Как скопировать ссылку с авито с компьютера

Обновлено: 06.07.2024

В последнее время внимание сообщества привлекли атаки со стороны противника как эффективный инструмент для снижения точности нейронных сетей. Однако их фактическое использование в мире ограничено. Основная причина заключается в том, что реальные системы машинного обучения, такие как фильтры контента или детекторы лиц, часто состоят из нескольких нейронных сетей, каждая из которых выполняет отдельную задачу. Чтобы атаковать такую систему, враждебный пример должен пройти одновременно через множество различных сетей, что является основной проблемой, рассматриваемой в этой статье. В этой статье мы исследуем многозадачные атаки злоумышленников как угрозу для реальных решений машинного обучения. Мы предлагаем новую состязательную атаку «черный ящик», которая значительно превосходит современные современные методы, такие как быстрая атака с градиентным знаком (FGSM) и базовый итеративный метод (BIM, также известный как Iterative-FGSM) в многозадачной среде. настройка.

Введение

Глубокие нейронные сети (ГНС) достигли выдающейся точности во многих задачах, связанных с компьютерным зрением. Это привело к их адаптации к критически важным для безопасности системам, таким как автономное вождение и медицинское сканирование. Несмотря на их эффективность, в последнее время было обнаружено множество недостатков безопасности [1] в системах машинного обучения, в том числе уязвимость к атакам со стороны противника [2]. Небольшое возмущение, примененное к входным данным модели, может привести к совершенно неожиданному прогнозу модели или выходным данным классификации. В состязательных исследованиях рассматриваются две разные модели угроз: «белый ящик» и «черный ящик». В сценарии белого ящика злоумышленник имеет полный доступ к архитектуре и параметрам модели. В случае «черного ящика» знания злоумышленника ограничены либо выходными вероятностями модели, либо окончательным прогнозом. В то время как установка белого ящика представляет особый интерес для исследователей (из-за полностью контролируемой среды), с точки зрения кибербезопасности атаки черного ящика более значимы. В реальных приложениях модель обычно доступна через API. Таким образом, злоумышленник не может напрямую получить доступ к внутреннему состоянию модели. В этом сценарии злоумышленник использует замещающую сеть, чтобы воспроизвести поведение модели ИИ, лежащей в основе API.

Атаки со стороны злоумышленников стали популярной научной темой. Чтобы понять риски и даже возможности состязательных атак для бизнеса, начнем с примера компании Avito, описанного в их блоге [3]. Одно из предприятий Avito рекламирует платформу для клиентов, желающих продать свои автомобили. Чтобы добавить дополнительный уровень конфиденциальности для пользователей, Avito заменил номерные знаки на автомобилях фирменными водяными знаками. Проблема возникла, когда конкурирующий игрок рынка начал удалять рекламу Avito, обнаруживать и заменять водяной знак Avito своим собственным, а затем размещать те же самые объявления на другой платформе, не уведомляя об этом ни Avito, ни владельцев автомобилей. Эти действия негативно повлияли на бизнес Avito: поставили под угрозу отношения с клиентами, в частности, нарушили правила использования их персональных данных. Чтобы решить эту проблему, Avito разработала состязательное решение, применяемое ко всему изображению. Эта атака была нацелена на механизм обнаружения объектов конкурента, в частности, на его механизм обнаружения номерных знаков. В результате участник не смог автоматически определять и заменять номерные знаки. Кроме того, Avito стало проще обнаруживать украденную рекламу и предотвращать неправомерное использование личных данных.

Этот кейс показывает, как бизнес может защитить свою интеллектуальную собственность и интересы своих клиентов с помощью враждебных атак. С другой стороны, враждебные атаки могут быть развернуты злоумышленниками и в гнусных целях. Одним из примеров является обход фильтрации контента на веб-сайте.

В примере с Avito достаточно было просто предотвратить обнаружение объекта. Но в случае контентной фильтрации одного уклонения от обнаружения объектов будет недостаточно. Здесь вступают в игру многозадачные состязательные атаки, при которых несколько механизмов компьютерного зрения должны быть нацелены одновременно. Обнаружение объектов, классификация изображений и распознавание текста могут применяться одновременно в решении веб-фильтрации для обнаружения рекламы контента с рекомендациями для родителей.

Сводка вклада

Атаки со стороны противника, нацеленные на несколько моделей одной и той же задачи, достаточно хорошо изучены. В то же время многозадачные атаки злоумышленников на удивление мало освещаются в литературе, несмотря на их важность для безопасности бизнес-решений на основе ИИ (см. Лу и др. [4]).

Наша работа вдохновлена Lu at al. [4], в которой описывается метод уменьшения дисперсии для повышения переносимости атак противника между задачами. Наше исследование расширяет возможности этого метода.

В этой статье мы предлагаем новый метод многозадачных состязательных атак, основанный на дисперсионном усилении внутренних активаций DNN.Мы экспериментально показали, что, хотя уменьшение дисперсии кажется интуитивным выбором, поскольку оно уменьшает контраст на внутренних слоях, усиление дисперсии оказывает такое же влияние на точность DNN. Для некоторых задач наш метод превосходит сокращение дисперсии как по эффективности атаки противника, так и по размеру возмущения.

Похожие работы

Большинство реальных систем машинного обучения не раскрывают свое внутреннее состояние. Таким образом, возможны только атаки черного ящика. Ранние исследования атак методом «черного ящика» были сосредоточены на механизме «запрос-обратная связь». Здесь злоумышленник использует некоторые методы локального поиска, такие как градиентный спуск по выходным вероятностям целевой модели, чтобы найти оптимальное возмущение противника [5–7]. Невозможность оценить градиент модели заставляет эти подходы полагаться на большое количество запросов к целевой модели. Хотя это не проблема в случае автономных моделей, в реальных онлайн-системах большое количество запросов к модели или ML API будет обнаружено и обработано поставщиком услуг как вредоносная деятельность. Для преодоления этого препятствия были предложены состязательные атаки, основанные на замещающей модели [8, 9]. Здесь злоумышленник обучает другую модель, которая имитирует поведение целевой модели. Затем злоумышленник создает враждебные образцы, используя сгенерированную модель в качестве цели белого ящика. Эффективность этой атаки зависит от свойства переносимости созданных вредоносных примеров — способности имитировать прогнозы целевой модели. Этот подход работает, потому что коммерческие решения, как правило, повторно используют многие компоненты OpenSource или обучают свои модели на общедоступных наборах данных. Таким образом, состязательные атаки, основанные на модели замещения, как правило, успешно работают и против коммерческих проприетарных решений.

Недавно были предложены методы повышения возможности передачи со стороны противника [10, 11]. Однако все они полагаются на функцию потерь для конкретной задачи. Также довольно часто их можно применять только для классификации изображений. Это значительно ограничивает их использование в реальных сценариях из-за методов ансамбля, применяемых для защиты от атак уклонения. В системах машинного обучения, чувствительных к безопасности, часто объединяют несколько нейронных сетей. Например, система распознавания лиц состоит из детектора лица (определяет, присутствует лицо или нет) и детектора живости (классифицирует обнаруженное лицо как реальное или изображение). Чтобы обмануть такую систему, враждебный пример должен разрушить обе модели одновременно. В этой области было проведено значительно меньше исследований [4, 12].

Го и др. [12] предложил метод многозадачной состязательной атаки (МТА), основанный на идее универсального возмущения, генерируемого для нескольких задач одновременно. Универсальное возмущение (впервые описанное в Moosavi-Dezfooli et al. [13]) — это возмущение, которое можно применить к любому изображению для успешной атаки на конкретную модель или модели. Для создания такого возмущения необходимо нацелить на шаге атаки набор изображений с минимальным размером возмущения. Такой подход дает возможность мгновенной атаки, так как возмущение нужно генерировать только один раз, сохраняя при этом размер возмущения немного больше, чем в случае целенаправленных атак.

В работе [12] используется как концепция универсальных, так и индивидуальных возмущений. Авторы используют генеративно-состязательные сети (GAN) для создания возмущений, которые успешно атакуют набор предопределенных задач. Для каждой конкретной задачи обучается отдельный генератор. Это упрощает нацеливание на дополнительные задачи, но в то же время ограничивает этот подход, требуя обучения дополнительных генераторов для каждой новой задачи. Чтобы устранить это препятствие, мы исследовали состязательные атаки с переносом между задачами, основанные на идеях, описанных Lu at al. [4]. В этой статье описывается метод генерации возмущений, способный проникать в несколько моделей, независимо от их архитектуры и задачи, без предварительного знания конкретной задачи.

Большинство нейронных сетей компьютерного зрения имеют общую базовую архитектуру, независимо от их задач. Они состоят из нескольких сверточных фильтров, наложенных друг на друга. Каждый уровень определяет наличие некоторых закономерностей во входном изображении и затем передает эту информацию вышестоящим уровням. Первые слои запоминают самые основные общие закономерности (такие как изменение цвета на изображении или наличие горизонтальной линии), в то время как последние слои могут запоминать более сложные функции, связанные с задачей (например, наличие глаза на изображении). , в случае распознавания лица). Эта общая часть сверточной нейронной сети обычно называется основой, а последние слои называются головками.

Основываясь на этих фундаментальных принципах сверточных нейронных сетей, Лу и соавт. [4] сделали следующее предположение.Из-за ограниченности пространства признаков, в котором работает CNN, разные нейронные сети, независимо от их архитектуры или данных, на которых они обучались, запоминают схожие низкоуровневые паттерны изображений на своих ранних уровнях. Таким образом, возмущение изображения, нарушающее активацию модели на ранних слоях, с большой вероятностью будет успешно перенесено на следующую модель.

Прежде чем углубиться в идеи Lu at al. [4], очень важно рассмотреть сценарии, в которых идеи, упомянутые ранее, могут не сработать. Барни по адресу al. [14] в работе О переносимости состязательных примеров против судебной экспертизы изображений на основе CNN показали такие сценарии. В настоящее время популярна концепция предварительно обученной магистрали как основы трансферного обучения. Он работает должным образом, потому что ImageNet — это очень крупномасштабный набор данных, и модели, обученные на нем, как правило, изучают общие функции, которые подходят для большинства задач. Но Барни и др. [14] доступ к другому, но очень важному набору задач. В случаях обучения с нуля с помощью не очень глубокой нейронной сети нельзя получить нейронную сеть с извлечением признаков общего назначения. Функции, создаваемые такой не очень глубокой сетью, будут сильно зависеть от задачи и даже от данных. И это именно то, что Барни вообще. показали в своей работе. Авторы получили доступ к трем настройкам переносимости: кросс-обучение (одна и та же модель, но разные наборы данных), кросс-модель (один и тот же набор данных, но разные модели), кросс-модель и обучение (разные модели, разные наборы данных). Все сценарии были с одной и той же целевой задачей цифровой криминалистики. В каждом случае переносимость была низкой, а сценарий кросс-модели и обучения показывал самую низкую переносимость атак. В дальнейшей работе [15] Barni и соавт. предложил эффективный метод обнаружения состязательных атак и эффективную защиту методов судебной экспертизы изображений от этих атак. Авторы еще раз показали, что переносимость в предметно-ориентированных задачах сильно ограничена. Тем не менее, варианты использования фильтрации контента, которые мы хотим изучить в этой работе, отличаются. Прежде всего, нас интересует переносимость между задачами в случаях, когда магистраль была предварительно обучена для извлечения признаков общего назначения. Этот вариант использования более распространен, так как требует меньшего объема сбора и маркировки данных и распространен во многих задачах, начиная от классификации и заканчивая обнаружением объектов и повторной идентификацией.

Сценарий, в котором злоумышленник использует активацию внутреннего уровня для создания многозадачного переносимого примера со стороны противника, показан на рис. 1. Lu at al. [4] исследовал метод, называемый уменьшением дисперсии. Они утверждали, что уменьшение дисперсии на конкретных ранних уровнях активаций CNN приводит к максимальной переносимости атаки. Уменьшение дисперсии можно рассматривать как уменьшение контраста на картинке активации. Это делает естественным, что дальнейшие слои сети не могут правильно работать с этими картами объектов. Тем не менее, мы исследовали несколько методов искажения активации внутреннего слоя и экспериментально показали, что другие манипуляции с активациями внутреннего слоя также эффективны. В нашей статье мы фокусируемся на дисперсионном усилении как на способе с наивысшей скоростью переноса.

Злоумышленник использует замещающую модель для создания враждебного образа, который успешно проходит через разные модели и через разные задачи CV (такие как классификация, обнаружение объектов, распознавание)

Южноафриканский интернет-конгломерат Naspers наиболее известен тем, что поддерживает китайского технологического гиганта Tencent, но он также управляет обширной сетью компаний, занимающихся онлайн-объявлениями. Эта сеть стала немного больше после того, как Naspers получила полный контроль над российским Avito, инвестировав 1,16 млрд долларов наличными и увеличив свою долю владения более чем на 99 %.

Avito — это ведущий российский сайт объявлений, который ежедневно посещают 10,3 миллиона уникальных пользователей. В настоящее время он насчитывает около 47 миллионов объявлений, охватывающих такие категории, как товары, автомобили, недвижимость, вакансии и услуги.

Сделка, заключенная через OLX Group, принадлежащую Naspers, увеличивает ее долю владения до 99,6 % на полностью разводненной основе, а общая стоимость компании оценивается в 3,85 млрд долларов США.

Хотя объявления могут показаться очень ретро-уголком электронной коммерции, они остаются растущим бизнесом (просто спросите Facebook, который расширяет свой собственный рынок и расширяет свое присутствие в своей собственной сети).

В частности, на развивающихся рынках ведущие местные игроки продолжают набирать обороты. За последние шесть месяцев, закончившихся 30 сентября, объем продаж Avito составил 10,3 миллиарда рублей (157 долларов США).50 миллионов), что на 30 процентов больше, чем годом ранее; Маржа EBITDA компании составляет 65,4 %, а количество листингов выросло на 7,4 % до 17,46 млн — по данным Vostok New Ventures, одного из спонсоров этой сделки.

«Талантливая управленческая команда Avito во главе с генеральным директором Владимиром Правдивым продемонстрировала способность добиваться значительного роста с течением времени, — заявил Мартин Шепбауэр, генеральный директор OLX Group. «Показатели бизнеса превосходны, и мы с нетерпением ждем продолжения этой тенденции за счет дальнейшего использования технологий, знаний и опыта Avito в рамках OLX Group и наоборот».

В частности, в России у рынка есть большой потенциал для электронной коммерции — в стране очень высокий уровень проникновения Интернета и смартфонов, а также большое население, — но он отстает от Великобритании, Франции и Германии, когда речь идет об общем рынке. размер. По оценкам Morgan Stanley, к 2020 году рынок будет стоить около 31 миллиарда евро, но для сравнения: в 2017 году Великобритания уже продвинулась на 200 миллиардов, а Франция и Германия, соответственно, ежегодно получали более 90 миллиардов евро. -коммерческие продажи.

Укрепление своих позиций в компаниях, где она уже сильна, помогает Naspers также использовать денежные средства от этих операций для инвестиций в новые области бизнеса, такие как использование большего количества услуг по запросу и инноваций в финансовых услугах в дополнение к устаревшим областям.

"Avito – ведущий игрок в сфере онлайн-объявлений в России, и наше решение увеличить свою долю отражает нашу веру в долгосрочные перспективы этого замечательного бизнеса и российского интернет-рынка", – сказал Боб ван Дейк, генеральный директор Naspers, в интервью утверждение. «Эти инвестиции еще больше укрепят наши глобальные позиции в области онлайн-объявлений, что является основным направлением деятельности Naspers наряду с онлайн-доставкой еды и финансовыми технологиями».

Большинство жителей США знакомы с Craigslist, сайтом объявлений в Интернете, где люди могут покупать и продавать товары в своем районе. Но многие из нас в Соединенных Штатах не так хорошо знакомы с Avito, сайтом объявлений, базирующимся в России.

Приблизительное время чтения: 4 минуты

Хотя Avito базируется в России, было интересно увидеть отчет SimilarWeb, который показал, что Craigslist вытеснил Craigslist с позиции самого посещаемого в мире сайта объявлений. По данным SimilarWeb, Craigslist является старейшим сайтом объявлений в Интернете и уже много лет занимает первое место, так что это значительное достижение.

В ноябре веб-сайт Avito посетили более 279 миллионов человек, при этом пользователи проводят на сайте в среднем 12 минут. Сайт также установил рекорд с 86 миллионами активных объявлений, число, которое Craigslist не раскрывает. Генеральный директор сайта онлайн-объявлений сказал о своей компании следующее:

«Avito — уникальное явление в России: оно стало нарицательным, как Google во всем мире. Авито также стало стилем жизни для многих россиян, и благодаря деятельности на нашей платформе появилась даже новая профессия — авитолог. Все это стало возможным благодаря тому, что Avito — крупнейшая и самая безопасная в стране площадка для удовлетворения широкого круга повседневных потребностей: от покупки и продажи товаров и автомобилей до поиска работы и услуг, аренды жилья и многого другого.
“ Avito стал не только местом посещения каждого россиянина, но и ключевой площадкой для развития малого и среднего бизнеса, а также крупных предприятий. Наше внимание к созданию ценности для наших клиентов, а также наши постоянные инновации позволили нам стать номером один в России, а теперь и в мире. Но мы не останавливаемся на достигнутом и продолжим двигаться вперед и разрабатывать новые модели, чтобы стать лидером в России и мире».
Владимир Правдивый, генеральный директор Avito

Компания также заняла 14-е место в глобальном рейтинге сайтов электронной коммерции и покупок SimilarWeb и заняла первое место среди российских онлайн-площадок. В октябре мобильное приложение Avito заняло первое место в России в нескольких рейтингах отечественных приложений для покупок, составленных аналитическим сервисом App Annie. Показатели приложения показали, что компания лидирует по количеству активных пользователей, общему количеству сеансов, времени, проведенному пользователями в приложении, и общему количеству загрузок с момента запуска приложения.

Хотя мы не можем использовать Avito здесь, в Соединенных Штатах, нам показалось интересным, что сайт вытеснил Craigslist из США с первого места. Это показывает, как быстро могут расти рынки, и даже Голиаф в какой-то момент падает.

Об Авито

Переведен интерфейс сайта Авито.

Avito – ведущий сервис частных объявлений в России. На его платформе ежемесячно пользуются почти 50 миллионов пользователей и размещается более 86 миллионов активных рекламных объявлений.Компания Avito, основанная в 2007 году, превратилась в крупный и уникальный онлайн-сервис с огромным количеством неиспользованных возможностей.
Компания известна во всей стране благодаря безопасным и удобным транзакциям для частных лиц, а также малых и средних предприятия. Пользователи могут находить и продавать широкий спектр продуктов, а также перечислять вакансии, услуги, недвижимость и многое другое. А давая вторую жизнь бывшим в употреблении вещам, пользователи Avito помогают окружающей среде: по оценкам компании, в 2020 году товары, обмениваемые на платформе, сэкономили примерно 18 миллионов тонн выбросов парниковых газов, или достаточно материала для создания 23 новых свалок.
Avito — это интегрированный сервис, предлагающий доставку через Avito Delivery (Доставку), что позволяет пользователям совершать покупки по всей России. В ноябре 2021 года Avito был признан самым посещаемым сайтом объявлений в мире по версии платформы веб-аналитики Similarweb.
SimilarWeb

Что вы думаете о том, что Craigslist потерял свое первое место? Если вы русский читатель, что вы думаете об Авито? Пожалуйста, поделитесь своими мыслями на любой из страниц социальных сетей, перечисленных ниже. Вы также можете комментировать нашу страницу MeWe, присоединившись к социальной сети MeWe.

Посмотрите предложения на товары Avito стоимостью менее 30 долларов США на Amazon + бесплатная доставка по тарифу Prime

Получите скидку 100 долларов США на кухонную утварь и гаджеты, используя эти купоны конкурентов Avito (активны сегодня)

Сэкономьте до 100 долларов на кухонной утвари и гаджетах с проверенными кодами скидок популярных брендов, таких как Avito.

Бесплатная доставка на Avito: получите бесплатную доставку при заказе на Avito

Avito предлагает бесплатную доставку вашего заказа. Нажмите на ссылку выше, чтобы узнать больше о правилах бесплатной доставки Avito, в том числе о требованиях к минимальному заказу.

Попробуйте эти непроверенные коды для Avito и получите скидку до 20 %, если они применимы к вашей покупке

Зачем искать купоны Avito?

Экономия на eBay: скидки до 60 % на новые и бывшие в употреблении кухонные принадлежности на eBay

Сэкономьте до 30% на новых и подержанных объявлениях Avito на eBay. Нажмите на кнопку, чтобы увидеть самые низкие на сегодняшний день цены на товары Авито.

Сэкономьте 10 % на первой покупке, зарегистрировавшись по электронной почте на Wayfair

Предложение Avito: скидка до 20 % на кухонную утварь и гаджеты в Walmart (бесплатная доставка на следующий день для соответствующих критериям заказов на сумму от 35 долларов США)

Непроверенные промокоды для Авито

В это время года этот код купона часто активен в таких магазинах, как Avito. Knoji рекомендует эти коды на основе сезонных данных, когда на Avito меньше активных проверенных промокодов.

Промокоды Avito: полное расписание

Knoji — крупнейшая онлайн-база данных купонов Avito и кодов скидок Avito. Наше огромное сообщество покупателей добавляет более 10 000 купонов в день и вносит тысячи правок в купоны, гарантируя, что у нас есть все действующие коды Avito, и сводит к минимуму вероятность того, что вы столкнетесь с кодом с истекшим сроком действия.

Ищете код купона Авито на 2022 год? Мы обеспечим вас.

Knoji – это сообщество людей, которые любят делать покупки. У нас есть более 10 миллионов подтвержденных сообществом купонов и кодов скидок для 100 000 брендов, таких как Avito.

Коды скидок для всего сайта. Мы отслеживаем промокоды для всего магазина Avito, которые открывают скидки на все товары в интернет-магазине Avito.

Купоны на бесплатную доставку Avito. Нужна бесплатная доставка на Авито? Мы отслеживаем предложения бесплатной доставки для Avito и тысяч других брендов, которые вы можете легко найти с помощью нашего инструмента поиска промокодов.

В настоящее время информационные технологии и Интернет становятся движущей силой экономики совместного потребления (экономики совместного потребления). В работе ставится задача проанализировать текущий уровень использования и перспективы развития моделей экономики совместного потребления в России. Мы определяем влияние совместного потребления на экономику замкнутого цикла и изучаем факторы, стимулирующие использование одноранговых моделей. Одной из задач исследования было изучение вовлеченности молодого поколения в экономику совместного потребления, как наиболее перспективной части населения.Исследование основано на анализе открытых интернет-источников о работе шеринговых платформ в России и опросе студентов двух российских вузов (РУДН в Москве и Кубанского государственного университета в Краснодаре) для выявления осведомленности молодежи о шеринговых платформах. . Анализ текущего состояния шеринга в России показал, что использование большинства видов шеринга находится на начальном этапе. В то же время перспективы экономического роста и развития населения достаточно высоки. В статье определены несколько эффектов цифровых платформ для устойчивого развития, главные из которых — информированное потребление и производство. Для дальнейшего роста пользователей экономики совместного потребления авторы выделяют уровень проникновения Интернета и потребность в качественных услугах на цифровых платформах. Образовательные организации также могут стать площадкой для разработки моделей экономики совместного потребления путем вовлечения студентов в процессы совместного использования, как показал опрос.

Ключевые слова: устойчивое потребление; совместное использование экономики; круговая экономика; цифровые платформы; каршеринг; райдшеринг; совместное проживание; совместное использование продуктов питания; Платформы C2C устойчивого потребления; совместное использование экономики; круговая экономика; цифровые платформы; каршеринг; райдшеринг; совместное проживание; совместное использование продуктов питания; Платформы C2C

1. Введение

Однако переход к бизнес-моделям циркулярной экономики от традиционных линейных — задача не из легких. Развитие циркулярной экономики требует реструктуризации логистических и производственных цепочек, изменения подходов к планированию производственных систем, а также радикального изменения моделей потребительского поведения, которые должны стать устойчивыми. Устойчивое потребление тесно связано с экономикой совместного потребления (экономика совместного потребления). Совместная экономика может реализовать более устойчивые методы потребления [3]. Это способствует более эффективному распределению ресурсов и снижает нагрузку на окружающую среду. Кроме того, это повышает уровень доверия в обществе [4]. Такая система позволяет перейти на более рациональные принципы потребления, что соответствует цели устойчивого развития [5].

Масштаб развития экономики совместного потребления существенно зависит от наличия цифровых технологий, объединяющих людей и бизнес. Цифровые платформы можно использовать через компьютеры и смартфоны; они объединяют людей, активы и данные, создавая принципиально новые способы потребления товаров и услуг. Они снижают барьеры для компаний в создании ценности за счет изменения их личного и профессионального пространства [6]. Кроме того, преимущества цифровой экономики можно использовать не только для развития совместного потребления, но и для ответа на такие насущные вызовы современности, как сокращение безработицы, обеспечение доступа к здравоохранению, доступной энергии, прекращение деградации окружающей среды и т.д. экономика становится основой для внедрения рационального и долевого потребления и в то же время открывает доступ к эффективной реализации проектов в области замкнутой экономики. В европейских странах развитие циркулярной, шеринговой и цифровой экономики идут рука об руку, дополняя и усиливая положительные эффекты друг друга. Только цифровая экономика получила значительное развитие в России, что подтверждается исследованиями российских авторов [7]. При этом в Российской Федерации уделяется большое внимание развитию цифровой экономики. Цифровые платформы активно внедряются во все сферы жизни: образование, здравоохранение, государственное управление и др. Такое активное проникновение цифровых технологий во все сферы жизни становится драйвером постепенного развития экономики совместного потребления и, как следствие, круговая экономика. В этом смысле российский опыт в своем роде уникален, так как позволяет получить новые знания о возможностях перехода к устойчивому потреблению. В основном это происходит с помощью цифровых технологий, без мощного влияния других факторов — благоприятных институциональных условий, масштабных образовательных кампаний, законодательных ограничений и т. д.

Сейчас много статей об оценке и перспективах развития цифровой экономики в России. В то же время российская экономика совместного потребления появилась как объект научного исследования совсем недавно и практически не изучалась. Имеющиеся научные статьи носят в основном описательный характер. Не хватает документов, в которых экономика совместного использования рассматривается в контексте устойчивого развития. Данная работа является пилотным исследованием в данной области в Российской Федерации. Цель данной статьи — восполнить эти пробелы в знаниях путем эмпирического изучения перспектив использования платформ обмена в России. В статье ставится задача проанализировать текущий уровень и перспективы развития моделей экономики совместного потребления в России.Мы также попытались выявить влияние его использования на экономику замкнутого цикла, а также изучить факторы, стимулирующие использование моделей совместного использования. Одной из задач исследования было увидеть вовлечение молодого поколения в экономику совместного потребления, как наиболее перспективной части населения. Остальная часть статьи организована следующим образом: Раздел 2, анализ эволюции развития цифровых моделей для организации совместного потребления ресурсов; Раздел 3 дает краткий обзор методологии исследования и данных; в разделе 4 представлены результаты анализа текущего уровня и перспектив развития шеринговой экономики в России, а также результаты опроса наиболее перспективной группы пользователей шеринговых платформ; В разделе 5 обсуждаются результаты исследования и даются некоторые рекомендации по организации процесса вовлечения молодежи в шеринговую экономику; последний раздел завершает исследование и обсуждает его дополнительную ценность для академической литературы.

2. Эволюция основных идей и текущее состояние экономики совместного потребления: обзор литературы

Концепция экономики совместного потребления не нова. До стремительного распространения информационных технологий здесь были библиотеки, пункты проката различного оборудования и техники, магазины секонд-хенда и кассы взаимопомощи. В основе таких бизнес-моделей лежит наличие недоиспользуемых активов (товаров, капитала и т.п.) и наличие места (площадки), где могут встретиться владельцы таких активов и лица [8,9]. Экономика совместного потребления предполагает, что отдельному лицу или всему бизнесу выгоднее получить временный доступ к продукту или услуге, чем владеть ими полностью. Причем это касается крупных и мелких компаний, состоятельных граждан и тех, кто находится за чертой бедности.

Шеринговая экономика — это явление, которое обеспечивает полный доступ к товарам и услугам, которые не используются их владельцами или используются очень редко. Таким образом, доступность становится более важной, чем право собственности. Экономика совместного использования основана на использовании информационных технологий для предоставления людям информации об оптимизации ресурсов путем перемещения излишков товаров и услуг [8,27]. В экономике совместного потребления участвуют как продавцы, так и потребители товаров и услуг; подразумевается совместное производство, потребление и распределение товаров и услуг [28,29]. Общее использование происходит в организованных системах или сетях, где участники осуществляют совместную деятельность, такую как аренда, кредитование, торговля, обмен товарами, услугами, транспортными решениями, пространством или деньгами [30]. Таким образом, возникает потребность в таких бизнес-моделях, которые могут удовлетворять этому условию. Этому способствует широкое распространение Интернета. Одной из центральных бизнес-моделей в экономике совместного потребления является экономика рынка/платформы [31]. Платформа представляет собой рыночное пространство, где взаимоотношения с клиентами в большинстве случаев автоматизированы. Цифровая платформа успешно упрощает доступ к транзакциям.

Совместная экономика представлена в пяти основных секторах: жилье, транспорт, бытовые услуги, профессиональные услуги и финансы. Некоторые исследования показывают, что совместное использование сокращает количество производимых товаров. Напротив, другие ставят под сомнение этот эффект в таких секторах, как транспорт. Услуги совместной экономики препятствуют использованию общественного транспорта в пользу частного транспорта, что увеличивает загрязнение городов и заторы. С точки зрения труда в научной литературе существует консенсус относительно огромного потенциала экономики совместного потребления для создания рабочих мест. Между тем в финансовом секторе появление платформ облегчило доступ к кредитам для финансирования проектов физическими лицами [29]. Исследования общественного поведения показывают, что окупаемость инвестиций является важной практикой для устойчивого управления цепочками поставок, помогая совместно использовать экономические платформы для более эффективного использования активов и улучшения финансовых показателей [32].

На основании этой оценки бизнес-модели в экономике совместного использования были определены как устойчивые бизнес-модели — бизнес-модели, создающие социальную и экологическую ценность в дополнение к финансовой ценности. Однако при расширении производства возникают экологические риски [21]. Некоторые исследования показывают, что в связи с экологическими рисками организации, осуществляющие совместное использование, должны разработать социальную лицензию на деятельность или обеспечить соблюдение стандартов и операционных процедур своими сотрудниками, заинтересованными сторонами и широкой общественностью [33]. Примером этого является Airbnb [34], который связывает домовладельцев с посетителями. Другой пример — BlaBlaCar, компания, занимающаяся перевозкой людей между разными точками. Приоритетом использования таких платформ сегодня является получение экономических выгод от социальных или экологических аспектов [20,32].

Тем не менее, моделирование рисков экономики совместного использования от туризма [34] с использованием структурных уравнений показало, что с точки зрения конфиденциальности и финансовых рисков это заметное снижение намерений использовать экономику общего пользования. Однако физические риски и риски, связанные с производительностью, положительно связаны с поведенческими намерениями или желаниями. Такая ситуация может быть связана с подрывной инновационной экономикой. При этом во всем мире наблюдается тренд на социальную ответственность и защиту окружающей среды, что приведет к еще более активному использованию цифровых платформ. В то же время экологические и социальные последствия экономики совместного потребления будут в первую очередь зависеть от грядущих институциональных изменений [4,21,22]. Некоторые академические исследования указывают на быстрый рост эффективных бизнес-моделей в экономике совместного потребления. Такие бизнес-модели имеют устойчивую ценность, выражающуюся в снижении воздействия на окружающую среду и обеспечении социального благополучия и стабильных экономических выгод [22]. Количество пищевых отходов в мире составляет 1300 млн метрических тонн, что составляет около 95–115 кг на человека в год в Европе и Америке; в среднем в странах Африки к югу от Сахары, Южной Азии и Юго-Восточной Азии он составляет 6–11 кг на человека в год. Поэтому считаем необходимым ввести шеринг в пищевой сфере. По имеющимся данным, 40% пищевых потерь в развивающихся странах приходится на этапы сбора, обработки и приготовления [35]. В статье Вакара Надима, Мари Юнтунен, Фарида Ширази, Ника Хайли [4] построена модель, объясняющая формирование намерений совместно создавать ценность для потребителей, которая показывает, что социальная поддержка влияет на этические представления и влияет на сотворчество значение.

Существуют различные попытки оценить вклад экономики совместного потребления в экономику стран. По оценкам Всемирного банка, Китай является мировым лидером в экономике совместного потребления. В 2018 году объем экономики совместного потребления Китая оценивался более чем в 230 млрд долларов США или 1,67% ВВП страны. Это связано, во-первых, с высокой распространенностью мобильных платежей (в 2016 году объем транзакций в Китае почти в 50 раз превысил уровень в США), а во-вторых, с государственной поддержкой и стремлением правительства к сотрудничеству. с компаниями в сфере экономики совместного потребления [36]. Организация Timbro составила индекс для оценки уровня развития экономики совместного потребления по другой методологии. Индекс совместной экономики Timbro — это первый глобальный индекс совместной экономики. Индекс был составлен с использованием данных об объеме трафика и извлеченных данных и дает уникальное представление о движущих факторах экономики одноранговых сетей [37]. Лидером среди 213 стран по распространению экономики совместного потребления является Исландия.

В пятерку лидеров также вошли острова Теркс и Кайкос, Мальта, Черногория и Новая Зеландия. Российская Федерация занимает 105 позицию. В 2016 году объем экономики совместного потребления в странах ЕС оценивался в 26,5 млрд евро (0,17% ВВП ЕС-28 в 2016 году). Наиболее развитые рынки экономики совместного потребления находятся во Франции (6,5603 млрд евро), Великобритании (4,6377 млрд евро), Польше (2,7366 млрд евро) и Испании (2,5243 млрд евро). В целом на семь крупнейших рынков совместной экономики в ЕС (Франция, Великобритания, Польша, Испания, Германия, Италия и Дания) приходится около 80% общих доходов ЕС-28 в 2016 году. Уровень развития коллаборативной экономики в странах ЕС существенно различается. В Эстонии, Польше, Латвии, Люксембурге, Чехии и Швеции совместная экономика играет важную роль в экономике в целом — показатели этих стран выше среднего показателя по ЕС-28.

С другой стороны, в Дании, Ирландии, Румынии, Словении и Бельгии совместная экономика играет относительно незначительную роль в экономике в целом [38]. По прогнозу PricewaterhouseCoopers, выручка компаний в экономике совместного потребления увеличится в 22 раза и к 2025 г. достигнет 335 млрд долл. [39]. Одним из драйверов такого быстрого роста является доступность экономики совместного потребления для простых людей. Широкое распространение Интернета обеспечивает эту доступность. Доступ к сети может осуществляться через персональные компьютеры и мобильные телефоны и другие гаджеты. Именно Интернет стал основой для появления такой новой бизнес-модели, как цифровая платформа. Цифровая платформа объединяет поставщиков услуг и потребителей 24/7 на своем сайте в сети Интернет (это может быть сайт или мобильное приложение).

Канал или платформа — это основа бизнес-рыночной модели, в которой взаимоотношения с клиентами в большинстве случаев автоматизированы. Оператору торговой платформы удается облегчить доступ к транзакциям [40].Некоторые авторы [21, 23, 29, 41, 42, 43] отмечают, что выделяют несколько направлений экономики совместного использования, где цифровые платформы имеют наиболее исключительные перспективы для экономики замкнутого цикла. Мы также считаем, что цифровые платформы играют важную роль в некоторых видах совместного использования: совместном использовании автомобилей, совместном использовании жилья, совместном использовании автомобилей, совместном использовании продуктов питания и т. д. Более того, сами платформы совместного использования могут значительно повысить эффективность использования ресурсов и стать эффективным способом сокращения пищевых отходов. На наш взгляд, наиболее развиты в России на сегодняшний день следующие виды обмена:

Читайте также: