|
| | | | Проблемы современной экономики, N 1 (97), 2026 | | | | ФИНАНСОВО-КРЕДИТНАЯ СИСТЕМА. БЮДЖЕТНОЕ, ВАЛЮТНОЕ И КРЕДИТНОЕ РЕГУЛИРОВАНИЕ ЭКОНОМИКИ, ИНВЕСТИЦИОННЫЕ РЕСУРСЫ | | | |
| | Гао И.
аспирант кафедры теории кредита и финансового менеджмента экономического факультета
Санкт-Петербургского государственного университета
| | | | В статье предложено решение проблемы адресной увязки сельских зелёных финансов КНР с имеющимися ресурсами и получаемыми целевыми результатами. Последовательность выражена через количественно измеримые показатели в модели: нормирование, энтропийное взвешивание и TOPSIS (Technique for Order Preference by Similarity to Ideal Solution, метод многокритериального анализа решений). | | Ключевые слова: зелёные финансы, нормирование показателей, унификация направленности финансирования, энтропийные веса, иерархическая агрегация | | УДК 336.1:352; ББК 65.261.5 Стр: 83 - 86 |
Постановка проблемы. В сегменте сельских зелёных финансов КНР по-прежнему отсутствует прозрачная сопоставимая метрика, то есть такая совокупность измеримых показателей, которая отражает состояние и эффективность бизнеса, используемая при принятии решений о распределении ресурсов. Это мешает таргетировать процентные субсидии, лимиты рефинансирования и государственные гарантии. Разработка метрики позволила бы связать объёмы финансирования с фактическими результатами на уровне уездов и провинций.
В данной статье предлагается методика построения такой метрики и вариант такой метрики. При этом даны разъяснения о том, как её использовать для диагностики рассогласований и приоритизации вмешательств в параметризации (выражении состояния модели в виде функции независимых величин, параметров) лимитов рефинансирования, процентных субсидий и портфельных госгарантий для сельских зелёных проектов.
Для исключения неоднозначностей и обеспечения воспроизводимости результатов надлежит последовательно изложить методологический подход: (а) сначала описываются процедуры подготовки данных: нормирование и унификация направленности показателей, благодаря которым все переменные приводятся к единой безразмерной шкале [0, 1] [см.: 1; 2]; (б) затем обосновывается схема объективного взвешивания показателей (в том числе подиндексов второго уровня) на основе информационной энтропии и вводится показатель близости к идеальному решению, позволяющий агрегировать многомерные наблюдения в интегральные индексы по регионам и годам [см.: 3–6].
Нормирование показателей и унификация направленности показателей. Чтобы обеспечить сопоставимость и единообразие размерностей для последующей оценки энтропийных весов и вычисления близости к идеальному решению, исходную матрицу показателей X = (xij) (территориальная единица i = 1, ..., m; показатель j = 1, ..., n), необходимо отобразить их единое метрическое пространство. Для этого применяется интервальное отображение на базе экстремумов: при сохранении порядковых соотношений все показатели после унификации направленности помещаются в единичный интервал [0, 1], что обеспечивает сопоставимость как между показателями, так и между регионами.
Полученные нормированные ряды υij далее используются для построения индекса сельских зелёных финансов и индекса результатов сельского развития по регионам и годам; на их базе формируются карты рассогласований и тестируются сценарии таргетирования субсидий, гарантий и лимитов.
Для расчета прямых показателей (больше — лучше) используется формула
 ,
для обратных показателей (меньше — лучше, например, уровень бедности, соотношение «город/село», интенсивность загрязнения) используется формула
 .
После такой трансформации все стандартизованные значения υij ∈ [0, 1] имеют единое толкование: чем больше υij, тем выше результат; значения 0 и 1 соответствуют наихудшей и наилучшей реализации в выбранной области нормирования.
Выбор области нормирования (xjmin, xjmax) напрямую задаёт интерпретацию результатов. Если исследование нацелено на межрегиональный рейтинг за отдельный год (кросс-секционный срез) и пространственное сравнение, целесообразно применять внутригодовое нормирование, то есть брать минимумы/максимумы по всем регионам в каждом конкретном году. Если акцент смещён к межвременным траекториям и абсолютному прогрессу, следует использовать сквозное нормирование значений показателей по всей совокупности либо фиксированные экстремумы базового периода так, чтобы все vij во времени соотносились с одной и той же шкалой.
Следует учитывать и такой момент: внутригодовое нормирование фиксирует «относительные позиции» и не отражает общий сдвиг вперёд, тогда как сквозное нормирование даёт меру «абсолютной дистанции», то есть положение наблюдения относительно фиксированной шкалы (экстремумов всей совокупности или базового периода); при общем росте показателей значения vij увеличиваются даже при неизменных рангах, но более чувствительно к ранневременным экстремумам, то есть к минимумам/максимумам первых лет рассматриваемого периода, которые задают границы [xjmin, xjmax] и тем самым растягивают шкалу нормирования. Оба подхода взаимодополняемы и могут применяться параллельно.
Чтобы снизить плечо влияния выбросов на интервальное отображение и повысить численную устойчивость последующих расчётов весов и расстояний, до нормирования рекомендуется использовать мягкое усечение (винсоризацию по перцентилям, т. е. прижатие хвостов (где хвост — участок графика) распределения: значения ниже выбранного перцентиля заменяются на само значение этого перцентиля, а значения выше симметричного верхнего — на него же (например, ниже P1 до P1, выше P99 до P99), например P1/P99) и монотонные преобразования для правосторонне-асимметричных, «толсто-хвостых» показателей масштаба (например, log(1 + x) или преобразование Бокса–Кокса с положительным параметром) [7]. Эти процедуры сохраняют порядковый ряд (следовательно, ранжирование), но сжимают длинный хвост и уменьшают искажение (xjmin, xjmax) небольшим числом экстремальных наблюдений. Для показателей с валидными нулями уместно применять log(1 + x), чтобы избежать неопределённости логарифма. Для дискретных регламентируемых государственными структурами дамми-переменных, т.е. бинарных 0/1-индикаторов, означающих наличие/отсутствие меры (например, процентной субсидии, бюджетной гарантии, лимита рефинансирования, статуса пилотного района, зелёного кредита/облигаций и т.п.), или практически неизменных индикаторов логарифмирование не рекомендуется, поскольку для нуля логарифм не определён, а преобразование вида log(1 + x) лишь произвольно масштабирует пару {0, 1} до {0, l n 2}, не добавляя информации и искажая расстояния.
Ряд пограничных и взаимосвязанных вопросов необходимо оговорить заранее.
Если в некотором году для показателя выполняется условие xjmin = xjmax, то такой показатель не обладает дискриминационной способностью; допустимо присвоить всем υij одинаковую константу (например, 1 или 1/2), после чего на этапе энтропийного взвешивания (так как pij = 1/m, то ej = 1, gj = 0 и, следовательно, wj = 0) соответствующая колонка автоматически получит вес, близкий к нулю, и не исказит интегральную оценку.
Пропуски нельзя заменять нулями (это подменяет «нет наблюдения» на «наихудший результат»); предпочтительны согласованные процедуры заполнения: временное сглаживание (линейная/сплайн-интерполяция, т.е. для линейной интерполяции — значение на отрезке между соседними годами определяется как взвешенное среднее; для сплайна — значение по гладкому кубическому сплайну определяется через ближайшие узлы; экстраполяция за пределы ряда не допускается (используется интерполяция только внутри наблюдаемого диапазона), создаются структурные пропорции (обратная декомпозиция по согласованным долям) или множественная импутация (заполнение пропущенных значений в наборах данных).
Если пропусков слишком много, показатель (или связка «регион–год») исключается. Для экономических величин с отрицательными значениями минимакс-нормирование математически корректно и не требует предварительного сдвига ряда на константу в неотрицательную область; критически важно корректно определить направленность и удерживать межвременную согласованность шкал нормирования показателей. Следует также контролировать избыточность набора индикаторов: высокая коррелированность или концептуальные дубликаты, включённые параллельно, приводят к двойному учёту на этапах взвешивания и агрегации. Наилучшей практикой является формирование подиндексов внутри теоретически обоснованных блоков (после нормирования), либо фильтрация по порогам дисперсии/корреляции перед интеграцией [8, 9].
С интерпретационной точки зрения υij можно рассматривать как безразмерную позицию наблюдения относительно границ «наихудшее—наилучшее» в заданной области нормирования. Такая величина сопоставима и аддитивна, что принципиально важно для двух последующих шагов: энтропийного взвешивания (основанного на межрегиональной вариативности) и геометрической оценки близости к идеальному решению в единичном интервале. Поясним: если в некотором году «доля дорог с твёрдым покрытием» (прямой показатель) по трём регионам равна 60%, 75% и 90%, то внутригодовое нормирование даёт 0, 0,5 и 1; если «интенсивность применения удобрений» (обратный показатель) равна 220, 160 и 100 кг/га, то после обратного нормирования получаем 0, 0,5 и 1. Обе группы индикаторов после унификации направленности и интервального отображения лежат на одной шкале и могут корректно агрегироваться независимо от исходных единиц измерения и размерностей, обеспечивая строгий и устойчивый вход для построения интегральных индексов.
Оценивание энтропийных весов (информационно-теоретическое обоснование объективного взвешивания). В интегральной оценке вес отражает «информационный вклад» показателя в различение территорий по горизонтали и во времени. Подход на основе информационной энтропии формализует интуицию: если значения показателя у рассматриваемых единиц почти не различаются, наблюдаемое распределение близко к равномерному, энтропия приближается к верхней границе, а вклад данного показателя в ранжирование минимален; наоборот, при выраженной вариативности и неоднородном распределении энтропия ниже, эффективная информация выше, следовательно, показатель должен получать больший вес. Для этого стандартизованные значения υij приводятся к долям  , после чего энтропия, коэффициент различий и вес вычисляются по формулам:
 ,
Полученные веса обладают тремя важными свойствами. Во-первых, монотонность, то есть при росте межрегиональной рассеянности показателя его вес не уменьшается. Во-вторых, масштабная инвариантность, то есть завершённое на предыдущем этапе линейное нормирование гарантирует независимость весов от исходных размерностей. В-третьих, приграничная самоадаптация, то есть, если в некотором году для показателя xjmin = xjmax, то pij — константа, ej → 1, wj → 0; таким образом, «безразличный» показатель естественным образом получает нулевой вес.
Для обеспечения межвременной сопоставимости можно применять две схемы задания весов показателей: фиксированные веса и ежегодно обновляемые веса. Фиксированные веса уместны, когда важны долгосрочный абсолютный прогресс и сопоставимость между годами (например, веса рассчитываются по всей совокупности или базовому периоду и далее используются неизменно). Ежегодное обновление позволяет отражать структурные сдвиги и институциональные изменения (например, появление новых инструментов зелёного финансирования инструментов, сопровождаемое ростом межрегиональной вариативности соответствующих индикаторов). На практике рекомендуется использовать фиксированные веса как базовый вариант, а ежегодные — как проверку устойчивости полученных результатов; при этом согласованность ранжирования оценивается по ранговой корреляции Спирмена/Кендалла либо по стабильности коэффициентов в квантильной регрессии [10, 11].
Для правосторонне асимметричных и «толстохвостых» показателей масштаба уровневых величин: объёмы, суммы, выбросы, кредитование и т.п., — целесообразно до вычисления энтропийных весов применять мягкое усечение и монотонные преобразования; это заметно повышает численную устойчивость последующих вычислений (энтропийных весов и расстояний) без изменения порядкового ряда.
Показатель близости (приближение к идеальному решению в единой метрической шкале). После получения объективных весов многомерную информацию необходимо агрегировать в единый показатель эффективности. Основная идея метода выбора по подобию к идеальному решению состоит в следующем: в одном и том же метрическом пространстве «идеальное» решение достигает наилучших значений по всем индикаторам, «анти-идеальное» — наихудших; интегральный результат конкретной единицы наблюдения измеряется степенью её удалённости от анти-идеала и близости к идеалу. Обозначим взвешенно-нормированную матрицу zij = wjυij построим для выбранной области сравнения (год или иной интервал) идеальное и анти-идеальное решения (Zj+, Zj–). Расстояния до этих полюсов в евклидовой метрике равны:
а коэффициент близости к идеалу определяется как
У показателя Ci имеются чёткие геометрические и прикладные смыслы:
Ci = 1 тогда и только тогда, когда единица наблюдения достигает лучших значений по всем индикаторам;
Ci = 0 когда по всем индикаторам наблюдаются худшие значения;
в общем случае Ci монотонно возрастает при движении ключевых индикаторов в сторону улучшения.
Выбор евклидовой метрики обусловлен её интерпретируемостью и численной устойчивостью в сочетании с линейным взвешенным нормированием: при умеренной межпоказательной корреляции она даёт прозрачное толкование многомерной дистанции между взвешенно-нормированным вектором наблюдения zi и опорными точками Z+ (идеал) и Z– (анти-идеал). Если выражена мультиколлинеарность, либо ковариационная структура сложна и объём данных достаточен, то в качестве устойчивой проверки допускается применение расстояния Махаланобиса; при этом необходимо предварительно оценить ковариационную матрицу и проверить её положительную определённость и стабильность на вневыборочных разбиениях.
Особо важно согласовать область построения идеала с принятым режимом нормирования. При внутригодовом нормировании идеал и анти-идеал задаются в пределах соответствующего года, это подходит для поперечных сравнений. При нормировании по всей совокупности или относительно фиксированного базового периода идеал/анти-идеал следует определять в той же «сквозной» области, что более уместно для анализа межвременного прогресса. Чтобы снизить влияние крайних наблюдений на границы идеальной области, (Zj+, Zj–) рекомендуется формировать значения идеала и анти-идеала по каждому показателю после согласованных процедур предобработки (усечение выбросов, монотонные преобразования). Это обеспечивает робастность оценок близости.
Иерархическая агрегация и контроль избыточности показателей (структурированный подход для макроуровня). Макрооценка нередко включает несколько уровней в структуре показателей (например, финансовое обеспечение, рыночные инструменты, бюджетная поддержка; отрасль, экология, управление, благосостояние и т.п.). Чтобы избежать «двойного учёта» и повысить интерпретируемость, целесообразна иерархическая агрегация. Сначала внутри каждого блока второго уровня выполняются нормирование → энтропийное взвешивание → агрегирование по методу выбора по подобию к идеальному решению, что даёт подиндексы. Затем эти подиндексы объединяются в сводный индекс первого уровня (с равными весами либо с весами, полученными на основе энтропии для второго уровня). Такой порядок, во-первых, снижает влияние тесно коррелирующих показателей и предотвращает их многократный вклад; во-вторых, облегчает интерпретацию в терминах «структурного вклада» групп показателей и привязку к инструментам политики (например, зелёный кредит, зелёные облигации, зелёные фонды, бюджетные расходы на охрану окружающей среды), демонстрируя, за счёт каких блоков возникает прирост интегральной близости к идеальному решению [12].
Представление результатов и оценка их устойчивости и неопределённости. При представлении результатов рекомендуется сочетать поперечный срез (ящичковые диаграммы, карты по квартилям/децилям) и временные ряды (национальные/региональные средние и траектории репрезентативных единиц) — это даёт целостную картину «структурных различий и эволюции». Для подтверждения устойчивости выводов можно применить лёгкий набор процедур робастности:
• перебор случайных возмущений весов — к весам показателей добавляется малая случайная компонента (например, ±10%) с последующей нормализацией; оценивается согласованность ранжирования по коэффициентам ранговой корреляции Спирмена;
• альтернативные меры — сравнение со сводным индексом, построенным при равных весах, а также со счетами главных компонент/факторными счетами; проверяется устойчивость главных ранговых выводов;
• сравнение метрик расстояния — при достаточном объёме данных сопоставляются результаты в евклидовой метрике и по расстоянию Махаланобиса; анализируется согласованность коэффициента близости [13].
При необходимости квантифицировать неопределённость для отдельных единиц применяется бутстрэп-перевыборка: на каждом повторе пересчитывается коэффициент близости, по выборке оценок строятся доверительные (или процентильные) интервалы, что позволяет сообщать устойчивость ранжирования и доверительные полосы.
Внешние применения и стык с методами идентификации (от измерения к распознаванию причинности). Описанная система даёт единую и сопоставимую меру эффективности, пригодную для макроуровневых задач ранжирования территорий (регионов/уездов), диагностики структуры и определения приоритетов государственной политики в сфере сельских зелёных финансов КНР. Для анализа механизмов и причинно-следственных эффектов полученные интегральные индексы можно использовать как объясняющие переменные, зависимые переменные либо элементы инструментальных переменных в последующем эконометрическом анализе: панельные регрессии с фиксированными эффектами, парное сопоставление с двойной разностью, динамические панели (системная обобщённая метод момента) и др. Например, можно проверить, ускоряет ли финансирование улучшение конечных результатов через цепочку «финансовые ресурсы → проекты → показатели благосостояния и инфраструктуры», либо, наоборот, спрос на развитие тянет за собой расширение зелёных финансовых инструментов. Такая связка «измерение → идентификация → реализация» позволяет перевести макронаблюдения в интерпретируемую и операционализируемую доказательную базу для проектирования и коррекции государственной политики зелёного финансирования сельского развития КНР [14, 15].
Заключение. Финансовый сектор наиболее восприимчив к глобальным информационным потокам [16]. Предложенная схема измерения информации о зеленых финансах КНР превращает разнородные показатели в сопоставимые индексы сельских зелёных финансов, позволяет увязать финансовые потоки и результаты роста сельскохозяйственного производства по регионам и годам и тем самым даёт основу для перестройки управления сельскими зелёными финансами КНР. На практике полученные результаты исследования означают следующее: лимиты рефинансирования, процентные субсидии и государственные гарантии следует увязывать не с общим объемом предоставления финансовых ресурсов, а с динамикой индекса результатов по уездам; индексы следует использовать как входные KPI при распределении квот между банками и территориями. Для малых и рассеянных на значительные территории сельских проектов следует расширять риск-шеринг через портфельные гарантии и страхование технологических рисков при стандартизированном MRV. Для инфраструктуры на уровне уездов важно запускать типовые «зелёные» облигации/ABS с кредитным усилением; создавать региональные центры подготовки проектов, снижающие транзакционные издержки и устраняющие узкие места пайплайна (англ. Pipeline — «трубопровод» — последовательность связанных шагов или процессов, которые выполняются в определённом порядке для достижения цели).
Необходимо дифференцировать комбинацию кредитов, субсидий и гарантий по типам территорий, а распределение средств ежегодно корректировать по картам рассогласований «финансирование — результаты». Схема остаётся измерительным инструментом (а не идентификацией причинности), однако именно в этом качестве она обеспечивает прозрачную «линию связи» между финансами и результатами и позволяет переводить политику сельских «зелёных» финансов в режим «деньги следуют за подтверждённым результатом», повышая адресность и эффективность использования ресурсов. |
| |
|
|
|
