Выберите значение количества пользователей которые за 1 10 октября 2019 года достигли цель

Проект развития человеческого капитала: Часто задаваемые вопросы

Индекс человеческого капитала: часто задаваемые вопросы

I. Определение, данные и методология

II. Анализ ИЧК

1. Что такое Проект развития человеческого капитала?

Проект развития человеческого капитала – это – глобальная инициатива, призванная содействовать ускоренному осуществлению более масштабных и эффективных инвестиций в людей в целях укрепления социальной справедливости и обеспечения экономического роста. По состоянию на февраль 2022 г. 83 страны с различным уровнем дохода разрабатывают при поддержке Группы Всемирного банка стратегические подходы, которые позволят им радикальным образом улучшить результаты в области развития человеческого капитала. Мы наращиваем объем инвестиций в развитие человеческого капитала в странах Африки к югу от Сахары, уделяя, в числе прочего, приоритетное внимание расширению прав и возможностей женщин, эффективному использованию потенциала новых технологий и ускорению внедрения инноваций. На Ближнем Востоке и в Северной Африке мы уделяем особое внимание таким аспектам, как положение детей младшего возраста и повышение устойчивости уязвимых групп населения к потрясениям.

Мы создали страновую сеть Проекта развития человеческого капитала для содействия взаимодействию между государствами, уделяющими приоритетное внимание проблемам человеческого капитала, и передачи экспертных знаний и опыта туда, где они нужнее всего. Координаторы, которыми обычно являются сотрудники министерств финансов, экономики или планирования (а иногда и отраслевых министерств), регулярно общаются друг с другом, обмениваясь опытом и предложениями.

Развитие человеческого капитала находится в центре нашей глобальной стратегии развития. Защита людей и инвестиции в них – одно из трех основных направлений нашей деятельности ради достижения стоящих перед нами целей – искоренения крайней бедности к 2030 году и ускоренного обеспечения общего благосостояния во всех странах. Эта работа является неотъемлемой частью наших усилий по содействию устойчивому экономическому росту в интересах всех слоев населения и повышению устойчивости всех развивающихся стран. Те же задачи входят и в число универсальных приоритетов МАР-19 – охватывающего период с июля 2020 года по июнь 2023 года нынешнего цикла финансирования МАР – фонда Группы Всемирного банка для беднейших стран мира.

2. Что такое человеческий капитал и в чем его значение?

Человеческий капитал – это знания, навыки и здоровье, в которые люди вкладывают средства и которые они аккумулируют в течение своей жизни, что позволяет им реализовывать свой потенциал в качестве полезных членов общества. Инвестиции в людей путем улучшения качества питания, медицинской помощи, обеспечения качественного образования, создания рабочих мест и обучения профессиональным навыкам способствуют развитию человеческого капитала, а это является ключевым условием для искоренения крайней бедности и построения более социально сплоченного общества.

Как отмечается в Докладе о мировом развитии (ДМР) 2019 «Изменение характера труда», уровень востребованных на рынке труда профессиональных навыков быстро меняется, что создает как новые возможности, так и новые риски. Существуют многочисленные свидетельства того, что без развития человеческого капитала страны не смогут ни добиться устойчивого экономического роста в интересах всех слоев населения, ни подготовить контингент работников, которые будут готовы занять требующие повышенной квалификации рабочие места будущего, ни эффективно конкурировать в сфере мировой экономики. Бездействие в сфере развития человеческого капитала сопряжено со все бóльшими издержками.

Министры финансов, обсуждавшие проблемы человеческого капитала в ходе недавних Весенних и Ежегодных совещаний Группы Всемирного банка, еще раз указали на его значимость для программ обеспечения занятости и экономических преобразований во всех странах, на какой бы стадии развития они ни находились.

3. Какова ситуация с развитием человеческого капитала в современном мире?

Несмотря на беспрецедентные успехи в сфере развития человеческого потенциала, достигнутые за последние 25 лет, серьезные проблемы остаются, особенно в развивающихся странах.

В 2019 году более пятой части всех детей младшего возраста страдали низкорослостью (имели низкий для своего возраста рост – показатель риска развития физических недостатков или когнитивных расстройств) (JME 2020). Нынешняя глобальная пандемия может еще более увеличить число страдающих низкорослостью детей.
Многие страны переживают кризисную ситуацию в сфере обучения, которая тормозит их экономическое развитие. Согласно имеющимся данным, в некоторых странах дети на несколько лет отстают по объему полученных знаний от своих сверстников из других стран, посещающих школу на протяжении такого же количества времени. Пандемия, в условиях которой многие дети выбывают из школ и получают меньше знаний, усугубляет эту ситуацию.
Жители развивающихся стран ежегодно тратят 500 млрд долл. США собственных средств — свыше 80 долл. США в расчете на одного человека — на оплату медицинской помощи, причем самым тяжелым бременем эти расходы ложатся на плечи беднейших слоев населения. Пандемия COVID-19 также вызывает серьезные перебои в оказании важнейших медицинских услуг, включая плановую вакцинацию и медицинскую помощь детям.
В беднейших странах мира четверо из каждых пяти человек, живущих в бедности, находятся вне сферы охвата систем социальной помощи, что делает их крайне уязвимыми к разного рода потрясениям.
Из-за отсутствия чистой питьевой воды и надлежащих санитарно-гигиенических условий ежегодно почти 300 000 детей умирают от диареи.

Согласно первому изданию Индекса человеческого капитала (ИЧК), опубликованному Группой Всемирного банка в октябре 2018 года и обновленному в 2020 году, производительность почти 60% родившихся сегодня детей составит, в лучшем случае, половину от той, которой они могли бы достичь при наличии полного образования и полноценного здоровья (в соответствии с определением индекса, см. вопрос 5). Это свидетельствует о глубоком кризисе в сфере человеческого капитала и может серьезно отразиться на экономическом росте и способности мирового сообщества сообща покончить к 2030 году с крайней бедностью.

Дефицит человеческого капитала имеет опасную тенденцию к усугублению на фоне быстрых глобальных изменений в сфере технологий, демографии, нестабильности и климата. Конфликты и пандемии могут оказывать крайне пагубное воздействие на человеческий капитал, унося жизни людей, уничтожая источники доходов, ухудшая качество питания и вызывая перебои в оказании основных услуг здравоохранения и образования. Эти последствия будут, по всей видимости, проявляться на всем протяжении жизни многих людей, снижая их производительность. Тем не менее, инвестициями в людей нередко пренебрегают. Между тем существует множество примеров быстрой трансформации человеческого капитала – например, в таких странах, как Сингапур, Республика Корея и Ирландия, – а также достижения некоторыми из беднейших стран мира выдающихся успехов.

4. Какое влияние COVID-19 оказывает на человеческий капитал?

Пандемия COVID-19, в ходе которой страны пытаются бороться с вирусом, спасать жизни людей и восстанавливать свою экономику, грозит свести на нет все, что было достигнуто в сфере развития человеческого капитала за десятилетие, и вынудить целое поколение нагонять упущенное.

Большинство детей – более 1 млрд человек – не посещало школу из-за COVID-19.
Из-за снижения уровня обученности, закрытия школ или риска выбыть из них этот контингент учащихся может в результате потерять в течение жизни заработки на общую сумму 10 трлн долл. США.
Из стран с низким и средним уровнем дохода поступают сообщения о серьезных перебоях с оказанием важнейших медицинских услуг, таких как вакцинация и медицинская помощь детям.
Пандемия увеличивает риски гендерного насилия, детских браков и подростковой беременности, что еще более сужает возможности обучения женщин и девочек и расширения их прав и возможностей.

Если не принять срочных и масштабных мер, в том числе тех, о которых идет речь в аналитической записке Protecting People and Economies («Защита населения и экономики»), то вызванное пандемией нынешнее ухудшение ситуации в сфере здравоохранения, образования, профессиональной подготовки и обеспечения возможностей может в будущем поставить под вопрос восстановление экономики и благосостояния целых стран.

5. Что делает Группа Всемирного банка, чтобы помочь странам защитить человеческий капитал?

Страны во всем мире прилагают усилия к сдерживанию распространения COVID-19 и смягчению его последствий, и в этих условиях Группа Всемирного банка реализует самую широкомасштабную и оперативную антикризисную программу в своей истории, призванную помочь развивающимся странам повысить эффективность ответных мер, принимаемых в борьбе с пандемией, и их систем здравоохранения.

На фоне быстрого распространения пандемии в развивающихся странах Группа Всемирного банка предоставляет клиентам рекордные объемы помощи – потенциал финансирования на период до конца июня 2021 года достигает 160 млрд долл. США. Наша помощь в полной мере учитывает характер переживаемых странами потрясений в области здравоохранения, в экономике и социальной сфере, и включает ресурсы МАР объемом свыше 50 млрд долл. США в виде грантов и льготных кредитов.

Благодаря осуществляемым Группой Банка экстренным операциям свыше 100 развивающихся стран получают помощь в их усилиях по спасению жизней, выявлению коронавируса, предотвращению распространения пандемии и борьбе с ней. ГВБ также помогает странам в получении остро необходимых товаров медицинского назначения, вступая для этого от имени правительств в контакт с поставщиками.

В дополнение к дальнейшей поддержке сферы здравоохранения приоритетное внимание в этих операциях уделяется социальной защите, особенно посредством денежных трансфертов, а также сокращению масштабов бедности и финансированию на основе принимаемых мер экономической политики. Кроме того, Всемирный банк ведет работу по реструктуризации, перепрофилированию и перераспределению имеющихся ресурсов в рамках финансируемых им проектов.

Антикризисная стратегия Группы Всемирного банка предусматривает три этапа: экстренную помощь, реструктуризацию и устойчивое восстановление. Приоритетное внимание уделяется следующим основным направлениям действий:

Спасение жизней – Группа Банка помогает странам остановить распространение вируса, оказывать медицинские услуги, обеспечить доступ уязвимых домохозяйств к медицинскому обслуживанию и повышать готовность к будущим пандемиям. ГВБ твердо намерена обеспечить более бедным странам справедливый и равный доступ к вакцинам по мере их появления.

Защита бедных и уязвимых слоев населения – Группа Банка содействует оказанию финансовой помощи наиболее уязвимым категориям населения и обеспечению их продовольствием, а также созданию возможностей занятости для более бедных домохозяйств, поддержке неформального бизнеса и микропредприятий. ГВБ помогает общинам и местным органам власти преодолевать последствия кризиса, совершенствовать и расширять услуги населению, повышать устойчивость к будущим потрясениям.

Так, например, Банк помогает Индии наращивать масштабы предоставления денежных пособий и продовольственной помощи, опираясь на ряд действующих национальных платформ и программ, чтобы обеспечить социальную защиту работников служб жизнеобеспечения, которые участвуют в борьбе с COVID-19. Непосредственную выгоду от этих мер получают уязвимые категории населения, особенно мигранты и работники неформального сектора, сталкивающиеся с высоким риском социальной изоляции.

Обеспечение устойчивого роста бизнеса и создания рабочих мест – Группа Банка предоставляет консультации по вопросам экономической политики и оказывает финансовую помощь компаниям и финансовым учреждениям в целях содействия сохранению рабочих мест, преодолению кризисной ситуации компаниями, особенно малыми и средними предприятиями, и их возвращению к росту.

Повышение эффективности политики, институтов и инвестиций – ГВБ помогает странам готовиться к устойчивому восстановлению, акцентируя внимание на совершенствовании государственного управления и институтов. В ходе послекризисного восстановления стран Группа Банка в тесном сотрудничестве с МВФ оказывает им помощь в совершенствовании управления государственным долгом, проведении ключевых реформ управления финансами и выявлении возможностей для «зеленого» роста экономики и низкоуглеродного развития.

Вы можете подробнее ознакомиться с первым комплексом поддержанных Группой Всемирного банка проектов борьбы с чрезвычайной ситуацией в сфере здравоохранения, а также о результатах первых 100 дней осуществления этих мер.

6. Что можно сделать для защиты людей и инвестиций в них по окончании пандемии?

В дальнейшем странам следует делать все возможное для того, чтобы увязать принимаемые ими меры по борьбе с пандемией COVID-19 с более долгосрочными целями в сфере развития человеческого капитала. Правительствам, гражданскому обществу, международным финансовым учреждениям и частному сектору необходимо, объединяя усилия, осуществлять масштабные и основанные на фактических данных инвестиции, чтобы помочь каждому человеку полностью реализовать свой потенциал.

Наращивать объемы социальных инвестиций и защищать возможности манёвра бюджетными средствами после прекращения действия отсрочек по платежам и финансовым обязательствам, добиваясь, чтобы бедные и уязвимые группы населения могли получать базовые услуги и финансовую поддержку.

Осуществлять инвестиции в оказание базовых услуг.

Повышать эффективность систем социальной помощи для защиты от потрясений и содействия в проведении реформ
Уделять больше внимания первичной медицинской помощи и обеспечению готовности к пандемиям, а также вопросам питания, развития детей раннего возраста, обучению и предоставлению базовых услуг в разных отраслях, опираясь на новые технологии и более эффективное управление.

Масштабные и разработанные на основе фактических данных меры стратегического характера в сфере здравоохранения, образования и социальной защиты могут помочь наверстать упущенное и дать сегодняшним детям возможность превзойти по уровню развития человеческого капитала и качеству жизни предшествующие поколения. Задача реализации в полной мере творческого потенциала каждого ребенка важна сегодня как никогда.

7. Чего предполагается достичь по итогам Проекта развития человеческого капитала?

Проект развития человеческого капитала помогает руководителям государств создать политическую платформу, которая обеспечит приоритет обладающим преобразовательным потенциалом инвестициям в здравоохранение, образование и социальную защиту. Задача состоит в том, чтобы быстрыми темпами продвигаться по пути построения в мире общества, в котором все дети полноценно питаются, приходят в школу готовыми к учебе, могут рассчитывать на получение в школе реальных знаний и способны выйти на рынок труда здоровыми, квалифицированными и производительными работниками.

Проект состоит из трех основных элементов:

Индекс человеческого капитала (ИЧК) количественно оценивает значение здоровья и образования для производительности труда следующего поколения работников. Страны используют его, чтобы определить, какую долю дохода они теряют из-за дефицита человеческого капитала, а также насколько быстро они смогут превратить эти потери в достижения, если начнут действовать без промедления. Дополнительную информацию можно получить из данного видеоматериала.

Индекс был впервые рассчитан в октябре 2018 года и обновлен в середине сентября 2020 года. При пересмотре были учтены результаты нового обследования PISA и добавлены данные еще по 17 странам, так что в общей сложности он охватывает 98% населения мира. Данные в ИЧК-2020 приводятся также в более полной разбивке по полу.

В дополнение к Индексу и с целью оказания странам поддержки в принятии эффективных мер проводятся достоверные измерения и исследования. Достоверные оценки показателей образования и здравоохранения, полученные на национальном уровне, помогают странам получить представление о том, какие меры дают реальную отдачу и на что следует направлять ресурсы. Кроме того, это повышает осведомленность ответственных лиц о значении инвестиций в человеческий капитал, создавая импульс для действий правительства. В глобальном масштабе всесторонняя оценка и усилия по сбору обновленных исходных данных позволяют выявлять сильные стороны и изыскивать возможности для улучшения показателей развития человеческого капитала. Проект развития человеческого капитала позволит обогатить изучение и анализ факторов, способствующих развитию человеческого капитала, например, путем наращивания масштабов программы Показателей предоставления услуг и обследований в рамках Оценки качества и результатов обучения детей раннего возраста.

Взаимодействие со странами на основе “общегосударственного подхода” помогает им устранить наиболее серьезные препятствия на пути развития человеческого капитала. Этот подход стимулирует постепенное формирование стратегического руководящего потенциала, помогая установить взаимосвязь между программами в различных секторах и расширяя базу фактических данных. В работе со странами Банк уделяет особое внимание вопросам эффективности и качества, реформам в сфере политики и мобилизации внутренних ресурсов с тем, чтобы страны не просто наращивали объем инвестиций, но и повышали эффективность расходования средств.

Примером подобного подхода Всемирного банка к взаимодействию со странами служит серия операций в поддержку политики в области развития на Мадагаскаре под названием «Инвестиции в развитие человеческого капитала». Целью первой из этих операций является содействие инвестициям правительства Мадагаскара в человеческий капитал путем наращивания потенциала людских ресурсов в здравоохранении и образовании, повышения доступности и предсказуемости получения финансовых средств для социальных отраслей, а также совершенствования правовой защиты женщин и детей. Вторая операция находится на стадии подготовки.

Проект развития человеческого капитала содействует масштабированию такой поддержки политических и институциональных реформ, а также разработке целого спектра механизмов и услуг, помогающих странам добиваться поставленных целей, например, обзоров государственных расходов на развитие человеческого капитала и институциональных обзоров, а также тематических исследований, посвященных анализу достижений и инновации на страновом уровне.

8. Что такое Индекс человеческого капитала? Как он рассчитывается?

Индекс человеческого капитала представляет собой интегральный показатель объема человеческого капитала, который родившийся сегодня ребенок может накопить к 18 годам, с учетом рисков, связанных с низким уровнем здравоохранения и образования в той стране, в которой он/она живет. Полное изложение методологии расчета ИЧК доступно на сайте созданного Всемирным банком Репозитория открытого доступа к знаниям, а здесь размещен видеоролик с полезной информацией.

Важное нововведение заключается в том, что этот индекс измеряет вклад систем здравоохранения и образования в производительность отдельных людей и стран, основываясь на глубоком микроэконометрическом анализе.

Имея значения в диапазоне от 0 до 1, индекс принимает значение 1 только в том случае, если родившийся сегодня ребенок сможет достичь полноценного здоровья (определяемого как отсутствие отставания в росте и достижение хотя бы 60-летнего возраста) и полностью реализовать свой потенциал в части получения формального образования (определяемый как получение к 18 годам образования в первоклассной школе после 14 лет учебы).

Балл страны отражает степень ее удаленности от оптимального показателя полного образования и полноценного здоровья. Если Индекс человеческого капитала страны равен 0,70, это означает, что уровень будущего дохода, на который может рассчитывать родившийся сегодня ребенок, составит 70% от того уровня, которого он мог бы достичь при наличии полного образования и полноценного здоровья.

Индекс может быть напрямую привязан к сценариям будущих доходов стран и отдельных людей. Если показатель страны равен 0,50, то в будущем объем ВВП на каждого работника мог бы быть в два раза больше, если бы страна достигла целевого показателя полного образования и полноценного здоровья.

Индекс представлен в виде среднего показателя каждой страны и включает разбивку по гендерному признаку в странах, для которых имеются соответствующие данные.

9. Какие данные используются для расчета ИЧК?

ИЧК является количественной иллюстрацией основных этапов жизненной траектории (от рождения до совершеннолетия) ребенка, родившегося в конкретный год, и их последствий для производительности следующего поколения работников. Индекс состоит из трех компонентов:

Компонент 1. Выживаемость. Этот компонент индекса отражает печальную реальность, заключающуюся в том, что не все родившиеся сегодня дети доживут до того возраста, в котором начинается процесс накопления человеческого капитала за счет получения формального образования. Выживаемость оценивается по уровню смертности детей в возрасте до 5 лет; при этом в качестве дополнительной метрики используется выживаемость детей до 5 лет.

Компонент 2. Обучение в школе. Этот компонент индекса объединяет информацию об объеме и качестве образования.

Качество образования оценивается по количеству ожидаемых лет обучения в школе к моменту достижения ребенком 18 лет с учетом преобладающего характера охвата детей школьным образованием. Максимальное значение этого показателя – 14 лет, что соответствует максимальной продолжительности обучения в школе к тому моменту, когда ребенку, поступившему в детское дошкольное учреждение в 4 года, исполняется 18 лет.

Качество образования отражает работу Всемирного банка по гармонизации тестовых баллов, набранных в рамках крупных международных программ оценки достижений учащихся, в целях разработки показателя «гармонизированные тестовые баллы». Они измеряются в единицах мировой шкалы гармонизированных результатов обучения, аналогичной шкале, используемой в рамках Международного исследования качества математического и естественнонаучного образования (TIMSS). Результат, равный 625 баллам, соответствует принятому в TIMSS показателю высокой успеваемости, а результат, равный 300 баллам, соответствует показателю низкой успеваемости, эквивалентному минимальным показателям ряда других региональных оценок.

Компонент 3. Здоровье. Не существует единого общепринятого, поддающегося прямому измерению и широко распространенного интегрального показателя здоровья, который можно было бы использовать так же, как количество лет обучения, которое используется в качестве стандартного показателя уровня образования. Вместо этого, используются два косвенных показателя общего состояния здоровья:

Показатель выживаемости взрослых. Он оценивается по доле 15-летних подростков, доживающих до 60 лет. Этот показатель смертности позволяет получить косвенную оценку ряда нелетальных воздействий на здоровье, с которыми родившийся сегодня ребенок мог бы столкнуться во взрослом состоянии, если бы сегодняшние условия сохранились в будущем.

Здоровый рост детей в возрасте до 5 лет. Этот показатель оценивается по задержкам роста у детей, т.е. как единица минус доля детей в возрасте до 5 лет, чей рост отстает от нормы, соответствующей данному возрасту. Задержка роста показывает, насколько здоровы были условия развития ребенка в пренатальный период, младенчестве и раннем возрасте, и служит суммарным показателем рисков для здоровья, с которыми родившийся сегодня ребенок может столкнуться в первые годы своей жизни и которые могут повлечь серьезные последствия для его здоровья и благополучия во взрослом состоянии.

Данные в разбивке по компонентам ИЧК и окончательные рейтинги стран по ИЧК вместе с подробной информацией об источниках опубликованы в файлах данных об ИЧК стран на сайте Проекта развития человеческого капитала; их также можно скачать на сайте Всемирного банка «DataBank». Кроме того, на сайте Проекта развития человеческого капитала можно скачать глобальный набор данных ИЧК в формате Excel, в котором есть калькулятор ИЧК с уравнениями для расчета ИЧК. Пользователи могут ввести показания по компонентам и рассчитать балл ИЧК для любой страны, которую охватывает индекс.

10. Какие источники данных используются для ИЧК? Как проверяются эти данные?

Все данные, используемые для измерения ИЧК, находятся в открытом доступе; их оценка осуществляется напрямую и проводится одинаково для всех стран.

Компонент 1. Выживаемость. Показатель выживаемости до 5 лет измеряется на основе данных о смертности в возрасте до 5 лет, источником которых являются оценки детской смертности, разрабатываемые Межведомственной группой ООН.

Компонент 2. Обучение в школе. Ожидаемая продолжительность обучения в школе оценивается на основе данных об охвате детей дошкольным, начальным и средним (нижняя и верхняя ступени) образованием, источником которых является Институт статистики ЮНЕСКО (ИСЮ). Источником данных о гармонизированных тестовых баллах, отражающих результаты научной работы Всемирного банка по гармонизации тестовых баллов, набранных в рамках крупных международных программ оценки достижений учащихся, является Глобальная база данных о качестве образования (Patrinos and Angrist, 2018).

Компонент 3. Здоровье. Показатель выживаемости взрослых рассчитывается на основе данных о смертности в возрасте от 15 до 60 лет, источником которых являются доклады Отдела народонаселения ООН (ОН ООН)_«Перспективные расчеты численности населения мира». Поскольку ОН ООН не составляет отдельных докладов о смертности взрослого населения для странах с численностью населения менее 90 тысяч человек, эти данные дополняются показателями смертности взрослого населения в небольших странах, полученными в рамках проекта «Глобальное бремя болезней» (ГББ), операторами которого являются Институт определения и оценки медико-санитарных показателей (IHME) и Всемирная организация здравоохранения (ВОЗ). Здоровый рост детей в возрасте до пяти лет оценивается на основе данных о распространенности задержек роста, источником которых являются совместные оценки ЮНИСЕФ, ВОЗ и Всемирного банка «Детское недоедание» (JME).

Данные, используемые в расчетах ИЧК, проходят широкомасштабную проверку в самых разных структурных подразделениях Банка. Данные передаются сотрудникам страновых отделов, которые их проверяют, консультируясь со специалистами Всемирного банка по вопросам образования и здравоохранения, а также с партнерами из соответствующих отраслевых министерств данной страны. Процесс обеспечения качества данных имеет особое значение в случае показателя охвата детей системой образования, поскольку для некоторых стран, входящих в базу данных ИСЮ, данные могут отсутствовать или устареть. В рамках настоящего сценария при расчете ИЧК данные об охвате детей системой образования обновляются с учетом самых свежих и (или) наиболее согласованных данных, взятых из системы управления информацией об образовании (СУИО) или школьной переписи соответствующей страны, или репрезентативных национальных опросов. Такая проверка данных позволяет использовать при расчете ИЧК данные о распространенности задержек роста, взятые из репрезентативных национальных опросов, которые появились совсем недавно и еще не вошли в базу данных JME.

Подробные сведения об источниках данных для всех стран, которые охватывает ИЧК, приведены в файлах данных об ИЧК стран на сайте Проекта развития человеческого капитала; их также можно скачать в виде метаданных на сайте Всемирного банка «DataBank».

11. Что такое гармонизированные тестовые баллы и как они рассчитываются?

Гармонизированные тестовые баллы, используемые для оценки качества школьного образования в разных странах, являются результатом широкомасштабной работы по гармонизации тестов для оценки достижений учащихся, которые проводятся в рамках нескольких международных программ тестирования, с целью создания Глобальной базы данных о качестве образования (Patrinos and Angrist, 2018). Эта база данных гармонизирует баллы трех крупных международных программ тестирования – TIMSS (Международное исследование качества математического и естественнонаучного образования), PIRLS (Международное исследование качества чтения и понимания текста) и PISA (Международная программа по оценке образовательных достижений учащихся) – а также четырех крупных региональных программ тестирования – SACMEQ (Южноафриканский консорциум по мониторингу качества обучения, PASEC (Программа анализа систем образования), LLECE (Латиноамериканская лаборатория по оценке качества образования) и PILNA (Оценка полученного образования и математической грамотности в регионе тихоокеанских островов). Кроме того, в нее входят данные оценок EGRA (Оценка навыков чтения в младших классах), координатором которых является Агентство международного развития США.

Основой методологии гармонизации является разработка «коэффициента обмена» между международными тестами, оценивающими достижения учащихся, и их региональными аналогами, после чего полученные коэффициенты используются для размещения этих тестов на единой шкале. Тестовые баллы конвертируются в единицы TIMSS, которая проверяет навыки счета; при этом среднее значение составляет около 500, а стандартное отклонение среди всех учащихся – около 100. Для стран, участвующих и в программах тестирования навыков счета, и в других программах тестирования, коэффициент обмена разрабатывается на основе соотношения средних баллов страны в каждой программе и соответствующих баллов страны в программе тестирования навыков счета. Рассмотрим, например, группу стран, участвующих и в программе PISA, и в программе TIMSS. Для этой группы стран отношение средних баллов в программе PISA к средним баллам в программе TIMSS является коэффициентом перевода баллов PISA в баллы TIMSS, который впоследствии можно использовать для перевода баллов всех стран в программе PISA в баллы в программе TIMSS. Коэффициент обмена рассчитывается путем объединения всех пересекающихся наблюдений в период с 2000 по 2017 годы, и, следовательно, не меняется с течением времени. Благодаря этому, для каждой страны изменение гармонизированных тестовых баллов с течением времени в рамках конкретной программы тестирования отражает только изменение самих тестовых баллов, а не изменение коэффициента перевода между тестами.

12. Как Индекс человеческого капитала изменялся с момента его официального представления в 2018 году?

Методология расчета ИЧК изложена в брошюре, посвященной Проекту развития человеческого капитала, которую можно скачать здесь. Эта методология была впервые представлена в Докладе о мировом развитии 2019 «Изменение характера труда», где большое внимание также уделяется навыкам, необходимым для выхода на рынок труда – одной из важнейших характеристик человеческого капитала.

Часть аналитических основ индекса также представлена в Докладе о мировом развитии 2018 «Обучение как средство реализации образовательных перспектив», посвященном кризису обучения. В процессе подготовки оба доклада проходили экспертизу с участием широкого круга различных заинтересованных сторон во всем мире.

Кроме того, исследования проводились в тесном сотрудничестве с Дэвидом Вейлом, профессором Брауновского университета и ведущим экспертом по вопросам влияния различных факторов на процесс развития.

13. Как Индекс человеческого капитала отражает рейтинги стран?

ИЧК посвящен не рейтингам, а содержательному измерению производительности будущих работников как способу сравнительного анализа стран. Поскольку ИЧК измеряется через производительность следующего поколения работников по сравнению с целевым показателем полного образования и полноценного здоровья, значения индекса имеют естественную интерпретацию: значение, равное 0,50 для той или иной страны, означает, что у ребенка, родившегося в этой стране в конкретный год, производительность как у будущего работника составляет лишь половину того уровня производительности, который был бы возможен в случае достижения целевого показателя. Рейтинги уделяют слишком большое внимание тому факту, что страна со показателем ИЧК 0,51 (например, Фиджи) опережает страну с показателем ИЧК 0,50 (например, Марокко). Однако при такой интерпретации упускается из виду более важный момент, а именно: когда дети, родившиеся сегодня и в Фиджи, и в Марокко, вырастут, их потенциал развития человеческого капитала будет реализован лишь наполовину. Это гораздо важнее того, что одна страна «опережает» другую.

Кроме того, рейтинги искусственно «раздувают» небольшие различия в баллах, скрывая информацию об абсолютном прогрессе или регрессе стран по показателям ИЧК. В частности, восемь стран имеют значения ИЧК от 0,60 до 0,61, т.ч. если одна из этих стран с показателем 0,60 повысит свой балл всего лишь на 0, 01, она продвинется в рейтинге на восемь позиций. В отличие от этого, значения от 0,70 до 0,71 имеют только две страны, и если одна из них повысит свой балл на 0,01, она продвинется в рейтинге всего лишь на одну позицию.

14. Как часто обновляется Индекс человеческого капитала?

Изменения в компонентах ИЧК, измеряемые на уровне результатов, происходят медленно. Ежегодные изменения в этих компонентах обычно бывают довольно незначительными и (или) отражают не реальные изменения результатов в области развития человеческого капитала, а доступность данных и проблемы измерения.

К тому же, данные о разных компонентах ИЧК обновляются с разной частотой. Административные данные о выживаемости детей до 5 лет и данные об охвате детей школьным образованием, которые лежат в основе показателя ожидаемой продолжительности обучения в школе, обновляются каждый год. Данные о выживаемости взрослых обновляются раз в два года, а данные о распространенности задержек роста у детей собираются в ходе опросов, которые проводятся примерно раз в 3-5 лет. Данные о тестовых баллах собираются реже, а программы тестирования проводятся по разным графикам. В годы, когда у крупных программ тестирования, таких, как PISA, TIMSS или PIRLS, нет очередных раундов, поступление новых данных ограничено.

В целях выявления значимых изменений в уровнях развития человеческого капитала в разных странах ИЧК будет обновляться раз в два года. Первая итерация, охватывавшая 154 страны, была проведена в 2018 году. Следующий раунд, состоявшийся в 2020 году, расширил охват ИЧК до 174 стран и позволил получить представление о состоянии человеческого капитала накануне пандемии COVID-19, а также ориентир для отслеживания воздействий пандемии на человеческий капитал.

15. Почему Индекс человеческого капитала не охватывает все страны?

Индекс человеческого капитала 2018 года охватывал 156 стран-членов Группы Всемирного банка и их территории, а также Западный берег реки Иордан и сектор Газа. ИЧК-2020 охватывает 174 экономики, представляющие более 98% мирового населения.

ИЧК объединяет меры оценки различных характеристик человеческого капитала: здоровья (выживаемость детей, задержки роста у детей и выживаемость взрослых), а также качества и объема школьного обучения (ожидаемая продолжительность обучения в школе и результаты обучения). Из этих пяти компонентов труднее всего собирать данные о результатах обучения, поскольку не все страны участвуют в международных и региональных программах тестирования достижений учащихся. Участие в одной из крупных международных или региональных оценок результатов обучения – это одно из обязательных условий, а в ряде стран – главная трудность расчета Индекса человеческого капитала.

Обновленная версия ИЧК (2020 год) включает самые последние из всех доступных данных, на основе которых рассчитаны баллы для 174 стран; при этом по сравнению с версией 2018 года в индекс включены 17 новых стран. В версии 2020 года для каждого из компонентов ИЧК используются новые и расширенные данные, которые были доступны по состоянию на март 2020 года. Как и в 2018 году, данные были получены из официальных источников и прошли тщательную экспертизу и проверку. С учетом того, когда были собраны данные, эта версия может служить ориентиром в отношении объема человеческого капитала, накопленного к началу пандемии COVID-19.

Как показывает ИЧК-2020, на глобальном уровне до начала пандемии можно было ожидать, что ребенок как будущий работник, в среднем, реализует свой потенциал производительности на 56%. За этим среднемировым значением скрываются значительные различия между регионами и странами. В частности, можно было ожидать, что производительность ребенка, родившегося в стране с низким уровнем доходов, составит 37% от того уровня, которого он мог бы достичь, получив полное образование и обладая полноценным здоровьем. Для ребенка, родившегося в стране с высоким уровнем доходов, этот показатель составлял 70%.

16. В чем заключаются ограничения ИЧК?

Как и у всех других международных сравнительных исследований, у ИЧК есть определенные ограничения.

Такие компоненты ИЧК, как задержки роста у детей и тестовые баллы, в ряде стран измеряются нечасто, а в некоторых странах вообще не измеряются. В странах, где записи актов гражданского состояния носят неполный характер или отсутствуют, нет точных оценок некоторых других компонентов (например, выживаемости детей и взрослых). Данные об уровне охвата детей школьным образованием, необходимые для оценки ожидаемой продолжительности обучения в школе, нередко являются неполными и поступают с большим опозданием. В результате ИЧК той или иной страны может рассчитываться по устаревшим данным, не отражающим текущее состояние человеческого капитала страны.

Работа по гармонизации тестовых баллов предусматривает перевод в общие единицы тестовых баллов, набранных в рамках различных международных программ тестирования. Однако эти программы различаются по возрасту участников тестов и рассматриваемым предметам. В результате гармонизированные баллы могут отражать различия в методиках формирования выборки и когортах тестируемых (Liu and Steiner-Khamsi 2020). Более того, тестовые баллы не всегда точно отражают качество всей системы образования страны: это зависит от степени репрезентативности участников тестов для всего контингента учащихся. Надежных показателей качества высшего образования пока нет, несмотря на большое значение высшего образования для формирования человеческого капитала в стремительно меняющемся мире. Кроме того, индекс не позволяет однозначно оценить другую важную характеристику человеческого капитала – некогнитивные навыки – хотя они могут вносить прямой и косвенный вклад в формирование человеческого капитала (см., например, работу Lundberg 2018).

Одна из целей ИЧК заключается в том, чтобы привлечь внимание к этим информационным недоработкам и побудить к принятию мер по их устранению. Для совершенствования данных потребуется определенное время, а до тех пор с учетом этих ограничений ИЧК следует интерпретировать осторожно. ИЧК представляет собой не точно градуированную меру небольших различий между странами, а приблизительную оценку того, как нынешний уровень образования и текущее состояние здоровья будут определять производительность будущих работников.

I. Анализ ИЧК

17. Как развивался Индекс человеческого капитала с момента запуска первой версии в 2018 году?

ИЧК был впервые представлен на Ежегодном совещании Группы Всемирного банка в октябре 2018 года, и в обновленной версии, выпущенной в сентябре 2020 года, использовалась та же методология, что и в 2018 году.

Обновление, проведенное в 2020 году, позволило получить более свежие данные для всех компонентов индекса, увеличить число стран, которые охватывает индекс, расширить разбивку по гендерному признаку и измерить прогресс в развитии человеческого капитала с течением времени путем сопоставления данных ИЧК-2020 с данными предыдущих версий ИЧК.

Не менее важно то, что версия глобального ИЧК, выпущенная в 2020 году, дает представление о состоянии человеческого капитала накануне пандемии COVID-19.

Помимо обновления глобального индекса, измеряющего показатели на уровне стран, был проведен более глубокий анализ (дезагрегирование) данных ИЧК i) на субнациональном уровне и ii) в разбивке по социально-экономическому положению. Более подробная информация об этой работе приведена в публикации «Выводы, вытекающие из результатов дезагрегирования Индекса человеческого капитала».

Дезагрегирование данных ИЧК на субнациональном уровне проводилось для 20 с лишним стран и при наличии актуальных репрезентативных данных может быть проведено на любом субнациональном уровне.

Что касается ИЧК, дезагрегированного по социально-экономическому положению (ИЧК-СЭП), первоисточником, где описана вся методология, является Рабочий документ по вопросам стратегических исследований 9020 (авторы D’Souza, Gatti и Kraay). В настоящее время данные ИЧК-СЭП имеются более, чем для 50 стран (в основном, стран с доходами ниже и выше среднего уровня).

18. Что показывает Индекс человеческого капитала в разбивке по девочкам и мальчикам?

В ИЧК-2020 больше внимания уделяется дезагрегированию по гендерному признаку. В версии 2020 года ИЧК может вычисляться отдельно для мальчиков и девочек в 153 из 174 охваченных стран (в индексе 2018 года это было возможно для 126 из 157 стран). Кроме того, в версии 2020 года ИЧК рассчитывается для 2010 года, причем отдельно для мальчиков и девочек он может вычисляться в 90 из 103 стран, вошедших в индекс 2010 года.

Для остальных стран это невозможно сделать вследствие отсутствия данных о тестовых баллах в разбивке по гендерному признаку. Среди этих стран непропорционально большую часть составляют страны с низким уровнем доходов, что подчеркивает необходимость дальнейших инвестиций в совершенствование систем сбора и обработки данных.

Многие страны добились прогресса на пути сокращения разрыва между девочками и мальчиками в части результатов развития человеческого капитала. В большинстве стран расстояние, отделяющее детей в целом от достижения оптимального уровня развития человеческого капитала, значительно превышает все оставшиеся расхождения в показателях между мальчиками и девочками. В сфере образования, в странах со средним и высоким уровнями доходов девочки в основном догнали или даже перегнали мальчиков по таким показателям, как охват системой образования и обучение. А по некоторым показателям индекса, связанным со здоровьем, в большинстве стран девочки имеют некоторое преимущество перед мальчиками.

Выпущенная в 2020 году версия ИЧК ограничена по своему охвату и не отражает некоторых важных различий в результатах развития человеческого капитала между девочками и мальчиками. В частности, она не измеряет распространенности селективных абортов по половому признаку и количества “недостающих девочек”. Она опирается на косвенные показатели распространенности болезней, которые сами по себе не дают достаточной информации о том, как гендерные роли и отношения между мужчинами и женщинами формируют такой уровень распространенности. Девочки по-прежнему сталкиваются с более значительными трудностями в тех областях, которые не нашли отражения в ИЧК. Брак в несовершеннолетнем возрасте, домашние обязанности, подростковая беременность и гендерное насилие в школах – все это затрудняет для девочек продолжение учебы, особенно для девочек из бедных семей.

Несмотря на расширение охвата девочек системой образования, посещаемость и завершение полного курса обучения остаются проблемой как для мальчиков, так и для девочек, особенно на уровне средней школы. Когда девочки вырастают и выходят на рынок труда, они испытывают дополнительные трудности в получении отдачи от накопленного ими человеческого капитала. К ним относятся профессиональная сегрегация по признаку пола, отсутствие услуг по уходу за детьми и адекватной политики в отношении отпусков, сексуальные домогательства, небезопасный транспорт, дифференцированные ограничения в вопросах доступа к финансам и рынкам, а также нормативно-правовые барьеры, мешающие женщинам открывать и развивать свой бизнес.

Эти ограничения должны быть устранены, чтобы все люди могли воспользоваться плодами инвестиций в человеческий капитал. Недавно был разработан новый ИЧК, скорректированный с учетом использования человеческого капитала (ИЧК-И), который предполагает корректировку значения ИЧК с учетом различий между мужчинами и женщинами по уровню активности на рынке труда. Как показывает ИЧК-И, для многих стран характерна более высокая доля женщин, чей человеческий капитал остается неиспользованным вследствие более низких уровней занятости и экономической активности.

19. Как повлияла на Индекс человеческого капитала пандемия COVID-19?

Пандемия COVID-19 ставит под угрозу с трудом завоеванные достижения в области развития человеческого капитала. Один из уроков прошлых пандемий и кризисов заключается в том, что их последствия ощущают не только те, кто был затронут напрямую: они нередко вызывают эффект домино, сказываясь на других группах населения, а во многих случаях и на других поколениях.

Методологию расчета ИЧК можно использовать для количественной оценки некоторых возможных воздействий COVID-19 на будущий человеческий капитал детей и молодежи. Что касается маленьких детей – тех, кто родился во время пандемии, или тех, кому сейчас меньше пяти лет – то сбои в работе систем здравоохранения, ограничение доступа к медицинским услугам и сокращение семейного дохода в дальнейшем материализуются в виде повышения уровня детской смертности, детского недоедания и задержек в росте. Поскольку задержки в росте и результаты обучения тесно связаны между собой, пандемия может надолго ухудшить образовательные результаты детей на более поздних этапах их жизни. Как показывают первые модельные расчеты на основе ИЧК, можно предположить, что в странах с низким уровнем доходов человеческий капитал сегодняшних маленьких детей будет примерно на 1% ниже уровня, который мог быть достигнут в отсутствие COVID-19.

В разгар пандемии во всем мире было почти 1,6 млрд детей, которые не ходили в школу. Для большинства детей школьного возраста пандемия означала прекращение формального очного обучения. Поскольку страны и даже регионы внутри одной страны имеют разные возможности в части организации и обеспечения доступа к дистанционным формам обучения, можно ожидать значительных потерь в учебе и обучении. Потери доходов, связанные с COVID-19, также приведут к тому, что многие дети будут вынуждены покинуть школу. Вместе взятые, эти последствия могут стать причиной того, что в результате пандемии среднемировой показатель продолжительности обучения в школе с поправкой на качество образования снизится на полгода – с 7,8 года до 7,3 года. Если говорить о самом ИЧК, то такое снижение означает, что у когорты современных детей значение ИЧК падает почти на 4,5%. Для страны с показателем ИЧК 0,50 это означает потерю 0,025 пункта ИЧК, что по порядку величины аналогично приросту ИЧК, которого многие страны добились в течение последнего десятилетия.

Если сейчас не будут приняты эффективные меры реагирования, негативное воздействие пандемии на человеческий капитал, скорее всего, будет вызывать дальнейшее снижение производительности и ухудшение перспектив экономического роста стран в течение многих десятилетий. Через 20 лет те, кто во время пандемии COVID-19 ходили в школу или были младше 5 лет, будут составлять около 46% рабочей силы типичной страны (лица в возрасте от 20 до 65 лет). На тот момент показатель ИЧК типичной страны может быть по-прежнему ниже почти на целый пункт ИЧК (0,01) вследствие COVID-19. Таким образом, даже несмотря на то, что пандемия COVID-19 – временное потрясение, она может отбросить назад нынешних детей на всю оставшуюся жизнь.

20. Что такое ИЧК, скорректированный с учетом использования человеческого капитала?

Во многих странах, когда сегодняшний ребенок станет будущим работником, он может не найти работу, но даже если найдет, эта работа может оказаться не той, где у него будет возможность в полной мере использовать свои навыки и когнитивные способности с целью повышения производительности. В таких случаях можно считать, что человеческий капитал работников используется не полностью. Признавая большое значение такого развития событий и для отдельных людей, и для государственной политики, Индекс человеческого капитала, скорректированный с учетом использования человеческого капитала (ИЧК-И), делает поправку на неполное использование человеческого капитала на рынке труда. Его можно рассчитать более чем для 160 стран (Pennings 2020).

ИЧК-И можно измерить двумя способами. В рамках «базового ИЧК-И» степень использования человеческого капитала определяется как доля занятого населения работоспособного возраста. Этот показатель прост и понятен, однако он не отражает того факта, что в развивающихся странах значительная доля занятости приходится на рабочие места, где у работников может не быть возможности в полном объеме использовать свой человеческий капитал для повышения производительности. В рамках «полномасштабного ИЧК-И» это корректируется за счет введения понятия «более качественной занятости», которое определяется как несельскохозяйственная занятость плюс работодатели – именно эти виды рабочих мест наиболее распространены в странах с высоким уровнем производительности.

В полномасштабной версии коэффициент использования человеческого капитала зависит от того, какая доля работоспособного населения страны имеет «более качественную занятость». Страны, где выше значения ИЧК, несут более значительные потери при низких уровнях более качественной занятости, поскольку они недоиспользуют больший объем человеческого капитала.

При том, что отдельные страны получают разные баллы в случае применения разных методологий, и базовая, и полномасштабная версии дают примерно одинаковые коэффициенты использования человеческого капитала для стран в разбивке по уровню доходов, для регионов, а также в целом. В среднем, коэффициенты использования человеческого капитала составляют около 0,6, однако кривые их зависимости от уровня доходов стран на душу населения имеют U-образную форму, причем самые низкие значения коэффициентов приходятся на широкий круг стран с доходами ниже среднего уровня. Анализ недоиспользования человеческого капитала говорит о том, что в мире, где существует полноценный человеческий капитал, используемый в полном объеме, уровень доходов на душу населения в долгосрочной перспективе может увеличиться почти в три раза.

Обе версии ИЧК-И свидетельствуют о совершенно иных гендерных разрывах по сравнению с расчетами, полученными с помощью ИЧК. Если ИЧК имеет примерно одинаковые значения для мальчиков и девочек с небольшим преимуществом у девочек (в среднем), то значения ИЧК-И для женщин ниже, чем для мужчин, практически во всех странах, что связано с более низкими коэффициентами использования их человеческого капитала. В целом, базовые коэффициенты использования (занятость) для женщин на 20 процентных пунктов ниже, чем для мужчин, а в таких регионах, как Ближний Восток, Северная Африка и Южная Азия, этот разрыв достигает более 40 процентных пунктов. Кривые, иллюстрирующие зависимость уровня занятости от уровня доходов стран, для женщин имеют четкую U-образную форму, а для мужчин они гораздо более пологие с меньшим разбросом между странами. В полномасштабной версии ИЧК-И тоже есть гендерный разрыв, хотя и не столь значительный. Как показывают эти результаты, несмотря на сокращение разрыва в уровне развития человеческого капитала между мальчиками и девочками, а также между юношами и девушками, которое произошло за последние двадцать лет (особенно в образовании), важные задачи, связанные с преобразованием этих достижений в возможности для женщин, еще не решены.

21. Чем Индекс человеческого капитала отличается от Индекса человеческого развития ПРООН?

Разработанный ПРООН инновационный Индекс человеческого развития представляет собой интегральный показатель усредненного прогресса по трем ключевым характеристикам человеческого развития: долгая и здоровая жизнь, получение знаний и достойный уровень жизни.

При том, что оба индекса фокусируют внимание на человеческих способностях как важнейшем факторе развития страны, Индекс человеческого капитала также ставит акцент на экономической обоснованности инвестиций в людей. Эти два индекса отлично дополняют друг друга, но формулируются по-разному.

Индекс человеческого капитала увязывает отдельные результаты в области развития человеческого капитала с уровнями производительности и доходов. Он представляет собой прогнозный показатель того, как текущее состояние здоровья и нынешний уровень образования (включая новую метрику «продолжительность обучения в школе с поправкой на качество образования») будут определять производительность следующего поколения работников.

22. Как Индекс человеческого капитала связан с Целями в области устойчивого развития (ЦУР)?

Компоненты индекса (выживаемость, обучение в школе и здоровье) напрямую связаны, как минимум, с тремя глобальными целями, которые должны быть достигнуты странами мира к 2030 году.

Снижение смертности детей в возрасте до пяти лет. Включая показатель смертности детей в возрасте до пяти лет, индекс устанавливает связь с ЦУР 3.2 – уменьшить неонатальную смертность до 12 или менее случаев на 1000 живорождений, а смертность в возрасте до 5 лет – до 25 или менее случаев на 1000 живорождений.

Продолжительность обучения в школе с поправкой на качество образования. Индекс вводит этот инновационный показатель обучения в поддержку ЦУР 4.1 – обеспечить, среди прочего, завершение получения равноправного и качественного начального и среднего образования. Отслеживая изменения в ожидаемой продолжительности обучения с поправкой на качество образования, страны получат возможность осуществлять мониторинг своего прогресса в достижении этой цели в области образования.

Здоровье. Индекс включает показатель выживаемости взрослых и распространенности задержек роста у детей. Показатель выживаемости взрослых представляет собой вероятность того, что 15-летний подросток доживет до 60 лет. Для улучшения этого показателя странам необходимо работать над сокращением причин преждевременной смертности, что будет также способствовать достижению ЦУР 3.4. Распространенность задержек роста среди детей в возрасте до пяти лет – один из ключевых показателей, влияющих на достижение ЦУР 2.2, предусматривающей искоренение к 2030 году всех форм недоедания.

Этот индекс призван привлечь внимание к широкому кругу мер в различных секторах экономики, которые могут способствовать росту человеческого капитала и ускорить достижение ЦУР.

23. Отражает ли Индекс человеческого капитала все характеристики человеческого капитала?

Все характеристики, которые отражает ИЧК, имеют большое значение, однако не всё, что имеет большое значение, нашло отражение в ИЧК. В дальнейшем индекс может быть усовершенствован и расширен.

Начиная с октября 2020 года, в краткие справки об ИЧК стран входит ряд тщательно отобранных дополнительных показателей, представляющих ИЧК в более широком региональном и национальном контексте развития человеческого капитала.

В вопросах развития человеческого капитала, как и во всех других вопросах, связанных с данными в области развития, Группа Всемирного банка тесно взаимодействует со странами-членами, помогая им наращивать потенциал и повышать качество данных.

Запрос на получение информации можно отправить на следующий адрес: humancapital@worldbank.org

Открытый курс машинного обучения. Тема 4. Линейные модели классификации и регрессии

Сегодня мы детально обсудим очень важный класс моделей машинного обучения – линейных. Ключевое отличие нашей подачи материала от аналогичной в курсах эконометрики и статистики – это акцент на практическом применении линейных моделей в реальных задачах (хотя и математики тоже будет немало).

Пример такой задачи – это соревнование Kaggle Inclass по идентификации пользователя в Интернете по его последовательности переходов по сайтам.

UPD 01.2022: С февраля 2022 г. ML-курс ODS на русском возрождается под руководством Петра Ермакова couatl. Для русскоязычной аудитории это предпочтительный вариант (c этими статьями на Хабре – в подкрепление), англоговорящим рекомендуется mlcourse.ai в режиме самостоятельного прохождения.

Все материалы доступны на GitHub.
А вот видеозапись лекции по мотивам этой статьи в рамках второго запуска открытого курса (сентябрь-ноябрь 2017). В ней, в частности, рассмотрены два бенчмарка соревнования, полученные с помощью логистической регрессии.

Список статей серии

Первичный анализ данных с Pandas
Визуальный анализ данных c Python
Классификация, деревья решений и метод ближайших соседей
Линейные модели классификации и регрессии
Композиции: бэггинг, случайный лес
Построение и отбор признаков
Обучение без учителя: PCA, кластеризация
Обучение на гигабайтах c Vowpal Wabbit
Анализ временных рядов с помощью Python
Градиентный бустинг

План этой статьи:

Линейная регрессия
- Метод наименьших квадратов
- Метод максимального правдоподобия
- Разложение ошибки на смещение и разброс (Bias-variance decomposition)
- Регуляризация линейной регрессии
Логистическая регрессия
- Линейный классификатор
- Логистическая регрессия как линейный классификатор
- Принцип максимального правдоподобия и логистическая регрессия
- L2-регуляризация логистической функции потерь
Наглядный пример регуляризации логистической регрессии
Где логистическая регрессия хороша и где не очень
-Анализ отзывов IMDB к фильмам
-XOR-проблема
Кривые валидации и обучения
Плюсы и минусы линейных моделей в задачах машинного обучения
Домашнее задание №4
Полезные ресурсы

1. Линейная регрессия

Метод наименьших квадратов

Рассказ про линейные модели мы начнем с линейной регрессии. В первую очередь, необходимо задать модель зависимости объясняемой переменной от объясняющих ее факторов, функция зависимости будет линейной: . Если мы добавим фиктивную размерность для каждого наблюдения, тогда линейную форму можно переписать чуть более компактно, записав свободный член под сумму: . Если рассматривать матрицу наблюдения-признаки, у которой в строках находятся примеры из набора данных, то нам необходимо добавить единичную колонку слева. Зададим модель следующим образом:

– объясняемая (или целевая) переменная;
– вектор параметров модели (в машинном обучении эти параметры часто называют весами);
– матрица наблюдений и признаков размерности строк на столбцов (включая фиктивную единичную колонку слева) с полным рангом по столбцам: ;
– случайная переменная, соответствующая случайной, непрогнозируемой ошибке модели.

Можем выписать выражение для каждого конкретного наблюдения

Также на модель накладываются следующие ограничения (иначе это будет какая то другая регрессия, но точно не линейная):

матожидание случайных ошибок равно нулю: ;
дисперсия случайных ошибок одинакова и конечна, это свойство называется гомоскедастичностью: ;
случайные ошибки не скоррелированы: .

Оценка весов называется линейной, если

где зависит только от наблюдаемых данных и почти наверняка нелинейно. Так как решением задачи поиска оптимальных весов будет именно линейная оценка, то и модель называется линейной регрессией. Введем еще одно определение. Оценка называется несмещенной тогда, когда матожидание оценки равно реальному, но неизвестному значению оцениваемого параметра:

Один из способов вычислить значения параметров модели является метод наименьших квадратов (МНК), который минимизирует среднеквадратичную ошибку между реальным значением зависимой переменной и прогнозом, выданным моделью:

Для решения данной оптимизационной задачи необходимо вычислить производные по параметрам модели, приравнять их к нулю и решить полученные уравнения относительно (матричное дифференцирование неподготовленному читателю может показаться затруднительным, попробуйте расписать все через суммы, чтобы убедиться в ответе):

Шпаргалка по матричным производным

Итак, имея в виду все определения и условия описанные выше, мы можем утверждать, опираясь на теорему Маркова-Гаусса, что оценка МНК является лучшей оценкой параметров модели, среди всех линейных и несмещенных оценок, то есть обладающей наименьшей дисперсией.

Метод максимального правдоподобия

У читателя вполне резонно могли возникнуть вопросы: например, почему мы минимизируем среднеквадратичную ошибку, а не что-то другое. Ведь можно минимизировать среднее абсолютное значение невязки или еще что-то. Единственное, что произойдёт в случае изменения минимизируемого значения, так это то, что мы выйдем из условий теоремы Маркова-Гаусса, и наши оценки перестанут быть лучшими среди линейных и несмещенных.

Давайте перед тем как продолжить, сделаем лирическое отступление, чтобы проиллюстрировать метод максимального правдоподобия на простом примере.

Как-то после школы я заметил, что все помнят формулу этилового спирта. Тогда я решил провести эксперимент: помнят ли люди более простую формулу метилового спирта: . Мы опросили 400 человек и оказалось, что формулу помнят всего 117 человек. Разумно предположить, что вероятность того, что следующий опрошенный знает формулу метилового спирта – . Покажем, что такая интуитивно понятная оценка не просто хороша, а еще и является оценкой максимального правдоподобия.

Разберемся, откуда берется эта оценка, а для этого вспомним определение распределения Бернулли: случайная величина имеет распределение Бернулли, если она принимает всего два значения ( и с вероятностями и соответственно) и имеет следующую функцию распределения вероятности:

Похоже, это распределение – то, что нам нужно, а параметр распределения и есть та оценка вероятности того, что человек знает формулу метилового спирта. Мы проделали независимых экспериментов, обозначим их исходы как . Запишем правдоподобие наших данных (наблюдений), то есть вероятность наблюдать 117 реализаций случайной величины и 283 реализации :

Далее будем максимизировать это выражение по , и чаще всего это делают не с правдоподобием , а с его логарифмом (применение монотонного преобразования не изменит решение, но упростит вычисления):

Теперь мы хотим найти такое значение , которое максимизирует правдоподобие, для этого мы возьмем производную по , приравняем к нулю и решим полученное уравнение:

Получается, что наша интуитивная оценка – это и есть оценка максимального правдоподобия. Применим теперь те же рассуждения для задачи линейной регрессии и попробуем выяснить, что лежит за среднеквадратичной ошибкой. Для этого нам придется посмотреть на линейную регрессию с вероятностной точки зрения. Модель, естественно, остается такой же:

но будем теперь считать, что случайные ошибки берутся из центрированного нормального распределения:

Перепишем модель в новом свете:

Так как примеры берутся независимо (ошибки не скоррелированы – одно из условий теоремы Маркова-Гаусса), то полное правдоподобие данных будет выглядеть как произведение функций плотности . Рассмотрим логарифм правдоподобия, что позволит нам перейти от произведения к сумме:

Мы хотим найти гипотезу максимального правдоподобия, т.е. нам нужно максимизировать выражение , а это то же самое, что и максимизация его логарифма. Обратите внимание, что при максимизации функции по какому-то параметру можно выкинуть все члены, не зависящие от этого параметра:

Таким образом, мы увидели, что максимизация правдоподобия данных – это то же самое, что и минимизация среднеквадратичной ошибки (при справедливости указанных выше предположений). Получается, что именно такая функция стоимости является следствием того, что ошибка распределена нормально, а не как-то по-другому.

Разложение ошибки на смещение и разброс (Bias-variance decomposition)

Поговорим немного о свойствах ошибки прогноза линейной регрессии (в принципе эти рассуждения верны для всех алгоритмов машинного обучения). В свете предыдущего пункта мы выяснили, что:

истинное значение целевой переменной складывается из некоторой детерминированной функции и случайной ошибки : ;
ошибка распределена нормально с центром в нуле и некоторым разбросом: ;
истинное значение целевой переменной тоже распределено нормально:
мы пытаемся приблизить детерминированную, но неизвестную функцию линейной функцией от регрессоров , которая, в свою очередь, является точечной оценкой функции в пространстве функций (точнее, мы ограничили пространство функций параметрическим семейством линейных функций), т.е. случайной переменной, у которой есть среднее значение и дисперсия.

Тогда ошибка в точке раскладывается следующим образом:

Для наглядности опустим обозначение аргумента функций. Рассмотрим каждый член в отдельности, первые два расписываются легко по формуле :

И теперь последний член суммы. Мы помним, что ошибка и целевая переменная независимы друг от друга:

Наконец, собираем все вместе:

Итак, мы достигли цели всех вычислений, описанных выше, последняя формула говорит нам, что ошибка прогноза любой модели вида складывается из:

квадрата смещения: – средняя ошибка по всевозможным наборам данных;
дисперсии: – вариативность ошибки, то, на сколько ошибка будет отличаться, если обучать модель на разных наборах данных;
неустранимой ошибки: .

Если с последней мы ничего сделать не можем, то на первые два слагаемых мы можем как-то влиять. В идеале, конечно же, хотелось бы свести на нет оба этих слагаемых (левый верхний квадрат рисунка), но на практике часто приходится балансировать между смещенными и нестабильными оценками (высокая дисперсия).

Как правило, при увеличении сложности модели (например, при увеличении количества свободных параметров) увеличивается дисперсия (разброс) оценки, но уменьшается смещение. Из-за того что тренировочный набор данных полностью запоминается вместо обобщения, небольшие изменения приводят к неожиданным результатам (переобучение). Если же модель слабая, то она не в состоянии выучить закономерность, в результате выучивается что-то другое, смещенное относительно правильного решения.

Теорема Маркова-Гаусса как раз утверждает, что МНК-оценка параметров линейной модели является самой лучшей в классе несмещенных линейных оценок, то есть с наименьшей дисперсией. Это значит, что если существует какая-либо другая несмещенная модель тоже из класса линейных моделей, то мы можем быть уверены, что .

Регуляризация линейной регрессии

Иногда бывают ситуации, когда мы намеренно увеличиваем смещенность модели ради ее стабильности, т.е. ради уменьшения дисперсии модели . Одним из условий теоремы Маркова-Гаусса является полный столбцовый ранг матрицы . В противном случае решение МНК не существует, т.к. не будет существовать обратная матрица Другими словами, матрица будет сингулярна, или вырожденна. Такая задача называется некорректно поставленной. Задачу нужно скорректировать, а именно, сделать матрицу невырожденной, или регулярной (именно поэтому этот процесс называется регуляризацией). Чаще в данных мы можем наблюдать так называемую мультиколлинеарность — когда два или несколько признаков сильно коррелированы, в матрице это проявляется в виде «почти» линейной зависимости столбцов. Например, в задаче прогнозирования цены квартиры по ее параметрам «почти» линейная зависимость будет у признаков «площадь с учетом балкона» и «площадь без учета балкона». Формально для таких данных матрица будет обратима, но из-за мультиколлинеарности у матрицы некоторые собственные значения будут близки к нулю, а в обратной матрице появятся экстремально большие собственные значения, т.к. собственные значения обратной матрицы – это . Итогом такого шатания собственных значений станет нестабильная оценка параметров модели, т.е. добавление нового наблюдения в набор тренировочных данных приведёт к совершенно другому решению. Иллюстрации роста коэффициентов вы найдете в одном из наших прошлых постов. Одним из способов регуляризации является регуляризация Тихонова, которая в общем виде выглядит как добавление нового члена к среднеквадратичной ошибке:

Часто матрица Тихонова выражается как произведение некоторого числа на единичную матрицу: . В этом случае задача минимизации среднеквадратичной ошибки становится задачей с ограничением на норму. Если продифференцировать новую функцию стоимости по параметрам модели, приравнять полученную функцию к нулю и выразить , то мы получим точное решение задачи.

Такая регрессия называется гребневой регрессией (ridge regression). А гребнем является как раз диагональная матрица, которую мы прибавляем к матрице , в результате получается гарантированно регулярная матрица.

Такое решение уменьшает дисперсию, но становится смещенным, т.к. минимизируется также и норма вектора параметров, что заставляет решение сдвигаться в сторону нуля. На рисунке ниже на пересечении белых пунктирных линий находится МНК-решение. Голубыми точками обозначены различные решения гребневой регрессии. Видно, что при увеличении параметра регуляризации решение сдвигается в сторону нуля.

Советуем обратиться в наш прошлый пост за примером того, как регуляризация справляется с проблемой мультиколлинеарности, а также чтобы освежить в памяти еще несколько интерпретаций регуляризации.

2. Логистическая регрессия

Линейный классификатор

Основная идея линейного классификатора заключается в том, что признаковое пространство может быть разделено гиперплоскостью на два полупространства, в каждом из которых прогнозируется одно из двух значений целевого класса.
Если это можно сделать без ошибок, то обучающая выборка называется линейно разделимой.

Мы уже знакомы с линейной регрессией и методом наименьших квадратов. Рассмотрим задачу бинарной классификации, причем метки целевого класса обозначим «+1» (положительные примеры) и «-1» (отрицательные примеры).
Один из самых простых линейных классификаторов получается на основе регрессии вот таким образом:

– вектор признаков примера (вместе с единицей);
– веса в линейной модели (вместе со смещением );
– функция «сигнум», возвращающая знак своего аргумента;
– ответ классификатора на примере .

Логистическая регрессия как линейный классификатор

Логистическая регрессия является частным случаем линейного классификатора, но она обладает хорошим «умением» – прогнозировать вероятность отнесения примера к классу «+»:

Прогнозирование не просто ответа («+1» или «-1»), а именно вероятности отнесения к классу «+1» во многих задачах является очень важным бизнес-требованием. Например, в задаче кредитного скоринга, где традиционно применяется логистическая регрессия, часто прогнозируют вероятность невозврата кредита (). Клиентов, обратившихся за кредитом, сортируют по этой предсказанной вероятности (по убыванию), и получается скоркарта — по сути, рейтинг клиентов от плохих к хорошим. Ниже приведен игрушечный пример такой скоркарты.

Банк выбирает для себя порог предсказанной вероятности невозврата кредита (на картинке – ) и начиная с этого значения уже не выдает кредит. Более того, можно умножить предсказанную вероятность на выданную сумму и получить матожидание потерь с клиента, что тоже будет хорошей бизнес-метрикой (Далее в комментариях специалисты по скорингу могут поправить, но главная суть примерно такая).

Итак, мы хотим прогнозировать вероятность , а пока умеем строить линейный прогноз с помощью МНК: . Каким образом преобразовать полученное значение в вероятность, пределы которой – [0, 1]? Очевидно, для этого нужна некоторая функция В модели логистической регрессии для этого берется конкретная функция: . И сейчас разберемся, каковы для этого предпосылки.

Обозначим вероятностью происходящего события . Тогда отношение вероятностей определяется из , а это — отношение вероятностей того, произойдет ли событие или не произойдет. Очевидно, что вероятность и отношение шансов содержат одинаковую информацию. Но в то время как находится в пределах от 0 до 1, находится в пределах от 0 до .

Если вычислить логарифм (то есть называется логарифм шансов, или логарифм отношения вероятностей), то легко заметить, что . Его-то мы и будем прогнозировать с помощью МНК.

Посмотрим, как логистическая регрессия будет делать прогноз (пока считаем, что веса мы как-то получили (т.е. обучили модель), далее разберемся, как именно).

Шаг 1. Вычислить значение . (уравнение задает гиперплоскость, разделяющую примеры на 2 класса);
Шаг 2. Вычислить логарифм отношения шансов: .
Шаг 3. Имея прогноз шансов на отнесение к классу «+» – , вычислить с помощью простой зависимости:

В правой части мы получили как раз сигмоид-функцию.

Итак, логистическая регрессия прогнозирует вероятность отнесения примера к классу «+» (при условии, что мы знаем его признаки и веса модели) как сигмоид-преобразование линейной комбинации вектора весов модели и вектора признаков примера:

Следующий вопрос: как модель обучается? Тут мы опять обращаемся к принципу максимального правдоподобия.

Принцип максимального правдоподобия и логистическая регрессия

Теперь посмотрим, как из принципа максимального правдоподобия получается оптимизационная задача, которую решает логистическая регрессия, а именно, – минимизация логистической функции потерь.
Только что мы увидели, что логистическая регрессия моделирует вероятность отнесения примера к классу «+» как

Тогда для класса «-» аналогичная вероятность:

Оба этих выражения можно ловко объединить в одно (следите за моими руками – не обманывают ли вас):

Выражение называется отступом (margin) классификации на объекте (не путать с зазором (тоже margin), про который чаще всего говорят в контексте SVM). Если он неотрицателен, модель не ошибается на объекте , если же отрицателен – значит, класс для спрогнозирован неправильно.
Заметим, что отступ определен для объектов именно обучающей выборки, для которых известны реальные метки целевого класса .

Чтобы понять, почему это мы сделали такие выводы, обратимся к геометрической интерпретации линейного классификатора. Подробно про это можно почитать в материалах Евгения Соколова.

Рекомендую решить почти классическую задачу из начального курса линейной алгебры: найти расстояние от точки с радиус-вектором до плоскости, которая задается уравнением

Когда получим (или посмотрим) ответ, то поймем, что чем больше по модулю выражение , тем дальше точка находится от плоскости

Значит, выражение – это своего рода «уверенность» модели в классификации объекта :

если отступ большой (по модулю) и положительный, это значит, что метка класса поставлена правильно, а объект находится далеко от разделяющей гиперплоскости (такой объект классифицируется уверенно). На рисунке – .
если отступ большой (по модулю) и отрицательный, значит метка класса поставлена неправильно, а объект находится далеко от разделяющей гиперплоскости (скорее всего такой объект – аномалия, например, его метка в обучающей выборке поставлена неправильно). На рисунке – .
если отступ малый (по модулю), то объект находится близко к разделяющей гиперплоскости, а знак отступа определяет, правильно ли объект классифицирован. На рисунке – и .

Теперь распишем правдоподобие выборки, а именно, вероятность наблюдать данный вектор у выборки . Делаем сильное предположение: объекты приходят независимо, из одного распределения (i.i.d.). Тогда

где – длина выборки (число строк).

Как водится, возьмем логарифм данного выражения (сумму оптимизировать намного проще, чем произведение):

То есть в даном случае принцип максимизации правдоподобия приводит к минимизации выражения

Это логистическая функция потерь, просуммированная по всем объектам обучающей выборки.

Посмотрим на новую фунцию как на функцию от отступа: . Нарисуем ее график, а также график 1/0 функциий потерь (zero-one loss), которая просто штрафует модель на 1 за ошибку на каждом объекте (отступ отрицательный): .

Картинка отражает общую идею, что в задаче классификации, не умея напрямую минимизировать число ошибок (по крайней мере, градиентными методами это не сделать – производная 1/0 функциий потерь в нуле обращается в бесконечность), мы минимизируем некоторую ее верхнюю оценку. В данном случае это логистическая функция потерь (где логарифм двоичный, но это не принципиально), и справедливо

где – попросту число ошибок логистической регрессии с весами на выборке .

То есть уменьшая верхнюю оценку на число ошибок классификации, мы таким образом надеемся уменьшить и само число ошибок.

-регуляризация логистических потерь

L2-регуляризация логистической регрессии устроена почти так же, как и в случае с гребневой (Ridge регрессией). Вместо функционала минимизируется следующий:

В случае логистической регрессии принято введение обратного коэффициента регуляризации . И тогда решением задачи будет

Далее рассмотрим пример, позволяющий интуитивно понять один из смыслов регуляризации.

3. Наглядный пример регуляризации логистической регрессии

В 1 статье уже приводился пример того, как полиномиальные признаки позволяют линейным моделям строить нелинейные разделяющие поверхности. Покажем это в картинках.

Посмотрим, как регуляризация влияет на качество классификации на наборе данных по тестированию микрочипов из курса Andrew Ng по машинному обучению.
Будем использовать логистическую регрессию с полиномиальными признаками и варьировать параметр регуляризации C.
Сначала посмотрим, как регуляризация влияет на разделяющую границу классификатора, интуитивно распознаем переобучение и недообучение.
Потом численно установим близкий к оптимальному параметр регуляризации с помощью кросс-валидации (cross-validation) и перебора по сетке (GridSearch).

Подключение библиотек

from __future__ import division, print_function # отключим всякие предупреждения Anaconda import warnings warnings.filterwarnings('ignore') %matplotlib inline from matplotlib import pyplot as plt import seaborn as sns import numpy as np import pandas as pd from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LogisticRegression, LogisticRegressionCV from sklearn.model_selection import cross_val_score, StratifiedKFold from sklearn.model_selection import GridSearchCV

Загружаем данные с помощью метода read_csv библиотеки pandas. В этом наборе данных для 118 микрочипов (объекты) указаны результаты двух тестов по контролю качества (два числовых признака) и сказано, пустили ли микрочип в производство. Признаки уже центрированы, то есть из всех значений вычтены средние по столбцам. Таким образом, «среднему» микрочипу соответствуют нулевые значения результатов тестов.

Загрузка данных

data = pd.read_csv('../../data/microchip_tests.txt', header=None, names = ('test1','test2','released')) # информация о наборе данных data.info()

RangeIndex: 118 entries, 0 to 117
Data columns (total 3 columns):
test1 118 non-null float64
test2 118 non-null float64
released 118 non-null int64
dtypes: float64(2), int64(1)
memory usage: 2.8 KB

Посмотрим на первые и последние 5 строк.

Сохраним обучающую выборку и метки целевого класса в отдельных массивах NumPy. Отобразим данные. Красный цвет соответствует бракованным чипам, зеленый – нормальным.

X = data.ix[. 2].values y = data.ix[:,2].values

plt.scatter(X[y == 1, 0], X[y == 1, 1], c='green', label='Выпущен') plt.scatter(X[y == 0, 0], X[y == 0, 1], c='red', label='Бракован') plt.xlabel("Тест 1") plt.ylabel("Тест 2") plt.title('2 теста микрочипов') plt.legend();

Определяем функцию для отображения разделяющей кривой классификатора

def plot_boundary(clf, X, y, grid_step=.01, poly_featurizer=None): x_min, x_max = X[:, 0].min() - .1, X[:, 0].max() + .1 y_min, y_max = X[:, 1].min() - .1, X[:, 1].max() + .1 xx, yy = np.meshgrid(np.arange(x_min, x_max, grid_step), np.arange(y_min, y_max, grid_step)) # каждой точке в сетке [x_min, m_max]x[y_min, y_max] # ставим в соответствие свой цвет Z = clf.predict(poly_featurizer.transform(np.c_[xx.ravel(), yy.ravel()])) Z = Z.reshape(xx.shape) plt.contour(xx, yy, Z, cmap=plt.cm.Paired)

Полиномиальными признаками до степени для двух переменных и мы называем следующие:

Например, для это будут следующие признаки:

Нарисовав треугольник Пифагора, Вы сообразите, сколько таких признаков будет для и вообще для любого .
Попросту говоря, таких признаков экспоненциально много, и строить, скажем, для 100 признаков полиномиальные степени 10 может оказаться затратно (а более того, и не нужно).

Создадим объект sklearn, который добавит в матрицу полиномиальные признаки вплоть до степени 7 и обучим логистическую регрессию с параметром регуляризации . Изобразим разделяющую границу.
Также проверим долю правильных ответов классификатора на обучающей выборке. Видим, что регуляризация оказалась слишком сильной, и модель «недообучилась». Доля правильных ответов классификатора на обучающей выборке оказалась равной 0.627.

poly = PolynomialFeatures(degree=7) X_poly = poly.fit_transform(X)

C = 1e-2 logit = LogisticRegression(C=C, n_jobs=-1, random_state=17) logit.fit(X_poly, y) plot_boundary(logit, X, y, grid_step=.01, poly_featurizer=poly) plt.scatter(X[y == 1, 0], X[y == 1, 1], c='green', label='Выпущен') plt.scatter(X[y == 0, 0], X[y == 0, 1], c='red', label='Бракован') plt.xlabel("Тест 1") plt.ylabel("Тест 2") plt.title('2 теста микрочипов. Логит с C=0.01') plt.legend(); print("Доля правильных ответов классификатора на обучающей выборке:", round(logit.score(X_poly, y), 3))

Увеличим до 1. Тем самым мы ослабляем регуляризацию, теперь в решении значения весов логистической регрессии могут оказаться больше (по модулю), чем в прошлом случае. Теперь доля правильных ответов классификатора на обучающей выборке – 0.831.

C = 1 logit = LogisticRegression(C=C, n_jobs=-1, random_state=17) logit.fit(X_poly, y) plot_boundary(logit, X, y, grid_step=.005, poly_featurizer=poly) plt.scatter(X[y == 1, 0], X[y == 1, 1], c='green', label='Выпущен') plt.scatter(X[y == 0, 0], X[y == 0, 1], c='red', label='Бракован') plt.xlabel("Тест 1") plt.ylabel("Тест 2") plt.title('2 теста микрочипов. Логит с C=1') plt.legend(); print("Доля правильных ответов классификатора на обучающей выборке:", round(logit.score(X_poly, y), 3))

Еще увеличим – до 10 тысяч. Теперь регуляризации явно недостаточно, и мы наблюдаем переобучение. Можно заметить, что в прошлом случае (при =1 и «гладкой» границе) доля правильных ответов модели на обучающей выборке не намного ниже, чем в 3 случае, зато на новой выборке, можно себе представить, 2 модель сработает намного лучше.
Доля правильных ответов классификатора на обучающей выборке – 0.873.

C = 1e4 logit = LogisticRegression(C=C, n_jobs=-1, random_state=17) logit.fit(X_poly, y) plot_boundary(logit, X, y, grid_step=.005, poly_featurizer=poly) plt.scatter(X[y == 1, 0], X[y == 1, 1], c='green', label='Выпущен') plt.scatter(X[y == 0, 0], X[y == 0, 1], c='red', label='Бракован') plt.xlabel("Тест 1") plt.ylabel("Тест 2") plt.title('2 теста микрочипов. Логит с C=10k') plt.legend(); print("Доля правильных ответов классификатора на обучающей выборке:", round(logit.score(X_poly, y), 3))

Чтоб обсудить результаты, перепишем формулу для функционала, который оптимизируется в логистической регрессии, в таком виде:

– логистическая функция потерь, просуммированная по всей выборке
– обратный коэффициент регуляризации (тот самый в sklearn-реализации LogisticRegression)

Промежуточные выводы:

чем больше параметр , тем более сложные зависимости в данных может восстанавливать модель (интуитивно соответствует «сложности» модели (model capacity))
если регуляризация слишком сильная (малые значения ), то решением задачи минимизации логистической функции потерь может оказаться то, когда многие веса занулились или стали слишком малыми. Еще говорят, что модель недостаточно «штрафуется» за ошибки (то есть в функционале «перевешивает» сумма квадратов весов, а ошибка может быть относительно большой). В таком случае модель окажется недообученной (1 случай)
наоборот, если регуляризация слишком слабая (большие значения ), то решением задачи оптимизации может стать вектор с большими по модулю компонентами. В таком случае больший вклад в оптимизируемый функционал имеет и, вольно выражаясь, модель слишком «боится» ошибиться на объектах обучающей выборки, поэтому окажется переобученной (3 случай)
то, какое значение выбрать, сама логистическая регрессия «не поймет» (или еще говорят «не выучит»), то есть это не может быть определено решением оптимизационной задачи, которой является логистическая регрессия (в отличие от весов ). Так же точно, дерево решений не может «само понять», какое ограничение на глубину выбрать (за один процесс обучения). Поэтому – это гиперпараметр модели, который настраивается на кросс-валидации, как и max_depth для дерева.

Настройка параметра регуляризации

Теперь найдем оптимальное (в данном примере) значение параметра регуляризации . Сделать это можно с помощью LogisticRegressionCV – перебора параметров по сетке с последующей кросс-валидацией. Этот класс создан специально для логистической регрессии (для нее известны эффективные алгоритмы перебора параметров), для произвольной модели мы бы использовали GridSearchCV, RandomizedSearchCV или, например, специальные алгоритмы оптимизации гиперпараметров, реализованные в hyperopt.

 skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=17) c_values = np.logspace(-2, 3, 500) logit_searcher = LogisticRegressionCV(Cs=c_values, cv=skf, verbose=1, n_jobs=-1) logit_searcher.fit(X_poly, y)

Посмотрим, как качество модели (доля правильных ответов на обучающей и валидационной выборках) меняется при изменении гиперпараметра .

Выделим участок с «лучшими» значениями C.

Как мы помним, такие кривые называются валидационными, раньше мы их строили вручную, но в sklearn для них их построения есть специальные методы, которые мы тоже сейчас будем использовать.

4. Где логистическая регрессия хороша и где не очень

Анализ отзывов IMDB к фильмам

Будем решать задачу бинарной классификации отзывов IMDB к фильмам. Имеется обучающая выборка с размеченными отзывами, по 12500 отзывов известно, что они хорошие, еще про 12500 – что они плохие. Здесь уже не так просто сразу приступить к машинному обучению, потому что готовой матрицы нет – ее надо приготовить. Будем использовать самый простой подход – мешок слов («Bag of words»). При таком подходе признаками отзыва будут индикаторы наличия в нем каждого слова из всего корпуса, где корпус – это множество всех отзывов. Идея иллюстрируется картинкой

Импорт библиотек и загрузка данных

from __future__ import division, print_function # отключим всякие предупреждения Anaconda import warnings warnings.filterwarnings('ignore') import numpy as np import matplotlib.pyplot as plt %matplotlib inline import seaborn as sns import numpy as np from sklearn.datasets import load_files from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer, TfidfVectorizer from sklearn.linear_model import LogisticRegression from sklearn.svm import LinearSVC

Загрузим данные отсюда (краткое описание — тут). В обучающей и тестовой выборках по 12500 тысяч хороших и плохих отзывов к фильмам.

reviews_train = load_files("YOUR PATH") text_train, y_train = reviews_train.data, reviews_train.target

print("Number of documents in training data: %d" % len(text_train)) print(np.bincount(y_train))

# поменяйте путь к файлу reviews_test = load_files("YOUR PATH") text_test, y_test = reviews_test.data, reviews_test.target print("Number of documents in test data: %d" % len(text_test)) print(np.bincount(y_test))

Пример плохого отзыва:

‘Words can\’t describe how bad this movie is. I can\’t explain it by writing only. You have too see it for yourself to get at grip of how horrible a movie really can be. Not that I recommend you to do that. There are so many clich\xc3\xa9s, mistakes (and all other negative things you can imagine) here that will just make you cry. To start with the technical first, there are a LOT of mistakes regarding the airplane. I won\’t list them here, but just mention the coloring of the plane. They didn\’t even manage to show an airliner in the colors of a fictional airline, but instead used a 747 painted in the original Boeing livery. Very bad. The plot is stupid and has been done many times before, only much, much better. There are so many ridiculous moments here that i lost count of it really early. Also, I was on the bad guys\’ side all the time in the movie, because the good guys were so stupid. «Executive Decision» should without a doubt be you\’re choice over this one, even the «Turbulence»-movies are better. In fact, every other movie in the world is better than this one.’

Пример хорошего отзыва:

‘Everyone plays their part pretty well in this «little nice movie». Belushi gets the chance to live part of his life differently, but ends up realizing that what he had was going to be just as good or maybe even better. The movie shows us that we ought to take advantage of the opportunities we have, not the ones we do not or cannot have. If U can get this movie on video for around $10, it\xc2\xb4d be an investment!’

Простой подсчет слов

Составим словарь всех слов с помощью CountVectorizer. Всего в выборке 74849 уникальных слов. Если посмотреть на примеры полученных «слов» (лучше их называть токенами), то можно увидеть, что многие важные этапы обработки текста мы тут пропустили (автоматическая обработка текстов – это могло бы быть темой отдельной серии статей).

cv = CountVectorizer() cv.fit(text_train) print(len(cv.vocabulary_)) #74849

print(cv.get_feature_names()[:50]) print(cv.get_feature_names()[50000:50050])

[’00’, ‘000’, ‘0000000000001’, ‘00001’, ‘00015’, ‘000s’, ‘001’, ‘003830’, ‘006’, ‘007’, ‘0079’, ‘0080’, ‘0083’, ‘0093638’, ’00am’, ’00pm’, ’00s’, ’01’, ’01pm’, ’02’, ‘020410’, ‘029’, ’03’, ’04’, ‘041’, ’05’, ‘050’, ’06’, ’06th’, ’07’, ’08’, ‘087’, ‘089’, ’08th’, ’09’, ‘0f’, ‘0ne’, ‘0r’, ‘0s’, ’10’, ‘100’, ‘1000’, ‘1000000’, ‘10000000000000’, ‘1000lb’, ‘1000s’, ‘1001’, ‘100b’, ‘100k’, ‘100m’]
[‘pincher’, ‘pinchers’, ‘pinches’, ‘pinching’, ‘pinchot’, ‘pinciotti’, ‘pine’, ‘pineal’, ‘pineapple’, ‘pineapples’, ‘pines’, ‘pinet’, ‘pinetrees’, ‘pineyro’, ‘pinfall’, ‘pinfold’, ‘ping’, ‘pingo’, ‘pinhead’, ‘pinheads’, ‘pinho’, ‘pining’, ‘pinjar’, ‘pink’, ‘pinkerton’, ‘pinkett’, ‘pinkie’, ‘pinkins’, ‘pinkish’, ‘pinko’, ‘pinks’, ‘pinku’, ‘pinkus’, ‘pinky’, ‘pinnacle’, ‘pinnacles’, ‘pinned’, ‘pinning’, ‘pinnings’, ‘pinnochio’, ‘pinnocioesque’, ‘pino’, ‘pinocchio’, ‘pinochet’, ‘pinochets’, ‘pinoy’, ‘pinpoint’, ‘pinpoints’, ‘pins’, ‘pinsent’]

Закодируем предложения из текстов обучающей выборки индексами входящих слов. Используем разреженный формат. Преобразуем так же тестовую выборку.

X_train = cv.transform(text_train) X_test = cv.transform(text_test)

Обучим логистическую регрессию и посмотрим на доли правильных ответов на обучающей и тестовой выборках. Получается, на тестовой выборке мы правильно угадываем тональность примерно 86.7% отзывов.

%%time logit = LogisticRegression(n_jobs=-1, random_state=7) logit.fit(X_train, y_train) print(round(logit.score(X_train, y_train), 3), round(logit.score(X_test, y_test), 3))

Коэффициенты модели можно красиво отобразить.

Код визуализации коэффициентов модели

def visualize_coefficients(classifier, feature_names, n_top_features=25): # get coefficients with large absolute values coef = classifier.coef_.ravel() positive_coefficients = np.argsort(coef)[-n_top_features:] negative_coefficients = np.argsort(coef)[:n_top_features] interesting_coefficients = np.hstack([negative_coefficients, positive_coefficients]) # plot them plt.figure(figsize=(15, 5)) colors = ["red" if c < 0 else "blue" for c in coef[interesting_coefficients]] plt.bar(np.arange(2 * n_top_features), coef[interesting_coefficients], color=colors) feature_names = np.array(feature_names) plt.xticks(np.arange(1, 1 + 2 * n_top_features), feature_names[interesting_coefficients], rotation=60, ha="right");

def plot_grid_scores(grid, param_name): plt.plot(grid.param_grid[param_name], grid.cv_results_['mean_train_score'], color='green', label='train') plt.plot(grid.param_grid[param_name], grid.cv_results_['mean_test_score'], color='red', label='test') plt.legend();

visualize_coefficients(logit, cv.get_feature_names())

Подберем коэффициент регуляризации для логистической регрессии. Используем sklearn.pipeline, поскольку CountVectorizer правильно применять только на тех данных, на которых в текущий момент обучается модель (чтоб не "подсматривать" в тестовую выборку и не считать по ней частоты вхождения слов). В данном случае pipeline задает последовательность действий: применить CountVectorizer, затем обучить логистическую регрессию. Так мы поднимаем долю правильных ответов до 88.5% на кросс-валидации и 87.9% – на отложенной выборке.

from sklearn.pipeline import make_pipeline text_pipe_logit = make_pipeline(CountVectorizer(), LogisticRegression(n_jobs=-1, random_state=7)) text_pipe_logit.fit(text_train, y_train) print(text_pipe_logit.score(text_test, y_test)) from sklearn.model_selection import GridSearchCV param_grid_logit = grid_logit = GridSearchCV(text_pipe_logit, param_grid_logit, cv=3, n_jobs=-1) grid_logit.fit(text_train, y_train) grid_logit.best_params_, grid_logit.best_score_ plot_grid_scores(grid_logit, 'logisticregression__C') grid_logit.score(text_test, y_test)

Теперь то же самое, но со случайным лесом. Видим, что с логистической регрессией мы достигаем большей доли правильных ответов меньшими усилиями. Лес работает дольше, на отложенной выборке 85.5% правильных ответов.

Код для обучения случайного леса

from sklearn.ensemble import RandomForestClassifier forest = RandomForestClassifier(n_estimators=200, n_jobs=-1, random_state=17) forest.fit(X_train, y_train) print(round(forest.score(X_test, y_test), 3))

XOR-проблема

Теперь рассмотрим пример, где линейные модели справляются хуже.

Линейные методы классификации строят все же очень простую разделяющую поверхность – гиперплоскость. Самый известный игрушечный пример, в котором классы нельзя без ошибок поделить гиперплоскостью (то есть прямой, если это 2D), получил имя "the XOR problem".

XOR – это "исключающее ИЛИ", булева функция со следующей таблицей истинности:

XOR дал имя простой задаче бинарной классификации, в которой классы представлены вытянутыми по диагоналям и пересекающимися облаками точек.

Код, рисующий следующие 3 картинки

# порождаем данные rng = np.random.RandomState(0) X = rng.randn(200, 2) y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)

plt.scatter(X[:, 0], X[:, 1], s=30, c=y, cmap=plt.cm.Paired);

def plot_boundary(clf, X, y, plot_title): xx, yy = np.meshgrid(np.linspace(-3, 3, 50), np.linspace(-3, 3, 50)) clf.fit(X, y) # plot the decision function for each datapoint on the grid Z = clf.predict_proba(np.vstack((xx.ravel(), yy.ravel())).T)[:, 1] Z = Z.reshape(xx.shape) image = plt.imshow(Z, interpolation='nearest', extent=(xx.min(), xx.max(), yy.min(), yy.max()), aspect='auto', origin='lower', cmap=plt.cm.PuOr_r) contours = plt.contour(xx, yy, Z, levels=[0], linewidths=2, linetypes='--') plt.scatter(X[:, 0], X[:, 1], s=30, c=y, cmap=plt.cm.Paired) plt.xticks(()) plt.yticks(()) plt.xlabel(r'$$inline$x_1$inline$$') plt.ylabel(r'$$inline$x_2$inline$$') plt.axis([-3, 3, -3, 3]) plt.colorbar(image) plt.title(plot_title, fontsize=12);

plot_boundary(LogisticRegression(), X, y, "Logistic Regression, XOR problem")

from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import Pipeline

logit_pipe = Pipeline([('poly', PolynomialFeatures(degree=2)), ('logit', LogisticRegression())])

plot_boundary(logit_pipe, X, y, "Logistic Regression + quadratic features. XOR problem")

Очевидно, нельзя провести прямую так, чтобы без ошибок отделить один класс от другого. Поэтому логистическая регрессия плохо справляется с такой задачей.

А вот если на вход подать полиномиальные признаки, в данном случае до 2 степени, то проблема решается.

Здесь логистическая регрессия все равно строила гиперплоскость, но в 6-мерном пространстве признаков и . В проекции на исходное пространство признаков граница получилась нелинейной.

На практике полиномиальные признаки действительно помогают, но строить их явно – вычислительно неэффективно. Гораздо быстрее работает SVM с ядровым трюком. При таком подходе в пространстве высокой размерности считается только расстояние между объектами (задаваемое функцией-ядром), а явно плодить комбинаторно большое число признаков не приходится. Про это подробно можно почитать в курсе Евгения Соколова (математика уже серьезная).

5. Кривые валидации и обучения

Мы уже получили представление о проверке модели, кросс-валидации и регуляризации.
Теперь рассмотрим главный вопрос:

Если качество модели нас не устраивает, что делать?

Сделать модель сложнее или упростить?
Добавить больше признаков?
Или нам просто нужно больше данных для обучения?

Ответы на данные вопросы не всегда лежат на поверхности. В частности, иногда использование более сложной модели приведет к ухудшению показателей. Либо добавление наблюдений не приведет к ощутимым изменениям. Способность принять правильное решение и выбрать правильный способ улучшения модели, собственно говоря, и отличает хорошего специалиста от плохого.

Будем работать со знакомыми данными по оттоку клиентов телеком-оператора.

Импорт библиотек и чтение данных

from __future__ import division, print_function # отключим всякие предупреждения Anaconda import warnings warnings.filterwarnings('ignore') %matplotlib inline from matplotlib import pyplot as plt import seaborn as sns import numpy as np import pandas as pd from sklearn.preprocessing import PolynomialFeatures from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression, LogisticRegressionCV, SGDClassifier from sklearn.model_selection import validation_curve data = pd.read_csv('../../data/telecom_churn.csv').drop('State', axis=1) data['International plan'] = data['International plan'].map() data['Voice mail plan'] = data['Voice mail plan'].map() y = data['Churn'].astype('int').values X = data.drop('Churn', axis=1).values

Логистическую регрессию будем обучать стохастическим градиентным спуском. Пока объясним это тем, что так быстрее, но далее в программе у нас отдельная статья про это дело. Построим валидационные кривые, показывающие, как качество (ROC AUC) на обучающей и проверочной выборке меняется с изменением параметра регуляризации.

alphas = np.logspace(-2, 0, 20) sgd_logit = SGDClassifier(loss='log', n_jobs=-1, random_state=17) logit_pipe = Pipeline([('scaler', StandardScaler()), ('poly', PolynomialFeatures(degree=2)), ('sgd_logit', sgd_logit)]) val_train, val_test = validation_curve(logit_pipe, X, y, 'sgd_logit__alpha', alphas, cv=5, scoring='roc_auc') def plot_with_err(x, data, **kwargs): mu, std = data.mean(1), data.std(1) lines = plt.plot(x, mu, '-', **kwargs) plt.fill_between(x, mu - std, mu + std, edgecolor='none', facecolor=lines[0].get_color(), alpha=0.2) plot_with_err(alphas, val_train, label='training scores') plot_with_err(alphas, val_test, label='validation scores') plt.xlabel(r'$\alpha$'); plt.ylabel('ROC AUC') plt.legend();

Тенденция видна сразу, и она очень часто встречается.

Для простых моделей тренировочная и валидационная ошибка находятся где-то рядом, и они велики. Это говорит о том, что модель недообучилась: то есть она не имеет достаточное кол-во параметров.
Для сильно усложненных моделей тренировочная и валидационная ошибки значительно отличаются. Это можно объяснить переобучением: когда параметров слишком много либо не хватает регуляризации, алгоритм может "отвлекаться" на шум в данных и упускать основной тренд.

Сколько нужно данных?

Известно, что чем больше данных использует модель, тем лучше. Но как нам понять в конкретной ситуации, помогут ли новые данные? Скажем, целесообразно ли нам потратить N\$ на труд асессоров, чтобы увеличить выборку вдвое?

Поскольку новых данных пока может и не быть, разумно поварьировать размер имеющейся обучающей выборки и посмотреть, как качество решения задачи зависит от объема данных, на котором мы обучали модель. Так получаются кривые обучения (learning curves).

Идея простая: мы отображаем ошибку как функцию от количества примеров, используемых для обучения. При этом параметры модели фиксируются заранее.

Давайте посмотрим, что мы получим для линейной модели. Коэффициент регуляризации выставим большим.

from sklearn.model_selection import learning_curve def plot_learning_curve(degree=2, alpha=0.01): train_sizes = np.linspace(0.05, 1, 20) logit_pipe = Pipeline([('scaler', StandardScaler()), ('poly', PolynomialFeatures(degree=degree)), ('sgd_logit', SGDClassifier(n_jobs=-1, random_state=17, alpha=alpha))]) N_train, val_train, val_test = learning_curve(logit_pipe, X, y, train_sizes=train_sizes, cv=5, scoring='roc_auc') plot_with_err(N_train, val_train, label='training scores') plot_with_err(N_train, val_test, label='validation scores') plt.xlabel('Training Set Size'); plt.ylabel('AUC') plt.legend() plot_learning_curve(degree=2, alpha=10)

Типичная ситуация: для небольшого объема данных ошибки на обучающей выборке и в процессе кросс-валидации довольно сильно отличаются, что указывает на переобучение. Для той же модели, но с большим объемом данных ошибки "сходятся", что указывается на недообучение.

Если добавить еще данные, ошибка на обучающей выборке не будет расти, но с другой стороны, ошибка на тестовых данных не будет уменьшаться.

Получается, ошибки "сошлись", и добавление новых данных не поможет. Собственно, это случай – самый интересный для бизнеса. Возможна ситуация, когда мы увеличиваем выборку в 10 раз. Но если не менять сложность модели, это может и не помочь. То есть стратегия "настроил один раз – дальше использую 10 раз" может и не работать.

Что будет, если изменить коэффициент регуляризации (уменьшить до 0.05)?

Видим хорошую тенденцию – кривые постепенно сходятся, и если дальше двигаться направо (добавлять в модель данные), можно еще повысить качество на валидации.

А если усложнить модель ещё больше ()?

Проявляется переобучение – AUC падает как на обучении, так и на валидации.

Строя подобные кривые, можно понять, в какую сторону двигаться, и как правильно настроить сложность модели на новых данных.

Выводы по кривым валидации и обучения

Ошибка на обучающей выборке сама по себе ничего не говорит о качестве модели
Кросс-валидационная ошибка показывает, насколько хорошо модель подстраивается под данные (имеющийся тренд в данных), сохраняя при этом способность обобщения на новые данные
Валидационная кривая представляет собой график, показывающий результат на тренировочной и валидационной выборке в зависимости от сложности модели:
если две кривые распологаются близко, и обе ошибки велики, — это признак недообучения
если две кривые далеко друг от друга, — это показатель переобучения
Кривая обучения — это график, показывающий результаты на валидации и тренировочной подвыборке в зависимости от количества наблюдений:
если кривые сошлись друг к другу, добавление новых данных не поможет – надо менять сложность модели
если кривые еще не сошлись, добавление новых данных может улучшить результат.

6. Плюсы и минусы линейных моделей в задачах машинного обучения

Хорошо изучены
Очень быстрые, могут работать на очень больших выборках
Практически вне конкуренции, когда признаков очень много (от сотен тысяч и более), и они разреженные (хотя есть еще факторизационные машины)
Коэффициенты перед признаками могут интерпретироваться (при условии что признаки масштабированы) – в линейной регрессии как частные производные зависимой переменной от признаков, в логистической – как изменение шансов на отнесение к одному из классов в раз при изменении признака на 1 ед., подробнее тут
Логистическая регрессия выдает вероятности отнесения к разным классам (это очень ценится, например, в кредитном скоринге)
Модель может строить и нелинейную границу, если на вход подать полиномиальные признаки

Плохо работают в задачах, в которых зависимость ответов от признаков сложная, нелинейная
На практике предположения теоремы Маркова-Гаусса почти никогда не выполняются, поэтому чаще линейные методы работают хуже, чем, например, SVM и ансамбли (по качеству решения задачи классификации/регрессии)

7. Домашнее задание № 4

В качестве закрепления изученного материала предлагаем следующее задание: разобраться с тем, как работает TfidfVectorize r и DictVectorizer , обучить и настроить модель линейной регрессии Ridge на данных о публикациях на Хабрахабре и воспроизвести бенчмарк в соревновании. Проверить себя можно отправив ответы в веб-форме (там же найдете и решение).

Актуальные и обновляемые версии демо-заданий – на английском на сайте курса. Также по подписке на Patreon ("Bonus Assignments" tier) доступны расширенные домашние задания по каждой теме (только на англ.)

8. Полезные ресурсы

Перевод материала этой статьи на английский – Jupyter notebooks в репозитории курса
Видеозаписи лекций по мотивам этой статьи: классификация, регрессия
Основательный обзор классики машинного обучения и, конечно же, линейных моделей сделан в книге "Deep Learning" (I. Goodfellow, Y. Bengio, A. Courville, 2016);
Реализация многих алгоритмов машинного обучения с нуля – репозиторийrushter. Рекомендуем изучить реализацию логистической регрессии;
Курс Евгения Соколова по машинному обучению (материалы на GitHub). Хорошая теория, нужна неплохая математическая подготовка;
Курс Дмитрия Ефимова на GitHub (англ.). Тоже очень качественные материалы.

Статья написана в соавторстве с mephistopheies (Павлом Нестеровым). Он же – автор домашнего задания. Авторы домашнего задания в первой сессии курса (февраль-май 2017)– aiho (Ольга Дайховская) и das19 (Юрий Исаков). Благодарю bauchgefuehl (Анастасию Манохину) за редактирование.

machine learning
logistic regression
linear regression
ods
mlcourse.ai

Блог компании Open Data Science
Python
Алгоритмы
Математика
Машинное обучение

Национальная программа
Цифровая экономика
Российской Федерации

Паспорт нацпрограммы «Цифровая экономика» и шести федеральных проектов. Экспресс-анализ TAdviser

В конце января 2019 года произошло событие, которого давно ожидали специалисты и простые граждане, неравнодушные к теме цифровой экономики – в открытом (но не очень широком) доступе появились паспорт национальной программы «Цифровая экономика» и паспорта всех шести федеральных проектов, входящих в состав нацпрограммы.

Говорить об официальной, в полном смысле этого слова, публикации документов пока еще рано – материалы появились на сайте, созданном к проведению межрегионального совещания «Лидеры цифрового развития», проходившего 23-26 января 2019 года под Пермью, в санатории «Демидково». 29 ноября министр цифрового развития Максут Шадаев и CIO крупнейших компаний выступят на TAdviser SummIT

Состав участников совещания был внушительным – вице-премьер Максим Акимов, руководитель Минкомсвязи Константин Носков и практически все его заместители, руководители региональных министерств информатизации. И именно поэтому статус материалов, опубликованных в связи с совещанием, можно считать если не полностью официальным, то вполне заслуживающим доверия.

Опубликован полный текст национальной программы «Цифровая экономика»

Паспорта федеральных проектов

На титульных листах всех паспортов указано, что они прошли утверждение в соответствующих «верхних» инстанциях: паспорт нацпрограммы утвержден президиумом Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам (протокол от 24 декабря 2018 г. № 16), а паспорта федеральных проектов - Правительственной комиссией по цифровому развитию, использованию информационных технологий для улучшения качества жизни и условий ведения предпринимательской деятельности (протокол от 25 декабря 2018 г. № 1).

Однако, для того, чтобы послужить полноценной нормативной основой для осуществления бюджетных расходов по программе «Цифровая экономика», все паспорта должны быть включены в НПА уровня постановления или распоряжения Правительства РФ. Сведений о статусе подготовки такого НПА у TAdviser по состоянию на 5 февраля 2019 года нет, но можно не сомневаться, что рано или поздно такой документ все-таки появится.

Сейчас же продолжающее оставаться формально действующим распоряжение Правительства РФ от 28 июля 2017 года № 1632-р о программе «Цифровая экономика» фактически устарело, потому что его содержание уже не соответствует вновь разработанному паспорту национального проекта и паспортам федеральных проектов.

На то, что опубликованные версии паспортов, скорее всего, еще будут подвергаться правке, указывают и имеющиеся пробелы в документах, и некоторые шероховатости содержательного и технического плана:

Во всех паспортах федеральных проектах отсутствуют реквизиты решения об утверждении паспорта (как уже сказано выше, по всей видимости, это должен быть НПА уровня постановления или распоряжения Правительства РФ);
Не для всех федеральных проектов указаны руководители соответствующих центров компетенции (ЦК). Так, отсутствуют сведения о руководителе ЦК для федерального проекта «Цифровое госуправление»;
В большинстве паспортов федеральных проектов отсутствуют сведения об источниках финансирования (целевых статьях федерального бюджета), хотя, паспорта дорабатывались уже после принятия и опубликования Федерального закона о бюджете на 2019-2021 гг.;
В некоторых паспортах остались следы проводившейся разработки. Так, например, из таблицы в самом конце паспорта проекта «Кадры для цифровой экономики» можно узнать, что в работе над паспортом принимали участие представители 82 (!) организаций – от федеральных министерств и госкорпораций до коммерческих структур (Росатом, Ростех, Ростелеком, Сбербанк, Крок, 1С, Яндекс и др.), образовательных и общественных организаций – и что в данной версии паспорта отсутствуют неучтенные разногласия между разработчиками или отклоненные предложения.

Есть и более серьезные недочеты, о которых будет сказано ниже.

Эксперты TAdviser ознакомились со всеми опубликованными паспортами и представляют краткий обзор их содержания и свои выводы.

Финансирование национальной программы

Хотя ключевые финансовые показатели национальной программы уже неоднократно публиковались (зачастую – на основе не окончательно утвержденных рабочих материалов, «утекавших» от разработчиков документов), TAdviser принял решение привести в обзоре сводную таблицу по финансовому обеспечению национальной программы и федеральных проектов в ее составе.

Насколько известно TAdviser, это первая столь подробная публикация по цифрам бюджетов «Цифровой экономики». И ее статус – не «утечка», а извлечение из материалов, доступных в официальном открытом источнике.

Табл. 1. Финансовое обеспечение национальной программы «Цифровая экономика»

№ п/п	Наименование федерального проекта и источники финансирования	Объем финансового обеспечения по годам реализации (млн рублей)							Всего 2019 – 2024 (млн рублей)
№ п/п		2018	2019	2020	2021	2022	2023	2024	Всего 2019 – 2024 (млн рублей)
1	Федеральный проект "Нормативное регулирование цифровой среды", в том числе:	220	297	297	307	265	265	266	1 697
1.1.	предусмотрено федеральным бюджетом	220	-	-	-	-	-	-	-
1.2.	дополнительные расходы федерального бюджета	-	265	265	265	265	265	266	1 591
1.3.	бюджеты государственных внебюджетных фондов Российской Федерации	-	-	-	-	-	-	-	-
1.4.	консолидированные бюджеты субъектов Российской Федерации	-	-	-	-	-	-	-	-
1.5.	внебюджетные источники	-	32	32	42	-	-	-	106
2	Федеральный проект "Информационная инфраструктура", в том числе:	2 391	94 696	322 270	89 799	105 859	89 531	70 246	772 401
2.1.	предусмотрено федеральным бюджетом	2 177	10 000	10 000
2.2.	дополнительные расходы федерального бюджета	-	31 714	48 121	67 920	105 859	89 531	70 246	413 391
2.3.	бюджеты государственных внебюджетных фондов Российской Федерации	-	-	-	-	-	-	-	-
2.4.	консолидированные бюджеты субъектов Российской Федерации	-	-	-	-	-	-	-	-
2.5.	внебюджетные источники	214	52 982	274 149	21 879	-	-	-	349 010
2.6.	Предоставление универсальных услуг связи (предусмотрено Федеральным законом "О бюджете")	-	13 465	13 460	18 534	-	-	-	45 459
3	Федеральный проект "Кадры для цифровой экономики", в том числе:	-	10 864	14 886	24 956	30 420	31 853	30 109	143 088
3.1.	предусмотрено федеральным бюджетом	-	-	-	-	-	-	-	-
3.2.	дополнительные расходы федерального бюджета	-	10 499	13 316	22 421	30 420	31 853	30 109	138 618
3.3.	бюджеты государственных внебюджетных фондов Российской Федерации	-	-	-	-	-	-	-	-
3.4.	консолидированные бюджеты субъектов Российской Федерации	-	-	-	-	-	-	-	-
3.5.	внебюджетные источники	-	365	1 570	2 535	-	-	-	4 470
4	Федеральный проект "Информационная безопасность", в том числе:	387	7 647	9 674	10 080	1 051	979	773	30 204
4.1.	предусмотрено федеральным бюджетом	365	35	35	35	105
4.2.	дополнительные расходы федерального бюджета	4 780	5 534	4 867	1 051	979	773	17 984
4.3.	бюджеты государственных внебюджетных фондов Российской Федерации	-	-	-	-	-	-	-	-
4.4.	консолидированные бюджеты субъектов Российской Федерации	-	-	-	-	-	-	-	-
4.5.	внебюджетные источники	22	2 832	4 105	5 178	-	-	-	12 115
4.6.	расходы при выделении дополнительного финансирования сверх лимита, установленного Минфином России*	-	10 127	12 108	20 677	-	-	-	42 912
5	Федеральный проект "Цифровые технологии", в том числе:	505	41 663	77 162	139 313	67 342	65 991	60 338	451 809
5.1.	предусмотрено федеральным бюджетом	505
5.2.	дополнительные расходы федерального бюджета	21 473	25 472	41 579	67 342	65 991	60 338	282 195
5.3.	бюджеты государственных внебюджетных фондов Российской Федерации	-	-	-	-	-	-	-	-
5.4.	консолидированные бюджеты субъектов Российской Федерации	-	-	-	-	-	-	-	-
5.5.	внебюджетные источники	20 190	51 690	97 734	169 614
6	Федеральный проект "Цифровое государственное управление", в том числе:	3 723	29 284	30 916	40 814	53 078	44 775	36 838	235 705
6.1.	предусмотрено федеральным бюджетом	3 723	3 227	3 096	3 096	9 419
6.2.	дополнительные расходы федерального бюджета	26 057	27 820	37 718	53 078	44 775	36 838	226 286
6.3.	бюджеты государственных внебюджетных фондов Российской Федерации	-	-	-	-	-	-	-	-
6.4.	консолидированные бюджеты субъектов Российской Федерации	-	-	-	-	-	-	-	-
6.5.	внебюджетные источники	-	-	-	-	-	-	-	-
6.6.	расходы при выделении дополнительного финансирования сверх лимита, установленного Минфином России**	-	4 921	17 462	21 094	26 769	22 028	22 147	114 421
Всего по национальной программе за счет всех источников, в том числе:		7 226	212 964	498 235	365 574	284 784	255 422	220 717	1 837 696
федеральный бюджет:		6 990	108 050	123 659	177 901	258 015	233 394	198 570	1 099 589
предусмотренные расходы, включая расходы на обеспечение информатизации федеральных органов исполнительной власти и органов управления государственными внебюджетными фондами		6 990	13 262	3 131	3 131	-	-	-	19 524
дополнительные расходы		-	94 788	120 528	174 770	258 015	233 394	198 570	1 080 065
предоставление универсальных услуг связи (предусмотрено Федеральным законом "О бюджете")		-	13 465	13 460	18 534	-	-	-	45 459
расходы при выделении дополнительного финансирования сверх лимита, установленного Минфином России		-	15 048	29 570	41 771	26 769	22 028	22 147	157 333
бюджеты государственных внебюджетных фондов Российской Федерации		-	-	-	-	-	-	-	-
консолидированные бюджеты субъектов Российской Федерации		-	-	-	-	-	-	-	-
внебюджетные источники		236	76 401	331 546	127 368	0	0	0	535 315

* Увеличение финансирования задач "Обеспечено целостное, устойчивое и безопасное функционирование российского сегмента сети Интернет", "Создана защищенная цифровая среда взаимодействия двойного назначения на базе отечественных технологий для работы в стандарте LTE-450 для нужд МВД России, МЧС России, Росгвардии" и "Определение функционала и архитектуры ресурса информирования и проверки угроз уровня web-приложений, создание корпоративных и отраслевых центров ГосСОПКА, оказание мер поддержки органам государственной власти субъектов по реализации требований №187-ФЗ и созданию решений для типовых объектов КИИ" возможно при условии выделения дополнительного финансирования сверх лимита, установленного Минфином России.
** Увеличение финансирования задачи "Создание сквозной цифровой инфраструктуры и платформ" (в части мероприятий "Развитие системы "Мир" и обеспечение функционирования удостоверения личности гражданина Российской Федерации") возможно при условии выделения дополнительного финансирования сверх лимита, установленного Минфином России.

Несовпадение цифр в «Цифровой экономике»

Самый заметный при изучении паспортов федеральных проектов недостаток – это несоответствие нумерации сущностей (целей, задач, вех и т.п.) внутри четырех из шести паспортов федеральных проектов номерам самих федеральных проектов, приведенным в паспорте национальной программы «Цифровая экономика».

Многокомпонентная структура нумерации любых сущностей в паспорте федерального проекта подразумевает (подробнее см. ниже – в разделе «Иерархия сущностей в планах мероприятий федеральных проектов»), что каждый номер сущности в должен начинаться с номера этого федерального проекта.

Изначально, в 2017 году была принята следующая нумерация базовых направлений (в том же порядке, в котором эти направления перечислены в распоряжении 1632-р):

Нормативное регулирование
Кадры и образование
Формирование исследовательских компетенций и технологических заделов
Информационная инфраструктура
Информационная безопасность

Однако, уже при разработке паспорта нацпрограммы «Цифровая экономика» федеральные проекты в ее составе были немного переименованы и перенумерованы по-другому:

Нормативное регулирование цифровой среды
Информационная инфраструктура
Кадры для цифровой экономики
Информационная безопасность
Цифровые технологии (раньше направление называлось «Формирование исследовательских компетенций и технологических заделов»
Цифровое государственное управление.

Эта перенумерация, очевидно, произошла в связи с подписанием Указа Президента РФ от 7 мая 2018 года «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года» - в нем первые 6 задач национальной программы «Цифровая экономика» перечислены именно в том порядке, в котором соответствующие федеральные проекты перечислены в паспорте нацпрограммы:

11. Правительству Российской Федерации при реализации совместно с органами государственной власти субъектов Российской Федерации национальной программы «Цифровая экономика Российской Федерации» обеспечить в 2024 году:

а) достижение следующих целей и целевых показателей:

увеличение внутренних затрат на развитие цифровой экономики за счёт всех источников (по доле в валовом внутреннем продукте страны) не менее чем в три раза по сравнению с 2017 годом;
создание устойчивой и безопасной информационно-телекоммуникационной инфраструктуры высокоскоростной передачи, обработки и хранения больших объёмов данных, доступной для всех организаций и домохозяйств;
использование преимущественно отечественного программного обеспечения государственными органами, органами местного самоуправления и организациями;

б) решение следующих задач:

создание системы правового регулирования цифровой экономики, основанного на гибком подходе в каждой сфере, а также внедрение гражданского оборота на базе цифровых технологий;
создание глобальной конкурентоспособной инфраструктуры передачи, обработки и хранения данных преимущественно на основе отечественных разработок;
обеспечение подготовки высококвалифицированных кадров для цифровой экономики;
обеспечение информационной безопасности на основе отечественных разработок при передаче, обработке и хранении данных, гарантирующей защиту интересов личности, бизнеса и государства;
создание сквозных цифровых технологий преимущественно на основе отечественных разработок;
внедрение цифровых технологий и платформенных решений в сферах государственного управления и оказания государственных услуг, в том числе в интересах населения и субъектов малого и среднего предпринимательства, включая индивидуальных предпринимателей;
преобразование приоритетных отраслей экономики и социальной сферы, включая здравоохранение, образование, промышленность, сельское хозяйство, строительство, городское хозяйство, транспортную и энергетическую инфраструктуру, финансовые услуги, посредством внедрения цифровых технологий и платформенных решений;
создание комплексной системы финансирования проектов по разработке и (или) внедрению цифровых технологий и платформенных решений, включающей в себя венчурное финансирование и иные институты развития;
разработка и внедрение национального механизма осуществления согласованной политики государств – членов Евразийского экономического союза при реализации планов в области развития цифровой экономики.

И именно в таком порядке были введены коды федеральных проектов для целевых статей расходов в федеральном бюджете - от D1 до D6.

Очевидно, работа над паспортами федеральных проектов была начата еще до того, как было принято решение о новой нумерации самих проектов – в результате, например, все сущности в паспорте проекта «Информационная инфраструктура» (номер 2 в паспорте нацпрограммы) имеют номера, начинающиеся с 05 (старый номер направления «Информационная инфраструктура» в соответствии с первой версией программы «Цифровая экономика»). Такая путаница случилась, как уже было сказано выше, с четырьмя федеральными проектами из шести – правильная нумерация оказалась только у проекта «Нормативное регулирование» (он и в старой структуре имел номер 1) и у вновь добавленного проекта «Цифровое госуправление» (ему был присвоен ранее отсутствовавший номер 6).

Очень странно, что такое визуально заметное несоответствие сохранилось в документах вплоть до их рассмотрения и утверждения на заседании Правкомиссии. Если же это несоответствие все-таки было обнаружено, но сознательно оставлено в паспортах федеральных проектов, то приходится констатировать, что реализация программы «Цифровая экономика» начинается с далеко не лучшего прецедента, по иронии судьбы связанного именно с цифрами.

Цели и показатели нацпрограммы и федеральных проектов

Принятая структура целеполагания в национальных программах и проектах такова, что на уровне национальной программы формулируемые цели должны соответствовать документу самого высокого уровня, в котором объявлены соответствующие национальные цели – в данном случае речь идет об Указе Президента РФ от 7 мая 2018 года № 204 (см. цитату из Указа выше).

В отношении программы «Цифровая экономика» в Указе сформулированы 3 цели – и все они протранслированы на уровень паспорта национальной программы. В самом паспорте сформулированы показатели, определенные, исходя из объявленных целей (см. Табл. 1).

Табл. 2. Цели и показатели национальной программы «Цифровая экономика»

№ п/п	Цель, целевой показатель, дополнительный показатель	Уровень контроля
1	Увеличение внутренних затрат на развитие цифровой экономики за счет всех источников (по доле в валовом внутреннем продукте страны) не менее чем в три раза по сравнению с 2017 годом	Совет
1.1.	Внутренние затраты на развитие цифровой экономики за счет всех источников по доле в валовом внутреннем продукте страны, проценты	президиум Совета
2	Создание устойчивой и безопасной информационно- телекоммуникационной инфраструктуры высокоскоростной передачи, обработки и хранения больших объемов данных, доступной для всех организаций и домохозяйств	Совет
2.1.	Доля домохозяйств, имеющих широкополосный доступ к сети "Интернет", проценты	президиум Совета
2.2.	Доля социально значимых объектов инфраструктуры, имеющих возможность подключения к широкополосному доступу к сети "Интернет", проценты	президиум Совета
2.3.	Наличие опорных центров обработки данных в федеральных округах, количество	президиум Совета
2.4.	Доля Российской Федерации в мировом объеме оказания услуг по хранению и обработке данных, проценты	президиум Совета
2.5.	Средний срок простоя государственных информационных систем в результате компьютерных атак, часов	президиум Совета
3	Использование преимущественно отечественного программного обеспечения государственными органами, органами местного самоуправления и организациями	Совет
3.1.	Стоимостная доля закупаемого и (или) арендуемого федеральными органами исполнительной власти, органами исполнительной власти субъектов и иными органами государственной власти отечественного программного обеспечения, проценты	президиум Совета
3.2.	Стоимостная доля закупаемого и (или) арендуемого государственными корпорациями, компаниями с государственным участием отечественного программного обеспечения, проценты	президиум Совета

Уже при изучении вышеприведенной таблицы возникают первые вопросы:

А где же дополнительные показатели, упоминающиеся в «шапке» таблицы? Налицо только целевые показатели, соответствующие трем главным целям нацпрограммы.
Как предполагается увязывать целевые показатели нацпрограммы с целями и показателями федеральных проектов? Исходя из того, что объявлено шесть федеральных проектов, уже на уровне нацпрограммы следовало бы предусмотреть показатели для каждого из проектов, но их нет. Забегая вперед, можно констатировать, что только в одном паспорте федерального проекта из шести (проект «Информационная безопасность») предпринята попытка трансляции целей и показателей национальной программы на уровень федерального проекта. Во всех остальных паспортах увязка целей и показателей федеральных проектов с целями и показателями национальной программы, если и имеет место быть, то далеко не всегда она очевидна.

Попутно нужно заметить, что во всех паспортах в разделе, где приводятся показатели, почему-то используется оборот «показатели и индикаторы», хотя, на самом деле, ни одного индикатора ни в одном паспорте эксперты TAdviser не обнаружили. По устойчивой проектно-программной практике, индикатор – это производная величина от показателя, характеризующая скорость его изменения (например, для показателя «Доля » индикатором может быть «Изменение доли за год»). Индикаторы обычно применяются для отслеживания стабильности в динамике показателей. Однако, как уже было сказано, ни одного индикатора в материалах программы «Цифровая экономика» не определено.

Для примера в Табл. 2 приведены цели и показатели федерального проекта «Информационная инфраструктура». Можно видеть, что ряд целей и показателей федерального проекта коррелирует с целями и показателями нацпрограммы, однако, явно эти корреляции в паспорте проекта не обозначены.

Табл. 3. Цели и показатели федерального проекта «Информационная инфраструктура»

№№	Наименование проекта / цели / показателя	Значение
Федеральный проект 02 "Информационная инфраструктура"
Цели проекта
04.01.	Создание глобальной конкурентоспособной инфраструктуры передачи данных на основе отечественных разработок
04.02.	Создание глобальной конкурентоспособной инфраструктуры обработки и хранения данных на основе отечественных разработок
04.03.	Создание глобальной конкурентоспособной инфраструктуры функционирования цифровых платформ работы с данными для обеспечения потребностей граждан, бизнеса и власти на основе отечественных разработок
04.04.	Создание экосистемы внедрения цифровых технологий в строительстве и управлении городским хозяйством "Умный город"
Показатели проекта
1.	Доля домохозяйств, имеющих возможность широкополосного доступа к сети "Интернет"	97%
2.	Доля медицинских организаций государственной и муниципальной систем здравоохранения (больницы и поликлиники), подключенных к сети "Интернет"	100%
3.	Доля фельдшерских и фельдшерско-акушерских пунктов государственной и муниципальной систем здравоохранения, подключенных к сети "Интернет"	100%
4.	Доля государственных (муниципальных) образовательных организаций, реализующих образовательные программы общего образование и/или среднего профессионального образования, подключенных к сети "Интернет"	100%
5.	Доля органов государственной власти, органов местного самоуправления и государственных внебюджетных фондов, подключенных к сети "Интернет", 100%	100%
6.	Доля автомобильных дорог федерального значения, обеспеченных подвижной радиотелефонной связью (обеспечение вызова экстренных служб)	100%
7.	7. Доля приоритетных объектов транспортной инфраструктуры (в т. ч. федеральных автомобильных дорог и железнодорожной инфраструктуры), оснащённых сетями связи с возможностью беспроводной передачи голоса и данных, 100%	100%
8.	Количество отраслей экономики, в которых внедрено использование сетей связи 5G	5 ключевых отраслей экономики
9.	Наличие опорных центров обработки данных в федеральных округах	8 федеральных округов
10.	Мощность российских коммерческих ЦОД	80 тыс. стойко-мест
11.	Доля Российской Федерации в мировом объеме оказания услуг по хранению и обработке данных	5%
12.	Доля информационных систем и ресурсов федеральных органов исполнительной власти и государственных внебюджетных фондов, перенесенных в государственную единую облачную платформу по сервисной модели	55%
13.	Доля сертифицированных ЦОД, предоставляющих услуги органам государственной власти и местного самоуправления	100%
14.	Реализованы не менее 10 цифровых платформ для основных предметных областей экономики	10
15.	Доля российских данных дистанционного зондирования земли (далее – ДЗЗ) в общем объеме данных ДЗЗ, используемых в российских геоинформационных системах	75%
16.	Создана единая электронная картографическая основа (ЕЭКО), в том числе крупных масштабов, в целях наполнения государственной информационной системы ведения Единой электронной картографической основы (ГИС ЕЭКО)	100%

Во всех паспортах проектов, содержащих показатели (таковые отсутствуют только в проекте 01 «Нормативное регулирование» - со ссылкой на то, что соответствующие цели и показатели не определены на уровне нацпрограммы) имеются разделы, описывающие «методики» определения показателей. Слово «методики» не случайно взято в кавычки – в абсолютном большинстве случаев эти методики сводятся к достаточно примитивным арифметическим вычислениям, основывающимся на статистических данных, получаемых из различных ведомств. Конкретные источники этих данных (государственные информационные ресурсы и государственные информационные системы) ни в одном из паспортов проектов не указаны.

Отдельно в части методик стоит федеральный проект «Информационная безопасность» - в нем разработка методик для определения показателей проекта включена в число мероприятий, реализуемых в ходе проекта. При этом план достижения контрольных значений всех показателей (которые непонятно как будут рассчитываться) для периода 2019-2024 гг. уже присутствует в паспорте проекта!

Иерархия сущностей в планах мероприятий федеральных проектов

Планы мероприятий по каждому федеральному проекту составлены в парадигме проектного управления, которой с недавнего времени снова стали уделять внимание на самых высоких уровнях – речь идет об иерархии и взаимосвязи сущностей «Цель – Задача – Веха - Мероприятие – Ожидаемый результат».

В каждом проекте определены цели, которых предполагается достичь (хотя и не без недостатков, о которых сказано выше) , задачи, решение которых необходимо для достижения каждой цели, контрольные вехи, по достижению которых отслеживается прогресс в движении к цели и мероприятия, реализация которых необходима для решения задач. Для каждого мероприятия также указывается отдельное контрольное событие – ожидаемый результат исполнения именно этого мероприятия.

Нумерация содержательных сущностей в паспорте проекта построена на вышеуказанной иерархии – на самом верху находятся цели (их номера имеют вид PP.GG, где PP – номер федерального проекта, а GG – номер цели в рамках проекта), а в самом низу – мероприятия, реализуемые в рамках задач, привязанных к целям (номера мероприятий имеют вид PP.GG.TTT.MMM.AAA, где PP и GG имеют тот же смысл, что и выше, TTT – номер задачи в привязке к цели, MMM – номер контрольной вехи, AAA – номер мероприятия).

В принципе, структура нумерации логична, компактна и удобна в использовании для тех, кому придется иметь дело с планами «Цифровой экономики» на регулярной основе.

Однако, текстовые формулировки многих сущностей показывают, что технические исполнители документов, видимо, не всегда понимали, к какому конкретно уровню иерархии должна относиться та или иная формулировка. Именно из-за этого на уровне задач или мероприятий, например, неоднократно встречаются фактически формулировки контрольных вех или даже отдельных показателей проекта. В отдельных паспортах (например, в паспорте проекта «Цифровое госуправление») такая иерархическая «чехарда» носит массовый (практически – системный) характер.

Экспертов TAdviser удивила также одна особенность планов мероприятий, которая точно является не результатом технической ошибки, а, как говорят программисты, фичей – наименования контрольных вех (которые, судя по структуре нумерации, расположены в иерархии сущностей выше, чем мероприятия) в таблице расположены после групп мероприятий, относящихся именно к этим вехам. То есть, при изучении планов конкретная веха, достигаемая вследствие реализации группы мероприятий, становится видной только после списка мероприятий. Определенная проектная логика в этом, конечно, есть – вехи достигаются именно по результатам исполнения мероприятий, но на удобстве изучения планов такая структура представления отражается не в лучшую сторону.

В некоторых паспортах (например, в проекте «Цифровое госуправление») в плане мероприятий указаны сущности, не привязанные к конкретному уровню иерархии и не имеющие номера. Так, непосредственно за формулировкой цели 06.01 «Внедрение цифровых технологий и платформенных решений в сферах государственного управления и оказания государственных услуг, в том числе в интересах населения и субъектов малого и среднего предпринимательства, включая индивидуальных предпринимателей» в плане мероприятий следует строка без номера «Цифровая трансформация государственных (муниципальных) услуг и сервисов», а далее в плане встречаются строки «Цифровая трансформация государственной (муниципальной) службы» и «Создание сквозной цифровой инфраструктуры и платформ». По смыслу это непонятно что - то ли подцели в составе цели 06.01, то ли задачи, решаемые для достижения цели (но на уровне иерархии задач для указанной цели присутствуют другие формулировки), то ли отдельные категории группировки мероприятий. Подобная неоднозначность приводит в некоторое замешательство.

Ключевые проекты и инициативы в составе федеральных проектов

Ровно в половине паспортов федеральных проектов (по странному нумерологическому совпадению это все проекты с четными номерами - «Информационная инфраструктура», «Информационная безопасность» и «Цифровое госуправление») присутствуют разделы с перечнями ключевых проектов и инициатив в составе соответствующих федеральных проектов, несущих в себе максимальный эффект для бизнеса и граждан.

В принципе, это полезная информация, хотя, и в этих перечнях можно заметить недостаток, о котором уже было сказано выше – несоответствие формулировок уровням иерархии сущностей в федеральных проектах.

Повышение операционной эффективности компаний;
Снижение рисков при внедрении новых технологических решений;
Рост доли отечественного оборудования и программного обеспечения за счёт информирования заинтересованных организаций о планах развития, текущих и потенциальных потребностях отрасли;
Повышение надежности инфраструктуры сетей связи за счёт выявления и устранения "узких" мест и обеспечения достаточного уровня резервирования;
Повышение эффективности реализации планов программы "Цифровая экономика Российской Федерации" и других федеральных, региональных и муниципальных программ развития за счёт своевременного формирования необходимой технологической инфраструктуры;
Рост скорости внедрения цифровых решений в экономике Российской Федерации за счёт формирования ясных ожиданий о географии покрытия и сроках доступности современных видов связи.

Увеличение количества медицинских организаций государственной и муниципальной систем здравоохранения, подключённых к государственной информационной системе "Госуслуги";
Расширение возможностей сетевого взаимодействия между медицинскими организациями и профильными специалистами;
Обеспечение условий для оказания персонифицированных медицинских услуг в дистанционной форме;
Рост информационной открытости медицинских организаций.

Обеспечение условий для активного внедрения современных образовательных технологий в образовательный процесс;
Увеличение количества образовательных организаций, использующих электронную форму дневника и журнала;
Увеличение количества образовательных организаций, в рамках которых функционируют современные информационно-библиотечные центры.

Обеспечение условий для увеличения количества интернет-пользователей в Чукотском автономном округе;
Обеспечение условий для развития электронной коммерции в Чукотском автономном округе;
Обеспечение условий для предоставления государственных услуг в электронном виде;
Повышение уровня информатизации Чукотского автономного округа.

Увеличение пропускной способности каналов передачи данных;
Улучшение условий для бизнеса, связанного с деятельностью внутри сети "Интернет";
Увеличение количества пользователей сети "Интернет" на территории Российской Федерации;
Функционирование благоприятной информационной бизнес-среды.

Оптимизация процесса учёта телеметрических данных;
Повышение эффективности использования ресурсов;
Повышение операционной эффективности транспортных компаний;
Повышение комфорта граждан при осуществлении гражданских грузоперевозок.

Оптимизация взаимодействия федеральных органов исполнительной власти, а также отдельных органов местного самоуправления и сопутствующих бизнес-процессов;
Оптимизация процесса сбора информации о деятельности федеральных органов исполнительной власти, а также отдельных органов местного самоуправления;
Повышение информационной открытости федеральных органов исполнительной власти, а также отдельных органов местного самоуправления перед гражданами Российской Федерации;
Повышение эффективности предоставления услуг федеральными органами исполнительной власти, а также отдельными органами местного самоуправления.

Стимулирование процесса импортозамещения в сфере хранения и обработки данных;
Унификация требований к центрам хранения и обработки данных;
Повышение безопасности в сфере обработки и хранения данных.

Обеспечение легального обмена информацией между государством, гражданами, а также коммерческими и некоммерческими организациями, в т. ч. с согласия гражданина (инфраструктура "Цифровой профиль");
Обеспечено удобство, прозрачность и безопасность обмена данными между участниками информационного обмена;
Появление новых инструментов управления обменом данными о гражданах Российской Федерации, в том числе инструментов управления цифровыми согласиями;
Повышение доступности услуг за счет их предоставления полностью в цифровом виде;
Снижение стоимости услуг за счет цифровизации и оптимизации процессов их предоставления.

Расширение зоны покрытия сотовой связью и сетью "Интернет" в Российской Федерации;
Повышение обороноспособности Российской Федерации;
Развитие информационно-телекоммуникационной инфраструктуры, а также сопутствующих отраслей экономики в субъектах Российской Федерации с низким уровнем информатизации (в том числе находящихся в труднодоступной местности).

Структура управления программой

Для управления программой создана сложная система сдержек и противовесов из различных органов государственной власти.

Финансирование программы

Общие расходы программы за период 2018-2024 гг. составят 1,634 трлн руб. Из этой суммы 1,1 трлн руб. должен будет выделить федеральный бюджет, а 534 млн руб. должны быть взяты из внебюджетных источников.

Направления программы

Нормативное регулирование быстрых изменений

Информационная инфраструктура

Информационная безопасность

Кадры и образование

Сквозные технологии цифровой экономики

Сквозные технологии - это ключевые научно-технические направления, которые оказывают наиболее существенное влияние на развитие новых рынков.

История создания и развития программы

2022

Зампред правительства Дмитрий Чернышенко поручил адаптировать нацпрограмму «Цифровая экономика» под текущую экономическую ситуацию

Заместитель председателя правительства Дмитрий Чернышенко провел заседание президиума правительственной комиссии по цифровому развитию, использованию информационных технологий для улучшения качества жизни и условий ведения предпринимательской деятельности.

Главной темой заседания стала реализация в 2022 году мероприятий национальной программы «Цифровая экономика» в условиях санкций, введенных отдельными странами в отношении России. Также были рассмотрены и утверждены отчеты о ходе исполнения нацпрограммы в 2021 году – основные показатели достигнуты.

Дмитрий Чернышенко поручил адаптировать нацпрограмму «Цифровая экономика» под текущую экономическую ситуацию. Фото - «Правда»

Как отметил заместитель министра цифрового развития, связи и массовых коммуникаций Николай Яцеленко, Минцифры уже приступило к проведению экспресс-анализа плана реализации нацпрограммы и в установленный срок ведомство будет готово озвучить предложения по изменению федпроектов.

На заседании в числе первых решений по минимизации рисков были озвучены переход государственных информсистем на отечественный софт и обеспечение госорганов доступом к гособлаку. Минцифры активно работает над задачей перераспределения текущего ресурса и формирования новых цепочек поставок для стабилизации отрасли.

По итогам заседания Дмитрий Чернышенко поручил Минцифры до конца марта представить результаты анализа и проработанные меры по минимизации рисков недостижения результатов национальной программы «Цифровая экономика», а также сформировать предложения по изменению паспортов федеральных проектов, входящих в ее состав.

Генпрокуратура начала контролировать развитие «Цифровой экономики»

14 февраля 2022 года стало известно о создании в Генеральной прокуратуре РФ отдела по надзору за исполнением законов в сфере информационных технологий и защиты информации. Его сотрудники, в частности, будут контролировать реализацию национального проекта «Цифровая экономика». Подробнее здесь.

2021: Новый куратор федерального проекта «Информационная безопасность» - Александр Шойтов

12 апреля 2021 года председатель правительства РФ Михаил Мишустин подписал распоряжение о назначении Александра Шойтова на должность заместителя министра цифрового развития, связи и массовых коммуникаций РФ. В числе прочего он будет курировать федеральный проект «Информационная безопасность» национальной программы «Цифровая экономика РФ». Подробнее здесь.

2020

Минфин: Бюджет нацпроекта «Цифровая экономика» исполнен на 97%

По данным Министерства финансов РФ, исполнение расходов федерального бюджета на реализацию национального проекта «Цифровая экономика» в 2020 году составило 97%. Это меньше по сравнению со всеми нацпроектами вместе взятыми, бюджет по которым исполнен на 97,4% (2,149 трлн рублей) от плановых значений.

Уровень исполнения бюджета «Цифровой экономика» оказался одним из худших наряду с проектами «Малое и среднее предпринимательство и поддержка индивидуальной предпринимательской инициативы» (96,9%), «Здравоохранение» (96,2%) и «Образование» (86,4%).

Минфин: Бюджет нацпроекта «Цифровая экономика» в 2020 году исполнен на 97%

Лидерами по исполнению расходов на 1 января 2021 года являются следующие нацпроекты:

«Жилье и городская среда» (99,7%);
«Наука» (99,2%);

Комплексный план модернизации и расширения магистральной инфраструктуры (транспортная часть, 99,4%).

Кроме того, наиболее эффективными проектами по исполнению расходов стали нацпроекты:

«Безопасные и качественные автомобильные дороги» (98,8%);
«Производительность труда и поддержка занятости» (98,7%);
«Культура» (98,5%);
«Демография» (98%);
«Международная кооперация и экспорт» (97,6%);
«Экология» (97,6%).

Недостаточное исполнение бюджета в рамках «Цифровой экономики» также наблюдалось в 2019 года году. Так, по итогам 2019 года этот проект также продемонстрировал наихудший показатель исполнения бюджета среди всех других нацпроектов. Согласно данным Счетной палаты, по состоянию на 28 декабря 2019 года уровень исполнения расходов «Цифровой экономики» составил 53,6%. С учетом того, что в 2019 году на этот нацпроект из бюджета было выделено 108 млрд рублей, без реального финансирования остались его элементы на 57,9 млрд рублей.

В 2020 году Минцифры выступило с предложением кардинального изменения «Цифровой экономики», подготовив список изменений почти в каждом из входящих в ее состав федеральных проектов, включая «Цифровые технологии». [1]

В Счетной палате указали на проблемы нацпрограммы «Цифровая экономика»

В начале ноября 2020 года Счётная палата сообщила о проблемах, которые мешают своевременной реализации национального проекта «Цифровая экономика» и ее эффективному мониторингу.

Одной из таких проблем является внесение в паспорт нацпроекта и входящих в него федеральных программ слишком большого количества изменений, говорит аудитор ведомства Данил Шилков. С середины 2019 года в нацпрограмму внесено 94 изменения, а в федеральные проекты — примерно в два раза больше. Такое множество изменений осложняет эффективный мониторинг реализации национальной программы, пояснил он.

В Счетной палате сообщили о проблемах нацпрограммы «Цифровая экономика»

Также Данил Шилков обратил внимание на низкое кассовое исполнение расходов по нацпроекту. Так, за девять месяцев 2020 года этот показатель составил всего 20,6%. Еще один недостаток — слишком скромное финансирование региональных проектов, которые должны вносить значительный вклад в достижении заявленных в паспорте нацпроекта показателей.

Кроме того, Шилков указал на неоходимость доработки нормативно-правовой базы «Цифровой экономики» в части отбора социально значимых объектов для подключения к Интернету. К такому выводу Счетная палата пришла по итогам недавней проверки использования бюджетных средств, направленных Ростелекому на реализацию мероприятий нацпрограммы. [2]

Создание центров управления регионами по поручению Путина

20 июля 2020 года президент Татарстана Рустам Минниханов подписал распоряжение о создании в республики Центра управления регионом (ЦУР) в рамках реализации национального проекта «Цифровая экономика». Подробнее здесь.

«Сколково» представило план по регулированию цифровой экономики

22 мая 2020 года стало известно о подготовленной фондом «Сколково» концепции правового регулирования отношений в цифровой экономике в рамках одноименной национальной программы. Этот документ был направлен в АНО «Цифровая экономика» и Минэкономразвития.

Как пишет «Коммерсантъ» со ссылкой на краткую версию концепции, она среди прочего охватывает регулирование персональных и больших данных, финансовой системы, цифрового образования и здравоохранения, онлайн-торговли и транспорта.

В «Сколково» проработали будущее регулирование отрасли

Также в «Сколково» предлагают создать льготный режим налогообложения для тех, кто занят в цифровой экономике, например, российских онлайн-ритейлеров. По мнению авторов документа, нет необходимости жестко регулировать онлайн-торговлю, особенно что касается маркетплейсов, выступающих в роли информационных посредников.

Кроме того, в концепции перечислены следующие предложения по правовому регулированию цифровой экономики:

закрепить в законодательстве понятие «цифровая образовательная среда»;
упростить получение образовательных лицензий для дистанционного обучения;
устранить излишние требования для такого обучения, например, к помещениям;
ввести понятие «цифровое здравоохранение», которое объединит технологии в этой сфере;
создать нормативную базу для беспилотного транспорта и агрегаторов различных видов перевозок.

По сообщению издания, рабочая группа АНО «Цифровая экономика» одобрила документ с рядом замечаний, после доработки его вновь направят в Минэкономики.

Принятие регулирования — вопрос времени, но важно, чтобы оно не спускалось сверху, а публично обсуждалось, считает советник практики информационных технологий компании «Томашевская и партнеры» Роман Янковский.

Из «Цифровой экономики» предложили убрать ИБ-инициативы на 1,6 млрд рублей

18 мая 2020 года стало известно о том, что Аналитический центр при Правительстве Российской Федерации|Аналитический центр (АЦ) при правительстве РФ предложил отложить реализацию некоторых проектов национальной программы «Цифровая экономики» из-за пандемии коронавируса COVID-19.

Как пишет «Коммерсантъ» со ссылкой источник, знакомый с материалами, которые рассматривались на заседании правительственной комиссии 15 мая 2020 года, среди прочего АЦ предлагает исключить из проекта «Информационная безопасность» ряд мероприятий и перераспределить предусмотренные на них 1,6 млрд рублей на другие задачи проекта.

]Аналитический центр при правительстве РФ предложил отложить реализацию некоторых проектов национальной программы «Цифровая экономики» из-за пандемии

В публикации издания говорится, что завершить проекты в срок не получается. Так, нарушены сроки таких инициатив, как развитие 5G, создание государственной единой облачной платформы, типового автоматизированного рабочего места госслужащего, венчурного фонда поддержки образовательных проектов и др.

Из 231 запланированной задачи нацпрограммы за январь-март 2020 года удалось выполнить только шесть, сообщил газеты источник со ссылкой на данные АЦ. 150 проектов отстают от сроков, а ещё 66 признали невыполненными (к середине мая 2020 года).

В АЦ отметили, что исполнению программ нацпроекта дана удовлетворительная оценка. Ожидается, что некоторые невыполненные в 2019 году задачи будут завершены к 1 июля.

По словам директора практики ИТ-консалтинга PwC в России Дмитрия Шепелявого, на исполнение программы влияет изначально сложная структура управления с задействованием органов власти, госкорпораций, АНО, институтов развития. Для повышения эффективности реализации программы нужно упростить структуру управления, усилив компетенциями соответствующий проектный офис, а также провести аудит мероприятий программы, пересмотрев приоритеты на основе уже накопленного опыта и изменившейся экономической ситуации, считает эксперт. [4]

Спецпредставитель президента Дмитрий Песков заявил о провале в развитии цифровых технологий

Минкомсвязи провалило развитие цифровых технологий, заявил спецпредставитель президента Дмитрий Песков, выступая на онлайн-конференции, посвященной перезапуску Национальной технологической инициативы (НТИ). Подробнее здесь.

Путин поручил изменить нацпрограмму "Цифровая экономика"

До 15 апреля 2020 года в нацпрограмму «Цифровая экономика» должны быть внесены изменения, предусматривающие разработку и внедрение отечественных программного обеспечения и программно-аппаратных средств для ускорения цифровой трансформации отраслей реального сектора экономики. Это следует из поручения президента РФ Владимира Путина, данного правительству 24 января 2020 года.

Ответственным за исполнение поручения назначен премьер-министр Михаил Мишустин.

По наблюдениям Центра высоких технологий (ЦВТ), предваряли выход поручения активные разговоры о необходимости изменений в нацпрограмме «Цифровая экономика». В 2019 году, как отметили в компании, данные дискуссии в стране были самыми плотными. Наиболее активно обсуждало программу профессиональное сообщество – разнообразные отраслевые некоммерческие организации, включая РУССОФТ и АПКИТ.

Данная ситуация, уверены в компании, может устраивать чиновников, так как позволяет показывать положительную динамику на бумаге.

Именно это, как считают в центре, является краеугольным камнем тех изменений, которые президент поручил внести в нацпрограмму «Цифровая экономика».

Без изменений нацпрограммы никакого российского программного обеспечения на самом деле не появится, заявляют в ЦВТ.

По мнению сооснователя Postgres Professional Ивана Панченко, наиболее вероятной ключевой темой обсуждения нацпрограммы в стране, предварявшего выход поручения, в 2019 году было также повышение роли отечественных разработчиков программного обеспечения.

Также он полагает, что, по сравнению с заявленными масштабами, эффект от реализации нацпрограммы, «мягко говоря, трудно заметен, и в ней начали разочаровываться». Помимо того, в воздухе подвисли вопросы, связанные с неполной реализацией вложенных в программу бюджетных средств и с отсутствием единого понимания, как двигаться к цели, и какова она вообще.

Директор по взаимодействию с государственными органами Abbyy Ольга Минаева обратила внимание TAdviser, что тема продления налоговых льгот по страховым взносам для ИТ-компаний, срок действия которых заканчивается в 2023 году, обсуждалась в 2019 году наряду с нацпрограммой «Цифровая экономика».

Говоря с TAdviser о нацпрограмме, генеральный директор «Новые Облачные Технологии» Дмитрий Комиссаров заметил, что пока до конца так и не ясно, как именно она должна развиваться, поскольку не существует прямого указания на принципы построения инфраструктуры.

Вместе с тем, в Центре высоких технологий считают, что результат реализации программы связан не только с ней самой. Одним из самых труднопроходимых участков ее реализации в компании считают российское законодательство.

Опрошенные эксперты также поделились с TAdviser своим мнением о том, насколько динамично проходит в России цифровая трансформация отраслей реального сектора.

На взгляд Дмитрия Комиссарова, скорость данного процесса недостаточна. Однако в ЦВТ TAdviser заявили, что по 2019 году видно, как прибавили в развитии все процессы, связанные с цифровизацией экономики.

По мнению директора департамента сервиса и аутсорсинга компании «Сервионика» (ГК «АйТеко») Георгия Мегрелишвили, скорость цифровой трансформации реального сектора экономики в России растет по мере того, как все участники экономики, и в первую очередь - системообразующие компании, начинают понимать, что цифровая трансформация - не модный лозунг, а реальная необходимость.

Президент РУССОФТ Валентин Макаров заявил TAdviser, что цифровая трансформация в России идет полным ходом в частных компаниях, преимущественно в секторах экономики с минимальным участием государства.

Цифровая трансформация в секторах со значительным участием государства, как отметил глава РУССОФТ, требует больше времени в связи с более долгим циклом управления и принятия решения. Да и частных «цифровизаторов» в данных секторах, по его словам, особенно не ждут.

На взгляд генерального директора Abby Россия Дмитрия Шушкина, главными препятствиями цифровой трансформации реального сектора экономики России являются непонимание реальных возможноcтей цифровых технологий и непрозрачность бизнес-процессов в организациях.

Георгий Мегрелишвили также видит основные препятствия цифровой трансформации реального сектора экономики страны внутри компаний. Второй важный фактор, по его мнению - неравномерность технологического развития между отраслями.

Новый министр цифрового развития Максут Шадаев представил новое видение цифровой экономики

Глава министерства цифрового развития Максут Шадаев выступил на заседании рабочей группы Госсовета по направлению «Коммуникации, связь, цифровая экономика», состоявшемся 27 января 2020 года, и перечислил 7 направлений развития цифровой экономики в интересах граждан, бизнеса и государства.

Максут Шадаев представил новое видение нацпрограммы "Цифровая экономика"

TAdviser ознакомился с презентацией министра.

Цифровая экономика – гражданам: проводить время с близкими, а не тратить его на получение госуслуг

Цель первого направления заключается в том, чтобы граждане тратили на получение всех необходимых госуслуг не более 3 часов в год личного времени.

Госуслуги должны предоставляться также быстро, как осуществляется покупка билетов или бронирование гостиниц. Цифровой ID и биометрия должны заменить гражданам паспорта и подписи как в реальной жизни, так и в цифровой среде. Должны появиться сервисы онлайн-доступа гражданина ко всем госданным о себе и их предоставления третьим лицам.

В результате к 2024 году 8 из 10 обращений за госуслугами должны осуществляться только в цифровых каналах – без очных обращений. 50% совершеннолетних граждан должны быть зарегистрированы в единой системе онлайн-идентификации с биометрией, а 100% персональных данных гражданина из госсистем должны быть доступны ему в личном кабинете на портале госуслуг, сказано в презентации.

Цифровая экономика – гражданам: новое качество образования и подготовки детей

Второе направление ставит целью, чтобы 100% учащимся была обеспечена гарантия равного доступа к качественному образованию с возможностью его персонализации.

Возможности, которые должны возникнуть для учащихся в результате этого направления:

Онлайн видео-занятия с учителями-предметниками
Новые образовательные технологии при проведении занятий в классах
Цифровые технологии проверки знаний учащихся
Технологии развития индивидуальных образовательных траекторий

К 2024 году 100% малокомплектных и удаленных школ, а также дети с ограниченными возможностями смогут использовать онлайн видео-занятия. 50% занятий в классах должны будут проводиться с использованием цифрового образовательного контента. 2/3 домашних заданий будет выполняться учащимися в цифровом виде с автоматической проверкой. 80% учащихся в рамках дополнительной подготовки смогут использовать электронные образовательные сервисы и контент для изучения предмета.

Цифровая экономика – гражданам: новые возможности контроля за состоянием своего здоровья

Третье направление для граждан связано с медициной. Его цели - гарантия 100% доступности базовой медицинской помощи, а также формирование у 50% населения заинтересованности в постоянном контроле своего здоровья, своевременное обращение за медицинской помощью, выбор оптимального варианта лечения и снижение количества врачебных ошибок.

Граждане должны иметь доступ к своим медицинским данным в режиме онлайн, а также к сервисам их анализа и информирования. Должны заработать сервисы проведения онлайн-консультаций с врачами, должен осуществляться онлайн контроль за состоянием отдельных параметров здоровья. Искусственный интеллект должен помогать в процессах постановки диагнозов и выборе варианта лечения.

К 2024 году, по замыслу Шадаева, 100% граждан будут иметь доступ к своей электронной медицинской карте, результатам анализов, исследований. 100% медорганизаций будут подключены к сервисам проведения видеоконференций с пациентами, 100% лиц в группе риска обеспечены носимыми персональными телемедицинскими устройствами мониторинга, а 100% медицинских информационных систем будут использовать технологии ИИ в рамках клинических протоколов.

Цифровая экономика – бизнесу: кардинальное снижение издержек

Перевод документооборота бизнеса с клиентами, контрагентами и госорганами исключительно в цифровой вид должен дать экономию расходов на 1-3%, сказано в презентации.

Бизнесу должны быть обеспечены:

Доступ к цифровым государственным и другим данным о гражданах с их согласия
Использование больших данныхгосударства
Сдача всей обязательной отчетности и первичной документации по госконтрактам в цифровом виде
Получение всех необходимых лицензий и разрешений в «три клика» в электронном виде

В результате к 2024 году 100% юрлиц должны получить техническую возможность подключения к цифровому профилю гражданина. 100% неконфиденциальных данных должны стать доступны бизнесу, а 100% всех документальных транзакций бизнеса с госорганами должны осуществляться исключительно в цифре. 100% разрешений и лицензий должны выдаваться в рамках реестровой модели в виде цифровых документов

Цифровая экономика – бизнесу: снижение административного давления

Цель этого направления - благоприятный климат для развития бизнеса.

Для ее реализации нужно будет обеспечить получение всех необходимых лицензий и разрешений в «три клика» в электронном виде. Решения по проверке бизнеса должны приниматься на основе автоматического скоринга. Кроме того, должен быть организован публичный онлайн доступ к материалам уголовных дел против предпринимателей с их согласия.

К 2024 году 100% разрешений и лицензий должны выдаваться в рамках реестровой модели в виде цифровых документов, 80% решений о проведении проверок бизнеса должны формироваться в рамках ИТ-систем контрольных органов, а 100% обвиняемых должны иметь возможность принять решение о публикации материалов уголовного дела, сказано в презентации.

Цифровая экономика – государству: эффективное незаметное государство

В результате работы в направлении повышения эффективности госаппарата должен произойти рост удовлетворенности населения качеством работы органов власти и снижение на 10% издержек, связанных с взаимодействием с населением и бизнесом, говорится в презентации Шадаева.

Обслуживание должно быть персонифицировано на основе формирования единого профиля гражданина. Жалобы и запросы жителей должны вызывать реакцию. Ключевые государственные учеты должны быть централизованы, а процессы оказания госуслуг роботизированы.

К 2024 году 100% граждан должны будут получать персональные уведомления, в том числе в соцсетях, о возможности получения различных сервисов в проактивном режиме. 25% бюджетов регионов должны будут распределяться по результатам онлайн голосования по предложениям граждан. 100% базовых учетов физических лиц должны быть гармонизированы и интегрированы между собой, сформированы единые базы в сфере объектов инфраструктуры.

На 20% может быть сокращена численность сотрудников, участвующих в процессах оказания госуслуг, на 20% сокращено количество инспекторов и контролеров, отмечается в презентации.

Цифровая экономика – государству: новый уровень общественной безопасности

Заключительное направление преследует цель профилактики преступности, повышения раскрываемости и эффективности предупреждения, рост оперативности реагирования на ЧС.

Для этого планируется использовать интеллектуальные системы видеонаблюдения с распознаванием лиц, внедрить «умные датчики» для контроля оперативной обстановки, обеспечить онлайн доступ к госданным, данным банков, операторов мобильной связи, интернет-сервисов в рамках оперативно-розыскной деятельности.

К 2024 году 100% мест массового пребывания и проживания людей, а также потенциально опасных объектов должны быть оборудованы камерами видеонаблюдения и умными датчиками, подключенными к единой системе. 100% уполномоченных сотрудников должны иметь возможность получения необходимых сведений в онлайн режиме.

2019

Медведев утвердил создание цифровой платформы госуправления

В конце ноября 2019 года премьер-министр Дмитрий Медведев утвердил «дорожную карту» по созданию цифровой платформы госуправления и поручил утвердить план на её основе. Работа над проектом стартует в 2020 году. Об этом «Коммерсанту» рассказал представитель вице-премьера Максима Акимова. Подробнее здесь.

Дмитрий Медведев: Мы должны перевернуть модель регулирования для ускоренного вывода новых технологий на рынок

22 октября 2019 года премьер-министр России Дмитрий Медведев выступил на пленарном заседании Московского международного форума инновационного развития «Открытые инновации», рассказав, в частности, о вызовах цифровой трансформации экономики.

Дмитрий Медведев отметил, что тестирование новых технологий очень часто не согласуется с действующими нормами, что приводит к весьма неприятным последствиям

По словам премьера, цифровые платформы уже используются практически везде – от космической отрасли до покупки ужина.

Они естественным образом вошли в повседневную жизнь людей. С бытовой точки зрения стало намного проще всё это делать – будь то любая покупка, поход в музей, на концерт, заказ билетов. В общем, практически всё можно сделать, нажав кнопку на смартфоне. 10 лет назад ещё было не так, - отметил председатель правительства.

Медведев рассказал, что уже идет работа над тем, чтобы поступать в российские вузы можно было через интернет. Для этого проекта отобрано более полусотни высших учебных заведений, причем речь идёт не только о крупных городах.

В этом смысле Россия находится в хорошем состоянии. Это отчасти наше конкурентное преимущество, поскольку в нашей стране всё это доступно уже трём четвертям жителей нашей страны, то есть 75% населения могут пользоваться всеми достижениями, связанными с интернет-технологиями, - заявил премьер.

Стремительная цифровая трансформация, по словам главы правительства, формирует и новую экономику. В индексе глобального развития у России тоже есть неплохие движения по инновационному потенциалу.

Чтобы реализовать этот потенциал, была принята программа по цифровой экономике, в ближайшее время она пополнится ещё одним федеральным проектом, который называется «Искусственный интеллект». Понятно, для чего он создан. Всего на развитие «цифры» в нашем бюджете на ближайшие годы предусмотрено 1,6 трлн рублей, - добавил он.

Но не все вопросы, по словам Медведева, решаются деньгами, хотя деньги нужны и важны.

Нам нужно дать ответы на те вопросы, которые стоят, на те серьёзные вызовы, которые существуют, - заявил он.

Интернет с момента своего создания стал синонимом открытости. Быстрый трансграничный обмен любым количеством информации создаёт огромные возможности для развития личности, для культурных связей, бизнеса. По сути, для целых государств. Но любое явление содержит в себе и обратную сторону. Открытость, естественно, несёт и определённые, весьма значительные риски. Поэтому понятие цифровой безопасности включает в себя множество аспектов, - отметил премьер-министр.

Прежде всего, по словам Медведева, это обеспечение национальных интересов страны. И с точки зрения экономики: ни один хакер не должен иметь возможность обрушить, например, всю банковскую систему страны. И с точки зрения политики:

Если мы доживём до того момента, когда у нас будет электронное голосование – а уже пилотные проекты на эту тему реализуются, есть разные оценки, тем не менее очевидно, что так или иначе за этим будущее, – то, естественно, эта система должна быть защищена от влияния извне.

И с точки зрения защиты от террористических угроз – когда проникновение преступников в электронные системы управления жизнеобеспечением страны становится просто невозможным.

По мнению главы правительства, на эти угрозы человечество научилось реагировать – на том технологическом уровне, которого мы достигли. Но сегодня появились и другие вопросы. Например, защита персональных данных.

Эти данные давно стали стратегическим ресурсом. Мы, например, планируем запустить электронный паспорт в пилотном режиме с 1 марта следующего года. Эта система будет содержать практически всю важнейшую информацию о человеке. Уже сейчас государственные информационные системы содержат более 80 петабайт информации. Желающих завладеть такими огромными массивами данных в мире всё больше. По статистике, кибератаки происходят каждые 14 секунд. Пока я говорю, можно посчитать, какое количество кибератак уже в мире состоялось, - заметил он.

Россия, по его словам, как и другие страны, работает над развитием национальной системы в области обеспечения кибербезопасности, в том числе и в области цифровой экономики. Но, к сожалению, обеспечение тотальной безопасности в цифровом мире имеет и свою обратную сторону, свою цену – это угроза утраты приватности личности, то есть, по сути, утраты частной жизни.

Сейчас грань между частным и публичным пространством очень тонкая. Подчас её невозможно измерить, невозможно почувствовать. Буквально любой шаг человека, его экономические и социальные действия фиксируются окружающими нас устройствами. Даже всё то, что происходит здесь, естественно, навсегда останется в памяти человеческой. А это создаёт риски ограничения свобод, риски манипулирования человеком. Необходимо выстраивать этот хрупкий баланс между безопасностью и гарантиями защиты частной жизни, - заявил Медведев.

Второй вызов, о котором упомянул премьер, это трансформация рынка труда в связи с роботизацией.

Сегодня учёные утверждают, что в ближайшие два года взамен исчезнувших 75 млн традиционных рабочих мест на планете появится 133 млн новых. Это внушает некоторый оптимизм. Эта уверенность основывается на процессах на рынке труда, которые мы наблюдаем сегодня в мире. Понятно, что уже много роботов, в мире работает порядка 2,5 млн роботов. В основном – в отдельных странах, которые сделали для себя выбор и которые к этому технологически и финансово готовы. Это Корея, Германия, Сингапур. Уровень занятости в этих странах высокий. Тем не менее мы должны готовиться к серьёзной переквалификации людей. Надо учить специалистов, которые способны работать с технологиями автоматизации, роботами, - отметил премьер.

Низкоквалифицированный труд, по его мнению, должен отходить в конечном счёте к роботам, а люди должны обладать так называемыми мягкими навыками, то есть креативным мышлением, способностью оперативно решать проблемы.

Третий вызов, по словам Медведева, связан с правовым регулированием, которое не должно тормозить инновационное развитие. Он считает, что закон в силу своей природы консервативен и никогда не будет поспевать за технологическими изменениями: «если бы закон всегда успевал, может быть, никаких технологических изменений не было бы».

Без экспериментов не может быть внедрения ни открытий, ни новых технологий. Но тестирование очень часто не согласуется с действующими нормами, что приводит к весьма неприятным последствиям. Я проиллюстрирую это на российском примере, чтобы никого не обижать. Мы договаривались заниматься беспилотными автомобилями. Я лично проводил несколько совещаний, давал указания, поручения, этим занимались наши компании. Но из-за сложной системы сертификации на дорогах тестируется всего 55 таких автомобилей, часть из них ездит по территории Сколково. Фактически из-за регуляторных барьеров мы их не смогли ввести столько, сколько надо. К примеру, в Соединённых Штатах сертифицировано 1,5 тыс. таких машин, в Китайской Народной Республике – 400, у нас – 55. Надо быстрее работать. Мы должны ускорять вывод новых технологий на рынок, для этого, по сути, перевернуть модель регулирования, принимать не запретительные, а дозволительные нормы. Именно такой идеологии придерживается разрабатываемый закон о так называемых регуляторных песочницах. Этот правовой режим позволит инноваторам действовать так, чтобы не преступать закон, - отметил премьер.

После выступления Дмитрия Медведева модератор пленарного заседания, профессор Сколковского института науки и технологий Иван Оселедец, прокомментировал тему беспилотного транспорта в Сколково. Он отметил, что после жалоб граждан и вмешательства прокуратуры беспилотные автомобили стали ездить «с водителем за рулём, который за руль не держится».

Медведев отреагировал на этот комментарий:

Это поправить можно… Нужно просто правила изменить.

Счётная палата РФ обнародовала объём расходов на переход к цифровому телевидению

9 октября 2019 года Счётная палата РФ обнародовала объём расходов на переход к цифровому телевидению. Вложения из различных источников составили 167,5 млрд рублей, в том числе 97,1 млрд рублей из государственного бюджета. Подробнее здесь.

Госдума поддержала продажу квартир через интернет

18 сентября 2019 года стало известно о том, что комитет Госдумы по финансовому рынку одобрил законопроект, позволяющий проводить сделки с недвижимостью дистанционно. Подробнее здесь.

Минкомсвязи готовит Национальный индекс развития цифровой экономики России

В конце июня 2019 года Министерство цифрового развития, связи и массовых коммуникаций России объявило конкурс на подготовку системы показателей Национального индекса развития цифровой экономики Российской Федерации в рамках реализации мероприятия федерального проекта «Цифровые технологии». Стоимость работ оценивается в 14,9 млн рублей. Подробнее здесь.

Представлены планы развития ИИ, блокчейна, VR и других технологий цифровой экономики

24 мая 2019 года наблюдательный совет АНО «Цифровая экономика» рассмотрел и принял четыре дорожные карты по развитию сквозных технологий. Подробнее здесь.

За ИТ-архитектуру цифровой экономики отвечает экс-гендиректор Сбертеха Андрей Хлызов

С 11 февраля 2019 года Андрей Хлызов работает в ФГБУ НИИ "Восход" - институте, подведомственном Министерству цифрового развития и связи РФ. В должности заместителя директора по инновациям Хлызов отвечает за ИТ-архитектуру национальной программы "Цифровая экономика" и цифрового государства в широком смысле, рассказал TAdviser он сам.

Разработка дорожных карт по развитию «сквозных» цифровых технологий

1 марта 2019 года Госкорпорация «Росатом» объявила конкурсы на разработку дорожных карт по развитию девяти «сквозных» цифровых технологий на общую сумму 109 млн рублей. Соответствующие извещения опубликованы на портале госзакупок [5] [6] [7] [8] [9] [10] [11] [12] [13] .

Объявлены конкурсы на разработку дорожных карт по развитию «сквозных» цифровых технологий

В рамках реализации федерального проекта «Цифровые технологии» национальной программы «Цифровая экономика», победители конкурсов должны будут разработать дорожные карты по следующим направлениям:

Промышленный интернет
Большие данные
Компоненты робототехники и сенсорика
Технологии виртуальной и дополненной реальностей
Технологии беспроводной связи
Нейротехнологии и искусственный интеллект
Новые производственные технологии
Системы распределенного реестра
Квантовые технологии

От исполнителей ждут проведения анализа факторов технологического предложения (научно-технического и технологического задела), оценки потребностей по соответствующей технологии и определения приоритетных субтехнологий (подмножество технологий, формирующих «сквозную» цифровую технологию).

Дорожная карта должна сформировать план совместных действий бизнес-сообщества и органов исполнительной власти по разработке и применению «сквозных» цифровых технологий для достижения технологического лидерства, обеспечения экономического развития и социального прогресса Российской Федерации, выхода российских компаний на международные рынки.

Кроме того, исполнители должны будут определить измеримые стратегические цели и целевые эффекты развития «сквозных» технологий. Дополнительно требуется установить долгосрочные ориентиры для деятельности субъектов поддержки в рамках федерального проекта «Цифровые технологии», в том числе лидирующих исследовательских центров, вузов, научных организаций, компаний, цифровых платформ и др.

Работы должны выполняться в 1 этап – с момента заключения государственного контракта до 30 сентября 2019 года. В рамках выполнения работ, исполнители должны будут провести ряд обсуждений с привлечением экспертов.

Итогом проектов станут текстовые отчеты, презентационные материалы, цифровые интерактивные веб-сервисы с содержанием дорожной карты, а также списки привлеченных экспертов.

Рассмотрение заявок участников и определение исполнителей состоится в конце марта. Победители будут определяться на основе двух основных критериев – цены контракта (60%) и квалификации участника (40%).

На оценку квалификации будут влиять следующие показатели:

опыт разработки комплексных научно-технологических планов или дорожных карт
опыт участия в международных научно-технологических кооперациях, соответствующих направлениям «сквозных» цифровых технологий
наличие авторских публикаций по тематике «сквозных» цифровых технологий
обеспеченность трудовыми ресурсами, проводящими научно-техническую и технологическую экспертизу, по соответствующим направлениям
опыт исследовательской деятельности по направлению «сквозных» цифровых технологий
опыт проведения форсайтов, семинаров и прочих публичных мероприятий с числом участников не менее 100 человек

Заявки на участие в конкурсах принимаются до 26 марта.

Создание визуального навигатора по программе «Цифровая экономика РФ»

15 января 2019 года стало известно, что АНО Цифровая экономика создала визуальный навигатор по национальной программе «Цифровая экономика РФ». Подробнее здесь.

2018

Информационной безопасности посвятили отдельный проект в рамках программы

25 декабря 2018 года премьер-министр РФ Дмитрий Медведев сообщил о том, что информационной безопасности посвящен четвертый проект в рамках программы «Цифровая экономика». Согласно проекту, до 2024 года на ИБ планируется выделить свыше 30 млрд руб., из них 18 млрд руб. будут выделены из федерального бюджета. Подробнее здесь.

Вице-премьер Акимов рассказал Путину о приоритетах нацпроекта "Цифровая экономика"

24 октября 2018 года под председательством Владимира Путина в Кремле состоялось заседание Совета при Президенте по стратегическому развитию и национальным проектам.

С докладом о нацпроекте в области цифровой экономики выступил заместитель председателя правительства РФ Максим Акимов. По его словам, цифровая трансформация затрагивает жизнь каждого человека, изменяет каждую отрасль, формирует очень серьезные вызовы, но и, без сомнения, создает колоссальные возможности для прорывного роста и для достижения всех целей, национальных целей развития, поставленных в майском указе Президента.

Максим Акимов рассказал Владимиру Путину о приоритетах нацпроекта "Цифровая экономика"

По мнению докладчика, первый серьезный вызов – это подключенность. Уже достигнуты довольно серьезные успехи – дешевый и качественный высокоскоростной мобильный интернет, в 10 раз дешевле, чем в Соединенных Штатах, в шесть раз дешевле, чем в Европе. Но с точки зрения охвата домохозяйств, учреждений социальной сферы, здесь большой блок работы.

Федеральный проект «Информационная безопасность» обеспечит устойчивое функционирование российского сегмента интернета, независимо от сбоев или решений, которые принимаются за пределами Российской Федерации, возможных сбоев зарубежной инфраструктуры.

Особое внимание, по его словам, в национальной программе «Цифровая экономика» уделено развитию кадрового потенциала. С 2019 года более 30 тысяч талантливых школьников, студентов в области математики, информатики получат комплексную поддержку. Будут развиваться системы летних математических смен в лагерях, поддержку получат также передовые учебные заведения.

Кроме того, к 2024 году 10 млн человек пройдут базовое обучение по программам повышения цифровой грамотности, в том числе обеспечивающее базовые навыки цифровой безопасности, цифровой гигиены. Важный аспект по этому направлению – это обучение государственных и муниципальных служащих работе с данными, цифровым навыкам, пройдут обучение более 100 тысяч человек.

В рамках проекта «Цифровые технологии» планируется направить 68 млрд рублей на поддержку лидирующих исследовательских центров таких технологических направлений, как квантовые вычисления, виртуальная реальность, дополненная реальность, промышленный интернет, робототехника. Дополнительно будет оказана поддержка внедрению инновационных проектов с точки зрения спроса со стороны предприятий.

В рамках реализации федерального проекта «Цифровое государственное управление» гражданам и бизнесу к 2024 году будут доступны 25 цифровых комплексных сервисов нового поколения, помогающих разрешать жизненные ситуации в режиме онлайн.

Дополнительные расходы федерального бюджета за шесть лет на реализацию мероприятий программы составят более 1 трлн 80 млрд рублей. Также планируется масштабное привлечение внебюджетных источников. Подробнее о финансировании нацпроекта читайте в отдельной статье.

Реализация программы «Цифровая экономика», по словам вице-премьера, позволит создать необходимые условия для выхода в десятку мировых лидеров развития цифровой экономики.

Медведев назвал главные приоритеты нацпрограммы «Цифровая экономика»

17 сентября 2018 года состоялось заседание президиума Совета при Президенте РФ по стратегическому развитию и национальным проектам, в ходе которого премьер-министр России Дмитрий Медведев рассказал о приоритетах национальной программы «Цифровая экономика». По словам главы правительства, программа откроет новые возможности для экономического роста в стране. При этом, развитие должно быть обеспечено не только за счёт автоматизации процессов, ключевую роль должны играть новая бизнес-модель, создание информационных продуктов и сервисов, развитие социальных отношений в этой среде и человеческого капитала на основе тех возможностей, которые цифровая экономика и открывает.

Дмитрий Медведев считает, что нацпрограмма «Цифровая экономика» откроет новые возможности для экономического роста

По его мнению, информационные технологии пронизывают сегодня буквально всё – от промышленности до государственного управления. Кроме того, таких результатов невозможно добиться без эффективного партнёрства государства, институтов развития и высокотехнологичных компаний. Бизнес должен играть здесь ключевую роль, поскольку он лучше чувствует тенденцию и структуру такого рода рынка, добавил премьер.

Глава правительства высказался по поводу всех ключевых направлений нацпрограммы.

Кроме того, по его словам, необходимо выработать правила использования новейших технологий на финансовом рынке, которые упростили бы доступ малых и средних предприятий к финансированию.

Касательно информационной инфраструктуры, он напомнил, что мы постепенно движемся к созданию отдельных элементов сетей пятого поколения.

Что касается кадров, то по словам главы правительства, обучать и переобучать специалистов сегодня нужно быстро и под конкретные практические задачи. Для этого предстоит определиться с требуемыми компетенциями, создать под них хорошие образовательные продукты, а затем соединить это с потребностями организаций, которые действуют в сфере ИТ.

Помимо этого, он отметил важность поддержки талантов:

Ещё одно направление – это кибербезопасность.

Пятое направление, которое прокомментировал Медведев, касалось развития российских цифровых технологий. По его мнению, дальнейшие усилия должны быть сконцентрированы на системной поддержке лидеров рынка, поддержке тех проектов, которые сейчас требуются экономике и гражданам нашей страны. При этом, принципиально важный вопрос, на его взгляд, касается укрепления спроса на российские ИТ-продукты.

Последнее направление, о котором высказался Медведев, касалось «оцифровки» государственного управления.

Глава Минцифры Константин Носков по завершении заседания отметил, что в целом проект одобрен.

Что касается бюджета, то по словам чиновника, источники определены, а программа будет реализовываться прежде всего на принципах конкурсов.

Представлен паспорт национальной программы «Цифровая экономика РФ»

В конце августа 2018 года Министерство цифрового развития, связи и массовых коммуникаций внесло на согласование в правительство проект национальной программы "Цифровая экономика РФ".

Национальная программа "Цифровая экономика РФ" потребует финансирования в размере 2,676 трлн руб.

Программа "Цифровая экономика РФ" сроком до 2024 года была утверждена летом 2017 года. Она определяла цели и задачи в рамках пяти базовых направлений: нормативное регулирование, кадры и образование, формирование исследовательских компетенций и технических заделов, информационная инфраструктура и информационная безопасность. В мае 2018 года президент Владимир Путин поручил правительству скорректировать программу, чтобы придать ей статус национальной.

В обновленном статусе программа включила шесть федеральных проектов:

Нормативное регулирование цифровой среды
Кадры для цифровой экономики
Цифровые технологии и проекты
Информационная инфраструктура
Информационная безопасность
Цифровое государство

Согласно паспорту нацпрограммы, суммарно все перечисленные проекты потребуют финансирования в размере 2,676 трлн руб. При этом, самым затратным станет федеральный проект «Информационная инфраструктура», который потребует свыше 2,1 трлн руб., в т.ч. 628 млрд руб. из федерального бюджета и около 1,5 трлн руб. из внебюджетных источников.

Ниже приведен паспорт национальной программы «Цифровая экономика Российской Федерации».

Основные положения

Краткое наименование национальной программы	Цифровая экономика	Срок начала и окончания	01.10.2018 – 31.12.2024
Куратор национальной программы	М.А.Акимов, Заместитель Председателя Правительства Российской Федерации
Руководитель национальной программы	К.Ю.Носков, Министр цифрового развития, связи и массовых коммуникаций Российской Федерации
Администратор национальной программы	Е.Ю.Кисляков, заместитель Министра цифрового развития, связи и массовых коммуникаций Российской Федерации

Цели, целевые и дополнительные показатели национальной программы

№ п/п	Цель, целевой показатель, дополнительный показатель	Уровень контроля	Базовое значение		Период, год
№ п/п	Цель, целевой показатель, дополнительный показатель	Уровень контроля	Значение	Дата	2018	2019	2020	2021	2022	2023	2024
1.	Рост экономики и повышение ее конкурентоспособности за счет создания устойчивой и безопасной информационно-телекоммуникационной инфраструктуры, внедрения передовых цифровых технологий и платформенных решений преимущественно российского производства	Совет
1.1.	Ежегодный рост валового внутреннего продукта за счет развития цифровой экономики без учета других факторов, проценты [1]	президиум Совета	-	0,3	0,5	0,7	0,9	1	1,1
1.2.	Доля населения, обладающего цифровой грамотностью (не менее четырех базовых цифровых навыков), проценты [2]	президиум Совета	17	31.12.2017	18	20	24	27	31	34	38
1.3.	Доля государственных услуг, функций и сервисов, предоставленных в цифровом виде, проценты*	президиум Совета	-	40	45	53	65	78	89
1.4.	Доля государственных услуг, функций и сервисов, предоставленных без необходимости личного посещения государственных органов и иных организаций, проценты*	президиум Совета	-	15	20	25	30	35	40
1.5.	Доля организаций, использующих системы информатизации и автоматизации бизнес-процессов (CRM, ERP, SCM-системы), в общем числе организаций, проценты	президиум Совета	15,9	31.12.2016	17	20	24	28	32	35	38
1.6.	Доля населения, использующего информационно-телекоммуникационную сеть Интернет для заказа товаров и (или) услуг, в общей численности населения, проценты	президиум Совета	29,1	31.12.2017	32	35	38	41	44	47	50
2.	Создание устойчивой и безопасной информационно-телекоммуникационной инфраструктуры высокоскоростной передачи, обработки и хранения больших объемов данных, доступной для всех организаций и домохозяйств	Совет
2.1.	Российская Федерация входит в топ-5 стран с низкой стоимостью мобильного Интернета	президиум Совета	да	да	да	да	да	да	да
2.2.	Доля домохозяйств, имеющих широкополосный доступ к сети «Интернет», проценты [3]	президиум Совета	-	-	-	-	-	-	97
2.3.	Доля Российской Федерации в мировом объеме оказания услуг по хранению и обработке данных, проценты [4]	президиум Совета	-	-	1,5	2	3	4	5
2.4.	Доля внутреннего сетевого трафика российского сегмента сети «Интернет», маршрутизируемого через иностранные серверы, процентов	президиум Совета	60	31.12.2017	50	40	35	30	25	15	10
3	Использование преимущественно отечественного программного обеспечения государственными органами, органами местного самоуправления и организациями	Совет
3.1.	Стоимостная доля закупаемого и (или) арендуемого федеральными органами исполнительной власти, органами исполнительной власти субъектов и иными органами государственной власти иностранного программного обеспечения, проценты	президиум Совета	60	31.12.2016		< 40
3.2.	Индекс объема отгруженных товаров собственного производства, выполненных работ и услуг собственными силами отрасли информационных технологий (в процентах к предыдущему году в сопоставимых ценах)	президиум Совета	-	31.12.2017	-	107,2	108,2	108,4	108,5	108,6	108,6
4.	Увеличение внутренних затрат на развитие цифровой экономики за счет всех источников (по доле в валовом внутреннем продукте страны) не менее чем в три раза по сравнению с 2017 годом	Совет
4.1.	Рост доли внутренних затрат на развитие цифровой экономики за счет всех источников в валовом внутреннем продукте, проценты [5]	президиум Совета	-	0,3	0,4	0,5	0,5	0,5	0,5

* Рассчитано путем агрегирования экспертных оценок.

Структура национальной программы

№ п/п	Наименование федерального проекта	Сроки реализации	Куратор федерального проекта	Руководитель федерального проекта
1.	Нормативное регулирование цифровой среды	01.10.2018 – 31.12.2024	М.А.Акимов	С.В.Шипов, заместитель Министра экономического развития Российской Федерации
2.	Кадры для цифровой экономики	01.10.2018 – 31.12.2024	М.А.Акимов	О.Б.Пак, статс-секретарь-заместитель министра цифрового развития, связи и массовых коммуникаций Российской Федерации
3.	Цифровые технологии	01.10.2018 – 31.12.2024	М.А.Акимов	Е.Ю.Кисляков, заместитель Министра цифрового развития, связи и массовых коммуникаций Российской Федерации
4.	Информационная инфраструктура	01.10.2018 – 31.12.2024	М.А.Акимов	О.А.Иванов, заместитель Министра цифрового развития, связи и массовых коммуникаций Российской Федерации
5.	Информационная безопасность	01.10.2018 – 31.12.2024	М.А.Акимов	А.В.Соколов, заместитель Министра цифрового развития, связи и массовых коммуникаций Российской Федерации
6.	Цифровое государственное управление	01.10.2018 – 31.12.2024	М.А.Акимов	О.Б.Пак, статс-секретарь-заместитель министра цифрового развития, связи и массовых коммуникаций Российской Федерации

Задачи и результаты национальной программы

Федеральный проект «Нормативное регулирование цифровой среды»

№ п/п	Наименование задачи, результата	Срок реализации	Ответственный исполнитель
1.	Создание системы правового регулирования цифровой экономики, основанной на гибком подходе к каждой сфере, а также внедрение гражданского оборота на базе цифровых технологий
1.1.	Сформированы правовые условия для формирования единой цифровой среды доверия	30.04.2020	Минкомсвязь России, Минэкономразвития России, Банк России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные федеральные органы исполнительной власти (далее – ФОИВ) и организации
1.2.	Созданы правовые условия для формирования сферы электронного гражданского оборота	30.04.2020	Минкомсвязь России, Минэкономразвития России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.3.	Обеспечены благоприятные правовые условия для сбора, хранения и обработки данных	31.12.2020	Минкомсвязь России, Минэкономразвития России, ФАС России, Минздрав России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.4.	Сформированы правовые условия для наиболее эффективного использования результатов интеллектуальной деятельности в условиях цифровой экономики	31.12.2020	Минкомсвязь России, Минэкономразвития России, Минобрнауки России, Минкультуры России, Минфин России, Банк России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.5.	Обеспечены правовые условия для внедрения и использования инновационных технологий на финансовом рынке	31.12.2019	Минкомсвязь России, Минэкономразвития России, Минфин России, Банк России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.6.	Приняты нормативные правовые акты, обеспечивающие стимулирование развития цифровой экономики	30.04.2020	Минкомсвязь России, Минэкономразвития России, Минфин России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.7.	Реализован комплекс мер по совершенствованию механизмов стандартизации	31.12.2020	Минкомсвязь России, Минэкономразвития России, Росстандарт, Минпромторг России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.8.	Сформированы правовые условия в сфере судопроизводства и нотариата в связи с развитием цифровой экономики	30.04.2020	Минкомсвязь России, Минэкономразвития России, Минюст России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.9.	Обеспечено нормативное регулирование взаимодействия предпринимательского сообщества и государства	30.04.2020	Минкомсвязь России, Минэкономразвития России, Минтруд России, Минфин России, Банк России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.10.	Определена позиция Российской Федерации по вопросам, способствующим развитию цифровой экономики и гармонизации подходов в этой сфере на пространстве ЕАЭС	30.11.2020	Минкомсвязь России, Минэкономразвития России, Минфин России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.11.	Сформировано отраслевое регулирование, необходимое для развития цифровой экономики	31.07.2020	Минкомсвязь России, Минэкономразвития России, Минстрой России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.12.	Разработана концепция комплексного регулирования отношений, возникающих в связи с развитием цифровой экономики	31.12.2019	Минкомсвязь России, Минэкономразвития России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.13.	Разработана концепция организации процесса управления изменениями в области регулирования цифровой экономики	30.06.2019	Минкомсвязь России, Минэкономразвития России, Фонд «Сколково», АНО «Цифровая экономика» и иные заинтересованные ФОИВ и организации
1.14.	Организовано осуществление центром компетенций функций по совершенствованию и мониторингу правового регулирования цифровой экономики, методическому обеспечению системы подготовки кадров по вопросам, связанным с регулированием цифровой экономики	31.12.2018	Минэкономразвития России, Минфин России, Фонд «Сколково», АНО «Цифровая экономика»

Федеральный проект «Кадры для цифровой экономики»

№ п/п	Наименование задачи, результата	Срок реализации	Ответственный исполнитель
1.	Обеспечение подготовки высококвалифицированных кадров для цифровой экономики
1.1.	Обеспечено содействие гражданам, в том числе старшего возраста, в освоении ключевых компетенций цифровой экономики	30.11.2021	Минэкономразвития России, Минтруд России, Минобрнауки России, Минпросвещения России, Минкомсвязь России, Рособрнадзор, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», заинтересованные научные организации и организации, осуществляющие образовательную деятельность
1.2.	Компании мотивированы на создание рабочих мест и обучение своих сотрудников и других граждан ключевым компетенциям цифровой экономики	31.12.2020	Минэкономразвития России, Минпросвещения России, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35»
1.3.	Сформированы и внедрены в систему образования требования к ключевым компетенциям цифровой экономики для каждого уровня образования, обеспечена их преемственность	31.12.2021	Минэкономразвития России, Минобрнауки России, Минпросвещения России, Минтруд России, МИД России, Россотрудничество, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», заинтересованные органы исполнительной власти субъектов Российской Федерации, Союз «Молодые профессионалы (Ворлдскиллс Россия)», АНО «Цифровое образование», АНО «Институт развития интернета», ПФР, Фонд «Талант и успех», ФГАУ «Фонд новых форм развития образования», ГК «РОСТЕХ», ФГБУ «ВНИИ труда» Минтруда России, МШУ «Сколково», Ассоциации предприятий компьютерных и информационных технологий (далее - АПКИТ), компании цифровой экономики, заинтересованные научные организации и организации, осуществляющие образовательную деятельность
1.4.	Созданы условия для выявления, поддержки и развития талантов в областях математики, информатики, цифровых технологий для развития цифровой экономики	31.12.2021	Минпросвещения России, Минобрнауки России, Образовательный фонд «Талант и успех», Фонд новых форм развития образования, АНО «Россия - страна возможностей», АНО «Институт развития интернета», НИУ ВШЭ, ГК «Ростех», Союз «Молодые профессионалы (Ворлдскиллс Россия)», АНО «Университет НТИ 20.35», ООО «Яндекс», Ассоциация «Глобальные университеты», Ассоциация ведущих вузов России, компании цифровой экономики, заинтересованные научные организации и организации, осуществляющие образовательную деятельность
1.5.	Система высшего и среднего профессионального образования работает в интересах подготовки компетентных специалистов и адаптации граждан к условиям цифровой экономики	31.12.2021	Минкомсвязь России, Минэкономразвития России, Минздрав России, Минобрнауки России, Минсельхоз России, Минтранс России, Минтруд России, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», Фонд «Сколково», АО «Российская венчурная компания», ООО «ВЭБ-инновации», Фонд содействия развитию малых форм предприятий в научно-технической сфере, Союз «Молодые профессионалы (Ворлдскиллс Россия)», МШУ «Сколково», Национальный совет при Президенте Российской Федерации по профессиональным квалификациям, Россотрудничество, ФГБУ «ВНИИ труда», Аналитический центр при Правительстве Российской Федерации, АО «Российская венчурная компания», АПКИТ, Ассоциация вузов ЭКБ
1.6.	Система дополнительного профессионального образования обеспечивает граждан Российской Федерации компетенциями цифровой экономики	31.12.2021	Минобрнауки России, Минэкономразвития России, Минкомсвязь России, Минтруд России, Роструд, заинтересованные органы исполнительной власти субъектов Российской Федерации, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», Союз «Молодые профессионалы (Ворлдскиллс Россия)», ФГБУ «ВНИИ труда», Общероссийская общественно-государственная просветительская организация «Российское общество «Знание», компании цифровой экономики, заинтересованные научные организации и организации, осуществляющие образовательную
1.7.	Разработана и апробирована концепция базовой модели компетенций и перечень ключевых компетенций, обеспечивающих эффективное взаимодействие бизнеса, образования и общества в условиях цифровой экономики	31.12.2020	Минэкономразвития России, Минкомсвязь России, Минобрнауки России, Минпросвещения России, Минтруд России, ФНС России, заинтересованные органы исполнительной власти субъектов Российской Федерации, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», АПКИТ, Общероссийское объединение работодателей «Российский союз промышленников и предпринимателей», Общероссийская общественная организация «Деловая Россия», Союз «Молодые профессионалы (Ворлдскиллс Россия)»
1.8.	Разработаны и апробированы механизмы независимой оценки компетенций граждан в рамках системы образования и рынка труда в условиях цифровой экономики	31.12.2019	Минкомсвязь России, Минэкономразвития России, Минобрнауки России, Минтруд России, Роструд, заинтересованные органы исполнительной власти субъектов Российской Федерации АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35»
1.9.	Разработан и апробирован формат использования персональных профилей компетенций граждан и траекторий их развития	30.06.2021	Минэкономразвития России, Минкомсвязь России, Минпросвещения России, Минтруд России, заинтересованные органы исполнительной власти субъектов Российской Федерации, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», Фонд «Сколково»
1.10.	Обеспечены возможности использования профилей компетенций и персональных траекторий развития всеми категориями граждан Российской Федерации	31.12.2020	Минэкономразвития России, Минкомсвязь России, Минобрнауки России, Минпросвещения России, Минтруд России, Роструд, заинтересованные органы исполнительной власти субъектов Российской Федерации, АНО «Агентство стратегических инициатив по продвижению новых проектов» , АНО «Университет НТИ 20.35»,ПАО «МТС», ПАО «Ростелеком», Союз «Молодые профессионалы (Ворлдскиллс Россия)», заинтересованные научные организации и организации, осуществляющие образовательную деятельность
1.11.	Произведен учет задач цифровой экономики в квалификационных требованиях к работникам	31.12.2021	Минтруд России, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», Национальный совет при Президенте Российской Федерации по профессиональным квалификациям, заинтересованные научные организации и организации, осуществляющие образовательную деятельность, заинтересованные органы исполнительной власти субъектов Российской Федерации
1.12.	Обеспечена мотивация высококвалифицированных иностранных граждан на участие в развитии цифровой экономики Российской Федерации	31.10.2021	Минэкономразвития России, МИД России, МВД России, Минтруд России, Минобрнауки России, Россотрудничество, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35»
1.13.	Обеспечено функционирование Центра компетенций по решению задач федерального проекта «Кадры для цифровой экономики» Национальной программы «Цифровая экономика Российской Федерации»	31.12.2021	Минэкономразвития России, Минфин России, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35»
1.14.	Созданы условия реализации перспективных образовательных проектов при поддержке венчурного фонда	31.12.2021	Минэкономразвития России, АНО «Агентство стратегических инициатив по продвижению новых проектов», АНО «Университет НТИ 20.35», АО «Российская венчурная компания»

Федеральный проект «Цифровые технологии»

№ п/п	Наименование задачи, результата	Срок реализации	Ответственный исполнитель
1.	Создание сквозных цифровых технологий преимущественно на основе отечественных разработок
1.1.	Проведен анализ спроса и предложений на исследования и разработки в разрезе применения «сквозных» технологий в области цифровой экономике	31.12.2021	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», АНО «Цифровая экономика», Проектный офис НТИ (рабочие группы НТИ), Фонд «Сколково», Институты развития, ПАО «Ростелеком», АО «РВК»
1.2.	Разработаны и утверждены дорожные карты по направлениям «сквозных» цифровых технологий	31.12.2021	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», АНО «Цифровая экономика»
1.3.	Проведен анализ мер поддержки и сформирована система финансирования проектов по разработке и (или) внедрению «сквозных» цифровых технологий и платформенных решений	31.03.2019	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», Проектный офис НТИ (рабочие группы НТИ), АО «РВК»
1.4.	Проведено обучение, в том числе за рубежом, по программам управления разработкой и использования «сквозных» цифровых технологий в целях повышения конкурентоспособности бизнеса	31.12.2021	Минкомсвязь России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом»
1.5.	Определены механизмы реализации дорожных карт по направлениям «сквозных» цифровых технологий	31.12.2019	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», АНО «Цифровая экономика», Проектный офис НТИ (рабочие группы НТИ), институты развития
1.6.	Определены критерии, модели функционирования и сформирован порядок отбора лидирующих исследовательских центров (ЛИЦ) для обеспечения реализации дорожных карт по направлениям «сквозных» технологий, с учетом анализа международного опыта	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», АНО «Цифровая экономика»
1.7.	Обеспечены необходимые условия для создания цифровых платформ исследований и разработок и коммерциализации результатов интеллектуальной деятельности по приоритетным направлениям, определенным в дорожных картах по направлениям «сквозных» цифровых технологий	31.12.2018	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», АНО «Цифровая экономика», Фонд «Сколково», институты развития
1.8.	Обеспечение реализации дорожных карт по направлениям «сквозных» цифровых технологий	31.12.2021	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», АНО «Цифровая экономика», компании с государственным участием, институты развития
1.9.	Запущены цифровые платформы (определенные в дорожных картах по направлениям «сквозных» цифровых технологий) в обеспечение создания продуктов, решений и услуг, востребованных конечными заказчиками на российском и глобальном рынках	31.12.2021	Минкомсвязь России, Минобрнауки России, Минпромторг России, Минэкономразвития России, ГК «Ростех», ГК «Росатом», АНО «Цифровая экономика», компании с государственным участием, Фонд «Сколково», институты развития, лидирующие исследовательские центры (ЛИЦ)

Федеральный проект «Информационная инфраструктура»

№ п/п	Наименование задачи, результата	Срок реализации	Ответственный исполнитель
1.	Создание глобальной конкурентоспособной инфраструктуры передачи, обработки и хранения данных преимущественно на основе отечественных разработок
1.1.	Создана Генеральная схема развития сетей связи и инфраструктуры хранения и обработки данных Российской Федерации на период 2018–2024 годов	31.12.2021	Минкомсвязь России, Россвязь, ФГБУ НИИ «Восход», ПАО «Ростелеком»
1.2.	Устранено цифровое неравенство	31.12.2021	Минкомсвязь России, Россвязь, ПАО «Ростелеком»
1.3.	Чукотский автономный округ присоединен к единой сети электросвязи Российской Федерации	31.12.2024	Минкомсвязь России, Минфин России, Чукотский автономный округ
1.4.	Подключены к сети "Интернет" медицинские организации государственной и муниципальной систем здравоохранения	31.12.2021	Минкомсвязь России, Минздрав России, ПАО «Ростелеком»
1.5.	Подключены к сети "Интернет" образовательные организации государственной и муниципальной систем образования	31.12.2021	Минкомсвязь России, Министерство просвещения Российской Федерации
1.6.	Подключены к сети "Интернет" органы государственной власти, органы местного самоуправления и государственные внебюджетные фонды	31.12.2023	Минкомсвязь России, ФСО России, Минобороны России, Минюст России, Верховный суд Российской Федерации ПАО «Ростелеком», ПАО «МегаФон»
1.7.	Обеспечено покрытие объектов транспортной инфраструктуры (в т.ч. федеральных автомобильных дорог и железнодорожной инфраструктуры) сетями связи с возможностью беспроводной передачи голоса и данных	31.12.2024	Минкомсвязь России, Минтранс России, Минэкономразвития России, Минэнерго России
1.8.	Внедрены технологии 5G/IMT-2020 в Российской Федерации	31.12.2021	Минкомсвязь России, Минэкономразвития России, Минфин России, Минобороны России, ФСБ России, ФСО России, Правительство Москвы, ГКРЧ, Союз операторов мобильной связи ЛТЕ
1.9.	Создана Глобальная многофункциональная инфокоммуникационная спутниковая система (ГМИСС) для покрытия территории Российской Федерации и мира (составная часть проекта «Сфера»)	31.12.2021	Минкомсвязь России, Госкорпорация «Роскосмос», Россвязь, ГК «Внешэкономбанк», АО «Российские космические системы», ГКРЧ
1.10.	Построены узкополосные беспроводные сети связи "Интернета вещей" на территории Российской Федерации	31.12.2021	Минкомсвязь России, ФСБ России, Минтранс России, ФСТЭК России, Правительство Москвы
1.11.	Проведена оценка возможности отечественной промышленности по производству оборудования для обеспечения мероприятий по созданию и построению информационной инфраструктуры	30.06.2020	Минпромторг России, Минкомсвязь России,
1.12.	Создан дополнительный механизм стимулирования инвестиционной активности операторов для развития сетей связи на основе передовых технологий	30.11.2019	Минкомсвязь России, Минэкономразвития России, Минфин России, Роскомнадзор, Правительство Москвы, Рабочие группы АНО «Цифровая экономика», Медиа-Коммуникационный Союз, ГКРЧ, Фонд «Сколково», ПАО «Сбербанк»
1.13.	Обеспечена доступность услуг по хранению и обработке данных на всей территории России для граждан, бизнеса и власти	31.12.2021	Минкомсвязь России, Минэкономразвития России, Минфин России, ФНС России, ФСБ России, ФСТЭК России, ФТС России, ФСО России, Росстандарт, Банк России, Минэнерго России, НП «Совет рынка», ФГУП ГлавНИВЦ ПАО «Ростелеком», РЭЦ, АО «Концерн Росэнергоатом».
1.14.	Обеспечено хранение и обработка информации, создаваемой органами государственной власти в государственной единой облачной платформе по сервисной модели	31.12.2024	Минкомсвязь России, Минфин России, Роскомнадзор, Минэкономразвития России, ФСБ России, ФСТЭК России, Банк России, ПАО «Ростелеком»
1.15.	Обеспечена возможность использования данных в цифровых инфраструктурных платформах	31.12. 2024	Минкомсвязь России, Минэкономразвития России, Министерство науки и высшего образования Российской Федерации, Минкультуры России, Суд по интеллектуальным правам, Роспатент, Банк России, Минобороны России, Минстрой России, Минприроды России, Минпромторг России, Росреестр, ФГБО УВО «Всероссийская академия внешней торговли Минэкономразвития России», АНО «Аналитический центр при Правительстве Российской Федерации», ФГБУ «Фонд содействия развития малых форм предприятия в научно-технической сфере», ГК «Внешэкономбанк», Госкорпорация «Роскосмос», Фонд «Сколково», Ассоциация «Национальный координационный центр обработки транзакций с правами и объектами интеллектуальной собственности», Федерация интеллектулаьной собственности, Рабочая группа по направлению «Информационная инфраструктура», АНО «Цифровая экономика», ПАО «МегаФон», ПАО «Ростелеком»
1.16.	Создана отечественная цифровая платформа сбора, обработки, хранения и распространения данных ДЗЗ из космоса, обеспечивающая потребности граждан, бизнеса и власти. Обеспечена реализация проекта «Цифровая Земля»	31.12.2021	ГК «Роскосмос», Минэкономразвития России, Минкомсвязь России, Минтранс России, Росреестр
1.17.	Создана экосистема поддержки проектов цифровой экономики, обеспечивающая поддержку проектов по преобразованию приоритетных отраслей экономики и социальной сферы	31.12.2024	Минкомсвязь России, Минэкономразвития России, АНО «Аналитический центр при Правительстве Российской Федерации», АНО «Цифровая экономика», институты развития

Федеральный проект «Информационная безопасность»

№ п/п	Наименование задачи, результата	Срок реализации	Ответственный исполнитель
1.	Обеспечение информационной безопасности на основе отечественных разработок при передаче, обработке и хранении данных, гарантирующей защиту интересов личности, бизнеса и государства
1.1.	Созданы условия для глобальной конкурентоспособности в области экспорта отечественных разработок и технологий обеспечения безопасности информации	31.12.2021	Минкомсвязь России, Росстандарт, ФСТЭК России, ФСБ России, Роспатент, МИД России
1.2.	Обеспечена устойчивость и безопасность функционирования информационной инфраструктуры и сервисов передачи, обработки и хранения данных	31.12.2021	Минкомсвязь России, ФСБ России, ФСО России, Роскомнадзор, Росстандарт, Минобороны России, ФСТЭК России, Банк России, Минпромторг России
1.3.	Обеспечена защита прав и законных интересов личности, бизнеса и государства от угроз информационной безопасности в условиях цифровой экономики	31.12.2021	Минкомсвязь России, Росстандарт, ФСБ России, Минпромторг России, ФСТЭК России, Роскомнадзор, Банк России, Минэкономразвития России, МВД России, Минфин России, Минобрнауки России, Министерство просвещения РФ, Минтруд России
1.4.	Обеспечено использование отечественных разработок и технологий при передаче, обработке и хранении данных	31.12.2021	Минкомсвязь России, Минфин России, Минэкономразвития России, Минпромторг России, Банк России, ФСБ России, ФСТЭК России, ФАС России

Федеральный проект «Цифровое государственное управление»

№ п/п	Наименование задачи, результата	Срок реализации	Ответственный исполнитель
1.	Внедрение цифровых технологий и платформенных решений в сферах государственного управления и оказания государственных услуг, в том числе в интересах населения и субъектов малого и среднего предпринимательства, включая индивидуальных предпринимателей
Цифровая трансформация государственных (муниципальных) услуг и сервисов
1.1.	Определены новые принципы предоставления государственных и муниципальных услуг и закрепить их на уровне федерального законодательства	31.12.2021	Минкомсвязь России, Минэкономразвития России
1.2.	Обеспечено предоставление приоритетных массовых социально значимых государственных (муниципальных) услуг и сервисов в цифровом виде в соответствии с целевой моделью: предоставление без необходимости личного посещения государственных органов и иных организаций, с применением реестровой модели, онлайн (в автоматическом режиме), проактивно	31.12.2021	Минкомсвязь России, Минэкономразвития России, заинтересованные федеральные органы исполнительной власти и государственные внебюджетные фонды, органы исполнительной власти субъектов Российской Федерации, иные организации
1.3.	Обеспечено вовлечение коммерческих организаций в процесс цифровой трансформации государственных (муниципальных) услуг и сервисов	01.01.2020	Минкомсвязь России, Минэкономразвития России
1.4.	Обеспечена возможность получения результатов предоставления приоритетных массовых социально значимых государственных (муниципальных) услуг и сервисов без посещения многофункциональных центров или органов, предоставляющих услуги и сервисы	31.12.2021	Минкомсвязь России, органы исполнительной власти, местного самоуправления, предоставляющие соответствующие государственные услуги
1.5.	Обеспечено популяризация цифровых государственных и муниципальных услуг и сервисов	31.12.2021	Минкомсвязь России, ФСО России
Цифровая трансформация контрольно-надзорной деятельности
1.6.	Определен перечень массовых и социально значимых видов контроля (надзора)	30.06.2019	Минкомсвязь России, Минэкономразвития России
1.7.	Обеспечено формирование перечней обязательных требований, предъявляемых органами контроля (надзора) к поднадзорным субъектам при реализации контрольных и надзорных мероприятий, на основе Единого реестра обязательных требований, администрируемого независимо от органов контроля (надзора)	31.12.2021	Минкомсвязь России, Минэкономразвития России, Генпрокуратура России, АНО «Аналитический Центр при Правительстве Российской Федерации»
1.8.	Обеспечено управление деятельностью сотрудников контрольных (надзорных) органов (КНО) субъектов Российской Федерации с использованием "цифрового инспектора", формирующего задания инспектору в результате анализа рисков, основанного на обработке массивов "больших данных", собранных об объектах проверок, и доступных в человековоспринимаемой форме	31.12.2021	Минкомсвязь России, Минэкономразвития России, федеральные органы исполнительной власти, ответственные за реализацию массовых и социально-значимых видов контроля (надзора)
1.9.	Внедрена система профилактики правонарушений, деятельность КНО переориентировать на предупреждение нарушений	31.12.2020	Минкомсвязь России, Минэкономразвития России, АНО «Аналитический центр при Правительстве Российской Федерации»
1.10.	Создана и обеспечено развитие Единой государственной платформы сбора данных промышленного интернета вещей и инструментов анализа объективных данных о поднадзорных объектах на основе утвержденных ведомственных моделей данных, используемых в КНД	31.12.2021	Минкомсвязь России, Минэкономразвития России, заинтересованные федеральные органы исполнительной власти
1.11.	Разработаны и внедрены комплексные инструменты повышения качества кадрового потенциала КНО, включая систему дистаницонного обучения (постоянного повышения квалификации) инспекторского состава на платформе управления кадровым составом государственных гражданских служащих и систему мотивации сотрудников КНО, основанную на показателях результативности и эффективности	31.12.2021	Минтруд России, АНО «Аналитический центр при Правительстве Российской Федерации»
1.12.	Создана система фиксации нарушений по массовым и социально значимым видам контроля (надзора) на основе данных о нарушениях, направленных гражданами в КНО	31.12.2021	Минкомсвязь России, Минэкономразвития России, Генпрокуратура России
1.13.	Созданы и внедрены информационные системы Генеральной Прокуратуры, которые позволяют фиксировать ключевые факты и события в КНД, а также позволяют работать с данными и электронными документами	31.12.2021	Минкомсвязь России, Генпрокуратура России, федеральные органы исполнительной власти, ответственные за реализацию массовых и социально-значимых видов контроля (надзора), ФГУП НИИ «Восход», ПАО «Ростелеком»
1.14.	Создана и внедрена защищенная катастрофоустойчивая инфраструктура органов прокуратуры Российской Федерации	31.12.2021	Генпрокуратура России, Минкомсвязь России, ПАО «Ростелеком»
Цифровая трансформация государственной (муниципальной) службы
1.15.	Внедрен межведомственный юридически значимый электронный документооборот (ЮЗЭДО) с применением электронной подписи, базирующийся на единых инфраструктурных, технологических и методологических решениях	31.12.2021	Минкомсвязь России
1.16.	Обеспечена экспертно-аналитическая и организационно-методическая поддержка реализации программы "Цифровая экономика Российской Федерации"	31.12.2021	Минкомсвязь России, АНО «Аналитический центр при Правительстве Российской Федерации»
1.17.	Разработана методология статистических наблюдений и организованы измерения параметров развития цифровой экономики, включая эффекты цифровой трансформации отраслей экономики и социальной сферы	31.12.2019	Минкомсвязь России, Росстат, НИУ «ВШЭ»
1.18.	Обеспечена координация реализации мероприятий в рамках цифровой трансформации государственного и муниципального управления в федеральных органах исполнительной власти и субъектах Российской Федерации	31.12.2021	Минкомсвязь России, ФГБУ «ЦЭКИ», АНО «Аналитический центр при Правительстве Российской Федерации»
1.19.	Оснащены органы государственной власти типовым автоматизированным рабочим местом госслужащего	31.12.2021	Минкомсвязь России
1.20.	Обеспечена возможность архивного хранения электронных документов органов государственной власти, законченных делопроизводством	31.12.2021	Минкомсвязь России, Росархив
1.21.	Обеспечено повышение эффективности процессов управления кадровым составом государственной гражданской службы Российской Федерации	30.06.2021	Минкомсвязь России, Аппарат Правительства Российской Федерации, Минтруд России, Казначейство России, Минфин России
Создание сквозной цифровой инфраструктуры и платформ
1.22.	Сформирована цифровая платформа для взаимодействия в сфере стратегического управления в целях согласованности действий участников стратегического планирования на всех уровнях государственного управления в достижении стратегических приоритетов	31.12.2021	Минэкономразвития России, Казначейство России
1.23.	Создана платформа идентификации, включая биометрическую идентификацию, облачную КЭП, цифровые профили гражданина и юридического лица, а также единое пространство доверия электронной подписи Цифровой платформы электронного правительства	31.12.2021	Минкомсвязь России
1.24.	Обеспечен цифровой характер нормотворческого процесса с использованием современных технологий обмена информацией	31.12.2021	Минкомсвязь России, Минэкономразвития России, ФСО России, высшие исполнительные органы государственной власти субъектов Российской Федерации
1.25.	Создана платформа информационного межведомственного обмена данными, в том числе нормативной справочной информацией	31.12.2021	Минкомсвязь России
1.26.	Создана национальная система управления данными (НСУД)	31.12.2021	Минкомсвязь России, АНО «Аналитический центр Российской Федерации», Росстат, Минэкономразвития России
1.27.	Обеспечено развитие федеральной государственной информационной системы «Единый портал государственных и муниципальных услуг (функций)» (ЕПГУ, ГосВеб)	31.12.2021	Минкомсвязь России, ПАО «Ростелеком»
1.28.	Обеспечена эксплуатация инфраструктуры электронного правительства	31.12.2021	Минкомсвязь России, органы исполнительной власти Российской Федерации, ПАО «Ростелеком»
1.29.	Разработана, внедрена и обеспечена сопровождением Автоматизированная информационная система проектной деятельности «Типовое облачное решение по автоматизации проектной деятельности органов государственной власти» (ТОР АПД)	31.12.2021	Минкомсвязь России, Минэкономразвития России
1.30.	Обеспечена возможность цифровой обратной связи с гражданами и организациями в отношении массовых государственных и муниципальных услуг, функций и сервисов, в том числе с использованием искусственного интеллекта	31.12.2021	Минкомсвязь России, Минэкономразвития России, ФСО России, ПАО «Ростелеком»
1.31.	Создана единая экосистема сервисов и мер государственной поддержки предпринимателей	31.12.2019	Минкомсвязь России, Минэкономразвития России
1.32.	Обеспечено развитие системы «Мир» и функционирование удостоверения личности гражданина Российской Федерации	31.12.2020	Минкомсвязь России, МВД России, МИД России, ФСБ России, ФССП России
1.33.	Создана платформа поиска работы и подбора персонала на базе ИАС ОБВ "Работа в России"	31.12.2021	Роструд, Минтруд России
1.34.	Обеспечено создание единой цифровой платформы обеспечения деятельности Президента Российской Федерации, Председателя Правительства Российской Федерации, палат Федерального Собрания, Совета Безопасности Российской Федерации, Администрации Президента Российской Федерации, Аппарата Правительства Российской Федерации при осуществлении ими своих полномочий (ЕЦП ОГВ)	31.12.2021	ФСО России, Минкомсвязь России
2.	Разработка и внедрение национального механизма осуществления согласованной политики государств - членов Евразийского экономического союза при реализации планов в области развития цифровой экономики
2.1.	На национальном уровне обеспечена координация и экспертная поддержка реализации Цифровой повестки ЕАЭС	31.12.2021	Минкомсвязь России, Минэкономразвития России
2.2.	Обеспечено развитие национального сегмента Российской Федерации интегрированной информационной системы Евразийского экономического союза (ИИС ЕАЭС)	31.12.2021	Минкомсвязь России

Минэкономразвития на TAdviser IT Government Day - о роли цифровизации госуправления в цифровой экономике

Антон Лебедев, заместитель директора департамента государственного управления Минэкономразвития РФ, на конференции TAdviser IT Government Day 2018, прошедшей 28 февраля, рассказал, что в утвержденной программе «Цифровая экономика» отсутствуют отраслевые срезы, а также все, что касалось бы цифровой трансформации государственного управления, без которой невозможна трансформация экономики и государства в целом. Лебедев также упомянул о видении Минэкономразвития перспектив и проблематики цифровизации госуправления.

Антон Лебедев, заместитель директора департамента государственного управления Минэкономразвития

Докладчик привел направления цифровизации госуправления: стратегическое управление (целеполагание, планирование), тактическое (нормотворчество, контрольно-надзирательная деятельность, предоставление госуслуг), управление персоналом и внутренняя эффективность органа власти. Отвечая на вопрос из зала, с чего следует начать цифровизацию госорганов, спикер ответил - с управления персоналом и эффективности внутренних процессов в государственных органах, поскольку люди, приходящие в госорганы, по-прежнему сталкиваются с бюрократией.

Цели и задачи цифровой трансформации госуправления представлены на слайдах из презентации Антона Лебедева.

Пенсионное обеспечение

Одной из основных задач Отделения и территориальных органов Социального фонда Российской Федерации по Воронежской области является своевременное и качественное установление пенсий.

В течение 2022 года в области назначено 23539 пенсии, из них страховых – 20734, государственных – 2229. Установлено 24384 компенсационные выплаты неработающим трудоспособным лицам, осуществляющим уход за нетрудоспособными гражданами (в размере 1200 рублей), 2125 ежемесячных выплат лицам, осуществляющим уход за детьми-инвалидами и инвалидами с детства 1 группы (в размере 10000 рублей).

В беезаявительном порядке вынесено – 7758 решений, в том числе:

- об установлении пенсии по инвалидности – 5586;

- о назначении пенсии по предложению органов службы занятости населения безработным гражданам – 92;

- получателям страховой пенсии по инвалидности, достигшим общеустановленного пенсионного возраста и переведённых на пенсию по старости – 1272;

- получателям страховой пенсии по случаю потери кормильца, достигшим возраста 80 лет и переведённых на пенсию по старости – 740;

- получателям досрочной пенсии, предусмотренной Законом «О занятости населения в Российской Федерации», достигших общеустановленного пенсионного возраста и переведённых на пенсию по старости – 68.

Произведено 5340 перерасчетов пенсий по заявлениям пенсионеров и 214582 перерасчета в беззаявительном порядке.

Пенсионерам, которые работали в 2021 году, с 1 августа 2022 года были увеличены 148 313 страховых пенсий (беззаявительный перерасчет) исходя из начисленных за 2021 год индивидуальных пенсионных коэффициентов. Максимальная сумма индивидуальных пенсионных коэффициентов при перерасчете для работающих пенсионеров составила – 3. Средний размер увеличения пенсии составил 221,11 руб.

С введением в действие с 1 января 2015 года Федерального закона от 28.12.2013 № 400-ФЗ «О страховых пенсиях» все страховые пенсии исчисляются путем умножения величины индивидуального пенсионного коэффициента на стоимость одного пенсионного коэффициента по состоянию на день, с которого устанавливается страховая пенсия.

Гарантией для пенсионеров являются предусмотренные законодательством нормы об индексации (увеличении) размеров пенсий с учетом темпов роста цен и среднемесячной зарплаты в Российской Федерации.

Стоимость одного пенсионного коэффициента по состоянию на 1 января 2015 года составляла 64,10 руб.

За прошедшее время она неоднократно увеличивалась:

- c 1 февраля 2015 года до 71,41 руб.;

- c 1 февраля 2016 года до 74,27 руб.;

- c 1 февраля 2017 года до 78,28 руб.;

- c 1 апреля 2017 года до 78,58 руб.;

- c 1 января 2018 года до 81,49 руб.;

- c 1 января 2019 года до 87,24 руб.;

- с 1 января 2020 года до 93,00 руб.;

- с 1 января 2021 года до 98,86 руб.;

- с 1 января 2022 года до 107,36 руб.;

- с 1 июня 2022 года до 118,10 руб.;

- с 1 января 2023 года до 123,77 руб.

Соответственно, с указанных дат осуществлены перерасчеты страховых пенсий в связи с их увеличением.

Кроме того, осуществлялась индексация фиксированной выплаты на следующие индексы:

- c 1 февраля 2015 года в 1,114 раза;

- c 1 февраля 2016 года в 1,04 раза;

- c 1 февраля 2017 года в 1,054 раза;

- c 1 января 2018 года в 1,037 раза;

- c 1 января 2019 года в 1,0705 раза;

- с 1 января 2020 года в 1.066 раза;

- с 1 января 2021 года в 1,063 раза;

- с 1 января 2022 года в 1,086 раза;

- с 1 июня 2022 года в 1,1 раза;

- с 1 января 2023 года в 1,048 раза.

Размер фиксированной выплаты с 1 января 2023 года составляет для основного большинства пенсионеров 7567,33 руб.

В результате проведенных в 2015 - 2022 годах мероприятий по увеличению пенсий (перерасчетов, индексаций) средний размер пенсии в области с 1 января 2023 года составил 17994,63 руб.

За 2022 год установлено 11220 выплат за счет средств пенсионных накоплений в соответствии с Федеральным законом от 30.11.2011 № 360-ФЗ «О порядке финансирования выплат за счет средств пенсионных накоплений», из них решений о назначении единовременной выплаты – 11066, накопительной пенсии – 98, срочной пенсионной выплаты – 56.

Средняя сумма выплат за счет СПН составила: накопительная пенсия – 726,70 руб., срочная пенсионная выплата – 1734,30 руб., единовременная выплата – 31602,30 руб.

В Отделении СФР по Воронежской области по состоянию на 1 января 2023 года на учёте состояло 186,1 тыс. страхователей, в том числе 39,5 тыс. страхователей-работодателей и 146,7 тыс. индивидуальных предпринимателей и лиц, приравненных к ним.

На территории Воронежской области на 1 января 2023 года количество открытых лицевых счетов застрахованных лиц составляет – 2 868,7 тыс. В течение 2023 года по вопросу получения документа, подтверждающего регистрацию в системе индивидуального (персонифицированного) учета, в территориальные органы СФР региона обратились 51,5 тыс. человек.

Общее понятие страховой пенсии

С 01.01.2015 года страховые пенсии по старости, страховые пенсии по инвалидности, страховые пенсии по случаю потери кормильца устанавливаются в соответствии с Федеральным законом от 28.12.2013 № 400-ФЗ «О страховых пенсиях» (ранее указанные пенсии назначались по нормам Федерального закона «О трудовых пенсиях в Российской Федерации»).

Страховая пенсия, это ежемесячная денежная выплата в целях компенсации зарегистрированным лицам заработной платы и иных выплат и вознаграждений, утраченных ими в связи с наступлением нетрудоспособности вследствие старости или инвалидности, а нетрудоспособным членам семьи зарегистрированных лиц заработной платы и иных выплат и вознаграждений кормильца, утраченных в связи со смертью этих зарегистрированных лиц.

С 1 января 2015 года размер страховой пенсии определяется исходя из индивидуального пенсионного коэффициента и стоимости пенсионного коэффициента.

Индивидуальный пенсионный коэффициент – это параметр, отражающий пенсионные права застрахованного лица на страховую пенсию, сформированные с учетом начисленных и уплаченных в СФР страховых взносов на страховую пенсию, продолжительности страхового стажа, а также отказа на определенный период от получения страховой пенсии.

Стоимость одного пенсионного коэффициента – это параметр, отражающий соотношение суммы страховых взносов на финансовое обеспечение страховых пенсий и трансфертов федерального бюджета, поступающих в бюджет СФР в соответствующем году, и общей суммы индивидуальных пенсионных коэффициентов получателей страховых пенсий.

Размер страховой пенсии по старости в году ее назначения определяется путем умножения величины индивидуального пенсионного коэффициента на стоимость одного пенсионного коэффициента по состоянию на день, с которого назначается страховая пенсия.

Размер страховой пенсии по инвалидности и страховой пенсии по случаю потери кормильца каждому нетрудоспособному члену семьи умершего кормильца определяется в аналогичном порядке. При этом для определения размера страховой пенсии по случаю потери кормильца величина индивидуального пенсионного коэффициента определяется в отношении умершего кормильца.

Порядок расчета размера страховой пенсии по старости и установления фиксированной выплаты

С 01.01.2015 года установление страховой пенсии по старости и фиксированной выплаты осуществляется по нормам Федерального закона от 28.12.2013 № 400-ФЗ «О страховых пенсиях».

Размер страховой пенсии по старости с 2015 года зависит от:

- размера заработной платы зарегистрированного лица: чем выше зарплата, тем выше пенсия. Если работодатель не отчислял взносы за своего работника в систему обязательного пенсионного страхования в полном объеме (речь идет о «серой» заработной плате), этот заработок в формировании пенсионного капитала не участвует;

- при расчете коэффициента учитывается только официальная заработная плата до вычета подоходного налога 13%; длительности страхового стажа зарегистрированного лица: чем продолжительнее страховой стаж гражданина, тем больше у него будет сформировано пенсионных прав, за каждый год трудовой деятельности будет начисляться определенное количество пенсионных коэффициентов;

- возраста обращения за назначением трудовой пенсии зарегистрированного лица: пенсия будет существенно повышена при ее назначении впервые позднее возникновения права на указанную пенсию. Размер увеличения при этом будет зависеть от количества отложенных лет, но не более 10 лет (смотрите таблицу).

Число полных месяцев, истекших со дня возникновения права на страховую пенсию по старости, в том числе назначаемую досрочно (со дня прекращения выплаты страховой пенсии по старости в связи с отказом от получения установленной страховой пенсии по старости, в том числе назначенной досрочно)

Повышающий коэффициент для лиц, которым назначается (восстанавливается либо назначается вновь) страховая пенсия по старости в соответствии со статьей 8 настоящего Федерального закона или могла быть назначена (восстановлена, либо назначена вновь) указанная пенсия при определении размера страховой пенсии по случаю потери кормильца

Повышающий коэффициент для лиц, которым назначается (восстанавливается либо назначается вновь) страховая пенсия по старости досрочно или могла быть назначена указанная пенсия при определении размера страховой пенсии по случаю потери кормильца

Формула расчета страховой пенсии по старости:

Страховая пенсия по старости (СП) определяется путем умножения суммы индивидуальных пенсионных коэффициентов гражданина (ИПК) на стоимость одного пенсионного коэффициента по состоянию на день, с которого назначается страховая пенсия по старости (СПК).

Величина индивидуального пенсионного коэффициента по состоянию на день, с которого назначается страховая пенсия, определяется как сумма коэффициентов, приобретенных как за периоды до 1 января 2015 года, так и за периоды после указанной даты. В случае обращения гражданина за страховой пенсией по старости позднее даты возникновения права на нее применяется коэффициент повышения индивидуального пенсионного коэффициента за более поздний выход на пенсию (зависит от количества лет, истекших с даты приобретения права на страховую пенсию по старости до дня ее назначения, смотрите таблицу, которая приведена выше).

Как рассчитывается индивидуальный пенсионный коэффициент

Расчет пенсии гражданам, достигающим пенсионного возраста после 1 января 2015 года, и имеющим периоды работы как до, так и после 1 января 2015 года производится с применением норм пенсионных законов, действовавших в период их работы как до 01.01.2015, так и после 01.01.2015.

При расчете страховой пенсии учитывается сумма годовых индивидуальных пенсионных коэффициентов за периоды ДО и ПОСЛЕ 1 января 2015 года.

При расчете суммы ИПК за периоды до 1 января 2015 года подсчитывается размер страховой части трудовой пенсии по нормам законодательства, действовавшего по состоянию на 31 декабря 2014 года, то есть исходя из стажа работы до 1 января 2002 года, коэффициента заработной платы, суммы валоризации за советский стаж работы до 01.01.1991 года и пенсионного капитала, сформированного за счет страховых взносов за период с 1 января 2002 года по 31 декабря 2014 года. При этом не учитываются фиксированный базовый размер и накопительная часть. Полученная сумма делится на стоимость одного пенсионного коэффициента по состоянию на 1 января 2015 года – 64,10 рубля.

К сумме полученных коэффициентов будут добавлены пенсионные коэффициенты, заработанные после 1 января 2015 года.

Расчет годового ИПК за периоды работы и нестраховые периоды после 1 января 2015 года

ИПК = (СВ/МВ) ×10

ИПК – годовой индивидуальный пенсионный коэффициент;

СВ - сумма страховых взносов на формирование страховой пенсии по тарифу 10% или 16%. Тариф зависит от выбора гражданина - формировать накопительную пенсию (в этом случае 10% направляется на страховую часть и 6% на накопительную часть) или нет (16% направляется на страховую часть);

МВ - сумма страховых взносов с максимальной взносооблагаемой заработной платы, определяемой ежегодно федеральным законом, уплачиваемых работодателем по тарифу 16%.

При расчете годового пенсионного коэффициента будет учитываться только официальная зарплата, с которой уплачены страховые взносы.

Максимальное число коэффициентов (10) можно получить при годовой заработной плате на уровне предельной, с которой уплачиваются взносы в СФР. При этом с учетом переходных положений статьи Закона от 28.12.2013 № 400-ФЗ в период с 2015 по 2020 год максимальное учитываемое значение индивидуального пенсионного коэффициента за соответствующий календарный год определяется согласно приложению (таблица прилагается).

Для застрахованных лиц, за которых страховые взносы на формирование накопительной пенсии не начисляются и не уплачиваются

Для застрахованных лиц, за которых страховые взносы на формирование накопительной пенсии начисляются и уплачиваются

2021 и последующие годы

Чтобы рассчитать страховую пенсию необходимо сложить все полагающиеся человеку годовые пенсионные коэффициенты, в том числе особые коэффициенты за социально значимые периоды (уход за детьми, служба в армии и т.д.).

При расчете пенсионной выплаты в расчет принимается стоимость пенсионного коэффициента по состоянию на день, с которого назначается страховая пенсия.

Одновременно с назначением страховой пенсии устанавливается фиксированная выплата.

Фиксированная выплата к страховой пенсии по старости это аналог фиксированного базового размера страховой части трудовой пенсии по старости, которая устанавливается всем получателям в твердом размере (с 1 января 2015 года ее размер составлял 3 935 рублей, с 1 февраля 2015 – 4383,59 руб., с 1 февраля 2016 – 4558,93 руб., с 1 февраля 2017 – 4805,11 руб., с 1 января 2018 – 4982,90 руб., с 01.01.2019 – 5334,19 руб., с 01.01.2020 – 5686,25 руб., с 01.01.2021 – 6044,48 руб., с 01.01.2022 – 6564,31 руб., с 01.06.2022 – 7220,74 руб., с 01.01.2023 составляет 7567,33 руб.).

В случае обращения за назначением страховой пенсии по старости в более поздние сроки после возникновения права на нее к фиксированной выплате применяется повышающий коэффициент (смотрите таблицу).

Повышающий коэффициент для лиц, которым назначается (восстанавливается либо назначается вновь) страховая пенсия по старости досрочно

Категории граждан, которым устанавливается повышение фиксированной выплаты к страховой пенсии по старости:

гражданам, достигшим возраста 80 лет или являющимся инвалидами I группы (фиксированная выплата вдвое выше);
гражданам, на иждивении которых находятся нетрудоспособные члены семьи (на каждого иждивенца дополнительно 1/3 от фиксированной выплаты, т.е. с 1 января 2015 года от 3 935 рублей, с 1 февраля 2015 - от 4383,59 руб., с 1 февраля 2016 – от 4558,93 руб., с 1 февраля 2017 – от 4805,11 руб., с 1 января 2018 – от 4982,90 руб., с 1 января 2019 – от 5334,19 руб., с 1 января 2020 - от 5686,25 руб., с 1 января 2021 – от 6044,48 руб., с 1 января 2022 – от 6564,31 руб., с 1 июня 2022 - от 7220,74 руб., с 1 января 2023 – от 7567,33 руб., но не более чем на трех нетрудоспособных членов семьи);
гражданам, проработавшим не менее 15-20 календарных лет в районах Крайнего Севера и приравненных к ним местностям и имеющим страховой стаж не менее 25 лет (мужчины) или не менее 20 лет (женщины) (дополнительно 50 процентов - для районов Крайнего Севера или 30 процентов - для приравненных к ним местностей от указанной суммы фиксированной выплаты);
гражданам, проработавшим не менее 30 календарных лет в сельском хозяйстве, не осуществляющим работу и (или) иную деятельность, в период которой они подлежат обязательному пенсионному страхованию устанавливается повышение фиксированной выплаты к страховой пенсии по старости и к страховой пенсии по инвалидности в размере 25 процентов суммы установленной фиксированной выплаты к соответствующей страховой пенсии, на весь период их проживания в сельской местности.

Условия установления страховых пенсий по старости

С 01.01.2015 года установление страховых пенсий по старости осуществляется в соответствии с Федеральным законом от 28.12.2013 № 400-ФЗ «О страховых пенсиях».

Для приобретения права на страховую пенсию по старости необходимо, чтобы одновременно выполнялись следующие три условия:

Возраст, по достижении которого возникает право на страховую пенсию по старости *

2023 и последующие

* v - возраст выхода на пенсию до 1 января 2015 года (мужчины - 60 лет, женщины - 55 лет).

Наличие не менее 15 лет страхового стажа (в период с 2015 года по 2024 требуемая продолжительность страхового стажа определяется с учетом переходных положений).

Продолжительность страхового стажа, необходимого для назначения страховой пенсии по старости в 2015 году составляет 6 лет. Начиная с 1 января 2016 года она ежегодно увеличивается на 1 год, 15 лет страхового стажа потребуется начиная с 2024 года и позднее (таблица прилагается).

Год назначения страховой пенсии по старости

Наличие величины индивидуального пенсионного коэффициента в размере не менее 30 (в период с 2015 года по 2025 требуемая величина индивидуального пенсионного коэффициента определяется с учетом переходных положений).

С 1 января 2015 года страховая пенсия по старости назначается при наличии величины индивидуального пенсионного коэффициента не менее 6,6 с последующим ежегодным увеличением на 2,4 до достижения 30 в 2025 году (таблица прилагается).

Год назначения страховой пенсии по старости

Необходимая величина индивидуального пенсионного коэффициента

2025 и последующие годы

Возраст выхода на пенсию женщинам 1966 года рождения и мужчинам 1961 года рождения повышается на три года. Право на пенсионное обеспечение может быть предоставлено по достижению возраста 58 лет для женщин и 63 лет для мужчин в 2024 году, при наличии страхового стажа продолжительностью 15 лет и величины индивидуального пенсионного коэффициента не менее – 28,2.

Назначение страховой пенсии по старости ранее общеустановленного пенсионного возраста

В соответствии с Федеральным законом от 28.12.2013 № 400-ФЗ «О страховых пенсиях» страховая пенсия по старости на общих основаниях назначается женщинам – по достижении возраста 60 лет, мужчинам – по достижении возраста 65 лет при наличии не менее 15 лет страхового стажа и не менее 30,0 индивидуальных пенсионных коэффициентов.

Вместе с тем лицам, имеющим длительный страховой стаж (для мужчин 42 года, для женщин – 37 лет), возможно выйти на пенсию на 2 года раньше действующего общеустановленного пенсионного возраста.

В страховой стаж для досрочной пенсии включаются периоды работы, во время которых человек был официально трудоустроен и за него уплачивались страховые взносы в СФР, а также включаются периоды получения пособия по обязательному социальному страхованию в связи с временной нетрудоспособностью.

Не засчитываются в страховой стаж так называемые «нестраховые» периоды: время получения пособия по безработице, уход за инвалидом или за восьмидесятилетним, учеба, служба в армии по контракту, отпуск по уходу за ребенком, а также периоды работы в государствах-бывших республиках СССР после 01.01.1991 и др.

Федеральным законом от 04.11.2022 № 419-ФЗ внесены изменения в Федеральный закон от 28.12.2013 №400-ФЗ в части включения в длительный страховой стаж для приобретения права на пенсию периода прохождения военной службы по призыву независимо от того, когда она имела место (до или после 24 февраля 2022), а также периода участия в специальной военной операции в период прохождения военной службы и в период пребывания в добровольческом формировании. Указанные изменения распространяются на правоотношения, возникшие с 24.02.2022.

Если у гражданина право на страховую пенсию за длительный страховой стаж с учетом включения в него периода военной службы по призыву возникает по состоянию на 24 февраля 2022 либо в период с 24 февраля 2022 по 3 ноября 2022, страховая пенсия назначается с даты возникновения права.

В случае, если длительный страховой стаж выработан после 4 ноября 2022 – страховая пенсия по старости устанавливается с даты обращения, но не ранее дня приобретения права на указанную пенсию

Исчисление размера страховой пенсии с учетом нестраховых периодов

С 1 января 2015 года действует Федеральный закон от 28.12.2013 № 400-ФЗ «О страховых пенсиях».

Согласно положениями части первой статьи 12 Федерального закона от 28.12.2013 №400-ФЗ в страховой стаж наравне с периодами работы и (или) иной деятельности, которые предусмотрены статьей 11 данного Федерального закона, засчитываются иные (нестраховые) периоды.

В соответствии с частью 12 статьи 15 Федерального закона от 28.12.2013 № 400-ФЗ индивидуальный коэффициент устанавливается за следующие нестраховые периоды, включаемые в страховой стаж, подлежащие учету в размере страховой пенсии:

1) период прохождения военной службы по призыву;

2) период ухода одного из родителей за каждым ребенком до достижения им возраста полутора лет, но не более шести лет в общей сложности;

3) период ухода, осуществляемого трудоспособным лицом за инвалидом I группы, ребенком-инвалидом или за лицом, достигшим возраста 80 лет;

4) период проживания супругов военнослужащих, проходящих военную службу по контракту, вместе с супругами в местностях, где они не могли трудиться в связи с отсутствием возможности трудоустройства, но не более пяти лет в общей сложности;

5) период проживания за границей супругов работников, направленных в дипломатические представительства и консульские учреждения Российской Федерации за границей, но не более пяти лет в общей сложности;

6) период, в течение которого лица, необоснованно привлеченные к уголовной ответственности и впоследствии реабилитированные, были временно отстранены от должности (работы) в порядке, установленном уголовно-процессуальным законодательством Российской Федерации;

7) период пребывания в добровольческом формировании, содействующем выполнению задач, возложенных на Вооруженные Силы Российской Федерации, в период мобилизации, в период действия военного положения, в военное время, при возникновении вооруженных конфликтов, при проведении контртеррористических операций, а также при использовании Вооруженных Сил Российской Федерации за пределами территории Российской Федерации;

8) периоды военной службы по контракту и (или) иной деятельности (работы), имевшей место после 01.01.2002 года, предусмотренные Федеральным законом от 04.06.2011 №126-ФЗ «О гарантиях пенсионного обеспечения для отдельных категорий граждан».

Индивидуальный коэффициент за полный календарный год иного засчитываемого в страховой стаж периода (кроме периодов ухода за детьми), составляет 1,8.

Коэффициент за полный календарный год, засчитываемых в страховой стаж периода службы, предусмотренного Федеральным законом от 4 июня 2011 года № 126-ФЗ (периоды участия в специальной военной операции во время прохождения военной службы), периода участия в специальной военной операции в период пребывания в добровольческом формировании составляет 3,6.

Коэффициент за период ухода одного из родителей за каждым ребенком до достижения им возраста полутора лет зависит от последовательности ухода:

1) 1,8 - в отношении периода ухода одного из родителей за первым ребенком;

2) 3,6 - в отношении периода ухода одного из родителей за вторым ребенком;

3) 5,4 - в отношении периода ухода одного из родителей за третьим или четвертым ребенком.

При этом один месяц иного периода составляет 1/12 часть коэффициента за полный календарный год, а один день - 1/360 часть коэффициента за полный календарный год.

Например, индивидуальный пенсионный коэффициент за период ухода за первым ребенком продолжительностью 10 мес. 14 дней составит 1,57 (1,8*10/12+1,8*14/360).

В случае, если периоды ухода за детьми совпадают по времени, коэффициенты за каждый период такого ухода суммируются.

Размер страховой пенсии при ее назначении определяется в порядке, предусмотренном статьей 15 Федерального закона от 28.12.2013 № 400-ФЗ, исходя из индивидуального пенсионного коэффициента, который складывается из индивидуального пенсионного коэффициента за периоды, имевшие место до 01.01.2015, и индивидуального пенсионного коэффициента за периоды, имевшие место после 01.01.2015.

Величина индивидуального пенсионного коэффициента за периоды, имевшие место до 01.01.2015 определяется из размера страховой части трудовой пенсии по старости, трудовой пенсии по инвалидности или трудовой пенсии по случаю потери кормильца (без учета фиксированного базового размера и накопительной части трудовой пенсии), исчисленного по состоянию на 31.12.2014 по нормам Федерального закона от 17.12.2001 № 173-ФЗ, деленного на стоимость одного пенсионного коэффициента по состоянию на 01.01.2015, и суммы коэффициентов, определяемых за каждый календарный год «нестраховых» периодов, имевших место до 01.01.2015.

Нестраховые периоды учитываются при определении величины индивидуального пенсионного коэффициента за периоды, имевшие место до 01.01.2015, если они по выбору застрахованного лица не учитываются при исчислении размера страховой части трудовой пенсии по старости, трудовой пенсии по инвалидности или трудовой пенсии по случаю потери кормильца в соответствии с Федеральным законом от 17.12.2001 № 173-ФЗ (с применением норм Федерального закона от 21.03.2005 № 18-ФЗ и Федерального закона от 04.06.2011 № 126-ФЗ).

Установление страховых (социальных) пенсий по инвалидности

С 01.01.2022 года назначение страховой пенсии по инвалидности (социальной пенсии по инвалидности) производится по месту жительства лица, признанного инвалидом, без истребования от него соответствующего заявления на основании данных, имеющихся в распоряжении территориального органа СФР, в том числе с учетом сведений об инвалидности, содержащихся в федеральном реестре инвалидов.

Право на страховую (социальную) пенсию по инвалидности возникает в случае наступления у застрахованных лиц инвалидности III, II или I группы, определяемой органами медико-социальной экспертизы по медицинским показаниям.

Страховая пенсия по инвалидности устанавливается при наличии у инвалида не менее одного дня страхового стажа.

В случае полного отсутствия у инвалида страхового стажа устанавливается социальная пенсия по инвалидности в соответствии с Федеральным законом от 15.12.2001 № 166-ФЗ «О государственном пенсионном обеспечении в Российской Федерации».

При отсутствии у гражданина условий, необходимых для назначения как страховой пенсии по инвалидности, так и социальной (не подтвержден факт регистрации на территории Российской Федерации), и в последующем приобретшему (подтвердившему) такие условия, установление пенсии по инвалидности осуществляется по заявлению.

Размер страховой пенсии по инвалидности определяется каждому застрахованному лицу индивидуально, в зависимости от стажа, заработка, суммы начисленных (уплаченных) страховых взносов в СФР.

Размер фиксированной выплаты к страховой пенсии по инвалидности (устанавливается одновременно с назначением страховой пенсии) зависит от группы инвалидности. При этом с 01.01.2015 фиксированная выплата к страховой пенсии является самостоятельным видом выплаты и в состав размера страховой пенсии не входит.

Так, с 1 января 2015 года ее размер, при наличии 1 группы инвалидности составлял 7870,00 руб., 2 группы - 3935,00 руб., 3 группы - 1967,50 руб.

С 1 февраля 2015 (с учетом индексации на 11,4 %) размер фиксированной выплаты составлял: при наличии 1 группы - 8767,18 руб., 2 группы – 4383,59 руб., 3 группы – 2191,80 руб.

С 1 февраля 2016 (с учетом индексации на 4 %) размер фиксированной выплаты составлял: при наличии 1 группы – 9117,86 руб., 2 группы – 4558,93 руб., 3 группы – 2279,47 руб.

С 1 февраля 2017 (с учетом индексации на 5,4 %) размер фиксированной выплаты составлял: при наличии 1 группы – 9610,22 руб., 2 группы – 4805,11 руб., 3 группы – 2402,56 руб.

С 1 января 2018 (с учетом индексации на 3,7 %) размер фиксированной выплаты составляет: при наличии 1 группы – 9965,80 руб., 2 группы – 4982,90 руб., 3 группы – 2491,45 руб.

С 1 января 2019 (с учетом индексации на 1,0705 %) размер фиксированной выплаты составляет: при наличии 1 группы – 10668,38 руб., 2 группы – 5334,19 руб., 3 группы – 2667,10 руб.

С 1 января 2020 (с учетом индексации на 1,066 %) размер фиксированной выплаты составляет: при наличии 1 группы – 11372,50 руб., 2 группы – 5686,25 руб., 3 группы – 2843,13 руб.

С 1 января 2021 (с учетом индексации на 1,063%) размер фиксированной выплаты составляет: при наличии 1 группы – 12088,96 руб., 2 группы – 6044,48 руб., 3 группы – 3022,24 руб.

С 1 января 2022 (с учетом индексации на 1,086%) размер фиксированной выплаты составляет: при наличии 1 группы – 13128,62 руб., 2 группы – 6564,31 руб., 3 группы – 3282,15 руб.

С 1 июня 2022 (с учетом индексации на 1,10%) размер фиксированной выплаты составляет: при наличии 1 группы – 14441,48 руб., 2 группы – 7220,74 руб., 3 группы – 3610,37 руб.

С 1 января 2023 (с учетом индексации на 1,048%) размер фиксированной выплаты составляет: при наличии 1 группы – 15134,66 руб., 2 группы – 7567,33 руб., 3 группы – 3783,67 руб.

Лицам, на иждивении которых находятся нетрудоспособные члены семьи, размер фиксированной выплаты повышается на каждого иждивенца, но не более чем на трех нетрудоспособных членов семьи. Повышение устанавливается в сумме, равной одной третьей суммы, предусмотренной ч. 1 ст. 16 Федерального закона «О страховых пенсиях» (с 1 января 2023 года повышение составляет 2522,44 руб.).

Условия назначения страховой пенсии по случаю потери кормильца определены статьей 10 Федерального закона от 28 декабря 2013. № 400-ФЗ «О страховых пенсиях»

В соответствии с указанной статьей право на страховую пенсию по случаю потери кормильца имеют нетрудоспособные члены семьи умершего, в том числе дети, братья, сестры и внуки умершего кормильца, не достигшие возраста 18 лет, либо достигшие возраста 18 и завершившие обучение по основным общеобразовательным программам основного общего или среднего общего образования в организациях, осуществляющих образовательную деятельность, на период до 1 сентября года, в котором завершено указанное обучение, а также дети, братья, сестры и внуки умершего кормильца, обучающиеся по очной форме по основным образовательным программам в организациях, осуществляющих образовательную деятельность, до окончания ими обучения, но не дольше, чем до достижения возраста 23 лет.

Страховая пенсия по случаю потери кормильца назначается на срок, в течение которого соответствующее лицо считается нетрудоспособным (до достижения возраста 18 лет; после достижения возраста 18 лет при завершении обучения по основным общеобразовательным программам основного общего или среднего общего образования в организациях, осуществляющих образовательную деятельность, на период до 1 сентября года, в котором завершено указанное обучение; на весь период обучения, но не дольше, чем до достижения ими возраста 23 лет).

Таким образом, изначально, пенсия по случаю потери кормильца устанавливается и выплачивается по дату исполнения иждивенцу возраста 18 лет.

Если на день совершеннолетия отсутствуют сведения, подтверждающие факт обучения по основным общеобразовательным программам основного общего или среднего общего образования в организации, осуществляющей образовательную деятельность, выплата пенсии приостанавливается.

Впоследствии при поступлении справки об учебе, подтверждающей факт обучения на дату достижения иждивенцем возраста 18 лет, выплата пенсии возобновляется за период со дня ее прекращения и до 1 сентября года, в котором завершено указанное обучение.

При поступлении справки об учебе, подтверждающей факт обучения в другом учебном учреждении с 1 сентября того же года, выплата пенсии возобновляется за период со дня ее прекращения и до окончания обучения, но не дольше достижения возраста 23 лет.

Иначе решается вопрос, если между датой совершеннолетия и датой поступления иждивенца в учебное заведение имеется временной разрыв. В этом случае, перерыв в обучении квалифицируется как период, в течение которого лицом, получающим пенсию, была приобретена трудоспособность.

В подобной ситуации возможны два варианта пенсионного обеспечения: восстановление выплаты ранее назначенной пенсии либо назначение пенсии по случаю потери кормильца вновь. Более выгодный вариант исчисления пенсии помогут определить специалисты территориального органа СФР по месту нахождения пенсионного дела.

Следует отметить, что действующим законодательством не установлено каких-либо ограничений по выплате пенсии, например, в связи с вступлением в брак или трудоустройством на работу лица, получающего пенсию по случаю потери кормильца.

Условия назначения досрочных пенсий

В соответствии с Федеральным законом «О страховых пенсиях» от 28.12.2013 № 400-ФЗ для приобретения права на назначение досрочной страховой пенсии по старости за работу с особыми условиями труда необходимо соблюдение одновременно следующих условий:

работа определенной продолжительности в соответствующих должностях и профессиях, дающих право на досрочное назначение страховой пенсии по старости в соответствии со Списками работ, производств, профессий, должностей, специальностей и учреждений (организаций);
уплата работодателями страховых взносов по дополнительным тарифам с 1 января 2013 г.;
наличие вредного или опасного класса условий труда на рабочем месте, установленного по результатам специальной оценки условий труда;
достижение соответствующего пенсионного возраста, наличие требуемого страхового стажа и величины индивидуального пенсионного коэффициента не менее 30.

О списках работ, производств, профессий, должностей, организаций и правилах исчисления периодов работы для досрочного пенсионного обеспечения.

Основания возникновения и порядок реализации права на пенсию в связи с особыми условиями труда установлены Федеральным законом от 28.12.2013г. № 400-ФЗ «О страховых пенсиях». Указанным законом сохранены все категории граждан, имеющих право на досрочную пенсию по старости, а также условия назначения такой пенсии.

С 01.01.2015 г. в целях определения права на досрочную страховую пенсию по выбору застрахованного лица периоды работы (деятельности) могут включаться в страховой и специальный стаж последовательно с учетом пенсионного законодательства, действовавшего при назначении пенсии в период выполнения данной работы (деятельности), независимо от того, выработан страховой стаж и (или) стаж на соответствующих видах работ полностью либо частично на дату отмены соответствующего законодательства.

В целях реализации данного положения Закона, постановлением Правительства России от 16.07.2014г. № 665 утверждены списки работ, производств, профессий, должностей, специальностей и учреждений (организаций), с учетом которых досрочно назначается страховая пенсия по старости, и правилах исчисления периодов работы (деятельности), дающей право на досрочное пенсионное обеспечение.

Данным постановлением наряду с действующими в настоящее время списками работ, производств, профессий, должностей и правилами исчисления специального стажа, предусмотрены списки и правила, которые применялись при назначении пенсии до 01.01.1992г.

Согласно действующему пенсионному законодательству при определении права на досрочное назначение пенсии к периодам работы до 1 января 1992 года, предусмотренной Списками № 1 и № 2, утвержденными постановлением Совета Министров СССР от 22 августа 1956 года № 1173, могут приравниваться имеющиеся до указанной даты периоды военной службы, обучения в училищах и школах профтехобразования, работа на выборных и других ответственных должностях в партийных и комсомольских органах в порядке, предусмотренном Положением о порядке назначения и выплаты государственных пенсий, утвержденного постановлением Совета Министров СССР от 03.08.1972г. № 590.

Например, периоды службы в армии приравниваются либо к работе, которая предшествовала данному периоду, либо к работе, которая следовала за окончанием этого периода, в размере, не превышающем имеющегося по состоянию на 1 января 1992 года стажа работы, дающей право на пенсию на льготных условиях.

О досрочном назначении страховой пенсии по старости педагогическим работникам.

В соответствии с Федеральным законом от 28.12.2013г. № 400-ФЗ «О страховых пенсиях» лица, не менее 25 лет осуществлявшие педагогическую деятельность в учреждениях для детей, имеют право на досрочное назначение страховой пенсии по старости независимо от возраста при наличии величины индивидуального пенсионного коэффициента в размере не менее 30.

В 2015г. величина указанного коэффициента устанавливается не ниже 6,6 с последующим ежегодным увеличением на 2,4 до достижения величины коэффициента 30.

Федеральным законом «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам назначения и выплаты пенсий» от 03.10.2018г. № 350-ФЗ предусмотрено поэтапное повышение срока выхода на страховую пенсию по старости для отдельных категорий граждан, в том числе для педагогических работников.

Начиная с 1 января 2019г. указанным работникам срок реализации права на досрочное назначение пенсии постепенно (ежегодно на 1 год) увеличивается на 5 лет в зависимости от года возникновения права на такую пенсию. При этом продолжительность требуемого стажа для назначения досрочной пенсии остается прежней. Для граждан, которым предстояло выходить на пенсию по «старому» законодательству в 2019-2020 годах, предусмотрен льготный порядок. Им страховая пенсия по старости назначается на шесть месяцев раньше нового срока выхода на пенсию. Если необходимый стаж приобретен в 2021 году, то срок назначения пенсии увеличивается на 3 года, в 2022 – на 4 года, в 2023 году и далее – на 5 лет.

При назначении пенсии по данному основанию применяется Список должностей и учреждений, работа в которых засчитывается в стаж работы, дающей право на досрочное назначение пенсии по старости и Правила исчисления указанных периодов работы, утвержденные постановлением Правительства РФ от 29.10.2002г. № 781.

Списком предусмотрены учреждения для детей и должности, работа в которых дает право на досрочное пенсионное обеспечение. В Правилах указаны условия, при которых в педагогический стаж засчитываются периоды работы в должностях и учреждениях, предусмотренных Списком.

Кроме периодов работы в педагогический стаж включаются периоды получения пособия по государственному социальному страхованию в период временной нетрудоспособности, а также периоды ежегодных основного и дополнительных оплачиваемых отпусков. Также подлежит зачету в специальный стаж период нахождения женщин в отпуске по уходу за ребенком до 3 лет, начавшийся до 6 октября 1992г.

Периоды педагогической работы, выполнявшейся до 1 сентября 2000г. засчитываются в стаж независимо от выполнения в эти периоды нормы рабочего времени (педагогической или учебной нагрузки), а начиная с 1 сентября 2000г. - при условии выполнения нормы рабочего времени (педагогической или учебной нагрузки), установленной за ставку заработной платы (должностной оклад).

Из этого правила имеется исключение: не требуется выполнение полной педагогической нагрузки как до 1 сентября 2000 года, так и после этой даты учителям начальных классов общеобразовательных учреждений и учителям в сельских общеобразовательных школах. Музыкальным руководителям и музыкальным работникам, наоборот, необходимо подтвердить работу на полную ставку по всем периодам работы.

Работа в должностях педагога, педагога-воспитателя, медсестры ясельной группы засчитывается в специальный стаж только до 1 января 1992г.

По отдельным учреждениям для детей имеются особенности. Так, работа в учреждениях дополнительного образования за периоды начиная с 01.01.2001г. подлежит зачету в специальный стаж только при наличии одновременно следующих условий:

- на 1 января 2001 года у лица имеется стаж работы в должностях в учреждениях, указанных в Списке, продолжительностью не менее 16 лет 8 месяцев;

- у лица имеется факт работы (независимо от ее продолжительности) в период с 1 ноября 1999 года по 31 декабря 2000 года в должностях и в учреждениях дополнительного образования.

Работа в вечерних (сменных) общеобразовательных школах, открытых (сменных) общеобразовательных школах, в центрах образования, в вечерних (сменных) профессиональных училищах и в образовательных учреждениях среднего профессионального образования (средних специальных учебных заведениях) начиная с 1 ноября 1999 года засчитывается в стаж работы при условии обучения в указанных учреждениях не менее 50 процентов детей в возрасте до 18 лет.

Федеральным законом от 28.12.2013г. № 400-ФЗ «О страховых пенсиях», вступившим в силу с 01.01.2015г., предусмотрено, что в целях определения права на досрочную страховую пенсию периоды работы (деятельности) могут засчитываться в страховой и специальный стаж последовательно с учетом пенсионного законодательства, действовавшего при назначении пенсии в период выполнения данной работы (деятельности).

Таким образом, при определении права педагогических работников на досрочную страховую пенсию по старости могут применяться ранее действовавшие списки и правила, которые применялись при назначении пенсии в тот период, когда протекала работа (утверждены постановлением Правительства России от 16.07.2014г. № 665).

О праве на досрочное назначение пенсии в связи с педагогической деятельностью руководителей образовательных учреждений.

Согласно Федеральному закону «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам назначения и выплаты пенсий», начиная с 1 января 2019г. указанным работникам срок реализации права на досрочное назначение пенсии постепенно увеличивается на 5 лет в зависимости от года возникновения права на такую пенсию. При этом продолжительность требуемого стажа для назначения досрочной пенсии остается прежней. Например, если требуемый 25-летний стаж приобретен в 2021 году, срок назначения пенсии увеличивается на 3 года, в 2022 – на 4 года, в 2023 и далее – на 5 лет.

При подсчете педагогического стажа применяется Список должностей и учреждений, работа в которых засчитывается в стаж работы, дающей право на досрочное назначение пенсии по старости и Правила исчисления указанных периодов работы, утвержденные постановлением Правительства Российской Федерации от 29.10.2002г. №781.

Правилами от 29.10.2002г. № 781 предусмотрены определенные особенности включения в педагогический стаж периодов работы руководящих работников.

Руководители образовательных учреждений в зависимости от типов и видов этих учреждений разделены данными Правилами на четыре категории:

1) работа в должностях директора (начальника, заведующего) и их заместителей дошкольных образовательных учреждений, межшкольных учебно-производственных комбинатов трудового обучения и профессиональной ориентации учащихся (межшкольных учебных комбинатов), учреждений дополнительного образования детей засчитывается в педагогический стаж только до 01.11.1999г.;

2) работа в должностях директора (начальника, заведующего) детских домов, в том числе санаторных (коррекционных) для детей с отклонениями в развитии засчитывается в педагогический стаж без всяких дополнительных условий, то есть независимо от времени, когда выполнялась эта работа, а также ведения преподавательской работы. Необходимо только, чтобы эта работа выполнялась в режиме нормальной или сокращенной продолжительности рабочего времени, предусмотренной трудовым законодательством;

3) работа в должностях директора (начальника, заведующего) и их заместителей образовательных учреждений для детей, нуждающихся в психолого-педагогической и медико-социальной помощи, учреждений социального обслуживания и учреждений здравоохранения в педагогический стаж вообще не засчитывается;

4) работа в должностях директора (начальника, заведующего) в остальных образовательных учреждениях, предусмотренных разделом «Наименование учреждений» Списка, за периоды работы, начиная с 01.09.2000г. засчитывается в педагогический стаж при условии ведения ими преподавательской работы в том или в другом образовательном учреждении для детей в установленном объеме. Например, директорам (начальникам, заведующим) общеобразовательных учреждений, в том числе школ-интернатов, специальных (коррекционных) образовательных учреждений для обучающихся с отклонениями в развитии, учреждений начального профессионального образования для включения периодов работы в качестве руководителей необходимо вести преподавательскую работу в объеме не менее 6 часов в неделю (240 часов в год), а директорам (начальникам, заведующим) учреждений среднего профессионального образования – в объеме не менее 360 часов в год.

Исчисление специального стажа медицинским работникам отделений хирургического профиля стационаров.

В соответствии с Федеральным законом от 28.12.2013г. № 400-ФЗ «О страховых пенсиях» досрочная страховая пенсия по старости назначается лицам, осуществлявшим лечебную и иную деятельность по охране здоровья населения в учреждениях здравоохранения не менее 25 лет в сельской местности и поселках городского типа или не менее 30 лет в городах либо при «смешанном» стаже (в городе и в селе), независимо от возраста при наличии величины индивидуального пенсионного коэффициента в размере не менее 30.

В 2015 году величина указанного коэффициента устанавливается не ниже 6,6 с последующим ежегодным увеличением на 2,4 до достижения величины коэффициента 30.

С 01.01.2019 г. вступил в силу Федеральный закон «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам назначения и выплаты пенсий» от 03.10.2018г. № 350-ФЗ, предусматривающий изменения, направленные на поэтапное повышение срока выхода на страховую пенсию по старости для отдельных категорий граждан, в том числе для медицинских работников.

Начиная с 1 января 2019г. указанным работникам срок реализации права на досрочное назначение пенсии постепенно (ежегодно на 1 год) увеличен на 5 лет в зависимости от года возникновения права на такую пенсию. При этом продолжительность требуемого стажа для назначения досрочной пенсии остается прежней. Для граждан, которым предстояло выходить на пенсию по «старому» законодательству в 2019-2020 годах, предусмотрен льготный порядок. Им страховая пенсия по старости назначается на шесть месяцев раньше нового срока выхода на пенсию. Если требуемый стаж приобретен в 2021 году, то срок назначения пенсии увеличивается на 3 года, в 2022 – на 4 года, в 2023 и далее – на 5 лет.

При назначении пенсии по этому основанию применяются Список должностей и учреждений и Правила исчисления периодов работы, дающей право на досрочное назначение трудовой пенсии по старости лицам, осуществлявшим лечебную и иную деятельность по охране здоровья населения в учреждениях здравоохранения, утвержденные постановлением Правительства Российской Федерации от 29.10.2002г. № 781.

По общему правилу специальный стаж исчисляется в календарном порядке. Вместе с тем, есть исключения. Например, пунктом 5 Правил предусмотрено льготное исчисление специального стажа (1 год работы за 1 год 6 месяцев) лицам, работавшим в отделениях хирургического профиля стационаров.

К отделениям хирургического профиля относятся акушерское, гинекологическое, кардиохирургическое, операционный блок, онкологическое, офтальмологическое, родовое, сосудистой хирургии, травматологическое, урологическое, хирургическое и др.

Право на льготное исчисление специального стажа имеют работающие в указанных отделениях оперирующие врачи-специалисты всех наименований, в том числе оперирующие врачи-заведующие, операционные медицинские сестры, включая старших, акушерки, включая старших, медицинские сестры перевязочных в отделениях гнойной хирургии, ожоговом, ортопедическом, травматологическом, травматолого-ортопедическом, туберкулезном для больных костно-суставным туберкулезом.

После 1 ноября 1999г. работа в указанных должностях должна проходить в режиме полной занятости, то есть на полную ставку.

Участие в операциях врачей-специалистов подтверждается журналами оперативных вмешательств, историями болезней. При этом, каких-либо требований к количеству проведенных операций не предъявляется.

Медицинские работники, работающие в селе, могут пользоваться двойной льготой по исчислению стажа. Например, если оперирующий врач-хирург работал в хирургическом отделении больницы, которая согласно административно-территориальному делению располагается в сельской местности, то при назначении ему пенсии за «смешанный» стаж (за работу в селе и в городе) 1 год такой работы будет засчитываться за 1 год 9 месяцев.

О досрочном пенсионном обеспечении за работу на Крайнем Севере.

С 01.01.2019 года, в связи с вступлением в силу Федерального закона от 03.10.2018г. № 350-ФЗ «О внесении изменений в отдельные законодательные акты Российской Федерации по вопросам назначения и выплаты пенсий», повышен пенсионный возраст для отдельных категорий граждан, в том числе работавших на Крайнем Севере.

Для лиц, проработавших не менее 15 календарных лет в районах Крайнего Севера либо не менее 20 календарных лет в приравненных к ним местностях и имеющих требуемый страховой стаж и величину индивидуального пенсионного коэффициента, начиная с 1 января 2019г. срок реализации права на досрочное назначение пенсии поэтапно (ежегодно на 1 год) увеличен на 5 лет – с 55 до 60 лет для мужчин и с 50 до 55 лет для женщин.

Для граждан, которым предстояло выходить на пенсию в 2019-2020 годах, предусмотрен льготный порядок. Им страховая пенсия по старости назначается на шесть месяцев раньше достижения нового пенсионного возраста.

Порядок постепенного увеличения возраста для «северян» приведен в таблице:

Мужчины

Читать:

Как подключиться к кластеру серверов 1с

Предыдущая запись

Выберите верный символ или набор символов который называется оператором присваивания

Следующая запись