CC BY
68
УДК 338.45:66
Е. П. Ардашева
ФАКТОРНО-КЛАСТЕРНЫЙ МЕТОД ИССЛЕДОВАНИЯ ДОМИНАНТ РАЗВИТИЯ ОТРАСЛИ: ФИНАНСОВО-ЭКОНОМИЧЕСКИЙ, СОЦИАЛЬНЫЙ И ИНВЕСТИЦИОННО-ИННОВАЦИОННЫЙ АСПЕКТЫ
Представлены особенности многомерного анализа деятельности химической промышленности России с учетом комплекса показателей деловой, финансовой, инвестиционной и инновационной активности, с использованием совокупности методов факторного и кластерного анализа. На этой основе выявлены скрытые закономерности-доминанты развития отрасли для целей формирования отраслевой политики, направленной на повышение конкурентоспособности, инвестиционной и инновационной активности отрасли.
Выявление закономерностей поведения и сравнительных характеристик таких ме-зоэкономических объектов, как отрасль или отраслевая группа предприятий, является необходимым для целей формирования и реализации отраслевой политики на федеральном и региональном уровнях. Многомерный анализ развития различных экономических объектов традиционно представляет интерес для ученых, аналитиков-практиков, управленцев. Тем более он актуализирован в условиях усложнения общественных и экономических отношений при переходе к постиндустриальному этапу их развития с интенсификацией инвестиционных и инновационных процессов. Выдвигаются новые требования к выявлению, учету и балансировке параметров развития экономики. Исследование идет в различных направлениях, в том числе в направлении использования инструментария факторного и кластерного анализа. Представим их возможности в контексте стратегического отраслевого управления. Методические основы многомерных методов анализа данных почерпнуты из соответствующих базовых методических источников [1-5]. Кроме того, учитывается современный конкретно-прикладной опыт отраслевых и региональных исследований [6-12].
Факторный анализ начинается с формирования матрицы данных «переменные-объекты» размерностью т*П, где т - переменные (признаки), а П - объекты (измерения). Существуют общие требования к формированию матрицы исходных данных, вытекающие из соображений статистической корректности. В частности, рекомендуется, чтобы число объектов было не меньше числа переменных, еще предпочтительнее, чтобы их было в 2-3 раза больше. В противном случае может наблюдаться неадекватное завышение числа главных факторов, искажение факторных нагрузок переменных и распределения объектов в факторной подсистеме. Необходимо также предварительно удалить пропуски (отсутствие данных по каким-либо переменным), а также сильные выбросы (более трех-четырех стандартных отклонений), поскольку они могут существенно влиять на перераспределение дисперсии между переменными. Кроме того, рекомендуется выявить все пары переменных, связанных между собой функциональными зависимостями и оставить по одному представителю из каждой такой пары, иначе такие зависимые переменные будут существенно смещать дисперсию объектов и вектора факторов.
Эти требования должны найти согласование с требованиями управленческого мезо-экономического анализа. Прежде всего, в таком анализе необходимо использовать большое количество переменных, отражающих все существенные для стратегического управ-
ления стороны деятельности предприятий - деловую и инвестиционно-инновационную активность, экономическую эффективность, финансовую устойчивость, кредитно-заемную политику, социально-кадровую политику и др. Для того, чтобы одновременно соблюсти требование превышения числа объектов над числом переменных, потребуется, во-первых, сформировать выборку по максимально возможному в условиях существующего информационного поля количеству измерений, а во-вторых, обеспечить частичный отсев признаков, дублирующих друг друга статистически и логически. Следует также учитывать, что для матрицы большой размерности неизбежно наличие пропусков и выбросов. Поэтому целесообразно прибегнуть не к их удалению (а следовательно, и объектов), а к сглаживанию статистическими методами, например, по методу регрессии или путем замены на средние значения. Кроме того, отраслевые данные, как правило, характеризуются высокой неравномерностью и не соответствуют закону нормального распределения даже после сглаживания выбросов. Следовательно, в корреляционном анализе необходимо использовать непараметрические методы, например, коэффициент ранговой корреляции Спирмана.
С учетом вышеуказанных методических требований была сформирована предварительная матрица данных размером 73*95, то есть рассчитаны значения 73 переменных для 95 предприятий химической и нефтехимической промышленности России. В качестве источника информации для расчетов послужили данные бухгалтерской отчетности за 2005 год (формы № 1 и №2), а также отраслевая статистика численности, структуры себестоимости и экспорта (источник - рейтинговое агентство «Эксперт РА»). Сформированная матрица содержала небольшое количество пропусков, которые были заменены средними, а также большое количество выбросов, которые были скорректированы путем многократной реализации процедуры приведения их в соответствие регрессионным зависимостям между корректируемой переменной и переменной, теснее всех прочих с ней связанной. После этого был выполнен расчет корреляционной матрицы, выявлены пары переменных, между которыми существует высокая корреляция (более 0,9), и соответственно оставлено по одному представителю из каждой такой пары. Учитывая же, что после этой операции все еще сохранялся определенный перекос в сторону наличия в матрице большого количества близких по смыслу показателей рентабельности, инвестиционной активности, были предприняты аналогичные действия в отношении переменных, корреляция между которыми больше 0,85. В итоге, получена матрица размерностью 50*95, что в целом соответствует требованиям. В силу большой размерности данная матрица не приводится, однако, судить о ней можно по таблицам, размещенным в данной статье.
При определении этой системы опирались на известные научно-методические источники по теме [13-19], кроме того, использовался собственный опыт автора, достаточно длительное время специализирующегося на анализе развития отраслевых комплексов. Не будем подробно останавливаться на характеристике всего массива показателей - он достаточно традиционен. Отметим только, что в современных условиях особую значимость представляет инвестиционно-инновационный блок. В идеале, было бы желательным использование в нем данных, формируемых в формах статистического наблюдения (например, «П-3» и «4-инновация»). Однако, по понятным причинам собрать подобную информацию затруднительно. Поэтому представляется актуальным максимальное использование сведений из более доступной бухгалтерской отчетности. Так, большой содержательностью отличаются сведения о структуре и динамике внеоборотных активов предприятий, а в части оценки источников финансирования этой деятельности полезна информация, которая может быть сформирована по данным о долгосрочных пассивах и собственном капитале предприятий.
Мы также сочли необходимым учесть объемные значения инвестиций в материальные и нематериальные капитальные активы, которые рассчитываются как положительная разница между величинами внеоборотных активов на конец и начало периода. При этом предлагаем разделять инвестиции на внутренние (эндогенные, направляемые на создание имущества для использования в собственной производственной деятельности - в «нематериальные активы», «основные средства», «незавершенное строительство», а также «прочие внеоборотные активы») и внешние (экзогенные, состоящие из «долгосрочных финансовых вложений» и «доходных вложений в материальные ценности», которые предоставляются во внешнее пользование (лизинг, прокат)).
Выполнение факторного анализа по сформированной матрице позволило выявить наличие 14 главных компонент, собственное значение которых больше единицы или более 2% полной дисперсии признаков. К числу значимых факторов принято относить компоненты, суммарно отражающие не менее 70% общей дисперсии - таковыми в нашем случае можно признать 10 первых компонент (73,3% общей дисперсии). Для лучшей интерпретации полученной факторной подсистемы применили вращение 10 факторов методом «Ва-римакс», результаты которого представлены в таблице 1 (указаны только переменные с факторными нагрузками > 0,5).
Таблица 1 - Характеристика факторной подсистемы переменных, отражающих состояние предприятий химии и нефтехимии России
Номер, наименование фактора и процент объясняемой им дисперсии переменных Номер, наименование переменной и ее факторная нагрузка (с учетом вращения факторов)
1 2
Б1 - фактор эффективности, платежеспособности и финансовой устойчивости (14,83%) х8 - Коэффициент опережения роста прибыли над ростом выручки (0,64), х12 - Рентабельность (по прибыли до налогообложения) (0,77), х16 -Затраты на рубль выручки от продаж (-0,68), х19 - Доля денежных средств в оборотных активах (0,61), х21 - Коэффициент маневренности собственных оборотных средств (0,63), х23 - Коэффициент текущей ликвидности (0,81), х24 - Коэффициент абсолютной ликвидности (0,79), х25 - Соотношение краткосрочной дебиторской и кредиторской задолженностей (0,58), х26 - Коэффициент концентрации собственного капитала (автономии) (0,85), х40 - Производительность 1 работника в месяц (0,61), х41 - Заработная плата 1 работника в месяц (0,50), х46 - Доля социальной части (фонда оплаты труда с соц.отчислениями) в добавленной стоимости (-0,65)
Б2 - фактор отдачи внеоборотных активов (7,84%) х31 - Коэффициент оборачиваемости активов (0,69), х38 -Доля амортизации основных средств в общем объеме затрат (-0,83), х50 - Темп роста внеоборотных активов (0,82), х60 -Доля внеоборотных активов в структуре имущества (-0,78), х62 - Коэффициент фондоотдачи (отдачи основных средств) (0,92)
Окончание табл. 1
1 2
Б3 - фактор внутренних инвестиций (9,55%) х2 - Темп роста активов (0,61), х55 - Темп роста основных средств (0,68), х57 - Темп роста незавершенного строительства (0,41), х64 - Доля эндогенных инвестиций в объеме внеоборотных активов (0,85), х69 - Доля общих инвестиций в выручке от продаж (0,68), х70 - Доля п/п* в эндогенных инвестициях группы п/п (0,68)
Б4 - фактор внешних инвестиций (6,37%) х59 - Темп роста долгосрочных финансовых вложений (0,85), х65 - Доля экзогенных инвестиций в объеме внеобо -ротных активов (0,94), х73 - Доля экзогенных инвестиций в общих инвестициях (0,91)
Б5 - фактор оборачиваемости оборотных активов (8,10%) х17 - Доля запасов в оборотных активах (0,78), х18 - Доля краткосрочной дебиторской задолженности в оборотных активах (-0,70), х32 - Коэффициент оборачиваемости оборотных активов (0,66), х35 - Период оборачиваемости дебиторской задолженности (-0,87)
Б6 - фактор динамики продаж (4,98%) х3 - Темп роста выручки от продаж (-0,50), х7 - Коэффициент опережения роста выручки над ростом активов (-0,81), х34 - Период оборачиваемости запасов (0,62)
Б7 - фактор нематериальных активов (4,09%) х53 - Темп роста нематериальных активов (0,76), х63 - Доля нематериальных активов в объеме внеоборотных активов (0,83)
Б8 - фактор масштаба экономической, инвестиционной и финансовозаемной активности (7,80%) х4 - Доля п/п в общей выручке от продаж группы п/п (-0,61), х30 - Коэффициент долгосрочных заемных пассивов в валюте баланса (-0,71), х39 - Доля п/п в численности работников группы п/п (-0,82), х49 - Доля п/п в долгосрочных обязательствах группы п/п (-0,69), х51 - Доля п/п в общих внеоборотных активах группы п/п (-0,62), х58 - Доля п/п в долгосрочных финансовых вложениях группы п/п (-0,54)
Б9 - фактор добавленной стоимости (4,96%) х37 - Доля материальных затрат в общем объеме затрат (0,63), х42 - Коэффициент зарплатоемкости (-0,74), х44 -Доля добавленной стоимости в выручке от продаж (-0,58)
Б10 - фактор экспорта и места предприятия в цепочке переработки сырья (4,76%) х9 - Доля экспорта в объеме выручки (0,82), х10 - Доля отгрузки продукции в дальнее зарубежье в объеме экспорта (0,76), х11 - Средняя цена 1 тонны экспортируемой продукции (-0,53)
*п/п - предприятие
Фактор Б10 может быть однозначно определен как фактор экспорта и места предприятия в цепочке переработки сырья. Обращает на себя внимание закономерность, согласно которой на данный фактор переменная «уровень цен на экспортируемую продукцию» проецируется с противоположным знаком по сравнению с показателями доли экспорта в выручке от продаж и доли отгрузки в дальнее зарубежье в стоимости экспортной выручки. Следовательно, из России экспортируется в основном относительно дешевая химическая продукция, то есть невысокой степени передела природного сырья. В таком кон-
тексте экспорт не может однозначно характеризоваться как положительный индикатор деятельности отрасли, как показатель ее истинной конкурентоспособности на мировом рынке. Скорее в таком качестве экспорт ставит отечественную химическую промышленность на уровень донора продуктов низших стадий переработки и с относительно невысокой инновационно-технологической компонентой. К ним можно отнести минеральные удобрения, нефтехимические мономеры и даже синтетический каучук и крупнотоннажные полимеры, поскольку ввозятся в страну те же полимеры, но уже более прогрессивных видов. В целом же импортируются более продвинутые и сложные в технологическом смысле пластмассы, компаунды, композиты, разнообразные готовые изделия с полимерными компонентами, лаки и краски, другая продукция строительного назначения, автокомпоненты, продукция «тонкой малотоннажной химии» - фармацея, катализаторы, стабилизаторы-наполнители и т. п.
В то время как в российской химии и нефтехимии фактор нематериальных активов (Б7), очевидно, далеко не доминирует. Наименьшая доля дисперсии, объясняемая данным фактором, а также тот факт, что выраженные в нем переменные менее всех прочих коррелированны с какими-либо другими признаками из анализируемого информационного массива, свидетельствует о высокой степени специфичности данного фактора и о его малой значимости для текущей деятельности предприятий отрасли. Однако, это не абсолютно отсутствующий признак - его слабое присутствие прослеживается в отраслевой выборке, что должно быть замечено и поддержано.
Следующим аналитическим шагом стала кластеризация объектов в выявленной факторной подсистеме. Для предварительного разбиения выполнен кластерный анализ с применением дивизивной стратегии. Далее дискриминантная верификация результатов позволила скорректировать состав кластеров. В качестве окончательных принимаем результаты именно дискриминантного анализа, поскольку он в отличие от других методов позволяет дать оценку статистической достоверности как всей кластеризации, так и отнесения каждого объекта к его классу. В итоге дана классификация предприятий российской химии и нефтехимии с учетом их новых факторных координат, состоящая из пяти кластеров (табл. 2).
Характеризуя матрицу «факторы-кластеры», становится очевидным, что отраслевая политика должна быть дифференцирована (селективна), поскольку удалось выделить принципиально различные по своим характеристикам группы предприятий. Прослеживается четкая закономерность по фактору Б10 - чем ниже стадия переработки, на которой позиционируется кластер, тем он более экспортоориентирован, экономически активен, эффективен, финансово устойчив и платежеспособен, имеет более высокий уровень добавленной стоимости. По выделенным кластерам очерчивается также прямая связь фактора Б10 с фактором Б8, то есть с размерами предприятий и в целом с масштабами их деятельности.
Средние и небольшие предприятия, специализирующиеся на выпуске конечной продукции потребительского и промышленного назначения, напротив, испытывают сложности и отличаются невысокой инвестиционно-инновационной активностью, без чего их развитие бесперспективно, особенно в условиях конкуренции с импортом, тем более в случае вступления России в ВТО. И хотя эти предприятия имеют сравнительно высокий уровень оборачиваемости внеоборотных и оборотных активов, это скорее следствие их недостаточной обеспеченности факторами производства, чем индикатор эффективности управления активами.
Таблица 2 - Характеристика уровня развития кластеров в факторных координатах
Фактор 1 кластер (29 предприятий) 2 кластер (31 предприятие) 3 кластер (6 предприятий) 4 кластер (7 предприятий) 5 кластер (22 предприятия)
Б1 Высокий и средний Средний и низкий Средний и низкий Низкий Высокий
Б2 Низкий Средний Низкий Высокий Низкий
Б3 Средний и низкий (точечновысокий) Средний и низкий (точечно-высокий) Низкий (точечно-средний) Низкий (точечно-средний) Средний и низкий (точечновысокий)
Б4 Низкий (точечно-средний) Средний Средний и высокий Средний Низкий (точечно-средний)
Б5 Средний и низкий Средний Низкий и средний Высокий и средний Низкий
Б6 Высокий и средний Средний и низкий Высокий Низкий Высокий
Б7 Высокий и средний Средний и низкий (точечно-высокий) Высокий Низкий Высокий и средний
Б8 Высокий и средний Средний и низкий Высокий Низкий Высокий
Б9 Высокий и средний Средний и низкий Высокий и средний Низкий Высокий и средний
Б1 0 Высокий и средний уровень экспорта. Разные стадии переработки (оргсин-тез, удобрения, технический углерод, лаки и краски, моющие средства, химикаты-добавки, средства защиты растений, пластмассы, др.) Средний и низкий уровень экспорта. Средняя и высокая стадии переработки (каучуки, шины, ре-зино - технические изделия, моющие средства, лаки и краски, др.) Высокий уровень экспорта. Средняя стадия переработки (среднетоннажный орг-синтез, сода, кислоты, щелочи, поли-винилхло-рид, пласти-каты, др.) Низкий уровень экспорта. Высокая стадия переработки (резино - технические изделия, эластомеры, химические волокна и нити, др.) Очень высокий уровень экспорта. Низкая стадия переработки (минеральные удобрения, нефтепродукты, крупнотоннажный органический синтез, др.)
Таким образом, пятый и четвертый кластеры достаточно уверенно можно назвать лидером и аутсайдером, а вот другие кластеры являются смешанными - первый и третий скорее тяготеют к смещению в категорию лидеров, тогда как второй кластер ближе к аутсайдерам. Для всех кластеров актуален сырьевой вопрос - увы, в стране природное сырье (нефть и газ) ориентировано на экспорт, ресурсов для развития собственной перерабаты-
вающей промышленности не достает. Кроме того, остра проблема массированного роста цен на сырье, энергоносители и прочие услуги естественных монополий, тогда как цены на химическую продукцию, как правило, изменяются не пропорционально. Отсюда хронически невысокая эффективность предприятий отрасли, все более заметная к концу технологической цепочки.
Поэтому в рамках отраслевой политики стоит задача усиленного стимулирования отраслевой инвестиционной и инновационной активности. Как следует из таблицы 2, факторы внутренних и внешних инвестиций (Б3, Б4) и нематериальных активов (Б7) выделяются в самостоятельную, слабо коррелированную с другими факторами категорию. Три самых многочисленных кластера (первый, второй и пятый - 82 предприятия) имеют средний и низкий уровень фактора Б3, но все они включают по 2-3 предприятия с высоким уровнем внутренних инвестиций. Кроме того, для них заметным является фактор нематериальных активов, а для второго кластера - еще и фактор экзогенных инвестиций. Фактор Б7 значим для третьего кластера, который также имеет экзогенные инвестиции в дочерние производственные предприятия. Инвестиционная активность четвертого кластера проявляется только в наличии экзогенных инвестиций. Это позволяет ранжировать данные кластеры, оценивать потенциал их лидерства в перспективе и тем самым расставлять приоритеты в отраслевой политике.
В частности, для крупных предприятий актуальным является софинансирование их масштабных проектов за счет средств Инвестиционного фонда (на инфраструктуру проекта, например) или других фондов развития (включая созданные на базе Стабилизационного фонда), а также организация перекредитования предприятий, имеющих крупные иностранные займы. В качестве условия инвестиционной поддержки можно установить обязательства поставки продукции для предприятий-переработчиков на внутреннем рынке, стимулируя тем самым усиление интеграционных тенденций в отрасли, повышение ее системности. В свою очередь в отношении средних и относительно некрупных предприятий нужно вести речь о совмещении инвестиционного и инновационного процессов. Это реально сделать путем концентрации ресурсов в рамках территориально-отраслевых инновационных кластеров (особых зон, промокругов, технопарков и др.), желательно вблизи смежных кластеров других отраслей.
В заключение работы - несколько слов о статистической достоверности выполненной кластеризации. Согласно результатам дискриминантного анализа расстояние Махала-нобиса между полученными пятью кластерами высокое и составляет 103,8. Как показала статистическая проверка гипотезы о равенстве нулю этого расстояния (ее уровень значимости равен нулю), кластеры достаточно компактны и хорошо разделены. В то же время, многие объекты (примерно треть) имеют хотя и некритическую, однако, не очень высокую значимость гипотезы отнесения каждого объекта к соответствующему классу. Значит, в выборке есть предприятия, которые могли бы быть выделены в самостоятельный класс или имеют артефактные значения, что, в общем, не удивительно, принимая во внимание неравномерное развитие отрасли.
Следовательно, полученную классификацию целесообразно использовать в большей степени для выявления наиболее типичных кластеров, установления закономерностей их развития, выработки на этой базе общих направлений отраслевой политики. Однако, для их конкретизации необходимо «видеть» и адекватно оценивать все объекты, в том числе и с аномальными значениями переменных. Поэтому полезно выполнение кластерного анализа не по факторным координатам, а в пространстве значений исходных переменных, причем без сглаживания «выбросов», которое предпринимается при подготовке дан-
ных для факторного анализа. В случае такой кластеризации для сокращения числа переменных можно «подстроить» их количество под результаты факторного анализа (например, путем отбора из каждой факторной группы по одной переменной). Или выполнить кластеризацию несколько раз - каждый раз только в пространстве переменных, отнесенных к какому-либо одному фактору. Г лавное, исследоваться должны уже сами объекты, не абстрактные, а конкретно поименованные, по реальным, а не искаженным специальными методами данным. В то же время, особо заострим внимание на том, что не следует занижать значимость факторно-кластерного анализа, поскольку он служит целям идентификации глубинных и достаточно устойчивых характеристик объекта управления, часто полностью сокрытых в «зашумленных» массивах регистрируемых переменных. Здесь важно не противопоставлять, а использовать в синергии имеющиеся методы анализа, сочетая их с логикой стратегического управления.
Таким образом, представлены особенности приложения многомерных методов анализа данных к исследованию состояния химического комплекса Российской Федерации, что позволило получить ряд важных в научном и управленческом планах выводов о структуре и закономерностях развития отрасли. Особый акцент сделан на выявление связи параметров инвестиционного и инновационного положения отрасли с показателями экономической эффективности, масштаба деятельности, экспортной стратегии и места в технологической цепочке. Особенностью исследования является использование большого массива исходных данных (как по количеству объектов, так и переменных), что позволяет повысить содержательность и достоверность выводов. Кроме того, результаты анализа верифицированы статистическими методами, что также обусловливает их достоверность. Выводы и результаты могут быть использованы в прогнозировании дальнейшего развития отрасли и выработке стратегических решений в системе промышленной, инвестиционной и инновационной политики.
Литература
1. Кулаичев А.П. Методы и средства комплексного анализа данных. - М.: ФОРУМ-ИНФРА-М, 2006.
2. Факторный, дискриминантный и кластерный анализ: Пер. с англ. О.Ким, У. Мьюллер, Р.Клекка и др. / Под ред. И.С. Енюкова. - М.: Финансы и статистика, 1989. - 215с.
3. Дуров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы: Учебник. - М.: Финансы и статистика, 2003. - 352с.
4. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. - М.: Мир, 1982.
5. Енюков И. С. Методы-алгоритмы-программы многомерного статистического анализа. - М.: Финансы и статистика, 1986.
6. Заказчикова Н.А. Многомерный статистический анализ деятельности предприятий целлюлознобумажной промышленности // Вопросы статистики. 2007. №6. С.54-59.
7. Райская Н.Н. Статистическое исследование инвестиционных рисков в регионах России // Вопросы статистики. 2006. №12. С.65-74.
8. Читая Г.О. Факторный анализ промышленного развития макрорегионов России // Вопросы статистики. 2006. №2. С.19-28.
9. Хохлова О.А. Статистическая оценка социально-экономической асимметрии муниципальных образований региона // Вопросы статистики. 2006. №2. С.32-38.
10. Есенин М.А. Рейтинговая оценка регионов центрального федерального округа по уровню развития малого предпринимательства // 2007. №5. С.49-54.
11. Шмойлова Р.А., Бурова О.А. Экономико-статистический анализ ресурсной базы территориальных банков Сбербанка России за 2000-2005 годы // Вопросы статистики. 2006. №11. С.71-73.
12. Карышев М.Ю. Экономико-статистический анализ телекоммуникационной отрасли в контексте информатизации российского общества // 2006. №5. С.87-93.
13. Сотникова Л.В. Годовой отчет-2006. Бухгалтерская отчетность организации. - М.: ИПБР-БИНФА, 2006.
14. Лапина О.Г. Годовой отчет 2006. Сквозной пример. Заполнение отчетных форм по состоянию на 1 января 2007 года. - Система ГАРАНТ, 2006.
15. Кринина М. Методы оценки платежеспособности предприятия // Экономика и жизнь, выпуск 6, 2002.
16. Савицкая Г.В. Анализ хозяйственной деятельности предприятия: 4-е изд., перераб. и доп. -Минск: ООО «Новое знание», 2000 - 688с.
17. Шеремет А.Д., Сайфуллин Р.С., Негашев Е.В. Методика финансового анализа. - М.: ИНФРА-М, 2000. 208с.
18. Ковалев В.В. Финансовый анализ: Управление капиталом. Выбор инвестиций. Анализ отчетности. - М.: Финансы и статистика, 1998. - 512с.
19. Баканов М.И., Мельник М.В., Шеремет А.Д. Теория экономического анализа / под ред. М. И. Баканова. - М.: Финансы и статистика, 2005. - 536с.
© Е. П. Ардашева - канд. экон. наук, нач. отдела экономического анализа ОАО «Татнефтехимин-вест-холдинг».
