CC BY
16ГАВРИЛОВА Марина Вячеславовна - кандидат экономических наук, доцент кафедры менеджмента. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. E-mail: m-gavrilova@list.ru.
RASSANOVA, Olga Evgenyevna - Candidate of Economics, Associate Professor of the Department of Management. Cheboksary Cooperative Institute (branch) of the Russian University of Cooperation. Russia. Cheboksary. E-mail: olgarussl@mail.ru.
GAVRILOVA, Marina Vyacheslavovna - Candidate of Economics, Associate Professor of the Department of Management. Cheboksary Cooperative Institute (branch) of the Russian University of Cooperation. Russia. Cheboksary. E-mail: m-gavrilova@list.ru.
УДК 658
ИСПОЛЬЗОВАНИЕ МЕТОДОВ КЛАСТЕРНОГО АНАЛИЗА ФИНАНСОВЫХ ПОКАЗАТЕЛЕЙ ДЕЯТЕЛЬНОСТИ ОРГАНИЗАЦИЙ В ПРЕВЕНТИВНОМ АНТИКРИЗИСНОМ УПРАВЛЕНИИ
И.Ю. Рыков
В статье рассмотрены теоретические аспекты применения методов кластерного анализа финансовых показателей деятельности организаций в ранней диагностике негативных тенденций его развития и предкризисных изменений; разработана общая практическая схема применения такой методологии в оценке состояния конкретной организации.
Ключевые слова: превентивное антикризисное управление; кластерный анализ; финансовые показатели; организация.
I.Yu. Rykov. CLUSTER ANALYSIS METHODS APPLYING OF FINANCIAL PERFORMANCE ORGANIZATIONS IN PREVENTIVE CRISIS MANAGEMENT
This article considers theoretic aspects of cluster analysis methods applying of financial performance organizations in early diagnosis of negative trends of its increase and pre-crisis changes; general practice scheme of using this methodology in condition rating of particular organization is designed.
Keywords: preventive crisis management; cluster analysis; financial performance; organization.
Традиционное для теории антикризисного управления представление организации в виде социально-экономической системы, находящейся в постоянном взаимодействии с надсистемным пространством, достаточно очевидно показывает, что вероятность возникновения в ней экзогенных кризисных явлений находится в обратной зависимости от способности такой организации противостоять нежелательным изменениям факторов внешней среды, поддерживать внутреннее равновесное состояние в неких, оптимальных для нормального осуществления хозяйственной деятельности, границах. Такая способность, на практике определяемая целым комплексом весьма разнородных показателей (например: особенностями механизмов менеджмента организации, степенью адекватности проводимой маркетинговой политики текущим условиям рынка, общим финансовым состоянием организации и пр.), в самом общем смысле может быть названа адаптационным ресурсом организации.
В качестве одного из важных маркеров кризисной устойчивости, во многом задающим объем и качество адаптационного ресурса организации, выступает совокупность ее основных финансовых показателей, которая может быть достаточно просто формализована и подвергнута целевому анализу различными математическими методами.
Стоит отметить, что оценка системы финансовых показателей предприятия является достаточно универсальным средством определения не только степени резистентности компании по отношению к всевозможным негативным внешним факторам, но и в целом ряде случаев способна весьма точно отразить процессы, протекающие внутри организации, а значит - выступить в роли одного из показателей, отражающих принадлежность организации к той или иной фазе жизненного цикла.
Таким образом, методологические подходы к оценке и анализу текущих значений финан-
84
Вестник Российского УНИВЕРСИТЕТА КООПЕРАЦИИ. 2016. № 3(25)
совых показателей деятельности организации, а также мониторингу динамики их изменения, могут по праву считаться важной частью процесса принятия решений в области антикризисного управления, ранней диагностики кризисных изменений и их предупреждения.
Вместе с тем использование четко детерминированных методов математического анализа в описании социально-экономических систем, подверженных существенному влиянию антропогенных факторов, зачастую показывает их низкую эффективность. Особенно это справедливо для критичных по времени принятия решений задач ситуационного многофакторного анализа, в которых такие методы, ввиду их чрезвычайной громоздкости и низкой скорости работы, могут применяться ограниченно. В связи с этим в решении задач ситуационного моделирования таких систем все большую популярность приобретают методы кластерного анализа, решающее преимущество которых заключается в низкой критичности к типовой принадлежности оцениваемых объектов, возможности проведения совокупного анализа разнородных массивов информации, а также некоторой их интуитивности, в ряде случаев позволяющей в ходе оценки результатов моделирования приходить к правильным обобщающим выводам еще до его завершения.
В самом общем смысле кластерным анализом, или кластерингом, называют производимый по определенному алгоритму процесс разбиения всего множества рассматриваемых объектов (переменных) на ряд категорий, отно-симость объектов кластеризуемого множества к каждой из которых определяется схожестью тех или иных параметров этих объектов [2].
Единой классификации подходов к кла-стерингу не существует ввиду существенной гетерогенности как используемой ими методологической базы, так и широкого спектра целевой применимости, зачастую определяющей важные аспекты конкретного подхода. Однако обычно выделяют следующие их группы:
1. Вероятностные подходы (К-теаш, FOREL, K-medians).
2. Иерархические подходы.
3. Графовые и теоретико-графовые подходы.
4. Логические подходы [4].
Между тем главная задача, стоящая перед всеми алгоритмами кластеризации, и основная цель их использования - систематизация массивов разнородных переменных (объектов) по принципу схожести, выявление как наиболее близких по тем или иным параметрам, так и максимально отличающихся друг от друга объектов. В рамках настоящей статьи предпо-
лагается выработка основополагающих механизмов применения таких алгоритмов в ранней диагностике кризисных изменений в организации, а значит, отсутствие критичности по отношению к выбору конкретной модели класте-ринга. В связи с этим остановим свой выбор на агломеративно-иерархической группе алгоритмов кластеризации.
Данные, поступающие на вход таких алгоритмов, представляются в виде отдельных кластеров (монокластеры), которые в дальнейшем - по ходу работы алгоритма - шаг за шагом объединяются (лат. «agglomero» - накапливаю, присоединяю) в единый поликластер, включающий на выходе алгоритма все начальные объекты кластеризуемого множества [3].
В качестве примера оценки финансовых показателей деятельности организации в целях раннего выявления кризисных изменений рассмотрим агломеративно-иерархическую кластеризацию ряда объектов, представляющих собой группы показателей, обновляемых через определенный период времени (в нашем случае - раз в квартал):
" а1, а2, ..., ^
Ьь Ь2, ...,Ь
- • -
_ П1, П2, ...,П _
где а„ Ьь ..., п - значение различных финансовых показателей организации в /-ый момент времени.
Такие группы показателей, поступая на вход алгоритма в виде монокластеров, будут по ходу разворачивания его структуры объединяться в множественные кластеры, а имеющая место на каждом шаге процедура объединения межкластерных расстояний фиксироваться в отдельной таблице.
Оценивать изменения финансовой составляющей адаптационного ресурса организации (а значит и вероятности развития кризисных явлений) предлагается по скачкам межкластерного расстояния - существенным его изменениям, значительно отличающимся от общих тенденций развития организации.
Стоит отметить, что не все скачки межкластерного расстояния, выделенные в ходе такой кластеризации, будут иметь негативный, свидетельствующий о предкризисных изменениях адаптационного потенциала, характер. Очевидно, что некоторые из них, напротив, будут показывать значительный его прирост, возникающий, например, вследствие успешного освоения организацией новых проектов, положительных изменений рынка и т.п.
где: i - дата выборки; а, - собственные средства; Ь, - обязательства должника; с - внеоборотные активы; di - чистая прибыль (убыток); с,{ а,, Ь,, с,, di} - исходный монокластер.
Таблица 1
Отдельные финансовые показатели деятельности ООО «ТСБ Интегрированные решения» за 2012-2014 гг. и монокластеры, полученные на их основании, млн руб.
i а. Ы с. d. с,{аД,сД}
01.01.12 34,6 182,0 25.9 16,1 {34,6; 182,0; 25,9; 16,1}
01.03.12 35,1 187,4 23,3 11,3 {35,1; 187,4; 23,3; 11,3}
01.06.12 28,0 198,7 20,7 20,5 {28,0; 198,7; 20,7; 20,5}
01.09.12 14,4 226,0 17,4 6,1 {14,4; 226,0; 17,4; 6,1}
01.01.13 8,3 250,0 16,1 -32,6 {8,3; 250,0; 16,1; -32,6}
01.03.13 8,7 312,8 15,8 -18,7 {8,7; 312,8; 15,8; -18,7}
01.06.13 6,9 384,3 15,4 -11,0 {6,9; 384,3; 15,4; -11,0}
01.09.13 6,2 405,0 14,7 -7,3 {6,2; 405,0; 14,7; -7,3}
01.01.14 5,9 417,1 14,1 1,7 {5,9; 417,1; 14,1; 1,7}
01.03.14 5,9 420,0 13,9 -0,8 {5,9; 420,0; 13,9; -0,8}
01.06.14 5,6 418,5 13,1 2,4 {5,6; 418,5; 13,1; 2,4}
01.09.14 5,4 424,1 12,6 1,3 {5,4; 424,1; 12,6; 1,3}
31.12.14 5,3 426,9 12,2 0,7 {5,3; 426,9; 12,2; 0,7}
Рассмотрим данные об изменениях ряда финансовых показателей деятельности ООО «ТСБ. Интегрированные решения» (табл. 1).
Выбор этих показателей является произвольным и, в принципе, для практического применения их должно быть много больше. Смысл здесь играет не значение отдельного показателя для оценки финансового состояния фирмы, а разность межкластерных расстояний, образуемых в результате кластеринга данных. Именно величина этой разности отражает изменение состояния организации и сама по себе является тревожным признаком. Таким образом, дальнейшим шагом алгоритма кластеризации будет нахождение межкластерных расстояний между всеми монокластерами полученного нами множества с,{а, Ь1, с1, ё,}. Евклидовые расстояния для 4-мерного пространства кластеризации вычисляются следующим образом:
К (А, О = -Дак - ат)2+(_Ьк - ЬтУ+(_ск -ст)2 + - О2 и заносятся в соответствующую матрицу (табл. 2).
На следующем шаге алгоритма кластеризации построим прогрессивную последовательность полей матрицы межкластерных расстояний, удовлетворяющую условию И, < И, и имеющую следующий вид: Р = {И (С4, С9) =1,87; И (С12, С13) = 2,90; И (С4, С10) = 3,29; ...; И (С1, С13) = 247,60}, а также построим график изменения межкластерных расстояний (рис. 1).
Оценим результаты, полученные в процессе кластеринга данных об изменении значений показателей собственных средств (Ф№1 стр. 490 + стр. 640 + стр. 650 - капитальные затраты по аренде имущества - стр. 411), обязательства должника (Ф№1 стр. 520 + стр. 510 + + стр. 610 + стр. 620 + стр. 630 + стр. 660),
внеоборотных активов (Ф№1 стр. 110 + стр. 120 + + стр. 130 + стр. 135 + стр. 140 + стр. 150) и чистой прибыли (убытка) (Ф№2 стр. 190) ООО «ТСБ. Интегрированные решения» за период с 01.01.2012 г. по 31.12.2014 г.
Как уже отмечалось выше, совокупность финансовых показателей деятельности организации отражает не только некоторые аспекты ее адаптационного ресурса, тем самым показывая объем и качество финансовых потенций хозяйствующего субъекта во всевозможных кризисных ситуациях, но и является одним из важнейших маркеров объективной оценки ее текущего состояния, по динамике изменения которого можно достаточно точно судить об имеющейся проблематике и тенденциях ее развития.
В этой связи график изменений межкластерного расстояния (рис. 1) показывает, что с момента начала наблюдений и до 01.03.2013 г. в динамике фиксируемых финансовых показателей ООО «ТСБ. Интегрированные решения» имелась практически линейная зависимость с небольшой тенденцией к росту, каких-либо резких скачков в значениях совокупности полей монокластеров - фактически в их координатах на многомерном пространстве (х,, у,, ъ,, т,) - не происходило.
Дальнейший же скачкообразный рост указанного межкластерного расстояния уже сам по себе свидетельствует о резком изменении взаимосвязанных с координатами кластеров финансовых маркеров - величин собственных средств, обязательств должника, внеоборотных активов и чистой прибыли (убытка).
Для качественной оценки корреляции изменений отмеченных переменных с межкластерными расстояниями совместим их график (рис. 2).
Таблица 2
Матрица расстояний между монокластерами с.{а., Ь., е., di}для С = 1.. .13
||| С1 С2 С3 С4 С5 С6 С7 С 8 С 9 С С С 12 С 13
С1 11111 11111 7,69 19,20 50,16 75,39 132,96 204,52 225,25 237,58 240,51 239,00 244,55 247,60
С2 7,69 11111 11111 16,42 44,50 71,71 128,58 199,06 219,71 231,93 234,85 233,37 239,00 241,83
С3 19,20 16,42 11111 11111 33,90 56,49 115,84 187,11 207,95 220,41 223,37 221,31 227,49 230,33
С4 50,16 44,50 33,90 11111 11111 36,29 90,19 158,56 179,21 191,27 194,29 192,78 198,32 201,34
С5 75,39 71,71 56,49 36,29 80,65 140,92 160,07 169,86 173,28 171,23 176,85 179,94
С6 132,96 128,58 115,84 90,19 80,65 11111 11111 71,93 92,90 106,23 109,01 107,03 112,76 115,61
С7 204,52 199,06 187,11 158,56 140,92 71,93 11111 11111 27,62 33,02 37,92 35,37 41,28 44,35
С8 225,25 219,71 207,95 179,21 160,07 92,90 27,62 11111 11111 13,28 17,00 16,65 20,02 23,10
С9 237,58 231,93 220,41 191,27 169,86 106,23 33,02 13,28 11111 11111 3,41 1,87 7,14 10,08
С10 240,51 234,85 223,37 194,29 173,28 109,01 37,92 17,00 3,41 11111 11111 3,29 4,87 7,31
С11 239,00 233,37 221,31 192,78 171,23 107,03 35,37 16,65 1,87 3,29 6,08 8,57
С12 244,55 239,00 227,49 198,32 176,85 112,76 41,28 20,02 7,14 4, 87 6,08 2,90
С13 247,60 241,83 230,33 201,34 179,94 115,61 44,35 23,10 10,08 ,31 8,57 2,90 11111 11111
Межкластерное расстояние
итерации
Рис. 1. График изменения межкластерного расстояния
Таким образом, оценка изменений межкла- обобщающим показателем, интегрирующим в стерных расстояний, являющихся своего рода себе прочие маркеры финансового состояния
ремя
01.12 03.12 06.12 09.12 01.13 03.13 06.13 09.13 01.14 03.14 06.14 09.14
» • - R (сь cj) (межкластерные расстояния); " и - а! (собственные средства);
а-а - Ь! (обязательства должника);
о о - с! (внеоборотные активы); ■ » - d! (чистая прибыль/убыток).
Рис. 2. Совмещенные графики изменения межкластерных расстояний, собственных средств, обязательств должника, внеоборотных активов и чистой прибыли (убытка) ООО «ТСБ. Интегрированные решения»
организации, представляет собой действенный инструмент мониторинга тенденций, имеющих место в развитии организации.
С учетом того, что любой хозяйствующий субъект является чрезвычайно сложной для моделирования системой, которая может характеризоваться значительным количеством весьма разнородных параметров, представляется, что выборочный анализ тех или иных показателей финансового состояния организации в решении задач оценки ее адаптационного ресурса и кризисной устойчивости малоэффективен.
Вместе с тем полученный нами график изменения межкластерных расстояний достаточно точно отражает как общие тенденции к линейному увеличению разрыва, существующего между значениями оцениваемых в данном примере финансовых показателей ООО «ТСБ. Интегрированные решения» (период с 01.01.2012 г. до 01.03.2013 г), так и резкий скачок этих значений и его столь же практически линейное уменьшение в последующем.
Оценивая полученные результаты с позиций антикризисного управления, можно говорить о том, что первая часть графика показывает скрытые, предкризисные изменения на предприятии, которые, накапливаясь и не подвергаясь коррекции со стороны руководства
организации, приводят к взрывному обострению внутренних финансовых противоречий в исследуемой организации и, в конечном счете, неконтролируемой фазе острого кризиса (с 01.01.2014 г. по 01.09.2014 г.), закончившейся банкротством организации.
Стоит отметить, что рассмотренный нами ряд финансовых показателей, хотя и является достаточно комплексным, включает в себя лишь их небольшую часть, что в данном случае продиктовано целью настоящей работы -демонстрацией применения методов класте-ринга в ранней диагностике кризисных явлений. Считаем, что практическое применение данной группы методологических подходов, а также оценка их эффективности в ситуациях различного генезиса должны производиться с учетом целого ряда факторов, в том числе отраслевой принадлежности организации, особенностей национальной и региональной экономик и т.д.
Список литературы
1. ДюранБ., Оделл П. Кластерный анализ / пер. с англ. Е.З. Демиденко. М.: Статистика, 1977. 128 с.
2. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988. 176 с.
88
Вестник Российского УНИВЕРСИТЕТА КООПЕРАЦИИ. 2016. № 3(25)
3. Миркин Б.Г. Методы кластер-анализа для поддержки принятия решений: обзор / Высшая школа экономики. М., 2011. 113 с.
4. Олдендерфер М.С., Блэшфилд РК.Кла-стерный анализ. Факторный, дискриминантный и
кластерный анализ / под ред. И.С. Енюкова; пер. с англ. М.: Финансы и статистика, 1989. 215 с.
5. Паклин Н. Алгоритмы кластеризации на службе Datamining. URL: http://www.basegroup. ru/dasterization/dataminmg.htm.
РЫКОВ Иван Юрьевич — арбитражный управляющий. Ассоциация «Урало-Сибирское объединение арбитражных управляющих». Россия. Москва. Е-mail: ivan@rykov.pro.
RYKOV, Ivan Yuryevich - Arbitration Manager. «Uralo-Sibirsky Association of Receivers» Association. Russia. Moscow. Е-mail: ivan@rykov.pro.
УДК 343.79
АДМИНИСТРАТИВНАЯ ПРЕЮДИЦИЯ КАК НАПРАВЛЕНИЕ СНИЖЕНИЯ КРИМИНАЛИЗАЦИИ ЭКОНОМИКИ
Р.А. Санинский
Рассматриваются возможные направления эволюционирования уголовного законодательства в области противодействия теневой экономике и сопряженных с ней преступлений. Обосновывается необходимость применения административной преюдиции как инструмента предупредительного воздействия на экономическую преступность. Перевод значительного количества экономических преступлений в разряд преюдиционных создаст благоприятные условия для дальнейшего развития рыночной экономики.
Ключевые слова: преюдиция; экономика; преступление; предупреждение; право; государство.
R.A. Saninsky. ADMINISTRATIVE PREJUDGEMENT AS A DIRECTION OF REDUCING THE CRIMINALIZATION OF THE ECONOMY
The article considers possible directions for the evolution of criminal legislation in the sphere of combating the shadow economy and the associated crimes. The necessity of the usage of administrative prejudgement as a tool of prevention of economic crimes is proved. The relocation of a significant number of economic crimes in the category of prejudgement will create favorable conditions for the development of a market economy.
Keywords: prejudgement; the economy; crime; prevention; law; government.
Учитывая сверхнегативное влияние на дальнейшее планомерное, позитивное развитие Российской Федерации экономической преступности, подрывающей не только авторитет государственной власти, а также и реализацию государственных программ в различных сферах, встает вопрос в переоценке угроз таких деяний и поиске новых, более эффективных инструментов противодействия им.
Понимая, что преступления в сфере экономики и создают основу теневого сектора экономической деятельности, направленной на получение необоснованной сверхприбыли, разрушающей такие главные постулаты, как свобода и конкуренция, необходимо задуматься о создании новых направлений по снижению привлекательности теневой экономики.
Решая поставленный вопрос, считаем целесообразным в первую очередь направить усилия на ограничение корыстной заинтересован-
ности лиц, задействованных в теневом секторе экономики.
Как нам кажется, в решении поставленной проблемы уместна идея, высказанная еще более двух веков назад итальянским мыслителем Чезаре Беккариа. Одна из идей, которую он выдвигал и доказывал в области повышения качества уголовно-правового противодействия преступности, была построена на создании таких санкций, которые должны стать невыгодными для преступника [3]. Считаем, что предлагаемый ученым подход не потерял актуальности и сегодня в области борьбы с теневой экономикой и сопровождаемыми ее деяниями.
Это порождает вопрос о применении пре-юдиционной ответственности за совершение ряда экономических и сопутствующих им преступлений.
Актуализируя выбранную для исследования проблему, следует подчеркнуть, что рас-
