CC BY
17
5. Кузнецов Н.В., Лизяева В.В. Управление проектами цифровизации: методологический, организационный и финан-
совый аспекты // ECONOMIC SCIENCES, 2020. № 4. С. 32-38.
6. Сафонова О. Н. Внедрение проектного управления в исполнительных органах государственной власти как механизм
эффективного управления ресурсами / О. Н. Сафонова, Е. А. Анчихров // Модели, системы, сети в экономике, технике, природе и обществе, 2015. № 2 (14). С. 58-67.
7. Сидоренко Э.Л. Эффективность цифрового государственного управления: теоретические и прикладные аспекты /
Э.Л. Сидоренко, И.Н. Барциц, З.И. Хисамова // Вопросы государственного и муниципального управления, 2019. № 2. 93-114.
8. Смотрицкая И.И. Государственное управление в условиях развития цифровой экономики: стратегические вызовы и
риски [Текст] / И.И. Смотрицкая // ЭТАП: экономическая теория, анализ, практика, 2018. № 1. С. 60-72. References:
1. Decree of the President of the Russian Federation of May 7, 2012 N 596 "On the long-term state economic policy" // ATP "Guarantor".
2. Decree of the President of the Russian Federation of May 7, 2012 N 601 "On the main directions of improving the public administration system" // ATP "Guarantor".
3. Ministry of Digital Development, Telecommunications and Mass Communications of the Russian Federation: official. website. - Access mode: https://digital.gov.ru/ru/activity/directions/882/ (accessed 04.04.2020).
4. Kosorukov A.A. Open government and digitalization of public administration in modern Russia / A.A. Kosorukov // Theories and Problems of Political Studies, 2019. No. 8. P. 23-34.
5. Kuznetsov N.V., Lizyaeva V.V. Digitalization project management: methodological, organizational and financial aspects // ECONOMIC SCIENCES, 2020. No. 4. P. 32-38.
6. Safonova O. N. Introduction of project management in executive bodies of state power as a mechanism for effective resource management / O. N. Safonova, E. A. Anchikhrov // Models, systems, networks in economics, technology, nature and society, 2015. No. 2 (14). S. 58-67.
7. Sidorenko E.L. The effectiveness of digital public administration: theoretical and applied aspects / E.L. Sidorenko, I.N. Bart-sits, Z.I. Khisamova // Issues of state and municipal government, 2019. No. 2. 93-114.
8. Smotritskaya II. Public administration in the development of the digital economy: strategic challenges and risks [Text] / II. Smotrytska // STAGE: economic theory, analysis, practice, 2018. No. 1. P. 60-72.
DOI: 10.24411/2309-4788-2020-10393
Е.А. Козлова - аспирант Высшей инженерно-экономической школы, Санкт-Петербургский государственный политехнический университет Петра Великого, kozlovaevgeiya@list.ru, E.A. Kozlova - PhD student, Peter the Great St. Petersburg Polytechnic University; Т.Ю. Кудрявцева - доцент Высшей инженерно-экономической школы, д.э.н., Санкт-Петербургский государственный политехнический университет Петра Великого, tankud28@mail.ru,
T.Yu. Kudryavtsteva - associate professor of economics, Peter the Great St. Petersburg Polytechnic University.
СПОСОБЫ ФОРМИРОВАНИЯ ПОРТФЕЛЯ МОЩНОСТЕЙ ПРЕДПРИЯТИЯ НЕФТЕГАЗОВОЙ ОТРАСЛИ
ДЛЯ ОБЕСПЕЧЕНИЯ РЫНОЧНОЙ ГИБКОСТИ WAYS OF CAPACITY PORTFOLIO STRUCTURING OF ENERGY COMPNY IN ORDER OF MARKET
FLEXIBILITY PROVISION
Аннотация. В данной статье проанализировано текущее состояние европейского газового рынка, выявлены его основные характеристики. Рассмотрено понятие рыночной гибкости, а также описаны инструменты ее обеспечения - мощности газотранспортных сетей, мощности подземных хранилищ газа, прерываемые контракты, добыча природного газа, - выявлены основные составляющие указанных инструментов. Описано понятие портфеля мощностей и определены способы его формирования исходя из критериев оптимальности в условиях ограниченности ресурсов. Кроме того, в статье рассмотрены способы моделирования и прогнозирования затрат на использование каждого инструмента и рыночного спроса в различных торговых зонах с использованием эмпирического анализа на основе эконометрической модели ВАРМА, а также предложен алгоритм проведения анализа для формирования оптимального портфеля мощностей предприятия нефтегазовой отрасли.
Abstract. This article analyzes the current situation on the European gas market, reveals its main characteristics. The concept of market flexibility is considered, and the tools for its provision are described - gas transmission network capacities, underground gas storage capacities, interruptible contracts, natural gas production - the main components of these tools are identified. The concept of a capacity portfolio is described and methods for its formation are determined on the basis of optimal criteria in terms of limited resources. In addition, the article discusses methods for modeling and forecasting the costs of use of each tool and relevant market demand in various trading areas using empirical analysis based on the econometric VARMA-model, and also proposes an analysis algorithm to form an optimal capacity portfolio for an oil and gas industry enterprise.
Ключевые слова: рыночная гибкость, нефтегазовый сектор, ВАРМА-модель, портфель мощностей, рынок энергетики
Keywords: market flexibility, gas sector, VARMA-model, capacity portfolio, energy market
В связи с усложнившейся экономической и политической ситуацией на европейском газовом рынке, вызванной проведением мероприятий, направленных на демоноплизацию рынка (в частности, принятие Третьего энергопакета, распространяющего действие на территории Европы в целом, а также локальных административных актов, регулирующие доступ к рынкам в рамках торговых зон, например, BK9-18/610 и BK9-18/611 BNetzA «REGENT» от 01.01.2020 на территории Германии), а кроме того усложнившаяся политическая ситуация, следствием которой является введение санкций и ограничений со стороны американского правительства, а также правительств европейских стран, ограничивающая реализацию стратегических инвестиционных проектов по транзиту газа на территории Европы увеличилась необходимость повышения гибкости компаний-экспортеров и трейдеров газа для обеспечения стабильности и бесперебойности поставок на европейском газовом рынке [1, 2].
На сегодняшний день европейскому газовому рынку присущи следующие основные характеристики [3]:
• возможность обеспечения гибкости поставок за счет национальной производительности снижается, что связано в первую очередь со снижением национальной добычи, а также сокращением числа проектов строительства подземных хранилищ газа для обеспечения спроса на национальном рынке;
• возросшие риски строительства подземных хранилищ, что обусловлено ростом затрат на строительство инвестиционных объектов, а также повышением цен на буферный газ, используемого в технических целях для обеспечения работы хранилищ;
• демополизация рынка, как следствие, повышение конкуренции и усиление контроля со стороны европейского регулятора;
• глобализация рынка как способ обеспечения гибкости на территории европейских стран для сглаживания неравномерности спроса и предложения.
Схематически основные характеристики представлены на рис. 1.
Рисунок 1 - Газовый рынок 2020 [3]
В связи с вышесказанным становится актуальным оценка и прогнозирование спроса и предложения газа на европейском рынке, а также определение подходов к формирования необходимого уровня гибкости, а также путей ее обеспечения исходя из потребностей и существующей инфраструктуры страны в целом и торговой зоны в частности.
Гибкость определяется как максимальная требуемая мощность по сравнению с теоретически определенной базовой величиной, соответствующей, 100% нагрузки.
Таким образом можно выделить два актуальных понятия гибкости [4]:
• Суточная гибкость (суточная поставка), соответствующая максимальному ежедневному предложению в летний период (с апреля по октябрь);
• Гибкость в зимний период, соответствующая максимальному ежедневному предложению в зимний период (с ноября по март).
При этом суточная гибкость рассчитывается следующим образом:
Суточная гибкость = 1/20 пикового дневного спроса - среднесуточный спрос, (1)
где:
пиковый дневной спрос - 1/20 пикового спроса в любой день в году;
среднесуточный спрос - нормальное годовое потребление, деленное на количество дней в году.
Суточная гибкость = 1/50 пикового дневного спроса - 5*среднемесячный спрос, (2)
где:
пиковый дневной спрос - 1/50 спроса в любой день в году;
среднемесячная потребность - среднемесячный спрос в году деленный на 12 месяцев.
Важно отметить, что в обеспечении гибкости есть ряд ограничивающих факторов:
• сезонность спроса и зависимость от аномальных климатических изменений в связи с тем, что основное потребление нацелено на отопление помещений;
• спрос должен удовлетворяться на ежедневной или часовой основе, при этом хранение газа на клиентской стороне не предусмотрено, в связи с чем краткосрочные изменения спроса могут быть урегулированы преимущественно возможностью хранения на стороне продавца (в частности, подземное хранилище газа)
Если оценивать национальную гибкость европейских стран, то можно увидеть широкий разброс значений, обусловленный рядом факторов (рис. 2). Гибкость варьируется от 70% в случае Испании и до 140% во Франции. В данном случае вариация обусловлена климатическими различиями, а также разными целями и объемами потребления газа. В Испании относительно мало газа используется для отопления помещений, при этом климат относительно мягкий. Во Франции, напротив, газ практически не используется для производства электроэнергии, но большая доля используется для отопления помещений. Потребность в гибкости поставок зимой, как правило, пропорциональна летней гибкости.
160
ВЕ RF GY ГГ SP иК
Гибкость ■ Объем зимой
Рисунок 2 - Гибкость в процентном отношении к максимальному предложению [4] Существует четыре основных инструментов обеспечения гибкости.
1. газ, добытый в стране потребления;
2. импорта газа;
3. использования подземных хранилищ;
4. прерываемые контракты.
1. Газ, добытый в стране потребления
Газ, добытый в стране потребления, часто является самой доступной формой обеспечения гибкости, особенно там, где добыча газа осуществляется на суше, а затраты на добычу и связанные с ней транспортные издержки относительно невелики. На европейском рынке Нидерланды лидируют в части национальной добычи газа. При этом добыча с Гронингенского месторождения используется не только для обеспечения национального спроса, но и для удовлетворения спроса на рынках Германии и Бельгии, которые обладают меньшей гибкостью. С течением времени гибкость национального газа будет снижаться по мере сокращения добычи и исчерпания месторождений.
2. Импорт по газопроводу
Особенностью этого инструмента обеспечения гибкости является ограниченность доступностью мощностей газопровода, а также высокими затратами на создание транспортной инфраструктуры и тарифов при ее использовании. Тем не менее, большинство контактов на импорт газа по газопроводу предлагают определенную
гибкость в отношении годовых контрактных объемов, в связи с тем, что большая часть газа доставляется в зимний период. Кроме того, по мере постепенного ввода в эксплуатацию новых трубопроводов может появиться возможность обеспечения дополнительной сезонной гибкости в период повышенного спроса.
3. Подземное газовое хранилище
Газовое хранилище наиболее проверенный и стабильный инструмент обеспечения гибкости и используется наиболее продолжительное время, например, в США более столетия. Данный инструмент с технической точки зрения является наиболее простым и при этом является наименее затратным и наиболее конкурентоспособным по сравнения с альтернативными способами. Подземные хранилища различаются по мощности хранения и производительности на закачку и отбор, а также расположением. Они могут располагаться в водоносных горизонтах и истощенных месторождениях, которые, как правило, имеют большую емкость, но относительно меньшую производительность, а также соляные каверны - меньшие по объему хранения, однако обладающие большей производительностью.
4. Прерываемые контракты
Прерываемые контракты на поставку газа являются важным инструментом, обеспечивающим гибкость и балансировку спроса в случае его колебания, например, в период перепадов температур. Данные контракты позволяют сокращать объемы поставки в случае нехватки ресурса или отсутствия спроса со стороны клиента, а также отклонять заявки ниже определенного уровня цен, определяемых на ежедневной основе. Таким образом, обеспечивается балансировка спроса и предложения, а также повышается рыночная ликвидность, что способствует повсеместному удовлетворению спроса.
Кроме того, существуют ряд рисков, которые могут способствовать снижению гибкости:
1. технические;
2. политические;
3. нарушение транзита.
В связи с этим необходимо использовать диверсифицированный портфель мощностей для обеспечения гибкости поставок.
Как правило, дифференцированный портфель мощностей состоит из совокупности описанных выше инструментов. При этом для создания оптимального портфеля вес каждого из них должен определяться исходя из критериев оптимальности, релевантных именно для этого инструмента При этом важно учитывать, что формирование портфеля мощностей призвано обеспечить исполнение обязательств по портфелю контрактов на поставку с минимальными на это затратами.
В частности, для компании экспортера оптимальный портфель будет состоять из трех основных составляющих: мощностей газотранспортной сети (мощность ГТС), мощностей подземных хранилищ газа (мощность ПХГ) и прерываемых контрактов. При этом добытый газ является одним из исходных параметров, который формируется исходя из ресурса, выделенного в определенный период времени на экспорт и, соответственно, который может быть подан для использования в одной из составляющих портфеля в определённый период времени.
У каждого из инструментов существуют свои ограничивающие факторы, обусловленные сущностью предмета, а также параметры, которые необходимо максимизировать или минимизировать для формирования оптимального веса каждого из инструментов в общем портфеле мощностей.
Так, например, для мощностей ГТС ограничивающим фактором является доступность ресурса, доступного на экспорт, доступность транспортных мощностей, которая зависит от их общей мощности и загрузки в определенный период времени. Для данного инструмента необходимо минимизировать затраты на его использование, т.е. использовать минимальный тариф на вход/выход в/из ГТС, а максимизировать выход в торговые зоны, в которых существуют обязательства по контрактам, а также ПХГ.
Для мощностей ПХГ ограничивающими факторами является их совокупная мощность хранения, а также суточные возможности на закачку и отбор в/из ПХГ. При этом минимизировать следует совокупные затраты на хранение, а также закачку и отбор, максимизировать - оборачиваемость ПХГ, доступ из ПХГ в торговые зоны.
По результатам анализа коммерческих тарифов на услуги хранения газа на территории Европы, важно отметить их значительную зависимость от торговой зоны (балансовых зон), в которой находится хранилище и, соответственно, структура и высота тарифа варьируется не только по страновому признаку, но и внутри одной страны в случае наличия в ней более одной торговой зоны.
Несмотря на происходящую глобализацию европейского газового рынка цены на газ и, как следствие, стоимость подземного хранения заметно отличается. Обусловлено это не только различными подходами к ценообразованию и затратами на строительство хранилищ, но и стандартами обслуживания и надежности, варьирующимися между странами.
Как было сказано ранее, рыночный тариф на услуги подземного хранения газа варьируется в зависимости от торговой зоны. Кроме того, тариф варьируется в зависимости от длительности хранения, а также года хранения газа.
При идентификации рыночного тарифа целесообразно использовать индексы торговых площадок (торговых зон). Например, индекс NCG и индекс GASPOOL в случае оценки рынка Германии или индекс A VTP при анализе австрийского газового рынка.
При это рыночную стоимость хранения будет отражать рыночный спред, опубликованный на трейдин-говой площадке на момент заключения сделки. При этом в качестве спреда целесообразнее брать разницу между
началом сезона закачки (1 апреля - спрос на газ падает, предложение газа избыточно, - начало периода хранения и закачки газа в хранилища) и началом сезона отбора (1 ноября - начало зимнего периода, повышение спроса на газ). Разница между данными ценами (спред) будет идентификатором рыночного тарифа внутри торговой зоны.
В связи с глобализацией европейского газового рынка и переходом от регионального рынка к общенациональному происходит размывание границ между торговыми зонами - рынок становится более широким, а границы открытыми. Таким образом, в рамках реализации мероприятий по обеспечению гибкости становится особенно важной оценка критериев формирования оптимального портфеля и использования инструментов таким образом, чтобы сгладить неравномерность спроса и предложения между торговыми зонам и использовать мощности, доступные на рынки для оптимального сглаживания неравномерности спроса.
В связи с этим целесообразна оценка взаимосвязей между ценами на газ в соседствующих торговых зонах, а также моделирование прогнозных значений изменения цен на газ и спроса на него.
Моделируемые и прогнозируемые в данном случае значения являются высокочастотными временными рядами. Для их анализа используется множество эконометрических моделей - VAR (векторная регрессия со скользящей средней), VMA (векторная скользящая средняя), ARMA (авторегрессия со скользящей средней), AR (авторегрессия), а также модифицированная модель VARMA (векторная авторегрессия со скользящей средней). VARMA-модель применяется при проведении зарубежных исследований, однако для российской практики имеет высокую долю новизны - в специальной научной литературе не представлена [5, 6, 7].
Разработка VARMA-модели была обусловлена успехом ARMA-модели, предложенной Боксом и Джекин-сом в 1970-ых годах, а также предложенной Симсом в 1980-ом году VAR-модели. ARMA-модель показала себя как точный инструмент для моделирования и прогнозирования временного ряда, однако ее недостатком была возможность использования только одной переменной в анализе, хотя зачастую при проведении эконометрических исследований необходим анализ взаимосвязей между несколькими переменными. Модель VAR, напротив, учитывала взаимосвязи между переменными, т.к. при построении модели возможно использование нескольких переменных. В связи с этим была оправдана разработка метода моделирования и прогнозирования временных рядов, позволившего использовать несколько переменных в анализе, учитывать взаимосвязи между ними [8, 9, 10].
VARMA-модель представляет собой современный эконометрический метод, способный решить задачу моделирования нескольких временных рядов и прогнозирования динамики их изменений в будущих периодах.
Исследование на основе модели VARMA может быть реализовано на основе следующего алгоритма, который был разработан и апробирован в рамках ранее проведенного исследования:
1. формирование первичной статистической информационной базы;
2. первичный анализ исходных данных;
3. приведение статистических данных к стационарному виду в соответствии с требованиями VARMA-модели;
4. идентификация (подбор вида) модели VARMA(p,q) - выбор значений параметров p и q, где p -число запаздывающих значений анализируемой переменной, представляющее порядок авторегрессионной части модели (AR), а q - число запаздывающих значений ошибки, представляющее порядок скользящей средней части модели (МА);
5. диагностика модели - проверка построенной модели на робастность. Робастность - свойство статистической модели, характеризующееся независимостью влияния на результат исследования различного рода выбросов, устойчивость к помехам. Проверка на робастность подразумевает выявление выбросов, снижение их влияния на результат или исключение из выборки;
6. оценка достоверности результатов модели. Для оценки достоверности построенных моделей могут применятся критерии AIC и BIC, а также графическое наложение смоделированного результата на реальный;
7. построение прогноза;
8. интерпретация результата:
9. в случае неточного моделирования и прогнозирования (bad-fit) на 6-ом и 7-ом этапах - возвращение к пункту 4;
10. в случае точного моделирования и прогнозирования (good-fit)- к пункту 9;
11. принятие управленческого решения на основе проведенного анализа.
В рамках проведенной работы были выявлены основные особенности современного состояния европейского газового рынка, рассмотрены основные предпосылки к обеспечению гибкости, а также выявлены основные инструменты обеспечения требуемого уровня гибкости.
Кроме того, были оценены основные факторы ценообразования на рынке, а также обоснована необходимость определения степени взаимосвязи между индексами взаимодополняющих торговых зон, рассмотрены модели, на основании которых возможно производить оценку взаимосвязей, а также моделирование прогнозных цен и спроса в будущих периодах.
На следующем этапе исследования предполагается апробировать предложенный алгоритм на данных о ценах на газ в торговой зоне NCG, GASPOOL, A VTP, а также впоследствии интегрировать алгоритм в методику формирования оптимального портфеля мощностей для обеспечения гибкости и надежности поставок.
Источники:
1. Третий энергопакет // Официальный сайт ЕС: ec.europe.eu. 2020. URL: https://ec.europa.eu/energy/topics/markets-and-
consumers/market-legislation/third-energy-package_en (дата обращения 20.03.2020)
2. Регулирование REGENT // Официальный сайт Bundesnetzagentur: bundesnetzagentur.de. 2020. URL:
https://www.bundesnetzagentur.de/DE/Service-Funktionen/Beschlusskammern/BK09/BK9_72_FL/Publikationen/BK9-18-
607bis612/Stellungnahmen_607bis612/Stellungnahmen_Zusammenfassung_EN_Download_BF.pdf?_blob=publicationFi
le&v=2 (дата обращения 20.03.2020)
3. Газовый рынок Европы: утраченные иллюзии и робкие надежды / Под ред. В.А.Кулагина, Т.А.Митровой; НИУ ВШЭ-
ИНЭИ РАН, Москва, 2015 - ISBN 978-5-91438-017-2.
4. Исследование гибкости на европейском газовом рынке // Институт исследования газа Оксфорда: oxfordenergy.org.
2020. URL: https://www.oxfordenergy.org/wpcms/wp-content/uploads/2019/02/It-Dont-Mean-a-Thing-If-It-Aint-Got-That-Swing-Why-Gas-Flexibility-Is-High-on-the-Agenda-for-Russia-and-Europe-Energy-Insight-48.pdf (дата обращения 20.03.2020).
5. Granger C. W. J. Investigating Causal Relations by Econometric Models and Cross-spectral Methods // STOR. 1969. №3.
С. 424-438.
6. Tsay, R.S. Analysis of Financial Time Series: учебник для вузов / R.S. Tsay. Chicago.: Sprnger, 2002. 457 c.
7. Tiao G.S. Use of canonical analysis in time series model identification // Biometrica. 1985. №2. C. 299-315.
8. Lutkepohl, H. New introduction to multiple time series analysis: учебник для вузов / H. Lutkepohl. Berlin.: Springer, 2005. 764 с.
9. Johansen S. Statistical analysis of cointegration vectors // Journal of economic dynamics and control. 1988. №3. C. 231-254.
10. Робастность // Википедия: wikipedia.org. 2020. URL: https://ru.m.wikipedia. org/wiki/%D0%A0%D0%BE%D0%B1%D0%B0%D1%81%D1%82%D0%BD%D0%BE%D1%81 %D1%82%D1%8C/ (дата обращения: 16.03.2020).
11. Кеннеди, П. Путеводитель по эконометрике: академический учебник / П. Кеннеди. М.: Дело, 2016. 528 с. References:
1. Third energy package // An official site of the EU: ec.europe.eu. 2020. URL: https://ec.europa.eu/energy/topics/markets-and-
consumers/market-legislation/third-energy-package_en (review date 20.03.2020)
2. REGENT regulation // An official site of Bundesnetzagentur: bundesnetzagentur.de. 2020. URL:
https://www.bundesnetzagentur.de/DE/Service-Funktionen/Beschlusskammern/BK09/BK9_72_FL/Publikationen/BK9-18-
607bis612/Stellungnahmen_607bis612/Stellungnahmen_Zusammenfassung_EN_Download_BF.pdf?_blob=publicationFi
le&v=2 (review date 20.03.2020)
3. Газовый рынок Европы: утраченные иллюзии и робкие надежды / Под ред. В.А.Кулагина, Т.А.Митровой; НИУ ВШЭ-
ИНЭИ РАН, Москва, 2015 - ISBN 978-5-91438-017-2.
4. The European Gas Flexibility Study // The Oxford Institute for Gas Studies: oxfordenergy.org. 2020. URL:
https://www.oxfordenergy.org/wpcms/wp-content/uploads/2019/02/It-Dont-Mean-a-Thing-If-It-Aint-Got-That-Swing-Why-Gas-Flexibility-Is-High-on-the-Agenda-for-Russia-and-Europe-Energy-Insight-48.pdf (review date 20.03.2020).
5. Granger C. W. J. Investigating Causal Relations by Econometric Models and Cross-spectral Methods // STOR. 1969. №3.
C. 424-438.
6. Tsay, R.S. Analysis of Financial Time Series: учебник для вузов / R.S. Tsay. Chicago.: Sprnger, 2002. 457 c.
7. Tiao G.S. Use of canonical analysis in time series model identification // Biometrica. 1985. №2. C. 299-315.
8. Lutkepohl, H. New introduction to multiple time series analysis: college textbook / H. Lutkepohl. Berlin.: Springer, 2005. 764 с.
9. Johansen S. Statistical analysis of cointegration vectors // Journal of economic dynamics and control. 1988. №3. C. 231-254.
10. Robastnost // Wikipedia: wikipedia.org. 2020. URL: https://ru.m.wikipedia. org/wiki/%D0%A0%D0%BE%D0%B1%D0%B0%D1%81%D1%82%D0%BD%D0%BE%D1%81 %D1%82%D1%8C/ (review date: 16.03.2020).
11. Kennedy, P. Econometrics guide: college textbook / P. Kennedy. М.: Delo, 2016. 528 c.
DOI: 10.24411/2309-4788-2020-10394
Д.А. Коновалова - студент, факультета анализа рисков и экономической безопасности имени проф. В.К. Сенчагова, Финансовый университет при Правительстве Российской Федерации, konovalova.d11@gmail.com,
D.A. Konovalova - student of the Faculty of Risk Analysis and Economic Security named after prof. K. Senchagov, Financial University under the Government of the Russian Federation;
Научный руководитель: О.В. Коновалова - доцент кафедры «Анализ рисков и экономическая безопасность», к.э.н., Финансовый университет при Правительстве Российской Федерации», ov-konovalova@fa.ru,
Academic advisor: O.V. Konovalova - Associate Professor of the Department "Risk Analysis and economic security", PhD of economics, Financial university under the Government of the Russian Federation.
СОВЕРШЕНСТВОВАНИЕ ЭЛЕМЕНТОВ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОГО ОБЕСПЕЧЕНИЯ ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТИ ХОЗЯЙСТВУЮЩЕГО СУБЪЕКТА КРЕДИТНО-ФИНАНСОВОЙ СФЕРЫ IMPROVEMENT OF THE ELEMENTS OF INFORMATION AND ANALYTICAL SUPPORT OF ECONOMIC SECURITY OF THE ECONOMIC ENTITY OF THE CREDIT AND FINANCIAL SPHERE
Аннотация. Растущий объем поступления неоднородной информации на электронных носителях становится невозможно обрабатывать традиционными способами. В статье отмечается, что интеграция определенных
