CC BY
20
требители из других регионов страны и зарубежные граждане, пользующиеся этими нефтепродуктами.
Все же основными из них выступают крупные нефтяные компании, мелкие предприятия, иностранные компании и «подпольщики». Большая часть рынка принадлежит нефтяным холдингам. Емкость этого рынка прежде всего определяется огромной неудовлетворенной потребностью в нефтепродуктах, основными потребителями которых являются АПК, армия, транспорт и т.д. Доля розничной торговли в общем объеме реализации нефтепродуктов крайне низка. По различным оценкам, за наличный расчет реализуется 30 % автобензина и 20 % дизельного топлива. При расчете с крупными потребителями (АПК, армией, районами Крайнего Севера) нефтепродукты выделяются, как правило, в счет кредитов.
Потребительский спрос на региональном нефте-продуктовом рынке определяется платежной способностью населения данного региона и других участников рынка, выраженной в денежной форме, а также их потребностью и предпочтениями.
Предложение на региональном уровне рынка нефтепродуктов определяется также совокупностью факторов, важнейшими из которых являются:
- отраслевая, межотраслевая, региональная и межрегиональная специализация в производстве нефтепродуктов и удельный вес в ней предприятий региона;
- изменение тенденций в потреблении нефтепродуктов, происходящих под воздействием научно-технического прогресса.
Функции нефтепродуктового рынка региона можно свести к решению следующих задач:
- удовлетворения потребностей хозяйствующих субъектов данного региона, а также других потребителей нефтепродуктами в соответствии с их доходами и потребительскими предпочтениями;
- согласования разноплановых экономических интересов продавцов и покупателей на основе эквивалентно-возмездных форм рыночных отношений;
- определения количественных и качественных пропорций в структуре спроса и предложения на неф-тепродуктовом рынке и регулирование цен.
Несовершенство официальной российской статистики по потреблению нефтепродуктов приводит к существенному разбросу данных из различных источников. Так, данные, приводимые Минэнерго, Госкомстатом и нефтяными компаниями по этим позициям, могут существенно различаться. Частично этот факт объясняется тем, что производство нефтепродуктов в России и их сбыт были в известной степени выведены Кубанский государственный университет
отечественными производителями за пределы досягаемости официальной статистики. Для нефтяников это один из способов ухода от выплаты налогов в полном объеме, а также путь к устранению препятствий их форсирования экспорта. Именно «нефтяное» лобби является одним из наиболее влиятельных в России, поэтому «серые» продажи дистиллятов и практика картельного ценообразования на данных рынках являются неотъемлемой частью современной российской экономики [3].
Все это ведет к возникновению существенных пробелов в российской статистике потребления нефтепродуктов. Основными проблемами в этой связи являются:
- практика продаж нефтепродуктов внутри непрозрачной структуры вертикально-интегрированных нефтяных компаний;
- «серая» торговля нефтепродуктами, особенно в регионах России, граничащих с бывшими советскими республиками (это относится как к нелегальному экспорту нефтепродуктов на более рентабельные западные рынки через страны СНГ и Балтии, так и импорту дистиллятов из Беларуси, Азербайджана, Казахстана и Украины (цены на нефтепродукты в этих странах зачастую ниже, чем в России), который практически никак не отражается в официальной статистике);
- воровство нефтепродуктов, в том числе из государственной системы «Транснефтепродукта» (до 10 % от общего объема прокачиваемых через систему дистиллятов).
Региональная статистика потребления нефтепродуктов содержит в себе еще больше пробелов, чем общефедеральная.
Итак, несмотря на наличие определенных экономических свобод в рыночной экономике, все-таки следует признать, что не только нефтепродуктовый, но в целом рынок региона нуждается в регулировании. Это связано с необходимостью поддержания сложившихся рациональных хозяйственных связей в регионе и установления новых, использования при этом современных экономических форм взаимоотношений.
Литература
1. Безопасность России. Энергетическая безопасность (нефтяной комплекс России). М., 2000.
2. Государственное регулирование естественных монополий: опыт, проблемы, перспективы / Под ред. О.В. Ко-ломейченко, В.Н. Ворожейкина. СПб., 2000.
3. Коржубаев А.Г. Закономерности глобального энергообеспечения и нефтегазовая политика России // ЭКО. 2005. № 10.
20 сентября 2006 г.
© 2006 г. В.И. Тинякова
АДАПТИВНО-РАЦИОНАЛЬНОЕ МОДЕЛИРОВАНИЕ ПРОГНОЗНЫХ ТРАЕКТОРИЙ ПО ОДНОМЕРНЫМ ВРЕМЕННЫМ РЯДАМ
1. Особенность адаптивно-рационального моделирования
Прогноз и неопределенность - две категории, лежащие в одной плоскости исследования экономиче-
ских процессов. Так, для того чтобы построить надежные прогнозные оценки, необходимо понять проблемы, которые препятствуют их получению, а также определить источник их возникновения. Ни у кого не
вызывает сомнения, что главный источник - неопределенность, являющаяся неотъемлемой чертой функционирования современной экономики.
Эффективного решения прогнозных задач в условиях неопределенности можно достичь с помощью адаптивного подхода. Как показал аналитический обзор, развитие его происходит по трем направлениям. Первое ориентировано главным образом на структурные усложнения прогнозных моделей. Второе состоит в совершенствовании адаптивного механизма моделей прогнозирования. В последнем направлении реализуется подход совместного применения адаптивных принципов и имитационного моделирования. Идея комбинирования, на наш взгляд, наиболее продуктивна, так как значительно расширяет круг задач перспективного анализа и открыта для своего дальнейшего развития.
Проблема в том, что модели, наделенные адаптивными свойствами, решают вопросы надежности лишь в краткосрочных прогнозах. В оценках же долгосрочной перспективы должна присутствовать информация о тех тенденциях, которые динамика моделируемых процессов еще не успела отразить, но проявление этих тенденций ожидается. Информация подобного рода, как правило, качественная, а ее носителем является человек, обладающий способностью генерировать свои рациональные ожидания относительно будущего.
Опыт как раз и свидетельствует о том, что субъективные ожидания достаточно тесно коррелируют с реальностью будущего. Следовательно, требуемый уровень надежности можно обеспечить только с помощью тех адаптивных моделей, в которые инкорпорирована информация субъективного характера. Подход, позволяющий реализовать эту идею, назван нами адаптивно-рациональным моделированием.
Таким образом, главная особенность предлагаемого подхода состоит в одновременном использовании информации различной природы: фактографической и экспертной. С одной стороны, это преимущество перед другими моделями, так как позволяет уловить даже те изменения в динамике процесса, зарождение которых только начинается, а с другой - порождает трудности, связанные с получением единой прогнозной оценки, основанной на разнородных данных -количественных и качественных.
Преодоление этих трудностей возможно при условии создания комплексной модели, в рамках которой последовательно решаются задачи адаптивной экстраполяции, имитационных расчетов, экспертного оценивания и комбинирования экстраполяционных и экспертных оценок в предположении затухающего доминирования инерционной составляющей. Создание такой модели требует не только модификации известных методов и моделей, но и разработки новых подходов, обеспечивающих эффективное комбинирование фактографической и экспертной информации. Ниже представлен один из вариантов такой модели для случая построения прогнозной траектории по одномерным временным рядам.
2. Набор данных и обозначения
Набор данных, имеющихся на момент построения модели
1. Динамика показателей:
y1 x11 x12 ••• x1m
У 2 x21 x22
x2m
уг хг1 хг 2 ''' хгт
2. Ожидаемые темпы роста моделируемого показателя в перспективном периоде:
вариант 1 qj q2 •••
вариант 2 g1
q22
дт
д2
qt2
qtn
вариант Ь дЛ
Обозначения
1. Константы:
N - число имитационных экспериментов;
М - число экспертов;
Ь - число альтернативных вариантов;
т - число факторов;
ё - порядок модели с матричным мультипликатором;
т- число прогнозных периодов;
в- число наблюдений для построения начальных значений адаптивной модели;
г - число наблюдений, используемых для построения модели.
2. Оцениваемые параметры и величины:
В' (г) = фц, Ь21,..., Ьтг) - оценки текущего значения вектора коэффициентов многофакторной адаптивной модели;
В[,(г) = Ь, Ь2,..., Ьт) - текущее значение вектора коэффициентов, используемых для расчета отклика адаптивной модели в у-м эксперименте;
те, - математическое ожидание и среднеквад-ратическое отклонение ошибки предсказания;
тЕ, - то же ошибки аппроксимации;
матрица весовых коэффициентов м>/]- , характеризующих вклад_/-го показателя в прирост /-го, имеющая вид:
W =
f 1
w21
w12 1
w1n w2n
1
Л
V ™п1 ™п2 ' -у
3. Настраиваемые параметры: а, у, в - параметры адаптивного механизма многофакторной модели (0 < а < 1, 0 < у, в< 1, у+ в< 1); П - параметр адаптивного мультипликатора
(0 < п< 1);
/ - параметр, регулирующий комбинирование в мультипликаторе прямых и косвенных темпов прироста. В мультипликаторе используется матрица М, элементы которой зависят от /
(
M =
ц 1-Ц 1-Ц Ц
1 -ц 1-ц
1 -Ц
1-ц
Л
м-
М - матрица М с оптимальным значением параметра л ;
Я - параметр, регулирующий вклад в прогнозную траекторию экстраполяционных тенденций и рациональных ожиданий;
а*, У*, Р*> П*, Л* - оптимальные значения параметров;
п - параметр, определяющий порядок многошаго-вости адаптивного механизма (п - целое).
4. Случайные величины:
Е'п-и = (ег—п+2> —п+3> к ,е()- вектор ошибки аппроксимации, характеризующий уровень рассогласованности модели с реально протекающим процессом на отрезке из (п-1) наблюдения;
(V (V
е: , е: - случайные величины с известным законом распределения, имитирующие в ^м эксперименте ошибку предсказания и ошибку аппроксимации адаптивной модели в момент времени : соответственно.
5. Процедуры моделирования случайных величин:
Б, Т - процедуры моделирования псевдослучайных чисел, имитирующих ошибку предсказания и аппроксимации соответственно.
6. Процедура экспертного оценивания:
Е - процедура интерактивного экспертного оценивания вероятности реализации того или иного прогнозного варианта.
7. Результаты экспертного оценивания:
~кг
р:+1 - вероятностная оценка, полученная от г-го эксперта, относительно реальности к-го варианта для момента времени : +1;
к
р:+1 - групповая экспертная оценка относительно реальности к -го варианта для момента времени t +1;
У:+1 - усредненный по групповым экспертным оценкам вариант для момента времени t +1;
у*ш - наиболее вероятный альтернативный вариант для момента времени t +1 по результатам экспертного опроса.
8. Переменные величины:
У: - значение моделируемой переменной в момент времени :;
„ к
у:+1 - значение к -го альтернативного варианта для момента времени : +1 (для каждого : задается фиктивный вариант У/++1, принимающее максимально возможное значение);
х: =(хц, х21,..., хт:) - вектор-строка значений независимых переменных в момент :;
хе =(хе—е+1. хе—е+2,к,хе )- составная вектор-строка, сформированная из ё вектор-строк х:, последняя из которых имеет номер е ;
1 111
хе1 хет /
'x de =
(
\
V xe-d+11 xe-d+1m
ставная вектор-строка с компонентами, равными обратным элементам вектор-строки хе ;
Хп: =(х:—п+1, х:—п+2,...,х:)' - матрица из вектор-строк независимых переменных;
Де - вектор-столбец отклонений текущих значений факторов от предыдущих в момент времени е .
9. Моделируемые переменные и величины:
Уе - комбинированная матрица прямых и косвенных темпов прироста для момента времени е ;
Ае(л) - начальное значение матричного мультипликатора, определенное по данным, последнее наблюдение которых имеет номер е ;
хе - составная вектор-строка расчетных значений в момент времени :;
Д: - вектор-столбец корректирующих (разностей фактических и расчетных значений) приростов в момент времени :;
У - комбинированная матрица корректирующих прямых и косвенных темпов прироста в момент времени :;
Af (сх*,ц*)-
уа , л корректирующий мультипликатор для момента времени :;
I* * \ а J
- мультипликатор для момента времени
t;
- со-
у'п—1: = (У:—п+2>У:—n+3,■■■, У:)- вектор-столбец из (п — 1) фактического значения зависимой переменной;
у'п—1: =(У:—п+2 > У:—п+3,... >у:) - вектор-столбец из (п — 1 ) расчетного значения зависимой переменной;
У/+1- вариант прогнозного значения зависимой переменной, полученный как результат V -го имитационного эксперимента;
У:+1- расчетное значение зависимой переменной для момента : +1;
У:+1 - средневзвешенное по альтернативным вариантам значение зависимой переменной для момента времени : +1;
У*+1 - наиболее вероятный альтернативный вариант для момента : +1 по результатам имитационных расчетов;
У/+1- значение моделируемого показателя, полученное в V -м эксперименте для момента времени : +1;
„ к
р:+1 - оценка вероятности достижения моделируемым показателем к -го варианта по сценарию для момента времени : +1;
кх
+1 - индикаторная переменная, принимающая значение 0 или 1 в зависимости от результата сравнения полученной величины моделируемого показателя в V -м эксперименте для периода : +1 с соответствующим к -м альтернативным вариантом;
2(.) - критерий настройки параметров адаптации;
У:а+1- значение адаптивно-рациональной прогнозной траектории для момента времени : +1.
10. Прочие обозначения:
Яг - обратная матрица размера (п х п), используемая в рекуррентной формуле адаптивного механизма;
С-1 - матрица, обратная матрице соответствующей системы нормальных уравнений.
3. Вычислительная схема адаптивно-рациональной модели 1. Расчет альтернативных вариантов:
f yk " yt+1
Ук+2
0
f qk 0 qfqf
v yt "
yt
00
qlql •••qT Л yt;
(1)
V уг+ту V
2. Построение начального значения матричного мультипликатора:
Де =
(x e)'-(xi-1)':
Уе=Де *хd;
(2) (3)
Ае (ц) = (i - M * W * Ve) 1
у-1™" ™ " . (4)
3. Настройка параметров матричного мультипликатора:
( *\ П
*
= ArgminZ(n, ц).
(5)
4. Построение адаптивного матричного мультипликатора с оптимально настроенными параметрами:
() = А,-,(•,/)(.,);
(x d)-();
Д, =
Vt =Д, * xt
d
(6)
(7)
(8) (9)
i *\ а
в
v
= ArgminZ(a, у, ß).
(14)
8. Построение многошаговой адаптивной регрессионной модели:
Упг = ХпгВ(г -1); (15)
Я г = (Хпг С--1ХПг +а* I)-1; (16)
В(г) = В(г -1) + р* [В(г -1) - В(г - 2)] +
+ (1 -у* -ß*)C-1X'ntR,[ynt -Уп,];
c-1 =j-
t *
С-Л - Q-WRtXntcf-1
(17)
(18)
Аг (*,/*)= (-М** W * Уг);
Аг(т1*,/*)=а*Аг-1(П*, /*)+ (1 -^К(л*,/*К(П*,/*).(10)
5. Прогноз факторов:
(+1) = Аг (*,/*)( ). (11)
6. Построение начальных значений адаптивной регрессионной модели:
О-1 =(Х'вХв)1, (12)
В(0)= С-^Ув. (13)
7. Настройка параметров адаптивной регрессионной модели:
9. Имитационные расчеты по адаптивной регрессионной модели:
' (19)
(20)
(21) (22)
(23)
(24)
(25)
(26)
, к = 1Ь ; (27)
У п-1t = Xn-1t B(i);
En—1t = yn-1t - Уn—1t ;
ef+1 = F(me, se);
EVnt+1 = (En-1t :et+1)' .
Rt+1 = (Xnt+1c- lX'nt+1 +a I) 1 ,
Bv (t+1) = B(t) + ß* [B(t) - B(t -1)] +
+ (1 -y* -ß*)C-1X'nt+1Rt+1EVt;
ev+1 = T(ms, ss),
yv+1 = x t+1bv(/ +1) + sv+1;
kv j0, если yv+1 < yk+1
Ю,+1 = <!
j1, если ytk+1 < yV+1 < yf+V
„k ir-^, ,kv
Pt+1 = N +1
V = 1 •
m
у ) k у k
у,+1 = Z р,+1yt+1; k=1
y*+1 = Argmax p,+1, j (y,+1 = y/+1)
(28)
(29)
(30)
{(уп_1г: у+1), если прогноз усредненный
(уп-1г: У*+1)) если прогноз наиболее вероятный; (31)
ynt+1
= Xnt+1b(t) ;
B(t+1)=B(t)+ß* [B(,) - B(t -1)]+
+ (1 -y* -ß*)C-1X'nt+1rt+1[Уnt+1 -ynt+1] Cf-b1 = ~*l.Cf1 - C- lX'nt+1rt+1xnt+1c-1
10. Экспертное оценивание: Р = Е (у, Р)
, 1 м -
р к+,=-1 мРкг+1,1=1,т
М г=1
т , , -
у1+1 = м Рг+гУг+1 ,1 = 1,т к=1
У*+1 = АГВШЗХ{ Ргк+ г (Уг+г = Угк+ г) } , I = (38)
11. Построение одношаговой адаптивной регрессионной модели:
Уг = Хг В(г -1).
(32)
(33)
(34)
(35)
(36)
(37)
c-1 x'
B(()=B(( - 1)+y „_r1xt [У, - У, ]
c-1 = -
' а
x t c--1xt +a
p-1 Cf-\х, xt C--1
Ct-1---1-
xtCt -1xt +a
(39)
(40)
(41)
а
а
*
У
12. Настройка параметров одношаговой адаптивной регрессионной модели:
{
= А^шш2(а, у). (42)
уУ* ^
13. Расчет значений комбинированной прогнозной траектории:
B ((+1)= B(() +у*
C-1xt
t+1
xt+1C- 1xt+1 +а
(1 -f)[:
yt+1
-xt+1B (( )]
k = 1, т
(43)
(44)
У?+1 = х:+1В(: +1).
4. Описание вычислительной схемы модели
Расчет значений адаптивно-рациональной прогнозной траектории по модели (1)-(44) начинается с определения альтернативных вариантов. Каждый вариант определяется на весь упреждающий период и представляет собой последовательность значений „ к ) к ) к
У:+1, У:+2, к, у:+т моделируемого показателя, рассчитанных в соответствии с заданными темпами рос-
к к к
та. Причем темпы роста ^ , ^, - •, ЧТ по периодам могут быть различными.
Необходимым условием проведения прогнозных расчетов с помощью этой модели является наличие упреждающих значений факторов. Как правило, информация о значениях факторов в перспективном периоде отсутствует. Для подобных случаев в начале вычислительной схемы предусмотрен специальный блок, позволяющий получить оценки требуемых значений. Учитывая многомерность, с которой приходится иметь дело при предсказании факторного многообразия, в этом блоке для прогнозирования используется адаптивный вариант матричного мультипликатора, подробное описание которого изложено в [1]. Последовательность построения такого мультипликатора осуществляется в несколько этапов.
На первом этапе получают начальное значение адаптивного мультипликатора, для чего исходные данные делятся на две группы. Группа с наиболее ранними наблюдениями в соответствии с порядком модели используется для расчета элементов комбинированной матрицы прямых и косвенных темпов прироста, на основе которой и определяется начальное значение мультипликатора. Вторая группа используется для оптимальной настройки параметров мультипликатора по критерию, минимизирующему относительные ошибки постпрогнозных расчетов. После настройки значение мультипликатора с оптимальными параметрами последовательно уточняется по всем данным второй группы. Скорректированный по последнему наблюдению мультипликатор А:(п*, л*) используется для расчета вектора прогнозных значений факторов х/+1. Фактически получение этих значений завершает процесс формирования информационной базы для дальнейших расчетов, предусматривающих построение многофакторной адаптивной регрессионной модели.
Для нее с помощью МНК по данным первой группы наблюдений определяются начальные значения в
виде обратной матрицы системы нормальных уравнений С—1 и вектора коэффициентов регрессии В(0). Затем, как и на предыдущем этапе, по критерию, минимизирующему относительные ошибки постпрогнозных расчетов с использованием данных второй группы, настраиваются параметры а, у, в многошаговой адаптивной регрессии. С помощью рекуррентных формул, в которых используются значения оптимально настроенных параметров, окончательно уточняются коэффициенты многошаговой адаптивной регрессионной модели по всем наблюдениям второй группы. Полученная модель предназначена для проведения имитационных расчетов.
Имитационные эксперименты с построенной адаптивной моделью начинаются с расчетов постпрогнозных значений (19) и постпрогнозных ошибок (20), которые в (22) дополняются псевдослучайным числом (21), имитирующим прогнозную ошибку для момента : +1. Рекуррентная формула (24) реализует многошаговый адаптивный механизм, с помощью которого пересчитываются текущие значения коэффициентов регрессии в зависимости от постпрогнозных ошибок и ошибки в виде псевдослучайного числа (25), полученного с помощью датчика случайных чисел. Фактически в адаптивном механизме этой модели используются два вида обратной связи: реальная и имитируемая. Такой подход обеспечивает получение результатов имитационных экспериментов с минимальной дисперсией, что свидетельствует о высокой надежности блока имитационных расчетов модели.
Измененные коэффициенты в (24) используются для расчета значений прогнозной траектории с учетом ошибки аппроксимации в виде псевдослучайного числа (25). Индикаторная переменная (27) совместно с (28) позволяет оценить вероятности достижения вариантов, предусмотренных сценарием, которые затем в (26) используются для подсчета математического ожидания возможных вариантов, а в (27) для определения наиболее вероятного варианта. Одно из значений, полученных в (26) и в (27), в зависимости от предположений, лежащих в основе прогнозных расчетов, принимается за вновь поступившее наблюдение (28) и далее вместе с предыдущими значениями фактических наблюдений используется в многошаговом адаптивном механизме (30) для корректировки коэффициентов регрессии. В (31) рекуррентно пересчиты-вается обратная матрица и с (19) начинается новая серия имитационных экспериментов для момента времени : + 2 и т.д.
После того как получены эмпирические вероятности достижения альтернативных вариантов начинается следующий этап прогнозных расчетов, на котором применяется процедура экспертного опроса для формирования рациональных ожиданий. Компьютерный вариант рассматриваемой здесь модели предусматривает интерактивный режим экспертного оценивания. В результате обработки данных, полученных от г-го эксперта, мы имеем субъективные
вероятностные оценки р:г+/д, РГ+/,2>--->РГ+1,ь возможной реализации каждого из ожидаемых вариан-
тов у:+п, у: +12,— ,Уг+1 ь для рассматриваемых упреждающих моментов времени I = 1,т .
Главным моментом завершающего этапа прогнозных расчетов является построение модели переходного процесса, представляющей собой своеобразную модификацию одношаговой адаптивной. Для расчета ее коэффициентов используются вышеопределенные
начальные значения С—1, В(0) и адаптивный вариант РМНК. Параметры адаптации полученной модели (39)-(41) настраиваются по критерию, минимизирующему относительные ошибки постпрогнозных расчетов (39). Затем с помощью модифицированного варианта рекуррентной формулы (43) пересчитыва-ются коэффициенты адаптивной регрессии, а само уравнение регрессии с пересчитанными коэффициентами используется в расчетах значений адаптивно-рациональной траектории (44).
5. Верификация модели и выводы
Верификация предложенной здесь модели была проведена на примере решения задачи прогнозирования денежных доходов населения одного из регионов РФ. Факторами в этой задачи выступили: 1) уровень оплаты труда; 2) размер социальных трансфертов;
Воронежский государственный университет
3) величина доходов от предпринимательской деятельности.
Проведенный вычислительный эксперимент подтвердил, что разработанная модель представляет собой достаточно гибкий инструмент для обоснования многовариантных прогнозных решений, основанных на результатах интерференции тенденций сложившейся динамики, рациональных ожиданий экспертов и искусства исследователя-прогнозиста. Она открыта для дальнейшего совершенствования и легко адаптируется к различным условиям, в которых будут проводиться прогнозные расчеты. Несмотря на высокую сложность модели, детализация всех ее блоков доведена до уровня, делающего доступным компьютерную реализацию адаптивно-рациональной модели, а это позволяет перевести теоретический замысел построения таких моделей в практическую плоскость прогнозных расчетов.
Литература
1. Давнис В.В. и др. Прогноз и стратегический выбор. Воронеж, 2004.
2. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М., 2003.
29 мая 2006 г.
© 2006 г. А.В. Трунов
ЭКОНОМИЧЕСКОЕ СОДЕРЖАНИЕ ФИНАНСОВО-ПРОМЫШЛЕННОЙ ГРУППЫ
Для поступательного развития отечественной экономики весьма важно найти эволюционные пути и механизмы, которые, с одной стороны, могли бы поставить на службу этому развитию имеющуюся производственную базу, с другой - позволили бы нейтрализовать влияние сложившихся негативных стереотипов хозяйственного поведения.
Рассматривая первые практические шаги, в качестве наиболее реального способа достижения поставленных задач можно выделить формирование финансово-промышленных групп (ФПГ), зарегистрированных в соответствии с российским законодательством и уже сейчас занимающих важное место в отечественной экономике по всем основным отраслям народного хозяйства.
Термин «финансово-промышленная группа», получивший широкое распространение на постсоветском экономическом пространстве, употребляется пока в несколько взаимосвязанных, но не вполне совпадающих значениях. Чаще всего им обозначаются любые формы относительно устойчивого сотрудничества и взаимопроникновения промышленного и финансового капитала. Например, Б.З. Мильнер определяет ФПГ как диверсифицированную многофункциональную структуру, образованную в результате объединения капиталов предприятий, кредитно-финансовых и инвестиционных институтов, а также других организаций с целью максимизации прибыли, повышения эффективности производственных и финансовых операций, усиления конкурентоспособности на внутреннем и внешнем рынках, упрочения техноло-
гических и кооперационных связей, роста экономического потенциала участников [1]. Данное определение не содержит, по нашему мнению, сущностных характеристик ФПГ и может относиться к другим корпоративным структурам.
М.А. Эскиндаров считает, что «ФПГ - это суперкорпорация, созданная посредством акционирования, объединяющая материальные и нематериальные активы» [2]. Здесь также не содержится сущностных характеристик понятия. Любая форма интеграции предприятий предполагает объединение материальных и нематериальных активов, а акционирование характеризует понятие «корпорация». В другой работе М. А. Эскинда-ров вместе с И.Ю. Беляевой приходят к выводу, что наиболее общим понятием ФПГ является «макроструктура». В связи с этим различаются следующие виды макроструктур: картели, консорциумы, конгломераты, ТНК и ФПГ. Как представляется, именно ФПГ имеет самый высокий уровень внутренней организации и отличается от ТНК тем, что проводит единую инвестиционную политику и включает такие признаки, как наличие внутренней конкуренции и внутреннее распределение финансовых ресурсов [3]. С характеристикой ФПГ и ТНК как самостоятельных макроструктур вряд ли можно согласиться. Более того, данный подход вступает в противоречие с трактовкой понятия ФПГ, принятой в международной практике.
В.Е. Дементьев дает два определения: «ФПГ представляет собой любые формы относительно устойчивого сотрудничества и взаимопроникновения промышленного и финансового капитала» [4]; «ФПГ - такая
