Математические модели реализации концепции жестких бюджетных ограничений в бюджетной системе

 Предметом исследования являются процессы бюджетной децентрализации при управлении общественными финансами, а также математические методы и модели реализации концепции жестких бюджетных ограничений с целью создания условий саморазвития административно-территориальных единиц.

Цель исследования — разработка адаптивных экономико-математических моделей для осуществления стратегии жестких бюджетных ограничений, реализуемых в процессе межбюджетного регулирования.

Актуальность исследования обусловлена тем, что в настоящее время в научном сообществе предметом острой дискуссии является саморазвитие административно-территориальных образований и повышение их финансовой самостоятельности. В этой связи фокус внимания экономических исследований сосредоточен на проблематике бюджетной децентрализации как двигателе экономического развития, а также связанной с ней тематике применения математического аппарата для моделирования поддержки принятия решений в этой сфере. К создаваемым моделям предъявляются требования обучаемости, адаптивности к изменяющимся условиям воздействий внешней среды и умения оперирования не только количественными, но и качественно определенными характеристиками. Поставленная проблема математического моделирования решается посредством применения междисциплинарного синтеза теорий стохастических автоматов, функционирующих в случайных средах, и нечеткой логики. Предлагаемый синтез теоретико-методологических аппаратов составляет новизну проведенных исследований.

В результате построена экономико-математическая модель нечеткого автомата для определения и количественного обоснования величин нормативов распределения налоговых поступлений между бюджетами различных уровней бюджетной системы России. Нечеткий автомат в процессе функционирования взаимодействует с имитационной моделью, воспроизводящей бюджетные потоки и количественно оценивающей принимаемые автоматной моделью решения.

Практическая значимость результатов исследования состоит в программной реализации разработанных моделей и их включении в контур управления общественными финансами. В перспективе предполагается создание математической модели коллективного поведения нечетких автоматных моделей, взаимодействие которых решает проблему согласования интересов бюджетов различных уровней иерархии при распределении налоговых доходов. 

1. Флегонтов В.И. Финансовый инжиниринг как инструмент финансовой экономики. Актуальные проблемы социально-экономического развития России. 2019;(2):85–88.

2. Исаев Р.А. Банковский менеджмент и бизнес-инжиниринг. М.: ИНФРА-М; 2011. 400 с.

3. Сысоева Е.Ф., Козлов Д.С. Финансовый инжиниринг как процесс создания финансовых инноваций. Национальные интересы: приоритеты и безопасность. 2010;6(7):51–55.

4. Барынькина Н.П. Эволюция понятия финансового инжиниринга в финансовой науке. Вопросы экономики и права. 2011;(36):101–107.

5. Глазьев С.Ю., Нижегородцев Р.М., Купряшин Г.Л., Макогонова Н.В., Сидоров А.В., Сухарев О.С. Управление развитием национальной экономики на федеральном уровне (материалы круглого стола 26.10.2016). Государственное управление. Электронный вестник. 2017;(60):6–33.

6. Глазьев С. Мировой экономический кризис как процесс смены технологических укладов. Вопросы экономики. 2009;(3):26–38. DOI: 10.32609/0042–8736–2009–3–26–38

7. Oates W.E., Schwab R.M. Economic competition among jurisdictions: Efficiency enhancing or distortion inducing? Journal of Public Economics. 1988;35(3):333–354. DOI: 10.1016/0047–2727(88)90036–9

8. Oates W.E. An essay on fiscal federalism. Journal of Economic Literature. 1999;37(3):1120–1149. DOI: 10.1257/jel.37.3.1120

9. Oates W.E. Toward a second-generation theory of fiscal federalism. International Tax and Public Finance. 2005;12(4):349–373. DOI: 10.1007/s10797–005–1619–9

10. Everaert G., Hildebrandt A. On the causes of soft budget constraints: Firm-level evidence from Bulgaria and Romania. In: Advances in the economic analysis of participatory & labor-managed firms. Bingley: Emerald Publishing Ltd.; 2003;7:105–137. DOI: 10.1016/S 0885–3339(03)07007–8

11. Chulkov D. Innovation in centralized organizations: Examining evidence from Soviet Russia. Journal of Economic Studies. 2014;41(1):123–139. DOI: 10.1108/JES-05–2011–0057

12. Hopland A. O. Can game theory explain poor maintenance of regional government facilities? Facilities. 2015;33(3/4):195–205. DOI: 10.1108/F-08–2013–0062

13. Jin Y., Rider M. Does fiscal decentralization promote economic growth? An empirical approach to the study of China and India. Journal of Public Budgeting, Accounting & Financial Management. 2020. DOI: 10.1108/JPBAFM-11–2019–0174

14. Kappeler A. Fiscal externalities in a three-tier structure of government. Journal of Economic Studies. 2014;41(6):863–880. DOI: 10.1108/JES-03–2013–0033

15. Onofrei M., Oprea F. Fiscal decentralisation and self-government practices: Southern versus Eastern periphery of the European Union. In: Pascariu G. C., Duarte M. A.P.D.S., eds. Core-periphery patterns across the European Union: Case studies and lessons from Eastern and Southern Europe. Bingley: Emerald Publishing Ltd.; 2017:251–289.

16. Koo J., Kim B. J. Two faces of decentralization in South Korea. Asian Education and Development Studies. 2018;7(3):291–302. DOI: 10.1108/AEDS-11–2017–0115

17. Барбашова Н. Е. Создает ли методика межбюджетного выравнивания отрицательные стимулы для инфраструктурного развития регионов? Финансы: теория и практика. 2021;25(1):22–34. DOI: 10.26794/2587–5671–2021–25–1–22–34

18. Котляров И.Д. Цифровая трансформация финансового сектора: содержание и тенденции. Управленец. 2020;11(3):72–81. DOI: 10.29141/2218–5003–2020–11–3–6

19. Chanias S., Myers M.D., Hess T. Digital transformation strategy making in pre-digital organizations: The case of a financial service provider. Journal of Strategic Information Systems. 2019;28(1):17–33. DOI: 10.1016/j.jsis.2018.11.003

20. Streltsova E.D., Dulin A.N., Yakovenko I.V. Perfection of interbudgetary relations as a factor of economic growth of depressed miner territories. IOP Conference Series: Earth and Environmental Science. 2019;272(3). DOI: 10.1088/1755–1315/272/3/032164

21. Streltsova E.D.; Yakovenko I.V. Support of decision-making in interbudgetary regulation on the basis of simulation modeling. In: Solovev D. B., ed. Smart technologies and innovations in design for control of technological processes and objects: Economy and production. Proceedings of the international science and technology conference “FarEastСon-2018”. Vol. 2. Cham: Springer Nature Switzerland AG; 2019:165–172. DOI:10.1007/978–3–030–18553–4_21

22. Streltsova E.D., Bogomyagkova I.V., Streltsov, V.S. Modeling tools of interbudgetary regulation for mining areas. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2016;(4):123–129.

23. Ziyadin S., Borodin A., Streltsova E., Suieubayeva S., Pshembayeva D. Fuzzy logic approach in the modeling of sustainable tourism development management. Polish Journal of Management Studies. 2019;9(1):492–504. DOI: 10.17512/pjms.2019.19.1.37

24. Belokrylova O.S., Belokrylov K.A., Tsygankov S.S., Syropyatov V.A., Streltsova E.D. Public procurement quality assessment of a region: regression analysis. International Journal of Sociology and Social Policy. 2021;41(1/2):130–138. DOI: 10.1108/IJSSP-03–2020–0095

25. Belokrylova O. S., Belokrylov K.A., Streltsova E. D., Tsygankov S. S., Tsygankova E. M. Quality evaluation of public procurement: Fuzzy logic methodology. In: Popkova E., ed. Growth poles of the global economy: Emergence, changes and future perspectives. Cham: Springer-Verlag; 2020:823–833. (Lecture Notes in Networks and Systems. Vol. 73). DOI: 10.1007/978–3–030–15160–7_83

26. Цетлин М.Л. Исследования по теории автоматов и моделированию биологических систем. М.: Наука; 1969. 316 с.

27. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. Пер. с англ. М.: Мир; 1976. 168 с. (Серия: Математика. Новое в зарубежной науке. Вып. 3).

28. Yakovenko I. Fuzzy stochastic automation model for decision support in the process inter-budgetary regulation. Mathematics. 2021;9(1):67. DOI: 10.3390/math9010067

29. Łuczak A.. Just M. A complex MCDM procedure for the assessment of economic development of units at different government levels. Mathematics. 2020;8(7):1067. DOI:10.3390/math8071067

30. H., Trimi S. A fuzzy TOPSIS method for performance evaluation of reverse logistics in social commerce platforms. Expert Systems with Applications. 2018;103:133–145. DOI: 10.1016/j.eswa.2018.03.003

31. Hatami-Marbini A., Kangi F. An extension of fuzzy TOPSIS for a group decision making with an application to Tehran stock exchange. Applied Soft Computing. 2017;52:1084–1097. DOI: 10.1016/j.asoc.2016.09.021

32. Palczewski K., Sałabun W. The fuzzy TOPSIS applications in the last decade. Procedia Computer Science. 2019;159:2294–2303. DOI: 10.1016/j.procs.2019.09.404

33. Wu T., Liu X., Liu F. An interval type-2 fuzzy TOPSIS model for large scale group decision making problems with social network information. Information Sciences. 2018;432:392–410. DOI: 10.1016/j.ins.2017.12.006

34. Yucesan M. et al. An integrated best-worst and interval type-2 fuzzy TOPSIS methodology for green supplier selection. Mathematics. 2019;7(2):182. DOI: 10.3390/math7020182

35. Shen F. et al. An extended intuitionistic fuzzy TOPSIS method based on a new distance measure with an application to credit risk evaluation. Information Sciences. 2018;428:105–119. DOI: 10.1016/j.ins.2017.10.045