Ідентифікація джерел формування Державного бюджету України та напрямів використання фінансових ресурсів в умовах російсько-української війни
Bibliographic record
Abstract
Наукова стаття присвячена аналізу джерел фінансових надходжень в Державний бюджет України та використанню фінансових ресурсів в умовах російсько-української війни. Було досліджено зміну структури доходів. Встановлено, що податкові та неподаткові надходження суттєво скоротилися, а основними джерелами фінансування стали міжнародні кредити та гранти, безповоротна допомога, а також кошти, залучені шляхом випуску військових облігацій. При таких змінах у джерелах наповнення Державного бюджету міжнародна фінансова допомога відіграє вирішальну роль. США, Європейський Союз, Японія, Канада, Велика Британія та інші країни надають Україні значні фінансові ресурси, які використовуються для фінансування оборони, соціальних виплат, відновлення інфраструктури та інших пріоритетних напрямків. Найбільшу частку внесків складають англо-саксонські країни, серед них найбільше фінансової допомоги виділяє США, серед представників європейської спільноти – колективні інститути ЄС, Єврокомісія і Рада. Серед інших донорів лідирує Японія, Група Світового банку та МВФ. Гуманітарну допомогу надають країни-члени ЄС, США, Японія. Донорами для України, стали близько 42 країн світу. Що стосується військової допомоги, то найбільшим партнером України є країни-члени ЄС, колективні інститути ЄС та Європейський фонд миру, США, Великобританія, Норвегія. Видатки сектору безпеки і оборони уряд фінансує виключно за рахунок власних податкових надходжень, а також військових облігацій. Найбільш істотне збільшення видатків спостерігається за статтями: оборона, громадський порядок та безпека, соціальний захист та соціальне забезпечення, загальнодержавні функції, охорона здоров’я та міжбюджетні трансферти.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".