10654

Внастоящее время для реализации нейросетевых концепций применяются специализированные пакеты программ. В данной работе использован аналитический пакет Deductor [8].

Врезультате нейросетевого моделирования получено, что в рассматриваемом периоде времени все регионы РФ распределились по 5 кластерам. На рис.1 в качестве примера представлена СОК Кохонена за

2014 г.

Рис.1. Самоорганизующаяся карта Кохонена за 2014 г.

Кластер № 1 составили регионы с высокими значениями всех показателей деятельности малых предприятий, а кластер № 5 – с низкими значениями показателей.

Рис. 2 демонстрирует динамику распределения регионов РФ по кластерам за период 2012 – 2015 гг.

Таблица1. Динамика распределения регионов РФ по кластерам за 2012 – 2015 гг.

Табл. 1 показывает, что наблюдается сильная вариация количества регионов России по кластерам. В кластерах № 1 и № 5 существуют ядра с постоянным составом определенных регионов. Ядро кластера № 1 состоит из 2 регионов РФ (г. Москва и Ханты-Мансийский автономный округ). В

100

ядро кластера № 5 входят 52 региона, в том числе 9 регионов ПФО: Республика Марий Эл; Республика Мордовия; Удмуртская Республика; Чувашская Республика; Кировская, Оренбургская, Пензенская, Саратовская и Ульяновская области. С 2010 по 2013 гг. Пермский край, Нижегородская и Самарская области находились в кластере № 4, а в 2014 г. перешли в кластер № 2, улучшив показатели деятельности малых предприятий.

В табл. 2 приведена статистика средних значений показателей деятельности малых предприятий в регионах РФ по кластерам и общего среднего по стране показателя за 2010 – 2014 гг.

Таблица 2. Статистика средних значений показателей деятельности малого предпринимательства в регионах России по кластерам и общего среднего по РФ за период 2010 – 2014 гг.

Из анализа данных табл. 2 следует, что количество малых предприятий в кластерах № 1 – № 4 превышает их общее среднее по РФ. При этом среднее число предприятий по России с 2010 по 2013 г. возрастает, а далее незначительно уменьшается. В рассматриваемом периоде наблюдается возрастающая динамика оборота малых предприятий, кроме 2012 года, а также возрастающая динамика инвестиций в основной капитал малых предприятий за весь рассматриваемый период. С 2010 по 2012 гг. был рост сальдированного финансового результата деятельности малых предприятий, а с 2013 г. – уменьшение данного показателя. С 2013 г. произошло увеличение объема субсидий малому предпринимательству, выделенных из федерального бюджета.

Проведенное исследование позволило определить особенности динамики деятельности малых предприятий в регионах Российской Федерации. Полученные результаты свидетельствуют о неравномерном характере деятельности малого предпринимательства в регионах России. Результаты работы представляют практический интерес для принятия управленческих решений с целью реализации комплекса мер, способствующих развитию малого предпринимательства.

Литература

1.Постановление правительства Российской Федерации от 30.12. 2014 № 1605 (ред. от 25.05. 2016) «О предоставлении и распределении субсидий из федерального бюджета субъектам РФ на государственную поддержку малого и среднего предпринимательства, включая крестьянские (фермерские) хозяйства в 2015 году». – URL: http://www.consultant.ru

2.Федеральная служба государственной статистики Российской Федерации [Электронный ресурс]. – URL: http://www.gks.ru

102

3.Калькулятор инфляции [Электронный ресурс]. – URL: http://planetcalc.ru

4.Перова В.И. Нейронные сети: Учебное пособие. Часть 2. Нижний Новгород: Изд-во Нижегородского госуниверситета, 2012. 111 с.

5.Перова В.И. Нейронные сети в экономических приложениях. Часть 2. Нейронные сети, обучаемые без учителя: Учебное пособие. Нижний Новгород: Изд-во Нижегородского госуниверситета, 2012. 135 с.

6.Кузнецов Ю.А., Перова В.И., Воробьева Е.В., Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35 (242). С. 25 – 36.

7.Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях: Учебное пособие. Нижний Новгород: Изд-во Нижегородского госуниверситета, 2004. 135 с.

8.Аналитический пакет Deductor [Электронный ресурс]. – URL: http://www.basegroup.ru

Перова В.И., Стулова Д.С.

(ФГАОУ ВО «Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского»)

ИССЛЕДОВАНИЕ ДИНАМИКИ ДЕЯТЕЛЬНОСТИ БАНКОВ РОССИЙСКОЙ ФЕДЕРАЦИИ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Банковский сектор играет одну из ключевых ролей в экономике любой страны. Развитие банковской отрасли предполагает анализ показателей её деятельности. На 1 сентября 2016 г. в Российской Федерации зарегистрировано 918 коммерческих банков, но среди них действуют только 610, а у 308 банков аннулирована лицензия на осуществление банковских операций. В связи с этим, исследование деятельности банковского сектора является необходимой и актуальной задачей.

В данной работе с использованием нейросетевого моделирования проведен анализ динамики деятельности 141 банка Российской Федерации за период с марта 2011 по март 2016 гг.

Для исследования выбраны семь показателей, позволяющих объективно оценить положение кредитной организации в банковском секторе страны

[1, 2]:

103

чистая прибыль (тыс. руб.);

вложения в ценные бумаги (тыс. руб.);

выданные межбанковские кредиты (тыс. руб.);

вложения в капиталы других организаций (тыс. руб.);

основные средства и нематериальные активы (тыс. руб.);

кредитный портфель (тыс. руб.);

вклады физических лиц (тыс. руб.).

Все показатели приведены к ценам на март 2016 г. с учетом инфляции [3].

При проведении исследований использовались перспективные информационные технологии, к которым относятся методы нейросетевого моделирования [4 – 6]. Нейросетевой подход свободен от модельных ограничений и одинаково может применяться для линейных и нелинейных зависимостей. Нейросетевые технологии успешно применяется в финансово-экономических и общественных исследованиях [4, 7].

В настоящее время при реализации нейросетевых концепций используются специализированные программные продукты. В работе инструментом для проведения исследований являются самоорганизующиеся карты Кохонена [5 – 7], реализованные в пакете

Viscovery SOMine.

Самоорганизующиеся карты Кохонена (далее – СОК) отличаются от всех других типов нейронных сетей, поскольку обучаются без учителя на основе самоорганизации. При этом обеспечивается отображение из пространства входных данных большой размерности в элементы выходного слоя, называемого слоем топологической карты, с сохранением топологии. Элементы карты, или нейроны, обычно образуют двумерную решетку. Свойство сохранения топологии заключается в том, что СОК распределяет сходные векторы входных данных по нейронам таким образом, что точки, которые расположены в пространстве входов близко друг к другу, отображаются на близко расположенные элементы СОК. Поэтому самоорганизующиеся карты Кохонена служат эффективным средством кластеризации и визуализации данных большой размерности [6, 7].

На рис. 1 в качестве примера представлена СОК, полученная в результате кластеризации банков на основании показателей за 2016 г.

104

Рис.1. Распределение банков по кластерам в 2016 г.

По итогам исследования банки в рассматриваемом периоде времени распределились по шести кластерам. При этом банки ПФО вошли преимущественно в кластер № 1 с низким значением показателей.

Табл. 1 демонстрирует динамику численности банков в кластерах за период с марта 2011 по март 2016 гг.

Таблица 1. Динамика количества банков в кластерах в 2011-2016 гг.

Анализ данных, приведенных в табл. 1, показывает, что распределение банков в кластерах неравномерно.

На рис. 2 приведены результаты деятельности банков за рассматриваемый период по кластерам для показателя «Кредитный портфель».

Рис. 2. Динамика средних значений показателя «Кредитный портфель» по кластерам за период март 2011 – март 2016 гг.

105

На рис. 2 видны резкие перепады средних значений показателя «Кредитный портфель» в банках, составивших кластеры № 5 и № 6. Отметим, что с 2011 по 2013 гг. в кластере № 6 содержался только банк ВТБ, а после 2013 г. – только Сбербанк России. Аналогичные неравномерные зависимости наблюдаются и по остальным показателям.

Для получения более объективных и наглядных результатов, произведено повторное распределение по кластерам банков, вошедших в кластер № 1, в который распределилось наибольшее количество банков (табл. 1).

Результаты повторной кластеризации за период с марта 2011 по март 2016 гг. показаны в табл. 2.

Таблица 2. Динамика количества банков в кластерах, образованных на основании данных из кластера № 1

Из табл. 2 следует, что большая часть банков сосредоточилась в кластере № 1-1, который характеризуется низкими значениями исследуемых показателей. На рис. 3 приведены результаты деятельности банков, вошедших в кластеры № 1-1 – 1-6, по показателю «Кредитный портфель» за рассматриваемый период. В банках кластеров № 1-4 – 1-6 наблюдается неравномерная динамика среднего значения этого показателя.

Рис. 3. Динамика средних значений показателя «Кредитный портфель» по кластерам за период март 2011 – март 2016 гг.

106

Нейросетевое моделирование показателей деятельности банковского сектора Российской Федерации, как многофакторного явления, позволило определить динамику его развития. В результате исследования выявлено, что по выбранным показателям эффективнее действуют крупные банки, внося наибольший вклад в экономику страны.

Литература

1.Информационное агентство «Банки.ру» [Электронный ресурс].

–URL: http://www.banki.ru/banks/ratings/

2.Центральный банк Российской федерации [Электронный ресурс]. – URL: http://www.cbr.ru/

3.Калькулятор инфляции [Электронный ресурс]. – URL:

уровень-инфляции.рф/инфляционные_калькуляторы.aspx

4.Кузнецов Ю.А., Перова В.И., Воробьева Е.В. Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика. 2011. № 35 (242). С. 25–36.

5.Перова В.И. Нейронные сети в экономических приложениях. Часть 1: Учебное пособие. Н. Новгород: Изд-во Нижегородского госуниверситета, 2012. 111 с.

6.Перова В.И. Нейронные сети. Часть 2. Нейронные сети, обучаемые без учителя: Учебное пособие. Нижний Новгород: Нижегородский госуниверситет, 2012. 135 с.

7.Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт: Пер. с англ. – М.: Издательский дом «АЛЬПИНА», 2001. 317 с.

Степанова А.А., Дрягалова Е.А.

(ФГБОУ ВО «Нижегородский государственный архитектурностроительный университет»)

АНАЛИЗ ВЗАИМОСВЯЗИ АКМЕОЛОГИЧЕСКОГО ПОТЕНЦИАЛА И ПРОФЕССИОНАЛЬНОЙ НАПРАВЛЕННОСТИ ЛИЧНОСТИ

Акмеологией называют раздел психологии развития, который исследует закономерности и механизмы, обеспечивающие возможность достижения высшей ступени индивидуального развития. Эта наука занимается не только изучением достижений человека, но и исследует, что привело его к этим достижениям. Иными словами, она определяет, при

107

каких условиях человек сможет достичь максимального развития физических, интеллектуальных и духовных возможностей [2; 3].

Потенциалом в акмеологии называют не только то, что дано от природы, но и индивидуальную, постоянно пополняемую, возобновляемую и совершенствуемую систему знаний и умений, характерологических свойств и прочего, что непосредственно, связано с личностным и личностно-профессиональным развитием[4]. Сущность акмеологического потенциала заключается в индивидуальной системе внутренних ресурсов личности, которые обеспечивают личностный рост, самоактуализацию и самореализацию, движение с постоянным усложнением и обновлением этих ресурсов, проявляемой в социально и личностно важной деятельности. Таким образом, акмеологический потенциал личности определяется как динамическая система, включающая в себя ценностные, мотивационные, рефлексивные, оценочные, когнитивные и операциональные элементы [1].

Ценностные ориентации представляют систему ценностных предпочтений, которые выражают субъективное отношение личности к объективным условиям жизни, определяют поступки и действия человека, проявляют себя в практическом поведении. Профессионально-ценностные ориентации – важнейший компонент структуры личности, имеющей в своей структуре мотивационный, отношенческий, когнитивный, эмоциональный и оценочный компоненты и обеспечивающий успешность процесса профессиональной ориентации будущих специалистов [5].

Профессиональная направленность относится к обширному классу мотивационных явлений, организующих и управляющих деятельностью человека. Она трактуется как сложное, системное, динамическое образование, совокупность установок и ценностных ориентаций в профессиональной сфере, система целей, мотивов, потребностей и интересов, выражающихся в активной деятельности по их достижению [6].

В рамках нашего исследования профессиональная направленность личности рассматривались нами как структурный элемент профессиональной надежности человека. Был проведен корреляционный анализ между характеристиками акмеологического потенциала личности и показателями профессиональной надежности курсантов МВД. Значительные корреляционные связи были выявлены между критериями акме и карьерных ориентаций.

Наиболее высокие коэффициенты корреляции (r) были получены между следующими характеристиками акмеологического потенциала личности и показателями профессиональной надежности курсантов МВД РФ:

Прямые связи: импульсивность и ориентация на автономию (r=0,30); импульсивность и ориентация на предпринимательство (r=0,42); интерес и ориентация на предпринимательство (r=0,37); эмоциональный тонус и

108

ориентация на служение (r=0,37); направленность на взаимные действия и мотивация социоцентрическая (r=0,31); направленность на себя и ориентация на менеджмент (r=0,31); направленность на задачу и ориентация на профессиональную компетентность (r=0,34).

Полученные корреляционные связи и достоверные коэффициенты выступают эмпирическим доказательством взаимосвязи характеристик акмеологического потенциала личности и профессиональной направленности курсантов МВД РФ. В частности, карьерные ориентации на автономию и предпринимательство подразумевают стремление к самостоятельности, творчеству, свободе, отказ от подчинения, готовность идти на риск, что коррелирует с таким качеством, как импульсивность. Подобное поведение зачастую свойственно людям занимающимся творчеством, бизнесом и предпринимательством, или озабоченных своей автономией. Склонность действовать без достаточного сознательного контроля, под влиянием внешних обстоятельств или в силу эмоциональных переживаний движет человеком в достижении своих целей и ориентаций.

Наличие прямой корреляционной связи между интересом, как показателем психического функционирования и ориентацией на предпринимательство определяется следующим. Человек с ориентацией на предпринимательство склонен к созидательной деятельности, к тому же он достаточно предприимчивый и целеустремленный. Его желание идти до конца, вкладываться в работу, преодолевая препятствия, поддерживается его высокой заинтересованностью, т.о. чем выше интерес, тем больше человек ориентирован на выполнение той или иной деятельности или задания.

В ходе корреляционного анализа была получена взаимосвязь между эмоциональным тонусом и карьерной ориентацией на служение. В условиях обучения вуза МВД ориентация на служение является неотъемлемой частью, способствует выработке необходимых сотруднику МВД ценностей и качеств. В соответствующем коллективе такие ценности и ориентиры поддерживаются и поощряются всеми его членами. При нахождении человека в окружающей среде, соответствующей его ожиданиям, установкам и ориентациям, которые к тому же поддерживаются и поощряются окружением, общий и индивидуальный эмоциональный тонус усиливаются и повышаются. Эмоциональный тонус в свою очередь приводит к состоянию легкости, удовлетворению и способствует вовлеченности в деятельность.

Вполне естественна корреляционная взаимосвязь направленности на взаимные действия и социоцентрической мотивации, т.к. и тот и другой показатель говорят о желании личности находиться в коллективе. Человек с социоцентрической мотивацией склонен выполнять общественноважные поручения, быть социально значимым, он испытывает чувство долга перед

109