CC BY
53
УДК 338.34
ОЦЕНКА СТЕПЕНИ ИНФОРМАТИВНОСТИ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ КАК КРИТЕРИЕВ УСТОЙЧИВОСТИ РАЗВИТИЯ И ФУНКЦИОНИРОВАНИЯ ПРЕДПРИЯТИЯ
Н.С. васин,
кандидат экономических наук, докторант кафедры экономики и менеджмента
E-mail: vasinn@rambler.ru
в.в. чистяков,
аспирант кафедры экономики и менеджмента E-mail: petrovka141@bk.ru Государственный университет -учебно-научно-производственный комплекс,
Орел
В современных условиях при возрастающей неопределенности внешней среды является необходимым и актуальным дальнейшее развитие теории и практики управления устойчивостью функционирования и развития предприятия.
Целью работы является поиск путей обеспечения достоверного прогнозирования возможной потери устойчивости функционирования предприятия на основе анализа минимально необходимого набора диагностических параметров.
В статье использована методология, основанная на информационном подходе при построении критериальных зависимостей для обнаружения кризисных ситуаций.
Рассмотрена проблема оценки информативности параметров внешней и внутренней среды предприятия. Предложено строить критериальные зависимости для прогнозирования кризисных ситуаций с обеспечением возможности оперативной коррекции этих зависимостей, основанной на принципах параметрического самообучения.
Учтено, что отдельные параметры имеют вторичный характер и формируются под влиянием других, более важных. Показано, что существует предельное количество параметров, при котором обеспечивается достаточная информативность критериальных зависимостей. Это количество можно рассматривать как минимально необходимое
для достоверного прогнозирования потери устойчивости. Приведен числовой пример определения таких параметров.
Рассмотрены подходы к формированию систем диагностики функционирования промышленных предприятий на основе объединения экспертных и нейросетевых моделей и факторного анализа. Результаты работы могут быть применены при проверке состояния предприятия.
Результаты работы открывают перспективы реализации в сфере управления устойчивостью предприятия принципов превентивной диагностики, когда при минимальном наборе диагностических параметров возможно обнаружение тенденций к нарушению устойчивости за достаточно большой промежуток времени до наступления самого этого факта, что позволяет своевременно принять соответствующие меры для устранения негативного явления.
Ключевые слова: экономическая устойчивость, диагностирование, предприятие, показатель, развитие
На современном этапе развития теории и практики анализа экономических систем появилась возможность решения сложных задач диагностирования состояния промышленных предприятий с точки зре-
ния сохранения их устойчивого функционирования в конкурентной среде [1, 4, 8, 9, 14, 16, 17, 20-22 и др.]. Для этого используется современная вычислительная техника, обладающая мощными возможностями и быстродействием, что открывает новые перспективы реализации достаточно сложных алгоритмов прогнозирования аномалий, нарушающих устойчивость функционирования предприятий.
Подобные задачи в целом ряде исследований решаются на основе так называемых кризис-прогнозных (К-прогнозных) моделей, в которых используется подход, связанный с формированием различных критериев, содержащих ряд диагностических параметров (например, известные двух-, пяти- и семифакторные модели Э. Альтмана).
Эти критерии могут быть как аддитивными, так и мультипликативными, однако входящие в такие зависимости весовые коэффициенты определяются в большинстве случаев на основе экспертных оценок при недостаточном учете их стохастических характеристик и информативности. Поэтому в настоящей работе предложен подход к оценке информативности подобных параметров.
В процессе диагностирования возникает задача: определить возможности обнаружения тенденции к нарушению устойчивости уже при появлении ее предпосылок, т.е. до возникновения кризиса. Для решения задачи можно использовать принципы, использованные в известных самообучающихся системах многофакторной оценки опасности возникновения кризисных явлений и базирующиеся на алгоритмах экспертных систем [2, 15]. Подобные технологии могут быть использованы как при долгосрочном прогнозировании, где они наиболее эффективны вследствие стохастического характера прогнозирования, так и при краткосрочном прогнозировании и непосредственном обнаружении предпосылок кризисных явлений.
Однако практически в любой критической ситуации на предприятии имеет место сложность априорной оценки информативности парамет -ров с точки зрения прогнозирования. Поэтому в используемые критериальные зависимости для прогнозирования этих ситуаций целесообразно закладывать возможность их оперативной коррекции, т.е. система прогнозирования кризисных ситуаций должна строиться на принципах самообучения. При этом в качестве способа самообучения в простейшем случае может быть выбрано параметрическое самообучение.
Рассмотрим множество входных контролируемых параметров и ,и2 ,из,..., и1 как множество фазовых состояний, изменение которых может свидетельствовать о возможности наступления кризисной ситуации, связанной с нарушением устойчивости функционирования предприятия. Этими параметры могут быть:
— коэффициент фактического использования производственных мощностей;
— коэффициент загрузки оборудования;
— портфель заказов;
— коэффициент снижения транспортных расходов;
— удельная материалоемкость или коэффициент использования материала;
— коэффициент стабильности поставок каждого из предприятий-поставщиков;
— рентабельность;
— рентабельность инвестированного капитала;
— рентабельность продаж;
— фондоотдача;
— коэффициент автономии;
— коэффициент маневренности собственного капитала;
— коэффициент структуры долгосрочных вложений;
— коэффициент финансовой устойчивости;
— коэффициент абсолютной ликвидности;
— коэффициент быстрой ликвидности;
— промежуточный коэффициент покрытия;
— коэффициент обеспеченности собственными оборотными средствами;
— коэффициент задолженности;
— коэффициент соотношения кредиторской и дебиторской задолженности;
— коэффициент деловой активности;
— оборачиваемость материальных запасов;
— оборачиваемость дебиторской задолженности;
— коэффициент рентабельности всех активов;
— коэффициент прибыльности собственного капитала;
— другие показатели.
Такое множество параметров, естественно, характеризуется различной степенью их информативности. Кроме того, отдельные параметры имеют вторичный характер и формируются под влиянием других более важных параметров. Как уже отмечалось, традиционным подходом при подобных многокритериальных задачах является построение
единого критерия (свертка критериев) [11], например в аддитивной форме:
К = аМ + аМ. + аМ^ +... + а,и,,
и 11 22 33 II'
где а1,а2,...,а1 — весовые коэффициенты. Они могут быть связаны с информативностью отдельных параметров.
Однако само понятие информативности для подобного подхода требует дополнительного исследования. Очевидно, величину критерия Ки можно связать с вероятностью наступления кризисных явлений, ведущих к потере устойчивости Ркр , представляющей собой фактически риск потери устойчивости [6].
Если критерий построен таким образом, что его увеличение свидетельствует о повышении вероятности Ркр , то может быть построена зависимость, имеющая участок асимптотического приближения к единице при увеличении величины критерия. В свою очередь, величина информации, содержащаяся в некотором объеме данных, определяется как
Ь = р, Рк
где Рк — вероятность формирования рассматриваемых данных среди всех прочих возможных. Основание логарифма в данном выражении определяет размерность информации (биты, диты или другие единицы). Данную величину можно рассматривать как некую абсолютную информацию. Очевидно, что существует некоторый объем данных I , требуемый для достоверного прогнозирования кризиса. В то же время в процессе диагностики формируется некоторый реальный объем информации 1р, определяемый степенью достоверности вычисления критерия Ки. Тогда можно определить величину относительной информации, определяющей, в какой степени критерий, входящие в него параметры и весовые коэффициенты обеспечивают достоверное прогнозирование кризиса:
1отн = 1р / 1 к .
При увеличении величины 1отн и приближении ее к единице будет обеспечиваться достоверное прогнозирование приближения кризисных явлений.
Каждый дополнительный диагностический параметр будет увеличивать 1отн . При этом в общем случае эта величина может превысить единицу, что будет соответствовать наличию избыточной информации. Это нежелательно, так как приведет к излишним затратам времени и ресурсов на проведение диагностирования. Поэтому необходимо
-47 (233)
ФИНАНСОВАЯ АНАЛИТИКА: проблемы и решения
стремиться к такому набору параметров, при котором величина 1ата будет близка к единице.
Формирование такого оптимального набора параметров может быть реализовано на основе смешанного информационно-вероятностного (энтропийно-вероятностного) подхода. При этом учитывается, что диагностируемая система, естественно, содержащая неопределенность, характеризуется набором непрерывных случайных величин — параметров процесса функционирования предприятия. Также предполагается, что все параметры распределены по нормальному закону, которому соответствует максимальная энтропия Н, являющаяся мерой неопределенности диагностируемой системы и зависящая от среднеквадратического отклонения с:
Н = с 42 пе.
При формировании множества диагностических параметров следует последовательно увеличивать на единицу количество параметров и оценивать снижение неопределенности диагностируемой системы и, соответственно, приращение информации.
В качестве первого случайного параметра принимается параметр с наибольшим разбросом его значений, характеризуемым некоторой дисперсией. Относительная информация для двух нормально распределенных случайных величин (параметров диагностирования) может быть определена по зависимости:
1 о™ = С1/(С +С2Х где с1, с2— среднеквадратические отклонения
двух диагностических параметров (случайных
величин).
При переходе к диагностированию производственной системы по трем параметрам аналогичное количество информации определяется по формуле:
1 отн = (С1 + С2)/(С +с2 +сзХ
где с3- среднеквадратическое отклонение третьего
параметра (случайной величины).
На практике для вычисления величин энтропии и информации необходимо для каждого анализируемого параметра фиксировать значение в течение некоторого промежутка времени и определять не только тренд, но и среднеквадратическое отклонение, которое может оцениваться как для всего периода наблюдения, так и для некоторого временного интервала.
С учетом сказанного производятся расчеты количества информации при включении в рас-
I ,
1
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
смотрение других диагностических параметров. Их выбор для диагностики соответствующего состояния производственной системы заканчивается, когда количество информации приближается к единице.
Рассмотрим на примере определение достаточного количества параметров диагностирования состояния, связанного с эффективностью функционирования экономико-производственной системы. Для этого воспользуемся пятью параметрами, характеризующимися различными значениями квадратичного отклонения.
Параметры были проранжи-рованы по среднеквадратическому отклонению и приведены к безразмерному виду. Среднеквадрати-ческие отклонения установлены в процессе наблюдений. Результаты расчетов количества информации и ее приращения при увеличении количества диагностических параметров приведены на рисунке.
Из представленного на рисунке следует, что для проведения диагностики производственной системы достаточно первых четырех параметров. Таким образом, минимально необходимый их набор можно определить как множество параметров, увеличение которого не будет давать существенного приращения величины относительной информации, необходимой для достоверной диагностики нарушения устойчивости.
Подобная система является, по сути, экспертной, в ней весовые коэффициенты заменены значениями нуля и единицы и определяются информационным методом.
При разработке системы диагностирования для каждой ситуации, в которой появляются предпосылки к нарушению устойчивости, необходимо предусматривать свою программу реакции на ситуацию, которая будет вносить изменения в процесс управления предприятием, позволяющие устранить возможность развития отрицательной тенденции.
Оценка относительной информативности экономических показателей, используемых в качестве параметров критериальных зависимостей, может быть также реализована с использованием подхода, основанного на теории нечетких множеств. Тогда, рассматривая множество параметров (экономических показателей) как нечеткое множество, можно на
1 1,2 1,2,3 1,2,3,4 1,2,3,4,5
Количество диагностических параметров
Изменение относительного объема и нформации при использовании для диагностики различного количества параметров
основе экспертных оценок для каждого параметра определить его степень принадлежности к данному множеству ц Эта величина также может быть использована в качестве весового коэффициента. Аналогичный подход использован в работе [12], где применены нечеткие продукционные системы.
Для более раннего обнаружения тенденции к нарушению устойчивости можно использовать также анализ динамики изменения диагностических параметров. При этом можно воспользоваться предположением о том, что нарушение устойчивости происходит не сразу, а формируется постепенно. Поэтому для его обнаружения целесообразно отслеживать временной ряд изменения диагностических параметров U..
При анализе временных рядов [3] широко используются методы, связанные с вычислением первых и вторых разностей ряда. Первые представляют собой величины
А ,= U -uw.
Однако в некоторых случаях диагностирования функционирования предприятия эти отклонения могут быть столь незначительны, что на их основе трудно будет определить регрессионные зависимости (уравнения тренда U), поэтому традиционные методы анализа временных рядов не всегда могут быть применимы для подобных задач.
В то же время вычисление первых разностей может позволить определить некоторые весьма интересные показатели. Для этого из всего множества первых разностей выделим два подмножества: положительных (мощностью N+) и отрицательных (мощностью N—) первых разностей, определенных
47 (233) - 2014-
FINANCIAL ANALYTICS science and experience
при нормальном функционировании предприятия. Тогда можно определить некоторый критерий Кд = N / N+, по величине которого в совокупности с анализом тренда и. (при возможности его определения) можно судить об особенностях функционирования предприятия.
Наилучшим вариантом будет величина данного критерия, равная единице, что будет свидетельствовать о случайном характере изменения величины и Если Кд < 1, то имеется тенденция к повышению и, а при приближении к предельному уровню имеет место резкое его снижение. Если Кд > 1, то имеет место периодическое повышение и а затем постепенное его снижение. В обоих случаях изменения свидетельствуют об определенной нестабильности и о тенденции к нарушению устойчивости функционирования.
Приведенный анализ динамики изменения параметров может быть использован также и в экспертных, или нейросетевых диагностических моделях [13, 18] как дополнительный чувствительный элемент для обнаружения ранних предпосылок к нарушению устойчивости.
Все перечисленное в целом может быть рассмотрено как часть диагностической модели предприятия, в которой имеется некоторое пространство параметров, являющееся отображением пространства состояний предприятия в сфере основных направлений его деятельности. В модели все множество состояний предприятия и его диагностических параметров должно быть разбито на устойчивые и неустойчивые состояния с определением критерия этого разбиения. Кроме того, должны быть установлены пограничные состояния, в которых имеются те или иные предпосылки или тенденции к нарушению устойчивости функционирования.
Для выработки рекомендаций по предотвращению возникновения ситуаций, выводящих производственную систему из состояния устойчивого функционирования, необходимо создавать и использовать банки стереотипных решений по выводу предприятия из кризисной ситуации, являющиеся реакциями диагностической системы на обнаружение негативных явлений.
Таким образом, на базе полученных результатов диагностики состояния предприятия разрабатываются соответствующие мероприятия-реакции. В зависимости от конкретной ситуации они, например, могут быть направлены на снижение уровня объема ресурсов или затрат, сокращение избыточ-
-47 (233)
ФИНАНСОВАЯ АНАЛИТИКА: проблемы и решения
ных активов и повышение контроля за перемещением денежных средств. На основе результатов диагностирования промышленного предприятия можно судить о положительной или отрицательной динамике его функционирования.
Рассмотренная методика диагностики предприятия основана в основном на анализе внутренней среды предприятия. Однако в целом ряде случаев причиной нарушения устойчивости вследствие неопределенности внешней среды является наличие ее непрогнозируемых изменений. Вместе с тем они также могут быть проанализированы с помощью рассмотренных методик, так как они оказывают влияние на внутренние параметры, контролируемые этими системами. Для снижения уровня неопределенности внутри производственной системы необходимо разрабатывать и внедрять технологические, организационные и маркетинговые инновации.
Однако при использовании перечисленных методов анализа диагностических параметров, позволяющих оценить реальное состояние предприятия, возможен случай, когда самообучение экспертной системы или нейросети будет недостаточно быстрым и система не успеет отреагировать на негативные изменения диагностических параметров. Это связано также с тем, что изменение коэффициентов модели будет происходить при приближении системы к области неустойчивых состояний, что в общем случае нежелательно. Получается, чтобы «обучить» модель, необходима потеря предприятием устойчивости. Естественно, подобное «обучение» весьма нежелательно.
Ускорить самообучение системы можно на о снове использования методологии факторного анализа [10], позволяющей заранее выделить наиболее значимые аспекты. При этом может быть использован как детерминированный, так и стохастический анализ в зависимости от используемого типа факторной модели.
Детерминированный факторный анализ следует использовать в тех случаях, когда связь факторов, в качестве которых выступают диагностические параметры с критерием, по которому оценивается состояние анализируемой системы, может быть представлена в виде некоторой функции, представляющей собой произведение, частное или алгебраическую сумму факторов. Этот вид факторного анализа достаточно прост, но далеко не всегда можно привести критерий оценки к перечисленным простейшим функциям.
- 2014-
FINANCIAL ANALYTICS science and experience
Стохастический анализ применяется, если требуется исследовать факторы, связь которых с критерием оценки состояния не может быть представлена простой функцией, так как она является недостаточно полной или вероятностной (корреляционной) и неоднозначной. Этот вариант анализа лучше соответствует реальной ситуации, когда одни и те же диагностические параметры могут свидетельствовать о различных ситуациях или, наоборот, когда в одинаковых состояниях возникают различные значения диагностических параметров.
Как детерминированный, так и стохастический анализ может быть прямым и обратным, одноступенчатым и многоступенчатым, статическим и динамическим, а также ретроспективным и перспективным (прогнозным). При прямом факторном анализе исследование ведется дедуктивным способом — от общего к частному, а при обратном — способом логической индукции — от частных, отдельных факторов к обобщающим.
При одноступенчатом анализе исследуются факторы только одного уровня, а при многоступенчатом на различных уровнях соподчиненности проводится детализация факторов на составные элементы для изучения их поведения.
Стохастический факторный анализ может быть использован также в случае многоступенчатого факторного анализа, когда сначала проводится качественный анализ, затем — предварительный анализ моделируемой системы, и на основе полученных данных строится стохастическая (регрессионная) модель, оценивается адекватность модели и, наконец, выполняются экономическая интерпретация и практическое использование модели.
Для выбора наиболее значимых факторов могут быть использованы статические и динамические разновидности факторного анализа. Однако первый менее полезен, так как он рассматривает ситуацию для данного конкретного момента, в то время как динамический анализ позволяет рассмотреть систему в развитии.
Воспользовавшись ретроспективным факторным анализом, можно накопить и изучить информацию об изменении критериев за прошлые периоды, а перспективный анализ позволяет прогнозировать развитие системы.
Все перечисленные подходы относятся к диагностике текущей деятельности предприятий. Однако устойчивость обусловлена не только эффектив-
ным менеджментом, но и созданием и сохранением потенциала стабильности предприятия, который в настоящее время непосредственно связывают с его инновационным потенциалом, который также может быть диагностирован [5].
Существуют также направления диагностики, связанные с обеспечением экономической безопасности предприятия [7] или с оценкой вероятности банкротства [19]. Однако всех их можно рассматривать как варианты диагностики нарушения устойчивого функционирования и развития предприятия.
Рассмотренные подходы к формированию систем диагностирования функционирования промышленных предприятий на основе объединения экспертных, нейросетевых моделей и факторного анализа открывают перспективы реализации в этой сфере принципов превентивной диагностики, когда обнаруживаются тенденции к нарушению устойчивости предприятия задолго до наступления первых признаков нестабильности, что позволяет своевременно принять соответствующие меры для устранения этого негативного явления.
Список литературы
1. Авакян Э.В. Диагностика экономической устойчивости промышленных предприятий: проблемный аспект // Вопросы экономики и права. 2013. № 60. С. 118-122.
2. Бешелев С.Д., Гурвич Ф.Г. Математико-ста-тистические методы экспертных оценок. М.: Статистика, 1980. 263 с.
3. Бокс Д., Дженкин Г. Анализ временных рядов. М.: Наука, 1974. 406 с.
4. БраверманА., СаулинА. Интегральная оценка результатов работы предприятий // Вопросы экономики. 1998. № 6. С. 108-121.
5. Долятовский Л.В. Метод оценки и диагностики инновационного потенциала предприятия // Инновации и инвестиции. 2011. № 2. С. 8-10.
6. Дубров А.М., Лагоша Б.А., Хрусталев Е.Ю. Моделирование рисковых ситуаций в экономике и бизнесе. М.: Финансы и статистика, 1999. 176 с.
7. Ефимова А.В., Марущак С.Н. Планирование безопасного развития предприятия на основе результатов диагностики уровня экономической безопасности // Экономика: реалии времени. 2013. № 3. С. 43-49.
8. Захарченко В.И. Экономическая устойчивость предприятия в переходной экономике // Машиностроитель, 2002. № 1. C. 9-11.
9. Ивахнюк А.В. Диагностика экономического состояния как элемент обеспечения устойчивого развития предприятия // Менеджмент в России и за рубежом. 2009. № 4.
10. Ким Дж.-О., Мьюллер Ч.У., Клеша У.Р. и др. Факторный, дискриминантный и кластерный анализ: пер. с англ. под ред. И.С. Енюкова. М.: Финансы и статистика, 1989. 215 с.
11. Кини Р.Л., РайфаX. Принятие решений при многих критериях: предпочтения и замещения: пер. с англ. / под ред. И.Р. Шахова. М.: Радио и связь, 1981. 560 с.
12. Коваленко А.В., Гаврилов А.А., Кармазин
B.Н. Диагностика состояния предприятия на основе нечетких продукционных систем и дискриминан-тного анализа // Экономический анализ: теория и практика. 2007. № 14. С. 2-9.
13. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: учеб. пособие для вузов. М.: МГТУ им. Н.Э. Баумана, 2004. 400 с.
14. Кузьмина И.Г., Тимофеев Д.Н. Применение современных методов диагностики инновационно ориентированного промышленного предприятия // Экономика и предпринимательство. 2013. № 11.
C. 422-428.
15. Литвак Б.Г. Экспертная информация. Методы получения и анализа. М.: Радио и связь, 1982. 184 с.
16. Марусенко И.А. Совершенствование диагностики экономического состояния промышленного предприятия // Вопросы экономики и права. 2012. № 44. С. 120-123.
17. Омельченко И.Н., Ященко О.С. Основные положения создания экономических информационных систем в современных условиях // Машиностроение, 1998. № 10-12. С. 123-131.
18. Рутковская Д. и др. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия — Телеком, 2007. 452 с.
19. Салахиева М.Ф., Николаева Л.Ю. Разработка моделей диагностики и прогнозирования вероятности банкротства предприятия // Аудит и финансовый анализ. 2012. № 3. С. 178-186.
20. Степанова М.П. Методические подходы к диагностике функционирования и экономического развития промышленных предприятий // Управление экономическими системами, 2010. № 4. URL: http://www.uecs.ru/uecs-24-242010/item/217-2011-03-24-09-43-45.
21. Стоянов Е.А., Стоянова Е.С. Экспертная диагностика и аудит финансово-хозяйственного положения предприятия. М.: Перспектива, 1993. 298 с.
22. Федорова Л.А. Методологические принципы формирования модели оценки устойчивости развития наукоемких производств // Вопросы управления. 2013. № 1.
Financial analytics: science and experience Business assessment
ISSN 2311-8768 (Online) ISSN 2073-4484 (Print)
EVALUATING INFORMATION CAPACITY LEVEL OF ECONOMIC INDICATORS AS THE CRITERIA OF SUSTAINABLE DEVELOPMENT AND OPERATION OF ENTERPRISES
Nikolai S. VASIN, Vitalii V. CHISTYAKOV
Abstract
Importance Under modern conditions of increasing uncertainty of external environment, it is necessary and relevant to further develop the theory and practice of sustainability management of enterprise functioning and development.
Objectives The objective of this work is to search for ways to ensure reliable prediction of possible loss of sta-
bility of enterprise functioning based on the analysis of the minimum required set of diagnostic parameters. Methods In this paper, we used the methodology based on the information approach to building criteria dependences to detect critical situations. Results We consider the problem of estimating the information content of the parameters of external and internal environment of an enterprise. We propose
building criteria dependences to forecast crisis situations with a possibility of prompt correction of these dependences on the basis of the parametric self-learning principles. We take into account that individual parameters are of secondary nature, and other more important parameters influence their formation. The study shows that there is limiting quantity of parameters, under which sufficient information content of criteria dependences is provided. It is possible to consider these parameters as a minimum required set for reliable prediction of sustainability loss. We give a numerical example to determine such parameters. We also discuss approaches to building diagnostic systems of industrial enterprise functioning on the basis of combining expert and neural network models and factor analysis. Practical Application The results may serve as a tool to diagnose an enterprise's condition. Conclusions and Relevance The results of the study open prospects for implementing principles of preventive diagnostics in the field of enterprise sustainability management, when using a minimum set of diagnostic parameters it is possible to reveal trends towards loss of enterprise's sustainability long before the actual loss of stability occurs. This enables to take appropriate measures to eliminate negative developments.
Keywords: economic sustainability, diagnosis, enterprise, indicator, development
References
1. Avakyan E.V. Diagnostika ekonomicheskoi us-toichivosti promyshlennykh predpriyatii: problemnyi aspekt [Diagnosing economic sustainability of industrial enterprises: a problem aspect]. Voprosy ekonomiki i prava — Problems of Economics and Law, 2013, no.60, pp.118-122.
2. Beshelev S.D., Gurvich F.G. Matematiko-sta-tisticheskie metody ekspertnykh otsenok [Mathematical and statistical methods of expert assessments]. Moscow, Statistika Publ., 1980, 263 p.
3. Box G., Jenkins G. Analiz vremennykh ryadov [Time Series Analysis: Forecasting and Control]. Moscow, Nauka Publ., 1974, 406 p.
4. Braverman A., Saulin A. Integral'naya otsenka rezul'tatov raboty predpriyatii [Integral evaluation of enterprise performance]. Voprosy Economiki, 1998, no. 6, pp. 108-121.
5. Dolyatovskii L.V. Metod otsenki i diagnostiki innovatsionnogo potentsiala predpriyatiya [The method of assessment and diagnostics of innovative capacity
of an enterprise]. Innovatsii i investitsii — Innovations and investments, 2011, no. 2, pp. 8-10.
6. Dubrov A.M., Lagosha B.A., Khrustalev E.Yu. Modelirovanie riskovykh situatsii v ekonomike i biznese [Modeling risk situations in economy and business]. Moscow, Finansy i statistika Publ., 1999, 176 p.
7. Efimova A.V., Marushchak S.N. [Planning of safe development of an enterprise based on the diagnostics of its economic security level]. Economics: time realities, 2013, no. 3, pp. 43-49.
8. Zakharchenko V.I. Ekonomicheskaya ustoi-chivost' predpriyatiya v perekhodnoi ekonomike [Economic sustainability of an enterprise in a transition economy]. Mashinostroitel' — Mechanical engineer, 2002, no. 1, pp. 9-11.
9. Ivakhnyuk A.V. Diagnostika ekonomicheskogo sostoyaniya kak element obespecheniya ustoichivogo razvitiya predpriyatiya [Diagnostics of economic condition as an element of ensuring sustainable development of an enterprise]. Menedzhment v Rossii i za rubezhom — Management in Russia and abroad, 2009, no 4.
10. Kim J.-O., Mueller C.W., Klecka W.R. Fak-tornyi, diskriminantnyi i klasternyi analiz [Factor, Discriminant and Cluster Analysis]. Moscow, Finansy i statistika Publ., 1989, 215 p.
11. Keeney R.L., Raiffa H. Prinyatie reshenii pri mnogikh kriteriyakh: predpochteniya i zameshcheniya [Decisions with Multiple Objectives: Preferences and Value Trade-Offs]. Moscow, Radio i svyaz' Publ., 1981, 560 p.
12. Kovalenko A.V., Gavrilov A.A., Karmazin V.N. Diagnostika sostoyaniya predpriyatiya na osnove nechetkikh produktsionnykh sistem i diskriminantnogo analiza [Diagnostics of an enterprise based on fuzzy production systems and discriminant analysis]. Eko-nomicheskii analiz: teoriya i praktika — Economic analysis: theory and practice, 2007, no 14, pp. 2-9.
13. Komartsova L.G., Maksimov A.V. Neirokomp'yutery: ucheb. posobie dlya vuzov [Neurocomputers: a manual]. Moscow, MSTU Publ., 2004, 400 p.
14. Kuz'mina I.G., Timofeev D.N. Primenenie sovremennykh metodov diagnostiki innovatsionno orientirovannogo promyshlennogo predpriyatiya [Applying modern methods of diagnostics of an innovation-oriented industrial enterprise]. Ekonomika i predprinimatel 'stvo — Economy and entrepreneurship, 2013, no. 11, pp. 422-428.
15. Litvak B.G. Ekspertnaya informatsiya. Metody polucheniya i analiza [Expert information. Methods
of acquisition and analysis]. Moscow, Radio i svyaz' Publ., 1982, 184 p.
16. Marusenko I.A. Sovershenstvovanie diag-nostiki ekonomicheskogo sostoyaniya promyshlen-nogo predpriyatiya [Improving the diagnostics of economic condition of an industrial enterprise]. Voprosy ekonomiki i prava — Problems of Economics and Law, 2012, no.44, pp. 120-123.
17. Omel'chenko I.N., Yashchenko O.S. Osnovnye polozheniya sozdaniya ekonomicheskikh informatsion-nykh sistem v sovremennykh usloviyakh [Conceptual issues of creating economic information systems under modern conditions]. Mashinostroenie — Mechanic engineering, 1998, no. 10-12, pp. 123-131.
18. Rutkovskaya D. e.a. Neironnye seti, genet-icheskie algoritmy i nechetkie sistemy [Neural networks, genetic algorithms and fuzzy systems]. Moscow, Goryachaya liniya — Telekom Publ., 2007, 452 p.
19. Salakhieva M.F., Nikolaeva L.Yu. Razrabotka modelei diagnostiki i prognozirovaniya veroyatnosti bankrotstva predpriyatiya [Developing diagnosis and forecast models to estimate the bankruptcy probability of an enterprise]. Audit i finansovyi analiz — Audit and financial analysis, 2012, no. 3, pp. 178-186.
20. Stepanova M.P. [Methodological approaches to diagnostics of functioning and economic development
of industrial enterprises]. Upravlenie ekonomicheskimi sistemami, 2010, no. 4. (In Russ.) Available at: http:// www.uecs.ru/uecs-24-242010/item/217-2011-03-24-09-43-45.
21. Stoyanov E.A., Stoyanova E.S. Ekspertnaya diagnostika i auditfinansovo-khozyaistvennogo poloz-heniya predpriyatiya [Expert diagnostics and audit of financial and economic condition of a company]. Moscow, Prospekt Publ., 1993, 298 p.
22. Fedorova L.A. [Methodological principles of building a model for assessing the sustainability of hightech production development]. Voprosy upravleniya, 2013, no. 1. (In Russ.) Available at: http://vestnik.uapa. ru/ru-ru/issue/2013/01/23/.
Nikolai S. VASIN
State University — Education-Science-Production Complex, Orel, Russian Federation vasinn@rambler.ru
Vitalii V. CHISTYAKOV
State University — Education-Science-Production Complex, Orel, Russian Federation petrovka141@bk.ru
