СТАТИСТИЧЕСКИЙ ОЧЕРК ПО ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТИ ФИНАНСОВО-КРЕДИТНЫХ ОРГАНИЗАЦИЙ Текст научной статьи по специальности «Экономика и бизнес»

УДК 338 ББК 65.050

DOI 10.24412/2073-0454-2021-4-272-279 © Дианов Д.В., 2021

Научная специальность 08.00.12 — бухгалтерский учёт, статистика

СТАТИСТИЧЕСКИЙ ОЧЕРК ПО ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТИ ФИНАНСОВО-КРЕДИТНЫХ ОРГАНИЗАЦИЙ

Дмитрий Владимирович Дианов, профессор кафедры экономической безопасности, финансов и экономического анализа, доктор экономических наук, профессор

Московский университет МВД России имени В.Я. Кикотя (117997, Москва, ул. Академика Волгина, д. 12) E-mail: skad71@mail.ru

Аннотация. Рост экономической преступности обусловлен множеством причин экономического и социального характера, взаимосвязанных как единое целое. Правонарушения в страховом и банковском секторах давно не новый и по-прежнему интересный объект для статистического изучения. В статье представлена и рассмотрена многомерная группировка регионов Российской Федерации, с целью формирования типически однородных кластеров. Представленный прогноз материального ущерба от противоправных действий в банковском секторе и сфере страхования позволяет смоделировать ряд мероприятий по недопущению ухудшения экономической обстановки, а также меры активного противодействия существующим угрозам.

Ключевые слова: рынок страхования, банковский сектор, прикладные методы статистики, региональные кластеры.

STATISTICAL ESSAY ON THE ECONOMIC SECURITY OF FINANCIAL AND CREDIT ORGANIZATIONS

Dmitry V. Dianov, Professor of the Department of Economic Security, Finance and Economic Analysis, Doctor of Economic Sciences, Professor

Moscow University of the Ministry of Internal affairs of Russia named after V.Ya. Kikot' (117997, Moscow, st. Akademika

Volgina, d. 12)

E-mail: skad71@mail.ru

Abstract. The growth of economic crime is due to a variety of economic and social reasons that are interconnected as a whole. Offenses in the insurance and banking sectors have not been a new and still interesting object for statistical study for a long time. The article presents and considers a multidimensional grouping of the regions of the Russian Federation, in order to form typically homogeneous clusters. The presented forecast of material damage from illegal actions in the banking sector and the insurance sector allows us to model a number of measures to prevent the deterioration of the economic situation, as well as measures to actively counter existing threats.

Keywords: insurance market, banking sector, applied statistical methods, regional clusters.

Citation-индекс в электронной библиотеке НИИОН

Для цитирования: Дианов Д.В. Статистический очерк по экономической безопасности финансово-кредитных организаций. Вестник Московского университета МВД России. 2021;(4):272-279.

1. Введение

В настоящее время экономической безопасности государства внимание уделяется столь масштабное и интенсивное, какое не отмечалось ранее никогда. Одной из весомых внутренних угроз является увеличение количества преступлений экономической направленности абсолютно во всех сферах экономической

деятельности, что в дальнейшем не позволяет в достаточной степени осуществлять наполняемость государственного бюджета.

В первую очередь, снизилась наполняемость региональных бюджетов страны. Во-вторых, данная ситуация отразилась на правосознании граждан. Люди попали в ситуацию, когда работодатель не готов при-

нимать на работу кадры, в связи с невозможностью оплачивать их труд, а банковский сектор никогда не выдаст кредит, тем более ипотечный, безработной семье. Рост безработицы и острый дефицит денежных средств в секторе домашних хозяйств, вызванный COVID-потрясением, как мировой, так и российской экономики, приводит к тому, что увеличивается количество преступлений экономического характера.

2. Статистический анализ мошенничества в страховой деятельности

Страхование — постоянно модифицируемая сфера экономической деятельности, так как реагирует на все новшества в экономике; это постоянно изменяемый объект статистического исследования; преступления страховой направленности предполагают сложную и детальную проработку схем, плана и механизмов их совершения, а деятельность органов внутренних дел нуждается в постоянном аналитическом обновлении методологического обеспечения выявления и раскрытия преступлений.

В данной научной статье рассмотрим возможность оценки материального ущерба страховому сектору в результате противоправных действий, для чего необходимо провести анализ влияющих факторов. Исследование должно открываться проведением многомерной группировки регионов одновременно по всем показателям в целях их разделения на кластеры. Данный способ позволяет обобщить сведения по регионам, имеющим приблизительно равные числовые значения показателей, и выявить закономерности в их количественных соотношениях.

Исходными данными для применения кластерного анализа и проведения многомерной классификации послужили официальные статистические сведения, охватывающие более 70 субъектов Российской Федерации, которые характеризуются наиболее важными экономическими показателями за 2019 год.

Кластеры ранжированы по среднерегиональному значению результативного показателя, т.е. по материальному ущербу, который несёт страховой сектор российской экономики. Таким образом, по результатам, приведенным в аналитической таблице 1, можно сделать вывод, что кластер из 23 регионов имеет самый низкий показатель по сумме, выплаченных страховых выплат в размере 5,67 млн. руб. Это может объясняться тем, что в этих регионах граждане реже обращались в страховую компанию за получением страховых выплат или же им было отказано по причине отсутствия страхового случая.

Одним из видов экономических преступлений является мошенничество в сфере страхования. Данные правонарушения являются наиболее распространен-

ными на 2020 год. Огромное влияние на экономику и социальную жизнь граждан оказала сложная санитарно-эпидемиологическая обстановка минувшего года. Показатели «численность занятых» и «численность безработных» сильно варьируют и объясняется это сильной региональной дифференциацией уровня жизни, заработной платы в регионах России. Кроме этого, интересно, что в 23 субъектах Российской Федерации ущерб от мошеннических действий в области страхования составил 105,4 млн.руб., что в среднем на 5,8 млн. руб. меньше, чем в 11 регионах третьего кластера. Это может свидетельствовать о серьёзных проблемах, возникающих у правоохранительных органов при противостоянии, в буквальном смысле, столь наукоемким видам экономической преступности.

Обращая внимание на такой показатель, как «объем оказанных страховых услуг», можно заметить сильный разрыв между его значением в четвертом кластере, равном 17,6 тыс. и в пятом кластере, где среднерегиональный его уровень превышает отметку в 60 тыс. Это может говорить о наличии прямой зависимости между масштабами экономического развития субъектов Федерации и спросом-предложением на страховые услуги [5].

Численность занятых трудовых ресурсов в четвертом кластере намного выше по сравнению с другими и составляет 1693,75 тыс. чел., что говорит о доступности рабочих мест для населения этих регионов и достаточно высокой производительности труда в данных регионах. Хотя в регионах пятого кластера вновь наблюдается сильный разрыв, знаменуемый более, чем двукратным превышением. Из таблицы 1 явно прослеживается тенденция к увеличения материального ущерба в области страхования от противоправных действий параллельно с ростом всех рассматриваемых показателей. Нормализации ситуации должен способствовать в том числе и аналитический комплекс мероприятий:

• выявление и предупреждение экономических угроз на основе математико-статистических методов;

• составление планов и отчетности и проведение комплексного анализа по ним с использованием оперативно-коммуникативных средств;

• прогнозирование последствий, как от уровня преступности, так и от противодействия угрозам экономической безопасности, факторов и непосредственно угроз;

• активная пропаганда противодействия экономической преступности с обоснованием необходимости выработки у граждан ответственного отношения, формированию гражданского правосознания.

Для выявления оценки силы связи между показателями, которые характеризуют противоправные действия в области страхования используем корреляционный анализ. Его методологическим продолжением станет регрессионный анализ, который позволит количественно оценить параметры факторных моделей по кластерам. Данный процесс ввиду ограниченности поля научной статьи, проведем по наиболее многочисленному кластеру первому кластеру (табл. 2).

Используем исходные данные, те же, что и при проведении кластерного анализа, для проведения корреляционно-регрессионного анализа (табл. 3). В качестве результативного признака определим ущерб страховому сектору в результате противоправных действий, млн. руб. Соответственно объясняющими переменными (х1, х2, х3, х4, х5) выступят последовательно каждый объясняющий признак.

Исходя из данных корреляционного анализа по первому кластеру, можно сделать следующий вывод: наиболее тесная положительная корреляционная связь из всех возможностей прослеживается между объёмом оказанных страховых услуг в тыс. (Х4) и материальным ущербом страховому сектору от противоправных действий в млн. руб. — умеренная степень корреляционной связи. Это говорит о том, что ущерб страховому сектору находится в прямой зависимости от объема оказанных страховых услуг.

По результатам регрессионного анализа, можно сказать, что при увеличении размера средств, выплаченных в формате незаконного возмещения по страховым событиям на 1 млн. руб., наблюдается рост материального ущерба на этапе завершения следственных мероприятий на 0,96 млн. руб., то есть эффективность выявления незаконных страховых выплат и доведения дел до суда, практически стопроцентное, с поправкой разве что на статистическую погрешность. Потенциал для совершения преступлений мошеннического характера реализуется именно на этапе работы с контрагентами по страховым операциям. Об этом свидетельствует и коэффициент регрессии при показателе количества совершенных страховых сделок. Их рост по регионам первого кластера на 1 тыс. единиц предопределяет рост показателя материального ущерба страховому сектору на 2,7 млн. руб. Значение коэффициента регрессии при показателе прибыли страховых организаций, приближенное к нулю, свидетельствует о том, что на этом этапе хозяйственной деятельности, где реализуется экономическая сущность и прибыли, мошеннические действия практически исключаются. Ремаркой может стать то обстоятельств, что коэффициент регрессии таки положительный, то некие бреши всё же есть и здесь.

Дальнейший динамический анализ позволил количественно описать сформированные тенденции по всем рассмотренным показателям. Рассмотрим рассчитанные прогнозные значения на период до 2022 года, представленные в таблице 4.

Отметим, что прогнозируется рост почти всех исследуемых факторов, определяющих размер материального ущерба страховому сектору от мошеннических действий. Исключение составляет размер сумм незаконно выплаченных денежных средств, что ещё раз подтверждает сделанный ранее вывод об эффективности работы российской полиции по обеспечению экономической безопасности одного из ключевых звеньев финансовой системы — страховой сферы. Графически трендовую модель результативного показателя представим на рисунке 1.

Можно предположить, что тенденция показателя материального ущерба организациям страхового сектора, связанная с реализацией мошеннических схем, носит параболический характер, и вышла, выражаясь современным сленгом, «на потолок», то есть парабола, смотрящая ветвями вниз, практически достигла наивысшей точки, вслед за которой можно ожидать снижения показателя материального ущерба, что, безусловно, является большим плюсом для укрепления экономической безопасности финансового сектора.

Однако, следует помнить, что, как показывает зарубежный опыт, по мере расширения предложения на услуги в области страхования, происходит и увеличение размеров потерь от противоправных действий. Результатом данной закономерной системы будет выступать ущерб, в конечном итоге ложащийся на плечи и кошельки законопослушных граждан, поскольку это из их средств, осуществляются страховые выплаты противоправного характера [8]. Следует также помнить, что только превентивными мерами в противодействии преступности и недобросовестности в сфере страхования не обойтись, и мировая практика свидетельствует, что основными методами в борьбе с преступностью в области страхования являются:

• объединение усилий всех страховых компаний по борьбе с незаконными выплатами;

• ужесточение контроля и усиление действия санкций за данное правонарушение;

• взаимодействие с международными страховыми компаниями и заимствование их опыта в работе с клиентами;

• поддержание взаимодействия между правоохранительными органами и страховыми компаниями в целях предупреждения и выявления преступлений экономической направленности более оперативно.

Таблица 1

Многомерная группировка регионов Российской Федерации по материальному ущербу от преступлений в области страхования в 2019 г., млн. руб.

№ Кластера Количество регионов Сумма незаконно выплаченных страховых денежных средств Прибыль прибыльных страховых компаний Численность занятых лиц, тыс. чел. Численность безработных, тыс. чел. Объем оказанных страховых услуг, тысяч Материальный ущерб страховому сектору в результате противоправных действий

X! X2 X3 X4 X5 У

1 27 7,77 386,28 346,95 18,92 9,64 97,57

2 23 5,67 140,22 634,97 37,76 11,94 105,44

3 11 21,68 1551,72 1368,31 62,58 10,74 111,23

4 6 33,37 2571,43 1693,75 66,62 17,56 138,16

5 4 269,98 209884,30 3779,08 136,90 60,60 234,52

Матрица коэффициентов парной корреляции по 1 кластеру

Таблица 2

Х1 Х2 Х3 Х4 Х5

Столбец 1 1

Столбец 2 0,844255306 1

Столбец 3 0,032560896 -0,158527709 1

Столбец 4 -0,321973308 -0,380015716 0,74650775 1

Столбец 5 0,040069824 0,175363341 -0,03661314 -0,1761923 1

Столбец 6 0,018967366 0,326609842 -0,38401662 -0,3914456 0,420572

У

1

Таблица 3

Регрессионная модель зависимости результативного признака от всех объясняющих по первому кластеру

Регрессионная статистика

Множественный R R-квадрат

Нормированный R-квадрат

0,692412507 0,47943508 0,355491052

Коэффициенты

Y-пересечение Переменная X 1 Переменная X 2 Переменная X 3 Переменная X 4 Переменная X 5

91,06952691 0,959779641 0,008814039 -0,000913015 -0,4097062 2,269179331

^статистика

5,213389326 2,250267664 2,55038133 -3,04728133 -4,92867247 1,901983198

Таблица 4

Прогнозные значения по основным показателям, определяющим материальный ущерб страхового сектора России, млн. руб.

Годы Сумма незаконно выплаченных страховых денежных средств Прибыль прибыльных страховых компаний Численность занятых лиц, тыс. чел. Численность безработных, тыс. чел. Объем оказанных страховых услуг, тыс. Материальный ущерб страховому сектору в результате противоправных действий

2020 2072,712 911495,2 73138,21 3759,913 1782,602 9487,908

2021 2035,862 912557,6 73790,69 3881,932 1798,975 9516,85

2022 1985,739 912938,1 74578,94 4055,457 1809,5 9532,698

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022

Рис. 1. Динамика показателя материального ущерба страховому сектору России, млн. руб.

Далее рассмотрим краткий статистический очерк по банковскому сектору финансовой системы.

3. Моделирование финансовой устойчивости банковского сектора

Банковский сектор существует в современной экономике любой страны, нельзя вообще представить экономику без него. Являясь связующим звеном между бизнесом, промышленностью, сельским хозяйством, населением и торговлей, банки имеют безграничное влияние на экономику страны. Банки также распоряжаются огромным денежным капиталом, который стекается к ним от вышеперечисленных источников. Также банки занимаются различными видами операций финансового посредничества, финансового обслуживания и сопровождения, которые дополняют деятельность физических и юридических лиц, осуществляют финансирование предприятий и сельского хозяйства, выполняют операции, связанные с куплей-продажей ценных бумаг, и это лишь часть участия банков на финансовом рынке.

Проведём статистическое исследование банковского сектора, для чего проанализируем характеризующие его показатели по 57 регионам Российской Федерации за 2019 год, которые размещены на официальном сайте Федеральной службы государственной статистики.

Построим и проанализируем многомерную группировку задолженности по жилищным кредитам в рублях, предоставленным кредитными организациями физическим лицам, и показателям-факторам, определяющим эту задолженность как результат. Предположим, что задолженность по жилищным кредитам, предоставленным кредитными организациями физическим лицам в млн. руб. зависит от нижеперечисленных объясняющих показателей: объем жилищных кредитов, млн. руб. (XI), средних цен на первичном рынке жилья, тыс. руб. за 1 кв. м. площади (Х2), денежных доходов населения тыс. руб. (Х3), число прибывших в регион, тыс. чел. (Х4), а также количество введенной общей площади жилых помещений с уче-

том жилых домов, построенных на земельных участках для ведения садоводства, млн. руб. (Х5).

Процедура многомерной группировки выполнена с использованием статистического метода кластерного анализа, в данном случае основанного на единичной метрике «пространства шара», а ее результаты в виде полученных кластеров и средних значений показателей по ним, представлены в таблице 5. Результат проведенного исследования выражается в

получении 6 кластеров по которым распределены регионы.

Отталкиваясь от полученных в ходе исследования числовых значений, можно констатировать, что практически все социально-экономические показатели, включая рост кредитной задолженности физических лиц, растут от группе к группе, что даёт основание выдвинуть гипотезу о наличии прямой связи между результативным и объясняющими показателями.

Таблица 5

Многомерная группировка регионов Российской Федерации по показателям, определяющим задолженность физических лиц перед банковским сектором в 2019 г., млн. руб.

1 № кластера 4 Количество регионов Объем жилищных кредитов 2 (ипотечных жилищных кредитов), р 1 предоставленных кредитными 2 организациями физическим лицам в рублях) 4 Средние цены на первичном рынке 44 2 жилья тыс. руб. за 1 кв. м. общей площади , х Денежные доходы населения тыс. 2 3 руб. , Х Число прибывших, 1 тыс. чел. Количество введённой общей 2 площади жилых помещений с 3 5 учетом жилых домов, построенных 6 на земельных участках для ведения садоводства тыс. кв. м 1 Задолженность по жилищным 0 ^ кредитам в рублях, ,1 предоставленным кредитными организациями физическим лицам

2 23 20731,43 46,50 29,52 37,92 611,15 42062,48

3 10 33555,80 64,98 33,33 58,35 769,27 51390,80

4 4 51564,75 52,65 31,35 80,80 1560,50 110489,75

5 3 65513,00 55,73 30,70 107,03 1853,26 147511,00

6 3 88622,33 61,40 33,96 137,36 3174,93 180785,00

При этом все показатели формируют единый взаимосвязанный комплекс, так как одни характеризуют

показателя кредитной задолженности домашних хозяйств. Эти выводы подтверждают в принципе и ре-

спрос на ипотечные услуги банков, другие, наоборот зультаты проведённого корреляционно-регрессионно-

характеризуют рост предложения и ценовую ситуацию на рынке жилья, что в целом способствует росту

го анализа, представленные в таблице 6.

Влияние объясняющих показателей на кредитную рублёвую задолженность населения перед банковским сектором по кластерам

Таблица 6

Кластер Параметры регрессии и эластичности Х1 Х2 Х3 Х4 Х5

1 Ь) 1,099 -393,4 -19,3 -423,5 70,4

Э) 0,59 -0,98 -0,02 -0,54 0,93

2 Ь) 2,21 -152,81 -253,58 -102,39 5,56

Э) 1,089 -0,16 -0,17 -0,09 0,08

3 Ь) -0,59 1408,8 -9071,6 -2199,8 -22,68

Э) -0,38 1,78 -5,88 -2,49 -0,33

4 —объединенный: 4,5,6 Ь) 1,78 -62,27 5222,28 275,4 -5,14

Э) 8,34 -1,82 1,169 2,03 -0,76

Чтобы произвести вычисление параметров уравнения регрессии, необходимо использовать пакет анализа данных программы Microsoft Excel World.

На примере первого кластера обратим внимание на очевидные результаты регрессионного анализа, вполне укладывающиеся в содержательную логику причинно-следственных связей. При изменении на 1% объема жилищных кредитов (ипотечных жилищных кредитов), предоставленных кредитными организациями физическим лицам в рублях, результативный показатель изменяется на 0,59%. Наблюдается прямая связь, то есть при увеличении объем выдаваемых жилищных кредитов увеличивается и задолженность по жилищным кредитам. При изменении денежных доходов населения на 1%, задолженность по кредитам изменяется на -0,02%. Наблюдается обратная связь, то есть рост доходов населения, с одной стороны должен увеличивать платежеспособный потенциал и возможность населения привлекать кредитные ресурсы, с другой, и это оказалось более превалирующим фактором, денежных средств оказывается достаточно для ускоренного погашения задолженности по ипотечному кредитованию домашних хозяйств. Увеличение среднего показателя денежных доходов населения на 1 тыс. руб. сопровождается снижением задолженности по жилищным кредитам на 393,4 млн. руб. в регионах первого кластера.

При изменении числа прибывших мигрантов наблюдается слабая обратная связь -0,54%, то есть при увеличении числа прибывших в регион, задолженность по кредитам уменьшается.

При изменении на 1% показателя количества введенной общей площади жилых помещений с учетом жилых домов, построенных на земельных участках для ведения садоводства, результативный показатель изменятся на 0,93%. Наблюдается прямая связь, это означает, что увеличению задолженности по кредитам способствует количество введенных в эксплуатацию помещений указанного назначения. Это может означать, что введенные жилые помещения были куплены населением на деньги, взятые в кредит и образовалась штатная задолженность перед банковским сектором.

Следующим этапом изучения банковского сектора станет построение прогнозных значений до 2022 года. Для этого следует использовать метод аналитического выравнивания и прогнозирования. Необходимо применить программное обеспечение «Microsoft Office Excel» для выявления тенденций указанных показателей, а также для расчёта параметров аналитического выравнивания ряда динамики.

Полученные прогнозные значения до 2022 года, отражены в таблице 7.

Следует отметить, что наблюдается рост всех показателей, за исключением X5- количество введенной общей площади жилых помещений с учетом жилых домов, построенных на земельных участках для веде-

ния садоводства, что говорит о тенденции ежегодного снижения показателя.

На основе рассчитанных данных результативного показателя: прогнозных, теоретических и фактических построим наглядный график, который будет представлен на рисунке 2.

Данный рисунок является наглядным отображением тенденций и прогнозных значений. Очевидна положительная тенденция, что говорит о растущей задолженности физических лиц перед кредитными организациями. Сама ситуация носит позитивный характер для банковского сектора регионов Российской Федерации, о расширении масштабов его деятельности. Следовательно, если задолженность перед банками продолжает расти, то это говорит о росте потребности в кредитных ресурсах со стороны всех экономических резидентов страны.

Литература

1. Барыкин С.А. Новые возможности и вызовы для системы регулирования финансового сектора в результате развития мирового рынка финансовых технологий // Ars Administrandi. Искусство управления. 2020. Т. 12. № 1. с. 79-92.

2. Барятинский К.В. Противодействие легализации доходов, полученных преступным путем в страховом секторе // Наука, образование и культура. 2018. № 5 (29). с. 56-57.

3. Башарин Д.Д. Влияние действующих бизнес процессов на интеграцию страхового и банковского секторов экономики // Студенческий вестник. 2017. № 8-2 (8). с. 14-16.

4. Зарипова Э.Р., Быкова М.А. Влияние изменений в финансовом секторе экономики на подходы к управлениюрискамифинансовыхучреждений// Финансовая экономика. 2020. № 5. с. 267-270.

5. Иванов Ю. Н. «Экономическая статистика», М, Инфа-М, 2017.

6. Овакимян Э.К. Модель оценки конкурентоспособности компаний страхового сектора // Финансы и кредит. 2019. Т. 25. № 12 (792). С. 2903-2914.

7. Русин В.Н. // Особенности цифровизации в банковском и страховом секторах России // Экономика. Бизнес. Банки. 2019. Т. 10. с. 37-49.

8. Статистика: теория и практика в Excel: учебное пособие / В. С. Лялин, И. Г. Зверева, Н. Г. Никифорова. Москва: Финансы и статистика: Инфра-М, 2017. 446 с.

9. Тарасова Ю.А., Хохлова Е.С. Степень влияния банковского сектора на страховой рынок // Эко. 2019. № 12 (546). С. 154-169.

10. Gafurova D. Directions of statistical analysis of the financial sector of the economy // Интернаука. 2020. № 37-2 (166). с. 30-33.

Таблица 7.

Прогнозные значения по основным показателям — факторам финансовой устойчивости банковского сектора России

Годы

2020

ш

S *

я ю я ^

tí &

g в

3 s

та tí

II

ш d ^

о Я о

н н w

Я я F

t^ ^ Я

щ и и

& & Я

X1

5220032,00

s о я и

я

F Я tí я

ш & ю &

ч

о

tí ц

я я

ы IS >я

я « я

ю о

я ¡f¡

я rj и ■Н

д

&

и ы &

Х2 68,28

я

5 ^

Х3 36,22

Л -и

4¡ *

Л о

о Îa s

о Я F

Х4 48,77

® Я

Эя я

ю S 2 S

S ч

s ч

2s2

Х5 68130,01

я и H и

я S д

V Я

& S

я

s

s S

5 3

5 &

6 о

Y

7577381,93

2021

6542848,00

72,76

37,16

50,05

61041,64

8563522,96

2022

8067648,00

77,66

37,96

51,41

52430,89

9605413,15

Рис. 2. Динамика задолженности по жилищным кредитам, предоставленным кредитными организациями физическим лицам по Российской Федерации, млн. руб.

11. Pasynkov A.F. Compilation of regional financial balances for the 'general governance' sector in the Ural federal district // R-Economy. 2020. T. 6. № 4. c. 251-260.

References

1. Barykin S.A. New opportunities and challenges for the financial sector regulation system as a result of the development of the world market of financial technologies // Ars Administrandi. The art of management. 2020. Vol. 12. No. 1. pp. 79-92.

2. Baryatinsky K.V. Counteraction to the legalization of proceeds from crime in the insurance sector // Science, education and culture. 2018. No. 5 (29). pp. 56-57.

3. Basharin D.D. The impact of existing business processes on the integration of the insurance and banking sectors of the economy // Student Bulletin. 2017. No. 8-2 (8). pp. 14-16.

4. Zaripova E.R., Bykova M.A. The impact of changes in the financial sector of the economy on approaches to risk management of financial institutions //

7.

Financial economics. 2020. No. 5. pp. 267-270. Ivanov Yu.N. "Economic statistics", M, Infa-M, 2017. Ovakimyan E.K. Model for assessing the competitiveness of insurance sector companies // Finance and Credit. 2019. Vol. 25. No. 12 (792). pp. 2903-2914.

Rusin V.N. // Features of digitalization in the banking and insurance sectors of Russia // Economy. Business. Cans. 2019. Vol. 10. pp. 37-49. Statistics: theory and practice in Excel: a textbook / V.S. Lyalin, I.G. Zvereva, N.G. Nikiforova. Moscow: Finance and Statistics: Infra-M, 2017. 446 p. Tarasova Yu.A., Khokhlova E.S. The degree of influence of the banking sector on the insurance market // Eco. 2019. No. 12 (546). pp. 154-169. Gafurova D. Directions of statistical analysis of the financial sector of the economy // Hm-epHay-Ka. 2020. № 37-2 (166). c. 30-33.

11. Pasynkov A.F. Compilation of regional financial balances for the 'general governance' sector in the Ural federal district // R-Economy. 2020. T. 6. № 4. c. 251-260.

9.

10.