CC BY
22
Б01: 10.15593/2224-9354/2020.2.21 УДК 332.1(470+571):005.935.3
М.Р. Русинова
АЛГОРИТМИЗАЦИЯ ПРОЦЕДУРЫ ПРОВЕДЕНИЯ «УМНОГО» БЕНЧМАРКИНГА РЕГИОНОВ РОССИЙСКОЙ ФЕДЕРАЦИИ
На сегодняшний день сложно представить решение оперативных управленческих задач, реализацию долгосрочных проектов и осуществление последующего контроля над ними без автоматизации. Использование алгоритмизации и программного обеспечения, автоматизация процессов позволяет осуществлять эффективное управление на всех этапах как коммерческой, так и государственной деятельности.
В настоящей статье представлен литературный обзор работ, посвященных возможностям алгоритмизации и автоматизации в различных областях управления. На основе проведенного анализа выделено три основных направления исследований, которые можно разделить по типу экономического субъекта: автоматизация коммерческих предприятий, финансовых институтов и процессов управления органами власти .
Авторами представлена методология проведения бенчмаркинговой процедуры, основные этапы ее реализации, а также обоснована целесообразность применение данной процедуры в целях эффективного регионального развития. Раскрыто понятие регионального бенчмаркинга как инструмента межрегионального сравнения в целях совершенствования системы развития регионов.
Подробно описаны семь последовательных этапов модели в виде алгоритмов для сбора неструктурированной информации, ее преобразования и выдачи в структурированном виде с целью дальнейшего использования в программной среде для статистической обработки данных.
Проведена апробация всех этапов разработанного алгоритма на примере Пермского края. Построена полная матрица расстояний для регионов России для выделения идентичных Пермскому краю регионов.
Выявлена значительная польза алгоритма автоматизации процесса проведения бенчмаркинговой процедуры ввиду возможности целостного представления соответствующих статистических данных. Сделан вывод о целесообразности совершенствования и разработки региональной бенчмаркинговой процедуры относительно территориальных образований.
Ключевые слова: «умный» бенчмаркинг, региональное развитие, алгоритмизация, автоматизация процессов, цифровизация экономики, региональный бенчмаркинг.
Введение. Для современного этапа развития науки и техники одним из актуальных и поисковых направлений познания является исследование состояния, функционирования, а также совершенствования экономических субъектов в различных сферах. Решение данных задач становится наиболее эффективным в условиях автоматизации взаимосвязанных процессов. Общемировая тенденция возрастающего интереса к вопросам цифровизации задает вектор научных исследований, а применение информационных технологий в управ-
© Русинова М.Р, 2020
Русинова Мария Романовна - магистрант кафедры экономики и финансов ФГБОУ ВО «Пермский национальный исследовательский политехнический университет», менеджер отдела снабжения ООО «ПКФ Нефтехимик», е-таУ; rusinova.mr@gmail.com.
лении процессами широко внедряется на практике как бизнес-единицами компаний, так и органами государственного управления.
В качестве мер государственной политики по достижении национальных целей развития в рамках основных направлений деятельности Правительства Российской Федерации на период до 2024 г., утвержденных 29 сентября 2018 г. [1] выступает национальная программа «Цифровая экономика Российской Федерации» [2]. Одной из ключевых целей национального проекта является использование преимущественно отечественного программного обеспечения государственными органами, органами местного самоуправления и организациями. Таким образом, вопросы автоматизации процессов во всех сферах жизнедеятельности национальной экономики становятся первостепенными.
Исследования в области алгоритмизации и автоматизации управленческих процессов можно разделить по типу экономического субъекта: коммерческие предприятия, финансовые институты, органы власти. Данные субъекты являются сложными системами, обладающими индивидуальными структурными особенностями, характеризуются неопределенностью. Алгоритмизация сложных систем выполняется в целях принятия оптимальных решений на основе построения вычислительных алгоритмов [3, с. 10-11].
Первая группа проанализированных трудов, посвященных возможностям алгоритмизации, относится к коммерческим предприятиям. Стоит отметить, что построение ИТ-инфраструктуры внутри компании, особенно небольшой, требует существенных дополнительных затрат. В своей работе М.А. Аникано-ва и А.Ф. Моргунов предлагают систему критериев выбора бизнес-процессов для перевода на платформу публичного облака в виде SaaS-приложений. Посредством использования полученных количественных значений критериев предлагается формула, с помощью которой можно получить показатель, отражающий целесообразность перевода конкретного бизнес-процесса организации на облачную платформу [4, с. 56]. З.В. Кек-Манджиевой обоснованы преимущества и экономическая эффективность автоматизации в части контроля за расходами на оплату труда [5, с. 190]. Автор представляет модель автоматизации учетно-аналитической системы управления расходами на оплату труда, позволяющей сократить трудоемкость учета, анализа и управления расходами на оплату труда, а также снизить риск возникновения ошибок в учете и анализе затрат по данной статье затрат. В работе Ю.М. Кононова подробно рассмотрены принципы и подходы к совершенствованию системы управлениями бизнес-процессами на промышленном предприятии, разработан алгоритм процесса подготовки проектно-технологических документов, оптимизирующий работу структурных подразделений в условиях перехода на новые требования международного стандарта по управлению качеством выпускаемой продукции [6, с. 90]. Помимо управления расходами и процесса подготовки документов в рамках функционирования предприятия, алгоритмизация
применима в сфере обеспечения корпоративной безопасности, а также при планировании производства. Данные вопросы освещены в работе Э.М. Дымова и О.Н. Маслова, где представлены возможности применения статистического имитационного моделирования при планировании металлургического производства [7, с. 205].
Говоря о второй группе исследований, посвященных автоматизации и алгоритмизации, можно выделить группу авторов, рассматривающих эти вопросы в рамках финансовых институтов. Е.Е. Васильева предлагает авторскую модель лингвистической оценки кредитного риска банковской деятельности в регионах Российской Федерации, отличающуюся использованием объективных методов формирования, а также учет влияния уровня развития банковской системы в регионе. В результате апробации автором сформирована типология регионов РФ по уровню кредитного риска [8, с. 26]. Количественная и финансовая оценка рисков и обязательств посредством применения математических и статистических методов также актуальна в сфере страхования. Например, О.Ю. Рыжковым и Л.К. Бобровым разработана концепция обобщенного актуарного базиса, предложен возможный состав подсистемы автоматизации работы страхового актуария, произведена практическая реализация его работы [9, с. 104-105]. Работа О.Г. Солнцева, М.Е. Мамонова, А.А. Пестовой и З.М. Магомедовой также посвящена вопросу автоматизации оценки финансовых рисков, авторами разработана модель, базирующаяся на сигнальном, эко-нометрическом подходах, а также стресс-тестировании отдельных кризисных эффектов [10, с. 70].
Третья группа исследований рассматривает возможности алгоритмизации процессов управления органами власти. Стоит отметить работу С.В. Зуева и Е.В. Никитина, в которой авторы обосновывают необходимость привлечения математических методов обработки больших массивов информации в решении уголовно-процессуальных проблем. Они предполагают, что алгоритмизация принятия решений по квалификации преступлений даст дополнительный рычаг проверки судебных решений на беспристрастность и полноту исследования дела [11, с. 593]. Данные выводы подтверждаются в работе А.С. Шаталова, который рассматривает вопросы повышения эффективности методик расследования преступлений [12, с. 86]. Вместе с этими разработками ученые активно занимаются изучением вопроса алгоритмизации деятельности должностных лиц. Так, В.И. Антюхов и Н.В. Остудин предлагают алгоритм интеллектуальной поддержки деятельности сотрудников центров управления в кризисных ситуациях МЧС России [13, с. 221]. Ю.В. Дубровской, Е.В. Козоноговой и А.В. Молодчик предлагается методика идентификации предприятий - потенциальных участников производственных цепочек добавленной стоимости, создано специализированное web-приложение [14, с. 68]. Web-приложение разработано с использованием языков Python и JavaScript, оно не только автомати-
зирует процесс стратегирования регионального развития в части определения приоритетных направлений кооперации хозяйствующих субъектов в рамках перспективных отраслей экономической специализации региона, но и позволяет визуализировать заданный алгоритм и результаты идентификации в виде географической карты для автоматизации процесса регионального страте-гирования.
Работа М.А. Ласточкиной освещает основные функциональные возможности информационно-аналитической системы для расчета и анализа уровней модернизации регионов России. Автором разработана автоматизированная система, способная получить образы регионов, которые впоследствии отражают их социально-экономические преимущества и проблемы развития [15, с. 73-75]. Основное преимущество системы - возможность сравнения территорий между собой, т.е. проведение упрощенного бенчмаркинга.
Методика исследования. Настоящая статья посвящена проблеме алгоритмизации и автоматизации регионального бенчмаркинга. Как и бенчмаркинг компаний, бенчмаркинг территории проводится на основе непрерывного мониторинга лучших практик, поиска новых идей для формирования приоритетов развития на основе выявления уникальных возможностей территорий (Огоепеп^к N. [16], ¡игсоуюЬ Ь. [17]). Под региональным бенчмаркингом понимается межрегиональное сравнение процессов, практик, видов деятельности, политики и дальнейшее использование полученной информации для совершенствования системы регионального развития.
Важно отметить, что в большинстве отечественных трудов, межрегиональное сравнение используется, в основном, для построения различных типо-логизаций субъектов РФ [18, с. 100; 19, с. 165]. При этом полученные кластеры используются для разработки мер политики для общей типовой группы регионов. Это приводит к высокой унификации приоритетов регионального развития. Поэтому в последние годы широкое развитие получила концепция «умного» бенчмаркинга [20, с. 31; 21]. Согласно ей сравнение территорий должно осуществляться с регионами со схожими институциональными условиями, что позволит идентифицировать уникальные приоритеты развития для каждой конкретной территории.
В качестве методологической основы проведения бенчмаркинговой процедуры была использована методика, разработанная Баскским институтом конкурентоспособности [22] и применяемая регионами и странами Европы для создания эффективных инновационных стратегий территориального развития. В качестве базовых факторов, на основе которых происходило сравнение регионов, были отобраны такие, которые в первую очередь наилучшим способом проявляют сильные и слабые стороны территории, а также не имеют тенденции изменяться в краткосрочной перспективе.
Авторам было выделено 7 критериев регионального развития: природные особенности региона, образование, инновации, отраслевая структура, инвестиционный климат, открытость региона, общественные ценности. Каждый критерий включает систему из 34 статистических показателей, на основе которых и происходит сравнение территорий.
Более подробно ознакомиться с авторской методологией проведения бенч-маркинговой процедуры, основными этапами ее реализации, а также обоснованием выбора критериев можно в работе [23]. Отметим, что методика была доработана в настоящей статье путем изменения содержательной составляющей показателей по критерию «отраслевая структура».
В данной работе представлен алгоритм автоматизированного сбора неструктурированной информации, ее преобразования и выдачи в структурированном виде с целью дальнейшего использования в программной среде для статистической обработки данных.
Результаты исследования. Для того чтобы автоматизировать процедуру «умного бенчмаркинга» для дальнейшего использования в программной среде для статистической обработки данных, требуется создать модель. Для более наглядной визуализации ее можно разделить на 7 последовательных этапов (рис. 1).
Рис. 1. Этапы автоматизации процедуры проведения «умного» бенчмаркинга регионов
Российской Федерации
Рассмотрим данные этапы более подробно.
Первый этап отвечает за сбор данных, который производится на основе парсинга соответствующих сайтов.
На следующих этапах обработки данных с целью получения идентичных регионов часть показателей, используемых для сравнения территорий, являются вычисляемыми, а другие используются в исходном виде. На основе собранных статистических данных производится расчет таких показателей, как «Количество людей с ВО», «Среднегодовая производительность труда». На втором (рис. 2) и третьем (рис. 3) этапах производится расчет данных показателей.
На втором этапе производится расчет количества людей с высшим образованием (ВО) на основе данных о численности рабочей силы и процента людей с ВО от числа рабочей силы, а также численности безработных и процента людей с ВО от числа безработных по формуле
Количество людей с ВО
Числ-ть раб. силы _
_£_\/
100
х % с ВО от раб. силы
+
Числ-ть безработных %
100
х % с ВО от безработных
Рис. 2. Алгоритм расчета количество людей с высшим образованием из числа занятых и безработных
Далее на третьем этапе производится расчет среднегодовой производительность труда по видам экономической деятельности, тыс. руб./чел. на основе данных о ВРП по видам экономической деятельности и среднегодовой численности занятых по видам экономической деятельности по формуле
+
^ ( тыс. руб ^
Среднегод. произ-ть труда по виду экон. деят. - =
^ чел. )
ВРП по виду экон. деят-ти (тыс. руб.)
Среднегод. числ-ть занятых по виду экон. деят., тыс. чел. х1000
Рис. 3. Алгоритм расчета производительности труда по отраслям
На четвертом этапе в целях дальнейшей обработки данных производится расчет веса показателей по алгоритму, представленному на рис. 4.
Весовой коэффициент обозначен как и рассчитывается по формуле
1
ш, =
N
/ Я
крит
где N - критерии (их 7: геодемографические; образование; технологическая
специализация; секторная структура; бизнес; открытость; институты и ценности); Яс - количество статистических показателей, характеризующих критерий (у каждого критерия разное).
Рис. 4. Алгоритм расчета веса показателей
Для завершения бенчмаркинговой процедуры на пятом этапе проводится оценка асимметрии распределения показателей согласно алгоритму, представленному на рис. 5. Значение асимметрии характеризует степень несимметричности распределения статистического показателя относительно среднего значения показателя по стране. Если значение асимметрии больше 0,5 по модулю, то для сглаживания «выбросов» (экстремальных значений) каждое значение показателя трансформируется по формуле
Х = ,
где хг] - трансформированное значение ^-показателя /-региона; хг] 0 - исходное значение ^-показателя /-региона; к - степень асимметрии (принимает зна-
чения от 0 до 4 в зависимости от величины коэффициента асимметрии, принимает значение, при котором величина коэффициента асимметрии достигает минимального значения).
Рис. 5. Алгоритм трансформирования данных
На шестом этапе все значения приводятся к единой шкале, т.е. производится нормирование данных по заданному алгоритму (рис. 6).
Показатели, выраженные в процентах, остаются без изменений, остальные пересчитываются по формуле
х.. =
V
хр хр
3
(х,) ■
Рис. 6. Алгоритм нормирования данных
После этого на заключительном седьмом этапе процедуры проведений «умного» бенчмаркинга территорий для каждого региона последовательно рассчитываются индексы структурных расстояний согласно алгоритму, представленному на рис. 7, по формуле
* (/, о=ж ( - Р )2,
1=1
где *(/, /') - индекс структурного расстояния /-региона; Рг - значение г показателя е-исходного региона; Рг - значение г показателя /-«другого» региона; Жр - весовой коэффициент.
Апробация процедуры «умного» бенчмаркинга была проведена в соответствии с описанными этапами. В качестве экспериментальной базы были использованы статистические данные регионов России за 2015 г., опубликованные Федеральной службой государственной статистики. В результате была построена полная матрица расстояний для регионов России. В качестве анализируемого региона был выбран Пермский край.
Рис. 7. Алгоритм расчета матрицы структурных расстояний
Для определения идентичных Пермскому краю регионов была построена общая матрица расстояний по регионам России. В таблице приведен фрагмент матрицы, содержащий идентичные Пермскому краю регионы.
Матрица структурных расстояний для Пермского края
Регион ермский край сноярский край ая з е вс О й н ч аб яа к сь ч Й ас & 8 об Республика Татарстан яа а и н 2 Б Н й иморский край кс о 3 мл О о яа а и Й о & и Й 2 4 рб яа к рт ис ю Й к ч сб я а кь ст и 5 О й яб
П а р К ро а С ч ° о т К " р П ^ о ио К оо в о К ьо л >
Пермский край 0,47 0,57 0,60 0,61 0,66 0,68 0,74 0,78 0,83 0,93
Красноярский край 0,47 1,16 0,97 0,99 0,29 0,82 1,34 1,52 1,08 1,68
Саратовская область 0,57 1,16 0,32 1,20 1,28 1,15 0,71 0,52 1,54 0,43
Окончание таблицы
Регион Пермский край Красноярский край Саратовская область Волгоградская область Республика Татарстан Иркутская область Приморский край Омская область Кировская область Новосибирская область Ульяновская область
Волгоградская область 0,60 0,97 0,32 0,94 1,01 1,10 0,96 0,57 1,26 0,59
Республика Татарстан 0,61 0,99 1,20 0,94 1,18 1,51 1,59 1,76 0,96 1,84
Иркутская область 0,66 0,29 1,28 1,01 1,18 0,59 1,95 1,41 0,82 1,80
Приморский край 0,68 0,82 1,15 1,10 1,51 0,59 1,53 0,83 0,92 1,30
Омская область 0,74 1,34 0,71 0,96 1,59 1,95 1,53 1,11 2,03 0,69
Кировская область 0,78 1,52 0,52 0,57 1,76 1,41 0,83 1,11 1,48 0,41
Новосибирская область 0,83 1,08 1,54 1,26 0,96 0,82 0,92 2,03 1,48 1,89
Ульяновская область 0,93 1,68 0,43 0,59 1,84 1,80 1,30 0,69 0,41 1,89
Заключение. Представленный алгоритм автоматизации процесса проведения бенчмаркинговой процедуры может внести значительный вклад в процесс мониторинга, разработки и реализации инновационных стратегий развития территорий. Это обусловлено возможностью целостного визуального представления соответствующих статистических данных. Совершенствование и разработка региональной бенчмаркинговой процедуры относительно территориальных образований требует дальнейшего исследования и объективно представляет научный интерес.
Описанный в работе алгоритм автоматизации процесса проведения бенч-маркинговой процедуры является универсальным и может быть применен по отношению к любым территориальным единицам всех уровней, в том числе муниципального и регионального.
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-010-00449.
Список литературы
1. Основные направления деятельности Правительства Российской Федерации на период до 2024 года [Электронный ресурс]. - URL: http://static. government.ru/media/files/ne0vGNJUk9SQjlGNNsXlX2d2CpCho9qS.pdf (дата обращения: 02.02.2020).
2. Паспорт национальной программы «Цифровая экономика Российской Федерации» [Электронный ресурс]. - URL: http://static.government.ru/media/ files/urKHm0gTPPnzJlaKw3M5cNLo6gczMkPF.pdf (дата обращения: 02.02.2020).
3. Буравцев А.В. Алгоритмы обработки информации в сложных системах // Перспективы науки и образования. - 2018. - № 1(31). - С. 10-15.
4. Аниканова М.А., Моргунов А.Ф. Критериальная оценка возможности автоматизации бизнес-процессов предприятий малого бизнеса на платформе публичного облака // Бизнес-информатика. - 2015. - № 3(33). - С. 55-64.
5. Кек-Манджиева З.В. Автоматизация учетно-аналитической системы управления как необходимая составляющая эффективного управления предприятием // Наука и современность. - 2015. - № 35. - С. 183-191.
6. Кононов Ю.М. Принципы и подходы к совершенствованию системы управления бизнес-процессами промышленного предприятия // Сборник научных трудов НГТУ. - 2017. - № 1(87). - С. 85-97.
7. Димов Э.М., Маслов О.Н. Алгоритмизация квазиоптимального управления нерефлекторными системами с применением статистического имитационного моделирования // Информационные технологии. - 2017. - Т. 15, № 3. -С.205-217.
8. Васильева Е.Е. Моделирование лингвистической оценки кредитного риска банковской деятельности в регионах РФ на основе методов нечетких множеств // Вестник евразийской науки. - 2016. - №6 (37). - С. 26.
9. Рыжков О.Ю., Бобров Л.К. Комплексная автоматизация деятельности актуария страховой организации // Вестник АГТУ. Управление, вычислительная техника и информатика. - 2014. - № 2. - С. 98-108.
10. Опыт разработки системы раннего оповещения о финансовых кризисах и прогноз развития банковского сектора на 2011-2012 гг. / О.Г. Солнцев, А.А. Пестова, М.Е. Мамонов, З.М. Магомедова // Журнал Новой экономической ассоциации. - 2011. - № 4(12). - С. 41-76.
11. Зуев С.В., Никитин Е.В. Информационные технологии в решении уголовно-процессуальных проблем // Всероссийский криминологический журнал. - 2017. - Т. 11, № 3. - С. 587-595.
12. Шаталов А.С. Вопросы имплементации алгоритмизации и программирования расследования преступлений в систему криминалистической методики // Сетевое издание «Академическая мысль». - 2018. -№ 1(2). - С. 86-90.
13. Антюхов В.И., Остудин Н.В. Алгоритмизация деятельности должностных лиц центров управления в кризисных ситуациях МЧС России // Технологии техносферной безопасности: интернет-журнал. - 2017. -№ 2(72). -С. 220-228.
14. Дубровская Ю.В., Козоногова Е.В., Молодчик А.В. К вопросу алгоритмизации и автоматизации процесса регионального стратегирования // Управленец. - 2019. - Т. 10, № 4. - С. 65-74.
15. Ласточкина М.А. Развитие методологии и инструментария оценки модернизированности регионов России // Проблемы развития территории. -2015. - № 4(78). - С. 69-79.
16. EU and OECD Benchmarking and Peer Review Compared. In: Laursen, F. The EU and federalism: polities and policies compared / N. Groenendijk, Ashgate Publishing Company, 2010. - Р. 181-202.
17. Blueprint for Regional Innovation Benchmarking. - URL: https://www.researchgate.net/publication/312576996_Blueprint_for_Regional_Inno vation_Benchmarking (accessed 02 February 2020).
18. Ахметова М.И., Дубровская Ю.В. Исследование региональных социально-экономических систем: инновационный аспект: моногр. - Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2016. - 187 с.
19. Елохова И.В., Козоногова Е.В., Дубровская Ю.В. Типологизация регионов России по признаку сформированности кластерно-сетевых структур // Вестник Пермского национального исследовательского политехнического университета. Социально-экономические науки. - 2016. - № 4. - С. 160-171.
20. Specialisation benchmarking and assessment: pilot study on wind energy / J. Navarro, J.P. Smart - Luxembourg: Publications Office of the European Union, 2017. - 51 p.
21. Policy learning through benchmarking national systems of competence building and innovation-learning by comparing [Электронный ресурс]. - URL: http://www.academia.edu/24150494/Policy_learning_through_benchmarking_nation al_systems_of_competence_building_and_innovation-learning_by_comparing, last accessed 2019/08/03 (accessed 02 February 2020).
22. Smart specialisation platform [Электронный ресурс]. - URL: http://s3platform.jrc.ec.europa.eu/regional-benchmarking, last accessed 2019/08/03 (accessed 02 February 2020).
23. Dubrovskaya Yu.V., Kudryavtseva M.R., Kozonogova E.V. "Smart" benchmarking as a basis for strategic planning in regional development // Economic and Social Changes: Facts, Trends, Forecast. - 2018. - Vol. 11, no. 3. - P. 110-116.
References
1. Osnovnye napravleniia deiatel'nosti Pravitel'stva Rossiiskoi Federatsii na period do 2024 goda [The main activities of the Government of the Russian Federation for the period until 2024]. Available at: http://static.government.ru/media/ files/ne0vGNJUk9SQjlGNNsXlX2d2CpCho9qS.pdf (accessed 02 February 2020).
2. Pasport natsional'noi programmy "Tsifrovaia ekonomika Rossiiskoi Federatsii" [Passport of the national program "Digital Economy of the Russian Federation"]. Available at: http://static.government.ru/media/files/urKHm0gTPPnz JlaKw3M5cNLo6gczMkPF.pdf (accessed 02 February 2020).
3. Buravtsev A.V. Algoritmy obrabotki informatsii v slozhnykh sistemakh [Algorithms for processing information in complex systems]. Perspektivy nauki i obrazovaniia, 2018, no. 1(31), pp. 10-15.
4. Anikanova M.A., Morgunov A.F. Kriterial'naia otsenka vozmozhnosti avtomatizatsii biznes-protsessov predpriiatii malogo biznesa na platforme publichnogo oblaka [Criterial evaluation of the possibility of small businesses business process automation on public cloud platform]. Biznes-informatika, 2015, no. 3(33), pp. 55-64.
5. Kek-Mandzhieva Z.V. Avtomatizatsiia uchetno-analiticheskoi sistemy upravleniia kak neobkhodimaia sostavliaiushchaia effektivnogo upravleniia predpriiatiem [Automation of accounting and analytical management system as an essential component of effective management of an enterprise]. Nauka i sovremennost', 2015, no. 35, pp. 183-191.
6. Kononov Iu.M. Printsipy i podkhody k sovershenstvovaniiu sistemy upravleniia biznes-protsessami promyshlennogo predpriiatiia [Principles and approaches to improve the bussines process management system of an industrial enterprise]. Sbornik nauchnykh trudov NGTU, 2017, no. 1(87), pp. 85-97.
7. Dimov E.M., Maslov O.N. Algoritmizatsiia kvazioptimal'nogo upravleniia nereflektornymi sistemami s primeneniem statisticheskogo imitatsionnogo modelirovaniia [Algorithmization of non-reflective systems quasioptimal control using statistical simulation modelling]. Informatsionnye tekhnologii, 2017, vol. 15, no. 3, pp. 205-217.
8. Vasil'eva E.E. Modelirovanie lingvisticheskoi otsenki kreditnogo riska bankovskoi deiatel'nosti v regionakh RF na osnove metodov nechetkikh mnozhestv [Modeling language credit risk assessment of banking activity in the Russian regions, based on fuzzy sets methods]. Vestnik evraziiskoi nauki, 2016, no. 6(37), p. 26.
9. Ryzhkov O.Iu., Bobrov L.K. Kompleksnaia avtomatizatsiia deiatel'nosti aktuariia strakhovoi organizatsii [Complex automation of actuarial work of the insurance company]. Vestnik AGTU. Upravlenie, vychislitel'naia tekhnika i informatika, 2014, no. 2, pp. 98-108.
10. Solntsev O.G., Pestova A.A., Mamonov M.E., Magomedova Z.M. Opyt razrabotki sistemy rannego opoveshcheniia o finansovykh krizisakh i prognoz razvitiia bankovskogo sektora na 2011-2012 gg. [Experience in developing early warning system for financial crises and the forecast of Russian banking sector dynamics in 2012]. Zhurnal Novoi ekonomicheskoi assotsiatsii, 2011, no. 4(12), pp.41-76.
11. Zuev S.V., Nikitin E.V. Informatsionnye tekhnologii v reshenii ugolovno-protsessual'nykh problem [Information technologies in solving criminal procedure problems]. Vserossiiskii kriminologicheskii zhurnal, 2017, vol. 11, no. 3, pp. 587-595.
12. Shatalov A.S. Voprosy implementatsii algoritmizatsii i programmirovaniia rassledovaniia prestuplenii v sistemu kriminalisticheskoi metodiki [The questions of
algorithmization implementation and investigation's programming of crimes to a system of criminalistics methodology]. Akademicheskaia mysl', 2018, no. 1(2), pp.86-90.
13. Antiukhov V.I., Ostudin N.V. Algoritmizatsiia deiatel'nosti dolzhnostnykh lits tsentrov upravleniia v krizisnykh situatsiiakh MChS Rossii [Algorithmization of the activity of officials of crisis management centers of the Russian Ministry for Emergency Situations]. Tekhnologii tekhnosfernoi bezopasnosti, 2017, no. 2(72), pp. 220-228.
14. Dubrovskaia Iu.V., Kozonogova E.V., Molodchik A.V. K voprosu algoritmizatsii i avtomatizatsii protsessa regional'nogo strategirovaniia [On algorithmization and automation of regional strategizing]. Upravlenets, 2019, vol. 10, no. 4, pp. 65-74.
15. Lastochkina M.A. Razvitie metodologii i instrumentariia otsenki modernizirovannosti regionov Rossii [Development of methodology and tools for assessing the degree of modernization in Russia's regions]. Problemy razvitiia territorii, 2015, no. 4(78), pp. 69-79.
16. Groenendijk N. EU and OECD benchmarking and Peer Review Compared. Laursen F. The EU and federalism: Polities and policies compared. Ashgate Publishing Company, 2010, pp. 181-202.
17. Blueprint for regional innovation benchmarking. Available at: https://www.researchgate.net/publication/312576996_Blueprint_for_Regional_Inno vation_Benchmarking (accessed 02 February 2020).
18. Akhmetova M.I., Dubrovskaia Iu.V. Issledovanie regional'nykh sotsial'no-ekonomicheskikh sistem: innovatsionnyi aspekt [The study of regional socioeconomic systems: Innovative aspect]. Perm, Perm National Research Polytechnic University, 2016, 187 p.
19. Elokhova I.V., Kozonogova E.V., Dubrovskaia Iu.V. Tipologizatsiia regionov Rossii po priznaku sformirovannosti klasterno-setevykh struktur [Russian regions typology based on the cluster structures formation]. PNRPU Sociology and Economics Bulletin. 2016, no. 4, pp. 160-171.
20. Navarro J., Smart J.P. Specialisation benchmarking and assessment: Pilot study on wind energy. Luxembourg. Publications Office of the European Union, 2017, 51 p.
21. Policy learning through benchmarking national systems of competence building and innovation-learning by comparing. Available at: http://www.academia.edu/24150494/Policy_learning_through_benchmarking_nation al_systems_of_competence_building_and_innovation-learning_by_comparing (accessed 02 February 2020).
22. Smart specialisation platform. Available at: http://s3platform.jrc.ec. europa.eu/regional-benchmarking (accessed 02 February 2020).
23. Dubrovskaya Yu.V., Kudryavtseva M.R., Kozonogova E.V. "Smart" benchmarking as a basis for strategic planning in regional development. Economic and Social Changes: Facts, Trends, Forecast, 2018, vol. 11, no. 3, pp. 110-116.
Оригинальность 76 %
Получено 13.02.2020 Принято 06.03.2020 Опубликовано 29.06.2020
M.R. Rusinova
ALGORITHMIZATION OF BENCHMARKING OF RUSSIAN REGIONS
Today it is difficult to imagine solution of operational management tasks or implementation of long-term projects and subsequent control over them without automation. Process automation and algorithmization contribute to effective management at all stages of both commercial and state activities.
The paper presents a literature review of the works devoted to the possibilities of algorithmization and automation in various fields of control. Based on the analysis, three main areas of research have been identified, that can be divided by type of economic entity: automation of commercial enterprises, financial institutions and management processes by authorities.
The authors presented the methodology of benchmarking, the main stages of its implementation, as well as the feasibility of using this procedure for effective regional development. The concept of regional benchmarking as an instrument for inter-regional comparison with the aim of improving the regional development system is disclosed.
The article describes in detail seven consecutive stages of the model in the form of algorithms for collecting unstructured information, its transformation and presentation in a structured form for further use in a software environment for statistical data processing.
All stages of the developed algorithm were tested on the Perm Krai. A complete distance matrix was constructed for Russian regions to highlight the areas identical to the Perm Krai.
The author reveals the significant benefit of the automation algorithm for the benchmarking process due to the possibility of complete presentation of the relevant statistical data. In conclusion, it is advised to improve and develop a regional benchmarking procedure for territorial entities.
Keywords: "smart" benchmarking, regional development, algorithmization, process automation, dig-italization of the economy, regional benchmarking.
Mariya R. Rusinova - Master's Student, Department of Economics and Finance, Perm National Research Polytechnic University, Manager, Supply Division, OOO PKF Neftekhimik, е-mail: rusinova.mr@gmail.com.
Received 13.02.2020 Accepted 06.03.2020 Published 29.06.2020
