CC BY
49
Работа выполнена на базе Центра компьютерной безопасности Тамбовского государственного университета имени Г.Р. Державина и направлена на выполнение основных задач центра [2, 3].
Литература
1. Ворона В.А., Тихонов В.А. Системы контроля и управления доступом. М.: Горячая линия: Телеком, 2010.
2. Лопатин Д.В., Чиркин Е.С. Центр компьютерной безопасности - точка профессионального роста выпускников вуза // Вестник Тамбовского университета. Сер.: Гуманитарные науки. Тамбов, 2008. Вып. 11 (67). С. 45-50.
3. Лопатин Д.В. Кластер информационной безопасности // Кластерная модель инновационного развития университета: коллективная монография / В.М. Юрьев [и др.] Тамбов: Издательство ТГУ им. Г.Р. Державина, 2008. C. 175-217.
References
1. Vorona V.A., Tihonov V.A. Sistemy kontrolya i upravleniya dostupom. M.: Goryachaya liniya: Telekom, 2010.
2. Lopatin D.V., Chirkin E.S. Tsentr komp'yuternoy bezopasnosti - tochka professional'nogo rosta vypusknikov vuza // Vestnik Tambovskogo uni-versiteta. Ser.: Gumanitarnye nauki. Tambov, 2008. Vyp. 11 (67). S. 45-50.
3. Lopatin D.V. Klaster informatsionnoy bezopasno-sti // Klasternaya model' innovatsionnogo razvi-tiya universiteta: kollektivnaya monografiya / V.M. Yur'ev [i dr.]. Tambov: Izdatel'stvo TGU im. G.R. Derzhavina, 2008. C. 175-217.
CONTROL SYSTEM
AND ACCESS CONTROL IN MEMBER AUDIO DATA
N.O. Evdokimov
Tambov State University named after G.R. Derzhavin, Tambov, Russia. e-mail: [email protected]
The paper considers the creation of system access control for audio data users. In work show the scheme, methods and means of implementing the system. The functional features of the product are discussed.
Key words: access control, voice identification.
3. МЕХАНИЗМЫ РАЗВИТИЯ ИННОВАЦИОННЫХ ПРОЦЕССОВ В ЭПОХУ ИНФОРМАЦИОННОГО ОБЩЕСТВА
УДК 51-7
ПРИМЕНЕНИЕ ПОКАЗАТЕЛЕЙ НЕЦЕНОВЫХ УСЛОВИЙ КРЕДИТОВАНИЯ В ПРОЦЕССЕ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ РОССИЙСКОГО КРЕДИТНОГО РЫНКА
Д.В. Шимановский
Пермский государственный национальный исследовательский университет, Россия, г. Пермь.
e-mail: [email protected]
Построена модель открытой векторной авторегрессии, позволяющая прогнозировать два основных показателя российского кредитного рынка - процентную ставку по кредитам и темп прироста задолженности перед банковским сектором. Качество прогноза, полученного при помощи данной модели, оценено путем расчета для каждого из показателей средней абсолютной процентной ошибки прогноза.
Ключевые слова: модель векторной авторегрессии, кредитный рынок, экономическое прогнозирование.
Одной из основных функций Центрального банка является проведение оптимальной (с точки зрения выбранного критерия) денежно-кредитной политики [1]. К ключевым инструментам, при помощи которых Банк России регулирует состояние национальной финансово-кредитной системы, относятся:
ключевая ставка по проведению аукционов РЕПО;
- норма обязательных резервов;
- интервенции на валютном рынке;
- предельные значения обязательных нормативов;
ставка по депозитам, размещенным коммерческими банками в Банке России.
Однако для планирования оптимальной денежно-кредитной политики необходимо знать воздействие управляемых показателей на состояние финансовых рынков. Иными словами, необходимо знать хотя бы в приближенной форме вид функциональной зависимости между основными показателями финансовых рынков и показателями, контролируемыми Центральным банком.
При этом данная функциональная зависимость должна быть выведена на основе эмпирических данных или по крайне мере быть подтверждена реальными статистическими показателями.
Ключевые показатели, при помощи которых Банк России регулирует финансовые рынки, воздействуют на них с величиной некоторого лага. Следовательно, необходимо знать функциональную зависимость между прогнозными значениями основных показателей финансовых рынков и инструментов денежно-кредитной политики.
По состоянию на начало 2014 г. крупнейшим сегментом российской финансово-кредитной системы является рынок банковского кредитования [2]. Достоверное прогнозирование основных макроэкономических показателей невозможно без учета динамики показателей кредитного рынка.
Отличительной особенностью кредитного рынка является его неоднородность. Вразрез с рынком ценных бумаг, где цена каждого инструмента условно может быть определена значениями риска и доходности, каждый кредитный договор уникален и имеет целый ряд неценовых показателей [3].
Степень неценовой конкуренции может быть оценена при помощи расчета коэффициента вариации процентных ставок различных банков:
С¥ = ^, (1)
г
где СУ - коэффициент вариации процентных ставок для различных банков, аг -
их среднеквадратичное отклонение, г -средняя процентная ставка.
В 2010 г. коэффициент вариации процентных ставок для различных банков в России существенно увеличился. В особенности
это характерно для сегмента корпоративного кредитования. Из этого можно сделать вывод, что в России ценовая политика становится все менее значимой для улучшения банком своих позиций на рынке.
С целью учета неценовых показателей кредитного рынка Банк России начиная со II квартала 2009 г. публикует ряд специальных показателей - индексов условий банковского кредитования (далее - УБК). По состоянию на начало 2014 г. Банк России ежеквартально публикует два вида индикаторов - 108 диффузных индексов и 108 индексов Net Percentage.
Эти индексы могут быть использованы в эконометрическом моделировании как переменные, отражающие неценовые показатели кредитного рынка. Препятствием этому процессу является небольшой максимальный объем выборки, доступный для каждого индекса УБК (на начало 2014 г. он составляет 17 наблюдений).
Однако уже в конце 2012 г. вышла первая русскоязычная статья, посвященная использованию российской статистики УБК в эконометрическом моделировании [4]. Между тем, американская статистика УБК уже неоднократно использовалась в эконо-метрических исследованиях, которые были опубликованы в научной литературе.
Американскими авторами К. Лоун и Д. Морганом была составлена модель векторной авторегрессии (VAR-модель), построенная на статистике США, которая включает индексы УБК и была опубликована в англоязычной статье в 2006 г. [6].
Другой подход был предложен исследователями Европейского центрального банка Гебе де Бондт и А. Даббалони. Этот подход состоит в построении SUR-модели на основе панельных данных по различным странам Европейского Союза [6].
Мною была составлена альтернативная VAR-модель, позволяющая прогнозировать два важнейших показателя кредитного рынка: процентную ставку по кредитам юридическим лицам и темп прироста объема задолженности юридических лиц перед коммерческими банками. Спецификация модели выглядит следующим образом:
ArLt= -0,05 + 0,023DIt_ j +0,15ArMí_ j +0,2ArDt,
ArDt = 0,02 + 0,026DIM4 + 1,13/^ ,
DIt = 445,45-0,41HHIi_1 + 10,99Ari4 + 0,19ADW, ArM = 0,38 + 1,35Art_ j -0,87ArMt_ 1 ,
^ Qt= 1,88- 0, 11It_2 +1, 42l±ROAt_1+ 0,023QDt_3- 4,28(rnt_2 - Ъ,-2 ) ,
(2)
где ArL - изменение процентной ставки по кредитам в текущем квартале по отношению к предыдущему, DI - сводный диффузный индекс для изменения УБК юридических лиц, Дгм - изменение ставки MIACR в текущем квартале по отношению к предыдущему, ArD - изменение ставки по депозитам населению в текущем квартале по отношению к предыдущему, DIN - диффузный индекс для условий привлечения кредитов у нерезидентов, HHI - индекс Херфиндаля -Хиршмана, AD - изменение дюрации кредитного портфеля в текущем квартале по отношению к предыдущему, Q - темп прироста объема задолженности юридических лиц перед банковским сектором к соответствующему периоду предыдущего года, I - индекс абсолютного значения условий банковского кредитования, ROA - рентабельность активов реального сектора экономики.
Система (2) была оценена по квартальным данным за период с II квартала 2009 г. по IV квартал 2012 г. Неизвестные параметры системы были оценены при помощи двух-шагового МНК. В качестве инструментальных переменных принимались модельные значения эндогенных факторов, полученные путем построения линейной регрессионной зависимости их значений от экзогенных переменных.
При этом каждое из пяти уравнений системы было проверено на наличие мульти-коллинеарности, автокорреляции и гетеро-скедастичности остатков. Результаты тестирования статистических гипотез говорят о выполнении предпосылок Гаусса-Маркова и о возможности применения стандартного МНК при оценке параметров (на первом шаге двухшагового МНК).
Прогностические способности VAR-модели могут быть оценены при помощи расчета средней абсолютной процентной ошибки прогноза:
Zlü'"
У,А
(3)
где yti - прогнозное значение 7-го показателя за период времени t, yti - фактическое значение 7-го показателя за период времени t, y - средняя абсолютная процентная ошибка прогноза.
Для процентной ставки по кредитам средняя ошибка прогноза составляет 19,4 % от значений фактической статистики. Для темпа прироста задолженности по кредитам она незначительно выше - 21,1 %.
Таким образом, российские индексы УБК являются опережающими показателями, и их включение в комплексные эконометри-ческие модели может значительно улучшить качество прогноза. Между тем методика расчета индексов УБК несовершенна и не учитывает наличие нечетких переменных, на основе которых рассчитываются данные показатели банковской статистики.
Литература
1. Моисеев С.Р. Денежно-кредитная политика: теория и практика: учебное пособие. М.: Московская финансово-промышленная академия, 2011. 784 с.
2. Обзор финансового рынка за 2013 год / Центральный банк Российской Федерации. 2014. 68 c.
3. Егоров А.В., Карамзина А.С., Чекмарева Е.Н. Анализ и мониторинг условий банковского кредитования // Деньги и кредит. 2010. № 10. С. 16-22.
4. Радева О.В. Основные подходы к применению индикаторов условий банковского кредитования в макроэкономическом моделировании // Деньги и кредит. 2012. № 10. С. 54-58.
5. Lown C., Morgan D.P. The credit cycle and the business cycle: new finding using the loan officer opinion survey // Journal of Money, Credit and Banking. 2006. Vol. 38. № 6.
6. Bondt D., Maddaloni A., et al. The euro area bank lending survey matters: empirical evidence for credit and output growth // ECB Working Paper. 2010. № 145.
References
1. Moiseev S.R. Denezhno-kreditnaya politika: teo-riya i praktika: uchebnoe posobie. M.: Moskov-
/=1
skaya finansovo-promyshlennaya akademiya, 2011. 784 s.
2. Obzor finansovogo rynka za 2013 god / Central'-nyj bank Rossijskoj Federacii. 2014. 68 c.
3. Egorov A.V., Karamzina A.S., Chekmareva E.N. Analiz i monitoring uslovij bankovskogo kredito-vaniya // Den'gi i kredit. 2010. № 10. S. 16-22.
4. Radeva O.V. Osnovnye podhody k primeneniyu indikatorov uslovij bankovskogo kreditovaniya v makroekonomicheskom modelirovanii // Den'gi i kredit. 2012. № 10. S. 54-58.
5. Lown C., Morgan D.P. The credit cycle and the business cycle: new finding using the loan officer opinion survey // Journal of Money, Credit and Banking. 2006. Vol. 38. № 6.
6. Bondt D., Maddaloni A., et al. The euro area bank lending survey matters: empirical evidence for credit and output growth // ECB Working Paper. 2010. № 145.
THE USE OF INDICATORS NON-PRICE LENDING TERMS IN THE PROCESS OF SHORT-TERM FORECASTING OF THE RUSSIAN CREDIT MARKET
D.V. Shimanovsky
National research University, Russia, Perm. e-mail: [email protected]
The model is constructed open-vector autoregression, enabling one to predict the two major indicators of the Russian credit market interest rate on loans and the growth rate of debt to the banking sector. The quality of the forecast, obtained using this model, estimated by calculating for each of the indicators mean absolute percentage error of the forecast.
Key words: model of vector autoregression, credit market, economic forecasting.
УДК 004.77: 004.588
СОЦИАЛЬНЫЕ СЕТИ: ПРИМЕНЕНИЕ В ОБРАЗОВАНИИ, ФОРМИРОВАНИЕ ИМИДЖА УНИВЕРСИТЕТА
В.Ю. Лыскова, КС. Вебер
Тамбовский государственный университет имени Г.Р. Державина, Россия, г. Тамбов. е-mail: [email protected], [email protected]
В статье дается определение социальной сети. Затрагиваются вопросы использования социальных сетей в образовательном процессе. Рассматривается роль социальных сетей в формировании имиджа высшего учебного заведения.
Ключевые слова: социальная сеть, социальные сети в образовании, имидж университета.
Понятие «социальная сеть» сейчас используется как интернет-термин. Вместе с тем, его первое толкование прозвучало в начале 30-х гг. XX в. для объяснения способов общения и взаимодействия внутри групп. Социальная сеть - платформа, он-лайн-сервис или веб-сайт, предназначенные для построения, отражения и организации социальных взаимоотношений, визуализацией которых являются социальные графы.
Следует отметить, что на сегодняшний день в отечественных публикациях еще не сложилась общепринятая типология социальных сетей, не существует ее официальной и утвержденной версии. Большинство существующих на данный момент классификаций предложены специалистами в области интернет-бизнеса. Также в настоящее время нет единого мнения, по какому критерию можно
классифицировать социальные сети. Как правило, классификации основываются на технологическом, целевом, географическом принципе разделения.
И.А. Калинин в статье «История развития социальных сервисов интернета» указывает следующие общие черты, присущие сетям как социальным сообществам:
- предусматривается регистрация пользователей, пользователь указывает о себе информацию для идентификации. Системы требуют ввода адреса электронной почты и проверяют его работоспособность, высылая письмо с кодом активации учетной записи. Такой подход гарантирует до определенной степени уникальность участника;
- работа в среде проводится сеансами, который начинается с того, что пользователь указывает свое имя и подтверждает свою
