10654
.pdfВнастоящее время для реализации нейросетевых концепций применяются специализированные пакеты программ. В данной работе использован аналитический пакет Deductor [8].
Врезультате нейросетевого моделирования получено, что в рассматриваемом периоде времени все регионы РФ распределились по 5 кластерам. На рис.1 в качестве примера представлена СОК Кохонена за
2014 г.
Рис.1. Самоорганизующаяся карта Кохонена за 2014 г.
Кластер № 1 составили регионы с высокими значениями всех показателей деятельности малых предприятий, а кластер № 5 – с низкими значениями показателей.
Рис. 2 демонстрирует динамику распределения регионов РФ по кластерам за период 2012 – 2015 гг.
Таблица1. Динамика распределения регионов РФ по кластерам за 2012 – 2015 гг.
|
Год |
|
|
|
|
|
|
|
2010 |
2011 |
2012 |
2013 |
2014 |
Кластер |
|
|
|
|
|
|
|
|
|
|
|
|
|
№ 1 |
|
2 |
2 |
2 |
3 |
3 |
|
|
|
|
|
|
|
№ 2 |
|
4 |
1 |
1 |
3 |
19 |
|
|
|
|
|
|
|
№ 3 |
|
4 |
4 |
6 |
1 |
4 |
|
|
|
|
|
|
|
№ 4 |
|
19 |
20 |
17 |
18 |
1 |
|
|
|
|
|
|
|
№ 5 |
|
54 |
56 |
57 |
58 |
58 |
|
|
|
|
|
|
|
Табл. 1 показывает, что наблюдается сильная вариация количества регионов России по кластерам. В кластерах № 1 и № 5 существуют ядра с постоянным составом определенных регионов. Ядро кластера № 1 состоит из 2 регионов РФ (г. Москва и Ханты-Мансийский автономный округ). В
100
ядро кластера № 5 входят 52 региона, в том числе 9 регионов ПФО: Республика Марий Эл; Республика Мордовия; Удмуртская Республика; Чувашская Республика; Кировская, Оренбургская, Пензенская, Саратовская и Ульяновская области. С 2010 по 2013 гг. Пермский край, Нижегородская и Самарская области находились в кластере № 4, а в 2014 г. перешли в кластер № 2, улучшив показатели деятельности малых предприятий.
В табл. 2 приведена статистика средних значений показателей деятельности малых предприятий в регионах РФ по кластерам и общего среднего по стране показателя за 2010 – 2014 гг.
Таблица 2. Статистика средних значений показателей деятельности малого предпринимательства в регионах России по кластерам и общего среднего по РФ за период 2010 – 2014 гг.
Год |
Кластер |
Х1 |
Х2 |
Х3 |
Х4 |
Х5 |
|
|
|
|
|
|
|
|
№ 1 |
600318,5 |
29057,35 |
386569 |
1366368 |
39789,15 |
|
|
|
|
|
|
|
|
№ 2 |
206614,25 |
3852,87 |
608784,25 |
343222,25 |
20013,92 |
|
|
|
|
|
|
|
|
№ 3 |
101491,25 |
1461,52 |
284795 |
176048,75 |
12257,92 |
2010 |
|
|
|
|
|
|
|
№ 4 |
59364,57 |
1307,84 |
120007,57 |
45730,63 |
9282,72 |
|
|
|
|
|
|
|
|
№ 5 |
24346,74 |
229,08 |
47729,9 |
13038,18 |
3142,7 |
|
Среднее по РФ |
58743,49 |
1404,72 |
110903,8 |
76900,77 |
6683,65 |
|
|
|
|
|
|
|
|
№ 1 |
628894 |
31152,15 |
448400,5 |
1333325,5 |
35187 |
|
|
|
|
|
|
|
|
№ 2 |
96747 |
6294,2 |
1298360 |
1127676 |
7833,9 |
|
|
|
|
|
|
|
|
№ 3 |
201959 |
3702,375 |
457585,5 |
270083,25 |
21520,3 |
2011 |
|
|
|
|
|
|
|
№ 4 |
71996,35 |
1668,71 |
189115,45 |
74352,7 |
8715,425 |
|
|
|
|
|
|
|
|
№ 5 |
23513 |
273,38 |
58584,98 |
14821,37 |
3169,21 |
|
Среднее по РФ |
59265,37 |
1591,46 |
133597,2 |
86647,12 |
6217,75 |
|
|
|
|
|
|
|
|
№ 1 |
660394,5 |
33086,3 |
630237 |
1513023 |
39789,15 |
|
|
|
|
|
|
|
|
№ 2 |
95455 |
7179,9 |
1456957 |
1061311 |
8587,1 |
|
|
|
|
|
|
|
|
№ 3 |
180323,3 |
3487,2 |
478584,83 |
259980,5 |
18653,66 |
2012 |
|
|
|
|
|
|
|
№ 4 |
65124,7 |
1720,66 |
184378,76 |
73857,94 |
9530,14 |
|
|
|
|
|
|
|
|
№ 5 |
23398,19 |
301,05 |
68694,92 |
17086,26 |
3379,51 |
|
Среднее по РФ |
60340,46 |
1096,05 |
155397,5 |
96613,28 |
6197,9 |
|
|
|
|
|
|
|
|
№ 1 |
485142 |
25493 |
680372 |
81907,33 |
40931,1 |
2013 |
|
|
|
|
|
|
|
№ 2 |
195992,67 |
5646 |
999030,33 |
675912 |
15093,6 |
|
|
|
|
|
|
|
|
|
|
101 |
|
|
|
|
№ 3 |
12292 |
12033 |
11412 |
11440 |
11690 |
|
|
|
|
|
|
|
|
№ 4 |
76505,11 |
1333,39 |
238194,44 |
81308,55 |
2665,54 |
|
|
|
|
|
|
|
|
№ 5 |
25224,33 |
335,65 |
71828,24 |
13055,93 |
3704,29 |
|
|
|
|
|
|
|
|
Среднее по РФ |
58985,53 |
1794,2 |
162688,6 |
83203,95 |
7134,5 |
|
|
|
|
|
|
|
|
№ 1 |
478267 |
6782,67 |
704081,33 |
436749,33 |
42887,63 |
|
|
|
|
|
|
|
|
№ 2 |
63304,53 |
1785,53 |
186525,79 |
36143,84 |
10538,75 |
|
|
|
|
|
|
|
|
№ 3 |
197381 |
4193,25 |
527245,25 |
97208,75 |
17134,22 |
2014 |
|
|
|
|
|
|
|
№ 4 |
100327 |
6964 |
1690315 |
13460,31 |
8930,6 |
|
|
|
|
|
|
|
|
№ 5 |
24365,22 |
333,33 |
71636,24 |
11502,09 |
3597,76 |
|
|
|
|
|
|
|
|
Среднее по РФ |
58124,95 |
1851,09 |
58124,95 |
51752,56 |
7235,73 |
|
|
|
|
|
|
|
Из анализа данных табл. 2 следует, что количество малых предприятий в кластерах № 1 – № 4 превышает их общее среднее по РФ. При этом среднее число предприятий по России с 2010 по 2013 г. возрастает, а далее незначительно уменьшается. В рассматриваемом периоде наблюдается возрастающая динамика оборота малых предприятий, кроме 2012 года, а также возрастающая динамика инвестиций в основной капитал малых предприятий за весь рассматриваемый период. С 2010 по 2012 гг. был рост сальдированного финансового результата деятельности малых предприятий, а с 2013 г. – уменьшение данного показателя. С 2013 г. произошло увеличение объема субсидий малому предпринимательству, выделенных из федерального бюджета.
Проведенное исследование позволило определить особенности динамики деятельности малых предприятий в регионах Российской Федерации. Полученные результаты свидетельствуют о неравномерном характере деятельности малого предпринимательства в регионах России. Результаты работы представляют практический интерес для принятия управленческих решений с целью реализации комплекса мер, способствующих развитию малого предпринимательства.
Литература
1.Постановление правительства Российской Федерации от 30.12. 2014 № 1605 (ред. от 25.05. 2016) «О предоставлении и распределении субсидий из федерального бюджета субъектам РФ на государственную поддержку малого и среднего предпринимательства, включая крестьянские (фермерские) хозяйства в 2015 году». – URL: http://www.consultant.ru
2.Федеральная служба государственной статистики Российской Федерации [Электронный ресурс]. – URL: http://www.gks.ru
102
3.Калькулятор инфляции [Электронный ресурс]. – URL: http://planetcalc.ru
4.Перова В.И. Нейронные сети: Учебное пособие. Часть 2. Нижний Новгород: Изд-во Нижегородского госуниверситета, 2012. 111 с.
5.Перова В.И. Нейронные сети в экономических приложениях. Часть 2. Нейронные сети, обучаемые без учителя: Учебное пособие. Нижний Новгород: Изд-во Нижегородского госуниверситета, 2012. 135 с.
6.Кузнецов Ю.А., Перова В.И., Воробьева Е.В., Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35 (242). С. 25 – 36.
7.Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях: Учебное пособие. Нижний Новгород: Изд-во Нижегородского госуниверситета, 2004. 135 с.
8.Аналитический пакет Deductor [Электронный ресурс]. – URL: http://www.basegroup.ru
Перова В.И., Стулова Д.С.
(ФГАОУ ВО «Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского»)
ИССЛЕДОВАНИЕ ДИНАМИКИ ДЕЯТЕЛЬНОСТИ БАНКОВ РОССИЙСКОЙ ФЕДЕРАЦИИ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
Банковский сектор играет одну из ключевых ролей в экономике любой страны. Развитие банковской отрасли предполагает анализ показателей её деятельности. На 1 сентября 2016 г. в Российской Федерации зарегистрировано 918 коммерческих банков, но среди них действуют только 610, а у 308 банков аннулирована лицензия на осуществление банковских операций. В связи с этим, исследование деятельности банковского сектора является необходимой и актуальной задачей.
В данной работе с использованием нейросетевого моделирования проведен анализ динамики деятельности 141 банка Российской Федерации за период с марта 2011 по март 2016 гг.
Для исследования выбраны семь показателей, позволяющих объективно оценить положение кредитной организации в банковском секторе страны
[1, 2]:
103
чистая прибыль (тыс. руб.);
вложения в ценные бумаги (тыс. руб.);
выданные межбанковские кредиты (тыс. руб.);
вложения в капиталы других организаций (тыс. руб.);
основные средства и нематериальные активы (тыс. руб.);
кредитный портфель (тыс. руб.);
вклады физических лиц (тыс. руб.).
Все показатели приведены к ценам на март 2016 г. с учетом инфляции [3].
При проведении исследований использовались перспективные информационные технологии, к которым относятся методы нейросетевого моделирования [4 – 6]. Нейросетевой подход свободен от модельных ограничений и одинаково может применяться для линейных и нелинейных зависимостей. Нейросетевые технологии успешно применяется в финансово-экономических и общественных исследованиях [4, 7].
В настоящее время при реализации нейросетевых концепций используются специализированные программные продукты. В работе инструментом для проведения исследований являются самоорганизующиеся карты Кохонена [5 – 7], реализованные в пакете
Viscovery SOMine.
Самоорганизующиеся карты Кохонена (далее – СОК) отличаются от всех других типов нейронных сетей, поскольку обучаются без учителя на основе самоорганизации. При этом обеспечивается отображение из пространства входных данных большой размерности в элементы выходного слоя, называемого слоем топологической карты, с сохранением топологии. Элементы карты, или нейроны, обычно образуют двумерную решетку. Свойство сохранения топологии заключается в том, что СОК распределяет сходные векторы входных данных по нейронам таким образом, что точки, которые расположены в пространстве входов близко друг к другу, отображаются на близко расположенные элементы СОК. Поэтому самоорганизующиеся карты Кохонена служат эффективным средством кластеризации и визуализации данных большой размерности [6, 7].
На рис. 1 в качестве примера представлена СОК, полученная в результате кластеризации банков на основании показателей за 2016 г.
104
Рис.1. Распределение банков по кластерам в 2016 г.
По итогам исследования банки в рассматриваемом периоде времени распределились по шести кластерам. При этом банки ПФО вошли преимущественно в кластер № 1 с низким значением показателей.
Табл. 1 демонстрирует динамику численности банков в кластерах за период с марта 2011 по март 2016 гг.
Таблица 1. Динамика количества банков в кластерах в 2011-2016 гг.
|
Год |
2011 |
2012 |
2013 |
2014 |
2015 |
2016 |
Кластер |
|
||||||
|
|
|
|
|
|
|
|
1 |
|
126 |
127 |
131 |
128 |
127 |
120 |
2 |
|
9 |
8 |
5 |
9 |
5 |
14 |
3 |
|
2 |
3 |
2 |
1 |
5 |
3 |
4 |
|
2 |
1 |
1 |
1 |
2 |
2 |
5 |
|
1 |
1 |
1 |
1 |
1 |
1 |
6 |
|
1 |
1 |
1 |
1 |
1 |
1 |
Анализ данных, приведенных в табл. 1, показывает, что распределение банков в кластерах неравномерно.
На рис. 2 приведены результаты деятельности банков за рассматриваемый период по кластерам для показателя «Кредитный портфель».
Рис. 2. Динамика средних значений показателя «Кредитный портфель» по кластерам за период март 2011 – март 2016 гг.
105
На рис. 2 видны резкие перепады средних значений показателя «Кредитный портфель» в банках, составивших кластеры № 5 и № 6. Отметим, что с 2011 по 2013 гг. в кластере № 6 содержался только банк ВТБ, а после 2013 г. – только Сбербанк России. Аналогичные неравномерные зависимости наблюдаются и по остальным показателям.
Для получения более объективных и наглядных результатов, произведено повторное распределение по кластерам банков, вошедших в кластер № 1, в который распределилось наибольшее количество банков (табл. 1).
Результаты повторной кластеризации за период с марта 2011 по март 2016 гг. показаны в табл. 2.
Таблица 2. Динамика количества банков в кластерах, образованных на основании данных из кластера № 1
|
Год |
2011 |
2012 |
2013 |
2014 |
2015 |
2016 |
Кластер |
|
||||||
|
|
|
|
|
|
|
|
1-1 |
|
102 |
101 |
102 |
114 |
114 |
71 |
1-2 |
|
11 |
14 |
14 |
8 |
4 |
29 |
1-3 |
|
5 |
4 |
10 |
2 |
3 |
13 |
1-4 |
|
4 |
3 |
1 |
2 |
2 |
3 |
1-5 |
|
3 |
1 |
1 |
1 |
3 |
3 |
1-6 |
|
1 |
1 |
1 |
1 |
1 |
1 |
Из табл. 2 следует, что большая часть банков сосредоточилась в кластере № 1-1, который характеризуется низкими значениями исследуемых показателей. На рис. 3 приведены результаты деятельности банков, вошедших в кластеры № 1-1 – 1-6, по показателю «Кредитный портфель» за рассматриваемый период. В банках кластеров № 1-4 – 1-6 наблюдается неравномерная динамика среднего значения этого показателя.
Рис. 3. Динамика средних значений показателя «Кредитный портфель» по кластерам за период март 2011 – март 2016 гг.
106
Нейросетевое моделирование показателей деятельности банковского сектора Российской Федерации, как многофакторного явления, позволило определить динамику его развития. В результате исследования выявлено, что по выбранным показателям эффективнее действуют крупные банки, внося наибольший вклад в экономику страны.
Литература
1.Информационное агентство «Банки.ру» [Электронный ресурс].
–URL: http://www.banki.ru/banks/ratings/
2.Центральный банк Российской федерации [Электронный ресурс]. – URL: http://www.cbr.ru/
3.Калькулятор инфляции [Электронный ресурс]. – URL:
уровень-инфляции.рф/инфляционные_калькуляторы.aspx
4.Кузнецов Ю.А., Перова В.И., Воробьева Е.В. Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35 (242). С. 25–36.
5.Перова В.И. Нейронные сети в экономических приложениях. Часть 1: Учебное пособие. Н. Новгород: Изд-во Нижегородского госуниверситета, 2012. 111 с.
6.Перова В.И. Нейронные сети. Часть 2. Нейронные сети, обучаемые без учителя: Учебное пособие. Нижний Новгород: Нижегородский госуниверситет, 2012. 135 с.
7.Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт: Пер. с англ. – М.: Издательский дом «АЛЬПИНА», 2001. 317 с.
Степанова А.А., Дрягалова Е.А.
(ФГБОУ ВО «Нижегородский государственный архитектурностроительный университет»)
АНАЛИЗ ВЗАИМОСВЯЗИ АКМЕОЛОГИЧЕСКОГО ПОТЕНЦИАЛА И ПРОФЕССИОНАЛЬНОЙ НАПРАВЛЕННОСТИ ЛИЧНОСТИ
Акмеологией называют раздел психологии развития, который исследует закономерности и механизмы, обеспечивающие возможность достижения высшей ступени индивидуального развития. Эта наука занимается не только изучением достижений человека, но и исследует, что привело его к этим достижениям. Иными словами, она определяет, при
107
каких условиях человек сможет достичь максимального развития физических, интеллектуальных и духовных возможностей [2; 3].
Потенциалом в акмеологии называют не только то, что дано от природы, но и индивидуальную, постоянно пополняемую, возобновляемую и совершенствуемую систему знаний и умений, характерологических свойств и прочего, что непосредственно, связано с личностным и личностно-профессиональным развитием[4]. Сущность акмеологического потенциала заключается в индивидуальной системе внутренних ресурсов личности, которые обеспечивают личностный рост, самоактуализацию и самореализацию, движение с постоянным усложнением и обновлением этих ресурсов, проявляемой в социально и личностно важной деятельности. Таким образом, акмеологический потенциал личности определяется как динамическая система, включающая в себя ценностные, мотивационные, рефлексивные, оценочные, когнитивные и операциональные элементы [1].
Ценностные ориентации представляют систему ценностных предпочтений, которые выражают субъективное отношение личности к объективным условиям жизни, определяют поступки и действия человека, проявляют себя в практическом поведении. Профессионально-ценностные ориентации – важнейший компонент структуры личности, имеющей в своей структуре мотивационный, отношенческий, когнитивный, эмоциональный и оценочный компоненты и обеспечивающий успешность процесса профессиональной ориентации будущих специалистов [5].
Профессиональная направленность относится к обширному классу мотивационных явлений, организующих и управляющих деятельностью человека. Она трактуется как сложное, системное, динамическое образование, совокупность установок и ценностных ориентаций в профессиональной сфере, система целей, мотивов, потребностей и интересов, выражающихся в активной деятельности по их достижению [6].
В рамках нашего исследования профессиональная направленность личности рассматривались нами как структурный элемент профессиональной надежности человека. Был проведен корреляционный анализ между характеристиками акмеологического потенциала личности и показателями профессиональной надежности курсантов МВД. Значительные корреляционные связи были выявлены между критериями акме и карьерных ориентаций.
Наиболее высокие коэффициенты корреляции (r) были получены между следующими характеристиками акмеологического потенциала личности и показателями профессиональной надежности курсантов МВД РФ:
Прямые связи: импульсивность и ориентация на автономию (r=0,30); импульсивность и ориентация на предпринимательство (r=0,42); интерес и ориентация на предпринимательство (r=0,37); эмоциональный тонус и
108
ориентация на служение (r=0,37); направленность на взаимные действия и мотивация социоцентрическая (r=0,31); направленность на себя и ориентация на менеджмент (r=0,31); направленность на задачу и ориентация на профессиональную компетентность (r=0,34).
Полученные корреляционные связи и достоверные коэффициенты выступают эмпирическим доказательством взаимосвязи характеристик акмеологического потенциала личности и профессиональной направленности курсантов МВД РФ. В частности, карьерные ориентации на автономию и предпринимательство подразумевают стремление к самостоятельности, творчеству, свободе, отказ от подчинения, готовность идти на риск, что коррелирует с таким качеством, как импульсивность. Подобное поведение зачастую свойственно людям занимающимся творчеством, бизнесом и предпринимательством, или озабоченных своей автономией. Склонность действовать без достаточного сознательного контроля, под влиянием внешних обстоятельств или в силу эмоциональных переживаний движет человеком в достижении своих целей и ориентаций.
Наличие прямой корреляционной связи между интересом, как показателем психического функционирования и ориентацией на предпринимательство определяется следующим. Человек с ориентацией на предпринимательство склонен к созидательной деятельности, к тому же он достаточно предприимчивый и целеустремленный. Его желание идти до конца, вкладываться в работу, преодолевая препятствия, поддерживается его высокой заинтересованностью, т.о. чем выше интерес, тем больше человек ориентирован на выполнение той или иной деятельности или задания.
В ходе корреляционного анализа была получена взаимосвязь между эмоциональным тонусом и карьерной ориентацией на служение. В условиях обучения вуза МВД ориентация на служение является неотъемлемой частью, способствует выработке необходимых сотруднику МВД ценностей и качеств. В соответствующем коллективе такие ценности и ориентиры поддерживаются и поощряются всеми его членами. При нахождении человека в окружающей среде, соответствующей его ожиданиям, установкам и ориентациям, которые к тому же поддерживаются и поощряются окружением, общий и индивидуальный эмоциональный тонус усиливаются и повышаются. Эмоциональный тонус в свою очередь приводит к состоянию легкости, удовлетворению и способствует вовлеченности в деятельность.
Вполне естественна корреляционная взаимосвязь направленности на взаимные действия и социоцентрической мотивации, т.к. и тот и другой показатель говорят о желании личности находиться в коллективе. Человек с социоцентрической мотивацией склонен выполнять общественноважные поручения, быть социально значимым, он испытывает чувство долга перед
109