CC BY
16ЭКОНОМИЧЕСКИЕ НАУКИ
ЭКОНОМИЧЕСКИЙ АНАЛИЗ ФАКТОРОВ РАЗВИТИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ Макулова А. Т.1, Елшибаева А. З.2
'Макулова Айымжан Тулегеновна /Маки1оуаЛгушхкап Ти^епоупа - доктор экономических наук,
профессор;
2Елшибаева Айгуль Зейноллиновна / ЕЬНАаеуа 2еупоШпоупа — старший преподаватель, кафедра общеобразовательных дисциплин, факультет базовой подготовки, Университет «Нархоз», г. Алматы, Республика Казахстан
Аннотация: в статье рассматривается применение современных методов прикладной математики, и в частности, моделирования методом факторного анализа, который открывает новые пути решения рассматриваемой весьма актуальной задачи. Метод факторного анализа рассмотрен на примере анализа производства сельскохозяйственной продукции по районам Западноказахстанской области Республики Казахстан. Усреднение произведено с целью сглаживания колебаний производственных факторов в динамике. В результате перспективными являются многомерные статистические методы. Ключевые слова: факторный анализ, моделирование, корреляция, регрессия, сельскохозяйственная продукция, предприятие, многомерные статистические методы.
На практике, как правило, приходится иметь дело с моделированием производственных процессов двух видов и, соответственно, с двумя основными направлениями исследований: составление систем структурных уравнений и выявление независимых обобщенных факторных показателей. Система факторных показателей, применяемых в экономических исследованиях, имеет в общем случае иерархическую структуру, т. е. факторные показатели связаны между собой определенными причинно-следственными зависимостями. Структурные уравнения отражают систему причинно-следственных связей внутри факторной системы. Следовательно, для моделирования процессов первого типа достаточно эффективным является использование классических методов многофакторных корреляций и регрессий. Составление системы структурных уравнений является несомненным вкладом в решение проблемы обоснованного разграничения пространства альтернатив и позволяет существенно повысить качество разработанных вариантов решения.
Но необходимо отметить и некоторые недостатки данного подхода. Корреляционный и регрессионный анализ базируется на ряде предпосылок вероятностного характера. Приступая к изучению, исследователь выдвигает определенную гипотезу о существовании, характере и форме связи и на заключительном этапе исследования может лишь с определенным уровнем вероятности принять ее или отвергнуть.
Если двум или нескольким изучаемым явлениям или процессам объективно присуща связь корреляционного характера, то она проявляется только в большой массе явлений, в среднем, и не может по самой своей природе отразить специфические индивидуальные особенности проявления одной и той же по характеру связи у конкретных единиц изучаемой совокупности. Поэтому и все выводы будут правомерны только по отношению ко всей совокупности, рассматриваемой как единое целое. Попытка конкретизировать эти выводы, для каждой единицы, чреваты возможностями серьезных ошибок.
Применение современных методов прикладной математики, и в частности, моделирования методом факторного анализа, открывают новые пути решения этой важной и весьма актуальной задачи.
Таким образом, сущность методов факторного анализа состоит в переходе от описания некоторого множества изучаемых объектов, заданного большим набором непосредственно измеряемых признаков, к описанию меньшим числом максимально информированных глубинных переменных, отражающих наиболее существенные свойства явлений, каждое из которых объясняет влияние ряда скрытых факторов. Такого рода переменные, называемые обобщенными факторами, являются некоторыми функциями исходных признаков.
Важной отличительной особенностью факторного анализа является возможность одновременного исследования сколь угодно большого числа взаимозависимых
(мультиколлинеарных) переменных. Благодаря этому факторный анализ представляет собой ценный инструмент исследования явления во всем многообразии его реальных взаимосвязей.
При использовании факторного анализа исследователь сталкивается со значительным числом проблем. Так, например, факторный анализ построен на определенной формальной модели. Его результаты адекватны реальности только в том случае, если выполняются допущения, положенные в основу модели. В противном случае результаты будут отражать не столько свойства изучаемого объекта, сколько характерные особенности самого метода.
Трудность применения факторного анализа заключается еще и в том, что процедуры факторного анализа подвергают данные огромному количеству довольно сложных преобразований. В частности, если при традиционных процедурах группировки данных, усреднения и т. д. за цифрами все время прослеживается реальный объект, то при использовании факторного анализа исследователю приходится, как бы заново устанавливать связь между числами, полученными в результате обработки, и изучаемым явлением.
Содержательная интерпретация результатов факторного анализа - неформальная процедура. Основную роль в ней играют опыт и интуиция исследователя. Тем в большей степени она должна опираться на отчетливое понимание природы метода.
Зная значения факторных нагрузок и параметров, можно вычислить для каждого элемента значения факторов и тем самым перейти к более экономному описанию объекта.
В представленном виде основная модель факторного анализа носит чисто алгебраический характер. Приняв некоторые допущения, ей можно придать статистический смысл. Тогда статистическую природу приобретают и факторные нагрузки. Появляется также возможность определить их значения по наблюдаемым значениям параметров.
Проблема истинного положения системы координат - наиболее трудная и субъективная часть факторного анализа. Существует несколько теорий определения угла поворота. Остановимся на ортогональном вращении, которое широко применяется в факторном анализе при решении практических задач. Конечной целью факторного анализа является получение содержательно интерпретируемых факторов, которые воспроизводили бы выборочную корреляционную матрицу между переменными. Например, в методе главных факторов это достигается путем вращения. Вращению можно подвергнуть и результаты, получаемые методом главных компонент или центроидным методом.
Поскольку из множества положений системы координат надо выбрать одно, нужен критерий, который давал бы возможность судить о том, что мы близко подошли к своей цели. Таких критериев предложено много. Остановимся на наиболее часто используемом методе варимаксного вращения и критерии, предложенном для него [1].
Изложенный выше метод факторного анализа рассмотрен на примере анализа производства сельскохозяйственной продукции по районам Западноказахстанской области Республики Казахстан в среднем за последние 3 года (2013-2015 гг.). Усреднение произведено с целью сглаживания колебаний производственных факторов в динамике [2, 3].
Объектом исследования служили 12 районов и один город (г. Уральск) Западноказахстанской области, занимающиеся производством сельскохозяйственной продукции. Таким образом, исходная матрица состоит из 23 переменных и 13 объектов.
Поиск однозначного решения, как отмечалось выше, называют задачей вращения факторов, так как неповернутое факторное решение представляет малозначимую информацию. Нами использовано наиболее часто употребляемое ортогональное решение методом варимакса.
Факторные нагрузки повернутой матрицы могут рассматриваться как результат выполнения процедуры факторного анализа (таблица 1). На основе значений этих нагрузок необходимо будет дать толкование отдельным обобщенным факторам.
Компоненты Первичные собственные значения Повернутые суммы квадратов нагрузок
сумма % дисперсии совокупный % сумма % дисперсии совокупный %
1. 13,485 58,629 58,629 6,148 26,730 26,730
2. 3,764 16,363 74,992 5,427 23,598 50,327
3. 1,763 7,664 82,656 4,323 18,797 69,125
4. 1,400 6,085 88,741 3,265 14,197 83,322
5. 1,027 4,467 93,208 2,274 9,887 93,208
6. 0,574 2,494 95,802
7. 0,395 1,717 97,420
8. 0,320 1,390 98,810
9. 0,185 0,805 99,615
10. 8,862Е-02 0,385 100,000
11. 1,191Е-15 5,179Е-15 100,000
* Метод отбора - анализ главных компонентов.
Из таблицы 1 следует, что пять факторов имеют значения, превосходящие единицу. Следовательно, для анализа из 23 исходных переменных отобрано только пять обобщенных факторов, которые объясняют 93,208% дисперсии системы. Первый обобщенный фактор объясняет 26,73% суммарной дисперсии, второй фактор - 23,598%, третий - 18,797%, четвертый - 14,197% и пятый фактор - 9,887%. В таблице 2 приведена повернутая матрица по пяти обобщенным факторам.
Таблица 2. Повернутая матрица компонентов*
Переменные Обобщенные факторы
К1 К2 КЗ К4
1 0,745 0,597 0,225 0,120 0,133
2 0,805 0,523 0,223 7,086Е-02 0,119
3 0,844 0,447 0,254 5,259Е-02 9,971Е-02
4 0,177 0,257 0,673 0,494 0,233
5 0,832 0,246 -0,132 0,190 0,151
6 0,277 0,907 0,197 0,143 6,864Е-02
7 0,236 0,161 0,619 0,691 -0,183
8 2,856Е-02 5,614Е-02 0,986 7,891Е-02 6,794Е-02
9 0,288 0,846 -4,31Е-02 9,822Е-02 0,201
10 0,738 0,599 0,232 0,103 9,582Е-02
11 0,259 0,916 0,126 0,163 0,111
12 0,235 7,988Е-02 0,737 0,594 -0,132
13 2,318Е-02 2,313Е-02 0,996 1,986Е-03 5,477Е-02
14 0,668 0,516 0,104 0,228 0,376
15 0,532 0,534 0,109 0,466 0,309
16 0,437 0,752 -2,11Е-02 0,309 -791Е-02
17 0,391 8,816Е-02 4,407Е-02 9,763Е-02 0,848
18 0,867 7,984Е-02 0,128 0,185 0,382
19 0,159 4,046Е-02 0,552 0,613 0,451
20 0,252 0,409 0,551 0,148 0,547
21 0,532 0,494 0,170 0,632 9,691Е-02
22 9,639Е-02 0,266 9,137Е-02 0,870 0,258
23 0,648 0,289 2,788Е-02 0,303 0,586
*Метод отбора - Анализ главных компонентов. Метод вращения - Варимакс с нормализацией Кайзера. Вращение осуществлено за 9 итераций
Далее попытаемся объяснить отобранные обобщенные факторы. Для этого в каждой строке повернутой факторной матрицы жирной чертой отмечена та факторная нагрузка, которая имеет значение, превышающее 0,7. Эти факторные нагрузки следует понимать как корреляционные
коэффициенты между исходными переменными и обобщенными факторами. Так, переменная Х1 сильнее всего коррелирует с фактором F1, а именно: величина корреляции составляет 0,745; переменная Х6 сильнее всего коррелирует с фактором F2(0,907) и т. д.
В большинстве случаев включение отдельной переменной в один обобщенный фактор, осуществляемое на основе коэффициентов корреляции, является однозначным. Однако могут быть также и переменные, которыми нельзя нагрузить ни один из отобранных обобщенных факторов. В нашем случае к ним относятся переменные Х4, Х7, Х14, Х15, Х19, Х20, Х21 и Х23.
Показатели, можно отнести к пяти обобщенным факторам. Первый фактор F1, и это, очевидно, включает, в основном, производство зерновых и зернобобовых культур -растениеводческое направление. Во второй фактор F2 входят показатели, характеризующие производство картофеля, кормов и свиноводство. В третий фактор вошли переменные по производству овощей и бахчевых культур - овощебахчевое направление. Факторы F4 и F5 включают соответственно производство яиц и поголовье овец и коз, т. е. птицеводство и овцеводство.
Использование методов факторного анализа позволяет:
- выявить структуру взаимосвязей в наборе признаков, проверить гипотезы о взаимосвязях и взаимозаменяемости признаков;
- сопоставить структуру нескольких наборов признаков;
- получить независимые обобщающие факторы, число которых существенно меньше, чем число исходных переменных, без потерь информации.
Переход от взаимозависимых исходных переменных к независимым обобщенным факторам позволит значительно упростить процедуру построения регрессионной модели.
Таким образом, уровень основных экономических показателей деятельности более высоких звеньев управления производством определяется системой обобщенных показателей. Однако применяемые на практике методы анализа не в полной мере соответствуют современным требованиям. В этой связи перспективными являются многомерные статистические методы.
Литература
1. Монахов А. В. Математические методы анализа экономики. СПб: Питер, 2002. 176 с.
2. Макулова А. Т. Модельная оценка управления сельскохозяйственным производством.
Алматы: «Алейрон», 2009. 315 с.
3. Makulova A. T., Mukhametzhanova Z. S. Forecasting production output of JSC RG BRANDS on
the basis of the econometric modeling // International Journal of Applied Engineering Research.
India. Vol. 10, 2015. P. 40976-40982.
СОВЕРШЕНСТВОВАНИЕ УПРАВЛЕНИЯ И ФИНАНСИРОВАНИЯ ДОРОЖНОЙ ОТРАСЛИ КЫРГЫЗСТАНА Сакибаев К. Ш.
Сакибаев Канатбек Шерикбаевич /БаЫЬаеу КапаАек ЗкепкЬаеугек - старший преподаватель, кафедра экономики предприятий и управления бизнесом, факультет бизнеса и менеджмента, Ошский государственный университет, г. Ош, Кыргызская Республика
Аннотация: для совершенствования систем управления и финансирования дорожной отрасли Кыргызстана необходимы экономические механизмы, анализ и описание систем управления и финансирования, как совокупности взаимодействующих компонентов и взаимосвязей между ними. Рассматриваются и анализируются способы внедрения экономических механизмов, повышающих эффективность управления дорожным хозяйством, так как строительство новых автомобильных дорог самым прямым и непосредственным образом влияет на подъем экономики, снижение расходов и себестоимости выпускаемой продукции, товаров и услуг, повышает прибыль предприятий и организаций и, тем самым, повышает уровень рентабельности транспортных предприятий.
Ключевые слова: финансирования, управления, автомобильные дороги, транспорт, конкуренция, транспортный коридор, себестоимость перевозок.
Экономические механизмы развития дорожного отрасли страны направлены на формирование условий, которые обеспечили бы на деле ликвидацию недостатков, присущих о
