Розширена анотація українською мовою

У науковій статті було розроблено інформаційну модель оцінки управління та впливу регуляторних інструментів на бізнес-процеси на прикладі страхового ринку України. Основна мета дослідження – визначити роль інформаційного менеджементу як ключового рушія розвитку бізнес-процесів в економічних системах (на прикладі страхового ринку України). Систематизація літературних джерел та підходів до вирішення проблеми свідчить про те, що розробка інноваційних інструментів оцінки регуляторного впливу органу державного регулювання на бізнес-процеси страхового ринку не завершена і потребує більш поглибленого вивчення.Формування системи показників стану страхового ринку, які враховують вплив інструментів Регулятора, запропоновано реалізувати у такій послідовності: виявити наявність причинно-наслідкових зв’язків між показниками стану страхового ринку та заходами регулювання (впливу); визначити наявність реакції показників стану страхового ринку на заходи Регулятора з урахуванням розриву в часі, що обумовлює наявності лагів у процесі застосування заходів Регулятора; означити та формалізувати змінність показників стану страхового ринку під впливом заходів Регулятора. В результаті були сформульовані завдання щодо шкали стану страхового ринку: по-перше, перевірити на нормальність розподіл значень показників його стану; по-друге, побудувати відповідно до закону розподілу шкалу показників за правилом «трьох сигм»; по-третє, у разі невідповідності нормальному закону розподілу та наявності асиметрії можливе використання методу «трьох сигм», але за точку відліку береться або середнє арифметичне, або мода варіаційного ряду, або його медіана. Актуальність рішення цієї наукової проблеми полягає в тому, що розроблено комплекс моделей для встановлення причинно-наслідкових залежностей між показниками, що характеризують стан страхового ринку та інструментами державного регулювання, які визначено кількісно, і є теоретичною та практичною базою для можливого їх вживання для вирішення універсальних задач моделювання причинно-наслідкових процесів оцінки впливу прийнятих рішень під час будь-якого регулювання розвитку систембізнес-процесів. Для вирішення завдання проведено тест Грейнджера, розширений тест Діккі-Фуллєра, тест Філліпса-Перрона та тест Квятковського-Філліпса-Шмідта-Шина. Виконано розподіл часових рядів за стаціонарністю, здійснена побудова моделей векторної авто регресії. Для оцінювання адекватності моделей використано порівняння значень критерію Фішера, Ст’юдента, коефіцієнта детермінації та скорегованого коефіцієнта детермінації. Для перевірки моделі на стаціонарність, стабільність використано критерії Jarque-Bera. Виконано формалізацію причинно-наслідкових зв’язків через постулат теорії вимірів і побудови шкал. Побудовані інтервальні шкали ґрунтуються на застосуванні правила «трьох сигм», що дозволило означити гранично допустимі значення показників. Отримані результати свідчать про вплив регуляторних інструментів на бізнес-процеси страхового ринку, що підтверджує правильність використання цього комплексу моделей для вирішення слабо формалізованих задач причинного характеру універсального типу. Запропонована інноваційна модель може бути використана як методологія розробки набору раціональних методів оцінки інформаційних впливів управлінських рішень у виробничих системах або маркетингових дослідженнях. Результати дослідження можуть бути використані для оцінки бізнес-процесів будь-якого ринку чи системи.

Ключові слова: бізнес-процеси, векторна авторегресія, інформаційний менеджмент, інформаційна модель, інструменти регулювання, ключовий драйвер, ринок страхових послуг, тест Грейнджера, шкалування.

Класифікація JEL: С02, G22, 011.

Цитувати як: Bacho, R., Pukala, R., Hlibko, S., Vnukova, N., Pola, P. (2019). Information management: the key driver of the economic system’s development Marketing and Management of Innovations, 3, 297-307. https://doi.org/10.21272/mmi.2019.3-23

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Akaike, H. (1973). Information theory as an extension of the maximum likelihood principle. Petrov, B.N., Csaki, F. (Eds.). Second International Symposium on Information Theory. Budapest: Akademiai Kiado. (p.p. 267–281).
2. Arltova, M., & Fedorova, D. (2016). Selection of Unit Root Test on the Basis of Length of the Time Series and Value of AR(1) Parameter. Statistika – Statistics and Economics Journal, 96, 47-67.
3. Burnham, K., Anderson, D. (2002). Model Selection and Multimodal Inference. New York: Springer.
4. Cihak, M., & Podpiera, R. (2006). Is One Watchdog Better than Three? International Experience with Integrated Financial-Sector Supervision. Czech Journal of Economics and Finance. Charles University Prague, Faculty of Social Sciences, 56(3-4),102‑126.
5. Chaddock, R. E. (1925). Principles and Methods of Statistics. Cambridge: Houghton Miffin Company, The Riverside Press.
6. Damodar, N.G. (2009). New York: Basic Econometrics, McGraw-Hill.
7. De Haan, J.; Oosterloo, S.; Schoenmaker, D. (2009). Cambridge: European Financial Markets and Institutions. Cambridge University Press.
8. Dickey, D.A., & Fuller, W.A. (1981). Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root. Econometrica, 49, 1057–1072.
9. Dritsaki, M., Dritsaki, C., Adamopoulos, A. (2004) A Causal Relationship between Trade, Foreign Direct Investment and Economic Growth for Greece. American Journal of Applied Sciences, 1, 230-235.
10. Eichengreen, B., & Dincer, N. (2011). Who Should Supervise? The Structure of Bank Supervision and the Performance of the Financial System. NBER Working Paper Series. Working Paper №17401.
11. Frantz, P., & Instefjord, N. (2012). Financial regulation: regulatory arbitrage and regulatory harmonization. Social Science Research Network, 1-53.
12. Gayawan, E., & Ipinyomi, R., (2009). A Comparison of Akaike, Schwarz and R Square Criteria for Model Selection Using Some Fertility Models. Australian Journal of Basic and Applied Sciences, 3(4), 3524-3530.
13. Goodhart, C., & Schoenmaker, D. (1995). Should the Functions of Monetary Policy and Banking Supervision Be Separated? Oxford Economic Papers. New Series, 47(4), 539–560.
14. Goodhart, C.A.E., & Тsomocos, D.P. (2012). Cheltenham: Financial Stability in Practice. Edward Elgar Publishing.
15. Granger, C. W. J. (1974). Investigation Casual Relations by Econometric Methods and Cross-Spectal Methods. Econometrica, 37, 424-438.
16. Granger, C.W.J. (1983). Co-integrated variables and error-correcting models. San Diego: University of California, Department of Economics Working Paper, 83-113.
17. Hirtle, B., Schuermann, T., Stiroh, K. (2009) Macroprudential Supervision of Financial Institutions: Lessons from the SCAP. New York: Federal Reserve Bank of New York Staff Reports № 409.
18. Hlibko S., Vnukova N., Hontar D., Anisimova H., Liubchych A. (2019) Risk-Oriented Approach to Determining Bank’s Capital Size according to Requirements of Basel Committee on Banking Supervision. Икономически изследвания, 28 (1), 56-71.
19. Horakova, M., (2012). How countries Supervise their Banks, Insurers and Securities Markets. Central Banking Publications (335 pages).
20. Ingves, S. (2011). Basel: Bank for International Settlements. Central Bank Governance and Financial Stability.
21. Johansen, S. (1991). Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models. Econometrica: Journal of the Econometric Society, 6, 1551-1580.
22. Kwiatkowski, D., Phillips, P.C.B., Schmidt, P., Shin Y. (1992). Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root. Journal of Econometrics, 54, 159-178.
23. Lebo, J.M., Kraft, W.P.(2017). The general error correction model in practice. Research and Politics, 2,1-17.
24. MacKinnon, J.C., Huag, A.A., Michelis, L. (1999). Numerical distribution functions of likelihood ratio tests for cointegration. Journal of Applied Econometrics, 14, 563-577.
25. Masciandaro, D., & Quintyn, M. (2009). After the Big Bang and Before the Next One? Reforming the Financial Supervision Architecture and the Role of the Central Bank – A Review of Worldwide Trends, Causes and Effects (1998-2008). Italy: Paolo Baffi Centre Research. Paper №2009-37.
26. Masciandaro, D., & Quintyn, M. (2011). The Economic Crisis: Did Financial Supervision Matter? IMF Working Paper. No WP/11/261. November.
27. Melecky, M., & Podpiera, A.M. (2012). Institutional Structures of Financial Sector Supervision, Their Drivers and Emerging Benchmark Models. MPRA Paper, №37059, 1-23.
28. Nier, E.W., Osinski, J., Jacome, L.I., Madrid, P. (2011). Towards Effective Macroprudential Policy Frameworks: an Assessment of Stylized Institutional Models. IMF Working Paper, WP/11/250.
29. Phillips, P.C.B., & Perron, P. (1988). Testing for Unit Roots in Time Series Regression. Biometrika, 75, 335-346).
30. Ponomarenko V., Vnukova N., Kolodiziev O., Achkasova S. (2019) The influence of governmental regulation and supervision on the development of the risk-oriented system of financial monitoring of Ukraine. Financial and credit activity: problems of theory and practice, 29, 419-429.
31. Ren Z., Xiao, Z., Zhang, X. (2013). Two-step adaptive model selection for vector autoregressive processes. Journal of Multivariate Analysis, 116, 349-364.
32. Schwarz, G. (1978). Estimating the dimension of a model. Ann Statist., 6, 461-464.
33. Sturgess, H.A. (1926). The choice of class intervals. Journal of American Statistical Association, 21, 153, 65-66.
34. Thadewald, T, & Buning, H., (2007). Jarque–Bera Test and its Competitors for Testing Normality – A Power Comparison. Journal of Applied Statistics, 34(1), 87-105.