CC BY
35
www.volsu.ru
DOI: https://doi.org/ 10.15688/jvolsu3.2017.3.5
UDC 332.053 LBC 65.050
DYNAMIC EFFECTS OF THE "SHOCKS" INFLUENCE ON THE ECONOMIC SAFETY OF MACROREGIONS
Lidiya S. Guryanova
Simon Kuznets Kharkiv National University of Economics, Kharkiv, Ukraine
Tamara S. Klebanova
Simon Kuznets Kharkiv National University of Economics, Kharkiv, Ukraine
Sergey A. Razumovskiy
Simon Kuznets Kharkiv National University of Economics, Kharkiv, Ukraine
Vyacheslav V. Nepomnyashchiy
Simon Kuznets Kharkiv National University of Economics, Kharkiv, Ukraine
Abstract. Modern forms of integration processes, along with a number of opportunities to obtain synergistic effects by regions, impose additional threats and risks. In particular, such risks include deterioration of trading conditions in partner countries, depreciation of assets, unidirectional reaction to "shocks". The need to monitor and prevent such specific risks and threats requires an appropriate transformation of economic security systems (RESS) of the regions (macroregions). The development of a model basis is one of the ways to increase the RESS functioning efficiency. The basis would allow to analyze dynamic effects of the "shocks" influence; to identify the
5 system components, which at certain stages contribute to an increase in the overall level of economic safety, or, on ^ the contrary, create additional threats. The authors propose a methodical approach to the formation of such a model
basis, which is based on the application of principal components method, canonical correlations method, the 5« method of development level, vector autoregressive technologies, vector models of error correction. The proposed ¡J methodical approach is implemented on the data of macroregions' financial security indicators, as one of the § dominant components of economic security. The obtained results allowed to reveal the interrelations between the g structural components of safety, taking into account long-term relationships, short-term effects and the speed of щ return to the equilibrium trajectory after the impact of external "shocks" (threats). The developed models of ^ dynamically stable systems have shown that in modern conditions there is a high probability of short-term local О crises formation, since the reaction at the time of the "shock" impact often has the character of "explosive" oscillations. The study of dynamically unstable systems models has made it possible to determine the points of о bifurcation, the dominant threats, the elimination of which would stabilize the situation. Security subsystems, 2 which are the most sensitive to the impact of external "shocks" and the priority channels for the transmission of ^ external stresses / infections were identified. The developed complex of models can be considered as an element of ^ the RESS forecasting and analytical mechanism model basis.
0 Key words: macroregion, security, stochastic "shock", dynamic effects, modeling, estimation.
H"
1 УДК 332.053
| ББК 65.050
«
d АНАЛИЗ ДИНАМИЧЕСКИХ ЭФФЕКТОВ ВЛИЯНИЯ «ШОКОВ»
* НА ЭКОНОМИЧЕСКУЮ БЕЗОПАСНОСТЬ МАКРОРЕГИОНОВ
и о
§ Лидия Семеновна Гурьянова
6
^ Харьковский национальный экономический университет им. С. Кузнеца, г. Харьков, Украина
Тамара Семеновна Клебанова
Харьковский национальный экономический университет им. С. Кузнеца, г. Харьков, Украина
Сергей Александрович Разумовский
Харьковский национальный экономический университет им. С. Кузнеца, г. Харьков, Украина
Вячеслав Владимирович Непомнящий
Харьковский национальный экономический университет им. С. Кузнеца, г. Харьков, Украина
Аннотация. Современные формы интеграционных процессов наряду с целым рядом возможностей получения синергетических эффектов регионами несут в себе дополнительные угрозы и риски. В частности, к таким рискам относятся: ухудшение торговых условий в странах-партнерах, обесценивание активов, однонаправленная реакция на «шоки». Необходимость мониторинга и предупреждения таких специфических рисков и угроз требует соответствующей трансформации систем экономической безопасности регионов (макрорегионов) (СЭБР). Направлением повышения эффективности функционирования СЭБР является разработка модельного базиса, позволяющего провести анализ динамических эффектов влияния «шоков»; выявить компоненты системы, которые на определенных этапах способствуют повышению общего уровня экономической безопасности либо, наоборот, создают дополнительные угрозы. В работе предложен методический подход к формированию подобного модельного базиса, который основан на применении метода главных компонент, канонических корреляций, метода уровня развития, векторных авторегрессионных технологий, векторных моделей коррекции ошибки. Предложенный методический подход реализован на данных индикаторов финансовой безопасности макрорегионов как одной из доминантных составляющих экономической безопасности. Полученные результаты позволили выявить взаимосвязи между структурными составляющими безопасности, учесть долгосрочные соотношения, краткосрочные эффекты и скорость возврата к равновесной траектории после воздействия внешних «шоков» (угроз). Разработанный комплекс моделей может рассматриваться как элемент модельного базиса прогнозно-аналитического механизма СЭБР.
Ключевые слова: макрорегион, безопасность, стохастический «шок», динамические эффекты, моделирование, оценка.
Введение
Актуальность исследования экономической безопасности регионов (макрорегионов, стран) в современных условиях обусловлена тем, что широкомасштабные международные интеграционные процессы, наряду с привлечением иностранного капитала, повышением трудовой мобильности и т. д., несут в себе дополнительные угрозы и риски. В частности, к таким рискам относятся: ухудшение торговых условий в странах-партнерах, обесценивание активов, однонаправленная реакция на «шоки» и эффект «эпидемии». Необходимость мониторинга и предупреждения таких специфических рисков и угроз требует трансформации систем экономической безопасности регионов (СЭБР).
Направлением повышения эффективности функционирования СЭБР является разработка модельного базиса, позволяющего осуществить раннее обнаружение угроз, связанных с различными каналами инфицирования кризисом, и предупредить или смягчить по-
следствия их воздействия. Следует отметить, что проблеме моделирования СЭБР посвящены работы таких авторов, как В. Геец, Т. Клебанова, К. Ковальчук, Ю. Лысенко, Р. Нижегородцев, А. Черняк и др. Так, в работах В. Гееца, Т. Клебановой, Р. Нижегородцева [7; 8] рассматриваются вопросы обоснования системы диагностических индикаторов экономической безопасности региона, оценки уровня угроз, идентификации класса угроз, прогнозирования уровня экономической безопасности с помощью методов многомерного анализа, VAR-, ЕСМ-моделей, фильтра Калмана, метода «Гусеница», когнитивного моделирования. Исследования А. Черняка, В. Хомяка [10] посвящены моделированию валютной безопасности как составляющей экономической безопасности макрорегиона, прогнозированию кризиса платежного баланса, выбору механизмов его предупреждения. В работе К. Коваль-чука, С. Маринчука [6] рассматривается проблема разработки модельного базиса выбора оффшорных зон для налоговой оптимиза-
ции, затронута задача формирования эффективных «внутренних» зон налоговой лояльности. Статья Г. Великоиваненко, И. Мирошниченко затрагивает вопросы моделирования инвестиционного потенциала, уровня инвестиционной безопасности как базовой составляющей экономической безопасности региона (ЭБР) [2]. Различные аспекты моделирования производственно-фискальных эффектов обеспечения экономической безопасности рассмотрены в работах Л. Гурьяновой, Л. Чаго-вец [5; 9]. Следует отметить, что, несмотря на безусловную эффективность предлагаемых авторами подходов, существующие разработки касаются локальных задач оценки, прогнозирования уровня безопасности, оценки уровня угроз, последствий их пролонгированного воздействия. Слабо затронута проблема реализации системного подхода, позволяющего провести анализ взаимосвязи основных элементов системы; выявить компоненты, которые на определенных этапах способствуют повышению общего уровня экономической безопасности либо, наоборот, создают дополнительные угрозы при воздействии внешних «шоков».
Цель работы состоит в формировании комплекса моделей оценки и анализа динамики уровня экономической безопасности региона, который на основе методов многомерного анализа, векторных авторегрессионных технологий, моделей коррекции ошибки позволяет оценить системные динамические эффекты влияния внешних «шоков» (угроз); выделить компоненты системы, оказывающие компенсационное или дестабилизирующее воздействие при влиянии внешних «шоков». Достижение поставленной цели предполагает решение следующих задач:
- разработка моделей оценки уровня экономической безопасности региона;
- построение моделей прогнозирования уровня экономической безопасности региона;
- формирование и анализ сценариев импульсных реакций СЭБР на воздействие внешних «шоков».
Научная новизна результата заключается в том, что предлагается методический подход к разработке модельного базиса оценки и анализа динамики уровня ЭБР, который на основе методов факторного анализа, канонических корреляций, метода уровня развития,
VAR-, ЕСМ-моделей позволяет провести анализ динамических эффектов влияния внешних «шоков» (угроз) на функциональные составляющие и систему в целом, оценить стабильность системы. Разработанный комплекс моделей может рассматриваться как элемент модельного базиса прогнозно-аналитического механизма СЭБР.
Методика исследования
Предлагаемый в работе методический подход включает следующие основные этапы:
Этап 1. Обоснование системы индикаторов экономической безопасности региона на основе методов многомерного анализа.
С системных позиций экономическая безопасность (ЭБ) представляет собой сложную многоуровневую структуру, для которой характерно наличие множества элементов, большого числа разнообразных связей, циркуляция больших потоков информации, определяющих ее внутреннюю динамику. Таким образом, экономическая безопасность характеризуется высокой степенью сложности и многоаспектностью, и, как следствие, информационная модель ЭБ должна включать большое число количественных и качественных показателей. Вместе с этим учет значительного числа показателей приводит к информационной перегруженности процессов принятия решений. В результате возникает задача формирования системы наиболее информативных, диагностических показателей, позволяющих снизить размерность исходного информационного пространства признаков без потери значимой информации. Для решения этой задачи в экономической литературе используются две группы методов: методы, основанные на критериях автоинформативности; методы, ориентированные на оценку информативности на основе анализа причинно-следственных связей (внешней информативности) [1]. Первая группа методов позволяет оценить информационную значимость показателей, выявить скрытые свойства и закономерности в больших объемах необработанных данных, в том случае когда неизвестна структура входного и выходного множества данных. Преимуществом второй группы методов является возможность снижения размерности информаци-
онного пространства признаков на основе анализа причинно-следственных связей множества входных и выходных индикаторов. Выбор метода обусловливается полным или неполным обеспечением информацией, объемом выборки, структурой множества входных и выходных индикаторов, наличием обучающей выборки. С учетом ограничений на тип данных, структуру групп показателей разработана блок-схема формирования системы диагностических показателей экономической безопасности, подробное описание которой приведено в работах Л.С. Гурьяновой, В.В. Непомнящего [3; 5]. Предложенный подход основан на синтезе методов главных компонент и канонического анализа. Выбор метода главных компонент объясняется возможностью формирования системы обобщенных латентных факторов, выбора наиболее значимых индикаторов. Метод канонических корреляций дает возможность анализировать взаимосвязь нескольких выходных показателей и большого числа факторов. Данное свойство является важным при обосновании показателей в системе управления безопасностью, поскольку динамика подсистем экономической безопасности характеризуется большим набором признаков. Выбор одного наиболее значимого индикатора будет приводить к искажению результатов оценки.
Этап 2. Комплексная оценка уровня экономической безопасности и ее структурных составляющих. Построение системы комплексных (по всей системе показателей) и локальных (по отдельным компонентам) интегральных оценок уровня экономической безопасности обусловлено разновекторностью изменения показателей, что усложняет их анализ и требует представления в виде синтетической оценки, которая является результатом свертки индикаторов, отражающих развитие отдельных подсистем ЭБ. Блок-схема формирования интегральной оценки уровня ЭБ основана на одном из методов построения эталонного объекта - таксономическом показателе уровня развития, подробное описание которого дано в монографии «Адаптивные методы в системах принятия решений» [1]. Выбор метода обусловлен такими его преимуществами: отсутствие ограничений на характер информационного пространства признаков (могут быть включены показатели, положи-
тельная динамика которых свидетельствует как о снижении, так и о росте уровня экономической безопасности); исходная система показателей может содержать признаки, которые имеют разную размерность; значения интегрального показателя имеют нормированный диапазон изменения, что обеспечивает интерпретируемость полученных результатов.
Этап 3. Разработка моделей динамики уровня экономической безопасности. Моделирование динамики системы экономической безопасности осуществляется на основе УАЯ- и ЕСМ-моделей [7]. Выбор этого инструментария обусловлен возможностью моделировать взаимосвязанные экономические переменные; исследовать долгосрочную взаимосвязь, отклонения от равновесного состояния; оценивать влияние «шоков» на динамику индикаторов экономической безопасности. Проведение коинтег-рационного анализа предполагает: проверку временных рядов на стационарность с помощью критерия Дики - Фуллера; определение порядка интеграции; проверку на коинтеграцию; построение ЕСМ- или УАЯ-модели; импульсный анализ и декомпозицию дисперсий. Импульсный анализ (анализ реагирования на «шоки») позволяет осуществлять динамическую имитацию внешнего «шока» в отношении каждой из эндогенных переменных, а затем провести оценку реакции системы на этот импульс. Функция импульсных реакций показывает изменение эндогенных показателей в ответ на «шок» (изменение одного из возмущений системы). Декомпозиция дисперсий ошибок прогноза дает возможность проанализировать влияние различных шоков на дисперсию ошибки прогнозов для разных периодов упреждения. Иными словами, декомпозиция дисперсий показывает пропорции дисперсии, вызванные «шоками» различных переменных. Более подробно описание блок-схемы анализа динамики экономических индикаторов с использованием "АЯ- и ЕСМ-моделей приведено в работе Л.С. Гурьяновой, С.В. Прокопович, Т.Н. Труновой [4].
Следует отметить, что предложенный методический подход является достаточно универсальным и может быть использован для анализа динамики индикаторов безопасности систем разного уровня иерархии (макро-, ме-зоуровня) и функционального назначения (финансовой, технико-производственной и т. д.).
Результаты исследования
Предложенный методический подход реализован на данных индикаторов финансовой безопасности макрорегионов как одной из доминантных составляющих экономической безопасности. Разработанный комплекс моделей включает следующие основные модули: 1) модуль моделей анализа индикаторов финансовой безопасности динамически стабильных систем (на примере стран Евросоюза); 2) модуль моделей анализа индикаторов финансовой безопасности динамически нестабильных систем (на примере Украины); 3) модуль моделей анализа индикаторов безопасности с учетом возможных каналов «инфицирования кризисом». В качестве информационной базы исследования рассматривались статистические данные индикаторов финансовой безопасности стран Евросоюза и Украины по таким направлениям оценки, как бюджетная безопасность, безопасность денежного рынка, валютная безопасность, долговая безопасность, безопасность страхового рынка, безопасность фондового рынка, безопасность банковской системы, инвестиционная безопасность, - за последние восемь лет в помесячном разрезе. Выбор периода анализа обусловлен мето-
дологической преемственностью и информационной обеспеченностью системы индикаторов. Расчеты проводились с помощью ППП «Statistica», «EViews». Ниже приведено описание основных результатов.
Реализация первых двух этапов приведенного выше методического подхода позволила получить систему интегральных показателей уровня финансовой безопасности стран Евросоюза и Украины. Динамика обобщенного (по всей системе показателей) и локальных (по отдельным компонентам финансовой безопасности) интегральных показателей для стран Евросоюза отоброжена на рисунке 1.
Анализ данных, приведенных на рисунке 1, позволяет сделать вывод об устойчивых положительных тенденциях изменения уровня страховой, банковской, фондовой и инвестиционной безопасности стан Еврозоны. Негативные тенденции характерны для валютной, долговой, монетарной, бюджетной безопасности. Для уровня финансовой безопасности в целом наблюдается позитивная динамика изменения. Однако значение интегрального показателя уровня финансовой безопасности на конец анализируемого периода, равное 0,38, свидетельствует о существенном уровне угроз.
Рис. 1. Динамика интегральных показателей финансовой безопасности стран Еврозоны:
bud - бюджетная безопасность; mon - безопасность денежного рынка; ex - валютная безопасность; debt - долговая безопасность; ins - безопасность страхового рынка; stock - безопасность фондового рынка; bank - безопасность банковской системы; inv - инвестиционная безопасность; gen - финансовая безопасность
Примечание. Составлено на основе авторских расчетов.
Для анализа влияния «шоков» на динамику индикаторов финансовой безопасности стран ЕС осуществлялось построение векторной авторегрессионной модели (этап 3 методического подхода). Тестирование временных рядов на стационарность проводилось с помощью ADF-теста. Результаты представлены в таблице 1.
Как видно из таблицы 1, временные ряды интегральных показателей банковской, долговой, валютной, инвестиционной безопасности являются стационарными в уровнях. Для ос-
тальных индикаторов осуществлялся переход к первым разностям.
Тестирование направленности причинно-следственных связей 36 пар переменных проводилось на основе теста Гренджера. Фрагмент результатов теста приведен на рисунке 2.
Данные, представленные на рисунке 2, подтверждают гипотезу о наличии двухсторонних причинно-следственных связей между уровнем фондовой и долговой безопасности, валютной и финансовой безопасности, фондовой и страховой
Таблица 1
Тестирование временных рядов на стационарность с помощью ADF-теста
Условное обозначе- Расчетное Критическое значение статистики
ние переменой значение МакКинона Выводы
ADF-cтатистики i % 5 % i0 %
BANK -3.332595 Ряд стационарный с вероятностью 95 %
BUD -i .2i0774 Ряд нестационарный
D (BUD) (d = i) -8.26847i Ряд стационарный с вероятностью 99 %
DEBT -2.942652 Ряд стационарный с вероятностью 95 %
EX -3.333005 Ряд стационарный с вероятностью 95 %
GEN -2.0i7354 Ряд нестационарный
D (GEN) (d = i) -4.76i836 Ряд стационарный с вероятно-
-3.50i445 -2.892536 -2.58337i стью 99 %
INS -i.7i6980 Ряд нестационарный
D (INS) (d = i) -6.420055 Ряд стационарный с вероятностью 99 %
INV -4.6793ii Ряд стационарный с вероятностью 99 %
MON -0.692990 Ряд нестационарный
D (MON) (d = i) -6.ii24i6 Ряд стационарный с вероятностью 99 %
STOCK -i.904i60 Ряд нестационарный
D (STOCK) (d = i) -4.222467 Ряд стационарный с вероятностью 99 %
Примечание. Составлено авторами.
Pairwise Granger Causality Tests Lags: 7
Null Hypothesis: Obs F-Statistic Prob.
STOCK does not Granger Cause DEBT DEBT does not Granger Cause STOCK 89 1.80305 2.46712 0.0993 0.0248
GEN does not Granger Cause EX EX does not Granger Cause GEN 8 9 2.91040 1.86611 0.0096 0.0874
STOCK does not Granger Cause INS INS does not Granger Cause STOCK 8 9 3.77611 1.81029 0.0015 0.0979
Рис. 2. Результаты теста Гренджера (фрагмент) Примечание. Составлено авторами.
безопасности с вероятностью 99 %. Аналогичные результаты получены по остальным переменным. Величина лага при реализации теста и построении векторной авторегрессионной модели определялась на основе информационного критерия Акайка. Значения критерия даны в таблице 2.
Как видно из таблицы 2, минимальное значение критерия наблюдается для лага 7. Данный лаг был задан экзогенно при построении векторной авторегрессионной модели. Поскольку переменные имеют различный порядок интеграции (см. табл. 1), тест на коинтег-
Значения ин
рацию не проводился. Оценивание VAR (7) осуществлялось в среде «EViews».
Сравнение фактических и расчетных данных по некоторым из интегральных показателей составляющих финансовой безопасности дано на рисунке 3.
Анализ данных, приведенных на рисунке 3, дает возможность говорить о достаточно хорошей точности приближения и возможности использования модели для дальнейшего анализа. Критерии качества прогноза представлены в таблице 3.
Таблица 2
го критерия Акайка
Лаг Количество значимых Критерий
причинно-следственных связей Акайка
1 16 -33,88
2 16 -36,25
3 19 -36,17
4 14 -35,71
5 19 -35,58
6 16 -37,32
7 19 -42,58
8 17 -42,03
Примечание. Составлено авторами.
Рис. 3. Фактические и расчетные (модельные) значения индикаторов финансовой безопасности стран ЕС (фрагмент)
Близкие к 0 значения средней ошибки, средней абсолютной ошибки свидетельствуют о хорошей прогностической точности модели. Значения средней абсолютной ошибки аппроксимации для временных рядов интегральных показателей бюджетной, монетарной, валютной, долговой, фондовой, банковс-
кой, инвестиционной, финансовой безопасности не превышают 10 %. Последнее позволяет сделать вывод о высоком качестве прогноза и возможности применения модели для дальнейшего исследования. Результаты анализа функции импульсных откликов даны на рисунке 4.
Таблица 3
Критерии качества уравнений VAR-модели (p = 7)
Условное обозначение BANK BUD D_DEBT D_EX GEN INV INS MON STOCK
R-squared 0.995736 0.721364 0.912823 0.900171 0.940949 0.976900 0.994306 0.987824 0.985268
Sum sq. resids 0.012761 0.062280 0.022276 0.123488 0.004328 0.001693 0.029054 0.049045 0.003964
S.E. equation 0.023059 0.050941 0.030466 0.071731 0.013429 0.008400 0.034793 0.045206 0.012851
Akaike AIC -4.546276 -2.961027 -3.989146 -2.276525 -5.627546 -6.565898 -3.723526 -3.199928 -5.715514
Schwarz SC -2.744576 -1.159328 -2.187446 -0.474826 -3.825846 -4.764199 -1.921826 -1.398228 -3.913815
m.e. -0.00148 0.000857 0.000539 0.000703 0.000547 -0.00089 0.000854 0.0003754 0.0014424
m.a.e. 0.03342266 0.01521557 0.01834 0.015133 0.099421 0.008151 0.009854 0.005536 0.037331
m.a.p.e. 9.213914 6.978623 7.954685 6.397851 16.62604 2.044886 3.584264 4.899595 2.405671
Примечание. Составлено авторами.
Рис. 4. Функции импульсных откликов интегральных показателей финансовой безопасности стран ЕС
Анализ данных позволяет сделать вывод, что система является динамически стабильной. В среднесрочной перспективе влияние «шоков» устраняется. Вместе с тем высока вероятность возникновения краткосрочных локальных кризисов, так как реакция в момент воздействия «шока» зачастую имеет характер «взрывных» колебаний.
Результаты декомпозиции дисперсий индикатора уровня финансовой безопасности стран ЕС представлены в таблице 4.
Как видно из таблицы 4, наиболее сильное влияние системные риски оказывают на фондовую, бюджетную и банковскую безопасность.
Аналогично проведен анализ декомпозиции дисперсий прогноза интегральных показателей уровня развития отдельных подсистем финансовой безопасности ЕС. По результатам анализа следует отметить первоочередную значимость угроз безопасности фондового рынка как канала передачи внешних финансовых стрессов / заражений. Об этом говорит число разбалансированных сфер финан-
совой безопасности после воздействия локальных «шоков» фондовой безопасности. Для сравнения на рисунке 5 проводится анализ реакций компонент системы финансовой безопасности стран ЕС после воздействия единичного «шока» подсистем долговой и фондовой безопасности в краткосрочном периоде.
Как показано на рисунке 5, воздействие «шока» долговой безопасности в среднесрочной перспективе сводится к 0, система возвращается в состояние равновесия. Воздействие «шока» фондовой безопасности приводит к длительным негативным реакциям в подсистемах монетарной, долговой, валютной безопасности.
Для оценки значимости влияния финансовых и реальных каналов финансовых стрессов / заражений осуществлено оценивание модели с учетом интегрального показателя уровня развития мировой экономики (WORD). Последний является синтетической, равнодействующей величиной такой системы индикто-ров развития мировой экономики, как индекс мировых цен на нефть (Oil_Price), ставка про-
Таблица 4
Декомпозиция дисперсий, вызванная «шоками» валютной безопасности
Period BANK D BUD D GEN D INS D MON D STOCK DEBT EX INV
1 15.75420 20.14096 64.10484 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2 14.68204 14.67344 48.35125 10.35439 0.587126 8.428124 1.603323 1.163935 0.156372
3 14.37008 13.64324 45.00133 11.73439 0.763383 9.411005 2.583172 1.140748 1.352648
4 12.22389 12.81852 38.32230 9.974157 0.688880 16.51599 2.848857 1.282294 5.325111
5 15.55598 11.22926 33.19222 10.72575 0.790311 19.86456 2.886331 1.144127 4.611462
6 15.06153 15.20737 34.03330 9.938398 0.947852 17.22434 2.403591 1.082744 4.100879
7 14.37183 16.17358 31.21287 9.813323 0.892613 20.16959 2.195509 1.153355 4.017323
8 14.02358 15.92323 31.21380 9.625286 0.974095 20.72972 2.402887 1.176257 3.931146
9 13.19090 14.85956 29.30281 9.529823 1.040546 22.24481 4.261391 1.409595 4.160570
10 12.60311 14.39461 28.36878 9.388484 2.645746 22.36338 4.869070 1.391337 3.975477
11 12.77631 13.89036 28.10428 9.291252 2.936460 21.56388 4.949192 1.348415 5.139843
12 12.41536 13.02916 25.98465 8.717034 4.351362 21.82923 4.723856 2.762469 6.186883
Примечание. Составлено авторами.
Рис. 5. Функции импульсных откликов вследвие воздействия «шоков» долговой и фондовой безопасности
цента в США (Int_Rate), темп прироста ВВП стран - партнеров ЕС (GDP). Результаты оценивания модели даны в таблице 5.
Как видно из таблицы 5, финансовая система стран Евросоюза не подвержена су-
щественному влиянию внешних угроз. Функция импульсных откликов на «шоки» каждой из приведенных выше переменных уровня развития мировой экономики приведена на рисунке 6.
Таблица 5
Результаты оценивания модели с учетом интегрального показателя уровня развития
мировой экономики
Vector Autoregression Estimates
Included observations: 88 after adjustments
Standard errors in ( ) & t-statistics in [ ]
BANK D_BUD D_GEN D_INS D_MON D_STOCK DEBT EX INV
WORD -0.028531 -0.015088 0.013862 0.322200 -0.005966 0.016572 -0.048660 0.078998 0.039143
(0.06786) (0.15046) (0.08996) (0.20098) (0.03965) (0.02457) (0.10229) (0.13253) (0.03708)
[-0.42042] [-0.10028] [ 0.15409] [ 1.60311] [-0.15046] [ 0.67435] [-0.47572] [ 0.59607] [ 1.05568]
R-squared 0.995769 0.721486 0.912913 0.910204 0.941007 0.977348 0.994361 0.988009 0.985949
Sum sq. resids 0.012664 0.062253 0.022253 0.111077 0.004324 0.001661 0.028771 0.048299 0.003780
S.E. equation 0.023465 0.052025 0.031105 0.069494 0.013711 0.008497 0.035368 0.045825 0.012821
F-statistic 84.57467 0.930955 3.767251 3.642772 5.732494 15.50579 63.37512 29.61062 25.21753
Log likelihood 264.3730 194.3044 239.5678 168.8278 311.6553 353.7610 228.2660 205.4713 317.5646
Akaike AIC -4.531204 -2.938737 -3.967450 -2.359723 -5.605802 -6.562750 -3.710590 -3.192530 -5.740104
Schwarz SC -2.701353 -1.108886 -2.137599 -0.529872 -3.775951 -4.732899 -1.880739 -1.362679 -3.910253
Примечание. Составлено авторами.
Рис. 6. Функция импульсных откликов уровня финансовой безопасности ЕС на «внешние шоки»
Функции импульсных откликов (рис. 6) показывают, что последствия внешних «шоков» незначительны с точки зрения числа разбалан-сированных сфер финансовой безопасности ЕС. В среднесрочной перспективе последствия воздействия «внешних шоков» сводятся к 0. Страны ЕС имеют стабильно работающую, жизнеобеспечивающую финансовую систему. Вместе с этим следует отметить высокую вероятность локальных кризисов в отдельных подсистемах финансовой безопасности. Так, в краткосрочном периоде наблюдаются значимые по глубине отрицательные флуктуации.
Аналогичный анализ был проведен для динамически нестабильных систем на примере Украины. Для описания динамики индикаторов финансовой безопасности выбрана модель "УАЯ (8). Значения информационного критерия Акай-ка, который применялся для обоснования величины лага в модели, приведены в таблице 6.
Критерии качества уравнений, вошедших в модель УАЯ (8), даны в таблице 7.
Анализ данных, приведенных в таблице 7, позволяет сделать вывод, что значение коэффициента детерминации составляет от 0.746216 до 0.956088, что говорит о статистической значи-
Значения ин
мости модели. Значение средней абсолютной процентной ошибки аппроксимации, которая варьируется в диапазоне от 1,81 % до 16,91 %, свидетельствует о хорошей точности прогноза.
Результаты анализа функции импульсных откликов приведены на рисунке 7.
Анализ данных, приведенных на рисунке 7, позволяет сделать вывод, что система не является динамически стабильной и через пять лет будет находиться в точке бифуркации (рис. 7а). Нейтрализация угроз валютной безопасности (рис. 7б) позволит стабилизировать ситуацию.
Результаты декомпозиции дисперсий, показывающие пропорции дисперсии, вызванные «шоками», оказывающими влияние на динамику валютной безопасности, приведены в таблице 8.
Как видно из таблицы 8, «шоки» валютной безопасности оказывают существенное дестабилизирующее влияние практически на все подсистемы, и прежде всего долговую безопасность, безопасность банковской системы, инвестиционную безопасность, которые в дальнейшем сами генерируют дополнительные риски для валютной безопасности.
Таблица 6
>го критерия Акайка
Лаг, который Количество значимых Критерий
учитывался в модели причинно-следственных связей Акайка
1 11 -34,05073
2 13 -33,69284
3 13 -33,18763
4 9 -32,67463
5 10 -32,64069
6 6 -33,26883
7 7 -36,16740
8 13 -42,14881
Примечание. Составлено авторами.
Критерии качества уравнений VAR-модели (р = 8)
Таблица 7
Условное обозначение BANK_U BUD_U D_DEBT_U D_EX_U GEN_U INV_U INS_U MON_U STOCK_U
R-squared 0.950121 0.948928 0.746216 0.781568 0.925050 0.928446 0.914246 0.956088 0.853226
Sum sq. resids 0.086687 0.024622 0.101433 0.042658 0.005739 0.045079 0.024256 0.068872 0.000679
S.E. equation 0.078689 0.041937 0.085119 0.055200 0.020247 0.056745 0.041624 0.070139 0.006964
Akaike AIC -2.395323 -3.653974 -2.238224 -3.104411 -5.110349 -3.049199 -3.668957 -2.625370 -7.244676
Schwarz SC -0.326227 -1.584879 -0.169129 -1.035315 -3.041254 -0.980104 -1.599861 -0.556275 -5.175581
m.p.e. 0.093739 0.079472626 0.095459 0.069527 0.017049 0.058969 0.035803 0.092923 0.00654
m.a.p.e. 3.231947 13.07096 12.94245 9.784692 14.73106 15.23299 16.91419 14.64215 1.814057
Response of BANK_U to Choles^ One S.D. Innovations
Response of BUDJJ to Cholesky One S.D. Innovations
Response of D_DEBT_U to Cholesty One S.D. Innovations
югозо^боеотобоео
10 2D3)flfflffl7DaC90
10 2D3)flfflffl7DaC90
- BAH K_U
- D_EX_U
- IN V_U
- BUD_U - ['_D EBTJJ
- GEN JJ - IHS_U
- MONJJ - STOCK_U
- BAH K_U
- D_EX_U
- IHVJJ
BUD_U - D_D EBT_U
O EN J J - IHS_U
MONJJ - STOCK_U
- BAHK_U
- D_EX._U
- IHV_U
BU D_U - D_DEBT_U
GEN JJ - IHS_U
MONJJ - STOCK_U
а) с учетом индикаторов валютной безопасности
Response of BANK_Uto Cholesty One S.D. Innovations
Response of BUD_U to Cholesty One S.D. Innovations
Response of D_DEBT_LJ to Choles^ One S.D. Innovations
10 20 30 40 so
70 SO 90
10 20 SO 40 50
70 80 SO
10 20 30 40 50 60 70 80 90
- BANKJJ
- IHS_U
- STOCKJJ
BU D JJ - D J> EBTJJ
IHV_U - MONJJ
- BAHKJJ
-IN S_U
-STOOK_U
BUD_U - D_D EBTJJ
IHV_U -MOH_U
- BAHK_U
-IHS_U
-stockjj
BUDJJ -D_D EBTJJ
IHV_U -MOH_U
Response of INS_U to Chole sty One S.D. Innovations
Response of INV_LJ to Cholesty One S.D. Innovations
Response of MONJJ to Cholesty One S.D. Innovations
10 20 30 40 50 60 70
10 20 30 40 50 00 70 80 90
10 20 30 40 50 60 70 80 90
- BANKJJ
- IHS_U
- STOOK_U
BU [J_U -D_D EBT_U
IHV_U - MON JJ
-BAHKJJ
-IN SJJ
-STOOK_U
BUDJJ -DJ1EBTJJ
IHV_U -MOHJJ
-BANK_U
-IHS_U
-STOCKJJ
BUDJJ -D_D EBTJJ
INV_U -MON_U
Response of STOCK_U to Cholesky One S.D. Innovations
- BAMKJJ
-IN SJJ
- STOCKJJ
BU DJJ - D_D EBTJJ
INVJJ -MON JJ
б) без учета индикаторов валютной безопасности Рис. 7. Функции импульсных откликов (фрагмент)
Таблица 8
Декомпозиция дисперсий, вызванная «шоками» валютной безопасности
Period BANK U BUD U D DEBT U D EX U GEN U INS U INV U MON U STOCK U
1 15.18119 1.260403 57.39022 26.16818 0.000000 0.000000 0.000000 0.000000 0.000000
2 13.19598 2.028122 48.62171 26.36987 2.651754 6.239155 0.023729 0.306103 0.563581
3 20.51773 5.760387 37.91166 22.46248 2.001071 4.742999 3.726343 2.440478 0.436847
4 17.35468 5.432773 34.84492 20.63810 5.416511 4.015034 9.069995 2.411938 0.816052
5 15.64125 6.052333 31.67280 20.56667 5.319157 7.264278 8.815500 2.199206 2.468806
6 18.29877 7.010413 28.60915 19.10096 4.782502 7.010360 10.47629 2.479982 2.231580
7 19.11796 6.123121 25.34664 20.26249 4.681273 8.245786 11.39368 2.557175 2.271866
8 17.24428 6.312037 23.49581 20.46338 7.193273 8.200384 11.40751 2.882305 2.801016
9 15.72249 5.764912 22.39390 24.41215 6.774315 7.694852 10.76029 3.303664 3.173415
10 14.84183 6.160437 21.25736 23.16962 10.75693 7.564557 10.18114 3.093132 2.975000
11 14.01960 6.066624 19.41079 21.09419 10.85685 7.173799 15.18436 3.137743 3.056049
12 16.38136 5.921841 18.84017 20.47358 10.78200 7.218553 14.05763 3.078108 3.246764
На завершающем этапе исследования в VAR-модель динамики индикаторов финансовой безопасности Украины в качестве экзогенной переменной был включен показатель уровня финансовой безопасности стран Евро-зоны (GEN_EU). Результаты оценивания приведены в таблице 9.
Данные таблицы 9 позволяют сделать вывод, что изменение уровня финансовой безопасности стран Евросоюза оказывает достаточно сильное влияние на динамику подсистем финансовой безопасности Украины, и прежде всего подсистем валютной безопас-
Результаты оценивания
ности, безопасности денежного рынка, долговой безопасности.
Результаты оценивания VAR-модели динамики индикаторов финансовой безопасности Украины с учетом экзогенной переменной состояния реального сектора экономики (REAL) приведены в таблице 10.
Анализ данных позволяет сделать вывод, что по результатам оценивания состояние реального сектора экономики на текущий момент времени не оказывает доминантного влияния на усиление глубины кризиса в финансовой системе.
Таблица 9
модели (фрагмент)
Условное обозначение BANK_U BUD_U D_DEBT_U D_EX_U INS_U INV_U MON_U STOCK_U
Параметры модели
D GEN EU -0.169461 0.231499 -0.964688 0.640389 -0.088633 -0.381518 0.821458 -0.029895
Стандартное отклонение (0.45585) (0.23564) (0.41731) (0.26795) (0.24116) (0.31307) (0.33903) (0.03970)
t-критерий [-0.37175] [ 0.98241] [-2.31168] [ 2.38994] [-0.36753] [-1.21863] [ 2.42293] [-0.75295]
Критерии качества
R-squared 0.950646 0.952457 0.820148 0.848245 0.915127 0.935782 0.969749 0.859359
Akaike AIC -2.382909 -3.702600 -2.559582 -3.445629 -3.656305 -3.134378 -2.975038 -7.264374
Schwarz SC -0.285470 -1.605161 -0.462142 -1.348190 -1.558866 -1.036939 -0.877599 -5.166935
Таблица 10
Результаты оценивания модели (фрагмент)
Условное обозначение BANK_U BUD_U D_DEBT_U D_EX_U GEN_U INS_U INV_U MON_U STOCK_U
Параметры модели
D REAL -0.041731 0.012840 -0.131728 0.058119 0.002127 0.009294 -0.052698 0.089647 -0.001124
Стандартное отклонение (0.07238) (0.03890) (0.07037) (0.04883) (0.01885) (0.03869) (0.05080) (0.06042) (0.00648)
t-критерий [-0.57655] [ 0.33006] [-1.87189] [ 1.19027] [ 0.11283] [ 0.24024] [-1.03740] [ 1.48372] [-0.17346]
Критерии качества
R-squared 0.951365 0.949352 0.800097 0.803034 0.925123 0.914625 0.933917 0.962447 0.853565
Akaike AIC -2.397583 -3.639331 -2.453889 -3.184863 -5.088340 -3.650398 -3.105747 -2.758821 -7.223999
Schwarz SC -0.300144 -1.541892 -0.356449 -1.087424 -2.990901 -1.552959 -1.008307 -0.661382 -5.126560
Заключение
Таким образом, разработаны модели анализа индикаторов финансовой безопасности динамически стабильных систем, которые показали, что в современных условиях высока вероятность формирования краткосрочных локальных кризисов, так как реакция в момент воздействия «шока» зачастую имеет характер «взрывных» колебаний. Исследование моделей динамически нестабильной системы позволило определить точки бифуркации, доминантные угрозы, устранение которых дает возможность стабилизировать ситуацию. Выявлены подсистемы безопасности, которые наиболее чувствительны к влиянию внешних «шоков», первоочередные по значимости каналы передачи внешних стрессов / заражений. Разработанный комплекс моделей может рассматриваться как элемент модельного базиса прогнозно-аналитического механизма СЭБР.
СПИСОК ЛИТЕРА ТУРЫ
1. Адаптивные методы в системах принятия решений : монография / под ред. Н. А. Кизима, Т. С. Клебановой. - Х. : ИНЖЭК, 2007. - 368 с.
2. Великоiваненко, Г. I. Ieрархiчна лопко-лшгвштична модель оцшювання швестицшного потенщалу Украши з урахуванням ризику / Г. I. Ве-лшгованенко, I. В. Мiрошниченко // Культура народов Причерноморья. - 2012. - №> 231. - С. 14-18.
3. Гурьянова, Л. С. Методы выбора диагностических показателей финансовой безопасности / Л. С. Гурьянова, В. В. Непомнящий // Бизнес-Ин-форм. - 2013. - №> 4. - С. 377-381.
4. Гурьянова, Л. С. Модели прогнозирования в системе стратегического управления финансовой деятельностью предприятия / Л. С. Гурьянова, С. В. Про-копович, Т. Н. Трунова // Прикладт аспекти прогно-зування розвитку складних сощально-екожмчних систем : моноrрафiя / за ред. О. I. Черняка, П. В. Захар-ченка. - Бердянськ : Видавець Ткачук О.В., 2015. -С. 50-64.
5. Гур'янова, Л. С. Моделювання збалансо-ваного соцiально-економiчного розвитку регiонiв: монографiя / Л. С. Гур'янова. - Бердянськ : ФОП Ткачук О.В., 2013. - 406 с.
6. Маринчук, С. Г. Моделювання стратегш ви-користання офшорних зон для податково! оптимь зацп суб'ектами господарювання : автореф. дис. канд. екон. наук / М. Г. Маринчук. - Черкаси :
Схвдноевропейський ушверситет еконотки i менеджменту, 2015. - 20 с.
7. Моделювання еконотчио! безпеки: держава, репон, пiдприeмство: монографiя / Геець В. М., Кизим М. О., Клебанова Т. С., Черняк О. I. та ш.; За ред. Гейця В. М. - Х. : ШЖЕК, 2006. - 240 с.
8. Нелинейные методы прогнозирования экономической динамики региона / Р. М. Нижегородцев, Е. Н. Грибова, Л. П. Зенькова, А. Ю. Хатько. -Харьков : Инжэк, 2008. - 320 с.
9. Чаговец, Л. А. Моделирование производственно-фискальных эффектов в системе экономической безопасности государства / Л. А. Чаговец // Бизнес-Информ. - 2013. - №> 10. - С. 130-135.
10. Черняк, О. I. Криза плапжного балансу: фактори, шдикатори та способи попередження / О. I. Черняк, В. Р. Хом'як // Економта i прогнозу-вання. - 2011. - №> 4. - С. 27-37.
REFERENCES
1. Kizim N.A., Klebanova T.S., eds.Adaptivnye metody v sistemakh prinyatiya resheniy: monografiya [Adaptive Methods in Decision-Making Systems: Monograph]. Kharkiv, INJEK Publ., 2007. 368 p.
2. Velykoivanenko G.I., Miroshnichenko I.B. Ierarkhichna logiko-lingvistichna model otsinyuvannya investitsiynogo potentsialu Ukrai'ni z urakhuvannyam riziku [The Hierarchical Logical and Linguistic Model for Assessment of Ukraine's Investment Potential with Regard to Risk]. Kultura narodov Prichernomorya [Culture ofBlack Sea Nations], 2012, no. 231, pp. 14-18.
3. Guryanova L.S., Nepomnyashchiy V.V. Metody vybora diagnosticheskikh pokazateley finansovoy bezopasnosti [Methods of Choosing Diagnostic Indicators of Financial Security]. Biznes-Inform, 2013, no. 4, pp. 377-381.
4. Guryanova L.S., Prokopovich S.V, Trunova T.N. Modeli prognozirovaniya v sisteme strategicheskogo upravleniya finansovoy deyatelnostyu predpriyatiya [Models of Forecasting in the System of an Enterprise Financial Activity Strategic Management]. Chernyak A.I., Zakharchenko P. V, eds. Prikladni aspekti prognozuvannya rozvitku skladnikh sotsialno-ekonomichnikh sistem: monografiya [Applied Aspects of Forecasting Complex Socio-Economic Systems. Monograph]. Berdyansk, Vdavets'Tkachuk O.V, 2015, pp. 50-64.
5. Guryanova L.S. Modelyuvannya zbalansovanogo sotsialno-ekonomichnogo rozvitku regioniv: monografiya [Modeling of Balanced Socio-Economic Development of Regions: Monograph]. Berdyansk, Vidavets'Tkachuk O.V., 2013. 406 p.
6. Marinchuk S.G. Modelyuvannya strategiy vikoristannya ofshornikh zon dlya podatkovoi
optimizatsii subektami gospodaryuvannya: avtoref. dis. kand. ekon. nauk [Modeling of Strategies for Using Offshore Areas for Enterprise Tax Optimization. Cand. econ. sci. abs. diss.]. Cherkasi, Skhidnoevropeyskiy universitet ekonomiki i menedzhmentu, 2015. 20 p.
7. Geets V.M., Kizim M.O., Klebanova T.S., Chernyak O.I., et al. Modelyuvannya ekonomichnoi bezpeki: derzhava, region, pidpriemstvo: monografiya [Economic Security Modeling: State, Region, Enterprise]. Kharkiv, INJEK Publ., 2006. 240 p.
8. Nizhegorodtsev R.M., Gribova E.N., ZenkovaL.P., Khatko A.Yu. Nelineynye metody prognozirovaniya ekonomicheskoy dinamiki regiona
[Nonlinear Methods for Forecasting the Region Economic Dynamics]. Kharkiv, INJEK Publ., 2008. 320 p.
9. Chagovets L.A. Modelirovanie proizvodstvenno-fiskalnykh effektov v sisteme ekonomicheskoy bezopasnosti gosudarstva [Modeling of Production-Fiscal Effects in the System of Economic Security of the State]. Biznes-Inform, 2013, no. 10, pp. 130-135.
10. Chernyak O.I., Homyak VR. Kriza platizhnogo balansu: faktori, indikatori ta sposobi poperedzhennya [Payments Balance Crisis: Factors, Indicators and Ways of Prevention]. Ekonomika i prognozuvannya, 2011, no. 4, pp. 27-37.
Information about the Authors
Lidiya S. Guryanova, Doctor of Sciences (Economics), Associate Professor, Professor of Department of Economic Cybernetics, Simon Kuznets Kharkiv National University of Economics, Prosp. Nauki, 9-a, 61166 Kharkiv, Ukraine, guryanovalidiya@gmail.com.
Tamara S. Klebanova, Doctor of Sciences (Economics), Professor, Head of Department of Economic Cybernetics, Simon Kuznets Kharkiv National University of Economics, Prosp. Nauki, 9-a, 61166 Kharkiv, Ukraine, t_kleb@ukr.net.
Sergey A. Razumovskiy, Doctor of Sciences (Philosophy), Professor, Simon Kuznets Kharkiv National University of Economics, Director of Metalloshtamp-M ALC, Prosp. Nauki, 9-a, 61166 Kharkiv, Ukraine, rsa3720442@gmail.com.
Vyacheslav V. Nepomnyashchiy, Postgraduate Student, Department of Economic Cybernetics, Simon Kuznets Kharkiv National University of Economics, Prosp. Nauki, 9-a, 61166 Kharkiv, Ukraine, ra_bdm@mail.ru.
Информация об авторах
Лидия Семеновна Гурьянова, доктор экономических наук, доцент, профессор кафедры экономической кибернетики, Харьковский национальный экономический университет им. С. Кузнеца, просп. Науки, 9-а, 61166 г. Харьков, Украина, guryanovalidiya@gmail.com.
Тамара Семеновна Клебанова, доктор экономических наук, профессор, заведующая кафедрой экономической кибернетики, Харьковский национальный экономический университет им. С. Кузнеца, просп. Науки, 9-а, 61166 г. Харьков, Украина, t_kleb@ukr.net.
Сергей Александрович Разумовский, доктор философских наук, профессор, Харьковский национальный экономический университет им. С. Кузнеца, директор ОДО «Металлоштамп-М», просп. Науки, 9-а, 61166 г. Харьков, Украина, rsa3720442@gmail.com.
Вячеслав Владимирович Непомнящий, аспирант кафедры экономической кибернетики, Харьковский национальный экономический университет им. С. Кузнеца, просп. Науки, 9-а, 61166 г. Харьков, Украина, ra_bdm@mail.ru.
