По всем вопросам звоните:

+7 495 274-22-22

УДК: 330.44 DOI:10.33920/vne-04-2310-06

Когнитивное моделирование устойчивого развития банковской системы в условиях инновационных трансформаций

Николай Иванович Ломакин кандидат экономических наук, доцент, ФГБОУ ВО «Волгоградский государственный технический университет» (ВолгГТУ), Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: tel9033176642@yahoo.com, ORCID: 0000-0001-6597-7195
Максим Сергеевич Марамыгин доктор экономических наук, директор института финансов и права, профессор кафедры финансов, денежного обращения и кредита, ФГБОУ ВО «Уральский государственный экономический университет», Россия, 620144, г. Екатеринбург, ул. 8 Марта, д. 62, E-mail: maram_m_s@mail.ru, ORCID: 0000-0003-3416-775X
Александр Федорович Московцев доктор экономических наук, профессор, ФГБОУ ВО «Волгоградский государственный технический университет» (ВолгГТУ), Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: 36_5@bk.ru
Елена Александровна Радионова кандидат экономических наук, доцент кафедры экономики, ГБОУ ВО «Российский экономический университет им. Г. В. Плеханова» (РЭУ им. Г. В. Плеханова), Волгоградский филиал, Россия, 400005, г. Волгоград, ул. Волгодонская, д. 13, E-mail: elena-2003@mail.ru, ORCID: 0000-00034285-930X
Никита Тимофеевич Шабанов магистрант кафедры менеджмента и финансов производственных систем, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: shabanovnt1999@gmail.com, ORCID: 0000-0002-2240-5725
Юрий Александрович Качанов аспирант кафедры ЭВМ и мистемы, ФГБОУ ВО «Волгоградский государственный технический университет» (ВолгГТУ), Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: yura_1234@mail.ru, 8-937-556-99-21, 0000-0002-4754-449X
Вималаратхне Канчана магистрант кафедры менеджмента и финансов производственных систем, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: kanchana_wimalarathna@yahoo.com, ORCID: 0000-0002-0853-7211

В статье рассмотрены теоретические подходы моделирования устойчивого развития банковской системы России в условиях инновационных трансформаций и формирования цифровых экосистем. Актуальность исследования состоит в том, что в современных условиях все чаще применяются подходы в обеспечении устойчивого развития банковской системы на основе когнитивного моделирования, применения искусственного интеллекта. Научная новизна заключается в том, что в проведенном исследовании сформирована DL-модель глубокого обучения «Случайный лес», которая позволяет получить устойчивый прогноз чистой прибыли банковской системы в условиях инновационных трансформаций. Практическая значимость исследования в том, что полученные результаты могут быть рекомендованы к внедрению в практику для обеспечения поддержки принятия управленческих решений касательно устойчивого развития банковской системы. Когнитивная модель была разработана в среде GraphViz с применением семантической фреймовой сети в виде графов на языке программирования DOT. Проведен анализ динамики как макроэкономических показателей реального сектора экономики, так и параметров развития банковского сектора РФ. Критерием успешности предиктивных свойств DL-модели была выбрана величина средней ошибки прогноза (MAE). В предложенной DL-модели используется лучшее дерево решений, которое имеет оптимальные настройки гиперпараметров, например глубина дерева — шесть слоев, число естиматоров (деревьев) в ансамбле — десять. В проведенном эксперименте гиперпараметры нейросетети не менялись, входные параметры в различные деревья подбирались алгоритмом случайным образом.

Литература:

1. Lomakin, N., Maramygin, M. Kataev, A., Kraschenko, S., Yurova, O., Lomakin, I. Cognitive Model of Financial Stability of the Domestic Economy Based on Artificial Intelligence in Conditions of Uncertainty and Risk // International Journal of Technology (IJTech). — 2022. — Т. 13. — Вып. 7. — С. 1588–1597. DOI: 10.14716/ijtech. v13i7.6185 [Электронный ресурс]. — URL: https://ijtech.eng.ui.ac.id/article/view/6185 (дата обращения: 10.07.2023).

2. Авдонин, Б. Н., Хрусталев, Е. Ю., Хрусталев, О. Е. Когнитивная методология структуризации знаний для изучения и применения финансово-экономических инноваций // Технологии инноваций. — 2013. — № 10 (226). — С. 25–36.

3. Tolman, E. Cognitive Maps in Rats and Men // Psychological Reviev. — 1948. — № 55 (4).

4. Дернер, Д. Логика неудачи (Dietrich Dorner "Die Logik des Miblingens", 1989). — М: Смысл, 1997. — 243 с.

5. Graphviz Visual Editor [Электронный ресурс]. — URL: http://magjac.com/graphviz-visual-editor/ (дата обращения: 07.08.2023).

6. Матохина, А. В., Шабалина, О. А., Камаев, В. А., Кизим, А. В. Практикум по системам управления знаниями в организационно-экономических и производственно-технических системах: Учеб. пособ. — Волгоград. ВолгГТУ, 2015. — Ч. 1. — 141 с.

7. Маслов, А. В. Новые международные проекты по использованию цифровых валют центральных банков в трансформации трансграничных расчетов // Ассоциация банков России [Электронный ресурс]. — URL: https://asros.ru/news/opinions/novye-mezhdunarodnye-proekty-po-ispolzovaniyu-tsifrovykh-valyut-tsentralnykh-bankov-v-transformatsii/ (дата обращения: 27.08.2023).

8. Федеральный закон от 02.12.1990 № 395-1 (ред. от 04.08.2023) «О банках и банковской деятельности».

9. Ломакин, Н. И., Пескова, О. С., Юрова, О. В., Кабина, В. В., Федоровская, Э. О. Neural network «Персептрон» и семантическая модель представления знаний для исследования динамики ВВП РФ // Наука Красноярья. — 2022. — Т. 11. — № 2. — C. 68–84. DOI: 10.12731/2070-7568-2022-11-2-68-84.

10. Ломакин, Н. И., Марамыгин, М. С., Лукьянов, Г. И., Цыганкова, В. Н., Соловьев, Д. Д., Шабанов, Н. Т. Когнитивная модель прогнозирования устойчивости экономики в условиях рыночной неопределенности и риска // Международная экономика. — 2023. — Т. 20. — № 4. — С. 262–280. DOI: 10.33920/vne-04-2304-06.

11. Банковская система [Электронный ресурс]. — URL: https://ru.wikipedia.org/wiki/%D0%91%D 0%B0%D0%BD%D0%BA%D0%BE%D0%B2%D1%81%D0%BA%D0%B0%D1%8F_%D1%81%D0%B8% D1%81%D1%82%D0%B5%D0%BC%D0%B0 (дата обращения: 08.09.2023).

12. Карпова, С. В., Рожков, И. В. Современное состояние российского банковского рынка и основные маркетинговые тренды его развития // Экономика и управление. — 2021. — № 14 (1). — С. 71–80.

13. Куцури, Т. Г. Сбалансированная банковская политика формирования пассивов: дис. … канд. экон. наук [Электронный ресурс]. — URL: https://www.nosu.ru/nauka/dissertacionnye-sovety/objavlenija-o-zashhite/doktorskih-i-kandidatskih-dissertacij-po-jekonomicheskim-naukam-d212-248-06/kucuri-tamara-georgievna-2/ (дата обращения: 13.11.2022).

14. ЦБ раскрыл итоги 2022 года для банковского сектора // Тинькофф Журнал [Электронный ресурс]. — URL: https://journal.tinkoff.ru/news/bank-results-2022/ (дата обращения: 28.08.2023).

15. Крупнейшие банки 2023 года [Электронный ресурс]. — URL: https://brobank.ru/krupnejshie-banki-2023/ (дата обращения: 25.08.2023).

16. Карахтанов, Д. С. Анализ российского рынка кредитных историй. Продукты и сервисы, предоставляемые бюро кредитных историй в России // Молодой ученый. — 2010. — Т. 2. — № 8 (19). — С. 11–19 [Электронный ресурс]. — URL: https://moluch.ru/archive/19/1965/ (дата обращения: 08.09.2023).

17. Парикова, Е. И. Статистический анализ просроченной задолженности коммерческих банков РФ // Молодой ученый. — 2016. — № 12 (116). — С. 1397–1399 [Электронный ресурс]. — URL: https://moluch.ru/archive/116/31606/ (дата обращения: 18.08.2023).

18. Стоимость под риском [Электронный ресурс]. — URL: https://yandex.ru/search/?clid=2285101&text=Va R&lr=10951 (дата обращения: 18.08.2023).

19. Денежная масса, денежные агрегаты, динамика денежной массы в России и по странам [Электронный ресурс]. — URL: https://prognostica.info/news/denezhnaya-massa-denezhnye-agregaty-dinamika-denezhnoj-massy-v-rossii-i-po-stranam/ (дата обращения: 08.08.2023).

20. DL-model RF Bank profit [Электронный ресурс]. — URL: https://docs.google.com/spreadsheets/d/140h2a 1MyGDXUqkc8Mkg5TM61x2QbsJNQUK2fu9dgOUY/edit?usp=sharing (дата обращения: 17.08.2023).

21. 2023_VAK_13_DL-model_RF_Bank_System [Электронный ресурс]. — URL: https://colab.research.google.com/drive/1NBSj2JYAoNxR78DSBe4MGoIJjKfnsy0k?usp=sharing (дата обращения: 09.08.2023).

22. Ранжирование признаков с помощью Recursive Feature Elimination в Scikit-Learn [Электронный ресурс]. — URL: https://habr.com/ru/companies/otus/articles/528676/ (дата обращения: 19.08.2023).

23. Фельмер, Г., Шид, А. Введение в стохастические финансы. Дискретное время / Пер с англ. — М.: МЦМНО, 2008. — 496 с.

24. Понятие устойчивости финансовой системы [Электронный ресурс]. — URL: https://studfile.net/preview/2452514/page:11/ (дата обращения: 09.08.2023).

25. Что такое финансовая стабильность [Электронный ресурс]. — URL: https://whatiscentralbank.hse.ru/2 (дата обращения: 09.08.2023).

26. Fama, E. F., MacBeth, J. D. Risk, Return and Equilibrium: Empirical Tests // Journal of Political Economy. — 1973. — Т. 81 (3).

27. Обзор финансовой стабильности. II–III кварталы 2021 года // Банк России [Электронный ресурс]. — URL: https://www.tadviser.ru/images/4/49/2_3_q_2021.pdf (дата обращения: 19.08.2023).

28. Trejo, P. What is the difference between component analysis and cognitive semantics? IJCAI-PRICAI Special Track AI in FinTech 2021 [Электронный ресурс]. — URL: https://translated.turbopages.org/proxy_u/ en-ru.ru.e0373bd7-634e4895-2c067191-74722d776562/https/www.quora.com/What-is-the-contrast-of-componential-analysis-and-cognitive-semantics (дата обращения: 25.08.2023).

29. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. Classifi cation and regression Trees, 1984. — 320 с. [Электронный ресурс]. — URL: https://proceedings.neurips.cc/paper/2013/file/e3796ae838835da0b6f6ea37bcf8bcb7Paper.pdf (дата обращения: 25.08.2023).

1. Lomakin, N., Maramygin, M. Kataev, A., Kraschenko, S., Yurova, O., Lomakin, I. (2022). Cognitive Model of Financial Stability of the Domestic Economy Based on Artificial Intelligence in Conditions of Uncertainty and Risk. International Journal of Technology (IJTech). Vol. 13, iss. 7, pp. 1588–1597. DOI: 10.14716/ijtech.v13i7.6185. — Available at: https://ijtech.eng.ui.ac.id/article/view/6185 (accessed: 10.07.2023).

2. Avdonin, B. N., Khrustalev, E. Iu., Khrustalev, O. E. (2013). Kognitivnaia metodologiia strukturizatsii znanii dlia izucheniia i primeneniia finansovo-ekonomicheskikh innovatsii [Cognitive methodology of knowledge structuring for the study and application of financial and economic innovations]. Tekhnologii innovatsii [Innovation technologies]. 10 (226), pp. 25–36 (In Russian).

3. Tolman, E. (1948). Cognitive Maps in Rats and Men. Psychological Reviev. No. 55 (4).

4. Derner, D. (1997). The logic of failure (Dietrich Dorner "Die Logik des Miblingens", 1989). Moscow: Smysl. 243 p. (In Russian).

5. Graphviz Visual Editor. — Available at: http://magjac.com/graphviz-visual-editor/ (accessed: 07.08.2023).

6. Matokhina, A. V., Shabalina, O. A., Kamaev, V. A., Kizim, A. V. (2015). Workshop on knowledge management systems in organizational-economic and production-technical systems. Part 1. Study guide. Volgograd: Volga State Technical University. 141 p. (In Russian).

7. Maslov, A. V. (2023). New international projects on the use of digital currencies of central banks in the transformation of cross-border payments. Association of Banks of Russia. — Available at: https://asros.ru/ news/opinions/novye-mezhdunarodnye-proekty-po-ispolzovaniyu-tsifrovykh-valyut-tsentralnykh-bankov-v-transformatsii/ (accessed: 27.08.2023) (In Russian).

8. Federal Law of 02.12.1990 Nо. 395-1 (as amended on 04.08.2023) On banks and banking activities.

9. Lomakin, N. I., Peskova, O. S., Yurova, O.V., Cabin, V.V., Fedorovskaya, E. O. (2022). Neural network "Perseptron i semanticheskaia model’ predstavleniia znanii dlia issledovaniia dinamiki VVP RF [Neural network "Perceptron" and a semantic model of knowledge representation for studying the dynamics of GDP in the Russian Federation]. Nauka Krasnoiar’ia [Science of Krasnoyarsk]. Vol. 11, no. 2, pp. 68–84. DOI: 10.12731/2070-7568-2022-11-2-68-84 (In Russian).

10. Lomakin, N. I., Maramygin, M. S., Lukyanov, G. I., Tsygankova, V. N., Solovyov, D. D., Shabanov, N. T. (2023). Kognitivnaia model’ prognozirovaniia ustoichivosti ekonomiki v usloviiakh rynochnoi neopredelennosti i riska [A cognitive model for predicting economic stability in conditions of market uncertainty and risk]. Mezhdunarodnaia ekonomika [The Worlds Economics]. Vol. 20, no. 4, pp. 262–280. DOI: 10.33920/vne-04-2304-06 (In Russian).

11. Banking system. — Available at: https://ru.wikipedia.org/wiki/%D0%91%D0%B0%D0%BD%D0%BA%D0 %BE%D0%B2%D1%81%D0%BA%D0 %B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0 %B0 (accessed: 08.09.2023) (In Russian).

12. Karpova, S. V., Rozhkov, I. V. (2021). Sovremennoe sostoianie rossiiskogo bankovskogo rynka i osnovnye marketingovye trendy ego razvitiia [The current state of the Russian banking market and the main marketing trends of its development]. Ekonomika i upravlenie [Economics and Management]. No.14 (1), pp. 71–80 (In Russian).

13. Kutsuri, T. G. Balanced banking policy for the formation of liabilities Ph.D. 5.2.4. Finance / 08. Economic Sciences. — Available at: https://www.nosu.ru/nauka/dissertacionnye-sovety/objavlenija-o-zashhite/doktorskihi-kandidatskih-dissertacij-po-jekonomicheskim-naukam-d212-248-06/kukuri-tamara-georgievna-2/ (accessed: 13.11.2022) (In Russian).

14. Journal Tinkoff (2023). The Central Bank disclosed the results of 2022 for the banking sector. — Available at: https://journal.tinkoff.ru/news/bank-results-2022/ (accessed: 28.08.2023) (In Russian).

15. The largest banks in 2023. — Available at: https://brobank.ru/krupnejshie-banki-2023/ (accessed: 25.08.2023) (In Russian).

16. Karakhtanov, D. S. (2010). Analiz rossiiskogo rynka kreditnykh istorii. Produkty i servisy, predostavliaemye biuro kreditnykh istorii v Rossii [Analysis of the Russian credit history market. Products and services provided by credit bureaus in Russia]. Molodoi uchenyi [Young scientist]. No. 8 (19), Vol. 2, pp. 11–19. — Available at: https:// moluch.ru/archive/19/1965/ (accessed: 08.09.2023) (In Russian).

17. Parikova, E. I. (2016). Statisticheskii analiz prosrochennoi zadolzhennosti kommercheskikh bankov RF [Statistical analysis of overdue debt of commercial banks of the Russian Federation]. Molodoi uchenyi [Young scientist]. No. 12 (116), pp. 1397–1399. — Available at: https://moluch.ru/archive/116/31606/ (accessed: 18.08.2023) (In Russian).

18. Value at risk. — Available at: https://yandex.ru/search/?clid=2285101&text=VaR&lr=10951 (accessed: 18.08.2023) (In Russian).

19. Money supply, monetary aggregates, dynamics of the money supply in Russia and by country. — Available at: https://prognostica.info/news/denezhnaya-massa-denezhnye-agregaty-dinamika-denezhnoj-massy-v-rossiii-po-stranam/ (accessed: 08.08.2023) (In Russian).

20. DL-model RF Bank profit. — Available at: https://docs.google.com/spreadsheets/d/140h2a1MyGDXUqkc8 Mkg5TM61x2QbsJNQUK2fu9dgOUY/edit?usp=sharing (accessed: 17.08.2023).

21. 2023_VAK_13_DL-model_RF_Bank_System. — Available at: https://colab.research.google.com/drive/1NBS j2JYAoNxR78DSBe4MGoIJjKfnsy0k?usp=sharing (accessed: 09.08.2023).

22. Ranking of features using Recursive Feature Elimination in Scikit-Learn. — Available at: https://habr.com/ ru/companies/otus/articles/528676/ (accessed: 19.08.2023) (In Russian).

23. Felmer, G., Shid, A. (2008). Introduction to stochastic fi nance. Discrete time. Moscow: MTsMNO. 496 p. (in Russian).

24. The concept of financial system stability. — Available at: https://studfi le.net/preview/2452514/page:11/ (accessеd: 09.08.2023) (In Russian).

25. What is financial stability. — Available at: https://whatiscentralbank.hse.ru/2 (accessеd: 09.08.2023) (In Russian).

26. Fama, E. F., MacBeth, J. D. (1973). Risk, Return and Equilibrium: Empirical Tests. Journal of Political Economy. Vol. 81 (3).

27. Bank of Russia (2021). Financial Stability Review. II–III quarters of 2021. — Available at: https://www.tadviser.ru/images/4/49/2_3_q_2021.pdf (accessed: 19.08.2023) (In Russian).

28. Trejo, P. (2021). What is the difference between component analysis and cognitive semantics? IJCAI-PRICAI Special Track AI in FinTech 2021. — Available at: https://translated.turbopages.org/proxy_u/en-ru.ru.e0373bd7634e4895-2c067191-74722d776562/https/www.quora.com/What-is-the-contrast-of-componential-analysis-and-cognitive-semantics (accessed: 25.08.2023).

29. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. (1984). Classification and regression Trees, 320 p. — Available at: https://proceedings.neurips.cc/paper/2013/file/e3796ae838835da0b6f6ea37bcf8bcb7-Paper.pdf (accessed: 25.08.2023).

Дата поступления рукописи в редакцию: 29.08.2023.

Дата принятия рукописи в печать: 22.09.2023.

Как известно, устойчивое развитие банковской системы РФ определяется тем, что в процессе своего развития она не приходит к необратимым социально-экономическим последствиям. Устойчивое развитие как концепция предполагает обеспечение баланса между разрешением экономических проблем и удовлетворением жизненных потребностей человека. Деятельность банковской системы сопряжена с финансовым риском. Важное значение имеет исследование теоретических основ прогнозирования устойчивости развития банковской системы России в условиях рыночной неопределенности и риска с применением подходов когнитивного моделирования и использования искусственного интеллекта.

Актуальность исследования состоит в том, что в современных условиях все более широкое применение для обеспечения поддержки принятия управленческих решений по поводу устойчивого развития банковского сектора и сферы финансов находит использование систем искусственного интеллекта.

Новизна заключается в том, что в проведенном исследовании предложен подход, который предполагает подбор и дальнейшее использование некоторого набора макроэкономических показателей, финансовых параметров и статистических данных, которые отражают динамику развития как банковского сектора, так и реального сектора экономики в целях прогнозирования прибыли банковской системы РФ на основе разработанной DL-модели «Случайный лес», которая была сформирована в среде Colab с использованием библиотеки pandas и языка Python.

Обеспечение устойчивого развития банковской системы России в настоящее время является весьма актуальным вопросом в научном сообществе. В ходе исследования была выдвинута и доказана гипотеза, что с помощью когнитивной модели с некоторым набором факториальных признаков можно получить прогнозное значение прибыли банковской системы РФ.

С каждым годом использование когнитивных моделей находит все более широкое применение на практике. Так, например, Ломакин Н. И. с соавторами предложил когнитивную модель финансовой устойчивости отечественной экономики на основе искусственного интеллекта в условиях неопределенности и риска [1]. По мнению Авдонина Б. Н. и его коллег, когнитивный подход позволяет достаточно технологично строить семантические описания практически с любой степенью детализации [2]. Важное место в исследованиях по искусственному интеллекту занимают разработки систем, основанных на знаниях.

Для Цитирования:
Николай Иванович Ломакин, Максим Сергеевич Марамыгин, Александр Федорович Московцев, Елена Александровна Радионова, Никита Тимофеевич Шабанов, Юрий Александрович Качанов, Вималаратхне Канчана, Когнитивное моделирование устойчивого развития банковской системы в условиях инновационных трансформаций. Международная экономика. 2023;10.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: