Группирование объектов казначейского контроля Текст научной статьи по специальности «Экономика и бизнес»

ПРОБЛЕМЫ ПЕРЕХОДА НА КАЗНАЧЕЙСКОЕ ИСПОЛНЕНИЕ

БЮДЖЕТА

ГРУППИРОВАНИЕ ОБЪЕКТОВ КАЗНАЧЕЙСКОГО КОНТРОЛЯ

В.Н. НАТАРОВ,

руководитель Управления федерального казначейства Министерства финансов РФ по Тульской области

Одной из функций органов федерального казначейства является разнообразная контрольная деятельность. Контролируется целевое использование средств федерального бюджета, соответствие предъявляемых платежных документов реестрам, лимитам и объему средств на лицевых счетах, своевременность выполнения банковских операций и т.д. Повышение результативности казначейского контроля связано с увеличением количества контрольных операций, в первую очередь в направлении усиления текущего контроля, которое связано с увеличением количества контролируемых документов и параметров. При этом, естественно, количество элементарных контрольных операций существенно возрастает при увеличении числа контролируемых параметров, что может привести к возникновению ограничений по кадровым, временным, информационным и материальным ресурсам контролирующей организации. Поэтому возникает необходимость сокращения количества контрольных операций при одновременном по вышении качества контроля.

Это может быть осуществлено путем объединения объектов контроля — бюджетополучателей в различные группы и классы, как по их атрибутивным классификационным параметрам

1 Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988. 176 с.

Мандель И.Д. Многомерный статистический анализ в изучении экономических процессов // Вестник статистики. 1986, № 5. С. 28 - 36.

Миркин Б.Г. Группировки в социально-экономических исследованиях. М.: Финансы и статистика. 1985. 224 с.

(типу организации или предприятия, ведомству принадлежности и т.д.), так и по результатам предыдущих контрольных операций с данными или аналогичными объектами. Тогда для объектов контроля, входящих в одну группу, можно применить одинаковые методики контроля, при которых проверяется определенная группа параметров. Таким образом, устанавливается соответствие групп контролируемых параметров и групп объектов контроля. Разделение объектов контроля на группы может быть осуществлено на основе использования известной методики кластерного анализа1.

Будем рассматривать каждый объект контроля (бюджетополучателя) Бп как подмножество атрибутивных параметров А и подмножество обнаруженных нарушений для данного объекта контроля Е с мощностями Я и Р соответственно

Подмножество атрибутивных классификационных параметров содержит как количественные, так и качественные параметры объекта контроля. К качественным можно отнести:

А,— тип объекта контроля (организация, предприятие, орган государственного управления, АО, ОАО, ООО и т. д.);

А2 — ведомственная принадлежность бюджетополучателя;

А3 — раздел функциональной классификации расходуемых средств;

А4— статья экономической классификации расходов бюджета;

А5 — способ выплаты бюджетных средств (наличный / безналичный);

и т.д.

К количественным параметрам относятся, например:

Ап — объем получаемых бюджетных средств;

Ап+1— объем собственных финансовых средств объекта контроля.

При использовании методики кластерного анализа в условиях наличия качественных параметров возникает проблема формирования их шкалы — задача ранжирования. Эта задача может быть решена на основе использования известного метода анализа иерархий2 с использованием лингвистической переменной у, оценивающей степень близости типов объектов контроля по качественному параметру. При этом можно ввести следующие значения данной лингвистической переменной и их количественную оценку на основе методики3 (см. таблицу).

Количественная оценка Значение лингвистической переменной

1 Практически тождественные значения качественного параметра

3 Умеренно отличающиеся значения качественного параметра

5 Существенно отличающиеся значения качественного параметра

7 Значительно отличающиеся значения качественного параметра

9 Очень сильно отличающиеся значения качественного параметра

2,4,6,8 Промежуточные решения между двумя соседними значениями лингвистической переменной

Обратные значения Применяются для заполнения граф обратного сравнения в матрице попарного сравнения

Затем строится матрица попарного сравнения для всех анализируемых типов и по методике4 вычисляются значения критериев, позволяющих распределить типы по рангам (по шкале). Естественно, что заполнение матрицы попарного сравнения может быть осуществлено только на основе использования экспертных оценок степени близости с соответствующей статистической обработкой их результатов. В качестве экспертов необходимо использовать специалистов в области казначейского контроля. Однако при заполнении матрицы попарного сравнения

2 Саати Т., Керне К. Аналитическое планирование. Организация систем: Пер.с англ. М.: Радио и связь, 1991. 224 с.

3Там же.

4 Там же.

'Бюджетный кодекс Российской Федерации от 31.07.98 № 145-ФЗ (с изм. и доп. от 31 декабря 1999 года, 5 августа, 27 декабря 2000 года, 8 августа 2001 года).

необходимо выбрать некоторый тип (некоторое значение качественного параметра), соответствующий началу шкалы. В противном случае можно получить симметричное распределение значений качественного параметра по шкале. В качестве подобного начала шкалы параметров типов бюджетополучателей можно, например, использовать физическое лицо, которое в общем случае также может являться бюджетополучателем (например получателем средств по программе «Чернобыль»). В такой постановке задачи нецелевое использование бюджетных средств физическим лицом возникает, например, когда оно необоснованно пользуется бюджетными начислениями. Тогда другие бюджетополучатели ранжируются по степени близости по отношению к данному типу.

Очевидно, что при формировании кластеров естественное группирование по типам объектов контроля не должно быть утрачено. Это может быть достигнуто за счет введения определенных весовых коэффициентов, приводящих к укрупнению шкалы по этим параметрам.

Аналогично можно осуществить формирование шкал по разделам функциональной классификации и по статьям экономической классификации расходов бюджета, однако здесь в качестве шкалы целесообразно использовать уже существующее кодирование соответствующих разделов и статей. В то же время представляет определенный интерес сравнение шкалы, построенной методом анализа иерархий, со шкалой на основе существующих кодов. При этом для объективности результатов в качестве экспертов следует использовать специалистов в области финансовых отношений, незнакомых с указанной системой кодирования.

Подмножество нарушений Е содержит параметры, соответствующие различным типам нарушений. В общем случае это могут быть, например, нарушения, перечисленные в Бюджетном кодексе Российской Федерации5:

• Е1 — неисполнение закона (решения) о бюджете;

• Е2 — нецелевое использование бюджетных средств;

• Е3 — неперечисление бюджетных средств получателям бюджетных средств;

• Е4 — неполное перечисление бюджетных средств получателям бюджетных средств;

• Е5 — несвоевременное перечисление бюджетных средств получателям бюджетных средств;

• Е6 — несвоевременное зачисление бюджетных средств на счета получателей бюджетных средств;

• Е7 — несвоевременное представление отчетов и других сведений, связанных с исполнением бюджета;

• Е8 — несвоевременное доведение до получателей бюджетных средств уведомлений о бюджетных ассигнованиях;

• Е9 — несвоевременное доведение до получателей бюджетных средств уведомлений о лимитах бюджетных обязательств;

• Е10 — несоответствие бюджетной росписи закону (решению) о бюджете;

• Еп — несоответствие уведомлений о бюджетных ассигнованиях, уведомлений о лимитах бюджетных обязательств утвержденным расходам и бюджетной росписи;

• Е12 — несоблюдение обязательности зачисления доходов бюджетов, доходов бюджетов государственных внебюджетных фондов и иных поступлений в бюджетную систему Российской Федерации;

• Е13 — несвоевременное исполнение платежных документов на перечисление средств, подлежащих зачислению на счета бюджета и государственных внебюджетных фондов;

• Е14 — несвоевременное представление проектов бюджетов и отчетов об исполнении бюджетов;

• Е15 — отказ подтвердить принятые бюджетные обязательства;

• Е16 — несвоевременное подтверждение бюджетных обязательств, несвоевременное осуществление платежей по подтвержденным бюджетным обязательствам;

• Е17 — финансирование расходов, не включенных в бюджетную роспись;

• Е18 — финансирование расходов в размерах, превышающих размеры, включенные в бюджетную роспись, и утвержденные лимиты бюджетных обязательств;

• Е19 — несоблюдение нормативов финансовых затрат на оказание государственных или муниципальных услуг;

• Е20 — несоблюдение предельных размеров дефицитов бюджетов, государственного или муниципального долга и расходов на обслуживание государственного или муниципального долга, установленных настоящим Кодексом;

• Е21 — открытие счетов бюджета в кредитных организациях при наличии на соответствующей территории отделений Банка России.

Приведенный список параметров по отношению к бюджетополучателям является избыточным, однако в перспективе подобный подход может быть применен и к другим контролируемым организациям (банкам, главным распорядителям бюджетных ассигнований и т.д.).

В отличие от атрибутивных параметров группы А каждый из параметров Ер может иметь численное значение. Для отдельных параметров численным значением является объем нарушения, для других — количество подобных нарушений, или просто его наличие (в форме логической переменной 1 — имеется, 0 — отсутствует). Деление объектов контроля на группы и классы может быть осуществлено как отдельно по подмножеству атрибутивных параметров А и по подмножеству обнаруженных нарушений для данного объекта контроля Е, так и по объединенным подмножествам параметров. Естественно, что наибольший интерес представляет анализ сформированных кластеров по объединенным группам параметров. На основе этого анализа можно связать группы объектов контроля с возможными нарушениями. Однако формирование кластеров по классификационным атрибутивным параметрам необходимо для выбора методик контроля и контролируемых параметров для новых объектов контроля, у которых еще не зафиксированы нарушения.

При использовании методики кластерного анализа каждый объект группирования представляется в виде точки в (^-мерном пространстве параметров, где = Я + Р.

Затем определяются матрицы расстояний между точками и ближайшие точки объединяются в группы (кластеры) различной формы. При этом необходимо решить следующие задачи (см. Мандель И.Д. 1. Кластерный анализ. 2. Многомерный статистический анализ в изучении экономических процессов):

• выбрать способ нормирования количественных значений параметров;

• выбрать способ определения метрик — расстояний между точками в (^-мерном пространстве параметров;

• выбрать алгоритм объединения точек в группы — кластеры.

Возможны различные варианты нормирования значений параметров. В частности, автор приводит следующие известные зависимости для решения этой задачи:

Ен = (Е - Ё)/аЕ; Ен = Е/Ё;

Е„=Е/Еэ; Е.-Е/Е^;

Е = (Е - Ё)/(Е — Е .),

Н \ —п \ щах пи"

где Ен — нормализованное значение параметра;

Ё — среднее значение параметра;

Е — максимальное значение параметра;

Е^— минимальное значение параметра;

стЕ — среднеквадратичное отклонение параметра.

Выбор наиболее удобного способа нормирования зависит от характера анализируемых параметров и будет осуществлен в последующем разделе.

Для определения метрик (расстояний между точками) в (^-мерном пространстве параметров там же предлагается использовать ряд различных зависимостей, которые выбираются в зависимости от ожидаемых форм кластеров. В настоящей работе будем использовать линейные (по осям координат) и эвклидовы расстояния (метрики), вычисляемые по следующим зависимостям.

Линейные расстояния:

- Р I I

Ч=1

Эвклидовы расстояния:

£ (Еч1 Еф)2

как понятие «расстояние между точкой и кластером» различными авторами трактуется по-разному. Прежде всего, это может быть среднее расстояние от данной точки до всех точек .ь принадлежащих кластеру и 0 е и), вычисляемое по зависимости:

^¡-кластери

1 Ни

N0

где ^-класири ~ расстояние между точкой ] и кластером и;

Мц — количество точек, принадлежащих кластеру и.

Другим вариантом этого расстояния может быть среднеквадратичное расстояние между точкой и кластером

1

Ф-кластери ~

Ми;Ги 1

где сЗц - расстояние между точками, соответствующими ьму и .¡-му объектам контроля в С>-мерном пространстве параметров;

Еч— значение параметра я для ¡-го объекта контроля;

Еф— значение параметра я для .¡-го объекта контроля.

При выборе алгоритма объединения точек в группы — формирования кластеров будем руководствоваться принципом максимальной простоты алгоритма, так как возможности современной вычислительной техники столь высоки, что использовать быстрые, но сложные и не всегда предсказуемые алгоритмы нецелесообразно. Поэтому выбор был сделан в пользу «классического» иерархического алгоритма, основанного на методе дендрограмм (см. Мандель И.Д. Кластерный анализ).

При этом в начале разбиения каждая точка в (^-мерном пространстве параметров рассматривается как отдельный кластер. Затем выбирается первая точка и вычисляются метрики <3^, из которых выбирается минимальная, соответствующая, например, точке и. Тогда точки 1 и и считаются объединенными в первый кластер. После этого данные точки уже не рассматриваются отдельно, и для остальных точек вычисляется расстояние до данного кластера. Однако при этом также возможны различные варианты, так

Возможно также определение так называемого «центра тяжести кластера» как точки с координатами Евдв (^-мерном пространстве параметров. Тогда расстояние от ¡-й точки до кластера определяется как расстояние до его «центра тяжести». Вычисление координат центра тяжести также может быть осуществлено различными способами. Во-первых, они могут быть вычислены как средние арифметические координат всех точек, входящих в кластер. Во-вто-рых центр может быть определен по методу наименьших квадратов как точка, для которой сумма квадратов расстояний до всех точек, принадлежащих данному кластеру, будет минимальна. Выбор наиболее удобного способа также зависит от ожидаемой формы кластеров.

Таким образом, когда определился первый кластер, для всех точек, не входящих в него, определяется расстояние до него и до других точек. При этом, если расстояние до кластера является минимальным, следующая точка также считается принадлежащей данному кластеру. В противном случае находится точка, наиболее близкая к данной и формируется новый кластер.

Подобная процедура повторяется до тех пор, пока все точки не окажутся принадлежащими к кластерам. На рисунке приведена блок-схема рассмотренного выше алгоритма. В результате формируется некоторое множество групп-кластеров, мощностью XV

и=(1Ц.

ДО

С )

I

Цикл по номерам точек в пространстве параметров

Вычисление расстояний до других точек и кластеров

Определение минимального расстояния до другой точки или кластера

нет \ да

^^Минимальным является \

Блок-схема алгоритма кластерного анализа при группировании объектов контроля

В свою очередь каждый кластер представляет собой подмножество принадлежащих к нему точек, соответствующих объектам контроля

Таким образом, все объекты контроля на основе использования методики кластерного анализа могут быть распределены по группам-кластерам, то есть установлено соответствие между элементами множества бюджетополучателей и элементами множества кластеров.

Здесь следует сказать несколько слов о характерной форме кластеров при выполнении группирования объектов казначейского контроля. Классификация этих форм на основе анализа работ различных авторов приведена в работе И.Д. Манделя «Кластерный анализ». Однако для

рассматриваемой задачи характерна дискретность многих параметров. Например, при построении шкал качественных параметров, естественно, не имеют смысла нецелочисленные значения на этих шкалах. С другой стороны, многие параметры, связанные с множеством нарушений, в том случае, если нарушения не обнаруживаются, становятся равными 0. Все это позволило сделать вывод, что для данной задачи характерны кластеры, располагающиеся в «гиперплоскостях» 0-мерного пространства параметров, соответствующих отдельным типам объектов контроля, разделам и статьям классификаций расходов бюджета.

Следующим этапом является установление соответствия подмножества типов нарушений, принадлежащих данному кластеру Ежеижи подмножеств необходимой для обнаружения ука-

занных нарушений контролируемой информации на этапах предварительного и текущего контроля 1(РО) и на этапе последующего контроля 1(РО) и 1(110). Иными словами, устанавливается соответствие потенциально возможных нарушений и набора документов и присутствующих в них показателей для их обнаружения. Кроме информации для осуществления операции контроля необходимы также определенные материальные М, временные Т и финансовые И ресурсы, а также подмножество методик (алгоритмов) обработки информации для обнаружения нарушений АЬ.

Таким образом можно ввести понятие контролирующего модуля КМ, соответствующего данному типу нарушений Ер, как некоторого множества:

КМ(Ер)^(1(РОХЕр),1(ИОХЕр), М(Ер),Т(Ер),Р(Ер),АЦЕр)).

Для унификации контрольных мероприятий с одновременным повышением их эффективно-

сти для каждой группы потенциальных нарушений можно разработать соответствующую документированную часть контролирующего модуля. Тогда возможно существенное упрощение процесса формирования программ проверок. Устанавливают вхождение проверяемой организации, учреждения или предприятия в одну из групп-кластеров. Это может быть осуществлено как по результатам предыдущих проверок, так и по атрибутивным, классификационным признакам объекта контроля. Для выявленной груп-пы-кластера объектов контроля определяется подмножество потенциально возможных нарушений, для каждого из них выбираются соответствующие контролирующие модули. Затем эти модули объединяются, из них устраняются дублирующие элементы, и формируется результирующий модуль, документальная часть которого вводится в программу данной проверки и дополняется темой проверки и сведениями о проверяемой организации, учреждении или предприятии. Подобный подход позволяет повысить качество контрольных мероприятий с одновременным сокращением их объема.