ПРЯМЫЕ ИНВЕСТИЦИИ КИТАЙСКИХ ПРЕДПРИЯТИЙ В СТРОИТЕЛЬНЫЕ КОМПАНИИ РОССИИ: МЕТОДИЧЕСКИЕ АСПЕКТЫ ОЦЕНКИ Текст научной статьи по специальности «Экономика и бизнес»

ПРЯМЫЕ ИНВЕСТИЦИИ КИТАЙСКИХ ПРЕДПРИЯТИЙ В СТРОИТЕЛЬНЫЕ КОМПАНИИ РОССИИ: МЕТОДИЧЕСКИЕ АСПЕКТЫ ОЦЕНКИ

Аннотация. В статье рассматривается проблема прямого инвестирования китайских предприятий в строительную отрасль России. Предложены методы безразмерного преобразования различных типов системы показателей оценки эффективности прямых инвестиций китайских предприятия в строительную отрасль России. Показаны особенности расчета весов отдельных показателей.

Ключевые слова. Инвестиции; прямые инвестиции; инвестиции китайских предприятий; метод энтропии; дискретные коэффициенты.

Yu Jingchen

DIRECT INVESTMENT OF CHINESE ENTERPRISES IN CONSTRUCTION COMPANIES OF RUSSIA: METHODOLOGICAL ASPECTS OF ASSESSMENT

Abstract. The article deals with the problem of direct investment of Chinese enterprises in the construction industry of Russia. The methods of dimensionless transformation of various types of the system of indicators for evaluating the effectiveness of direct investments of Chinese enterprises in the construction industry of Russia are proposed. The features of calculating the weights of individual indicators are shown.

Keywords. Investments; direct investments; investments of Chinese enterprises; entropy method; discrete coefficients.

Введение

Оценка эффективности инвестиций китайских компаний в строительные предприятия за рубежом, равно как и предприятий в других отраслях экономики, требует использования широкого круга как финансовых, так и нефинансовых данных, что автор и исследовал в предыдущей работе [1], однако существует ряд методических вопросов, решение которых позволит повысить эффективность и достоверность оценки. В предыдущем исследовании автором сформирована система показателей оценки эффективности прямых инвестиций Китая в строительные предприятия России, однако представленные показатели имеют разные измерения.

Если просто использовать исходные данные для моделирования, то данные по разным показателям не могут непосредственно сравниваться. Кроме того, повлиять может неоднородность измерений данных, поскольку процесс моделирования может быть искажен показателями с более высокими числовыми значениями, что приведет к искажению модели. Учитывая последствия неоднородности измерений, перед тем как провести процесс моделирования и оценки необходимо провести преобразование показателей в безразмерные для унификации данных.

ГРНТИ 06.71.05 EDN ZJWKQY © Юй Цзинчэнь, 2023

Юй Цзинчэнь - аспирант кафедры экономики и управления предприятиями и производственными комплексами Санкт-Петербургского государственного экономического университета. ORCID 0009-0008-5570-8934 Контактные данные для связи с автором: 191023, Санкт-Петербург, наб. канала Грибоедова, д. 30-32 (Russia, St. Petersburg, Griboedov canal emb., 30-32). E-mail: may_9171@mail.ru. Статья поступила в редакцию 22.01.2024.

Материалы и методы

Автором были выделены 14 показателей (Х) по трем группам - низкий, средний и высокий уровни. Ниже приводятся методы безразмерного преобразования для разных типов показателей.

Для безразмерного преобразования highly superior используется наиболее распространенный метод -метод минимаксной нормализации, позволяющий вычислить минимальное и максимальное значение данных и линейно отображающий данные в диапазон [0, 1], используя следующую формулу:

2 __^i]-min(Xij,X2],^,Xmj)_

lJ max(Xij,X2p-,Xmj)-mm(XipX2j,-,Xmjy

где i = 1,2,...,n, j = 1,2,...,m.

Обработка low excellent показателей аналогична обработке highly superior показателей, но имеет некоторую специфику:

2 __max(Xi рХ2 j,..,Xmj)-Xjj_

li max(x1px2p...,xrnj)-mm(x1px2j,...,xrnj).

С помощью такой обработки можно нормализовать и стандартизировать показатели. Определение average excellent показателей: значение идеально в определенном диапазоне, а если значение слишком велико или мало, то это не идеальный показатель. Соответственно, необходимо сначала установить два параметра, а именно «недопустимый нижний предел» и «недопустимый верхний предел» для определения диапазона данных и использовать символы Lj и Uj для обозначения этих двух параметров. На этой основе предлагается формула обработки average excellent показателей:

zu = { i,Llj<xij<ulj .

1-Xij-L^ > u

v Uj-LU 11 1

В общем виде основные операции предварительной обработки данных выглядят следующим образом: разделить все показатели в соответствии с их типом, а затем провести обработку данных в соответствии с различными типами показателей. Автором было принято решение при моделировании использовать достаточно традиционный метод TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution), также известный как «метод идеального решения», предложенный C.L. Hwang и K. Yoon [2] и в основном используемый для оценки относительных преимуществ и недостатков существующих объектов. При этом, основным критерием является использование «идеального решения» и «отрицательного идеального решения» для упорядочения образцовых планов. Решение, которое ближе всего к «идеальному решению» и наиболее удалено от «отрицательного идеального решения» в наборе планов является наилучшим решением [3].

Шаги традиционного метода TOPSIS следующие:

1) на основе предварительно обработанных данных задается исходная матрица, называемая также матрицей целевого принятия решений:

Х11 ■■■ X1m

X = : ••• :

Хп1 ■" Xnm-i

2) затем производится нормализация исходной матрицы в прямом направлении. Поскольку исходные данные содержат три типа показателей, эти три типа показателей оказывают разное влияние на решение, поэтому сначала они обрабатываются в прямом направлении, а затем нормализуются. Выполнение этой операции может одновременно нормализовать исходную матрицу в прямом направлении и стандартизировать ее, а затем можно получить стандартизированную матрицу:

Zn ■•• Z1m

z= : • : ;

7 •••7 Lzn1 ZnmJ

3) определение максимального (идеальное решение) и минимального (отрицательное идеальное решение) значения. Далее извлекается максимальное и минимальное значение каждого столбца, чтобы сформировать наилучший и наихудший векторы, то есть формируем положительное идеальное и отрицательное идеальное решения:

1+ = (тахЕ(1,тахЕ12,...,тах21т),где I = 1,2, ...,п; 2- = (тт^^тт.^,...,ш\п11т),где Ь = 1,2, ...,п; 4) для вычисления расстояния между объектом оценки и идеальным решением определяется расстояние до идеального и отрицательного идеального решений, в том числе, расстояние до положительного идеального решения, определяемое как:

= р%1(г+ -

а расстояние до отрицательного идеального решения определяется как:

Наконец, можно вычислить оценку >го ^ = 1, 2, ..., п) объекта оценки следующим образом:

1 о++о-

Из этого уравнения видно, что 0 < Б1 < 1, а также чем больше Б1, тем меньше И-, то есть ближе к максимальному значению;

5) окончательный результат сортируется по размеру . представляет собой расстояние между различными показателями оцениваемого плана и положительным и отрицательным идеальными решениями, то есть на линии, соединяющей положительное и отрицательное идеальные решения, расстояние показателей до отрицательного идеального решения занимает большую долю, чем больше значение Б1. Это означает, что оцениваемый объект ближе к положительному идеальному решению и занимает более высокое место в рейтинге.

В традиционном методе TOPSIS предполагается, что веса всех показателей равны [3]. Однако на практике каждый показатель имеет свой вес, поэтому вносим изменения в исходный метод TOPSIS. После расчета весов каждого показателя с помощью метода взвешивания они подставляются в скорректированную формулу для расчета расстояния до положительного идеального и отрицательного идеального решения. Поправленное расстояние определяется как:

+ _ Ш,Г7 +

0+ = ^^уф-гу)2, а поправленное расстояние до отрицательного решения определяется как:

В том числе, показатели Шу (_] = 1,2, ...,т) являются весами каждого показателя. В нашей работе мы используем для расчета весов показателей метод энтропии и метод коэффициента корреляции. Для оценки моделей в основном используют субъективные и объективные методы распределения весов [4]. Первый обычно основан на экспертных оценках, а затем используется анализ иерархий или метод нечеткой логики для моделирования. Недостатком является высокий уровень требований к уровню знаний и опыту эксперта, а также некоторая степень субъективности [5].

Объективный подход основан на комплексном анализе данных с использованием моделей. Некоторые из наиболее распространенных методов включают в себя метод энтропии, анализ главных компонентов, дискретные коэффициенты и т.д. В работе автор использует объективный подход - сравнивается метод энтропии и метод дискретных коэффициентов, а затем используется метод энтропии в сочетании с финансовыми данными компаний для комплексного анализа и предложения рекомендаций для китайских компаний, инвестирующих в строительные предприятия России.

Метод энтропии использует информационный объем, предоставленный каждым показателем, чтобы определить вес показателей. В методе энтропии, если данные более разнообразны, то энтропия показателя меньше, что означает больший информационный объем и больший вес назначается этому показателю. Таким образом, мы вводим энтропию как показатель для расчета весов. Конкретные шаги следующие:

1. Стандартизация данных: получение матрицы стандартизованных данных с помощью безразмерной формулы, описанной выше.

Z =

Z-ц ••• Zim

7 • ••7 L^nl ^nm-i

2. Расчет информационной энтропии каждого показателя, информационной полезности и нормализация каждого показателя. Конкретная формула расчета следующая:

ej = ^LiV^ij,

где j=1, 2, ..., m; к = lnn. Можно видеть: чем меньше значение энтропии, тем больше информации содержит этот показатель.

3. Расчет информационной полезности (избыточность информационной энтропии):

dj = 1 - j

где dj - информационная полезность: чем больше информационная полезность, тем больше информации.

4. Расчет комплексного веса показателя: в итоге, нормализуется значение информационной полезности, чтобы получить вес каждого показателя.

di

Wj = .

Lj=i d]

Метод дискретных коэффициентов (метод коэффициента вариации) оценивает веса каждой независимой переменной с помощью показателя, рассчитываемого с использованием среднего значения выборки и стандартного отклонения выборки переменной: чем больше значение, тем больше степень дисперсии данных, то есть соответствующий показатель более важен, чем больше его вес. Расчет веса на основе метода дискретных коэффициентов состоит из трех шагов:

1. Рассчитываем среднее значение выборки и стандартное отклонение каждого показателя. Для показателя j (_/' = 1,2, ...,т,) соответствующие среднее значение выборки Xj и стандартное отклонение Oj равны:

^n v - ■ а-— l^n rv.. УЛ2

Xj = nLn=iXij ; Oj = JnZ^iWj-Xj) .

2. Рассчитываем дискретный коэффициент Vj:

VJ

3. Рассчитываем дискретный коэффициент Wj :

Vj = ^. J х]

Wi = ——

1 У™ V, У =1 V¡

Преимуществом метода энтропии является то, что это - объективный способ определения весов, который имеет определенную точность по сравнению с субъективными методами, такими как анализ иерархий [6]. Кроме того, этот метод позволяет корректировать определенные веса, что обеспечивает высокую адаптивность. Недостатком является то, что он сильно зависит от выборки. Метод энтропии может привести к искажению, он может отражать объем информации, содержащейся в показателе, но не может отражать значимость показателя.

Недостатком метода дискретных коэффициентов является то, что его предпосылкой является равная значимость всех показателей. Большая дисперсия показателя означает только высокую степень различия между различными схемами, фактически она не равна важности показателя, поэтому для его использования необходимы определенные требования к выбору показателей. Результаты и обсуждение.

В России много строительных компаний с прямыми инвестициями из Китая, включая государственные предприятия Китая, частные предприятия и строительные компании, зарегистрированные в России и управляемые китайскими предпринимателями более десяти лет. Автором выбраны 11 компаний для исследования, в частности ЗАО «Балтийская жемчужина», ООО «Китайстрой», ООО «СиАрСиСиРус», ООО «Восток», ООО КСК «Хуафу» и другие [7].

Согласно предложенной автором системе показателей оценки эффективности прямых инвестиций предприятий Китая в строительстве России (см. табл.), результаты каждого показателя рассчитываются из финансовых отчетов компаний за 2019, 2020 и 2021 годы и формируются в исходную матрицу.

Таблица

Система показателей оценки эффективности прямых инвестиций предприятий Китая в строительстве России

Группа показателей Код Показатель

Операционная деятельность X1 Оборачиваемость оборотных средств

X2 Оборачиваемость активов

X3 Оборачиваемость запасов

X4 Оборачиваемость основных средств

Прибыльность X5 Валовая рентабельность активов (Return On Total Assets)

X6 ROA

X7 Рентабельность продаж (return on sales)

Долгосрочная способность к погашению долгов X8 equity ratio (доля собственного капитала)

X9 Соотношение активов и обязательств

Краткосрочная способность к погашению долгов X10 Коэффициент ликвидности

Коэффициент денежного потока X11 Cash Flow Ratio

Способность к росту X12 Total Assets Growth Rate

X13 Net profit growth rate

X14 Increasing Rate of Fixed Assets

Перед моделированием необходимо заполнить пропущенные значения в исходных данных. Шаги следующие: если в данных за три года отсутствуют данные за два года, то оставшиеся данные за один год используются для заполнения данных за другие два года. Если в данных за три года отсутствуют данные только за один год, то пропущенные данные заполняются на основе тренда за два года и других показателей. Если данные отсутствуют за все три года, то они заполняются средним значением по отрасли для этого показателя. После заполнения пропущенных значений исходные данные обрабатываются.

Нулевые значения в нормализованных данных могут быть обусловлены тем, что значения слишком малы. Согласно определению, положительное идеальное решение для каждого столбца равно 1, а отрицательное идеальное решение равно 0. Согласно двум объективным методам распределения весов, определенным в модели анализа оценки ререзультатов, веса каждого показателя рассчитываются отдельно по методу энтропии и методу коэффициента дисперсии.

При расчете весов каждого показателя используются смешанные данные за 2019-2021 годы. Причина того, что показатели не рассчитываются отдельно для каждого года, заключается в том, что в 20192021 годах инвестиции и экономическое сотрудничество между Китаем и Россией находились под негативным влиянием глобальной эпидемии, и развитие транснациональных инвестиций в строительную отрасль имело общую тенденцию. Кроме того, расчет весов показателей для каждого года отдельно приведет к слишком малому объему выборки и повлияет на анализ данных. Поэтому автор использует смешанные данные за 2019-2021 годы для расчета весов каждого столбца показателей.

Согласно весам показателей, определенным вышеупомянутыми двумя объективными методами распределения весов, проведены расчеты степени близости к идеальному решению для каждой компании, котирующейся в 2019-2021 годах, и смешанного ранжирования. Как показывают результаты ранжирования, использование метода энтропии и метода коэффициента дисперсии для объективного распределения весов показателей экономической эффективности предприятий дает различные результаты ранжирования. Общим является то, что теоретический диапазон значений степени близости для обоих комплексных показателей оценки находится между 0 и 1. Отличие заключается в том, что интервал общих баллов результата ранжирования, полученного с помощью метода коэффициента дисперсии, шире, чем с помощью метода энтропии.

Кроме того, в рейтинге степени близости, рассчитанном с использованием двух методов распределения весов в модели, распределение предприятий в верхней и нижней частях почти одинаково, а порядок в середине немного отличается. Анализ причин различных результатов ранжирования из-за двух

методов распределения весов и предложение улучшений для методологии имеет важное теоретическое значение для исследования и совершенствования модели комплексной оценки эффективности предприятий.

Во-первых, если посмотреть на веса показателей для двух методов распределения весов, то первые 11 мест занимают одни и те же показатели: X12, X3, X10, X8, X9, X2, X1, X5, X6, X14 и X13. Хотя порядок весов одинаковый, распределение значений отличается. Чтобы обеспечить полноту анализа, нужно дополнительно проанализировать причины различных результатов ранжирования на основе данных выборки.

Можно отсортировать 33 наблюдения на три уровня: 1-11 место - высокая эффективность (уровень A), 12-22 место - средняя эффективность (уровень B), 23-33 место - низкая эффективность (уровень C). Затем подставляем данные финансовой отчетности компаний из исходной матрицы и вычисляем среднее значение, медиану и стандартное отклонение для каждого столбца показателей X1-X14. С точки зрения результатов ранжирования эффективности предприятий, первые 4 места стабильны, а остальные несколько отдельных предприятий имеют пересечение уровней результатов выборки.

Например, место ООО "Русская компания 22 МСС" в расчетах с использованием метода коэффициента дисперсии в 2020 и 2021 годах понизилось на 6 позиций; тогда как место ООО "Приморстрой" в 2019, 2020 и 2021 годах повысилось на 8, 9 и 8 позиций, соответственно. В обоих методах распределения весов первые 5 мест в смешанном рейтинге являются результатами работы предприятий в 2020 и 2019 годах, что свидетельствует о том, что пандемия повлияла на результаты инвестиций китайских строительных компаний на российском рынке. Если рассматривать отдельно показатели по годам, то порядок ранжирования предприятий почти одинаковый для обоих методов распределения весов, а изменение ранжирования даже меньше. Заключение

Связав комплексную оценку 11 китайских предприятий, осуществляющих прямые инвестиции в строительстве России, включая крупные государственные строительные компании и малые и средние частные предприятия, полученную с помощью моделирования, с классификацией результатов предприятий, можно сделать вывод о финансовых проблемах компаний и возможных путях решения этих проблем.

ИСПОЛЬЗОВАННЫЕ ИСТОЧНИКИ

1. Юй Цзинчэнь. Оценка эффективности прямых инвестиций китайских предприятий в строительство в России // Известия СПбГЭУ 2023. № 4 (142). С. 198-203.

2. Hwang C.L., Yoon K., Hwang C.L. et al. Methods for multiple attribute decision making // Multiple attribute decision making: methods and applications a state-of-the-art survey, 1981. Р. 58-191.

3. Sun C. Ch. A performance evaluation model by integrating fuzzy AHP and fuzzy TOPSIS methods // Expert Systems with Applications. 2010. № 37 (12). Р. 7745-7754.

4. 2015, 5, 98-100.

5. фШ, tri. тш&^яж, 2014, 31 (6), 112-117.

6. зтвя, ШШ^Г^Ф^^ШШ^МШ. it^tiufm 2013, 35

(5), 754-757.

7. Deng H., Yeh C.H., WillisR. Inter-company comparison using modified TOPSIS with objective weights // Computers & Operations Research. 2000. № 27 (10). Р. 963-973.