффективности воздушной линии,
занятости всех имеющихся провозных емкостей, полученные результаты
принесут ощутимую экономическую выгоду как для производителей услуг, так и
для повышения уровня бюджета региона, что является жизненно необходимым
для существования и процветания любого региона, а тем более мегаполиса.
Литература
1. Talluri K., van Ryzin G. The Theory and Practice of Revenue Management // Springer – 2005. - P.
129–160.
2. Siddappa S. Statistical modeling approach to airline revenue management with overbooking//
Ph.D. thesis. - The University of Texas at Arlington, USA. – 2006.
3. Яблочкина М.В. Определение оптимального уровня сверхлимитного бронирования
авиабилетов для нескольких рейсов// В мире научных открытий №1. - 2011. Математика.
Механика. Информатика. – С. 32-34.
4. Мозговая К.А., Фридман Г.М., Яблочкина М.В.Численный анализ влияния точности
прогноза пассажирского спроса на эффективность продаж авиабилетов с учетом
сверхлимитного бронирования// Научно-технический Вестник СПбГУ ИТМО №5, 2011.
5. Состояние и перспективы развития гражданской авиации России. - www.ato.ru, 2011.

Оценка вклада малых и средних городов в экономический рост региона
Ш.Х. Назаров
Институт прогнозирования и макроэкономических исследований
100000 Ташкент, ул. А.Кодири 2.
e-mail: sh.nazarov@yandex.ru
Ключевые слова: регион, город, прогнозирование, математическое моделирование, оценка.

В городах формируется сложное экономическое пространство, дающее
кумулятивный эффект для экономического роста региона. Это обстоятельства
актуализирует качественную и адекватную оценку вклада городов в реализации
задач регионального развития. Для этого предполагается наличие полноценной
статистической информации, которая охватывала бы все основные параметры
развития города и городского хозяйства.
Однако за исключением крупных городов (областных центров и городов
областного подчинения) практически все малые и средние города не являются
отдельными объектами статистического учета. Это не позволяет сформировать
полную систему показателей социально-экономического развития города. В
результате этого становится невозможным целостный анализ состояния
139

городов, городского хозяйства и инфраструктуры малых и средних городов. И,
как следствие, прогнозные оценки перспектив развития малых и средних
городов

получаются

приблизительными,

основанными

больше

на

качественных, а не на количественных расчетах.
Ввиду этого, в докладе ставится задача применения научного подхода к
оценке социально-экономического развития городов на средне- и долгосрочный
период

с

учетом

факторов

труда,

эффективности

использования

производственных мощностей и других факторов, а также обозначению
долгосрочной перспективы развития города и оценке его вклада в прогнозных
параметрах макроэкономических показателей региона (ВРП, инвестиции в
основной капитал, численность населения, занятость и т.д.).
Для составления прогноза автором была использована производственная
функция Кобба-Дугласа, которая имеет следующий вид:
Y = А*Kα*L(1 – α)
где параметр А – коэффициент, отражающий уровень технологической
производительности. Показатели α и (1 – α) – коэффициенты эластичности
объема выпуска (Y) по фактору производства, т. е. по капиталу К и труду L
соответственно (α изменяется в пределах от 0 до 1). Оценка параметров
функции Кобба-Дугласа: А; α; (1- α) для больших городов, где ведется
статистика ВРП, труда и основных производственных фондов, не представляет
большого труда. Исходя из удельного веса оплаты труда в ВРП – можно
оценить коэффициенты эластичности объема выпуска (Y) по фактору
производства, т. е. по капиталу К и труду L соответственно. Многолетние
статистические данные крупных городов показывают долю труда в ВРП около
35%. В таком случае коэффициент α = 0,65; (1 – α) = 0,35.
Значения α и (1 – α) можно без существенных корректировок использовать
для расчетов по малым и средним городам. Вся проблема сводится к
нахождению параметров L и К. Для этого автором предлагается несколько
косвенных подходов к оценке L
1. Оценка коэффициента плотности трудовых ресурсов больших городов (Di):

140

Di =

Ll
Sl

Исходя из Di оцениваются трудовые ресурсы малых и средних городов (Ls):
Ls = Dl * Ss,
где: Ll – численность трудовых ресурсов большого города;
Sl – территория большого города;
Ss – территория малого или среднего города.
2. Оценка коэффициента энергоемкости одного занятого в больших
городах (El ):
El=

Ll
EXPl

Тогда (Ls) можно рассчитать следующим образом:
Ls = El*EXPs,
где: EXPl и EXPs – потребления электроэнергии (соответственно) большими,
малыми или средними городами.
Совпадение

или

приближенные

результаты

по

обоим

подходам

свидетельствуют о достоверности расчетов. В случае больших расхождений
следует глубже исследовать факторы, влияющие на коэффициенты Dl и El. Что
касается оценки К, наиболее приемлемым выглядит оценка плотности
размещения основных производственных фондов по территории крупных
городов (DKl):
DKl =

Kl
;
Sl

Отсюда:
Ks = DKl * Ss
где: Kl – стоимость основных производственных фондов крупного города;
Ks – стоимость основных производственных фондов малого или среднего города.
В обоих подходах, чтобы усилить сходимость коэффициентов крупного
города применительно к малому или среднему городу, прежде чем приступить
к расчетам, в докладе предлагается группировка городов по признакам:
специализации; диверсифицированности; степени концентрации выпуска
определенных видов продукции и технологического уровня производства.
141

Для построения модели в динамическом виде автором использованы
методологические подходы, предложенные Дж. Форрестером [1,2]. Для оценки
динамики трудовых ресурсов и основных фондов строятся дифференциальные
уравнения.
Динамика трудовых ресурсов выражается по формуле:

d
i
Li (t )  f  ( Li )  lini (t )  lout
(t ) ,
dt
где: f – коэффициент воспроизводства трудовых ресурсов;
Li – численность трудовых ресурсов города в момент времени ;

lini – миграция трудовых ресурсов (прибытие);
i
lout
– миграция трудовых ресурсов (выбытие).

Динамику основного капитала можно оценить используя уравнение[3]:

d
K i (t )  J i (t )  a  K i (t ) ,
dt
где Ki – стоимость основного капитала города (за вычетом стоимости
строительных работ); Ji – инвестиции в основной капитал; a – коэффициент выбытия
основного капитала.
Апробация параметров модели производится применительно сценарию
инерционного развития экономики города. Для нахождения наилучшего
приближения

численных

параметров

модель

сначала

проверяется

на

сходимость расчетов с данными сложившихся тенденций крупного города, по
которому имеется качественная статистическая отчетность. С применением
данной модели проведены численные исследования оценки вклада малых и
средних городов на развитие регионов Республики Узбекистан по различным
сценарным вариантам до 2020 года [4].
Литература
1. Форрестер Дж. Динамика развития города.-М.:Прогресс,1974.
2. Форрестер Дж. Мировая динамика.-М.:Наука,1978.-167 с.
3. Сиразетдинов Т.К., Родионов В.В., Сиразетдинов Р.Т. Динамическое моделирование экономики
региона. – Казань: «Фэн», 2005. – 320 с.

4. Совершенствование системы городского управления в малых и средних городах
Узбекистана – основные направления, механизмы, инструменты // Доклад ЦЭИ, 2010 г.

142

Моделирование приращения знаний1
О.А. Нев
Национальный исследовательский университет «Высшая школа экономики» – Санкт-Петербург
190121, Санкт-Петербург, ул. Союза Печатников, д. 16;
e-mail: nevolga@gmail.com
Ключевые слова: инновационная деятельность, научные идеи, игра, стратегии, равновесие,
динамическое программирование

Работа

посвящена

построению

и

изучению

модели

приращения

инновационных знаний в контексте влияния на долгосрочный экономический
рост. Можно выделить следующие подходы к моделированию инновационного
роста: т.н. шумпетерианский подход (моделирование процесса созидательного
разрушения) [4]; подход с заданной технологической производственной
функцией [5]; моделирование взаимодействия эндогенных и экзогенных
инноваций [7]; модели случайного поиска [6]; модель рекомбинантного роста
[8]. В данном исследовании, в отличие от вышеперечисленных, модель является
оптимизационной, т.е. максимизируется полезность при объединении тех или
иных уже существующих идей.
Следуя [2, 3], рассматривается динамическая конечная игра с полной
информацией,

где

игроками

являются

государство

и

исследователи.

Государство делает ход первым, определяя приоритеты научных направлений.
После того, как второй игрок – исследователи – сделал свой ход (определил
траектории научных разработок), игроки получают свои выигрыши в
соответствии с реализовавшейся ситуацией. Исходные научные идеи (проекты,
разработки)

моделируются

как

вершины

ориентированного,

вполне

взвешенного графа. Под объединением идей понимается переход по дуге из
одной вершины графа в другую. Веса соответствующей дуги соответствуют
полезностям, которые исследователь и государство ожидают получить при
таком объединении идей. Рассматриваются возможные варианты поведения
игроков: недальновидное поведение, когда игрок оптимизирует полезность
только на данном шаге, не размышляя о том, чтобы долгосрочная полезность
была максимальной; дальновидное поведение, когда игрок оптимизирует
1

Исследование осуществлено в рамках Программы фундаментальных исследований Национального
исследовательского университета "Высшая школа экономики" в 2011 году.

143

полезность на всем пути заданного горизонта; поведение, когда игрок
существенно различает на данном шаге соседние ожидаемые полезности
перехода из текущей вершины во все возможные.
Для

изучения

программирования

модели

использовались

(рекуррентные

методы

соотношения

динамического

Беллмана)

и

методы

идемпотентной математики [1]. Сформулированы и доказаны теоремы о
различных типах поведения исследователей, а также получены численные
результаты (подтверждающие

теоретические) с

помощью программной

реализации построенной модели. В частности, доказано, что действия
исследователя одни и те же, если он:
1. «Совсем близорукий», т.е. использует недальновидную стратегию.
2. Использует

дальновидную

стратегию,

но

с

достаточно

малым

коэффициентом дисконтирования.
3. Использует стратегию с сильными предпочтениями.
Получена численная оценка того, насколько малым должен быть
коэффициент дисконтирования дальновидного исследователя, чтобы такие
результаты

сохранялись.

Найдены

условия,

при

которых

различные

исследователи, использующие недальновидные стратегии, будут выбирать одни
и те же пути перехода из одной вершины в другую.
Литература
1. Воробьев Н.Н. Экстремальная алгебра положительных матриц // Electronische
Informationsverarbeitung. – 1967. – №3. – P. 39-71.
2. Крайнов Д.Е., Матвеенко В.Д. Игровая модель взаимодействия государства и сектора
науки. // V Моск. межд. конф. по исслед. операций (ORM2007). Труды. М.: МАКС Пресс,
2007. – С. 171-174.
3. Крайнов Д.Е., Матвеенко В.Д. Реформирование российской науки: модель с взаимными
положительными экстерналиями. // Наука и высшая школа в инновационной
деятельности. СПб.: СПб НЦ РАН, 2007. – С. 284-299.
4. Aghion P., Howitt P. A model of growth through creative destruction // Econometrica.
Econometric Society. – 1992. – V. 60(2). – P. 323-351.
5. Eicher T. On the mechanics of technical change: new and old ideas in economic growth // Old
and new growth theories. An assessment. / Ed. by N. Salvadori. New York: Edward Elgar
publishing, 2003. – P. 112-120.
6. Evenson R., Kislev Y. A stochastic model of applied research // Journal of Political Economy. –
1976. – V. 84. – P. 265–282.
7. Olsson O. Knowledge as a set in idea space: an epistemological view on growth // Journal of
Economic Growth. – 2004. – V. 5, №3. – P. 253-275.
8. Weitzman M. Recombinant growth // Journal of Economics. – 1998. – V. 113 (2). –P. 331-360.

144

Моделирование динамики демографического процесса
В.С.Новоселов
Государственный университет управления
109542, Москва, Рязанский просп., 99:
e-mail: R4404186@yandex.ru
Ключевые слова: возрастная структура населения, рождаемость, смертность,
численность населения

Для расчета динамики возрастной структуры населения используется
подход, основанный на непосредственном расчете численности возрастных
когорт мужского и женского населения на основании уравнений когортной
динамики. В качестве исходных данных о возрастной структуре использованы
данные официальной государственной демографической статистики [1].
Формально-математические соотношения
Обозначения:
aik – численность когорты возраста i в году k, отсчитываемому от базового
года (в настоящей работе базовый год – 2009 , k=0).
ai+1,k+1 – численность когорты возраста i+1 в году k+1,
ai+1,k+1 = aik – sik,
где sik – число умерших в году k в возрасте i рассчитывается с помощью
коэффициентов смертности:
sik = qiaik,
qi – коэффициент смертности в когорте возраста i.
Число родившихся dk рассчитывается как сумма родившихся от матерей
всех возрастов в соответствии с коэффициентом рождаемости в каждой
возрастной когорте:
dk=Σ ribik, =a0k ,
где ri – коэффициент рождаемости в когорте женщин возраста i,
bik – численность женщин возраста i в году k.
По аналогичным формулам рассчитывается численность мужского и
женского населения в отдельности. Миграционные процессы при расчете
не учитываются.
Ниже приведены выдержки из результатов расчетов, демонстрирующие
145

динамику численности детей и численности матерей на ближайшие 50 лет по РФ.
Динамика численности матерей и новорожденных детей
В таблице 1 приведены значения коэффициентов рождаемости в годичных
когортах женщин, полученные с помощью кусочно-линейной интерполяции
групповых данных Росстата (2009 год).
Таблица 1. Коэффициенты рождаемости численности возрастных когорт женщин
(2009 г.)
Возраст
матери
15
16
17
18
19
20
21
22
23
24
25

Коэффициент
Возраст
Коэффициент
рождаемости (%) матери рождаемости (%)
0,60
26
9,46
1,21
27
9,37
2,90
28
9,00
4,50
29
8,44
5,76
30
7,76
7,23
31
7,05
8,30
32
6,38
9,03
33
5,68
9,25
34
4,90
9,37
9,44

35
36

4,14
3,43

Возраст
матери
37
38
39
40
41
42
43
44
45

Коэффициент
рождаемости (%)
2,78
2,22
1,70
1,23
0,84
0,52
0,33
0,22
0,16

46
47

0,09
0,02

Рис. 1. Коэффициенты рождаемости

Как можно видеть, когортные коэффициенты рождаемости не превышают
10% (мах=9,46%). При этом выше уровня 5% рождаемость поднимается в
возрастных когортах от 20 до 30 лет. Для большей выразительности
результатов ограничимся диапазоном 20-30 лет. В таблице 2 приведен

146

результат расчета численности женщин в возрасте от 20 до 30 лет на
ближайшие 60 лет (до 2069года).
Таблица 2. Число женщин возраста 20-30 лет.
Годы
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024

Численность
13238942
13210530
13109813
12832216
12493900
11967374
11383153
10792161
10203668
9552302
8925832
8351894
7877349
7480377
7241737
7119721

Годы Численность Годы Численность Годы Численность
2025
7119800
2040
8438062
2055
5863010
2026
7098617
2041
8234280
2056
5845803
2027
7115403
2042
8012387
2057
5844060
2028
7226862
2043
7778408
2058
5853513
2029
7408418
2044
7538388
2059
5869567
2030
7622913
2045
7298249
2060
5887649
2031
7859468
2046
7064011
2061
5903548
2032
8078233
2047
6841202
2062
5913565
2033
8281210
2048
6634691
2063
5914747
2034
8425831
2049
6448780
2064
5904896
2035
8515058
2050
6286795
2065
5882583
2036
8570319
2051
6150820
2066
5847038
2037
8623050
2052
6041497
2067
5798140
2038
8640740
2053
5958236
2068
5736420
2039
8573779
2054
5899500
2069
5663045

Рис. 2 Динамика численности 20-30-летней когорты женщин

Число женщин самого активного фертильного возраста уже через 12 лет
сократится на 40% (с 13239 до 7877 тыс.чел), а 40 лет – вдвое. Низкие
коэффициенты

рождаемости

не позволяют

возместить

выбывание

из

фертильных возрастов, численность возрастных когорт убывает с течением
времени, ежегодно в деторождающие возраста перемещаются когорты женщин
все меньшей численности.
147

Таблица 3. Число новорожденных от матерей всех возрастов
Годы Численность Годы Численность Годы Численность Годы Численность
2009
1702552 2025
1171348 2040
1149878 2055
897336
2010
1749642 2026
1145084 2041
1143170 2056
886162
2011
1740622 2027
1125280 2042
1133230 2057
876848
2012
1722916 2028
1112030 2043
1120252 2058
869236
2013
1697164 2029
1105006 2044
1104528 2059
863116
2014
1664334 2030
1103466 2045
1086486 2060
858210
2015
1625256 2031
1106446 2046
1066656 2061
854212
2016
1581152 2032
1112558 2047
1045664 2062
850810
2017
1533508 2033
1120478 2048
1024126 2063
847692
2018
1483188 2034
1129010 2049
1002604 2064
844564
2019
1431490 2035
1137306 2050
981576 2065
841166
2020
1380066 2036
1144614 2051
961466 2066
837276
2021
1330534 2037
1150190 2052
942698 2067
832712
2022
1284164 2038
1153264 2053
925620 2068
827348
2023
1241728 2039
1153244 2054
910478 2069
821108
2024
1203898

Рис. 3 Динамика численности новорожденных

Расчет проведен при неизменных когортных коэффициентах рождаемости
и смертности (на уровне 2009 года). Однако число новорожденных из года в год
уменьшается

из-за

уменьшения

числа

матерей.

Ежегодное

число

новорожденных сократится на треть через 20 лет, а в 2060 году будет рождено
детей в 2 раза меньше (858 тыс. против 1703 тыс.), чем в 2009 г. Совершенно
очевидно, что должны приниматься активные меры по существенному
увеличению рождаемости.
148

Представленные результаты получены на основании «реалистического
расчета»,

без

использования

каких-либо

произвольных

допущений,

в

предположении постоянства параметров рождаемости и смертности на уровне
2009 года. С течением времени эти показатели могут измениться – как в
лучшую, так и в худшую сторону. Но расчеты показывают, что если все будет
идти «как сейчас», то демографические последствия будут достаточно
печальными. В любом случае, в течение ближайших 10-15 лет трудно ожидать
каких-либо существенных изменений в условиях жизни и тем самым изменений
основных демографических параметров при отсутствии осмысленных и
последовательных управляющих воздействий.
Литература
1. Федеральная служба государственной статистики. Численность населения Российской
Федерации
по
полу
и
возрасту
на
1
января
2009года
http://www.gks.ru/bgd/regl/b09_111/Main.htm

Нейросетевое прогнозирование социально-экономических процессов
В.Ю.Осипов
Санкт-Петербургский институт информатики и автоматизации РАН
199178, Санкт-Петербург, 14 линия ВО, д. 39;
e-mail: osipov_vasiliy@mail.ru
Ключевые слова: прогноз, нейронная сеть, модель, алгоритмы

В настоящее время одним из перспективных направлений в области
моделирования социально-экономических процессов выступает их нейросетевое
прогнозирование. Обусловлено это рядом объективных причин. Среди них
сложность формализации этих процессов, высокие затраты на разработку и
сопровождение программного обеспечения, активное развитие теории и
технологий

разработки

нейросетевых

систем

и

другие.

Нейросетевое

прогнозирование позволяет не только снизить затраты на само моделирование, но
и существенно расширить возможности по получению достоверных прогнозов на
малых объемах исходных данных. В интересах такого прогнозирования
применяется ряд зарубежных и отечественных нейропакетов (BrainMaker Pro,
NeuralShell, NeuroSolutions, Excel Neural Package и другие). Для ускорения
нейровычислений используют суперЭВМ, специальные платы ускорители для
персональных ЭВМ, системы на основе нейромикропроцессоров. Несмотря на ряд
149

преимуществ известных средств нейросетевого прогнозирования над другими,
они далеки от совершенства. Эти средства и лежащие в их основе принципы не
позволяют формировать нейросетевые модели с широкими возможностями по
запоминанию структурно-сложных изменяющихся во времени сигналов, их
распознаванию, ассоциированию с другими сигналами, извлечению из памяти
сети и воспроизведению в исходной форме. Наибольшими возможностями по
прогнозированию социально-экономических процессов обладают рекуррентные
нейронные сети. Однако таким известным сетям также характерен ряд
недостатков. Это быстрое размывание входных данных, низкий уровень
устойчивости

функционирования,

сложность

установления

однозначного

соответствия между входом и выходом, существенно ограниченные возможности
по распознаванию и запоминанию структурно-сложных динамических сигналов.
Предлагается

подход

к

нейросетевому

прогнозированию

социально-

экономических процессов на основе применения перспективной модели
рекуррентной нейронной сети с управляемыми сдвигами совокупностей
единичных образов вдоль слоев. Раскрывается структура такой сети, алгоритмы
обработки в ней информации при решении задач прогнозирования этих
процессов.

Приводятся

примеры

прогнозирования,

подтверждающие

преимущества предлагаемого подхода по сравнению с известными решениями.
Массовая оценка городских земель
как инструмент регулирования развития территории.
О.М. Пахомова1, Е.А.Платонова2
1

ГУП ГУИОН, ул. Зодчего Росси, д. 1-3, 6-й подъезд, Санкт-Петербург, 191023;
e-mail: info@guion.spb.ru
2
СПб ЭМИ РАН, ул. Чайковского, д. 1, Санкт-Петербург, 191187;
e-mail: emi@emi.nw.ru

Ключевые слова: городские территории, стимулирующее налогообложение, земельный
налог, кадастровая стоимость, массовая оценка, градостроительные решения.

Переход России к рыночным отношениям сделало актуальной задачу
внедрения и использования экономических механизмов управления в различных
сферах жизнедеятельности общества. Одной из таких важных сфер является
развитие городских территорий, особенно территорий крупных городов.
В

период

социалистической

экономики

территориальное

развитие

осуществлялось прямыми директивным методами путем разработки планов
150

размещения

производства,

экономического

жилищного

воздействия

строительства

непосредственно

на

и

т.п.

субъектов

Рычаги

городской

жизнедеятельности отсутствовали, да и не требовались, хотя решения о
размещении

объектов

производственного

и

социального

назначения

принимались с учетом тем или иным образом понимаемой эффективности.
Внедрение рыночных отношений существенно сузило область директивного
планирования

и

потребовало

разработки

механизмов

воздействия

на

непосредственных субъектов экономической деятельности. В сфере городского
развития важнейшим элементом такого механизма стало введение платности
землепользования в форме земельного налога и арендной платы за землю. Введение
платности землепользования призвано служить не только источником средств
городского бюджета, но и играть стимулирующую роль в повышении эффективности
использования городской территории, являющейся ограниченным ресурсом.
В качестве такого стимулирующего налогообложения в мировой практике
признано налогообложение земли по рыночной стоимости (ad valorem). Отсюда
возникает проблема определения рыночной стоимости участков городской
территории. Решить эту задачу можно лишь на основе разработки методов их
массовой оценки.
Важным направлением применения методов массовой оценки земель
является определение кадастровой стоимости, которая российским земельным
и налоговым законодательством признается базой земельного налога, а также
выкупной цены земли и ряда других платежей, связанных с использованием
земли. Недавнее принятие федерального стандарта оценки кадастровой
стоимости недвижимости (ФСО №4 [4]) с одной стороны узаконивает
применение методов массовой оценки, а с другой стороны порождает целый
ряд вопросов юридического и методологического характера.
В соответствии с данным стандартом под кадастровой стоимостью
понимается установленная в процессе государственной кадастровой оценки
рыночная стоимость объекта недвижимости, определенная методами массовой
оценки. Т.е. декларируется рыночный характер стоимости, подлежащий
определению. Такое понимание кадастровой стоимости выявляет проблему
определения наиболее эффективного использования оцениваемых земельных
151

участков, что является основополагающей концепцией рыночной стоимости. В
[1] и [2] проблеме массовой оценки городской территории с использованием
принципа наилучшего использования уделяется особое внимание. В них
показано, что реализация принципа наилучшего использования при массовой
оценке

применительно к земельным

участкам

в городе

приводит к

необходимости рассмотрения некоторого набора функций, реализуемых на
каждом из участков. Такой подход не согласуется с декларированным в
нормативных

документах

по

кадастровой

оценке

рассмотрением

монофункционального использования участка и определением стоимости при
данном виде использования. Последнее по сути дела вступает в противоречие с
декларированным рыночным характером кадастровой стоимости.
Следует отметить, что вопрос стимулирующего характера налогообложения
связан не только с определением кадастровой стоимости объектов, но с
установлением ставок налога с учетом прогнозируемых последствий их
применения. В частности, соответствующее политике городских властей
Петербурга желание вывести промышленные предприятия из занимаемых ими
ценных территорий в исторической части города выражается в установлении
высокой ставки налогообложения земель, занимаемых данными предприятиями.
В совокупности с высокой кадастровой стоимостью этих земель как свободных
от застройки это приводит к значительным суммам земельных платежей, что по
идее должно стимулировать предприятия к переводу производства на менее
дорогие участки на периферии. Однако отсутствие альтернативных инженерно
подготовленных территорий и необходимость, как правило, полного обновления
производственных

фондов

при

перебазировании

делают

эту

задачу

невыполнимой. Практика знает лишь единичные случаи вывода промышленных
предприятий из исторического центра. Основная же их масса при повышении
налогообложения может «умереть», но не переехать. Представляется, что
предложенный в [3] подход к массовой оценке городской территории с учетом
смены

функций

землепользования

в

большей

степени

отвечает

идее

стимулирующего земельного налога.
Еще одним направлением использования массовой оценки городских земель
является

оценка

экономической

эффективности
152

структуры

городского

землепользования и анализ вариантов крупных градостроительных решений.
Представляется, что хорошим индикатором эффективности использования
территории является совокупная рыночная стоимость городских земель. Чем лучше
используется потенциал городской территории, тем выше ее стоимость. Данный
показатель может использоваться для сравнения различных вариантов развития
территории, особенно при планировании крупномасштабных мероприятий. К
таким мероприятиям относится, в первую очередь разработка Генерального плана
города. В современных условиях процесс разработки и реализации Генерального
плана

превращается

в прогнозирование

поведения

землепользователей и

планирование ограничений и градостроительных мероприятий, направленных на
согласование их интересов с интересами всего городского сообщества. Применение
методов массовой оценки позволяет выявить предпочтительные варианты развития,
например, в части типов и плотности застройки.
Литература
1. Федоров В.П.,

Булычева Н.В., Пахомова О.М. Математическая модель массовой
экономической оценки городской территории // Экономико-математические
исследования: математические модели и информационные технологии. СПб – 2000. –
Вып. 1, – С. 216-227.
2. Федоров В.П., Булычева Н.В., Пахомова О.М. Моделирование рыночной стоимости
земельного участка методом массовой оценки территории // Экономика Северо-Запада:
проблемы и перспективы развития. – 2000 – №4 – С. 37-42.
3. Федоров В.П., Платонова Е.А., Пахомова О.М., Булычева Н.В. Модели формирования
структуры землепользования // Финансы и бизнес. . – 2007 – №4 – С. 126-131.
4. Федеральный стандарт оценки "Определение кадастровой стоимости (ФСО №4)"
(утвержден Приказом Минэкономразвития России от 22.10.2010 года №508).

Математические модели оценивания спроса и предложения
на региональных рынках труда: традиции, новые подходы и опыт их применения
В.Т.Перекрест
Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского, д. 1, Санкт-Петербург, 191187;
e-mail: Vladimir_Perekrest@emi.nw.ru
Ключевые слова: региональный рынок труда, оценка спроса, оценка предложения,
профессионально-квалификационная структура, целевая трансформация рабочей силы,
информационные технологии, аналитические технологии

Как уже неоднократно отмечалось, на протяжении двух последних
десятилетий

ключевыми

проблемами

занятости

в

России

являлись:

недостаточный уровень развития общенационального рынка труда; низкий
153

уровень трудовой мобильности рабочей силы; структурный дисбаланс спроса и
предложения; преобладание структурной формы безработицы; несоответствие
структуры трудового потенциала потребностям реформируемой экономики.1
Этот период, в частности включал два экономических кризиса (1998 и 2008 гг.),
однако эти проблемы по-прежнему сохраняются и носят институциональный
характер, а необходимость их преодоления лишь усиливается после прошедшего
кризиса и наступивший посткризисный период.
В
аспекты

докладе

обсуждаются

следующих

двух

различные
проблем

информационно-аналитические

государственного

регулирования

региональных рынков труда (РГТ), связанных с общей проблемой структурного
рассогласования спроса и предложения на РРТ России:
1. Создание единого рыночного пространства РФ в сфере занятости и
развития

(формирования)

необходимых

институтов

посредничества

и

саморегулирования, реализующих, в первую очередь функции обеспечения
(содействия)

трудовой

территориальной

и

мобильности

рабочей

профессиональной)

и

силы

(административно-

котировки

рабочей

силы,

2

соответствующих требованиями рынка труда .
В докладе обсуждаются модели сравнительного анализа состояний РРТ
России [1], а также механизмы повышения ликвидности РРТ и создания
единого рынка труда России с необходимым уровнем ликвидности в рамках
общего процесса инкорпорирования РРТ в единое рыночное пространство
России. При этом в соответствии с опытом мониторинга рынка труда (далее –
Мониторинг)

Санкт-Петербурга

[2]3

предлагается

модель

оценки

реализованного спроса с помощью репрезентативного обследования населения
[3-4] в сочетании с анализом регионального банка вакансий [5].

1

См., например, «Концепции действий на рынке труда на 2003-2005гг.» (протокольное решение
Правительства РФ от 17.04.2002). При этом не рассматриваются проблемы социальной защиты
безработных, с которыми Государственная федеральная служба занятости РФ вполне успешно
справляется – по крайней мере, основные проблемы здесь носят ресурсный (финансовый) характер, а
не институциональный.
2
Разумеется, с учетом действующего законодательства о социальной защите в сфере занятости.
3
Проводился в 1995-2003 гг. с месячной периодичностью по инициативе и при поддержке ФГСЗН РФ.

154

Обсуждаются вопросы возможности использования для указанных целей
информационных

Интернет-ресурсов,

связанных

с

проблемами

трудоустройства: spb.rabota.ru, spb.rosrabota.ru, hh.ru и т.п.
2. Оценка объема и структуры спроса и предложения на РРТ в
соответствии с требуемой детализацией (профессионально-квалификационная
сегментация рабочей силы и учет всех статистически существенных видов
хозяйствующих субъектов). И связанные с этим оценки объемной и
структурной трансформации рабочей силу под воздействием следующих
социальных и демографических процессов:


Профессионального образования (начального, среднего и высшего) и

обучения.


Первичного вступления на рынок труда.



Трудовой миграции (межрегиональной и иммиграции).

В отличие от традиционных рекомендаций по оценки спроса на рынке
труда, в докладе предложена модель оценки, основанная на систематическом
обследовании (в режиме мониторинга) населения региона по достаточно
компактному, но системно организованному перечню вопросов (анкете). В
качестве основных тематических индикаторов используются характеристики
реализованного предложения (трудоустройства) респондента на протяжении
последних (на момент опроса) пяти лет.
Обсуждаются результаты использования предложенных информационнотехнологических инструментов для оценки потребности экономики региона в
рабочей силе в необходимом профессионально-квалификационном разрезе [4],
а также вопросы целевой трансформации трудового потенциала субъекта РФ
для кадрового обеспечения приоритетных направлений экономического
развития региона [6].
Приведен сравнительный анализ результатов реализации предложенных
подходов и проведенного по традиционной схеме выборочного обследования
хозяйствующих субъектов о численности и потребности организаций в
работниках по профессиональным группам (2008 г.)1, в определенном смысле
1

Официальный Интернет-сайт Росстата www.gks.ru.

155

закрывающего «методическую брешь» в официальной статистике по оценке
спроса на рынке труда.
Литература
1. Математические модели процессов государственного регулирования регионального рынка
труда в условиях экономического роста /Е.М.Ильин, М.А.Клупт, Ж.И.Панчук,
Л.И.Пархоменко,
В.Т.Перекрест,
И.В.Перекрест,
А.П.Соловьев,
Д.С.Чернейко.
//Экономико-математические исследования: математические модели и информационные
технологии. III. СПб: Наука, 2003. -С. 104-152.
2. Мониторинг занятости: методология, методики, опыт организации / Береснева И.Б.,
Иванов О.И., Иванов С.А., Ильин Е.М., Клупт М.А., Перекрест В.Т., Хачатурова Т.В.
// Мониторинг социально-экономической ситуации и состояния рынка труда С.Петербурга. Информационно-аналитический бюллетень. –СПб, 1995, № 2. –С. 42-45.
3. Спрос и предложение на региональном рынке труда: методы оценивания. / Ильин Е.М.,
Косолапенко Н.Г., Панчук Ж.И., Пархоменко Л.И., Перекрест В.Т. // Экономикоматематические исследования и информационные технологии II. -СПб: ЦСАОП, 2001.
-С. 208-259.
4. Особенности прогнозирования структуры спроса на региональных рынках труда в
ситуации
экономического
роста
/ Ильин Е.М.,
Клупт М.А.,
Панчук Ж.И.,
Пархоменко Л.И., Перекрест В.Т., Перекрест И.В., Чернейко Д.С. // Экономикоматематические исследования: математические модели и информационные технологии.
Вып. 4, часть 1. -СПб: СПб ЭМИ РАН, 2005. -С. 201-263.
5. Рынок труда Санкт-Петербурга: структура спроса и банк вакансий. –СПб: ЦСАОП, 2004. –52 с.
6. Технологические принципы целевой трансформации трудового потенциала на
субфедеральном уровне для приоритетных направлений экономического развития. -СПб:
ЦСАОП, 2007. -44 с.

Эконометрическое моделирование пространственных экономических систем:
технологии многомерного метрического шкалирования
В.Т.Перекрест
Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского, д. 1, Санкт-Петербург, 191187;
e-mail: Vladimir_Perekrest@emi.nw.ru
Ключевые слова: субфедеральная инновационная система, технологические инновации,
эконометрическое моделирование, метод главных компонент, многомерное шкалирование,
официальная статистическая информация.

Предлагаются системные и технологические принципы эконометрического
моделирования социально-экономических систем регионального уровня в
рамках единой национальной экономической системы, которая трактуется как
объект пространственной экономики [1]. В качестве модельного примера
рассматривается национальная инновационная система России, представляемая
как совокупность инновационных систем субъектов РФ с индикацией уровня
развития их технологических инноваций в рамках официальной статистической
информации и действующего правового поля.
156

Для интегрированного представления инновационного развития субъектов
РФ, а также анализа состояний их инновационных систем используются
функциональные модели многомерного метрического шкалирования (ММШ), в
рамках

которых

состояние

национальной

экономической

системы

представляется как конфигурация состояний субфедеральных подсистем, а в
качестве ее ключевых характеристик рассматриваются распределения состояний
этих подсистем по типам построенных тематических (проблемных) типологий.
В докладе обсуждаются характеристические особенности технологических
подходов для различных математических моделей ММШ:


метод главных компонент (МГК) для построенных координатных

представлений

(R-представлений)

в

задачах

ММШ

[2-5]:

общие

R-представления в функциональных моделях ММШ, конечномерные R ɛ–
представления и классификационные R-представления;


функциональные

модели

ММШ,

реализующие

билинейные

представления исследуемой эмпирической функции различий [3];


локально

параметрические

модели

ММШ

и

МГК

для

R-

представлений [7].
Технологическое ядро указанных подходов составляют:


методический аппарат интерпретации полученных результатов,

основанный

на

локально

параметрических

(линейных)

принципах

предложенных нелинейных непараметрических методов;


разработанные для реализации общей технологической схемы

моделирования вычислительные методы и алгоритмы; последние обеспечивают
необходимый уровень вычислительной эффективности, в том числе, при
решении возникающих оптимизационных задач, обладающих высоким уровнем
многоэкстремальности.


математические

распространения

методы

полученных

и

программное

выборочных

решений

обеспечение
на

генеральную

совокупность состояний исследуемых экономических систем,
оценивания достигнутого уровня статистической представительности.

157

для

а

также

Предложенные

технологии

иллюстрируются

результатами

эконометрического моделирования динамики инновационных систем субъектов
РФ в рамках единой национальной системы России с использованием
официальной статистической информации за период 2000-2008 гг. Подробное
изложение полученных результатов приведено в [7]. Для разработанных
моделей, в частности, приводятся типологические карты общего положения
состояний субфедеральных инновационных систем, а также графическое
представление основных стратегических направлений их развития.
В докладе также обсуждается вопросы концептуальной и информационной
поддержки в рамках представленного направления решения задач:


создания и использования инноваций как принципиально различных

стратегий развития инновационных систем на уровне субъекта РФ;


моделирования различных механизмов использования научного,

кадрового и производственного потенциала региона для создания на
субфедеральном

уровне

узлов

генерации,

трансляции

и

потребления

инновационных технологий в рамках общей национальной инновационной
системы и т.п.
Литература
1. Combes P.P., Mayer T., Thisse J-F. Economic Geography: The Integration of Regions and
Nations. –Princeton and Oxford: Princeton University Press, 2008. –399 pp.
2. Краскал Дж. Взаимосвязь между многомерным шкалированием и кластер-анализом
// Классификация и кластер. –М.: Мир, 1980. – С.20-41.
3. Перекрест В.Т. Нелинейный типологический анализ социально- экономической
информации: математические модели и вычислительные методы. –Л.: Наука, 1983. –176 с.
4. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. –М.:
ЮНИТИ, 1998. –1008 с.
5. Перекрест В.Т. Эконометрическое моделирование пространственных экономических
систем с помощью технологий многомерного метрического шкалирования // Государство
и бизнес. Вопросы теории и практики: моделирование, менеджмент, финансы. Материалы
Третьей международной конференции. –СПб.: Изд-во СЗАГС, 2011 (в печати).
6. Математические модели процессов государственного регулирования регионального рынка
труда в условиях экономического роста /Е.М.Ильин, М.А.Клупт, Ж.И.Панчук,
Л.И.Пархоменко,
В.Т.Перекрест,
И.В.Перекрест,
А.П.Соловьев,
Д.С.Чернейко.
//Экономико-математические исследования: математические модели и информационные
технологии. III. СПб: Наука, 2003. -С. 104-152.
7. Перекрест В.Т., Шакирова Н.И. Эконометрическое сопоставление инновационных систем
субъектов
РФ
методами
многомерного
шкалирования
// Управленческое
консультирование, 2011, № 3 (в печати).

158

Динамическая модель многопродуктовой экономики, как инструмент управления
реализацией федеральных и региональных целевых программ
В.П. Пересада
ЗАО СТТУ, С. Петербург 195427, ул. академика Байкова, д.9;
stoinfo@gmail.com
Ключевые слова: комплексная целевая программа, переменные состояния,
производственная сфера, сфера потребления, управляющая функция.

1. Федеральные (национальные) и региональные целевые программы.
- Федеральные (национальные) и региональные, комплексные целевые
программы (КЦП) обычно складываются из целевых программ социально–
экономического развития и программ научно–технического (инновационного)
развития. Первые, на основании демографических прогнозов, дают оценку
ожидаемых

потребностей

по

каждому

из

тех

секторов

экономики,

информация о которых представляется Росстатом. Вторые, определяют
возможные

пути достижения

состояния

экономики,

обеспечивающего

ожидаемые потребности.
- Создание системы формирования КЦП начиналось еще в 70–ые годы, в
плановой экономике. В ней предусматривалось, что АН разрабатывает
прогноз развития страны на 20 лет. На ее основе министерства и регионы,
разрабатывают свои прогнозы на перспективу в 10 лет. Они являлись основой
для формирования пятилетних планов предприятий. Каждые 5 лет проводился
анализ итогов выполнения, КЦП страны и регионов. Программы и пятилетние
планы предприятий уточнялись, и корректировались.
-

Однако существовавшая в стране административно командная система

управления экономически не стимулировала управленцев (директорский
корпус) в использование перспективных направлений, отраженных в целевых
программах.

Они

подчинялись

указаниям

вышестоящих

начальников

основанных на их сиюминутных интересах. Система формирования КЦП В 90 –
ые годы перестала существовать.
2. Динамическая модель многопродуктовой экономики, как источник
информации необходимой для управления.
Для формирования хорошо обоснованной, и скоординированной КЦП,
многопродуктовую экономику следует рассматривать как динамическую
159

систему. Подобные системы описываются системой дифференциальных
(динамических) уравнений, которые и являются динамическая моделью
многопродуктовой экономики. Такие динамические (дифференциальные)
уравнения, могут быть получены путем использования концепции В. Леонтьева
«затраты – выпуск» (матрицей МОБ с элементами pij [руб.]), совместно с
теорией состояния динамических систем [1, 2].
В качестве N переменных состояния, целесообразно выбрать выпуски
продукции производственной сферы (реальной экономики) Ii(t) (руб.)/(год)
(предложение), и (N+1)-ую переменную, ВВП. Они характеризуют скорость
производства каждого вида продукции. Второй группой переменных состояния,
являются продажи Xi(t) (руб.).
Коэффициенты при переменных состояния в динамических уравнениях
условно постоянные величины (или медленно изменяющиеся), которые
определяют динамические свойства каждого субъекта экономики. Этими
коэффициентами являются элементы столбцов матрицы МОБ, нормированные
по их выпускам Rij=pij/Ij [год]. Нормированные показатели отражают ценность
продукции каждого производителя для j -го потребителя. Они образуют
матрицу относительных цен R{Rij} [1] [3].
Использование относительных величин позволяет представить таблицу
МОБ в виде функциональной схемы. На ее основе становится возможным
сформировать систему дифференциальных уравнений из N+1 уравнений для
выпусков и N+1 уравнений для продаж, для любой экономики. При
макроэкономическом анализе, следует рассматривать экономику, в которой все
производители товаров и услуг агрегированы до одного субъекта –
производственной сферы, при обязательном учете второго субъекта – сферы
конечного потребления.
Сутью динамического моделирования является решение системы
динамических уравнений. Такое решение определяет ожидаемое состояние
экономики, т.е. дает прогноз развития каждого ее сектора, на несколько лет
вперед. Именно эта информация необходима для принятия управленческих
решений направленных на реализацию целевой программы.

160

Только достаточно хорошо обоснованный прогноз потребностей может
заинтересовать

инвестора

во

вложении

в

развитии

производственных

мощностей, обеспечивающих удовлетворение этих потребностей.
3. Использование динамической модели, как инструмента при пассивном и
активном управлении.
- Развитие

экономики

означает

необходимость

роста

добавленной

стоимости Va, создаваемой в производственной сфере. Именно она является
источником оплаты труда Wa, налогов и других выплат в бюджет Tx, и
чистой прибыли Prh, (источника инвестиционных ресурсов). Требование
роста оплаты труда наемных работников или роста налоговой нагрузки
означает увеличение их доли в добавленной стоимости созданной в
производственной сфере, (ставки оплаты труда rw=Wa/Va); и доли бюджета
Vb в ВВП (ставки обобщенного налога rg=Vb/ВВП).
- Добавленная стоимость, за вычетом общего потребления Cn, определяет
чистую

прибыль

Prh=Va-Cn.

Общее

потребление

складывается

из

потребления идущего на общественные нужды, которое оплачивается за счет
бюджета Vb; и потребления наемных работников, которое оплачивается ими.
Из оплаты труда наемных работников (включая бюджетников) следует
вычесть налоги с физических лиц со ставкой rf. В результате потребление
Cn=Vb+(Wa-rf (Wa+Wb)).

Чистая

прибыль

(накопления)

определится

соотношением: Prh=Va{(1-rg/(1-rg)-rw(1-rf(1+Wb/ Wa))}.
- Развитие экономики является пассивным, если сроки достижения
определенного уровня ВВП и других желаемых результатов строго не
устанавливаются.
- Активное, (программно целевое) развитие экономики требует назначения
жесткого срока достижения желаемых результатов. Например, удвоение
ВВП за 10 лет. Реализация подобного развития возможна при строго
определенном законе его инвестирования, который называется функцией
управления инвестициями Uv(t). Это означает, что выпуск продукции
каждого сектора производственной сферы и ВВП, в течение заданного
времени T, должен меняться по строго определенному закону Uv(t), от
начального значения I1(0) и Iv2(0) до конечного Ik1=I1(T) и Ik2=Iv2(T).
161

Закон

управления

задается

полиномом

следующего

вида:

2

Uv(t)=C0+C1t+C2t . . .
Количество

коэффициентов

в

нем

равно

числу

требований

m,

накладываемых на конечные значения состояния экономики. Целесообразно
задавать три требования – на конечное значение ВВП=Ik2, на конечное значение
объема выпускаемой продукции Ik1 и дополнительное условие на темпы роста
выпуска (ускорение), которые к конечному моменту времени должна
принимать заданное конечное значение dIk1(10)/dt.
Коэффициенты

полинома

определяются

через

конечные

условия,

накладываемые на показатели состояния [3]. Если на конечные значения
переменных накладывается три условия, то к концу заданного периода времени
T, они должны быть выполнены.
Так сформированная функция управления определяет величину ежегодных
инвестиций, необходимых для достижения требуемого конечного состояния
экономики к заданному моменту времени. Динамическая модель позволяет
сопоставлять

ожидаемое

(прогнозируемое)

состояние

экономики

с

наблюдаемым ее реальным состоянием. По обнаруженным в процессе
реализации программы отклонениям, корректируются объемы инвестиций в
развитие соответствующих секторов производства.
Однако, в каждый момент времени экономика располагает ограниченными
внутренними ресурсами, которые могут быть инвестированы в развитие
производственной сферы. Если их не достаточно, то необходимы внешние
заимствования. Сроки возможного их возврата

оцениваются используемой

моделью [3].
Описанный метод синтеза функции управления динамикой развития
экономики позволяет определить объем и порядок инвестирования при
активном сценарии реализации программы и оценить долю внешних
инвестиций, необходимых для реализации КЦП в установленные сроки.
Литература
1. Елисеева И.И. Пересада В.П. Межотраслевой баланс и экономическое прогнозирование.

Учебное пособие. Издательство СПб ГУЭФ, 2003.
2. Леонтьев. В. Экономические эссе. М.: Политиздат, 1990.
3. Пересада В.П. Управление динамикой развития экономики на базе межотраслевого
баланса. Издательство Политехника-сервис СПб, 2010.
162

Рынок, мораль и закон: экономический подход к анализу проституции
Е.В. Покатович
Национальный исследовательский университет – Высшая школа экономики
101000 Москва, ул. Мясницкая, д.20;
e-mail: pokatovich@gmail.com
Ключевые слова: мораль, нелегальные рынки, проституция, преступление и наказание

Мораль является важным фактором экономического поведения. В то же
время стандартный подход к экономическому анализу поведения индивидов
исходит из предположения, что действия определяются тем, какое влияние они
оказывают на предпочтения (полезность). При этом за рамками анализа могут
оказаться чувства гордости или вины, возникающие у индивида в результате
следования (или, соответственно, неследования) существующим моральным
нормам, или же одобрения или неодобрения действий со стороны окружающих,
также продиктованного теми или иными моральными нормами [7].
Попытки

учитывать

мораль

при

объяснении

различных

явлений,

связанных с экономической деятельностью, предпринимались неоднократно. В
частности, в литературе упоминаются такие попытки применительно к
возникновению

закономерностей

при

голосовании,

производстве

общественных благ и возникновении экстерналий и др. Очевидно, что в
определенных контекстах моральные соображения будут несущественными, но
их роль при изучении функционирования рынков труда, распределения
доходов, создания общественных благ едва ли можно отрицать [5].
Если рассматривать рынки труда в широком понимании, то фактор морали
в явном виде обнаруживается при экономическом анализе видов занятости,
характеризующихся общественной стигмой, т.е. тех, которые либо не
одобряются обществом, либо открыто им порицаются. В частности, в
последние годы экономические модели преступности учитывают не только
роль наказания со стороны правоохранительных органов в предотвращении
преступлений (как в основополагающих работах нобелевского лауреата
Г. Беккера), но и тот факт, что преступник может понести издержки, связанные
с нежеланием окружающих взаимодействовать с ним в экономическом и
163

социальном отношении [11], причем такая стигматизация может вести как к
снижению преступности, так и, при определенных условиях, к ее росту [4].
Б. Линк и Дж. Фелан [9] дают следующее общее описание стигматизации.
На первом этапе стигматизации идентифицируются различия между людьми.
На втором этапе под влиянием доминирующих культурных представлений
«отличающиеся» люди соотносятся с теми или иными нежелательными
характеристиками, в результате чего возникает негативный стереотип. Далее
происходит отделение «их» от «нас», т.е. люди, обладающие этими
характеристиками, выделяются в представлении окружающих в особые
категории. Наконец, те, кто принадлежит к этим категориям, сталкиваются с
потерей статуса в обществе и дискриминацией, ведущей к неравенству в
экономических взаимоотношениях.
При этом отмечается, что исследования стигмы сконцентрированы
преимущественно на том, как она воспринимается индивидами, и на
соответствующих

микроуровневых

взаимодействиях,

в

то

время

как

стигматические маркеры могут относиться к целым группам индивидов и иметь
системные последствия по отношению к функционированию социума и
экономики в целом.
Стигматизация является важным механизмом реализации социальных
норм (путем стигматизации поведения, которое выходит за рамки нормы) и
имеет большое

значение

для

создания

того,

что иногда

называется

«социальным капиталом».
Конечно, когда определенный вид поведения получает распространение,
эффект от стигматизации пропадает (Л. Блуме [2] приводит пример того, что в
некоторых случаях боязнь огласки является сильным стимулом для того, чтобы
не уклоняться от уплаты налогов; но если бы все уклонялись от уплаты, то
негативное влияние этого на социальный статус было бы совсем небольшим).
Проституция является как раз тем видом занятости, который испытывает
на себе влияние перечисленных выше факторов. Она характеризуется
общественной стигмой, в основе которой лежит ее осуждение с точки зрения
164

морали и нравственности. Общество выстраивает некоторый психологический
барьер, который потенциальным участникам рынка проституции приходится
преодолевать независимо от причин, толкающих их к выходу на этот рынок.
Исследование, проведенное К. Шарп [13], показало, что 77,5% проституток «за
исключением финансовой выгоды, не получают никакого удовольствия от
работы». Нередко проститутки отмечают, что работают «с тяжелым сердцем»,
«испытывают угрызения совести» и относятся с презрением к самим себе [8].
Исторически занятие проституцией считалось аморальным, поскольку
аморальным считался внебрачный нерепродуктивный секс (см., например, [10],
[12]). Но и в наши дни предметом продажи и покупки на рынке коммерческих
сексуальных услуг по-прежнему является нечто, о чем не принято открыто
говорить в обществе, – как занятие проституцией, так и обращение к услугам
проституток считается неприличным. Само понятие «проститутка» нередко
используется в уничижительном смысле как обвинение в недостойном
поведении.

Именно

осуждение

проституции

по

морально-нравственным

соображениям лежит в основе правового запрета на нее (полного или запрета
отдельных форм), поскольку «проституция – разновидность аморального
поведения, свидетельствующая о глубинной нравственно-психологической
деформации лица» (комментарии к статье 6.11 КоАП РФ). Как следствие, многие
проститутки вынуждены вести «двойную жизнь» для того, чтобы преодолеть
конфликт между индивидуальной и общественной моралью, скрывая от своей
семьи род своих занятий или занимаясь проституцией вдали от дома.
Существующие правовые режимы в отношении проституции в целом
отражают отношение общества к этому виду занятости. О режиме полной
декриминализации, т.е. о признании проституции абсолютно легитимным
занятием и исключении из нормативно-правовой базы всех положений о
проституции и связанных с ней преступлениях, можно говорить только с точки
зрения теории, потому такой подход не применяется ни в одной стране мира. В
странах с наиболее толерантным отношением к проституции применяется режим
регулирования

или

частичной

легализации,
165

достаточно

широко

распространенный, в частности, в Западной Европе. Он допускает существование
проституции, но ограничивает ее распространение путем территориального
зонирования и лицензирования. В рамках данного режима сам акт проституции
не

является

незаконным,

а

проститутки

не

подлежат

юридическому

преследованию на основании только лишь своего рода занятий, хотя это и не
отменяет того, что отношение к проституции в обществе в целом может быть
весьма далеким от одобрения. Полное неприятие и осуждение наблюдается в
странах с режимом криминализации проституции, который, помимо идеи об
аморальности этого занятия и его вреде для общества, подразумевает
возможность его искоренения (именно такой подход к проституции имеет место в
современной России). Попытки введения режима регулирования проституции в
России с легализацией отдельных ее форм оказались безуспешными: внесенный в
Государственную Думу проект закона «О регулировании платных услуг
сексуального характера» был отвергнут, что во многом было следствием
высокого уровня стигматизации проституции в российском обществе.
В предлагаемой работе представлен экономический подход к исследованию
проституции

как

вида

занятости,

характеризующегося

стигматизацией,

основанный на построении и анализе микроэкономической модели частичного
равновесия.

В

соответствии

с

предложенной

Г. Беккером

концепцией

экономического анализа преступлений и наказания [1], предполагается, что
проститутки, выбирая этот вид занятости, ведут себя рационально. Для введения
такого

предположения

рассматривающих

есть

все

возможность

основания:
занятия

для

большинства

проституцией,

женщин,

альтернативные

возможности заработка ниже, чем те, которые доступны для них в секс-индустрии,
и «большинство проституток выбирает эту профессию как альтернативу,
позволяющую добиться наиболее высокого из доступных уровней жизни» [6].
Кроме того, «следует признать, что никакое повышение ставок заработной платы в
легальной отрасли не может конкурировать с тем заработком, который женщина с
рядовыми способностями может заработать проституцией» [3].
Разработанная

микроэкономическая

модель

учитывает

основные

характеристики предложения коммерческих сексуальных услуг и спроса на них.
166

К отличительным особенностям модели следует отнести, во-первых, включение
моральных издержек –

одной из основных составляющих специфики

рассматриваемого рынка; во-вторых, эндогенное определение доли женщин,
предпочитающих занятие проституцией, и мужчин, обращающихся к услугам
проституток. Исследование модели позволяет сделать вывод о влиянии
различных факторов и инструментов контроля на ситуацию на рынке. В
частности, анализ модели показывает, что с ростом ставки заработной платы в
легальном секторе, штрафа, издержек заболевания проституток и нетрудового
дохода

женщин

в

легальном

секторе

равновесная

цена

нелегального

коммерческого секса будет возрастать, тогда как увеличение рисков, связанных с
обращением к услугам проститутки, приводит к ее снижению. При этом нельзя
дать однозначного ответа на вопрос о влиянии этих факторов на изменение
совокупного предложения коммерческих сексуальных услуг и спроса на них.
Соответственно, меры борьбы с нелегальной проституцией, например, путем
увеличения штрафа (что наиболее распространено), могут приводить к
обратному эффекту – увеличивать нелегальную проституцию, а не сокращать ее.
Литература
1. Becker G. Crime and Punishment: An economic approach// Journal of Political Economy, Vol.
76, 1968.
2. Blume L. Stigma and Social Control. Institute for Advanced Studies, Vienna, July 2002.
3. Ellis H. Studies in the Psychology of Sex. New York: random House, 1936.
4. Funk P. On the effective use of stigma as a crime-deterrent // European Economic Review, 48, 2004.
5. Isaac A. G. Morality, Maximization and Economic Behavior // Southern Economic Journal, Vol. 63,
No. 3, January 1997.
6. James J. (ed.) Motivation for entering prostitution, in Crites L. (ed.) The Female Offender.
Lexington, Massachusetts: Lexington Books, 1978.
7. Kaplow L., Shavell S. Moral Rules and the Moral Sentiments: Toward a Theory of an Optimal
Moral System // NBER Working Paper No. 8688, December 2001.
8. Lim L.L. (ed.). The Sex Sector: the Economic and Social Bases of Prostitution in Southeast Asia.
Geneva: International Labor Office, 1998.
9. Link, B. G., and J. C. Phelan. Conceptualizing Stigma// Annual Review of Sociology, 27, 2001.
10. Nussbaum M. Whether from reason or prejudice: taking money for bodily services// Journal of
Legal Studies, Vol. XXVII, 1998.
11. Rasmusen E. Stigma and Self-Fulfilling Expectations of Criminality // Journal of Law and
Economics, Vol. 39, No. 2, October 1996.
12. Ryley S. A History of Prostitution form Antiquity to Present. Delhi: Shubhi Publications;
distributed by APH Publishing Corp, 1999. Reprint of the 1936 ed. published by T. W. Laurie,
London.
13. Sharpe K. Red Light, Blue Light: Prostitutes, Punters and the Police. Ashgate Publishing Ltd., 1998.
167

Ценовая дисперсия и выгоды покупателей на российских интернет-рынках1
Е.Б. Покрышевская, Е.А. Антипов
НИУ ВШЭ - Санкт-Петербург, 192171, г. Санкт-Петербург, ул. Седова, д. 55, к.2;
pokryshevskaya@mail.ru
Ключевые слова: ценовая дисперсия, интернет-рынки, ценность информации,
экономика информации.

В ряде работ по экономической теории высказывались предположения, что
в век интернета ценовая дисперсия (различия в цене на один и тот же товар в
разных магазинах) вовсе не исчезнет. Reinganum [3], Burdett и Judd [2] и другие
показывают, что ценовая дисперсия может возникать, если наблюдаются
положительные предельные затраты на получение информации о цене каждого
следующего

товара,

выставленного

на

продажу.

В

данной

статье

анализируются детерминанты дисперсии цен на товары, продаваемые в
интернет-магазинах, которая наблюдается даже в условиях существования
специальных сайтов, позволяющих сравнивать цены на один и тот же товар в
разных магазинах с затратами, близкими к нулевым.
Ключевой мерой ценовой дисперсии и одновременно мерой ценности
информации о цене (далее будем обозначать ее VOI – от англ. Value of
Information) является ожидаемая разница между ценой, которую платит
информированный (покупает по наименьшей цене) и неинформированный
(покупает по средней цене) покупатель: VOI (руб.) = Ep − Epmin, где Ep –
средняя цена в рублях, Epmin – минимальная цена в рублях [1].
Как меняется VOI с ростом количества фирм на рынке? В классической
парадигме конкуренции, увеличение числа фирм сокращает и среднюю цену, и
минимальную, пока не возникнет «единая цена». Основываясь на этом,
некоторые могут полагать, что с увеличением числа фирм, VOI снижается.
Более релевантные действительности олигополистические модели, которые
учитывают неоднородность информации, которой обладают покупатели,
предсказывают увеличение VOI при увеличении количества фирм. По мере
того как большее число фирм входит на рынок можно ожидать снижение
1

Исследование осуществлено в рамках программы фундаментальных исследований НИУ ВШЭ в 2011 г.

168

минимальной цены и увеличение средней цены. Этому существует логичное
объяснение: с одной стороны, с увеличением количества фирм растет
конкуренция и вероятность того, что какая-то из фирм назначит более низкую
цену; с другой стороны, усиление конкуренции приводит к тому, что фирмам
становится сложнее ориентироваться на информированных покупателей путем
назначения наиболее низкой цены, и, соответственно, они знают, что, скорее
всего, их покупателем станет неинформированный покупатель, который мог бы
купить и по более высокой цене. Соответственно, средняя цена вырастет.
Модель Вэриана [4] применительно к онлайн-рынкам можно записать
следующим

образом.

Пусть

n

–

количество

фирм,

предлагающих

определенный однородный товар, I – доля информированных покупателей, то
есть посещающих сайт для сравнения цен, p – цена товара. Если нормировать
цену от 0 до 1, распределение цен по Вэриану имеет вид:
1

 1  I
 
 (1  p)(1  I )  n 1
,1

на 
F ( p )  1  
nIp


 nI  (1  I )  

Из анализа модели следуют 2 гипотезы:
1. С ростом количества продавцов ценность информации растет.
2. С ростом доли информированных покупателей ценность информации падает.
Для эмпирического анализа были собраны данные по 7 товарным
категориям

(радиотелефоны,

DVD-плееры,

мониторы,

холодильники,

микроволновые печи, пылесосы, стиральные машины), в каждой из которых
были выбраны 50 наиболее популярных моделей. Для каждого из 350 товаров,
включенных в выборку, был рассчитан ряд характеристик:
1. sellers – число фирм, предлагающих товар.
2. p_average– средняя цена.
3. p_min – минимальная цена.
4. voi_rub –ценность информации (руб.): voi_rub=P_average-P_min .
5. voi_percent – ценность информации (%):
voi _ percent 

P _ average  P _ min
P _ average

100%

169

При проведении сравнительного анализа были использованы практически
полностью сопоставимые данные по тем же рынкам (334 наблюдения),
собранные в 2008 году одним из авторов, анализ которых до настоящего
времени не был опубликован.
Предварительный анализ (Таблица 1) показал, что в июне 2011 по
сравнению с зимой 2008 года по выборке процентный разрыв между средней и
минимальной ценой снизился во всех рассмотренных товарных категориях.
Статистически значимым можно признать снижение ценности информации в 4х из них (мониторы, холодильники, микроволновые печи, стиральные машины).
Таблица 1. Описательный анализ выборки
Ценность информации, %
Количество продавцов
2008 год
2011 год
2008 год
2011 год
Среднее Медиана Среднее Медиана Среднее Медиана Среднее Медиана
Радиотелефоны

18.1

17.1

16.8

15.8

36.1

35.0

67.3

68.0

DVD-плееры

18.8

17.4

17.8

16.7

63.1

61.0

64.7

59.0

Мониторы

15.8

13.5

9.0

8.8

37.0

36.0

66.3

65.0

Холодильники

17.4

15.0

8.5

8.3

32.8

33.5

60.1

59.0

Микроволновые печи

15.6

14.8

10.3

9.9

29.9

28.0

65.5

65.0

Пылесосы

13.4

11.7

12.9

12.2

25.9

26.0

72.3

73.0

Стиральные машины

15.8

13.5

8.1

7.5

45.5

46.5

65.5

64.5

Снижение

разрыва

между

средними

и

минимальными

ценами

сопровождалось статистически значимым ростом количества продавцов для
большинства категорий товаров (лишь для DVD-плееров число интернетмагазинов осталось примерно на том же уровне). Означает ли это, что с ростом
числа конкурентов на интернет-рынках ценность информации снижается?
Когда робастная регрессионная модель (Таблица 2) строится на объединенной
выборке за 2008 и 2011 годы, коэффициент перед количеством продавцов значимо
отрицателен. Однако как только включается фиктивная переменная для 2011 года,
получается противоположный результат. Мы связываем это с тем, что включение
фиктивной переменной позволило учесть возросшую долю информированных
покупателей в 2011 году по сравнению с 2008 годом.

170

Таблица 2. Робастные регрессии, объясняющие ценность информации

Средняя цена
Количество продавцов
Год 2011
Constant
Observations
R2
Adjusted R2

(1)
Ценность информации (%)
-0.000***
(0.000)
-0.025*
(0.010)
15.373***

(0.671)
684
0.043
0.040

(2)
Ценность информации (%)
-0.000***
(0.000)
0.071***
(0.012)
-6.085***
(0.505)
13.675***
(0.601)
684
0.207
0.203

В скобках указаны стандартные ошибки коэффициентов
*
p < 0.05, ** p < 0.01, *** p < 0.001

Таким образом, рост доли информированных (использующих веб-сервисы
для

сравнения

цен)

покупателей

приводит

к

снижению

выгод

от

информированности (value of information), а рост числа конкурентов приводит к
росту ценности информации, как и предсказывают современные модели
олигополии. Дальнейшая динамика ценности информации будет зависеть от
скорости изменения указанных двух факторов.
Литература
1. Baye, M.R., Morgan, J. and Scholten, P. The Value of Information in an Online Consumer
Electronics Market // Journal of Public Policy & Marketing. – 2003. – Vol. 22, No. 1. – P. 17-25.
2. Burdett, K. and Judd, K.L. Equilibrium Price Dispersion // Econometrica. – 1983. – Vol. 51. –
P. 955-969.
3. Reinganum, J.F. A Simple Model of Equilibrium Price Dispersion // The Journal of Political
Economy. – 1979. – Vol. 87, No. 4. – P. 851-858.
4. Varian, H.R. A Model of Sales // The American Economic Review. – 1980. – Vol. 70. – P. 651-659.

Влияние административных барьеров на рынок недвижимости
Т.Д. Полиди
Фонд «Институт экономики города», НИУ-ВШЭ
125009 Москва, ул. Тверская 20/1;
e-mail: Tatyana.polidi@gmail.com
Ключевые слова: жилищное строительство, административные барьеры, земельный участок,
регулирование, административный ресурс, монопольная власть

Введение
Строительный

сектор

традиционно

является

одним

из

наиболее

регулируемых секторов экономики. Это разумно обосновывается тем, что
деятельность строительного сектора тесно связана с вопросами оборота земли,
обеспечения

безопасности,

а

также
171

архитектурной

и

функциональной

целостности

городской

среды.

В

случае

отсутствия

необходимого

регулирования общество рискует понести серьезные потери от застройки в
нежелательных

местах

застройщиков

на

(например,

необходимых

в

парковых

мерах

зонах),

экологической

от

экономии

безопасности

строительства и т.д.
Вместе с тем возникает вопрос о том, какая степень регулирования
является оптимальной. Ведь регулирование сектора не только создает
общественные блага (в виде безопасности и т.д.), но и способствует
ограничению деловой активности. Отсюда следует, что при определении
оптимального уровня регулирования сектора необходимо принимать во
внимание как его положительный эффект, так и отрицательный эффект.
Одним из основных барьеров в жилищном строительстве в России
является ограничение доступа к земле. Около 80% земель населенных пунктов
в России находится в публичной собственности. В силу сложившихся
экономических и институциональных факторов местные власти оказываются
незаинтересованными в создании доступного фактора производства для
строительного сектора – сформированных земельных участков. С другой
стороны, местная власть является не только монополистом на рынке земли, то и
монопольно владеет административным ресурсом.
Целью работы является построение модели равновесия с административными
барьерами, которая объясняет возникновение необоснованных административных
барьеров в секторе жилищного строительства России.
Основная часть
В данной модели рассматривается взаимодействие муниципалитета и
строительной фирмы. При построении базовой модели предполагается, что
доходы от предоставления государственных услуг в области регулирования
строительного сектора поступают в местный бюджет.
Сначала

муниципалитет

устанавливает

уровень

административных

барьеров (количество процедур, которые обязана пройти фирма) S, а затем
фирма определяет свой спрос на землю L, и соответственно, объем
172

строительства H в зависимости от установленных государством регулирующих
правил. Объем строительства положительно зависит от спроса на землю и
отрицательно – от уровня административных барьеров: H = H(L, S), HL > 0,
HS < 0, HLL < 0, HSS < 0, HLS = HSL < 0,
Муниципалитет организует прохождение всех необходимых процедур,
оказывая услуги фирме. Издержки предоставления этих услуг R положительно
зависят от количества процедур (или барьеров) S и от объемов строительства
H: R = R(H,S), RH > 0, RS > 0, RHH > 0, RSS = 0, RHS = RSH = const > 0.
Стоимость услуг муниципалитета, или издержки фирм на преодоление
административных барьеров, B положительно зависят от количества процедур
(или барьеров) S и от объемов строительства
H: B = B(H,S), BH > 0, BS > 0, BHH > 0, BSS = 0, BHS = BSH = const > 0.
В данной базовой версии модели предполагается, что изначально вся земля
находится в собственности муниципалитета, а средние издержки приватизации
(выкупа)

земли

формированию

равны

β > 0.

земельных

Средние

участков

издержки

муниципалитета

(определению

по

градостроительных

регламентов) для передачи фирмам для жилищного строительства равны c > 0.
Рассмотрим задачу фирмы, из которой определяется ее спрос на землю, как
функция реакции на экзогенно заданный уровень административных барьеров.
Фирма максимизирует прибыль π при ограничении на производственную
функцию H(L, S). Спрос на жилье задан убывающей функцией P(H), PH < 0.
Тогда задача фирмы имеет следующий вид:

maxπ  P( H ) H   L  B( H , S )
L

(1)

s.t.H  H ( L, S )

Теперь

рассмотрим

задачу

муниципалитета.

Муниципалитет

максимизирует функцию, которая является средневзвешенной суммой функции
общественного благосостояния Ω (с весом α (0, 1)) и чистого дохода бюджета
(с весом (1 – α)) от продажи земельных участков βL (за вычетом издержек по их
подготовке cL) и оказанию услуг по обеспечению выполнения установленных
правил (регламентов) B(H, S) (за вычетом издержек на предоставление этих
173

услуг R(H, S)). Функция общественного благосостояния представляет собой
совокупный излишек общества от производства и потребления жилой
недвижимости H, безопасной городской среды S и социальных услуг
муниципалитета N. Из муниципального бюджета I финансируются процедуры
по формированию земельных участков cL и социальные услуги N. Задача
муниципалитета имеет следующий вид:

maxW  α U (H , S , N )  R(H , S )  cL  N   (1  α) βL  сL  B( H , S )  R( H , S ) 
S ,N

s.t. cL  N  I

(2)

L  L* (S )
H  H ( L, S )
 H L*

H 

Пусть a  

 – реакция строительного сектора на установление
 L S S 
барьеров S, которая состоит из двух эффектов. Первое слагаемое – косвенный
эффект, который показывает, насколько изменяется объем строительства в
ответ на изменение спроса на землю, связанное с изменением уровня барьеров.
Второе слагаемое – прямой эффект, который показывает, насколько изменяется
объем строительства в ответ на изменение уровня барьеров, что усложняет
ведение бизнеса в секторе и ограничивает вход на рынок.
Таким образом, равновесие описывается системой уравнений (3) и (4):
  U R  U
 L*
L* R 
L*
 B R  B R 
α a 

c
   1  α  β
с
 a

   0, S *  0 (3)



H

H

S

S

S

S

S

 H H  S S 
 



 MR H
 2 B  H 
B   2 H

  MR ( H ) 



H S H S  L 
H  LS
L
  S   
0
2
γ
S
 π
L
2
L
*

γ

(4)

II.3. Оптимальность
Теперь рассмотрим задачу максимизации общественного благосостояния
Ω, из которой определяется оптимальное состояние S P , LP , H P , N P  .

max  U ( H , S , N )  R( H , S )  cL  N
S ,N ,L

(9)

s.t. cL  N  I
H  H ( L, S )

174

В силу свойств функции U(g) бюджетное ограничение является активным.
Системой уравнений (10) и (11) (совместно с ограничениями задачи (9))
определяется оптимальное состояние S P , LP , H P , N P  .
 H  U R  U R dU dR






 0, S P  0
S S  H H  S S dS dS

(10)

 H  U R 


 c  0, LP  0
L L  H H 

(11)

II.4. Равновесие и оптимальность
Для того, чтобы сделать вывод о том, является ли равновесное состояние
Парето оптимальным, необходимо проверить, выполняются ли условия первого
порядка, соответствующие равновесию, если выполнены условия первого
порядка, соответствующие оптимуму по Парето.
Сначала проанализируем, является ли реакция фирмы, выраженная в
спросе на землю, оптимальной, если государство устанавливает оптимальным
уровень барьеров SP. Из задачи фирмы (1) и условия (11) следует:
B P P
L , S  β
H

U
R P P
( H ( LP , S P ), S P ) 
L ,S  c

H
H
MR( H ( LP , S P )) 

То есть реакция

фирмы

на

установление

барьеров

(12)

SP является

оптимальной, если выполнено условие (12). Если левая часть выражения (12)
меньше отношения средних издержек приватизации и средних издержек
формирования земельных участков, то:
1
H * P
(L , S )
L

B * P
 L , S  HU (H ( LP , S P ), S P )  HR  LP , S P 
1
H
(13)


H P P
β
c
(L , S )
L

MR( H ( L* , S P )) 


H * P
H P P
(L , S ) 
(L , S )
L
L

В силу вогнутости производственной функции H(g) спрос фирмы на землю
в равновесии ниже, чем в оптимуме, L* < LP. Верно и обратное.
Заметим, что в случае, когда строительный сектор функционирует в
режиме совершенной конкуренции (MR(H) = P = UH), и муниципалитет не
175

получает прибыли от приватизации земельных участков и от оказания услуг по
обеспечению безопасности (β = c,

B R

), то спрос на землю совпадает с
H H

оптимальным уровнем с точки зрения общества, то есть полностью
удовлетворяется потребность в новом жилье.
Таким образом, возможность достижения оптимального состояния на
рынке недвижимости при условии, что выбран оптимальный уровень барьеров,
зависит от структуры строительного рынка (монополия или конкуренция), от
политики муниципалитета в области формирования дохода бюджета.
Первое слагаемое в условии (3) равно нулю, если выполнены условия (10) и (11):

 H L* H   U R
α 



 L S S   H H
 H L*  U R
α


 L S  H H

L* 
 U R



c


S 
 S S


(14)

L* 
L*  H  U R


c

α




S 
S  L  H H


 
  c  0
 

Рассмотрим теперь второе слагаемое в условии (8):



1  α  β  с 


L*  H L* H   B R




S  L S S   H H

 B R 
 

 S S 

(15)

Выражение (15) может быть положительным, отрицательным или равным
нулю. В зависимости от знака выражения (15) равновесный уровень
административных барьеров может быть выше, ниже или равен оптимальному
уровню, соответственно. Перепишем (15) в следующем виде:
 L*
dB dR 
β  с     ,

S
dS dS 


1  α  
где

(16)

*
dB B  H L* H  B dR R  H L H  R




и




dS H  L S S  S
dS H  L S S  S

Таким образом, если предельная выручка муниципалитета от увеличения
уровня административных барьеров

dB
dS

176

превышает сумму предельных

издержек на оказание услуг по обеспечению безопасности
сокращения прибыли от приватизации (β – c)

dR
и потерь от
dS

L*
), связанных со снижением
S

 L*
dB dR 
β  с      0 , а значит, левая часть условия

S
dS dS 


спроса на землю, то 1  α  

(9) больше нуля в точке (LP, SP), и равновесный уровень барьеров выше, чем
оптимальный, S* > SP, и спрос на землю ниже, чем в оптимуме L* < LP.
Заключение
Представленная модель показала, что сосредоточение монопольной
собственности на земельный и административный ресурс в руках государства
имеет негативные последствия для функционирования рынков недвижимости.
Эти последствия заключаются в создании стимулов для неоптимального с
позиций общества распоряжения административным ресурсом.
На основании полученных результатов можно сделать вывод о том, что
основными целями на пути снижения административных барьеров должно
стать обеспечение конкурентного доступа к земельным участкам и создание
условий для дальнейшей приватизации земли.
Устойчивость коалиционных разбиений в задачах управления биоресурсами
А.Н. Реттиева
Учреждение Российской академии наук Институт прикладных математических исследований
Карельский научный центр РАН
185910, г. Петрозаводск, ул. Пушкинская, 11;
e-mail: annaret@krc.karelia.ru
Ключевые слова: динамические игры, задача управления биоресурсами, внешняя и
внутренняя устойчивость, коалиционная устойчивость.

Исследована

дискретная

модель

динамической

игры

управления

биоресурсами (выловом рыбы). В данной модели водоем разделен на две части,
в каждой из которых вылов ведут игроки двух типов (N={1, …, n} и
M={1, …, m}). Предполагается, что между частями водоема существует
миграционный обмен. Таким образом, размер популяции в одном районе (где
вылов ведут игроки типа 1) зависит не только от вылова и размера популяции в
177

предыдущий момент, но и от размера популяции и вылова в другом районе (где
популяцию эксплуатируют игроки типа 2).
В данной модели, в отличие от [1, 4], мы предполагаем, что игроки
каждого типа могут формировать коалиции. Таким образом, возможно
формирование двух коалиций и присутствие игроков обоих типов, играющих
индивидуально.
Для показательной функции роста и логарифмических функций выигрыша
игроков [3] получены равновесие по Нэшу, кооперативное равновесие и
равновесные стратегии игроков при формировании коалиционной структуры.
При этом исследованы два механизма формирования коалиций: 1) игроки в
коалициях и индивидуальные игроки определяют свои стратегии независимо
(стратегии Курно-Нэша); 2) коалиции являются лидерами, а индивидуальные
игроки – ведомыми (стратегии Штакельберга). В работе показано, что первая
модель дает стимул отклоняться от участия в коалиции, а вторая поддерживает
кооперативное поведение.
В кооперативной теории игр важным показателем целесообразности
формирования

коалиций

являются

понятия

внутренней

и

внешней

устойчивости [2]. К сожалению, в представленной модели, как и в большинстве
эколого-экономических моделей [2], коалиции только малой размерности
являются внутренне устойчивыми (для стратегий Курно-Нэша). А для
стратегий Штакельберга, коалиции являются скорее внутренне, чем внешне
устойчивыми.
Поэтому в работе вводятся понятия коалиционно внутренней и внешней
устойчивости, дающие возможность формирования устойчивых коалиций
большой размерности. Данный вид устойчивости является расширением
внутренней и внешней устойчивости для моделей, где возможно формирование
двух и более коалиций.
Литература
1. Мазалов В.В., Реттиева А.Н. Условия, стимулирующие рациональное поведение, в дискретных
задачах управления биоресурсами // Доклады АН. – 2010. – Т. 432, № 3. – С. 308-311.
2. De Zeeuw A. Dynamic effects on stability of international environmental agreements // J. of
Environmental Economics and Management. – 2008. – V. 55. – P. 163-174.

178

3. Fisher R.D., Mirman L.J. The complete fish wars: biological and dynamic interactions // J. of
Environmental Economics and Management. – 1996. – V. 430. – P. 34-42.
4. Mazalov V.V., Rettieva A.N. Fish wars and cooperation maintenance // Ecological Modelling. –
2010. – V. 221. – P. 1545-1553.

Теоретико-игровая модель биржевых торгов: общий торговый механизм.
М.С. Сандомирская
Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского, д. 1, Санкт-Петербург, 191187;
e-mail: sandomirskaya_ms@mail.ru
Ключевые слова: биржевой торг, неполная информация, bid-ask spread.

Исследуется

модель

биржевого

торга,

в

которой

два

игрока

с

противоположными интересами проводят между собой однократный торг за
однотипные "рисковые" ценные бумаги (акции). Игроки обладают различной
степенью информированности о ликвидной цене торгуемого актива. Возможны
два варианта ликвидной цены акции – высокая, равная фиксированному целому
положительному числу m, и низкая, равная нулю. Она определяется случайным
"состоянием природы". Перед началом торгов случайный ход определяет
"состояние природы", и тем самым ликвидную цену акции согласно
вероятностному распределению. Вероятность выбора p высокой цены акции
известна обоим игрокам. Игрок 1, инсайдер, осведомлен об истинной цене акции,
Игрок 2 не имеет этой информации. Игрок 2 знает об осведомленности Игрока 1.
В работе Доманского и Сандомирской (2011) был рассмотрен упрощенный
торговый механизм, при котором оба игрока одновременно и независимо
делают единственную ставку – предлагают свою цену за акцию, и сделавший
большую ставку покупает одну акцию у оппонента по этой цене. Допустимы
любые целочисленные ставки, пропорциональные минимальной денежной
единице, в которой проводится торг. Эта модель является дискретной
модификацией модели Де Мейера и Салей (2002).
В предлагаемой сейчас модели рассмотрен иной, более реалистичный
механизм торга. Каждый игрок назначает две ставки – цену покупки и цену
продажи торгуемого актива. Правила биржевой торговли задают границы для
разницы цен покупки и продажи (bid-ask spread). Наличие подобной разницы
дает неинформированному игроку стратегическую возможность если и не
179

окончательно избежать торга, то значительно реже вступать в торги.
Рассмотрен случай фиксированной разницы цен покупки и продажи.
Данная модель сводится к игре с нулевой суммой и неполной информацией
у второго игрока. Проведен анализ игры для различных значений спреда и для
различной высокой цены акции. Показано, что математическое ожидание
выигрыша инсайдера убывает при возрастании заданной величины спреда.
Этот результат позволяет сделать вывод о том, что в реальной торговой
процедуре возможность использования инсайдером приватной информации
оказывается ограниченной механизмами самого рынка и, тем самым, цена
инсайдерской информации значительно падает.
Литература
1. De Meyer B., Moussa Saley H. On the Strategic Origin of Brownian Motion in Finance // Int.
Journal of Game Theory. – 2002. – V.31. – P. 285-319.
2. Domansky V. Repeated games with asymmetric information and random price fluctuations at
finance markets. // Int. J. Game Theory. – 2007. – V.36(2). – P. 241-257.
3. Доманский В.К., Крепс В.Л. Момент обнаружения "инсайдерской" информации на торгах
с асимметричной информированностью агентов // Обозрение прикладной и промышленной
математики. - 2007. - T.14. - вып.3. - C. 399-416.
4. Domansky V., Sandomirskaia M. Solutions for One-Stage Bidding game with Incomplete
Information. // Collected abstracts of papers 5th Int. Conf. GTM, eds. L.Petrosyan and N.
Zenkevich. – 2011. – P. 68-71.

Новый подход к оценке демографической нагрузки за счет пожилых
(на примере Санкт-Петербурга)
Г.Л. Сафарова*, А.И. Лисененков*, А.А. Сафарова*, Т.В. Смирнова**
*Санкт-Петербургский экономико-математический институт РАН
181187 Санкт-Петербург, ул.Чайковского, д. 1;
e-mail: safarova@emi.nw.ru
**Национальный исследовательский университет - Высшая школа экономики СанктПетербургский филиал
Ключевые слова: старение населения, показатели старения, демографическая нагрузка,
продолжительность предстоящей жизни

Одной из движущих сил старения населения в экономически развитых
странах является рост ожидаемой продолжительности жизни (ОПЖ), в том
числе в старших возрастах [2-5]. По мере улучшения здоровья и увеличения
ОПЖ в этих странах усложняется задача измерения старения населения,
поскольку меняется смысл числа прожитых лет. Так, в настоящее время в
Западной Европе 60-летний мужчина имеет приблизительно такую же
180

продолжительность предстоящей жизни, как 43-летний в 1800 г. Недавно для
оценки старения населения был предложен подход, основанный на учете
продолжительности предстоящей жизни [2-5].
В основе этого подхода лежит идея, состоящая в том, что поведение
человека во многих сферах жизни зависит не только от его хронологического
возраста, но и от числа лет предстоящей жизни. Поэтому в дополнение к
традиционным мерам старения были введены показатели, учитывающие
продолжительность предстоящей жизни. Так, традиционный показатель «доля
лиц в возрасте 60 лет и старше» или «доля лиц в возрасте 65 лет и старше»
(Prop.60+ или Prop.65+) дополнен показателем «доля лиц в возрастных
группах, имеющих ожидаемую продолжительность жизни 15 лет и меньше»
(Prop. RLE 15), средний возраст населения - средним числом предстоящих лет
жизни населения (PARYL, population average remaining years of life).
Традиционно для оценки бремени, которое несет общество в связи с
поддержкой пожилых людей, использовался показатель демографической
нагрузки за счет пожилых (old-age dependency ratio, OADR) – число лиц в
возрасте 65+ (или 60+), приходящееся на сто лиц в трудоспособном возрасте
(15 (или 20 лет)-64 (или 59) года). Считалось, что рост демографической
нагрузки за счет пожилых отражает растущую из-за старения населения
нагрузку на пенсионные системы. Но этот показатель устарел, поскольку люди
в развитых странах живут дольше и человек в возрасте 65 лет уже не старик. В
США обычный пенсионный возраст сейчас 66 лет, он будет повышен до 67 и,
вероятно, более лет в целях сохранения платежеспособности системы
социальной защиты. Современное законодательство предусматривает рост
пенсионного возраста в Германии, Англии и других странах. По мере роста
пенсионного возраста OADR будут давать все более смещенную оценку
бремени старения населения для пенсионных систем. Аналогичное смещение
происходит,

когда

разработчикам

политики

приходится

использовать

демографическую нагрузку за счет пожилых как индикатор влияния старения
на расходы на здравоохранение. Однако большая часть этих расходов
181

происходит в несколько последних лет жизни, а эти годы приходятся на более
поздние возраста, поскольку продолжительность жизни возрастает [5]. Таким
образом, фиксированный хронологический возраст недостаточно хорош при
оценке влияния изменений возрастной структуры на пенсионные системы или
здравоохранение, и в качестве альтернативы OADR в работе [5] был предложен
показатель «перспективная нагрузка за счет пожилых» (POADR, prospective
old-age dependency ratio), определяемый как число лиц в возрастных группах,
имеющих ОПЖ 15 лет и меньше, деленное на число лиц не моложе 20 лет и
имеющих ОПЖ больше 15 лет. Показано, что в условиях роста ОПЖ POADR
растет медленнее OADR.
Работа

посвящена

анализу

динамики

традиционного

показателя

демографической нагрузки за счет пожилых и перспективной нагрузки за счет
пожилых для населения Санкт-Петербурга в 1990-2009 гг.
Для расчета OADR берется число лиц в возрасте 60+, приходящееся на сто
лиц в трудоспособном возрасте (15 – 59 лет). Расчет POADR производится в
двух вариантах – POADR 15 и POADR 20. POADR 20 это в точности
показатель, определенный в [5], т.е. имеющий в знаменателе число лиц не
моложе 20 лет и имеющих ОПЖ больше 15 лет. Но поскольку при расчете
OADR началом трудоспособного возраста является возраст 15 лет, то и при
расчете POADR 15 в знаменателе берется число лиц не моложе 15 лет и
имеющих ОПЖ больше 15 лет.
Расчеты основаны на данных Петростата, Росстата и Human Mortality
Database (University of California, Berkeley, USA, and Max Plank Institute for
Demographic Research, Germany [1].
Проанализированы динамика ОПЖ при рождении и в старших возрастах,
возраст, в котором ОПЖ равна 15 годам, Prop.60+. OADR и POADR
рассчитаны для мужского населения, женского населения и обоих полов.
Установлено, в частности, что для населения Санкт-Петербурга в 19902009 гг. значения POADR 15 ниже значений OADR. За рассматриваемый
период OADR вырос на 13.1% (с 27.4 до 31.0 пожилых на 100 лиц
182

трудоспособного возраста), а POADR 15 – лишь на 5.4% (с 18.5 до 19.5). При
этом с 2005 г. эти показатели имеют противоположные тенденции - OADR, как
это и предвиделось многочисленными прогнозами, возрастает, а POADR,
напротив, убывает, что связано с ростом ОПЖ.
Демографическая политика Российской Федерации направлена прежде
всего на увеличение продолжительности жизни населения, сокращение уровня
смертности. После 2003 г. в стране наметился рост ОПЖ. Проведенное
исследование, демонстрирующее как в целом более медленный рост показателя
нагрузки, учитывающего продолжительность предстоящей жизни, так и его
убывание после 2005 г., в очередной раз показывает, что точка зрения на более
пожилое население как обузу для общества неприемлема.
Литература
1. Human Mortality Database. University of California, Berkeley (USA), and Max Plank Institute for
Demographic Research (Germany). Available at www.mortality.org (data downloaded on 07.12.2007).
2. Lutz W., Sanderson W. and Scherbov S. The coming acceleration of global population
ageing//doi:10.1038/nature06516.
3. Sanderson W. and Scherbov S. A New Perspective on population Ageing/ European
Demographic Research Papers. – 2005, N 3. – 32 p.
4. Sanderson W., Scherbov S. Rethinking Age and Ageing/ Population Bulletin. – vol.63, N 4. –
December 2008.
5. Sanderson W., Scherbov S. Remeasuring Aging/ Science – vol. 329, 10 September 2010.

Влияние гипертрофированного роста сферы услуг на развитие
производственного потенциала города
И.О. Семыкина, А.В. Коледа
Институт экономики и организации промышленного производства СО РАН
630090, г. Новосибирск, просп. Академика Лаврентьева, 17;
e-mail: semykina.irina@gmail.com
Ключевые слова: городская экономика, сфера услуг, сфера производства, матрица связей,
пороговые модели

Известно, что быстрое развитие сферы услуг и повышение ее доли в
валовом национальном продукте является характерной чертой перехода страны
в постиндустриальную стадию развития. Степень доступности качественных
услуг воздействует на темпы роста во всех других секторах экономики,
поскольку каждое предприятие или компания в той или иной степени
пользуется такими услугами. Нынешний быстрый рост бизнес-услуг в развитых
183

странах является результатом специализации: по мере сосредоточения
компаний на своих ключевых компетенциях они приобретают все больше
разнообразных услуг.
В качестве объекта исследования выступает муниципальное образование –
город Новосибирск. Если в 2000 году соотношение городской сферы
производства товаров и услуг составляло 1:1 в ВРП, то в 2009 доля сферы услуг
составила около 70%. Та же тенденция отмечается и в сфере занятости: новые
рабочие места создавались в основном в сфере услуг. Но если в развитых
странах занятость в обрабатывающей промышленности сокращается вследствие
более эффективного использования рабочей силы, автоматизации производства
и широкого применения информационных технологий, то какие процессы
обуславливают такие изменения в рассматриваемом регионе?
Целью работы является исследование влияния роста сферы слуг на
производственный потенциал города Новосибирска. В составе системы
выделены две части, одна из которых ориентирована на производство товаров,
а вторая – на предоставление услуг.
Экономика Новосибирской области является весьма диверсифицированной
в сравнении с другими субъектами РФ, расположенными на территории
Сибири. Об этом свидетельствует отраслевая структура основных фондов и
распределение численности занятого населения по отраслям экономики.
Оборонный комплекс области являлся стержнем наукоемкой промышленности,
его предприятия занимали до 60% в общем объеме промышленного
производства. Социальная инфраструктура Новосибирска и некоторых городов
области в значительной мере была сформирована вокруг оборонных заводов.
Эти факторы предопределили зависимость всей экономики области от
состояния дел в этой сфере производства. В результате экономического
кризиса, вызванного распадом Советского Союза, спад в промышленности
оказался более глубоким и продолжительным по сравнению с общероссийским.
По сей день идет процесс адаптации к новым условиям, выражающийся в
структурной

перестройке

экономики,
184

замене

производства

товаров

производством

услуг.

Для

Новосибирска

наибольший

коэффициент

локализации имеет сфера услуг (1,622) и обрабатывающие производства
(1,057). По этому критерию они могут считаться отраслями специализации.
Построение выборки исходных данных предполагает выделение таких
показателей, которые, с одной стороны, эффективно описывают как экономику
города Новосибирска в целом, так и связи между ее секторами (в частности,
промышленностью и сектором услуг), с другой стороны, демонстрируют
существенный отклик на регулирующие воздействия органов городского
управления. При этом весь информационный массив для проведения расчетов
формируется исключительно из общедоступной информации, предлагаемой
государственными

статистическими

органами

(Федеральной

и

Территориальной службами государственной статистики).
При моделировании взаимосвязей между производством товаров и услуг
необходимо принимать во внимание нелинейность данной зависимости. В
противном случае модель не будет соответствовать реальным условиям.
Наиболее перспективными в этом отношении представляются исследования в
сфере «круговой кумулятивной причинности» (Circular Cumulative Causation).
Адаптация фундаментальных работ Т. Веблена, Г. Мюрдаля, К. Каппа, Н.
Калдора, П. Кругмана и др. применительно к особенностям городской
экономики

позволит

адекватно

отразить

наиболее

существенные

экономические процессы в городе Новосибирске.
Построение

математической

модели

опирается

на

богатый

опыт

отечественных и зарубежных экономистов, исследующих экономический рост
и взаимодействие между секторами и отраслями экономики. Модификация
одной из множества таких n-секторных моделей с учетом нелинейности связей
«сектор производства – сектор услуг» позволит описать взаимовлияние
исследуемых сфер и обозначить точки роста внутри каждой из них.
Практическое

применение

полученных

оценок

взаимовлияния

промышленного производства и сферы услуг возможно с использованием двух
сценариев:
185

 Органы исполнительной власти города сосредотачиваются на мерах по
усилению взаимосвязи двух сфер, усиливая кумулятивный эффект и темпы их
развития;
 Используют
стимулирования

экономические
одной

из

инструменты

рассматриваемых

для

сфер,

поддержания

позволяя

ей

и

быть

локомотивом развития за счет имеющейся взаимосвязи.
Выбор между указанными сценариями осуществляется из соображений
сбалансированности темпов прироста двух сфер, эффективного распределения
ограниченных ресурсов между ними и их согласованности со стратегическими
и текущими плановыми и прогнозными документами развития города.
Агломерация в мультирегиональной экономике: модель Диксита-Стиглица-Кругмана
А.В. Сидоров
Институт математики им. С.Л.Соболева СО РАН
4 пр. Акад. Коптюга, 630090, Новосибирск;
e-mail: sidorov@math.nsc.ru
Ключевые слова: трудовая миграция, агломерационные процессы, монополистическая
конкуренция, модель Кругмана.

Традиционная модель Диксита-Стиглица-Кругмана (см., например [1])
рассматривает процессы взаимодействия двух регионов, что подразумевает
следующий взгляд на ситуацию: «Наш регион» и «Все остальные». В случае,
когда два крупных региона взаимодействуют преимущественно друг с другом
при пренебрежимо малом вкладе более удаленных (или более мелких)
субъектов, или же когда окружение можно считать однородным, такая точка
зрения может считаться обоснованной, но реальный мир существенно
мультирегионален. До недавнего времени изучение мультирегиональной
модели Кругмана носило эпизодический характер и фактически сводилось к
компьютерной симуляции (см., например [2], стр. 80-81), что было связанно, в
основном, со значительными техническими трудностями. Данная работа
является обобщением ряда результатов работы автора [3], посвященной
детальному исследованию сравнительной статики равновесий и процессов
агломерации

в

двухрегиональной

модели

распределением трудовых ресурсов.
186

Кругмана

с

асимметричным

Рассматривается модель экономики из m регионов с двухсекторным
производством. Первый сектор (условно говоря, «аграрный») характеризуется
совершенно конкурентным производством однородной продукции с постоянной
отдачей от масштаба и идеальным рынком сбыта с пренебрежимо малыми
издержками сделок. «Аграрное» производство является однофакторным, с
фиксированным

распределением

между

регионами

специализированного

фактора (труда) L1, L2,..., Lm, где Li величина трудовых ресурсов в регионе i.
Второй

сектор

монополистически

(условно

говоря

конкурентным

«индустриальный»)

производством

характеризуется

большого

(фактически,

континуального) разнообразия товаров с возрастающей отдачей от масштаба
при наличии торговых издержек между регионами. Именно, предполагается,
что для производства и транспортировки в другой регион единицы продукции
требуется

произвести

τ> 1

этой

продукции,

т. е.

чистые

затраты

на

транспортировку эквивалентны стоимости τ – 1 единиц продукции (так
называемые издержки iceberg-type). «Индустриальное» производство также
является однофакторным со специализированным трудом, чье начальное
распределение между регионами задается величинами трудовых ресурсов H1,
H2,..., Hm. Однако, в отличие от «аграрного» сектора, индустриальные трудовые
ресурсы могут (в долгосрочной перспективе) мигрировать между регионами.
Поведение репрезентативного потребителя в этой модели определяется его
функцией полезности
 σμ 

 σ  1    σ  1  1  μ
  ,
U  c,C A  =    c  i   σ  di 
CA





где 0< μ< 1 – доля расходов потребителя на продукцию индустриального
сектора, σ > 1 – коэффициент эластичности замещения для разновидностей
товаров индустриального сектора, СА – величина потребления аграрной
продукции, c: [0, N]→R – функция распределения потребления разновидностей
индустриальных товаров, покрывающих отрезок [0, N]. Максимизируя эту
функцию при соответствующих бюджетных ограничениях (различных для
разных регионов), потребители определяют спрос на все виды продукции
187

в каждом регионе, что позволяет производителям, максимизирующим чистую
прибыль, определить оптимальный объем выпуска. Предполагается, что имеет
место условие свободного входа в отрасль и пока чистая прибыль в отрасли
положительна, появляются новые производители индустриальных благ.
Для описания процесса миграции индустриальных трудовых ресурсов
удобно перейти от абсолютных величин к относительным, рассмотрев доли

λi =

трудовых ресурсов региона

Hi
, тогда миграция будет выражаться в
 Hk

виде изменения долей λi при сохранении общей суммы λ1+λ2+...+λm=1. При
заданных значениях λ1,...,λm краткосрочное равновесие, в котором определяются
величины благосостояния Vi (λ1,...,λm) как значения функции полезности
работников региона i в состоянии равновесия. Отметим, что данные величины
не имеют явного выражения и определяются как неявные функции параметров,
что является основной причиной технических трудностей исследования.
Аналогично определяются фиксированные доли распределения аграрных
трудовых ресурсов θi =

Li

 Lk

.

Система уравнений миграции имеет традиционный вид (ad hoc dynamics):
dλ
= V i λ 1 , ... , λ m
dt

 

   λ k V k  λ 1 , ..., λ m   λ i

, k=1,...,m.

Такой вид уравнений отражает тот факт, что в регионе происходит иммиграция,
если благосостояние в нем превышает средневзвешенное, в противном случае,
имеет место эмиграция из региона. Долгосрочное равновесие достигается в
случае, когда миграция прекращается, т. е. все

dλ
 0.
dt

При этом, полученное

равновесие может оказаться устойчивым или неустойчивым по Ляпунову. В
работе исследуется вопрос устойчивости агломерационных равновесных
состояний как однополярных (так называемая, полная агломерация), так и
(частично) многополярных. В частности, имеет место следующий результат,
полностью

характеризующий

устойчивость

агломерации:
188

монополярных

состояний

Теорема. Пусть выполнено неравенство

μ

σ 1
σ

(Black Hole Condition), тогда

при любых торговых издержках τ всякая монополярная агломерация устойчива
по Ляпунову.
Пусть выполнены неравенства

μ

σ 1
σ

θ i > m ax θ k 
k i

(No-Black Hole Condition) и

 2σ  1μ
,
 σ  1 1  μ 

тогда существует пороговое значение T > 1 такое, что если при любых торговых
издержках 1 < τ < T монополярная агломерация с полюсом в i будет устойчива по
Ляпунову, а при τ ≥ T – неустойчива.
Литература
1. Krugman P.R. Increasing Returns and Economic Geography// Journal of Political Economy. –
1991. – V. 99. – P. 483-499.
2. Fujita M. et al. The Spatial Economy: Cities, Regions and International Trade. – MA.: MIT Press, 1999.
3. Sidorov A.V. The Impact of Exogeneous Asymmetry on Trade and Agglomeration in CorePeriphery Model. MPRA Paper No. 29627, March 16, 2011, 48 p.

Индекс доходности финансового вложения и его модификации
М.В. Соколов1, А.Г. Алексеев2,
1СПб ЭМИ РАН.

СПб, 191187, ул. Чайковского, д. 1;
e-mail: sos-homepage@yandex.ru
2Европейский университет в Санкт-Петербурге. СПб, 191187, ул. Гагаринская, д. 3.
e-mail: aalekseev@eu.spb.ru
Ключевые слова: доходность, финансовое вложение, межвременной выбор

Рассматриваемая в докладе задача формулируется следующим образом.
Имеется сепарабельное метрическое пространство (X, dX), элементы которого
интерпретируются как возможные состояния экономической системы. На
множестве X задано отношение предпочтения (полное транзитивное бинарное
отношение) , описывающее предпочтительность того или иного состояния
экономической системы с точки зрения лица, принимающего решения. Требуется
ввести показатель, сопоставляющий состояниям x и x′ системы в моменты
времени t и t′ (> t) число, которое можно было бы интерпретировать как «темп
развития» экономической системы – относительную скорость перехода системы
от менее предпочтительных состояний к более предпочтительным.
189

Приведем несколько примеров, укладывающихся в описанную схему:
 рассматриваемая система – экономика страны, состояние системы –
n-мерный вектор макроэкономических показателей (на совокупности X = Rn
которых задано отношение предпочтения , упорядочивающее состояния по
степени развития экономики), искомый «темп развития» – темп экономического
роста;
 рассматриваемая экономическая система – финансовый актив, состояние
системы

–

стоимость

актива

(X = R++

–

множество

положительных

действительных чисел;  x   x  x  ), искомый показатель – доходность
актива.
С последним примером, по-видимому, связаны основные приложения
описанной задачи, именно его мы возьмем за основу в вопросах терминологии.
Не меняя существа задачи, ниже элемент множества X будем называть
(денежной) суммой, отношение  – системой предпочтений инвестора на
множестве X, упорядоченную четверку (x, t; x′, t′) – (финансовым) вложением,
предполагающим инвестирование суммы x в момент времени t и получение
суммы x′ в момент времени t′, а искомый показатель – индексом доходности.
Базовое предположение при построении индекса доходности состоит в том,
что финансовые вложения могут быть упорядочены по уровню доходности.
Возможность

такого

предположением

о

упорядочивания
том,

что

на

мы

будем

множестве

отождествлять

финансовых

с

вложений

V = {v = (x, t; x′, t′) (X × R)2 : t < t′} задано бинарное отношение , называемое
отношением доходности, и удовлетворяющее следующим свойствам:
A1.

Полный предпорядок:  – полное транзитивное бинарное отношение.

A2.

Непрерывность: для любого v  V множества v   V : v   v и v   V : v  v 

замкнуты в V 1.
A3.
1

Межвременная согласованность:

Здесь V метризуется метрикой прямого произведения

d V ( x, t; x , t ), ( y , ; y , )   d X ( x, y )  d X ( x , y )  (t   ) 2  (t    ) 2 .
190

(x, t; x′, t′)  (x, t; y′, t′)  x′  y′
(x, t; x′, t′)  (y, t; x′, t′)  y  x
Симметричную и асимметричную части ,  обозначим через ~, ≈ и , ,
соответственно.
Требование A1 необходимо для корректного сравнения доходностей
различных вложений. Требование A2 предполагает, что малые изменения
характеристик финансовых вложений не приводят к значительным изменениям в
упорядочивании их по доходности. В купе с A1, требование A2 гарантирует
существование непрерывного числового представления I : V→R отношения :
v  v′  I(v) ≥ I(v′),
в дальнейшем называемого индексом доходности. Наконец, требование A3
предполагает, что отношение доходности согласовано с неменяющейся во
времени системой предпочтений инвестора .
Предложение 1.
Бинарное отношение  на V является отношением доходности тогда и
только тогда, когда найдутся непрерывная функция u : X→R и непрерывная
строго монотонно убывающая по первому и возрастающая по третьему
аргументам

функция

g : {(y, t; y′, t′) (u(X) × R)2 : t < t′}→R,

такие,

что

u

и

I(x, t; x′, t′) = g(u(x),t; u(x′), t′) являются числовыми представлениями отношений  и
, соответственно.

Функцию u, фигурирующую в Предложении 1, в дальнейшем будем
называть функцией полезности инвестора.
Основное содержание доклада составляют характеризации нескольких
конкретных индексов доходности перечислением их свойств. Примерами служат
два нижеследующих утверждения.
Утверждение 1.
Пусть  – отношение доходности. Следующие утверждения эквивалентны:
191

(a) найдутся непрерывные функции полезности u, u′ : X→R, такие, что
 u ( x)  u ( x)
, если x  x
 t   t
I ( v)  
 u( x)  u( x) , иначе

t  t
является индексом доходности.

(b)  удовлетворяет следующим трем свойствам:
(i)

Монотонность по срокам: если x′  x, то (x,τ; x′,t′)  (x,t; x′,t′)  (x,t; x′,τ′)
для любых t < τ< t′ < τ′; если x  x′, то (x,τ; x′,t′)  (x,t; x′,t′)  (x,t; x′,τ′) для
любых τ< t < τ′< t′; если x ≈ x′ и y ≈ y′, то (x,t; x′,t′) ~ (y,τ; y′,τ′); для любых
(x,t; x′,t′), (y,τ; y′,τ′) V таких, что либо x  x′ и y  y′, либо x′  x и y′  y,
найдутся числа τ1, τ2, τ1′, τ2′ такие, что (y,τ1; y′,τ′)  (x,t; x′,t′)  (y,τ2; y′,τ′)
и (y,τ; y′,τ1′)  (x,t; x′,t′)  (y,τ; y′,τ′2).

(ii)

Ковариантность относительно выбора шкалы измерения времени:
(x, t; x′, t′)  (x, τ; x′, τ′)  (x, at+b; x′, at′+b)  (x, aτ+b; x′, aτ′+b) a>0, b.

(iii)

Инвариантность

к

последовательной

реализации:

(x,t; x′,t′) ~ (x′,t′; x′′,t′′)  (x,t; x′,t′) ~ (x,t; x′′,t′′).
Утверждение 2.
Пусть  – отношение доходности на X  R n  . Следующие утверждения
эквивалентны:
(c) найдутся константы αi ≥ 0, i = 1, …, n, не все одновременно равные нулю,
такие, что

 n

 n

ln   αi xi   ln   αi xi 

 i 1

I (v)   i 1
t  t
является индексом доходности.
(d)  удовлетворяет свойствам (i)–(iii), а также следующим двум свойствам:
(iv)

Инвариантность к одновременной реализации: (x, t; x′, t′) ~ (y, t; y′, t′) 
(x, t; x′, t′) ~ (x + y, t; x′ + y′, t′).
192

(v)

Монотонность по выплатам: xi > xi′, i =1, …, n  (x1, …, xn)  (x′1, …, x′n).

Свойства (i)–(v) допускают естественную экономическую интерпретацию и
используются во множестве аксиоматизаций межвременных предпочтений
инвестора и показателей эффективности инвестиционных проектов (см.,
например, [1]–[3]). Так свойство (i) предполагает, что доходность вложения
(x, t; x′, t′) монотонно возрастает (убывает) с ростом срока вложения при x  x′
(x′  x) (impatience condition [2]) и не зависит от срока вложения при x′ ≈ x
(procrastination condition [2]). Кроме того, предполагается, что любое вложение
может быть сделано сколь угодно привлекательным/малопривлекательным для
инвестора изменением срока инвестиций (time sensitivity [3]).
Свойство (ii) предполагает независимость отношения доходности от выбора
единиц измерения времени.
Согласно свойству (iii), если доходности за два последовательных периода
времени равны, такой же будет и доходность за объединенный период. Свойство
(iv) предполагает, что если доходности двух синхронных финансовых вложений
равны, такой же будет и доходность объединенного вложения. Свойства (iii) и
(iv) декомпозируют на составляющие так называемую аксиому инвариантности к
одновременной реализации, предложенную в работе [1]. Согласно этой аксиоме,
совместная реализация финансовых вложений с одинаковой доходностью имеет
ту же доходность. Данная аксиома (совместно с близкой ей – аксиомой
усредняемости [1]) имеет принципиальное значение, ибо позволяет инвестору
рассматривать каждое из финансовых вложений независимо от остальных и
децентрализовать процедуру принятия решений по различным вложениям [1].
Наконец,

согласно

свойству

(v),

вложения

с

большей

отдачей

предпочтительнее для инвестора.
Литература
[1]
Виленский П.Л., Смоляк С.А. Показатель внутренней нормы доходности проекта и его
модификации. Препринт # WP/98/060. М.: ЦЭМИ РАН, 1998.
[2]
Fishburn P.C., Rubinstein A. Time preference // International Economic Review. 1982. Vol.
23. Issue 3. P. 677–694.
[3]
Ok E., Masatlioglu Y. A theory of (relative) discounting // Journal of Economic Theory. 2007.
Vol. 137. Issue 1. P. 214–245.

193

Экономическая эффективность облачных вычислений
В.И. Соловьев, К.А. Бестужева
Институт гуманитарного образования и информационных технологий
105264, Москва, Верхняя Первомайская ул., д. 53;
e-mail: visoloviev@ya.ru
Ключевые слова: интеллектуальные товары; облачные вычисления; случайный спрос;
эффективность.

Облачные

вычисления

–

форма

предоставления

информационно-

технологических услуг из центра обработки данных (пула программноаппаратных комплексов) по запросам пользователей, имеющих доступ к этому
центру, с возможностью эффективного масштабирования при минимальном
взаимодействии пользователей с провайдером услуг.
Приведем простейший пример эффективности данной модели. Издание
еженедельно размещает свои выпуски в интернете. При этом в первые сутки с
момента размещения выпуска к веб-серверам издания обращается миллион
пользователей, а в последующие шесть дней – ежедневно по нескольку сотен
пользователей. Чтобы обеспечить возможность миллиона одновременных
подключений, необходимо дорогостоящее оборудование, которое будет
использоваться на полную мощность всего один день в неделю, а оставшиеся
дни

простаивать.

например,

500 тыс.

Оборудование

среднего

одновременных

качества,

подключений,

поддерживающее,

стоит

дешевле,

но

использование такого оборудования вместо более мощного приведет к потере
половины пользователей. Выход для такого издания – обратиться к провайдеру,
предлагающему размещение веб-сервера по технологии облачных вычислений:
хотя аренда единицы компьютерной полезности в единицу времени будет
обходиться пользователю дороже, чем себестоимость приобретения такого же
ресурса в собственность (в расчете на единицу времени), в каждый момент
времени будет арендоваться ровно то количество вычислительных ресурсов,
которое реально необходимо, и оплата будет производиться по факту
использования. Возможность гибкого масштабирования предполагает, что если
вдруг в середине недели возникнет случайный пик активности пользователей,
провайдер предоставит вновь то количество ресурсов, которое необходимо.
194

Общепринята точка зрения, что использование технологии облачных
вычислений в условиях случайного спроса позволяет пользователям сократить
информационно-технологические издержки вне зависимости от структуры
спроса (см., например, [1, 2]). Доклад представляет возражения к этой точке
зрения, основанные на рассмотрении моделей дискретного и непрерывного
случайного спроса на компьютерную полезность.
Рассмотрим вначале модель, в которой спрос на компьютерную полезность
представляет собой случайный процесс с непрерывными состояниями.
Предполагается, что спрос в каждую единицу времени измеряется числом Q
обращающихся за нею пользователей и представляет собой дискретную
случайную величину, принимающую значение qmin

с вероятностью p и

значение qmax с вероятностью 1–p. Арендная плата за единицу компьютерной
полезности составляет cy, себестоимость единицы компьютерной полезности в
единицу

времени

равна

cp

(стоимости

оборудования,

программного

обеспечения и обслуживания в единицу времени). При этом предполагается,
что qmax > qmin, cy > cp, 0 <p <1.
Если развертывать собственный центр обработки данных, то чтобы не
терять клиентов, он должен иметь постоянную вычислительную мощность qmax,
и стоимость владения таким центром в единицу времени будет составлять
cp qmax. Если получать компьютерную полезность по технологии облачных
вычислений, то средняя стоимость фактически оплаченных услуг в единицу
времени будет равна cy(qmin p + qmax(1–p)).
Условие выгодности развертывания собственного центра обработки
данных выглядит следующим образом: cpqmax < cy(qmin p + qmax(1–p)). Анализ
эквивалентного неравенства 1–(cy –cp) /cy p < qmin/qmax позволяет сделать вывод о
том, что использование информационно-технологических услуг по принципам
облачных вычислений выгодно либо при цене аренды, сопоставимой с ценой
покупки, либо при большой вероятности низкого спроса, либо при большом
разрыве между минимумом и максимумом спроса. Если же ни одно из

195

указанных условий не выполняется, то для пользователя предпочтительнее
традиционная модель развертывания собственного центра обработки данных.
Перейдем к рассмотрению модели, в которой спрос представляет собой
случайный процесс с непрерывными состояниями. Будем теперь считать, что
спрос Q представляет собой некоторую произвольную случайную величину,
заданную функцией распределения F. Теперь спрос теоретически может быть
сколь угодно большим, но вероятность больших значений спроса близка к
нулю. Обозначим r – прибыль, которую приносит использование единицы
компьютерной полезности, а qp– количество ресурсов, приобретаемых в
собственный центр обработки данных, необходимое, чтобы с заданной
вероятностью γ владение собственным центром обработки данных было
выгоднее использования облачных вычислений: P{cpqp + r(Q – qp) < crQ}= γ.
В левой части неравенства – сумма себестоимости владения центром обработки
данных и недополученной прибыли. Преобразование последней формулы дает
qp = F–1(γ)(r – cr)/(r – cp).

Поскольку

r > c r > c p,

развертывание

собственных

–1

вычислительных мощностей невыгодно при F (γ) < 0. Но, например, если спрос
распределен по нормальному закону с положительными параметрами a и σ, то
критическая точка F–1(γ) будет всегда положительна, т. е. использование
облачных вычислений нецелесообразно.
Таким образом, можно сделать вывод, что облачные вычисления эффективны
для таких клиентов, которые предъявляют спрос, представляющий собой
случайный процесс с дискретными состояниями, и при этом велика вероятность
низкого спроса, либо велик разрыв между минимумом и максимумом спроса, либо
цена аренды программного обеспечения сопоставима с ценой его покупки. Если
же спрос описывается случайным процессом с непрерывными состояниями, то
применение облачных вычислений неэффективно.
Литература
1. Marston S., Li Zh., Bandyopadhyay S. et al. Cloud computing – The business perspective //

Decision Support Systems. – 2011. – V. 51. – P. 176-189.
2. Weinman J. Mathematical proof of the inevitability of cloud computing. – 2011. –
http://www.JoeWeinman.com/Resources/Joe_Weinman_Inevitability_Of_Cloud.pdf.
3. Weinman J. The 10 laws of cloudonomics. – GigaOM. – 2008. –
http://GigaOM.com/2008/09/07/the-10-laws-of-cloudonomics.
196

Оптимальные стратегии монетизации доходов
на олигопольном рынке программного обеспечения как услуги
В.И. Соловьев, А.М. Щедрина
Институт гуманитарного образования и информационных технологий
105264, Москва, Верхняя Первомайская ул., д. 53;
e-mail: visoloviev@ya.ru
Ключевые слова: интеллектуальные товары; программное обеспечение как услуга; модель
олигополии.

Программное обеспечение как услуга – такая форма распространения
программного обеспечения, при которой поставщик разрабатывает вебприложение, размещает его на собственном веб-сервере и самостоятельно
управляет им, предоставляя заказчикам доступ к программному обеспечению
через интернет.
При этом возможны различные способы монетизации доходов от
распространения программного обеспечения как услуги. Одним из таких
способов является предоставления пользователям доступа к программному
обеспечению, размещенному на серверах провайдера, на условиях аренды с
периодической оплатой по подписке. При этом в качестве единицы тарификации
может выступать запись в базе данных, пользователь, единица трафика и др.
Другой распространенной моделью бизнеса на рынке программного
обеспечения как услуги является его бесплатное предоставление пользователям
с монетизацией доходов от размещения рекламы либо предоставления платных
дополнительных услуг и функциональности.
Например, корпорация Google бесплатно предоставляет почтовый сервис
Gmail, офисный сервис Google Docs, а за расширенную плату (50 долл. США за
рабочее место в год) можно получить доступ к приложению как услуге Google
Apps,

предоставляющему

расширенные

возможности

для

работы

с

корпоративной почтой, документами и др.
Преимущества

модели

бизнеса,

основанной

на

распространении

программного обеспечения как услуги, представляются очевидными (см..
например, [1]). Для пользователя это мультиплатформенность; отсутствие
издержек по установке, настройке, обновлению и поддержке, быстрота
197

внедрения; возможность приостановки выплат разработчику одновременно с
приостановкой

использования

программного

обеспечения.

С

позиции

разработчика данная модель бизнеса также имеет существенные преимущества:
полностью исключается компьютерное пиратство; существенно снижаются
издержки по оказанию пользователям технической поддержки; пользователи не
могут отказаться от услуг разработчика и продолжать использовать систему
самостоятельно. Кроме того, разработчик обслуживает единое программное
ядро, которым пользуются все клиенты, поэтому значительно уменьшаются
издержки по управлению отдельными копиями программного обеспечения.
Доклад посвящен конкуренции на рынке программного обеспечения как
услуги. Рассматриваются два конкурента, у каждого из которых есть выбор из
четырех моделей бизнеса:
s) подключение пользователей к продукту (s) на условиях платной подписки;
a) бесплатное подключение пользователей к продукту (a) и получение
доходов от размещения в этом продукте рекламы;
h) гибридная модель, предполагающая подключение пользователей к
продукту (h) по подписке и в то же время размещение в этом продукте рекламы;
d) одновременное предложение двух продуктов: бесплатного со встроенной рекламой
(a), и распространяемого по платной подписке (s), в котором реклама отсутствует.
Моделирование

конкуренции

таких

разработчиков

программного

обеспечения проводится с помощью аппарата теории игр. Функции спроса
считаются линейными, причем предполагается, что точки пересечения функций
спроса на программное обеспечение, в которое встроена реклама, с осью цен
квадратично зависит от числа  рекламных показов в единицу времени
αa(v) = αs –оβv2, где αs – точка пересечения с осью цен функции спроса на
программное обеспечение, свободное от рекламы, и спрос на программное
обеспечение со встроенной рекламой сохраняется до тех пор, пока интенсивность
рекламных показов не скомпенсирует ценность программного обеспечения.
Каждый разработчик программного обеспечения в рамках выбранной им
стратегии (т. е. модели бизнеса) решает задачу максимизации прибыли путем
198

выбора оптимальных тактических решений о цене ps подписки на программное
обеспечение как услугу и интенсивности  показа рекламы (при заданном
доходе pa от одного показа).
Случай монопольного положения разработчика программного обеспечения
как услуги в данных предположениях рассматривался в работах [1, 2], где было
доказано, что модель распространения программного обеспечения как услуги с
одновременным предложением платной подписки на программное обеспечение без
встроенной рекламы и бесплатного программного обеспечения, в который реклама
встроена, всегда доминирует модели, предполагающие только предложение
платной подписки или встраивание рекламы в платное программное обеспечение, и
доминирует модель распространения бесплатного программного обеспечения с
рекламой без взимания платы с пользователей при большой цене рекламного показа
или при большой потребительской ценности программного обеспечения.
Случай конкуренции отличается от ситуации, в которой разработчик
программного обеспечения как услуги находится в монопольном положении.
Наличие конкурента приводит к изменению стратегии. Так, возможны
ситуации, в которых оптимальной стратегией одного из конкурентов является
предложение только платного продукта либо одновременное предложение двух
продуктов (бесплатного с рекламой и платного без рекламы). В докладе
обсуждаются конкретные условия, при которых эти стратегии оптимальны.
Представляется, что дальнейшим развитием исследований в данном
направлении будет модификация модели путем введения в рассмотрение,
помимо конкурентов, предлагающих программное обеспечение как услугу,
также

конкурентов,

распространяющих

программные

продукты

традиционными способами – на условиях коммерческих и открытых лицензий.
Литература
1. Соловьев В.И. Стратегия и тактика конкуренции на рынке программного обеспечения:
Опыт экономико-математического моделирования. – М.: Вега-Инфо, 2010.
2. Соловьев В.И. Выбор оптимальной модели бизнеса на монопольном рынке программного
обеспечения как услуги // Микроэкономика. – 2010. – № 6. – С. 370-376.

199

Цены энергии как фактор, воздействующий на размеры теневой экономики:
межстрановый анализ
Н.И.Суслов, С.Д. Агеева
Новосибирский государственный университет
630090, Новосибирск-90, ул. Пирогова, д. 2;
e-mail: nsus@academ.org

В основе нашего эмпирического анализа переменных размеров ТЭ (ТЭ)
лежит теоретическая модель, развитая в работе [1], описывающая поведение
фирмы, которая решает, какую часть полученного дохода ей выгодно укрыть от
налоговых и регулирующих органов. Представительная фирма, выбирая,
сколько дохода она «уводит» в тень, решает следующую задачу:

k  (Y2 ) 2 
max 1  t  r   (Y  Y2 )  R (T )  Y2 

Y2
2 


(1)

где Y – есть весь доход фирмы, Y2 – ее теневой доход, t – есть ставка
налогообложения, r – параметр бюрократических издержек, связанных с
чрезмерным регулированием, k – параметр эффективности юридической
системы, R(T) – норма отдачи от средств, инвестируемых легально, T – весь
объем налоговых поступлений в государственный бюджет и при этом

dR
0.
dT

Таким образом, в данной модели принимается, что весь легальный чистый
доход фирмы инвестируется, а отдача указанных инвестиций тем выше, чем
выше общие налоговые сборы государства, а, следовательно, чем выше
предложение общественных благ и качество регулирования. Одновременно у
агентов есть стимул для сокрытия деятельности, который тем сильнее, чем
выше налоговая нагрузка и бюрократические издержки, а также чем ниже
эффективность контроля.
В данную модель мы вводим модификацию, связанную с учетом
воздействия на параметры модели изменения относительной цены энергии. Мы
предполагаем, что параметр R зависит также от средних реальных издержек:
R  R(T , ACOST ) , так, что

R
R
 0 , принимая, что рост издержек
0 и
T
 ( ACOST )

200

снижает отдачу от инвестиций. В равновесном состоянии объем теневого
дохода равен
Y2 

1
 (t  r )  R (T , ACOST ) , если Y2<Y, и
k

(2a)

Y2=Y в противном случае.

(2b)

Таким образом, изменение относительной цены энергии, увеличивая
издержки ACOST, может, по крайней мере, временно, породить тенденцию к
росту теневой экономики даже если институциональные условия при этом не
затрагиваются. Теоретически, изменение структуры цен должно немедленно
вызвать приспособление структуры используемых факторов производства с
уменьшением доли тех из них, которые стали относительно дороже, т.е. при
относительном росте цены энергетического фактора – с уменьшением
использования

энергии.

Однако

имеются

серьезные

эмпирические

свидетельства о том, что эффект от повышения цены энергии, выражающийся в
снижении энергоемкости производства, лишь частично проявляется сразу, а в
большей степени складывается в рамках длительных периодов времени [2].
Поскольку

энергопотребляющее

оборудование

обычно

имеет

жесткие

требования к количеству потребляемой энергии на единицу выпуска, то полная
реакция системы на рост цен энергоресурсов имеет место только с
достижением полной замены этого оборудования новым, что может занять
достаточно длительный период времени. Тогда можно ожидать, что размеры
ТЭ весь этот период будут выше своих равновесных значений.
Использованный нами метод оценки размеров ТЭ – метод анализа спроса
на

деньги

–

основан

на

предположении,

что

теневые

транзакции

осуществляются с помощью наличных денег с целью ухода из-под контроля
регулирующих органов – см. [3]. Мы использовали спецификацию, которая
несколько отличается от первоначально предложенной. Во-первых, вместо
переменной доли оплаты труда в ВВП спецификация для оценивания включает
долю субсидий и других трансфертов в ВВП. По сравнению с периодом, когда
метод спроса на деньги возник и получил распространение, переменная оплаты
201

труда потеряла свою объясняющую силу, по-видимому, в связи с развитием
новых технологий денежных выплат и платежей; вторая переменная
оказывается значимой поскольку, как можно предположить, субсидии и другие
трансферты имеют достаточно высокий уровень монетизации. Другое отличие
состоит в том, что вместо переменной налоговой нагрузки, входившей в
классическую модель, используется интерактивная переменная, построенная
как произведение переменной налоговой нагрузки и одного из индексов
качества

институтов –

«Верховенства

закона».

Поскольку переменная

«Верховенство закона» устроена таким образом, что она имеет положительные
значения для экономик с хорошими институтами и отрицательные – для тех, в
которых институты плохие, то отрицательный знак коэффициента регрессии
при этой переменной вполне объясним. Ее включение

в регрессию

соответствует представлению о том, что рост уровня налогов по-разному
воздействует на размеры ТЭ в странах с хорошими и плохими институтами –
[1]. В странах с хорошими институтами рост доли налогов в ВВП означает
увеличение налоговых доходов, а значит и предложения общественных благ и
улучшение качества регулирования, снижающих размеры ТЕ. Для стран с
плохими институтами рост доли налогов в ВВП означает увеличение налоговой
нагрузки, и, следовательно, увеличение размеров ТЭ.
В своих оценках влияния цен на энергию на размеры ТЭ мы использовали
две выборки переменных доли теневого сектора в ВВП: показатели,
построенные

на

основе

результатов

применения

многофакторной

многоиндикаторной модели (MIMIC) [4], и данные, построенные нами на
основе метода спроса на деньги. Анализ проведен на основе панельных
моделей как со случайными, так и с постоянными эффектами и включением в
регрессию

еще

экономической

одного
политики».

индекса

качества

Результаты

институтов

показали

–

высокую

«Качество
значимость

регрессора относительной цены энергии, что позволяет сделать вывод о том,
что в тех странах, где уровень реальной цены на энергию выше, при прочих
равных условиях был выше и уровень ТЭ. Это может объясняться стремлением
202

фирм компенсировать более высокие издержки за счет дополнительной
экономии на налоговых платежах и социальных выплатах, что определяет их
более высокую степень сокрытия доходов. При этом рост относительной цены
энергии при равных прочих условиях приводил также к увеличению размеров
ТЭ, что поддерживает нашу гипотезу.
Литература
1. Friedman, E., Johnson, S., Kaufmann, D. and Zoido-Lobaton, P. Dodging the grabbing hand: The
determinants of unofficial activity in 69 countries// Journal of Public Economics, 76/6.
2. Sweeney, J. The Response of Energy Demand to Higher Prices: What Have We Learned// The
American Economic Review 74/2, 1984, P. 31-37.
3. Tanzi, V. The Underground Economy in the United States: Annual Estimates, 1930-1980// IMFStaff Papers, 30/2, 1983, P. 283-305.
4. Schneider, F., Buehn, A. and Montenegro, E. Shadow Economies all over the World: New
Estimates for 162 Countries from 1999 to 2007, Electronic Publication, Name of file: SHADOW
ECONOMIES_June8_2010_Finalversion.doc, 2010.

Потребительские предпочтения как источник ресурсного проклятия
в неоклассической модели роста 1
Ф.А. Ущев
НИУ ВШЭ, СПб
190008, Санкт-Петербург, ул. Союза Печатников, д. 16;
e-mail: ph.ushchev@gmail.com
Ключевые слова: neoclassical growth model, resource curse, Dutch disease.

На сегодняшний день имеется обширная литература по теории ресурсного
проклятия. Само это понятие, а также связанные с ним модели возникли как
попытка теоретического обоснования того, что страны, изначально более
богатые природными ресурсами часто демонстрируют более низкие темпы
экономического роста, чем сравнительно бедные природными ресурсами страны.
Существуют два основных варианта теории ресурсного проклятия. Первый
вариант – это теория так называемой голландской болезни [4,7,8]. Голландская
болезнь состоит в том, что в результате открытия в стране новых
месторождений природных богатств инвестиции и факторы производства
перетекают

из

промышленность.

обрабатывающей
Так

как

промышленности

обрабатывающая

в

добывающую

промышленность

является

основным двигателем долгосрочного роста экономики, открытие новых
1

Исследование осуществлено в рамках программы фундаментальных исследований НИУ ВШЭ в 2011 году

203

месторождений приводит к увеличению темпов экономического роста в
коротком периоде, но в длительном периоде может иметь место падение темпов
роста ниже первоначального уровня.
Альтернативная теория ресурсного проклятия состоит в том, что изобилие
природных богатств является проклятием не само по себе, а в сочетании с
неэффективными институтами [5,6]. Этот ослабленный вариант ресурсного
проклятия назван в [2] «условным» ресурсным проклятием.
Существуют и другие подходы к моделированию ресурсозависимости
стран и регионов. В частности, делаются попытки объяснить ресурсное
проклятие на основе чисто неоклассических соображений, без привлечения
элементов теории эндогенного роста [1,3].
В работе предлагается модель, также разработанная в рамках чисто
неоклассического подхода и позволяющая выявить ещё один возможный
источник возникновения ресурсного проклятия.
В модели репрезентативный отечественный потребитель решает задачу:


max  u (c, z ) e  t dt
0

при ограничении:

dk
 f ( k )  R  (  n) k  (c  pz ) .
dt

Здесь использованы обозначения:
 c – потребление благ отечественного производства;
 z – потребление импортных благ;
 u(c, z) – моментная функция полезности потребителя, удовлетворяющая
свойствам монотонности и строгой вогнутости;
 k – среднедушевой запас капитала;
 f (k) – среднедушевой доход, не связанных с экспортном природных ресурсов;
 R – экзогенно заданный доход от экспорта природных ресурсов;
 p – реальный обменный курс;
 μ – норма износа капитала;
 n – темп прироста рабочей силы.

204

Предполагается, что отечественный товар не торгуется на мировом рынке,
на него есть спрос только внутри страны. Таким образом, рассматривается
страна, являющаяся экспортером исключительно природных ресурсов.
Проведен анализ краткосрочных и долгосрочных равновесий. Под
краткосрочным равновесием понимается равновесие при фиксированном
реальном обменном курсе.
Долгосрочное равновесие определяется, исходя из дополнительного
условия, что спрос на импортные товары должен быть равен экзогенно
заданному среднемировому спросу на эти товары. В противном случае, если
отечественный спрос на импортные товары превышает среднемировой, то
реальный обменный курс растет, а в противоположной ситуации падает. Это
формализуется при помощи следующего уравнения динамики обменного курса:

dp
 λ ( z  ξ) .
dt
Здесь ξ – среднемировой уровень спроса на импортный товар, Основной
результат, связанный с анализом краткосрочных равновесий, дается следующей
теоремой.
Теорема. Если импортное потребительское благо нормально, то может
реализоваться одна из трех ситуаций:
a)

Отечественное потребительское благо нормально, и траектория
сбалансированного роста (k * , c * , z * ) представляет собой седловую точку;

b)

Отечественное потребительское благо малоценно, и траектория
сбалансированного роста (k * , c * , z * ) представляет собой седловую точку;

c)

Отечественное потребительское благо малоценно, и траектория
сбалансированного роста (k * , c * , z * ) глобально неустойчива.

Смысл теоремы состоит в том, что характер реакции краткосрочноравновесной траектории модели на рост ресурсных доходов зависит от
структуры потребительских предпочтений. Получены необходимые условия
возникновения в результате роста ресурсных доходов кризиса платежного

205

баланса, выражающегося в глобально неустойчивой динамике. Это явление
интерпретируется как еще одна возможная форма ресурсного проклятия.
Литература
1. Матвеенко В.Д. Теория экономического роста и динамика российской экономики //
Записка научных семинаров ПОМИ, Т. 312 (2004), 215 – 238.
2. Полтерович В.М., Попов В.П., Тонис А. Механизмы ресурсного проклятия и
экономическая политика // Вопросы экономики, №6 (2007), 4 – 27.
3. Gylfason, T., T.T. Herbertsson, G. Zoega. A mixed blessing: Natural resources and economic
growth // Macroeconomic Dynamics, 3 (1999), 204 – 225.
4. Krugman P. The Narrow Moving Band, the Dutch Disease, and the Competitive Consequences of
Mrs. Thatcher: Notes on Trade in the Presence of Dynamic Scale Economies // Journal of
Development Economics, 27 (1987), 41 – 55.
5. Lane P.R., Tornell A. The Voracity Effect // American Economic Review, 89 (1999), 22 – 46.
6. Mehlum H., Moene K. O., Torvik R. Institutions and the Resource Curse // Economic Journal,
Royal Economic Society, vol. 116(2006), 1-20.
7. Sachs J., Warner A. Natural Resource Abundance and Economic Growth // NBER working paper
series. Working paper No 5398 (1995).
8. Torvik R. Learning by Doing and the Dutch Disease. European Economic Review, 45 (2001), 285 – 306.

Моделирование целевых передвижений населения на досетевом уровне
В.П Федоров1, Л.А.Лосин2
1

СПб ЭМИ РАН, ул. Чайковского, д. 1, Санкт-Петербург, 191187;
e-mail: fed@emi.nw.ru
2
ЗАО «Петербургский НИПИград» ул. Зодчего Росси, д.13, Санкт-Петербург, 191011
e-mail; leonid@nipigrad.spb.ru
Ключевые слова: пассажирские и транспортные потоки, прогноз, градостроительное проектирование.

Современная практика развития городов мира демонстрирует все
возрастающую

взаимосвязь

между

подсистемами

индивидуального

и

общественного транспорта, поэтому одной из наиболее актуальных тем
исследований

в

сфере

транспортно-градостроительного

проектирования

становится тема изучения взаимодействия различных подсистем в рамках
функционирования транспортной системы города в целом. На этапе разработки
градостроительной документации уровня генерального плана городского
округа (особенно применительно к крупным и крупнейшим городам) в рамках
планирования мероприятий по развитию улично-дорожной сети и сети
городского пассажирского транспорта необходимо представлять, какую роль в
работе транспортной системы города будут играть ее основные подсистемы. В
первую очередь это относится к двум базовым подсистемам: индивидуального
и общественного транспорта, но аналогичная задача возникает и при поиске
206

соотношения

между

отдельными

видами

городского

пассажирского

транспорта, например между уличным и внеуличным транспортом. Таким
образом, ставится задача поиска рационального соотношения уровней развития
подсистем

в

условиях

ограничений,

накладываемых

территориальным

ресурсом и финансовыми возможностями города.
Важность проведения предварительных исследований в масштабе города в
целом определяется тем, что решения по трассировке магистральной уличнодорожной сети, линий городского пассажирского транспорта (в первую очередь,
скоростного рельсового транспорта), а также размещению обслуживающих
предприятий, закрепленные в генеральном плане, станут основанием для выделения
земельных участков и установления планировочных ограничений на весь срок
действия генерального плана (как правило, 20 лет). На проектные предложения,
сформированные в составе генерального плана, будут ориентированы также
решения отраслевых схем и планировочной документации более низкого уровня.
Традиционным инструментом, используемым при разработке проектов
генеральных планов городов, комплексных транспортных схем, генеральных схем
размещения крупных функциональных объектов и.т.п., является математическое
моделирование. Изменение транспортной ситуации в городах в последние годы,
трансформация методологии градостроительного проектирования, а также
появление новых технических возможностей совершенствования моделей, дают
толчок к разработке целого ряда новых содержательных постановок задач,
уточнению и совершенствованию разработанных ранее[1-3].
Как правило, методы математического моделирования в градостроительстве
используются для анализа проектных решений и выбора рационального варианта
на основе системы критериев и показателей. При этом формирование вариантов
развития улично-дорожной сети и сети городского пассажирского транспорта
производится практически без использования инструментов моделирования. В
то же время, применение таких инструментов позволило бы проектировщикуградостроителю получить предварительную оценку соотношения компонентов
транспортной

системы

размещению

мест

на

основе

приложения

проектных
труда

с

данных
учетом

по

расселению,

ограничений

по

капиталовложениям в развитие транспортной системы. Иными словами, ставится
задача разработки инструмента оптимизации структуры транспортных систем
207

городов при заданном уровне капиталовложений в инфраструктуру и заданных
параметрах размещения основных функциональных зон.
Исследования в области разработки таких инструментов базируются на
транспортных моделях досетевого уровня. В настоящей работе представлен
анализ возможности использования моделей досетевого уровня при решении
описываемых задач. Авторами проанализированы зависимости параметров
трудовых и деловых передвижений (дальность и время) в городах, вычисленные
по улично-дорожной сети и по воздушным линиям (с учетом наличия преград)
для подсистем индивидуального и общественного транспорта. На примере
разных городов выявлены закономерности влияния конфигурации и параметров
улично-дорожной сети и сети городского пассажирского транспорта на
показатели дальности и времени передвижения, смоделированные без учета
сетевых ограничений. Анализ полученных зависимостей позволяют очертить
границы

применения

моделей

досетевого

уровня

в

транспортно-

градостроительном проектировании, оценить точность их использования,
выработать подходы к использованию таких моделей для конкретных проектов.
Литература
1. Мягков В.Н., Пальчиков Н.С., Федоров В.П. Математическое обеспечение
градостроительного проектирования (под ред. Б.Л.Овсиевича). - Л.: Наука, 1989. 145 с.
2. В.П.Федоров, Н.В.Булычева, О.М.Пахомова, Л.А.Лосин. - Модель формирования
межрайонных корреспонденций в транспортных системах крупных городов // Транспорт
российской федерации. – С-Петербург. ООО Т-Пресса. – 2008. – № 3-4. – С. 64-67.
3. Федоров В.П., Пахомова О.М., Лосин Л.А. Булычева Н.В Анализ проблем транспортной
системы центра крупного города: опыт применения методов математического
моделирования // Управление развитием территории– 2009– № 4. – С. 18-25.

Динамика развития общественного и индивидуального транспорта
В.П.Федоров, О.М. Пахомова, Н.В.Булычева
СПб ЭМИ РАН, ул. Чайковского, д. 1, Санкт-Петербург, 191187
e-mail: fed@emi.nw.ru
Ключевые слова: пассажирские и транспортные потоки, прогноз.

Все возрастающая взаимосвязь между подсистемами индивидуального и
общественного транспорта становится одной из наиболее актуальных тем
исследований в сфере транспортно-градостроительного проектирования. В
условиях

ограничений,

накладываемых

территориальным

ресурсом

и

финансовыми возможностями города, создание методов математического
208

моделирования для экспертного анализа пассажирских и транспортных потоков
требуется, в первую очередь, для поиска путей снижения потоковой нагрузки в
транспортных системах крупных городов. Создание возможности альтернативных
вариантов

передвижения,

«оттягивающих»

на

себя

часть

нагрузки

с

перегруженных магистралей, введение мер экономического регулирования,
передислокация объектов, являющихся целью передвижения – это меры, оценка
эффективности внедрения которых является весьма непростой задачей. Важной
составляющей моделирования и анализа является исследование динамики
транспортных

потоков.

В

приведенной

ниже

таблице

представлена

характеристика транспортного комплекса Санкт-Петербурга по годам: графы р60р80- – материалы института Генплан за 1980 г, p85_v -p95_v – их же прогноз,
pr94 - pr2015 – расчетные показатели, полученные с помощью разработанного
авторами программного комплекса, реализующего модели прогноза пассажирских
и транспортных потоков[1-4]. Как видно из таблицы, индивидуальный транспорт
не рассматривался в качестве альтернативы общественному транспорту даже в
прогнозе на 1995 год (в 1995 году на тысячу жителей приходилось меньше 50
автомобилей). В 2004 году при разработке Генерального плана развития СанктПетербурга по заказу ЗАО «Петербургский НИПИград» Центром мониторинга
социальных

процессов

факультета

социологии

Санкт-Петербургского

Государственного Университета проведено социологическое обследование по
теме: «Исследование потребностей жителей Санкт-Петербурга в услугах
городского пассажирского транспорта». Данным исследованием установлено, что
в том году приходилось 556 поездок на одного жителя в год на общественном
транспорте и 150 – на легковом индивидуальном транспорте.
По прогнозу (2005г), принятому в Генеральном плане, в 2015г. ожидается
350 автомобилей на тысячу жителей, а в 2025г. – 420., там же констатировалось,
что пропускная способность магистральной сети города, особенно в его
центральных районах, оказалась практически исчерпанной, что привело к
возникновению транспортных «заторов» в пиковые часы не только на основных
магистралях центра, но и за его пределами. Величина среднего количества
людей, включая водителя, в легковом транспортном средстве в 2001 году
составляла 1,845 человек в автомобиле, в 2006 году – 1,45 человек в автомобиле.
209

Таблица 1.
p60

p65
3573
0

p70
3930
0

p75
4165
0

p80
4385
0

p85_v
4548
0

p90_v
0
0

pr94
4863
3010

p95_v
4686
0

pr2004
4628
3100

pr2011
4670.60
3160

pr2015
5000.0(4600)
3265

0
40
0
32,7
0
16,1
0

0
52
0
32,8
0
16,3
0

0
61
0
32,9
0
16,7
0

0
81
0
33,5
0
17,1
0

0
102
0
33,4
0
17,1
0

0
132
0
33,4
0
0
0

90
0
88,1
0
34,8
39,3
16,3
8.3

0
0
0
0
0
0

570
0
96,6
0
36,7
41,4
15,3
9.30

770
0
107,3
0
33,8
38,3
15,3
9.0

840
0
131.60
0
35
37,5
13,4
9.7

0
0
0
0
0

6,5
3,4
3
4,6
0

7,2
3,6
3,3
4,2
0

8,3
3,5
3,2
3,8
0

8,9
3,3
2,9
3,4
0

9,8
3,2
2,7
3,1
0

10,2
3,2
2,7
3,1
0

Время среднее труд. 0
передвижений на
общ. тр.

39

42

43

44

48

10,8
4,3
4,3
4,3
19,7
23.4
56.1

11,6
4,1
0
0
19,7
21.9
51,4

0
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0

0
0
0
0
0
1
0
0
0
0

19,2
30,5
15,5
0
21,9
20,9
56
0
2727
930

19,9
31,5
18,5
0
20,8
21,9
63,
0
2585
1327

Население (тыс.чел.) 3240
Самодеят нас.
0
.
тыс.чел-.\тран.
контингент весь
индивид. тр
0
метро
24
0
Cкорость
на метро
0
на ж.д.
0
на назем. тр.
0
Средняя дальность 0

Протяжён км

труд. передвижений
на общ. тр.
метропол., км
трамвай
троллейб., км
автобус
ж.д.
индив тр

на метро
ж.д.
наз тр

Индив. тр.
время
дальность
скорость

Пасс. работа
метро
ж.д.

0
0
0
0
0
0
0
0
0
0

210

10,5
3,2
2,6
3,1
0

0

10,3
3,4
3,4
3,4
22,1
10.3
43,3

0

11,8
3,3
3,3
3,3
19,4
16.2
52,7

0
0
0
0
0
0
0
0
0
0

17,6
32,2
12,6
0
16,1
10,7
39,8
0
2597
1632

0
0
0
0
0
0
0
0
0
0

19,4
31
13
0
29,9
20,1
40,4
0
2649
1533

В мире на рубеже XXI столетия ситуация начинает существенно меняться.
Автомобилизация экономики и быта постепенно становится все более
бессмысленной. В Японии имеется внушительный парк легковых автомобилей,
однако

японцы

вынуждены

все

чаще

пользоваться

железнодорожным

транспортом (метрополитеном, скоростными железными дорогами и т.д.).
Пассажирооборот железнодорожного транспорта в стране в 1997 г. достиг 404
млрд. пассажиро-километров, что почти вдвое превышает пассажирооборот
железнодорожного транспорта Германии, Франции, Великобритании и Италии
вместе взятых (для сравнения – в России 180 млрд. пассажиро-километров).
Следующая таблица иллюстрирует взаимосвязь между потреблением энергии
(имеется в виду бензин) и долей людей в городе, не пользующихся личным
автомобилем при поездках на работу [5]. Кроме того просматривается связь
между плотностью населения и этими показателями.
Таблица 2.

Вашингтон
Чикаго
Штутгарт
Мюнхен
Москва
Варшава
Лиссабон
Гонг Конг
С-Петербург

Средняя
плотность
чел. и мпт\га
23.5
23.5
54.5
91.5
231.0
82.0
39.0
424.0
50.0

Доля жителей не пользующихся
индивидуальным транспортом
при поездках на работу
12.5
12.5
41.0
59.5
73.5
71.5
52.0
84.0
69.1

Потребление
энергии
в мегадж\чел
51000
44000
21500
21500
10300
9900
9700
5400
0.0

Площадь
в тыс. га
261.0
530.0
67.5
24.0
70.5
33.0
96.0
23.5
143.7

В С-Петербурге пока улучшают автомобильные трассы. В период с 1985
по 2011г было завершено строительство кольцевой автомобильной дороги
(КАД) и южной части Западного скоростного диаметра (ЗСД) с автодорожными
подходами и пересечениями; построены новые мосты (Большой Обуховский,
Лазаревский); построено Митрофаньевское шоссе (дублер Московского пр.),
улучшившее

связь

центра

и

южных

районов,

несколько

тоннелей,

транспортных развязок и пешеходных переходов; появилось более двадцати
разгружающих стоянок; со значительного количества улиц, особенно в центре,
убрали трамвайные пути, освобождая место для автомобилей. Однако
212

транспортная ситуация в городе остается тяжелой. Один из новых крупных
проектов – строительство КАД-2 на основе уже имеющейся бывшей военной
трассы А-120 («бетонка»), что даст возможность минимально затрагивать
земли, находящиеся в частной собственности.
Далее приводятся таблицы с затратами на развитие общественного и
индивидуального транспорта в С-Петербурге, они вполне сравнимы.
Таблица 3. Затраты на осуществление мероприятий по развитию городского
пассажирского транспорта (млн. $).
Название сферы
вложений

Новое строительство

Реконструкция

Итого за

Всего
Всего
2004-2015
2004-2010 2010-2015 2004-2015 2004-2010 2010-2015 2004-2015

Метрополитен

1597.0

2769.5

4366.4

89.3

115.3

204.7

4571.1

Надземный экспресс

120.0

280.0

400.0

0.0

0.0

0.0

400.0

Скоростной трамвай

7.3

17.1

24.4

0.0

0.0

0.0

24.4

Трамвай

0.0

0.0

0.0

131.5

131.5

263.1

263.1

Автобус (включая
маршрутные такси)

8.5

4.0

12.5

75.8

108.6

184.4

196.9

Электрички для
городского сообщения 2.1

4.9

7.0

0.0

0.0

0.0

7.0

3075.4

4810.3

296.6

355.5

652.2

5462.5

1734.9

Итого

Таблица 4. Капитальные вложения, требуемые для развития системы обслуживания
автомобильного транспорта Санкт-Петербурга в период 2004-2015гг.,
(млн. $.)
Название
сферы
вложений
Гаражипаркинги
Автостоянки
АЗС
АСТО
ИТОГО

Новое строительство
Реконструкция
ИТОГО
Всего
Всего
2004-2010 2010-2015 2004-2015 2004-2010 2010-2015 2004-2015
1018

1936

2954

119
66
368
1572

38
76
363
2413

157
142
732
3985

5

22
27

7

31
38

12

2 966

53
65

157
142
784
4 049

Литература
1. В.П.Федоров, О.М.Пахомова, П.В.Михайлов, Н.В.Булычева. Математические модели
прогноза транспортных потоков в условиях высокого уровня
автомобилизации.//
Экономико-математические исследования: математические модели и информационные
технологии.VI. Сборник трудов Санкт-Петербургского экономико-математического
института РАН. – СПб. Нестор-История. – 2007. – С.123-146
2. Федоров В.П., Лосин Л.А. // Пробки в мегаполисе: современные технологии ликвидации. /Под
общ.ред. Н.Г.Ананова. – СПб: международный центр социально-экономических исследований
«Леонтьевский центр». - Экономико-математическое моделирование как инструмент решения
современных транспортных проблем Санкт-Петербурга. – 2008 – С. 67-73.
213

3. В.П.Федоров, Н.В.Булычева, О.М.Пахомова, Л.А.Лосин. - Модель формирования
межрайонных корреспонденций в транспортных системах крупных городов // Транспорт
российской федерации. – С-Петербург. ООО Т-Пресса. – 2008. – № 3-4. – С. 64-67.
4. Федоров В.П., Пахомова О.М., Лосин Л.А. Булычева Н.В Анализ проблем транспортной
системы центра крупного города: опыт применения методов математического
моделирования // Управление развитием территории – 2009– № 4. – С. 18-25.
5. http://www.mlit.go.jp/common/000053795.pdf

Децентрализация природоохранного регулирования
применительно к водным ресурсам
А.А. Фридман
Научно исследовательский университет Высшая школа экономики
Россия, 101000, г. Москва, ул. Мясницкая, д. 20;
e-mail: afriedman@hse.ru
Ключевые слова: децентрализация, загрязнение воды, благосостояние, несовершенство
информации.

Уровень

централизации

природоохранной

деятельности

существенно

варьируется даже в развитых странах. Существует целый ряд аргументов как за,
так и против централизованного подхода. Децентрализация природоохранных
решений с одной стороны позволяет учесть дифференциацию в предпочтениях
агентов, а, с другой стороны, порождает проблему внешних воздействий [2]. Кроме
того, децентрализация может приводить к установлению слишком мягких
природоохранных стандартов [3].
Эмпирические исследования [1, 4] также дают неоднозначные результаты. В
частности, в работе Сигман [4] показано, что в тех штатах США, где контроль за
состоянием водных ресурсов делегирован местным властям, уровень загрязнения
вниз по течению на 4% превышает соответствующий уровень для штата, где имеет
место централизованный подход.
Децентрализация природоохранных решений позволяет не только учесть
различия

в

предпочтениях,

но

и

снизить

потери,

возникающие

при

несовершенстве информации относительно качества водных ресурсов. Цель
данного

исследования

–

провести

модельный

анализ

последствий

децентрализации, сопровождаемой снижением искажения информации о
качестве сбрасываемых в поверхностные воды стоков.
Пусть

бассейновый

округ

включает

N

населенных

пунктов,

рассредоточенных вдоль реки. В каждом пункте используемая вода обратно
214

возвращается в реку, но при этом стоки оказываются загрязненными
специфическими для данного пункта веществами. Река обладает естественными
природным механизмом абсорбции загрязнения, причем эти возможности тем
выше, чем больше расстояние между двумя источниками загрязнения. Власти
могут направлять дополнительные средства на очистку водных ресурсов в
рамках природоохранного бюджета региона.
Показано, что эффективная траектория характеризуется следующими
свойствами:
(1) предельная выгода от экстерналий должна быть равна предельным
издержкам для общества, то есть каждый рубль, израсходованный на очистку
воды, должен приносить одинаковую полезность;
(2) предельный ущерб фактического загрязнения (т.е. нанесенный ущерб,
скорректированный на коэффициент естественного природного регулирования)
должен быть одинаков для всех населенных пунктов;
(3) при наличии более эффективного природного регулирования в пункте i
по сравнению с пунктом j эффективная величина загрязнения в пункте i
оказывается более высокой.
Проведен анализ сравнительной статики, а именно, исследовано влияние
таких параметров как

коэффициент

природного регулирования,

бюджет

природоохранной деятельности и оценка водных ресурсов, на характеристики
эффективного распределения. Полученные результаты просуммированы в
следующей таблице.
Изменение экзогенного
параметра
Увеличение бюджета
природоохранной деятельности
Снижение эффективности
естественного природного
регулирования в пункте j
Снижение экологических
приоритетов населения в
пункте j

Теневая оценка Сброс загрязненных
Накопленное
бюджета
стоков в пункте i
загрязнение в пункте i
падает

растет

падает

растет

падает

растет для всех i ≠ j – 1

растет

падает при i ≠ j,
растет при i = j

растет

Рассмотрена модификация модели с несовершенством оценки качества
сбрасываемых стоков. Показано, что улучшение информации о качестве
сбрасываемых стоков в i-ом населенном пункте приведет к:
215

(1) увеличению сбрасываемых стоков в пункте i и не повлияет на
сбрасываемые стоки в других пунктах,
(2) снижению уровня загрязнения в пункте i и во всех пунктах вниз по
течению, но не повлияет на уровни загрязнения вверх по течению,
(3) увеличению общественного благосостояния.
Показано, что при совершенстве
децентрализация,

сопровождающаяся

информации о качестве стоков
эффективным

разделением

природоохранного бюджета между образующимися юрисдикциями, приводит к:
(1) росту объем сбрасываемых загрязненных стоков во всех населенных
пунктах верхней юрисдикции,
(2) падению накопленного уровня загрязнения во всех пунктах верхней
юрисдикции, кроме пограничного, и росту загрязнения в пограничном
пункте,
(3) снижению общественного благосостояния.
Итак, с одной стороны, при отсутствии искажений в измерении качества
стоков децентрализация приводит к потерям в эффективности, а, с другой
стороны, снижение искажений при оценке качества стоков влечет улучшение
общественного благосостояния.
Неоднозначный эффект децентрализации проиллюстрирован с помощью
числового примера. В этом примере проведен расчет потерь в благосостоянии
(по отношению к эффективному уровню и по отношению к первоначальному
значению) при децентрализации, сопровождающейся снижением в уровне
искажения оценки качества сбрасываемых стоков. В первоначальной ситуации
уровень искажения составлял 20%, а затем рассматривалось постепенное
снижение уровня искажения до нуля. Показано, что децентрализация
неизбежно влечет потери по сравнению с эффективным уровнем, однако по
отношению к первоначальной ситуации наблюдается снижение потерь, если
децентрализация

сопровождается

существенном

сокращением

уровня

искажений оценки загрязнения стоков.
Литература
1. Lipscomb M., Mobarak A. Decentralization and Water Pollution Spillovers: Evidence from the redrawing of County Boundaries in Brazil // IPC Working paper Series. – 2007. - No. 67.
216

2. List J., Mason Ch. Optimal Institutional Arrangements for Transboundary Pollutants in a Secondbest World: Evidence from a Differential Game with Asymmetric Players // Journal of
Environmental Economics and Management. - 2001. - Vol. 42. - P. 277-296.
3. Oats W.E, Schwab R.M. Economic Competition among Jurisdictions: Efficiency-Enhancing or DistortionInducing? // Journal of Public Economics. - 1988. - Vol. 35. - P. 333-354.

4. Sigman H. Transboundary Spillovers and Decentralization of Environmental Policies // Journal
of Environmental Economics and Management. - 2005. - Vol. 50, N 1. - P. 82-101.

Проблемы оценки общей производительности факторов для Узбекистана
Бахтишод Хамидов
Институт прогнозирования и макроэкономических исследований
Узбекистан, 100000, г. Ташкент, ул. А. Кодирий, 2;
e-mail: bahtishod_tiu@mail.ru
Ключевые слова: экономический рост, функция производства, общая производительность
факторов, накопленный капитал, инновационные факторы

Обоснование условий долгосрочного экономического роста – центральное
направление

макроэкономических

исследований.

Объяснение

причин,

факторов, формирующих динамику производства в долгосрочной перспективе,
выделение из них новых источников и факторов роста, отработка различных
сценариев их активизации – все это является фундаментальными задачами в
исследованиях проблем долгосрочного экономического роста. Решение именно
этих задач поможет определить причины межстрановых различий в уровне
жизни и наметить пути их ликвидации, в том числе, и в случае Узбекистана.
Рост любой экономики зависит от двух основных факторов, во-первых, от
вложеннных затрат и, во-вторых, от эффективности их использования.
Поэтому, одна из основных задач, стоящих перед экономистами, исследующих
проблемы экономического роста, является исследование влияния факторов
эффективности на рост.
Отправной точкой практически всех исследований экономического роста и
наиболее широко распростроненным является модель экономического роста
Солоу,

которая

исследует

влияние

сбережений,

роста

населения

и

технологического прогресса на экономический рост.
Технологический прогресс, т.е. влияние инновационного фактора на
экономический

рост

определяет

показатель

общей

производительности

факторов (TFP). TFP по мнению многих зарубежных экономистов лучшим
217

индикатором эффективности производства и приоритетов долгосрочного
роста производства [1].
Однако при посроении производственной функции на основе модели
Солоу и определения роли инновационных факторов в экономическом развитии
возникает

проблема

оценки

фактора

накопленного

капитала,

т.к.

в

действующая макроэкономическая отчетность ограничивается индикатором
инвестиций в основной капитал.
При таких условиях, подбор подходящего заменителя накопленного
каптала для конкретной страны осушествлялся на основе результатов оценоки
качества и надежности уравнения производственной функции данной страны.
При этом, исследуется гипотеза о том, что самым подходящим заменителем
является индикатор инвестиций, напопленных за три года.
Результаты исследования этой гипотезы приведены в табл.1. Для анализа
были выбраны три метода расчета индикатора-заменителя накопленного
капитала: инвестиции в основной капитал, метод PIM и накопленные
инвестиции на три года. Эти оценки капитала рассматриваются по странамэталонам, которые могут служить ориентиром для инновационного развития
Узбекистана. (Чили, Китай, Индия, Индонезия, Малайзия, Республика Корея и
Таиланд). Подбор подходящего заменителя осуществлялся по двум критериям:
значению α (насколько оно отличается от теоретической величины) и доле TFP
в приросте ВВП посчитанная с использованием полученных значений α
(насколько она отвечает логике и природе экономической развития).
Результаты расчетов показывают, что значения коэффициентов α по
первому и третьему методам отвечают поставленным требованиям: для всех
стран они близки к теоретическим допущениям (в среднем 0.31) и все они
значимы, а R2 довольно высокие, в то время как по второму методу результаты
не очень удовлетворительны – не логичные значения α и иногда незначимые.
Что касается оценок долей TFP в ВВП, то здесь первый метод показывает
свою неприемлемость, так как колебания слишком большие и резкие, что
противоречит логике и природе экономической развития. В этих условиях, на
218

нас взгляд, третий метод представляется самым подходящим, хоть и тут тоже
иногда колебания слишком резкие, но не так как в случае первого.
Таблица 1. Обоснование метода оценки капитала в производственных функциях

по странам-эталонам
Критерии

Инвестиции
как индикатор
капитала (метод 1)

Накопленные инвестиции за три
года (метод 3)
Результаты
Распределение
уравнения
инвестиций

Метод PIM
(метод 2)
Чили

α
Доля TFP в ВВП

0.28*** (R20.67) 0.5* (R20.11)
24b (-25; 85)
5 (-531; 83)

0.21*** (R20.46)
30 (-32; 99)

Вариант 1

α
Доля TFP в ВВП

0.25*** (R20.63) 0,16 (R2-0,08)
60 (23; 145)
-

0.25** (R20.33)
72 (45; 148)

Вариант 2

α
Доля TFP в ВВП

0.33*** (R20,51) 0,92*** (R20,37) 0,4*** (R20,65)
36 (-11; 119)
-6 (-80; 40)
26 (-3; 57)

Вариант 1

α
Доля TFP в ВВП

0.33*** (R20,6) 0,88** (R20,21)
38 (-70; 510)
-7 (-132; 32)

α
Доля TFP в ВВП

0.29*** (R20,79) 0,25 (R20,38)
47 (-2; 95)
-

α
Доля TFP в ВВП

0.22*** (R20,74) 0,6** (R20,27)
28 (-173; 185)
-14 (-560; 58)

α
Доля TFP в ВВП

0.3*** (R20,84)
39 (-72; 124)

Китайa

Индия

Индонезия

0,38*** (R20,41)
47 (-89; 483)

Вариант 2

0,33*** (R20,72)
41 (-8; 92)

Вариант 1

0,25*** (R20,63)
25 (-228; 123)

Вариант 1

0,65*** (R20,36) 0,39*** (R20,79)
9 (-442; 84)
45 (-9; 258)

Вариант 1

Корея

Малайзия

Таиландa

Примечания: в качестве критериев подбора подходящих значений капитала берутся
теоретическое значение коэффициента α и доля TFP в приросте ВВП.
Метод 1 – в качестве приблежения к индикатору “накопленный капитал” береться индикатор
инвестиций в основной капитал (proxy variable).
Метод 2 - метод непреривной инвентаризации (perpetual inventory method, PIM). Считается

i

t 1

следующей формулой Kt=(1-δ)t×K(0)+  i 0 I t i  (1  δ) (где, δ уровень амортизации, К(0)
исходный уровень накопленного капитала), в данном методе исходный уровень капитала
определяется методом Гарбергера (Harberger Method) Kt-1=It/(g-δ), (где, I - инвестиции в основной
капитал, g - темпы роста ВВП и δ - уровень амортизации), норма амортизации берется на уровне 4%,
что подтверждается многими эмпирическими исследованиями для развивающихся стран [2].
Метод 3 – накопленный капитал за три года. Определяется путем задавания весов за каждый год
с предположением, что вложеннные инвестиции будут осваивается только на эту часть. 1 вариант –
70% всех потребленных капитальных средств приходится к капитальным вложениям текущего года t,
20% к году t-1, 10% к году t-2. 2-вариант - 40%, 30%, 30%, соответственно (в процессе исследования
рассмотрены и оценены и другие варианты, однако, качество и надежность полученных уравнений,
на их основе были не на нужном уровне. Эти результаты показывают некапиталоемкое, основанные
на получении быстрой прибыли модели развития в этих странах.).
а
Уравнения производственных функций для этих стран строятся с использованием даммипеременных для кризисных годов (Китай и Тайланд - 1998 год). Хотя во многих странах были скачки,
но внесение дамми-переменных не улучшило качества уравнений для остальных стран.
b
Среднее значение доли TFP в приросте ВВП; в “кавычках” минимальное и максимальное значения.

219

Выводы по полученным результатам были использованы для построения
производственной функции Узбекистана, а также для расчета TFP. Расчеты TFP
для

экономики

Узбекистана

показывают,

что

за

отчетный

период

экономический рост почти на половину был обеспечен повышением
эффективности (рис.1). Это, в основном, приходится на те годы, когда
экономика стабильно развивалась (2001-2008гг.). Низкий рост эффективности
за 2009-2010 гг. объясняются негативным влиянием мирового кризиса и на
экономику Узбекистана.
Рис. 1. Динамика TFP (левая шкала, %) и доля TFP в ВВП (правая шкала, %)

в Узбекистане

Из первого этапа наших исследований, в котором оценивается влияние
факторов эффективности на экономический рост Узбекистана на основе модели
Солоу, приспособленный к национальным условиям следует общий вывод, что
экономика Узбекистана за последние десять лет развивался довольно
эффективно и имеет высокий потенциал дальнейшего устойчивого роста.
Литература
1. Richard G. Lipsey “What Does Total Factor Productivity Measure?” // International Productivity

Monitor. – 2000, №1.
2. Sh. Rahman «The Estimation of Capital Stock for the Bangladesh Economy» // www.bids-bd.org.
3. Vikram Nehru «A New Database on Physical Capital Stock: Sources, Methodology, and

Results» // rae-ear.org/ index.php/rae/article/view/202/462.
4. J.Madsen “The Indian growth miracle and endogenous growth”// Monash University.- 2009.
5. Чепель С. и др. «Экономический рост и инновации: теория, практика и моделирование» //

брошюра Института прогнозирования и макроэкономических исследований и Программы
развития ООН. – Т. – 2010.
6. Чепель С. и др. «Экономический рост и инновации: теория, практика и моделирование» //
брошюра Института прогнозирования и макроэкономических исследований и Программы
развития ООН. – Т. – 2010.
220

Оценка устойчивости экономического равновесия регионов СЗФО
при различном уровне реализации трудового потенциала занятого населения
Е.А. Чекмарева
Институт социально-экономического развития территорий РАН
160014, г. Вологда, ул. Горького 56а;
e-mail: miteneva@inbox.ru
Ключевые слова: экономическое равновесие, устойчивость равновесия, трудовой потенциал,
реализация трудового потенциала, интенсивность труда.

В представляемом исследовании осуществляется оценка устойчивости
экономического равновесия в регионах Северо-Западного федерального округа
в период с 2000 по 2008 г. на основе простейших математических моделей,
отражающих динамику потребительского спроса, предложения труда и
интенсивности использования трудового потенциала в процессе рыночного
функционирования региональной экономики.
В качестве базовой модели для расчётов используется однопродуктовая
статическая модель Ю. Н. Гаврильца с линейной производственной функцией,
подробно описанная в статьях [1, 2].
Выбор для расчётов именно этой модели обусловлен её достоинствами, в
частности простотой и логичностью, а также возможностями, которые она
предоставляет. Так, одной из сильных сторон модели Ю. Н. Гаврильца является
наличие

переменных,

отражающих

трудовой

потенциал

(предельная

интенсивность труда) и уровень его реализации (реальная интенсивность
труда), что позволяет использовать данную модель с целью оценки
экономического равновесия при современном уровне развития трудового
потенциала и его использования, а также при сокращении разрыва между
трудовым потенциалом и реальным его использованием, т.е. при увеличении
уровня реализации трудового потенциала.
Базовая модель работает с однородной группой, представители которой
называются «участниками». В частности группой может считаться регион, а
«участниками» – участники рынка труда. Поведение участников на рынке
заключается в производстве продукта в результате трудовой деятельности и в
потреблении выпущенного продукта.

Кроме того, часть заработанных

денежных средств группа отчисляет на «общественные нужды», налоги,
сбережения,

трансферты

и

т.д.

Такие
221

отчисления

условно

названы

«общественной нагрузкой» или «налогом». Поведение участников считается
рациональным в следующем смысле: если отчисления региона фиксированы, то
рассматривая затраты труда и уровень потребления как неизвестные величины,
можно считать, что соотношение между ними определяются так, что
максимизируется

функция

полезности

U(x, λ) = ln(x) + b·ln(T – λ),

где

λ–

интенсивность труда отдельного участника группы (реализованный трудовой
потенциал), T – предельная интенсивность труда отдельного участника группы
(трудовой потенциал), x - объем потребления отдельного участника группы, b –
некоторый коэффициент индивидуального соизмерения полезностей труда и
потребления. В нашем исследовании роль групп играли регионы СевероЗападного федерального округа.
Оценка устойчивости общего межгруппового и локальных равновесий
показала, что в 2001, 2004, 2005, 2006 и 2007 гг. общий и почти все локальные
рынки

в

Северо-Западном

федеральном

округе

были

не

устойчивы.

Примечательно, что предкризисные 2004 – 2007 гг. не имеют устойчивого
общего равновесия. Возможно, длительная неустойчивость (в данном случае –
4

года)

является

спецификой

экономического

поведения

регионов

в

предкризисный период, т.е. служит предвестником кризиса и своеобразным
индикатором «нездорового» развития региональной экономики. При этом
устойчивость общего межгруппового равновесия в 2008 г. и наибольшее
количество устойчивых локальных равновесий может свидетельствовать о
кризисной

оптимизации

экономического

поведения

регионов

округа,

повышении рациональности этого поведения в условиях кризиса.
Сокращение разрыва между интенсивностью труда и трудовым потенциалом
за счёт введения и регулирования значений понижающего коэффициента при
оцифровке параметра T модели и проверка критериев устойчивости показали,
что в случае повышения уровня реализации трудового потенциала количество
устойчивых общих и локальных равновесий возрастает, т.е. более полная
реализация трудового потенциала региона может способствовать достижению
устойчивого общего и локального экономического равновесия.
Конечно, однозначно интерпретировать неустойчивость нельзя: она может
отражать состояние Российской Федерации в целом, поскольку каждый регион
222

является ее частью, а может и показывать специфику конкретного региона. В
любом случае, неустойчивость означает, что регион не может успешно
справиться со своими экономическими проблемами.
Литература
1. Гаврилец Ю.Н., Офман Ю.П. Модель межрегионального рыночного взаимодействия без
обмена трудовыми ресурсами // MONTENEGRIN JOURNAL OF ECONOMICS. – 2009. – №10.
2. Гаврилец Ю.Н., Чекмарева Е.А. Моделирование равновесного функционирования
экономики в Северо-Западном федеральном округе // Экономические и социальные
перемены: факты, тенденции, прогноз. – 2010. – № 4. – С. 107-117.

Тестирование альтернативных гипотез построения моделей эндогенного роста
и выводы для Узбекистана
С.В. Чепель
Институт прогнозирования и макроэкономических исследований при кабинете Министров
Республики Узбекистан
00000 Узбекистан г.Ташкент , ул. А.Кадырий, дом 2;
e-mail: swchep@tps.uz
Ключевые слова: эндогенный рост TFP, инновационные факторы, трансферт технологий,
качество госинститутов, R&D

Определение макроэкономических и институциональных условий перехода
к инновационному развитию – составная часть любой стратегии долгосрочного
развития. Начальным этапом разработки такой стратегии для Узбекистана
является

анализ

применимости

различных

теоретических

подходов,

объясняющих закономерности изменения TFP, к конкретным условиям развития
страны.

Хорошим

примером

здесь

макроэкономической

динамики

которой

является

Индия,

позволило

тестирование

сделать

вывод

о

необходимости использования шумпетерианской модели эндогенного роста [1].
Однако

использование

подобной

методики

для

Узбекистана

затруднительно в силу недостаточной длины временных рядов показателей и
факторов инновационного развития (10-13 лет по сравнению с более чем 30
летним периодом для Индии). В этих условиях общепринятым подходом
является расширение объема выборки путем включения в нее других стран,
сопоставимых по ряду ключевых параметров развития с параметрами
анализируемой страны. Для Узбекистана это, прежде всего, развивающиеся
страны мира, имевшие в недалеком прошлом схожую с нашей республикой
структуру экономики, близкий уровень технологического развития, но
223

продемонстрировавшие в последние годы заметные позитивные результаты
модернизации экономики1.
Изучение применимости различных теоретических подходов и гипотез
построения моделей эндогенного роста к развивающимся странам, включая
Узбекистан, осуществлялось по схеме (теоретической эконометрической
модели) вида:
TFP=c1+c2*Xd+c3*Xf+c4*Q+c5*GN+c6*FL
где Xd – фактор развития отечественного сектора R&D (число исследователей,
инженеров, патентов и т.д.);
Xf – показатели трансферта технологий (величина импорта технологий,
прямые иностранные инвестиции и другие внешние вложения в сектор R&D);
Q – переменная продуктового разнообразия (число торговых марок,
масштабы экономики);
GN – индикаторы качества государственных институтов;
FL

–

индексы

финансовой

либерализации

(уровень

монетизации

экономики, в % к ВВП, доля кредитов частному сектору и т.д.).
Существующие модели эндогенного роста объясняют будущую динамику
TFPt не в форме уровня этой переменной, а в форме изменений (ga=∆TFP /
TFP, или ∆TFP). Поэтому все переменные использованы в эконометрическом
анализе в относительной форме, а именно в форме отношения оценки значения
переменной по каждой стране к средней по выборке оценке (например,
gi = TFPi / TFPср.), с последующим усреднением для каждой страны по
временному интервалу. Такой подход является типичным при применении
метода cross section analysis [2].
Все переменные включались в состав уравнений как в линейной, так и в
логарифмической формах. При этом, если по результатам оценивания
параметров уравнения оказывалось, что коэффициент с4 < 0 и статистически
значим (коэффициент перед фактором продуктового разнообразия), то делался
вывод в пользу шумпетерианской модели. В противном случае – в пользу
модели полуэндогенного роста.
1

Здесь была использована совокупность 75 развивающихся стран мира (данные Всемирного Банка за
2000-2008 годы WDI2010), отработанная при проведении ряда исследований (см., например [3])

224

Всего, в результате перебора большого числа комбинаций, было получено
3 модели в рамках концепции полуэндогенного роста (без факторов Q) и 4
модели в рамках шумпетерианского подхода. Их анализ свидетельствует о том,
что для большинства развивающихся стран мира, включая Узбекистан, лучшим
подходом к объяснению динамики TFPt, является теория полуэндогенного
роста. Это обусловлено не только статистической значимостью всех факторов
моделей полуэндогенного роста, полученных в результате анализа, но и не
логичными знаками коэффициентов в уравнениях, основанных на принципах
шумпетерианского

подхода

(например

«+»

при

значимых

факторах

продуктового разнообразия в 2-х из 4-х полученных моделей, хотя в
соответствии с теорией, они должны быть отрицательными).
В одной из модели с4 < 0, однако коэффициент не является статистически
значимым. Следовательно, основной акцент в модели эндогенного роста
Узбекистана

должен

быть

сделан

не

на

продуктовое

разнообразие

(шумпетерианского подход), а на показатели вложения в сектор R&D и трансферт
технологий (прямые иностранные инвестиции – модель полуэндогенного роста).
Особенностями полученных моделей полуэндогенного роста является то,
что среди всех включенных в анализ факторов, определяющих потенциал R&D,
значимыми оказались: расходы на образование (в % к ВВП) с коэффициентом
[0.7-0.9]; число заявок на патенты (на млн. насел.) – 0.2; прямые иностранные
инвестиции (в % к ВВП) [0.25-0.45]. Не проявили статистически значимую
взаимосвязь ни для одной модели факторы: расходы на НИОКР (в % от ВВП);
расходы на одного студента (в % от ВВП на душу населения); число техников (в
секторе R&D, на 1 млн. нас.). Незначимыми оказались также индикаторы
финансовой либерализации, и индикатор качества государственных институтов,
если последний включен в регрессию как отдельный фактор.
Вместе с тем, фактор качества госинститутов становиться значим, если он
входит в модель в форме: «число исследователей» * (индекс качества
госинститутов – 5.1) ^ 2, где 5.1 – статистическая оценка порогового значения
для индекса госинститутов1 (один из коэффициентов регрессии). Полученные
результаты свидетельствуют о важности роли повышения эффективности
1

лежат в диапазоне от 0 до 10, где 10-наивысшая оценка.

225

госрегулирования [3]

и

качества

институтов

в

активизации

факторов

инновационного развития. Действительно, в соответствии с этой моделью рост
числа

исследователей

и

техников

(занятые

в

R&D)

не

обязательно

автоматически влечет за собой рост TFP. Это возможно лишь в условиях, когда
индекс качества институтов превышает выявленное пороговое значение, равное 5
(качество госинститутов Венгрии, Чили, Малайзии, Словении). При этом
влияние данного фактора на общую продуктивность повышается с увеличением
отрыва фактического значения индекса качества госинститутов от порогового.
Таким образом, при разработке модели эндогенного роста экономики
Узбекистана, основной акцент, в дополнении к традиционным факторам и условиям
роста (труд и качество человеческого капитала, сбережения, инвестиционный
климат, земельные и водные ресурсы), должен быть сделан на условия развития
инновационного сектора, включая инвестиции в сектора R&D, его текущие расходы,
трансферт технологий, качество государственных институтов.
Литература
1. J.Madsen “The Indian growth miracle and endogenous growth”// Monash University, Business &
Economics. Discution paper 03/09 (37 pages).
2. И.И. Елисеева. Эконометрика. Изд. Финансы и статистика. Москва, 2007 (раздел 16,
стр.522).
3. С.Чепель. Как повысить эффективность экономической политики: эмпирический анализ
роли государственных институтов // В журнале «Вопросы экономики» - 2009, №7, Москва,
С.62 – 74.

Анализ влияния очередности рождений на уровень воспроизводства населения.
Н.Е. Чистякова1, Е.М. Ильин2, Н.Г. Косолапенко2,
1

Институт проблем региональной экономики РАН
Серпуховская ул. 38, Санкт-Петербург, 190013;
e-mail: at@nt1924.spb.edu
2
Санкт-Петербургский экономико-математический институт РАН
ул. Чайковского д.1, Санкт-Петербург, 191187;
e-mail: emil@emi.nw.ru, nina_k@emi.nw.ru,
Ключевые слова: рождаемость, очередность рождений, репродуктивное поведение.

Целью настоящего исследования является анализ динамики рождений в
Санкт-Петербурге с учетом очередности рождений и возраста матери.
Достаточно полно отразить процесс изменений можно, лишь анализируя
совокупность различных абсолютных и относительных характеристик динамики.
Для выяснения причин изменения доли детей различных очередностей рождений
226

в общей численности родившихся можно сопоставлять ход их изменений во
времени либо с динамикой абсолютных численностей детей различной
очередности рождений, либо с темпами роста численностей этих групп. Мы
используем второй способ и рассматриваем относительные величины (темпы
роста) динамики чисел рождений с постоянной базой сравнения. Подобные
показатели широко используются в экономическом анализе, в частности, как
характеристика темпов роста выпуска продукции, ее реализации и т.д.
Для удобства совместного графического анализа показателей в качестве
базы сравнения берется значение, максимальное за весь рассматриваемый
период времени. В этом случае значения темпов роста меняются между нулем и
единицей. В качестве примера рассмотрим индикаторы, используемые для
описания динамики первых и вторых рождений в группе

всех женщин

репродуктивного возраста. Они строятся как отношение численности детей,
родившихся в данном году, к максимальный за весь период численности
родившихся. С середины 1970-х годов в Санкт-Петербурге максимальное число
детей, родившихся первыми, было зафиксировано в 1982 году (41996), а
родившихся вторыми – в 1987 году (27204)1. Поэтому для описания динамики
числа первых рождений используется индикатор, представляющий собой дробь,
в числителе которой стоит численность детей, родившихся в каком-либо году, а
в знаменателе – численность детей в 1982 году. Для вторых рождений индикатор
строится аналогично, но в знаменателе будет стоять значение за 1987 год.
Графики изменений числа первых и вторых рождений в Санкт-Петербурге с
1993 года имеют волнообразный характер. При этом формы колебаний обеих
кривых практически совпадают. Подобные синхронные колебания могут быть
вызваны, в частности, колебаниями численности женщин репродуктивного
возраста. Чтобы проанализировать этот вопрос, сопоставим динамику численности
детей первых и вторых порядков рождений и динамику численности женщин в
возрасте 15-39 лет. Линейный тренд достаточно хорошо отражает (коэффициент
детерминации 0.87) тенденцию изменения численности женщин, которая
1

В работе рассматривается период 1978-2008 гг. и использованы данные сборников «Основные
показатели демографических процессов в Санкт-Петербурге и Ленинградской области», за период с
1979 по 2009 годы.

227

монотонно убывает со средним темпом 0.6% в год. Совместное убывание всех трех
кривых наблюдается только в периоды с 1995 по 1997 г. и с 2004 по 2005 годы.
В 1995 г. доли первых и вторых рождений в Санкт-Петербурге достигают
своих экстремальных за весь рассматриваемый период значений: соответственно
70.0% (максимум) и 24.6% (минимум). С 1996 г. начинается монотонное
убывание доли первых рождений и рост доли вторых рождений. За этот период
времени суммарная доля первых и вторых рождений убывает со средним темпом
– 0.2 процентных пункта в год, изменяясь от 94.6% до 92.4% (коэффициент
детерминации линейной модели аппроксимации 0.91). С 2004 по 2006 гг. этот
показатель практически постоянен, а затем начинает быстро убывать (средний
темп – 0.5 процентных пункта в год). Указанное изменение динамики можно
увязать с результатами демографической политики, направленной на увеличение
в семьях численности детей третьего и следующих порядков рождения.
Рождений третьих детей в Санкт-Петербурге почти в 6 раз меньше, чем
вторых. В рассматриваемом периоде доля детей третьей очередности рождения
изменяется в пределах от 2.9% (1979 г.) до 6.3% (1987 г.). Здесь можно выделить
такие же временные интервалы изменения динамики показателя, как у первых и
вторых рождений. С 1978 по 1987 гг. значения показателя растут с 3.0% до 6.3%,
а затем монотонно снижаются до 4.0% в 1995 году. После 1995 г. относительная
численность третьих рождений выросла на половину (6.0% в 2008 г.) и благодаря
значительному росту, начавшемуся в 2006 г., почти достигла значений 1987 года.
При этом она растет в два раза быстрее, чем доля вторых рождений за тот же
период времени. Это связано с тем, что в этом временном интервале темп роста
третьих рождений обгоняет темпы роста и первых и вторых рождений. Следует
отметить, что с 1993 г. по 1998 г. и с 2004 г. по 2006 г. в Санкт-Петербурге число
третьих рождений оставалось практически постоянным.
Таким образом, для всех порядков рождения в Санкт-Петербурге
исследуемый интервал времени можно разделить на 4 отрезка: 1978-1987 гг.,
1988-1995 (1993) гг., 1996-2005 гг. и 2006-2008 годы. Каждый из них отличается
своим типом изменения рассматриваемых характеристик репродуктивного
поведения. Следует отметить, что за период с 1987 по 1997 гг. численность
228

детей второй очереди рождений снизилась на 71.3 процента. В среднем за весь
период численность первых детей была в 2.2 раза больше, чем вторых.
Проведенный анализ позволяет предположить, что современные тенденции
развития репродуктивного поведения начали формироваться в Санкт-Петербурге
после 1995 года. При этом доли первых рождений снижаются, а вторых и
третьих – растут. Доля третьих рождений растет в два раза быстрее, чем доля
вторых рождений. С 1993 г. изменения числа, как первых, так и вторых
рождений, имеют синхронный волнообразный характер. Их не следует связывать
с изменением численности женщин репродуктивного возраста, поскольку в
рассматриваемом временном отрезке она монотонно убывает.
Как и следовало ожидать, в возрастной группе женщин 20-24 года
отмечается самая высокая и стабильная суммарная доля первых и вторых
рождений: среднее значение 98.7%. Максимальное значение

– 99.3%

наблюдалось в Санкт-Петербурге в 1978 г., а минимальное – 98.2% в 1987 году.
В рассматриваемом временном интервале наиболее резко менялись
соотношения между рождениями первого и второго порядков в группе женщин
25-29 лет. С 1989 г. доля первых рождений начала практически монотонно
возрастать, а доля вторых – монотонно уменьшаться. В 2008 г. оба показателя
достигли своих экстремальных значений. Среднее значение суммарной доли
первых и вторых очередностей рождений в группе 25-29 лет составляет 94.9%,
что близко к значениям аналогичного показателя (93.7%) для совокупности
всех женщин. С 1995 г. наблюдается резкий рост числа первых рождений,
особенно в периоды с 1998 по 2003 гг. и с 2006 по 2008 гг., когда был достигнут
абсолютный максимум. С 1997 г. число рождений второй очереди начало расти
и к 2008 г. достигло 40.0% от максимального уровня 1986 года. За
рассматриваемый период среднее значение доли рождений третьих детей у
женщин в возрасте 25-29 лет в Санкт-Петербурге составляет 4.1 процента.
В группе женщин 30-39 лет соотношения между рождениями разной
очередности, по сравнению с другими возрастными группами, менялись
наиболее плавно. При этом удельный вес второй очередности рождений был
всегда выше, чем первой. Среднее значение суммарной доли первых и вторых
очередностей рождений в этой группе составляет 84.3%, что ниже, чем в других
229

рассматриваемых группах женщин репродуктивного возраста. Причем, с 1998
по 2002 гг. и с 2006 по 2008 годы наблюдался резкий рост числа первых
рождений. В анализируемом периоде среднее значение доли рождения третьих
детей у матерей 30-39 лет составило 11.3 процента. В среднем за
рассматриваемый период времени третьих детей в семьях было меньше, чем
вторых, почти в 4.5 раза, и в 3 раза меньше, чем первых.
В Санкт-Петербурге с 1993 по 2008 гг. численность женщин возрастной
группы 30-39 лет сократилась на 23.5 процента. Таким образом, увеличение
рождаемости в этой группе достигнуто, несмотря на снижение ее численности.
Для современного репродуктивного поведения женщин Санкт-Петербурга
характерно смещение основного числа родившихся детей

в старшие

возрастные группы. Поэтому неуклонно снижается удельный вес родившихся у
матерей 20-24 лет и растет удельный вес возрастной группы 25-39 лет.
Подобная же динамика показателей была характерна и для периода 1978-1987
гг. Модификация репродуктивного поведения в период кризиса привела к
противоположным тенденциям изменения вклада возрастных групп. Доля
группы 20-24 года увеличилась с 1989 по 1995 г. и в этот же период снизилась
доля группы 25-39 лет. Наиболее быстрый спад наблюдался в группе 25-29 лет,
но и тенденция к росту здесь начинает проявляться раньше, чем в других
возрастных

группах.

В

последующем

периоде

времени

происходит

возвращение к первоначальному типу динамики и в 2008 г. разность удельных
весов групп 20-24 года и 25-39 лет достигает 45.0 процентов. При этом в 2002 г.
доля группы 20-24 года становится меньше, чем доля группы 25-29 лет, и,
продолжая снижаться к 2005 г. опускается ниже доли группы 30-39 лет.
Чтобы более детально изучить тенденции изменений удельного веса
различных возрастных групп с 1995 по 2008 годы, построены тренды,
аппроксимирующие реальные данные. Линейные модели трендов оказываются
достаточно надежными: коэффициенты детерминации лежат в интервале 0.930.99, что указывает на хорошее согласование данных и линии аппроксимации.
Формулы трендов показывают, что удельный вес группы 20-24 года снижается
со средней скоростью 1.3% в год. Удельный вес более старших возрастов
повышается несколько быстрее: на 1.9% в год. При этом темпы роста в
230

возрастной группе 30-39 лет несколько выше, чем в группе 25-29 лет,
соответственно 1.0% и 0.8 процента.
Проведенный анализ показывает, что современная структура очередности
рождений начала формироваться в Санкт-Петербурге с середины 1990-х годов.
При этом увеличивался вклад в рождаемость у возрастных групп женщин
старше 25 лет. Одним из стимулов к констатируемому увеличению числа
родившихся являются меры государственной демографической политики,
осуществляемые в последние годы.
Роль приватизации недвижимости малым и средним бизнесом
в развитии российских регионов
Я.Д. Ширяева
Законодательное Собрание Санкт-Петербурга
190107, Санкт-Петербург, Исаакиевская пл., 6;
e-mail: y-sh@yandex.ru
Ключевые слова: малый и средний бизнес, права собственности, выкуп, приватизация,
помещения нежилого фонда, недвижимость

В стратегических планах развития городов и регионов недостаточно
внимания уделяется программам важнейших институциональных преобразований.
К числу таковых может быть отнесен выкуп у государства малыми и средними
предприятиями (МСП) арендуемых ими нежилых помещений.
Возможность выкупа появилась после принятия Федерального закона № 159ФЗ от 22.07.2008 г. (далее Закон 159-ФЗ). Согласно ему, до 01.01.2009 г. должны
были быть приняты региональные законы, регулирующие два параметра:
максимальную площадь выкупаемых помещений и срок рассрочки их оплаты.
Анализ региональных норм показал, что предельные площади по России
составляют от 50 до 10 тыс. кв. м. Исключение  Ставропольский край, где
предельное значение площади не ограничено. Сроки рассрочки платежа
колеблются по регионам одного года до шести лет.
По оценкам ОПОРЫ России, по состоянию на март 2011 г., общее количество
заключенных договоров купли-продажи в целом по России в соответствии с
законом 159–ФЗ составило около 24 тыс., или менее 3% арендующих нежилые
помещения субъектов МСП [2]. По данным мониторинга Минэкономразвития, с
231

начала приватизации с 1 января 2009 г. по 1 ноября 2010 г. малым и средним
бизнесом выкуплено помещений на сумму более 52 млрд. руб. совокупной
площадью 2478 тыс. кв. м. [1]. Большинство (91%) договоров купли-продажи
нежилых помещений заключено с возможностью оплаты выкупаемого имущества
в рассрочку (средний срок рассрочки составляет 3,9 лет).
Процесс приватизации начался не во всех регионах, например, в Москве,
Забайкальском крае, Карачаево-Черкесской Республике, Республиках Ингушетия и
Тыва, не заключено ни одного договора, а в некоторых регионах (Республики
Алтай, Мордовия, Ненецкий автономный округ и Чеченская республика)
зарегистрировано не более десятка сделок. Лидерами по числу заключенных
договоров купли-продажи являются Санкт-Петербург (1074 договоров куплипродажи), Ростовская (743 договора), Волгоградская (738 договоров), Челябинская
(691договор) и Московская области (583 договора).
Средняя стоимость 1 кв. м выкупаемых помещений в целом по России
составляет 21,2 тыс. руб. Однако эта цифра значительно превышена в следующих
областях: Ярославской (48,1 тыс.), Ульяновской (43,9 тыс.), Сахалинской (38,2 тыс.)
и Новосибирской (32,8 тыс.). В Санкт-Петербурге она составляет 44 тыс. руб., что
существенно тормозит процесс приватизации. Наименьшая средняя стоимость 1 кв.
м зафиксирована в Республике Северная Осетия – Алания (1 тыс. руб.).
Большая часть договоров купли-продажи в соответствии с Законом 159-ФЗ
заключена с микропредприятиями (68,5% договоров), далее следуют малые
предприятия (29,4%) и только 2,1% договоров о выкупе заключается со средними
предприятиями.
В случае если МСП не устраивают предлагаемые условия выкупа (например,
по их мнению завышена стоимость выкупаемых помещений), то договор куплипродажи МСП не подписывает, а представляет заявление об отказе от
использования преимущественного права выкупа. Большое количество поданных
МСП заявлений об отказе от использования преимущественного права выкупа по
сравнению

с

количеством

заключенных

договоров

свидетельствует

о

неблагоприятном течении процесса «малой приватизации». Например, на 01.11.
2010 г. в Липецкой области на 78 договоров приходилось 71 заявление об отказе.
232

Нами подробно рассмотрена приватизация нежилых помещений в СанктПетербурге [3], Омске, Курске и др. [4]. Одним из наиболее успешных в
реализации Закона 159-ФЗ следует признать Петербург. На 30 января 2011 г.
подано 1883 заявки от субъектов МСП на выкуп арендуемых объектов нежилого
фонда общей площадью 220,4 тыс. кв. м. Наибольшим спросом у представителей
малого и среднего бизнеса в Санкт-Петербурге пользуются объекты недвижимости
в Центральном (29% выкупаемых помещений), Адмиралтейском (15,2%),
Петроградском (14,9%) и Василеостровском районах (14,2%), то есть районах
расположенных в исторической части Санкт-Петербурга. Наивысшая средняя цена
1 кв. м помещений также зафиксирована в Центральном и Петроградском районах.
В то же время анализ процесса «малой приватизации» в Санкт-Петербурге
показывает, что при такой высокой стоимости выкупаемых объектов нежилого
фонда, лишь незначительное число малых предприятий, отвечающих условиям
применения Закона № 159-ФЗ, смогут выкупить арендуемые у города помещения.
Таким образом, несмотря на явный интерес к приобретению недвижимого имущества
и открывшиеся возможности, для него не созданы благоприятные условия.
В итоге анализа хода приватизации малым и средним бизнесом можно
сделать следующие рекомендации:
1. Закон 159-ФЗ должен быть пересмотрен: в первую очередь, необходимо
законодательно установить верхние пределы цены кв. м выкупаемых помещений и
продлить его действие до 2020 г.
2. Показатели хода приватизации помещений МСП необходимо включить в
оценку эффективности деятельности региональных властей и их стратегические
планы, поскольку приватизация недвижимости есть важнейшее условие создания
институтов эффективной рыночной экономики.
Литература
1. Мониторинг Минэкономразвития России «О реализации Федерального закона от 22 июля
2008 г. № 159-ФЗ» в период с 1 января 2009 г. по 1 ноября 2010 г. [Электронный ресурс]. –
Режим доступа: http://opora.ru/analysis/data/4110/
2. С. Борисов: важные вопросы в сфере предпринимательской деятельности, требующие
неотложного решения на уровне Правительства РФ. [Электронный ресурс]. – Режим
доступа: http://opora.ru/news/events/press_release/9601/
3. Ширяева Я.Д. Региональные особенности приватизации недвижимости малым и средним
бизнесом // Финансы и Бизнес. – 2011. – № 1. – С.131–145.
4. Ширяева Я.Д. Российский малый бизнес: сложности развития // Финансы и Бизнес. – 2010. –
№ 1. – С.193–205.
233

Содержание
Акушевич К.С., Ущев Ф.А. Эконометрические модели принятия решений
фирмами относительно места расположения и участия
во внешнеэкономической деятельности . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Алексеев М.Ю. Защита прав на интеллектуальную собственность
и её влияние на темп экономического роста . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Андреев В.А., Боголюбов И.Н. Оптимизационные модели распределения
энергетических и водных ресурсов и формирования тарифной политики
большого города на примере Санкт-Петербурга . . . . . . . . . . . . . . . . . . . . . . . . . .
Антипов Е.А. Использование общедоступной текстовой информации
при моделировании коммерческого успеха кинофильмов . . . . . . . . . . . . . . . . . .
Афанасьев А.А. Анализ эффективности работы Газпрома и перспективы
добычи природного газа из тюменских месторождений в 2011 году . . . . . . . . . .
Боголюбов И.Н., Воронцова И.П.Использование структуры
личностных потребностей в компьютерной поддержке
конкурсного отбора социальных проектов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Бодриков М.В. Индексный подход к межотраслевому анализу
технологических изменений (на примере «Российской межотраслевой
модели» за 2000–2006 годы) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Божков О.Б. Территориально-поселенческая структура: нерешенная задача . . . . .
Боярский К.К., Е.А. Каневский. Некоторые конфликты при построения
синтаксического дерева разбора предложения . . . . . . . . . . . . . . . . . . . . . . . . . . .
Волков Е.А., Ущев Ф.А., Чернов В.П. Об одном подходе к измерению внутреннего
и интеграционного потенциалов экономического развития регионов . . . . . . . . . . .
Воронцовский А.В. Стохастические модели экономического роста:
постановка и аппроксимация . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Галахова М.Е. Модель экономического роста с учетом природоохранных
затрат . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Герасимова И.А. Метод сравнительного анализа тенденций социально –
экономического развития субъектов Российской Федерации . . . . . . . . . . . . . . . .
Гетманчук А.В., Ермилов М.М. Экономико-математические модели для
исследования и прогнозирования процессов в региональном АПК . . . . . . . . . . .
Гильмундинов В.М. Развитие методологии межотраслевых исследований на
основе концепции общего равновесия и моделирования IV квадранта
межотраслевого баланса . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Дружинин П.В., Дружинин А.П. Темпы роста региональной экономики и
институт губернаторства . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Дружинин П.В., Шкиперова Г.Т. Прогнозирование изменения
экологической ситуации в регионе . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Жихаревич Б.С. Базы данных операторов мобильной связи как источник
информации для моделирования города . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .
Ибрагимова Н.М., Асадов Х.С. Моделирование сферы потребления
в Узбекистане . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Иващенко С.М. Динамическая стохастическая модель общего
экономического равновесия Казахстан - Россия - Остальной мир . . . . . . . . . .
Игнатенко А.Д. Эконометрический анализ обменного курса и инфляции
в России . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ильин Е.М., Косолапенко Н.Г. Моделирование влияния структуры
рождаемости на долгосрочную динамику населения . . . . . . . . . . . . . . . . . . . . .
Ильменский М.Д., Паринов С.И. Автоматизированная система учета
результатов интеллектуальной деятельности РАН как основа
для создания виртуальной научной среды . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
234

3
7
11
14
17
26
29
33
38
39
43
46
47
52
55
57
59
62
66
70
73
76
79

Каневский Е.А., Боярский К.К. ВЕГА – инструмент компьютерной
поддержки социологических исследований . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Каныгин Г.В. Контекстно-ориентированные модели социального знания . . . . . . 86
Караева Ю.В., Халитова Г.Р. Экономико-математическая модель
энергосистемы региона . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Киреева А.Д. Моделирование динамики роста и структурных
преобразований промышленности Республики Узбекистан . . . . . . . . . . . . . . . 92
Кириллов А.Н. Моделирование структурных изменений
в экономической динамике . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Ковалевский Д.В. Региональный налог на выбросы парниковых газов
как инструмент повышения энергоэффективности экономики . . . . . . . . . . . . . 98
Коломак Е.А. Оценка влияния городских агломераций
на экономический рост в России . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Ласточкина М.А. Моделирование репродуктивного поведения,
как инструмента измерения демографического развития . . . . . . . . . . . . . . . . . 104
Левина Е.А. Проблемы анализа конкурентности рынков . . . . . . . . . . . . . . . . . . . 106
Лезин Г.В., Клименко Е.Н.,.Силина Е.Ф. О формировании терминологических
словарей в задаче автоматизации коммерческих отношений . . . . . . . . . . . . . . . . . 110
Лимонов Л.Э. Проблемы планирования пространственного развития
С-Петербургской агломерации . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Ляпунов А.Н. Игры, связанные с многокритериальными задачами . . . . . . . . . . 117
Макаров В.Л., Бахтизин А.Р. Применение суперкомпьютеров
для реализации агент-ориентированных моделей . . . . . . . . . . . . . . . . . . . . . . . . 119
Мараева М.Д. Моделирование влияния научно-исследовательской
компоненты преподавателя университета на уровень подготовки
выпускника в зависимости от правил финансирования . . . . . . . . . . . . . . . . . . . 122
Мартюшев А.П. Анализ международных транспортных коридоров
Европа-Азия . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Матвеенко А.В. Чем определяется общая производительность факторов?. . . . . . 129
Матвеенко В.Д. Исследование направленного технического прогресса . . . . . . . . . . 131
Меншуткин В.В. Концептуальное моделирование сложных систем на
примере экологических систем озер . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Мозговая К.А., Яблочкина М.В. Максимизация прибыли авиакомпаний в
транспортной структуре мегаполисов с применением оптимизационных
моделей продаж авиабилетов с учетом виртуальной емкости . . . . . . . . . . . . . . 135
Назаров Ш.Х. Оценка вклада малых и средних городов
в экономический рост региона . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Нев О.А. Моделирование приращения знаний . . . . . . . . . . . . . . . . . . . . . . . . . 143
Новоселов В.С.. Моделирование динамики демографического процесса . . . . . 145
Осипов В.Ю. Нейросетевое прогнозирование социально-экономических
процессов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Пахомова О.М., Платонова Е.А. Массовая оценка городских земель
как инструмент регулирования развития территории . . . . . . . . . . . . . . . . . . . . . 150
Перекрест В.Т. Математические модели оценивания спроса
и предложения на региональных рынках труда: традиции,
новые подходы и опыт их применения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
Перекрест В.Т. Эконометрическое моделирование пространственных
экономических систем: технологии многомерного метрического
шкалирования . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Пересада В.П. Динамическая модель многопродуктовой экономики,
как инструмент управления реализацией федеральных и региональных
целевых программ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
235

Покатович Е.В. Рынок, мораль и закон: экономический подход
к анализу проституции . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Покрышевская Е.Б., Антипов Е.А. Ценовая дисперсия и выгоды
покупателей на российских интернет-рынках. . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Полиди Т.Д. Влияние административных барьеров на рынок недвижимости . . . . 171
Реттиева А.Н. Устойчивость коалиционных разбиений
в задачах управления биоресурсами . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Сандомирская М.С. Теоретико-игровая модель биржевых торгов:
общий торговый механизм . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
Сафарова Г.Л., Лисененков А.И., Сафарова А.А., Смирнова Т.В. Новый
подход к оценке демографической нагрузки за счет пожилых
(напримере Санкт-Петербурга) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
Семыкина И.О., Коледа А.В. Влияние гипертрофированного роста
сферы услуг на развитие производственного потенциала города . . . . . . . . . . . 183
Сидоров А.В. Агломерация в мультирегиональной экономике:
модель Диксита-Стиглица-Кругмана . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
Соколов М.В., Алексеев А.Г. Индекс доходности финансового вложения
и его модификации . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Соловьев В.И., Бестужева К.А. Экономическая эффективность
облачных вычислений . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
Соловьев В.И., Щедрина А.М. Оптимальные стратегии монетизации доходов на
олигопольном рынке программного обеспечения как услуги . . . . . . . . . . . . . . . . .197
Суслов Н.И., Агеева С.Д. Цены энергии как фактор, воздействующий на
размеры теневой экономики: межстрановый анализ . . . . . . . . . . . . . . . . . . . . . . . 200
Ущев Ф.А. Потребительские предпочтения как источник ресурсного
проклятия в неоклассической модели роста . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
Федоров В.П., Лосин Л.А. Моделирование целевых передвижений населения
на досетевом уровне . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
Федоров В.П., Пахомова О.М., Булычева Н.В. Динамика развития
общественного и индивидуального транспорта . . . . . . . . . . . . . . . . . . . . . . . . . 208
Фридман А.А. Децентрализация природоохранного регулирования
применительно к водным ресурсам . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
Хамидов Бахтишод. Проблемы оценки общей производительности
факторов для Узбекистана . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
Чекмарева Е.А. Оценка устойчивости экономического равновесия
регионов СЗФО при различном уровне реализации
трудового потенциала занятого населения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
Чепель С.В. Тестирование альтернативных гипотез построения
моделей эндогенного роста и выводы для Узбекистана . . . . . . . . . . . . . . . . . . . 223
Чистякова Н.Е., Ильин Е.М., Косолапенко Н.Г. Анализ влияния
очередности рождений на уровень воспроизводства населения. . . . . . . . . . . . . 226
Ширяева Я.Д. Роль приватизации недвижимости малым
и средним бизнесом в развитии российских регионов . . . . . . . . . . . . . . . . . . . . 231

Подписано в печать ??.??.2011. Формат 60х84/16
Бумага офсетная. Печать офсетная
Усл.-печ. л. 14,75. Заказ № 2400
Тираж 130 экз.
Издательство «Нестор-История»
197110 СПб., Петрозаводская ул., д. 7
Тел. (812)235-15-86
e-mail: nestor_historia@list.ru; www.rossica.su
Отпечатано в типографии «Нестор-История»
198095 СПб., ул. Розенштейна, д. 21
Тел. (812)622-01-23