Использование нейросетевого моделирования в анализе деятельности крупнейших компаний Российской Федерации Текст научной статьи по специальности «Экономика и бизнес»

^(саЯ&мшса-мл^млтиггасае

мофелира&гНие

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ В АНАЛИЗЕ ДЕЯТЕЛЬНОСТИ КРУПНЕЙШИХ КОМПАНИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ

Ю. А. КУЗНЕЦОВ,

доктор физико-математических наук, профессор, заведующий кафедрой математического моделирования экономических систем E-mail: [email protected]

В. И. ПЕРОВА,

кандидат физико-математических наук, доцент кафедры математического моделирования экономических систем E-mail: [email protected] Нижегородский государственный университет

им. Н. И. Лобачевского — Национальный исследовательский университет

Представлено краткое описание методики нейросе-тевого моделирования экономических данных. В качестве базы для исследований использован ежегодный рейтинг крупнейших компаний России по объему реализации продукции. Инструмент проведения исследований - самоорганизующиеся карты Кохонена. Исследование проведено в пакете ¥1всоувгу БОМ'те.

Ключевые слова: экономический рост, социально-экономическое развитие, нейронные сети, финансово-экономическая деятельность, инновации.

Повышение эффективности экономики и достижение на этой основе высокого уровня благосостояния населения являются наиболее важными задачами экономических реформ в Российской Федерации [7]. В связи с этим в условиях быстро изменяющейся экономической ситуации актуальной является задача анализа финансово-экономичес-

кой деятельности крупнейших компаний с целью определения наиболее прибыльных и перспективных отраслей экономики для принятия эффективных экономических и управленческих решений. При решении таких задач приходится иметь дело с многомерными совокупностями данных, когда для каждого объекта регистрируется целый набор признаков. В таких ситуациях часто весьма высокую эффективность демонстрируют многомерные статистические методы анализа [1, 5]. Одним из перспективных и совершенных средств, дающих новые подходы к исследованию многомерных задач, являются нейронные сети [2, 4, 6, 8, 10—13]. Нейросетевое моделирование находит свое применение в разных областях: распознавание образов, обработка зашумленных данных, классификация, составление расписаний, оптимизация, прогноз, моделирование сложных процессов и др. [2, 8, 10].

Нейронные технологии с успехом применяются в финансово-экономических и социально-обще-ственныхисследованиях [2, 4, 10, 11].

Авторами проведено нейросетевое моделирование деятельности 400 крупнейших компаний Российской Федерации в 2005—2008 гг. В качестве базы для исследований использован ежегодный рейтинг крупнейших компаний России по объему реализации продукции. Инструментом проведения исследований выбраны самоорганизующиеся карты Кохонена. Нейросетевое моделирование поставленной задачи проведено в пакете У1зсоуегу 80Мте. В результате моделирования построены самоорганизующиеся карты, на которых представлены кластеры, включающие исследуемые компании. Анализ этих карт, согласно статистике средних значений экономических показателей в кластерах и отраслевой структуре кластеров, позволил определить динамику развития различных отраслей экономики, а также выявить отрасли, компании которых обладают перспективами роста.

Концепция метода нейросетевого моделирования. Нейросетевая методология для обработки сигналов использует явления, аналогичные тем, которые происходят в нейронах живых существ, являющихся одним из основных элементов нервной системы. Важнейшая особенность таких сетей состоит в параллельной обработке информации всеми звеньями, что позволяет значительно ускорить процесс обработки информации. Другим важным свойством нейронных сетей является способность к обучению и обобщению накопленных знаний. Сама идея создания искусственных нейронных сетей по образу устройства нервной системы живых существ с целью выработки новых технологических решений не нова [2, 6, 12]. Еще в 1943г. К. МакКаллох и А. Пите создали упрощенную модель нейрона. Мозг человека содержит до 1011 нейронов различных видов [7]. Все они сложным образом взаимодействуют между собой и собраны в популяции — нейронные сети. Искусственный нейрон, имитируя свойства биологического нейрона, имеет сходное с ним строение.

В модели нейрона на его вход поступает некоторое количество входных сигналов. Каждый входной сигнал х умножается на соответствующий коэффициент ^(моделирующий силу синаптичес-кой связи), после чего все произведения суммируются, тем самым определяется уровень активации нейрона (или потенциал нейрона) — взвешенная

п

сумма V = ^ Щх1 входных величин хр где п — раз-

1=1

мерность пространства входных сигналов.

Полученная сумма сравнивается с пороговой величиной W0, результат сравнения преобразуется нелинейной функцией активации/(-) в выходной сигнал нейрона/(Р). Коэффициенты {Wt} обычно называют синаптическими коэффициентами, или весами.

В настоящее время существует множество искусственных нейронных сетей разных типов, что связано с различными способами объединения нейронов между собой и организацией (топологией) их взаимодействия. Обычно нейронные сети подразделяют на два вида:

- статические сети, или сети с прямой связью

(feed-forward);

- динамические или рекуррентные сети.

Как специфический вариант нейронных сетей — самоорганизующиеся сети — рассматривают введенную Т. Кохоненом самоорганизующуюся карту признаков [2]. При решении задач в условиях хаотических финансовых рынков используют нечеткие нейронные сети. Их функционирование основано на принципах нечеткой логики и использовании нечетких экспертных систем [9].

Нейронные сети с прямой связью состоят из статических нейронов, так что сигнал на выходе сети появляется в тот же момент, когда подаются сигналы на вход. Топология сети может быть различной. Если не все составляющие ее нейроны являются выходными, сеть содержит скрытые нейроны. Такая сеть позволяет выделять глобальные свойства данных за счет наличия дополнительных синаптических связей и повышения уровня взаимодействия нейронов. Это существенно, когда размер входного слоя достаточно велик, поскольку скрытые нейроны способствуют выделению статистических зависимостей высокого порядка [12]. Типовая схема нейронной сети с прямой связью с одним скрытым слоем показана на рис. 1. Такие сети называют персептронами.

Важная характеристика нейронных сетей состоит в том, что они обучаются. Структура нейронных сетей тесно связана с используемым алгоритмом обучения. При создании нейронных сетей используют различные правила (методы) обучения, например на основе коррекции ошибок (реализуется метод оптимальной фильтрации) [12] или на основе нейробиологических принципов или идей статистической механики и др.

Чаще других рассматриваются нейронные сети с прямой связью [2, 8, 10—12]. Нейронная сеть с прямой связью преобразует сигнал с помощью весов, приписанных соединениям нейронов. Процесс выбора значений этих весов называют обуче-

Входные элементы

Скрытые элементы

Выходные элементы

Рис. 1. Нейронная сеть с прямой связью с одним скрытым слоем

нием, или тренировкой сети. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Различают два вида обучения: обучение с учителем (контролируемое обучение) и обучение без учителя (неконтролируемое обучение). Под учителем может пониматься совокупность тренировочных данных (обучающее множество) или внешний наблюдатель, который определяет значения выхода [2].

Большинство моделей нейронных сетей предусматривают присутствие учителя. Нейронные сети, обучаемые с учителем, представляют собой средства для извлечения из набора данных информации о взаимосвязях между входами и выходами нейронной сети. Такие сети можно использовать для прогнозирования рядов данных или выработки управленческих решений [4]. Наиболее распространенный и эффективный алгоритм обучения нейронных сетей с прямой связью — алгоритм обратного распространения ошибки (Back Propagation, BP) [2, 12]. Он является алгоритмом градиентного спуска, который минимизирует суммарную квадратичную ошибку. Основная идея алгоритма BP состоит в том, чтобы вычислять чувствительность ошибки сети к изменениям весов.

Рекуррентные (динамические) сети построены из динамических нейронов, поведение которых описывается дифференциальными или разностными уравнениями (как правило, первого порядка). Сети организованы так, что каждый нейрон получает входную информацию от других нейронов (возможно, и от самого себя) и из окружающей среды. Применение этого типа сетей позволяет моделировать нелинейные динамические системы. Примером рекуррентных сетей являются сети Хопфилда [2, 12].

Самоорганизующиеся сети. Введенная Т. Ко-хоненом самоорганизующаяся карта признаков (СОК), или сеть Кохонена, принципиально отличается от всех других типов сетей [2, 4, 6, 12, 13] и рассчитана, главным образом, на неуправляемое обучение (без внешнего вмешательства). Нейронные сети, обучаемые без учителя, служат средством для классификации, организации и визуального представления больших объемов данных. Можно эффективно использовать СОК, например для анализа финансовой отчетности компаний, инвестиционных возможностей, оценки недвижимости, сегментирования покупателей и клиентов и т. д. Самоорганизующаяся карта признаков имеет два слоя нейронов: входной слой, содержащий нейроны для каждого элемента входного вектора, и выходной слой, или решетку нейронов, связанных со всеми нейронами входного слоя (рис. 2).

Выходной слой называют также топологической картой. Число нейронов в выходном слое определяет пользователь, задавая изначальную форму или размер карты. Элементы топологической карты располагаются, как правило, на плоскости. В процессе обучения сети Кохонена (методом последовательных приближений) на ее вход подаются различные образцы. Сеть распознает особенности их структуры и разделяет их на кластеры. Уже обученная сеть соотносит новые примеры к одному из кластеров, опираясь на некоторый критерий близости. В результате процедуры обучения сеть организуется таким образом, что элементы, соответствующие центрам, расположенным близко друг от друга в пространстве входов, будут располагаться близко друг от друга и на топологической карте. Поскольку СОК отображает данные большей размерности на топологическую карту меньшей размерности (плоскость), то при этом могут быть

^^ ^^ ^^ ^^ Нейрон-победитель

Сосед

Входной слой

Рис. 2. Самоорганизующаяся сеть Кохонена (изображены связи, идущие в 1-Й узел)

потеряны многие детали. Однако процесс сегментации, т.е. сжатия данных большой размерности до некоторого набора кластеров, позволяет пользователю визуализировать данные, которые иным способом понять невозможно.

Сеть со встречным распространением (Counter Propagation Network, CPN) соединяет в себе свойства самоорганизующейся сети Кохонена и концепцию Outstar-сети Гроссберга [2]. В рамках этой архитектуры элементы слоя сети Кохонена не имеют прямого выхода во внешний мир, а служат входами для выходного слоя, в котором связям адаптивно придаются веса Гроссберга. Сети со встречным распространением успешно применяют в таких финансовых и экономических приложениях, как рассмотрение заявок на предоставление займов, предсказание трендов цен акций, товаров, курсов обмена валют и т.д.

В настоящее время на рынке имеются свободно распространяемые и коммерческие пакеты программ с функцией построения самоорганизующихся карт, позволяющие вести обработку, кластеризацию и визуальное представление данных с помощью СОК [4]. Одним из таких пакетов является программный пакет Viscovery SOMine. В основу его положены концепция и алгоритмы пакетных СОК Кохонены — современного и прогрессивного варианта самообучающихся нейронных сетей. Используемая в нем процедура напоминает «обучение по эпохам» в нейронных сетях с учителем. Применение пакетных СОК является более надежным, поскольку данный метод опосредованно включает в себя большое число этапов обучения. Viscovery SOMine создает карту на двумерной гексагональной решетке. Порядок расположения данных на ней отражает степень их близости, поэтому особенности распределения легко различимы на образующейся карте.

Анализ деятельности крупнейших компаний Российской Федерации. В качестве базы для анализа был использован ежегодный рейтинг 400 крупнейших компаний России по объему реализации продукции [3, 14—16], составленный согласно экономическим показателям за 2005—2008 гг. В качестве инструмента исследований использовались самоорганизующиеся карты Кохонена.

Для каждого года таблица рейтинга содержит такие показатели, как

места в рейтинге текущего и предыдущего годов, название компании, регион, отрасль, объемы реализации в текущем и предыдущем годах (млн руб.), темп прироста (%), объем реализации в текущем году (млн долл.), прибыль до налогообложения в текущем году (млн руб.), чистая прибыль в текущем году (млн руб.), вид предоставляемой отчетности.

В качестве исходных данных модели выбраны следующие показатели: объем реализации в текущем году (млн руб.), темп прироста объема реализации продукции в текущем году по сравнению с предыдущим годом (%), прибыль до налогообложения в текущем году (млн руб.) и чистая прибыль в текущем году (млн руб.). Среди выбранных показателей три являются абсолютными (объем реализации, прибыль до налогообложения и чистая прибыль в текущем году) и один относительным (темп прироста), который дает качественную оценку ситуации, учитывает динамику развития компаний. Подобное одновременное использование абсолютных и относительных показателей позволяет объединить статистические и динамические оценки.

Результатом моделирования стало разбиение исходных данных на кластеры, представленные на самоорганизующихся картах. Данные 2005 г. образовали 6 кластеров (рис. 3).

231 34891 326 301

289 й290.

302 304

22

394 331

266

257 136 25a78i3u29»,, 194 223 3098t, 224 ) 214

367

265 337

33374 ЗЕ

325

38877 323 228

333 384

376 347

263

11Е

275

187 177 158 256 216 262 341 131 173 276 268 15113

133 143 217 243 1;

53 77 146 264 li-i п244

1 44 1 3182 284 „232

183 233 ,-17381 233 28286 22337 38011 2£

133

233

323

156

112 134 103 100698Û34 215

245

141 151

126

Т 38

35008 S90 38373 2Е ' 346 36Е

123 107 206 152

211 157

34 203 175 121

I

103 172 162

21313 336 364 30324 201 288 170 200 267 313 321 358Î

203 253 273 33353 222227 333 368

ш ^

31 34 48

46 76

68

38 73 0-1

и I 74

35 85

66

80 37 100

137

18

125 33jj4939§Ji

63

153246.

277 213 il!5 272 ,„, 116 160 27929919 353BS

1 81 1 64 236 ЭЕ

371 2ϧ087 327 3<

133 155 17ä42„, 298 ,.2614i 161 315 210 252 340 ш

163 212 208 23fl5S72702C

105 168 143 232inj 316331

176 302 167 ™ 1й;

111 205235 33f

87 101 lH5 179 31 18141 35E

30 114 120 110 1Э95800Е

130 130 147 183 28365

53 86 10113 140 115 308(

178 238 122 ,n-

145 207 221 35 3a'

55 84 128 138 295 93 14S1f

27 33 39 54 61 6558 42

Рис. 3. Самоорганизующаяся карта 400 крупнейших компаний России 2005г. (числовые метки соответствуют месту компаний в рейтинге [14]): I — кластер №1;П — кластер № 2; III — кластер №3;IV — кластер № 4; V — кластер №5;VI — кластер № 6

Средние значения анализируемых показателей по каждому кластеру и отраслевая структура кластеров в 2005 г. представлены в табл. 1, 2.

Кластер № 1 (рис. 3) занимает основную площадь карты. Он характеризуется низкими показателями по величине прибыли и по темпам прироста (табл. 1). В этот кластер вошли в основном компании машиностроения, пищевой промышленности, оптовой и розничной торговли (табл.

Статистика средних значений эконом

2). Прибыль компаний нефтяной и нефтегазовой промышленности в 2005 г. увеличилась на порядок, и даже средние темпы прироста не сделают эту отрасль досягаемой, например для выделившегося в отдельный кластер № 6 абсолютного лидера по темпам прироста ОАО «ПО «Севмаш» (машиностроение).

Данные за 2006 г. разделились на 5 кластеров (рис. 4).

Таблица 1

ских показателей в кластерах в 2005 г.

Показатель Номер кластера

1 2 3 4 5 6

Количество компаний 348 31 11 7 2 1

Объем реализации, млн руб. 28 541 28 310 194 995 518 786 1 250 265 55 848

Темп прироста, % 31 166,2 17,7 71,9 51,2 726,4

Балансовая прибыль, млн руб. 4 090 9 482 54 034 108 671 304526 16 921

Чистая прибыль, млн руб. 2 904 7 735 35 649 73 052 215 893 12 062

Таблица 2

Количество компаний отраслей промышленности в кластерах в 2005 г.

Отрасль промышленности Всего компаний Компании в кластере

1 2 3 4 5 6

Нефтяная и нефтегазовая промышленность 24 13 3 2 4 2 -

Черная металлургия 29 23 2 4 - - -

Цветная металлургия 6 4 - 2 - - -

Электроэнергетика 6 5 - - 1 - -

Промышленность драгоценных металлов и алмазов 6 6 - - - - -

Угольная промышленность 6 6 - - - - -

Машиностроение 46 42 3 - - - 1

Химическая и нефтехимическая промышленность 26 25 1 - - - -

Транспорт 29 27 - 1 1 - -

Розничная торговля 33 28 5 - - - -

Оптовая торговля 33 30 3 - - - -

Банки 25 16 8 - 1 - -

Лесная, деревообрабатывающая промышленность 8 8 - - - - -

Пищевая промышленность 33 33 - - - - -

Строительство 21 19 2 - - - -

Легкая промышленность 2 2 - - - - -

СМИ 4 4 - - - - -

Информационные технологии 9 9 - - - - -

Агропромышленный комплекс 5 5 - - - - -

ЖКХ 5 5 - - - - -

Страхование 9 8 1 - - - -

Сервисные компании 5 4 1 - - - -

Табачная промышленность 8 8 - - - - -

Промышленность строительных материалов 4 3 1 - - - -

Полиграфическая промышленность 3 3 - - - - -

Общественное питание 2 2 - - - - -

Развлечения 1 1 - - - - -

Операции с недвижимостью 2 2 - - - - -

Финансовые холдинги 1 0 1 - - - -

Упаковка 1 1 - - - - -

Телекоммуникации и связь 8 6 - 2 - - -

Итого... 400 348 31 11 7 2 1

Средние значения анализируемых показателей по каждому кластеру и отраслевая структура кластеров в 2006 г. представлены в табл. 3, 4.

Компании, образующие самые многочисленные кластеры №1,2 (рис. 4), увеличили объемы производства продукции и прибыль (табл. 3). В эти кластеры вошло большинство компаний машиностроения, химической и нефтехимической промышленности, транспорта, оптовой и розничной торговли (табл. 4). Они вышли на второе место после явного лидера— компаний нефтяной и нефтегазовой промышленности. Как показали исследования, в лидеры по темпам прироста в 2006г. вышли банки.

Данные 2007 г. распределились по 10 кластерам (рис. 5).

На СОК 2007 г. вновь наблюдается увеличение количества кластеров, что вызвано, видимо, предкризисным состоянием экономики. Средние значения анализируемых показателей

Таблица 3

Статистика средних значений экономических показателей в кластерах в 2006 г.

Показатель Номер кластера

1 2 3 4 5

Количество компаний 235 148 8 8 1

Объем реализации, млн руб. 64 823 32 947 659 255 25 197 2 147 701

Темп прироста, % 16,3 60,8 25,3 197,4 55,4

Прибыль до налогообложения, млн руб. 12 570 5 372 165 208 4 871 853 582

Чистая прибыль, млн руб. 8 596 4 258 117 630 3 634 611 474

Таблица 4

Количество компаний отраслей промышленности в кластерах в 2006 г.

Отрасль промышленности Всего компаний Компании в кластере

1 2 3 4 5

Нефтяная и нефтегазовая промышленность 26 17 4 4 - 1

Черная металлургия 19 14 5 - - -

Цветная металлургия 9 4 4 1 - -

Электроэнергетика 7 4 2 1 - -

Промышленность драгоценных металлов и алмазов 5 4 1 - - -

Угольная промышленность 5 4 1 - - -

Машиностроение 49 30 18 - 1 -

Химическая и нефтехимическая промышленность 20 19 1 - - -

Транспорт 26 19 6 1 - -

Розничная торговля 43 14 29 - - -

Оптовая торговля 35 16 18 - 1 -

Банки 26 7 15 1 3 -

Лесная, деревообрабатывающая промышленность 7 7 - - - -

Пищевая промышленность 32 21 10 - 1 -

Строительство 22 13 9 - - -

226

' 23 302 101 78

85 63

252 1 5 111 72

'36 319 255

238 147

56864 1

375 120 187 102

517 262

239 160

114 105 77 326 135 106

543 386 а;

3002376 17141 180

II 108

" 228 178

1 354 118

И 36851 200 155 107 Г 140

234 184 ( 157 113

282 265 201 12633 123 130

52144 205 172 1 16 1 46 Л/ 11131 125 143 110 94 340 185 Г"^ 117 133 104

365 281 162 137 / 218 152 210 15134 127 10164 00 36

с206 213 /183 156 12)2140 211 75

,„„ 307 Г 175 174 202 22229 165 144

261 333 243 т 387 195 22158 128 161 124 258

!25 35В 377 31169 ,„, 256 / 301 188 22470 208 194 177 166 142 2'5

ш / 338 181 25207 21

357 389 233 168 [ 19030 272 15379 Щ, 231 3592S48 268 205 1S014 217

392 306 260 21173 )09 2416292 342 235 192 т 36999 387 1И169 1;

345 33314 / 240 279 Jla267 253 31871 380 167 250 121

374 298 Г 3122570-1 ^3330097 ,,„ 322 355 35336,З0431 п„.„ ,„.

шС III 353§?6372i8i20 5Й3702з2ГЦ™30°53§@11S9 10008;

582 22П 332 .73616815 Jtl4363 J4tl 388 390 347 34ЙЯ8 ... 770J,a18? Г.361 20316 29Г

Рис. 4. Самоорганизующаяся карта 400 крупнейших компаний России 2006г. (числовые меткисоответствуютместукомпанийврейтинге [15]): I — кластер №1;П — кластер № 2; III — кластер №3;IV — кластер № 4;

V — кластер № 5

Окончание табл. 4

Отрасль промышленности Всего компаний Компании в кластере

1 2 3 4 5

Легкая промышленность 2 2 - - - -

СМИ 4 2 2 - - -

Информационные технологии 8 4 4 - - -

Агропромышленный комплекс 6 3 2 - 1 -

ЖКХ 6 5 1 - - -

Страхование 8 5 3 - - -

Сервисные компании 6 3 2 - 1 -

Табачная промышленность 5 5 - - - -

Промышленность строительных материалов 5 2 3 - - -

Полиграфическая промышленность 3 2 1 - - -

Общественное питание 1 1 - - - -

Развлечения 2 - 2 - - -

Фармацевтическая промышленность 1 - 1 - - -

Операции с недвижимостью 1 - 1 - - -

Финансовые холдинги 1 1 - - - -

Упаковка 1 1 - - - -

Телекоммуникации и связь 9 6 3 - - -

Итого... 400 235 148 8 8 1

Рис. 5. Самоорганизующаяся карта 400 крупнейших компаний России 2007г. (числовые меткисоответствуютместукомпанийврейтинге [16]): I — кластер №1;П — кластер № 2; III — кластер №3;IV — кластер № 4; V — кластер № 5; VI — кластер № 6; VII — кластер № 7; VIII — кластер № 8; IX — кластер №9;Х — кластер №10

по каждому кластеру и отраслевая структура кластеров в 2007 г. приведены соответственно в табл. 5 и 6. В кластер № 1 вошли большинство компаний машиностроения, оптовой торговли, розничной

торговли, банки, среди которых ОАО «АВТОВАЗ», ОАО «Вимм-Билль-Данн Продукты Питания», ОАО «АК БАРС» БАНК. Этот кластер характеризуется достаточно низкими значениями темпа прироста и прибыли. В кластере № 2 преобладают компании машиностроения, оптовой торговли и пищевой промышленности, в числе ОАО «Ростсельмаш», ЗАО «Микоя-новский мясокомбинат». Этот кластер характеризуется одним из самых низких уровней темпа прироста и самыми низкими значениями прибыли.

Очень большим темпом прироста, который почти в три раза выше, чем следующее по убыванию значение этого же показателя, характеризуется кластер № 10. К нему относится Группа компаний ОАО «КомпьюЛинк Групп» из отрасли информационных технологий. Кластер № 5 характеризуется вторым по значению темпом прироста среди всех кластеров. Его образовали компании машиностроения, розничной торговли и строительства, банки, в числе которых ООО «реал, -Гипермар-кет», Группа компаний «Интегра», ОАО «Холдинговая компания «Металлоинвест». Одним из самых высоких уровней темпа прироста характеризуется и кластер № 3. Его составили в основном компании

14 ."d

Таблица 5

Статистика средних значений экономических показателей в кластерах в 2007 г.

Показатель Номер кластера

1 2 3 4 5 6 7 8 9 10

Количество компаний 133 155 69 11 22 6 1 1 1 1

Объем реализации, млн руб. 36 072 23 513 31491 285 546 26 329 666 626 903 562 1 719 104 2 390 467 22 499

Темп прироста, % 37,55 12,07 70,5 19,56 142,7 21,37 53,6 15,9 11,1 393,5

Прибыль до налогообложения, млн руб. 4 640 2 518 3 445 68 474 3 745 142 462 455 043 333 000 924 204 —

Чистая прибыль, млн руб. 3 222 1 816 2 437 46 560 2 565 117 742 329 010 243 291 658 038 -

Таблица 6

Количество компаний отраслей промышленности в кластерах в 2007 г.

Отрасль промышленности Всего компаний Компании в кластере

1 2 3 4 5 6 7 8 9 10

Нефтяная и нефтегазовая промышленность 19 3 9 1 1 - 2 1 1 1 -

Черная металлургия 20 11 3 1 4 1

Цветная металлургия 9 1 6 - 1 - 1 - - - -

Электроэнергетика 10 4 2 2 - 1 1 - - - -

Промышленность драгоценных металлов и алмазов 5 2 3

Угольная промышленность 5 1 3 1

Машиностроение 48 20 15 9 - 4

Химическая и нефтехимическая промышленность 17 7 9 — 1

Транспорт 26 10 11 3 1 - 1 - - - -

Розничная торговля 41 15 8 14 - 4

Оптовая торговля 44 13 15 13 - 3

Банки 30 12 5 8 1 3 1 - - - -

Лесная, деревообрабатывающая промышленность 5 - 5

Пищевая промышленность 24 7 12 4 - 1

Строительство 25 6 10 5 - 4

Легкая промышленность 2 1 1

СМИ 4 - 4

Информационные технологии 9 5 3 1

Агропромышленный комплекс 10 4 5 1

ЖКХ 6 - 6

Страхование 8 3 4 1

Сервисные компании 6 - 5 - - 1 - - - - -

Табачная промышленность 4 1 3

Промышленность строительных материалов 4 1 - 3

Полиграфическая промышленность 1 - 1

Парфюмерно-косметическая промышленность 2 - 2

Общественное питание 1 - 1

Развлечения 2 1 1

Фармацевтическая промышленность 1 1

Операции с недвижимостью 2 - 1 1

Упаковка 1 - 1

Телекоммуникации и связь 9 4 1 2 2

Итого... 400 133 155 69 11 22 6 1 1 1 1

розничной торговли и оптовой торговли, банки. В их числе ОАО «АЛЬФА-БАНК», ЗАО «Форд Мотор Компани», ЗАО «Аптеки 36,6». В кластере № 4 преобладают компании черной металлургии, телекоммуникации и связи — ОАО «Татнефть», ОАО

АФК «Система», ОАО «Связьинвест», ОАО «АК «Транснефть», ОАО «ТАИФ», ОАО «Объединенная компания «РУСАЛ», ЧерМК «Северсталь», «Евраз Груп С. А. », ОАО «Магнитогорский металлургический комбинат», ОАО «Новолипецкий металлурги-

Рис. 6. Самоорганизующаяся карта 400 крупнейших компаний России 2008 г. (числовые метки соответствуют месту компаний в рейтинге, [16])

ческий комбинат». Этот кластер характеризуется средними, относительно других кластеров, значениями всех показателей. В кластер № 6 попали шесть компаний: Сбербанк России ОАО, ОАО «ТНК-ВР Холдинг», ОАО «Сургутнефтегаз», ОАО «РЖД», ГМК «Норильский никель» и РАО «ЕЭС России». В кластере №7 только одна компания — ОАО «Нефтяная компания «Роснефть», которая характеризуется достаточно высокими показателями, использующимися в классификации. В кластере № 8 также одна компания — ОАО «Нефтяная компания «ЛУКОЙЛ», которая характеризуется достаточно высоким показателем объемареализации продукции, но низким показателем темпа прироста. В кластере № 9 — одна компания — ОАО «Газпром», относящаяся к отрасли нефтяная и нефтегазовая промышленность. Этот кластер имеет самые высокие значения показателей: объем реализации продукции, прибыль до налогообложения и чистая прибыль. Таким образом, самая прибыльная отрасль Российской Федерации в 2007 г. — нефтяная и нефтегазовая промышленность. Лидерами по темпу прироста являются банки. Отраслями-аутсайдерами можно назвать лизинг, стекольную промышленность и сельское хозяйство, так как компании этих отраслей вообще не вошли в рейтинг.

самыми низкими показателями по прибыли (кластер № 3) обладают компании отраслей строительства, цветной металлургии, оптовой торговли и машиностроения. Отраслью с самым высоким темпом прироста (кластер №5) является химическая и нефтехимическая промышленность (ОАО «Сильвинит» и ОАО «Уралкалий»), а также банки (ОАО «АЛЬФА-БАНК», ОАО «Банк «Санкт-Петербург», ОАО «Промсвязьбанк») и оптовая торговля (ОАО «Техснабэкспорт»),

Транспортные компании, банки, предприятия черной металлургии, телекоммуникаций и связи имеют достаточно большой объем реализации (кластер № 4). Среди этих компаний ОАО «РЖД», Сбербанк России ОАО, ЧерМК «Северсталь», ОАО АФК «Система». Кластер № 1 характеризуется низкими показателями по прибыли и самым низким объемом реализации. Здесь преобладают компании электроэнергетики, розничной торговли и машиностроения. В этот кластер вошли ЗАО «Райффайзенбанк Австрия», ОАО «Первый канал», ЗАО «Аптеки 36,6» и др. В кластере № 2 наибольшее количество компаний розничной и оптовой торговли и банков. Этот кластер имеет один из самых высоких темпов прироста и достаточно низкие показатели по прибыли.

Использование нейросетевого моделирования в анализе финансово-экономических показателей 400 крупнейших компаний Российской Федерации показало достаточно большое количество кластеров, а также присутствие заметных различий в их размерах на СОК. Этот факт свидетельствует о

Данные 2008 г. образовали 7 кластеров (рис. 6). Средние значения анализируемых показателей по каждому кластеру и отраслевая структура кластеров в 2008 г. представлены соответственно в табл. 7и8.

Самой прибыльной отраслью экономики Российской Федерации в 2008 г. является нефтяная и нефтегазовая промышленность [3]. При этом ОАО «Газпром» образует отдельный кластер № 7, который характеризуется самыми высокими показателями. Компании, распределившиеся в кластер № 6, тоже имеют высокие показатели по объему реализации и прибыли, но низкий темп прироста. Самым низким темпом прироста и

Таблица7

Статистика средних значений экономических показателей в кластерах в 2008 г.

Показатель Номер кластера

1 2 3 4 5 6 7

Количество компаний 189 79 78 12 37 4 1

Объем реализации, млн руб. 34 296 50 487 39 874 447272 35 073 1 156 740 3 518 960

Темп прироста, % 20,78 44,95 -5,76 25,97 79,2 16,2 45,2

Прибыль до налогообложения, млн руб. 1 749 3 267 123 63 781 6 593 259 038 1 031 632

Чистая прибыль, млн руб. 1 036 1 654 -223 39 978 4 702 202 270 742 928

Таблица 8

Количество компаний отраслей промышленности в кластерах в 2008 г.

Отрасль промышленности Всего Компании в кластере

компаний 1 2 3 4 5 6 7

Нефтяная и нефтегазовая промышленность 19 6 3 1 1 3 4 1

Черная металлургия 20 6 6 3 4 1 - -

Цветная металлургия 9 1 - 7 1 - - -

Электроэнергетика 35 25 4 4 - 2 - -

Промышленность драгоценных металлов и алмазов 3 1 1 1 - - - -

Угольная промышленность 5 1 2 - - 2 - -

Машиностроение 44 21 3 18 - 2 - -

Химическая и нефтехимическая промышленность 19 6 5 4 - 4 - -

Транспорт 23 13 6 - 2 2 - -

Розничная торговля 41 23 12 3 - 3 - -

Оптовая торговля 35 14 10 7 - 4 - -

Банки 27 8 9 3 1 6 - -

Лесная, деревообрабатывающая промышленность 5 2 - 3 - - - -

Пищевая промышленность 22 14 6 1 - 1 - -

Строительство 25 10 5 8 - 2 - -

Легкая промышленность 1 1 - - - - - -

СМИ 4 3 1 - - - - -

Информационные технологии 9 6 - 3 - - - -

Агропромышленный комплекс 6 3 - 1 - 2 - -

ЖКХ 6 5 - 1 - - - -

Страхование 10 4 1 4 - 1 - -

Сервисные компании 3 1 2 - - - - -

Табачная промышленность 3 1 - 1 - 1 - -

Промышленность строительных материалов 6 4 1 1 - - - -

Полиграфическая промышленность 1 - - 1 - - - -

Парфюмерно-косметическая промышленность 1 1 - - - - - -

Общественное питание 1 - 1 - - - - -

Развлечения 1 - 1 - - - -

Фармацевтическая промышленность 1 1 - - - - - -

Операции с недвижимостью 1 1 - - - - - -

Многоотраслевые холдинги 1 - - 1 - - - -

Упаковка 1 1 - - - - - -

Телекоммуникации и связь 9 4 1 1 3 - - -

Сельское хозяйство 2 1 - - - 1 - -

Итого... 400 189 79 78 12 37 4 1

неравномерности развития отраслей экономики Российской Федерации. В 2005 г. в бесспорные лидеры вышли компании нефтяной и нефтегазовой промышленности. На карте 2006 г. самые многочисленные кластеры образовали компании машиностроения, химической и нефтехимической

промышленности, транспорта, оптовой и розничной торговли. Они вышли на второе место по объему производства продукции и величине прибыли после явного лидера — компаний нефтяной и нефтегазовой промышленности. В лидеры по темпам прироста в 2006 г. вышли банки. На СОК 2007 г.

наблюдается увеличение количества кластеров, что вызвано, видимо, предкризисным состоянием экономики. Самой прибыльной отраслью 2008 г. является нефтяная и нефтегазовая промышленность. Впрочем, достаточно прибыльными можно считать также черную металлургию, телекоммуникации и связь. Отраслью с самым высоким темпом прироста является химическая и нефтехимическая промышленность.

Объективный анализ структуры и особенностей сложившейся в настоящее время в России

Список литературы

экономической системы, атакже ее сопоставление с экономическими системами наиболее передовых стран показывают, что для нынешней российской экономики характерны такие черты, как приоритетное развитие сырьевого сектора, относительно низкий удельный вес высокотехнологичных секторов экономики, весьма скромные размеры инвестиций в сектор знаний и на развитие человеческого капитала, в том числе расходы на научные исследования и опытно-конструкторские разработки, на высшее образование, здравоохранение и т.д.

1. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Ф. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.

2. БэстенсД. -Э., Ван ден Берг В. -М., ВудД. Нейронные сети и финансовые рынки: принятие решений вторговыхоперациях. М.: ТВП, 1997.

3. ГришанковД., КабалинскийД. Разделенные нефтью // Эксперт, 2009. № 38.

4. ДебокГ., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт / пер. с англ. М.: АЛЬПИНА, 2001.

5. Дубров А. М., Мхитарян В. С., Трошин Л. И. Многомерные статистические методы. М.: Финансы и статистика, 2000.

6. Каллан Р. Основные концепции нейронных сетей / пер. с англ. М.: Вильяме, 2003.

7. Концепция долгосрочного социально-экономического развития Российской Федерации на период до 2020 года: распоряжение Правительства Российской Федерации от 17.11.2008 № 1662-р.

8. Косорукое O.A., Мищенко А. В. Исследование операций: учебник / под. ред. Н.П. Тихомирова. М.: Экзамен, 2003.

9. КофманА. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

10. Стронгин Р. Г. Исследование операций. Модели экономического поведения: учебник. Н. Новгород: ННГУ, 2002.

11. Трифонов Ю.В., Волъффсен П., Салмин С. П. Информация: рынки, стимулы, модели. Н. Новгород: ННГУ, 2000.

12. Хайкин С. Нейронные сети: полный курс. М.: Вильяме, 2006.

13. Kohonen T.The self-organizing map // Proceedings of the Institute of Electrical and Electronics Engineers, 1990. vol. 78.

14. URL: http://www.expert.ru/ratings/2005.

15. URL: http://www.expert.ru/ratings/2006.

16. URL: http://www.expert.ru/ratings/2007.