CC BY
281
К территориально-отраслевым индикаторам предлагается отнести изменения за учитываемый период времени:
1.численности парка автотранспортных средств конкретной организации-оператора и коэффициент его обновленияпо видам деятельности,%;
2. объема транспортной продукции (услуг) производственной автотранспортной организации в пределах региона по видам деятельности,%;
3. обеспеченности автотранспортной организации имущественными объектами транспортной инфраструктуры в пределах территории региона, ед. (%);
4. количества рабочих мест, предоставляемых автотранспортной организацией населению территории по видам автотранспортной деятельности, ед.;
5. уровня региональной дорожно-транспортной аварийности (по видам деятельности организации, ее автотранспортных средств, тяжести последствий для участников дорожного движения), %;
6. экологической безопасности (внедрения экологически безопастных имущественных объектов автотранспортного хозяйства, функционирующих на альтернативных видах энергии, имеющих противошумную и пожарную защиту),%.
Для проведения расчётов приведенных выше индикаторов
оценки требуется специализированное информационное обеспечение, включающее в себя рекомендации по формулам их расчета, источникам получения исходной информации, а также частные предложения по изменениям вышеупомянутой методики государственных статистических наблюдений.
Литература:
1. Улицкий М.П. Современные проблемы экономики автомобильного транспорта России.// Экономические проблемы функционирования автомобильного транспорта: сб. науч.трудов.М.: МАДИ, 2013 - 132 стр.
2. Улицкая Н.М. Стратегические направления и социально-экономические индикаторы эффективной модернизации имущественного комплекса городского общественного транспорта.// Финансово-экономические проблемы автомобильного транспорта:сб. науч. Трудов. Вып.15.М.: МАДИ (ГТУ), 2009, 128 стр.
3. Разработка стратегии развития и управления транспортным комплексом Московской области до 2010 г. (второй этап)//научно-техн. отчет. М.:МАДИ (ГТУ), 2005, 130 стр.
4. 4. Холодова А.О. Эффективность развития малого и среднего предпринимательства на рынке автотранспортных услуг: дисс... канд. экон. Наук. М.: МАДИ, 2016, 139 стр.
УДК 332
BIGDATA: БОЛЬШОЙ ПОТЕНЦИАЛ УПРАВЛЕНИЯ РИСКАМИ
Гобарева Я.Л., доцент кафедры Прикладная информатика, ФГОБУ ВО «Финансовый университет при Правительстве Российской
Федерации», e-mail: [email protected], Городецкая О.Ю., доцент кафедры Прикладная информатика, ФГОБУ ВО «Финансовым университет при Правительстве
Российской Федерации», e-mail: [email protected], Николаенкова М.С., студентка, 4 курс, Кредитно-экономический факультет ФГОБУ ВО «Финансовым университет при Правительстве Российской Федерации», e-mail: [email protected]
Управление рисками - важным аспект деятельности любой компании. От их. рационального управления зависит, в конечном счете, успех бизнеса. «Bigdata» является эффективным средством для снижения и управления возможными рисками за счет анализа неограниченного количества структурированной и неструктурированной информации. Благодаря анализу больших данных можно достичь равновесия между рисками и возможностями. Как показывает мировая практика, компании, использующие возможности «bigdata», являются более конкурентоспособными по сравнению с компаниями - аналогами.
Ключевые слова: «bigdata», риск ликвидности, кредитный риск, анализ, прогнозирование, управление.
BIG DATA: A LOT OF POTENTIAL RISK MANAGEMENT
Gobareva Y., associate professor of the Applied Informatics chair, FSBEI HE «Financial university under the government of the Russian
Federation», e-mail: [email protected], Gorodetskaya O., associate professor of the Applied Informatics chair, FSBEI HE «Financial university under the government of the
Russian Federation», e-mail: [email protected], Nikolaenkova M., student, 4th year, Credit and Economics faculty, FSBEI HE «Financial university under the government of the Russian
Federation», e-mail: [email protected]
Risk management - an important aspect of any company. From their rational management depends, ultimately, business success. «Big data» is an effective means to reduce and control the potential risks due to the analysis of an unlimited number of structured and unstructured information. Through the analysis of large data can achieve a balance between risks and opportunities. As world practice shows, the company, using the possibility of «big data», are more competitive than companies - analogues.
Keywords: «big data», banking sector, liquidity risk, analysis, forecasting, management.
Рентабельность деятельностилюбой компании зависит от оценки рисков. Чем точнее оценка рисков и основанные на этом действия управленцев, тем выше доходность компании. В теории, большее количество информации ведет к более точной оценке риска. Именно поэтому в последнее время появилась тенденция к активному использованию «big ёа1а»для обработки неограниченного количества структурированных и неструктурированных данных [1, 6,7, 8].
Возможность использования более объемных и разнообразных данных помогает бизнесу снижать убытки за счёт управления рисками и увеличивать прибыль за счёт поиска новых перспектив развития. Именно поэтому изучение возможностей «big data» в области управления рисками является весьма актуальной.
Сегодня в зарубежной литературе приведено большое количество определений термина «bigdata». Данное понятие очень обширное и имеет множество интерпретаций[6,7, 8]. Так в одних источниках термин «bigdata» используется для обозначения группы технологий, решающих две основные задачи. Первая -хранение и анализ значительного объема структурированных
данных, требующих высокой скорости обработки и принятия мер реагирования в режиме реального времени. Вторая - сбор, хранение и использование неструктурированных данных, включая аудио-, фото- и видеоинформацию.
В других источниках под «bigdata» понимается только большой объем данных, размер которых составляет от нескольких десятков терабайт до петабайт (1000 терабайт = 1 петабайт) и даже эксабайтах.
Отдельные авторы дополняют понятие «bigdata» высокой скоростью обработки больших объемов информации и использованием нестандартных технологий. Другие под «bigdata» понимают быстрые данные, когда необходима репликация в режиме, близком к реальному времени (2-5 минут): как между оперативными системами, так и между оперативными системами и оперативным хранилищем, используемым, например, в качестве источника данных для веб-сервисов или отчетности. Отмечают, что «bigdata» отличаются сложностью преобразования данных при их репликации из разнообразных систем, очистке данных и их консолидации.
Однако понятие «big data» надо соотносить в первую очередь не с объемом, а со скоростью роста данных. В связи с этим, «bigdata» можно представить как данные больших размеров и разнообразного состава, весьма часто обновляемых и находящихся в разных источниках, для которых требуется высокая скорость обработки и нестандартные технологии.
При рассмотрении «big data» как технологии обработки большого количества данных, следует отметить, что эта инновация включает в себя более сложные инструменты обработки информации, имеющие потенциал к более эффективному управлению и анализу больших информационных потоков. Таким образом, организации, использующие технологии «big data», имеют конкурентоспособное преимущество перед компаниями-аналогами, ориентированными на традиционные способы обработки информации, а также потенциал к динамичному развитию и совершенствованию аналитических процессов.
В настоящее время существует тенденция к увеличению рисков с одновременным повышением их сложности во всем экономическом секторе и, в частности, в банковском. Банковский сектор становится все более концентрированным: несколько крупных кредитных институтов координируют широкий набор продуктов, процессов, технологий, организационных структур и правовых договоров. Финансовые инновации ведут к возникновению новых инструментов и специальностей. Рынки становятся более взаимосвязанными, а информация распространяется быстрее. В результате этого, когда в рыночной системе что-то пойдет не так, волатильность может изменить ситуацию со спокойной на турбулентную почти мгновенно. Это, в свою очередь, может привести к «волатильному скоплению» -одной из причин кризиса ликвидности, например, «Пузырядоткомов» в 1995 - 2001 гг. и финансового кризиса 2007 - 2009 гг. [2].
Очевидно, что вероятность и разнообразие банковских рисков велико. Сегодня выделяют порядка 13 различных типов системных рисков: кибер - риски, высокочастотные торговые риски; риски контрагента; сопутствующие риски, риски ликвидности и т. д. Кроме этого, есть целая категория взаимосвязанных рисков, которые возникают при взаимодействии нескольких ключевых банков в процессе их деятельности.
В свою очередь, регуляторы, и, следовательно, институты, которые они регулируют, концентрируют внимание на выявлении, измерении и управлении новых рисков финансовой системы. Практика управления данными также изменяется.
В связи с вышесказанным стоит выделить потенциальные перспективы «bigdata». «Big data» огромны в своих масштабах, различны по формам и мгновенны в процессе обработки как структурированной информации, предоставленной специализированными приложениями, так и неструктурированных данных, получаемых с мобильных гаджетов, социальных приложений и посещаемых вебсайтов и т.п.Все это можно рассматривать как потенциал для более быстрого и качественноговыявления и изучения латентного потребительского поведения. Технология «bigdata»
позволяет банкам более точно измерить риск платежеспособности по каждому клиенту и подготовить персональные предложения побанковскимпродуктам и услугам, за счет сбора и обработки данных о поведении клиента при просмотре сайта банка, анализа его истории транзакций и данных из социальных сетей [3].
Исследовательским центром Economist Intelligence Unit (EIU) в 2014 году был проведен анализ по внедрению и развитию технологий «big data» для управления банковскими рисками[4]. Для этого былоопрошено 208 руководителей управления рисками и служб комплаенс в розничных банках (29%), коммерческих банках (43%) и инвестиционных банках (28%) в 55 странах на шести континентах (рис. 1).Результаты исследования показали, что растет число банков, использующих технологию«big data».
Также было выявлено, что банки с более высокими экономическими показателямидля анализа и управления рисками используют различныетехнологии, в том числебазовые (доступ к структурированной и неструктурированной информации, интеграция данных и управление ими) и продвинутые (прогноз, аналитика и визуализация данных) инструменты «bigdata» [5].
В результате исследования выяснилось, что наиболее значимыми рисками в банковском секторе являются кредитный риск и риск ликвидности. В то же время степень важности различных типов рисков, варьируется в зависимости от отрасли и региона (рис. 2) [4].
Из диаграммы видно, что для Азиатско-Тихоокеанского региона и развивающихся стран рыночный риск представляет наибольшую значимость, в то время как для Европы и Северной Америки-ликвидность и кредитный риск.
Во всех регионах, подавляющее большинство банков для управления рисками уже используют технологию««^ data»или планируют это использовать в ближайшие три года (рис. 3) [4].
Но вопрос о том имеется ли доступ к нужным инструментам «big data» для того чтобы вести банковскую деятельность по-настоящему эффективно остаётся открытым.
В настоящее время только 42% респондентов имеют возможность интегрировать, управлять и отправлять запросы в «big data» при создании записи текущей и хронологической информации о состоянии риска (профиль риска). Почти у 47% есть намерения инвестировать в эти инструменты в течение следующих трёх лет (рис. 4) [4].
Пропорции рассмотренных показателей немного ниже для продвинутых инструментов «big data», таких как прогнозный анализ и визуализация: 41% использует их сейчас и 44% респондентов рассчитывают на получение их в течение следующих трех лет.
Тем не менее, подавляющее большинство банков - розничные, коммерческие и инвестиционные - стремятся к максимальной степени использования потенциала «big data».
Опрошенные банкиры полагают, что в обозримом будущем, риск ликвидности и кредитный риск станут наиболее значительными вызовами для банковской системы. Они также утверждают, что
Рис.1. Региональное распределение респондентов исследования
О 10 20 30 40 50 60 70 Рис.2. Степень значимости рисков для банковского сектора в ближайшие три года (% респондентов)
81%
15%
3%
Текущее использование Планируется использование в Отсутствие планов
ближайшие 3 года использования в ближайшие з
года
Рис.3. Использование средств управления рисками для снижения вероятности наступления наиболее значимых рисков
в ближайшие три года
Я Сейчас □ В ближайшие 3 года
Придвинутые инструменты "big dala" Основные инструменты "big data"
_44_
_4Z_
Рис.4. Инструменты «bigdata», которые организации используют сейчас и которые планируют использовать в ближайшие три года
эти две области рисков несут в себе наибольший потенциал для использования «big data» при совершенствовании деятельности по управлению рисками.
Так, например, «bigdata» способствуют обнаружению мошенничества. В большой выборке могут быть выявлены редкие события, которые отсутствуют в малых выборках. Когда события происходят нечасто - так, мошенничество с кредитными картами, вероятность возникновения которого сводится к 5 случаям из 1000 - в таких случаях для более эффективного анализа возникает необходимость использования крупной выборки. Анализируя информацию о местоположении, времени, структуре расходов, историю транзакций с банковских и кредитных карт, «bigdata» способны выявить привычки держателя карты, а, следовательно, распознать попытки мошенничества в реальном времени и мгновенно связаться с клиентом для проверки подозрительной операции, чтобы одобрить или запретить транзакцию.
Таким образом, наиболее эффективная возможность «big data» в предотвращении кредитного мошенничества - это почти мгновенная коммуникация с клиентом, на это сослалось 45% респондентов.Далее следует использование прогнозных моделей для распознания законных и мошеннических сделок (41%). Третья наиболее значимая возможность технологии «bigdata», выделенная респондентами - это отслеживание поведения клиентов при совершении ими всех расходов и распознание нетипичных сделок, которые могут быть мошенническими (32%).
Следует отметить, что «big data» в сочетании с прогнозной аналитикой могут помочь и в прогнозировании невозвратности кредитов. Респонденты опроса указали на то, что основной возможностью «big data» в области кредитования является мониторинг событий, которые могут увеличить шансыдефолта заёмщика (указали 45% респондентов). Менеджеры не просто выделили эту возможность, было также отмечено, что «big data» помогли им достичь значимых результатов по рассматриваемой проблеме.
Одна из важнейших проблем при предоставлении кредита заключается в том, что данные всегда устаревают, например, когда клиент берет ипотечный кредит, он предоставляетбанку текущую информацию о своём финансовом положении и занятости. После этого банки не собирают информацию о клиентах, взявших ипотечный кредит, и в действительности не имеют представлений о том, как могли измениться их жизненные обстоятельства.
«Big data» дают возможность дополнить данные о заёмщике поведенческой информацией из внешних и внутренних источников, которая обновляется чаще, чем прежними способами, с помощью вовлечения такой информации как кредитный рейтинг заёмщика, данные о его местоположении, а также модели поведения клиента при использовании онлайн-доступа к банковским услугам.
Конечно, затраты на получение внешних данных могут быть высокими, но в итоге они компенсируются за счет уменьшения риска ликвидности, кредитного риска и увеличения реализации банковских продуктов и услуг (рис. 5) [4].
Вывод. Сегодня управленческиериски (в частности, банковские) растут и усложняютсявследствиетого, что связь между рынками становится теснее, банковский сектор становится все более сконцентрированными, а предлагаемые банковские продукты и услуги усложняются. Регуляторам требуется все больше количественных данных, прозрачности и улучшенная организация документации данных. Несмотря на то, что банковская деятельность всегда была основана на данных, сегодняшний объем информации больше, разнообразнее, и ее более быстрая обработка требует новых инструментов. Кромеэтого, «big data» перспективны в области уменьшения рисков и выявления новых возможностей, особенно когда новейшие и многообразные источники информации интегрированы в традиционное управление рисками, андеррайтинг и организацию продаж.
В настоящее время банкиры определяют риск ликвидности и кредитный риск как самые серьезные вызовы банковского сектора. «Big data» предлагают наибольший потенциал для уменьшения
Увеличение скорости ответной редкими между проведенным анализом и соответствующим действием
Использование новых иеппвщввданньпдпи соысршснегвоваипя традиционных оценок кредитоспособности заемщиков Создание ниreíрнрованноК системы анализа клиентов
Использование прогнозной аналитики для опенки рисков заём висков
Оперативное проведение сгресе - тестирования
Создание прозрачности путем увеличения котроля за деятельностью организации
Обеспечение моделирования кредита с помощью модели риск - доходность
Мониторинг поведения заемщика для прогнозирования невозврата кредита
Рис.5 Области, представляющие наибольшие возможности для «bigdata» в связи с улучшением показателей эффективности
за счёт защиты от невозвратам по кредитам
данных типов рисков. Большое количество банковских менеджеров склоны полагать, что «big data» смогут помочь кредитным организациям прогнозировать кризисы ликвидности. В настоящее время наиболее распространенные приложения относятся к прогностическому моделированию для защиты от мошенничества и для более эффективного мониторинга финансового состояния заёмщиков для оценки риска невозвратности займов.
Почти все банки инвестируют в «big data» для того, чтобы улучшить управление рисками. В дальнейшем такие банки становятся более рентабельными.
Литература:
1. Where have you been all my life? How the financial services industry can unlock the value in Big Data - PwC FS Viewpoint. - October. - 2013. - 34 p.
2. Luc Laeven, Fabian Valencia. Resolution of Banking Crises: The Good, the Bad, and the Ugly - August2012 - 36 p.
3. Big data in action for development - The World Bank, 2014 -68 p.
4. Retail banks and big data - The Economist Intelligence Unit, July 2014 - 11 p.
5. David Loshin. Big Data Analytics. From Strategic Planning to Enterprise Integration with Tools, Techniques, NoSQL, and Graph -Elsevier Inc., 2013 - 143p.
6. Гобарева Я.Л., Ширнин Г.В. Большие данные в банковской сфере //Валютный контроль. Валютноерегулирование. - 2014. - № 8. - С. 58-63.
7. Гобарева Я.Л. , Городецкая О.Ю., Кочанова Е.Р. Возможности технологии Bigdata для повышения качества эксплуатации CRM-систем // Транспортное дело России. - 2015. - №5. - С. 62-63.
8. Городецкая О.Ю.,Гобарева Я.Л. CRM-система как стратегия управления бизнесом компании //Транспортное дело России. -2014. - № 4. - С. 169-172.
9. Интернетресурс: Пресс-релизисследования «Big Data, Bigger Digital Shadows, and Biggest Growth in the Far East». http://russia. emc.com/about/news/press/2012/20121211-01.htm.
10. Интернет ресурс: Сколько стоит Big Data? http://bigdata. cnews.ru/reviews/index.shtml? 2014/01/31/558705_1.
11. Интернет ресурс: Результаты опроса в рамках исследования Cisco Connected World Technology Report. Big Data: большой потенциал, высокий приоритет. http://www.cisco.com/web/RU/ news/releases/txt/2013/04/040113b.html
УДК 338
ОЦЕНКА РИСКОВ РЕАЛИЗАЦИИ МЕРОПРИЯТИЙ ПОДПРОГРАММЫ «ВНУТРЕННИЙ ВОДНЫЙ ТРАНСПОРТ» ФЦП «РАЗВИТИЕ ТРАНСПОРТНОЙ СИСТЕМЫ РОССИИ (2010-2020 ГОДЫ)»
Пантина Т.А., д.э.н., профессор, проректор по научной работе, ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова»,
e-mail: [email protected]
Бородулина С.А., д.э.н., доцент, Профессор кафедры Управление транспортными системами, ФГАОУ ВО «Санкт-Петербургский национальный исследовательский университет информационныгх технологий, механики и оптики (Университет ИТМО)»,
e-mail: [email protected]
Финансирование инфраструктурных проектов подпрограммы «Внутренний водный транспорт» ФЦП «Развитие транспортной системыг России (2010-2020 годы)» осуществляется из средств федерального бюджета, которые направляются в значительной степени на обеспечение безопасности судоходных гидротехнических сооружений (СГТС). Реконструкция СГТС осуществляется в межнавигационный период, а срыгв сроков реализации проектов может привести к существенному падению объемов перевозок внутренним водным транспортом [1,2]. Поэтому учет рисковой составляющей при финансировании проектов реконструкции СГТС в рамках ФЦП позволит спрогнозировать возможные нарушения хода вытолнения проектов на разных стадиях. В статье представлены результаты исследования силы воздействия факторов риска и вероятности наступления рисковых событий на основе экспертных опросов специалистов отрасли. Знание предельный границ риска на каждой стадии проекта позволит аккумулировать соответствующие управленческие решения и выработать корректирующие действия, направленные на достижение результатов в установленные сроки.
Ключевые слова: федеральная целевая программа, внутренний водный транспорт, риски, стадии проекта, судоходные гидротехнические сооружения.
RISK ANALYSIS OF THE PROGRAM «INLAND WATER TRANSPORT» AS PART OF FEDERAL TARGET PROGRAM «DEVELOPMENT OF TRANSPORT SYSTEM OF
RUSSIA (2010-2020)»
Pantina T., Doctor of Economics, Professor, vice-rector for scientific work, FSEI HE «Admiral Makarov State University of Maritime and
Inland Shipping», e-mail: [email protected] Borodulina S., Doctor of Economics, Associate Professor, Professor of the Management of transport systems chair, FSAEI HE «St. Petersburg
National Research University of Information Technologies, Mechanics and Optics (University ITMO)», e-mail: [email protected]
Federal budget finances infrastructure projects. The budget funds are directed at ensuring the safety of facilities - shipping waterworks (SGTS). Reconstruction of SGTS makes in internavigational period. Disruption of the project schedule could lead to a drop in the volume of inland waterway transport. Therefore, consideration of risk in the financing of such projects as part of the Federal target Program allows to predict violations of the projects order at different stages. The article presents a study of the risk factors strength impact and the probability of risk. We used the results of expert surveys out of industry professionals. If we know the risk boundaries at every stage of the project we will accumulate decisions and corrective actions to achieve results on time.
Keywords: federal target programs, inland water transport, risk, project stage, shipping waterworks.
Риск в контексте исследуемой тематики понимается как возможность негативного события, ведущего к потерям ресурсов или не достижению результатов, когда реализуемый проект начинает притягивать к себе внешние и внутренние угрозы. Схема исследования рисков реализации федеральных целевых программ (ФЦП) при систематизации и формировании системы управления ими представлена на рис. 1.
На достижение целей и задач ФЦП «Развитие транспортной системы России (2010-2020 годы)» [3] могут влиять риски недофинансирования мероприятий, операционные риски, научно-технологические риски, техногенные и экологические риски, риски принятия неэффективных управленческих решений. Ожидаемым негативным последствием указанных видов рисков является неполное или несвоевременное достижение целевых
