CC BY
91
Муниципалитетами не уделяется достаточно внимания неналоговым доходам, большая часть из которых обладает высокой стабильностью, устойчивостью и предсказуемостью. В настоящее время неналоговые доходы являются своеобразным «резервом устойчивости» доходной базы местного бюджета, и их объем полностью зависит от активности и предприимчивости муниципальных органов власти.
Не следует рассматривать приватизацию муниципального имущества как единственный вариант реформирования неэффективно функционирующих муниципальных служб. Во всех отраслях экономики города следует еще до проведения приватизации обеспечить наращивание потенциала в области регулирования. Только располагая мощным потенциалом в области регулирования, муниципальное образование может обеспечить выполнение частным сектором вспомогательной роли в области финансирования предоставления базовых социальных услуг.
Элементом оптимизационной политики может стать и межмуниципальное сотрудничество, например на основе кластерного подхода к процессу оказания населению города социальных услуг. Привлечение средств бюджетов соседних муниципальных образований — эффективный способ улучшения финансового положения городов целой области. В муниципальной отраслевой экономике данный принцип — кластеризация — оказался незадействованным.
И самое главное, важно помнить, что никакие реформы не должны сопровождаться уменьшением доступа членов общества к гарантированным государством правам и уменьшать возможности населения пользоваться бесплатными социальными услугами.
Примечание
’ Социальные инвестиции и социальное партнерство: сб. материалов науч.-практ. конф., семинаров и бизнес-форумов / под ред. Л.А. Малюга. Тула, 2008. Т. 1.
УДК 658.152 Е.н. ДУБИНИНА
ББК 65.053.31 аспирант Иркутской государственной
сельскохозяйственной академии e-mail: elenadubinina@yandex.ru
ИСПОЛЬЗОВАНИЕ КЛАСТЕРНОГО АНАЛИЗА ПРИ ОПРЕДЕЛЕНИИ ЭФФЕКТИВНОСТИ ОСНОВНЫХ ФОНДОВ
Для группировки интеграционных формирований Иркутской области на основе множества признаков используется один из методов многомерной классификации данных — кластерный анализ. Анализ проводится по восьми факторным признакам, влияющим на показатель эффективности использования основных производственных фондов — фондоотдачу.
Ключевые слова: основные производственные фонды, эффективность использования, фондоотдача, факторные признаки, кластерный анализ.
Дальнейшее развитие и становление экономических отношений в агропромышленном производстве возможны только при обеспечении высоких темпов роста объемов продовольственной продукции, повышении ее качества на основе применения научных достижений, прогрессивных технологий,
передового отечественного и зарубежного практического опыта ведения хозяйства
и проведении других организационных и экономических мероприятий, связанных с максимальным использованием ресурсного потенциала. Максимальное использование ресурсного потенциала заключается в рациональном использовании интеграционными формированиями имеющихся в их распоряжении материальных, трудовых и денежных ресурсов.
© Е.Н. Дубинина, 2008
Особое значение отводится рациональному использованию основных производственных фондов, так как эффективность их использования является одним из главных условий обеспечения роста темпов производства и повышения качества производимой продукции.
Эффективное функционирование хозяйственной системы требует проведения эффективной экономической политики, для чего необходимо понимание различных взаимосвязей между факторами, оказывающими непосредственное влияние на значение результативного показателя, и результатами функционирования системы. При принятии управленческих решений необходимо знать систему этих взаимосвязей1.
Структурировать и идентифицировать связи между основными показателями позволяют аналитические методы в совокупности с различными типами экономических моделей. Среди методов экономико-статистического анализа, характеризующих зависимость результативного показателя от факторных показателей, особое место занимают корреляционный и регрессионный методы. Необходимо отметить, что в экономических исследованиях корреляционный и регрессионный методы нередко объединяются в один — корреляционно-регрессионный анализ. Подразумевается, что в результате такого анализа будет построена регрессионная зависимость (т.е. проведен регрессионный анализ) и будут рассчитаны коэффициенты ее тесноты и значимости (т.е. проведен корреляционный анализ)2.
Поскольку корреляционно-регрессионный анализ изучает связи, проявляющиеся в среднем, то при его осуществлении следует соблюдать условие применения средних величин: исследуемая совокупность данных должна быть однородна3.
Проверка однородности сводится к проверке значения коэффициента вариации (значение не должно превышать 33%). Если совокупность неоднородна, следует исключить из нее самые «аномальные» элементы. Безусловно, любые операции с исходной совокупностью должны быть обоснованы и пояснены4.
Перед нами стоит задача: для определения зависимости показателя «фондоотдача»
от факторных показателей разбить интеграционные формирования Иркутской области в группах таким образом, чтобы совокупность данных по группам стала более однородной. Это позволит наиболее точно определить степень зависимости между показателем «фондоотдача» и факторными показателями, оказывающими непосредственное влияние на ее значение. Для достижения поставленной цели используем один из методов многомерной классификации данных, т.е. сгруппируем данные, исходя из их множества признаков. Наиболее обоснованным методом разбиения множества объектов на заданное или неизвестное число классов является кластерный анализ. Кластерный анализ — один из методов многомерного анализа, предназначенный для группировки (кластеризации) совокупности, элементы которой характеризуются многими призна-ками5. Кластер — это множество объектов, сходных между собой по какому-то признаку (англ. cluster — пучок, гроздь, скопление, группа элементов, характеризуемых каким-либо общим свойством6).
Для анализа используются данные из годовых отчетов интеграционных формирований Иркутской области за период с 2003 по 2007 г.
В кластерном анализе каждая единица совокупности рассматривается как точка в заданном пространстве. Область варьирования всех признаков по совокупности изучаемых явлений называется признаковым пространством, расстояние между точками признакового пространства называется евклидовым7. Для определения евклидова расстояния необходимо рассчитать «нормированную разность», т.е. величину dp :
d = Xjp - Xjq
1Р'4 °xj '
где Xjp - Xjq — абсолютная разность значений у-го признака у единиц совокупности с номерами p и q; axj — среднее квадратическое отклонение признака х.
Знаки нормированных разностей не имеют значения, так как «расстояние» в признаковом пространстве — скалярная, а не векторная величина8.
Вычислим матрицы нормированных разностей по факторным признакам х,-х8
(фондовооруженность, производительность труда, рентабельность, коэффициент годности, коэффициент обновления, коэффициент ввода ОПФ, коэффициент расширения ОПФ, удельный вес активной части в стоимости ОПФ). В распределениях, близких к нормальным, величина нормированного расстояния редко превосходит 6. Полученные данные позволяют сделать вывод, что величина нормированных разностей варьируется по признаку х, от 0 до 4,180, по признаку х2 от 0 до 2,960, по признаку х3 от 0 до 3,359, по признаку х4 от 0 до 3,774, по признаку х5 от 0 до 3,830, по признаку х6 от 0 до 4,470, по признаку х7 от 0 до 4,859, по признаку х8 от 0 до 3,805. Следовательно, мы имеем нормально распределенную совокупность. На основе представленных данных формируется матрица евклидовых расстояний.
С учетом нормировки разности признаков расстояние между любыми единицами совокупности (точками в признаковом пространстве) имеет вид:
■
Матрица евклидовых расстояний служит основой агломеративно-иерархического метода классификации, который заключается в последовательном объединении группируемых объектов: сначала самых
близких, а затем все более удаленных друг от друга. Процедура классификации состоит из последовательных шагов, на каждом из которых производится объединение двух ближайших групп объектов (кластеров)9. Перед кластеризацией каждое интеграционное формирование рассматривается как отдельный кластер. На первом шаге объединяем в кластер предприятия ОАО «Троицкое» и ОАО «Барки», так как у них наименьшее евклидово расстояние (0,640). Представим действия, производимые в процессе кластерного анализа, в виде алгоритма (рис.).
Алгоритм процедуры кластерного анализа
Матрица евклидовых расстояний после девятого шага кластерного анализа
Кластер Евклидово расстояние
2 3 4 5 6 7
Ч 0,000
2 2,463 0,000
3 4,475 4,Ю4 0,000
4 4,065 4,809 6,495 0,000
5 2,4,9 2,467 5,0П 5,24, 0,000
6 4,094 6,П5 9,498 8,066 5,622 0,000
7 2,443 3,975 5,248 4,92, 3,408 6,694 0,000
После девятого шага получим новую матрицу евклидовых расстояний (табл.). Согласно таблице, все расстояния больше 2. В результате кластерного анализа получаем семь типов интеграционных формирований:
- интеграционные формирования, вошедшие в кластер 1, — ОАО «Троицкое», ОАО «Барки», ОАО «Хомутовское», ООО «Луговое», СХ ОАО «Белореченское», СПК «Окинский», ЗАО «Монолит», ОАО «Ширяево», ООО «Краснояр»;
- интеграционные формирования, вошедшие в кластер 2, — ОАО «Иркутское», ОАО «Восход»;
- интеграционное формирование, вошедшее в кластер 3, — ЗАО «Ангарская птицефабрика»;
- интеграционное формирование, вошедшее в кластер 4, — ЗАО «ВосточноСибирская птицефабрика»;
- интеграционное формирование, вошедшее в кластер 5, — ООО «Саянский бройлер»;
- интеграционное формирование, вошедшее в кластер 6, — ЗАО «Кимильтейское»;
- интеграционное формирование, вошедшее в кластер 7, — ОАО «Родники».
Интеграционное формирование ЗАО «Ангарская птицефабрика» выделилось в отдельный кластер в результате резкого отличия по признаку х2 (производительность труда) и х7 (коэффициент расширения) от кластера 1; по признаку х, (фондовооруженность) и х3 (рентабельность) от кластера 2. Интеграционное формирование ЗАО «Восточно-Сибирская птицефабрика» выделилось в отдельный кластер в результате резкого отличия от кластеров по признаку х, (фондовооруженность) и х7 (коэффициент расширения). ООО «Саянский
бройлер» выделилось в отдельный кластер в результате резкого отличия по признаку х8 (удельный вес активной части) от кластера 1; х, (фондовооруженность) и х5 (коэффициент обновления) от кластера 2. Интеграционное формирование ЗАО «Кимильтейское» выделилось в отдельный кластер в результате резкого отличия по признаку х7 (коэффициент расширения). ОАО «Родники» выделилось в отдельный кластер в результате резкого отличия по признаку х3 (рентабельность) от кластера 1 и х, (фондовооруженность) от кластера 2. Кластеры 1 и 2 резко отличаются по признакам х, (фондовооруженность) и х2 (производительность труда).
Разбивка интеграционных формирований по кластерам позволит нам наиболее точно определить степень зависимости между значением показателя «фондоотдача» и значениями факторных показателей и соответствующим образом влиять на них.
Примечания
, Гладилин А.В., Герасимов А.Н., Громов Е.И. Эконометрика: учеб. пособие. 2-е изд., стер. М., 2008. С. 8.
2 Ковалев В.В., Волкова О.Н. Анализ хозяйственной деятельности предприятия. М., 2004. С. Ю4.
3 Практикум по статистике / А.П. Зинченко, А.Е. Шибалкин, О.Б. Тарасова, Е.В. Шайкина; под ред. А.П. Зинченко. М., 2003. С. 4 54.
4 Ковалев В.В., Волкова О.Н. Указ. соч. С. 98.
5 Там же.
6 Акопян А.А., Винокуров А.М., Травкина А.Д., Хватова С.С. Англо-русский и русско-английский словарь. 75 тысяч слов и словосочетаний. М., 2007.
7 Елисеева И.И., Юзбашев М.М. Общая теория статистики: учеб. / под ред. И.И. Елисеевой. 4-е изд., перераб. и доп. М., 2004. С. ,36— ,40.
8 Там же.
9 Там же.
