CC BY
522Москва, 2009. - Сер. Высшее образование.
19. Парушина Н.В. Анализ дебиторской и кредиторской задолженности // Бухгалтерский учет. - 2002. - № 4. - С. 46.
20. Журавлева Т.А., Рудакова О.В. Распределение денежных доходов Россиян: прошлое, настоящее, будущее // Финансы и кредит. - 2004. - № 27 (165). - С. 40-47.
21. Самородова Е.М., Рудакова О.В. О приоритете развития сферы услуг в условиях постриндустриальной трансформации // Вестник ОрелГИЭТ. - 2007. -№ 2 (2). - С. 110-117.
22. Павленко И.Г. Условия формирования эффективного коммуникативного процесса предприятия // Вестник ОрелГИЭТ. - 2014. - № 3 (29). - С. 127-130.
23. Симченко Н.А., Павленко И.Г. Применение концепции ключевых компетенций к развитию санаторно-курортных организаций Крыма // Вестник Национальной академии туризма. - 2014. - № 4 (32). - С. 48-52.
24. Полянин А.В., Гуров В.В., Коваленко В.П. Взаимовлияние уровня активности инвестиционных процессов на темпы экономического роста региона // Наука и инновации в сельском хозяйстве: Материалы Международной научно-практической конференции. - 2011. - С. 306-309.
Попова Б.Б.
СТАТИСТИЧЕСКИЙ АНАЛИЗ ЭКОНОМИЧЕСКИХ ДАННЫХ
Статистический анализ экономических данных как важнейший аналитический инструмент научного исследования основывается на применении традиционных и многомерных статистических методов с целью адекватного отражения изучаемых явлений и процессов и выявления действующих в них закономерностей.
Выбор статистических методов зависит от задач исследования, от характера изучаемых процессов, их специфики, особенностей и форм проявления. Традиционными статистическими методами являются дисперсионный анализ, корреляционный анализ, регрессионный анализ, анализ временных рядов, направленные на изучение размеров, структуры, вариации, количественных зависимостей и динамики явлений и процессов в конкретных условиях места и времени.
Применение методов многомерного статистического анализа предопределяется тем, что экономические системы состоят из большого количества объектов и зависят от большого количества характеризующих их признаков, что обуславливает трудности, связанные с выявлением структуры этих объектов и взаимосвязей их параметров. Многомерные статистические методы базируются на представлении исходной информации в многомерном геометрическом пространстве и позволяют определять неявные (латентные), но объективно существующие закономерности
в организационной структуре и тенденциях развития изучаемых экономических явлений. Выделяют три основные задачи, решаемые посредством многомерного статистического анализа: 1) снижение размерности пространства переменных и построение наиболее информативных показателей (метод главных компонент); 2) анализ структуры множества признаков и выявление обобщенных факторов (факторный анализ); 3) изучение структуры множества объектов (кластерный и дискриминантный анализ).
В качестве этапов статистического анализа выделяются:
- формулировка цели и формирование информационной базы анализа;
- критическая оценка данных;
- получение обобщающих показателей;
- фиксация и обоснование существенных свойств, особенностей, сходств и различий, связей и закономерностей изучаемых явлений и процессов;
- формулировка заключений, выводов и практических предложений о резервах и перспективах развития изучаемого явления [5].
Необходимо отметить, что успешность и результаты исследования зависят от качества проведения всех этапов. Трудоемкой и ответственной является не только аналитическая стадия исследования. Недостаточная проработка программно-методологических и организационных аспектов формирования первичной информации, отсутствие логического и арифметического контроля собранных данных в конечном итоге могут привести к абсолютно ошибочным выводам.
Статистический анализ экономических данных проводится в неразрывной связи теоретического, качественного анализа сущности исследуемых явлений и процессов и соответствующего количественного инструментария изучения их структуры, связей и динамики. Основные трудности, связанные с применением количественных статистико-математических методов, заключаются в том, что они достаточно нейтральны к исследуемым экономическим процессам. Поэтому важным этапом статистического исследования деятельности экономических объектов является критическая оценка исходных данных, под которой понимается их соответствие целям и задачам исследования.
Полученные в результате измерения экономических явлений и процессов переменные могут принадлежать к различным статистическим шкалам: номинальной, порядковой (ординальной), интервальной и относительной (шкале отношений). Такая принадлежность во многом предопределяет возможности их статистического анализа.
Так, возможности обработки переменных, относящихся к номинальной шкале, очень ограничены. Эти переменные используются для группировки совокупности, на основе которой затем производится частотный анализ. Данные, выраженные в порядковой шкале, также обрабатываются с помощью частотного анализа, допускается вычисление определенных статистических характеристик, таких как медианы, могут применяться непараметрические тесты, формулы которых оперируют рангами.
Измерение большинства экономических характеристик осуществляется в
интервальной и относительной шкалах, в которых обработка переменных производится любыми арифметическими операциями и статистическими методами.
Следует отметить, что проведение исследований в экономической сфере сопряжено с большими затратами финансовых средств, затрачиваемых на сбор и обработку данных, подготовку и оплату кадров, материально-технических ресурсов, трудовых ресурсов, привлекаемых к обследованию на всех его этапах, времени, затрачиваемого как на получение первичной информации, так и на последующую её обработку. Это предопределяет в большинстве случае формирование обобщающих показателей и их интерпретацию на основе метода статистического вывода, который позволяет по данным выборок делать заключение о большей совокупности, по которой не имеется исчерпывающих наблюдений. Параметры генеральной совокупности по данным выборки в этом случае устанавливаются на основе статистического оценивания и статистической проверки гипотез.
Идея статистического оценивания параметров генеральной совокупности по выборочным данным сводится к тому, что выборочная характеристика какого-либо параметра является не точным, а приближенным значением - оценкой - этого же параметра в генеральной совокупности. На практике, как правило, применяется интервальное оценивание, при котором с заданной вероятностью путем корректировки выборочных оценок на величину ошибки репрезентативности строится доверительный интервал, в котором находится оцениваемый параметр генеральной совокупности.
Проверка статистических гипотез представляет собой вероятностный вывод о том, что определенные параметры выборочной совокупности отображают (или не отображают) параметры генеральной совокупности. Математическая составляющая процедуры проверки статистических гипотез в большой мере обеспечивает адекватность решения экономических задач.
При проведении экономико-статистического анализа следует учитывать экономические и статистические принципы его проведения.
К экономическим принципам относятся:
- соответствие экономическим законам и положениям концепции расширенного воспроизводства;
- адекватное отражение сущности экономической политики современного этапа общественно-экономического развития;
- ориентация на конечные экономические результаты;
- учет специфики изучаемого объекта, вида экономической деятельности
и т.д.;
- согласование интересов субъектов различных иерархических уровней как составных элементов единого экономического механизма.
Одним из основополагающих статистических принципов проведения научно обоснованного анализа, адекватно отражающего причинно-следственные связи и зависимости, тенденции развития реальных явлений и процессов в статике и динамике, является однородность статистической совокупности.
Традиционный метод проверки однородности (в одномерном анализе) осно-
ван на определении ^критерия Стьюдента, классическими условиями применимости которого являются нормальность распределения результатов наблюдения и равенство их дисперсий.
Экономические объекты являются многомерными, и только совокупное взаимодействие признаков способно в той или иной мере отражать разбиение объектов на группы по объективному критерию. В связи с этим разбиение многомерных объектов на однородные по основным производственно-экономическим характеристикам подмножества хорошо реализуется на основе методов многомерной классификации.
В многомерной ситуации выделение однородных групп может быть реализовано в первую очередь в форме комбинационной группировки, характерной особенностью которой является независимое поочерёдное использование каждого признака для выделения группы. Общепризнанными недостатками комбинационной группировки являются: возможность образования малочисленных или пустых классов, в результате чего групповые показатели становятся ненадёжными; резкое увеличение числа групп при росте размерности и количества градаций признаков, вследствие чего результаты группировки становятся труднообозримыми. Всё это ведёт к получению малообоснованных выводов.
Сохранить сложность описания групп и вместе с тем преодолеть недостатки комбинационной группировки позволяет многомерная группировка, при которой разбиение совокупности экономических объектов на однородные группы осуществляется по большому числу признаков одновременно. Однако алгоритм реализации и возможности экономической интерпретации выходных параметров многомерной группировки сопряжён с рядом условностей. Значимость признаков, входящих в состав многомерного группировочного признака, как правило, неодинакова, что вызывает необходимость определения весов на основе экспертной оценки или другими методами, что усложняет методику. Стоит задача определения оптимального числа групп и статистически значимых различий между группами на основе того или иного критерия. Образование групп связано с указанием их границ [1].
Более совершенным методом многомерной классификации, используемым в современных исследованиях, является кластерный анализ. Алгоритмы кластерного анализа отличаются большим разнообразием, связанным с процедурами разбиения исходного множества на классы, а также с множеством различных критериев, отражающих те или иные аспекты автоматического группирования. При этом, как правило, не указаны чёткие границы каждой группы, а также неизвестно заранее, какое количество групп следует выделить в исследуемой совокупности. В современных средствах программного обеспечения алгоритмы кластерного анализа в наибольшей степени учитывают указанные выше требования расчленения совокупности на однородные группы.
Наиболее востребованными направлениями статистического анализа экономических данных является изучение взаимосвязей и динамики явлений.
В экономических системах уровень результативных признаков формируется под влиянием целого комплекса взаимодействующих между собой факторов,
действующих с разной силой и в разных направлениях. Традиционно в экономических исследованиях моделирование взаимосвязи осуществляется на основе множественных уравнений регрессии. Важным этапом при этом является правильный выбор формы связи. Наиболее приемлемым способом определения вида исходного уравнения регрессии нам представляется метод перебора различных уравнений, при котором большое число конкурирующих уравнений регрессии, отобранных для описания связей в исследуемой экономической системе, проходит статистическую проверку, главным образом, на основе ^ критерия Стьюдента и F-критерия Фишера-Снедекора. Для проведения регрессионного анализа теорией и практикой статистики выработан ряд требований, невыполнение которых ставит под сомнение адекватность построенных уравнений регрессии и правомерность их использования в качестве аппроксимирующих статистических моделей. Основными условиями традиционного регрессионного анализа являются наличие достаточно большого числа наблюдений и нормальное распределение единиц совокупности по изучаемым количественным признакам. Это связано с применением при расчёте параметров уравнения регрессии метода наименьших квадратов, дающего оценки параметров, отвечающие принципам максимального правдоподобия.
При построении уравнения регрессии с недостаточным числом наблюдений нет уверенности, что полученные оценки окажутся устойчивыми. Широкое применение в данной ситуации, с нашей точки зрения, должны найти альтернативные методу наименьших квадратов непараметрические методы, которые позволяют получать оценки, слабо зависящие от исходных предпосылок и устойчивые при случайных изменениях информации. В частности, непараметрический подход для учета выборочного смещения хорошо реализуется при применении метода Jackknife - «складной нож», предложенного Дж. Тьюки, принцип которого заключается в последовательном исключении из рассмотрения по одному наблюдению и проведении вычисления по оставшимся данным [6].
Оценка взаимосвязи количественных признаков, распределение которых не подчиняется закону нормального распределения вероятностей, осуществляется на основе парных и множественных ранговых коэффициентов корреляции. Взаимосвязь качественных признаков экономических явлений и процессов анализируется на основе коэффициентов ассоциации, контингенции, взаимной сопряжённости.
Корреляционно-регрессионные модели могут быть использованы не только для описания и выявления приоритетности влияния факторов на результативный показатель, но и для оценки хозяйственной деятельности субъектов экономики и определения резервов с целью управления эффективностью экономическими системами. В этом случае производится сравнение фактического уровня результативного показателя хозяйствующего субъекта не со среднеотраслевым или среднерегиональным, а с расчетным уровнем. Расчетные уровни для отдельных хозяйствующих субъектов вычисляются по уравнению регрессии и выражают такие уровни результативного признака, которые были бы достигнуты при фактических значениях факторов, входящих в модель, и при средней по всей сово-
купности эффективности их использования.
Следует отметить, что при регрессионном анализе в модель не могут быть включены все признаки, влияющие на результативный признак, что ведёт к некоторой потере информации. Это актуализирует проблему выбора информативного комплекса признаков и взаимосвязанную с ней проблему сокращения признакового пространства.
Решающим критерием информативности признаков является величина потерь. При этом под потерями понимаются не потери части информации в результате сокращения признакового пространства, которые могут сказаться на работоспособности конкретного алгоритма. А потери, снижающие качество формулируемых по окончании исследования выводов. Несмотря на внешнюю привлекательность, подобная трактовка критерия информативности имеет существенные недостатки, главным из которых можно назвать трудно преодолимую конкретизацию уровня потерь в выполняемом исследовании. Попытки, связанные с оценкой этого уровня путем введения так называемой стоимости возможных ошибок и увязки её с априорной вероятностью, не способствуют, тем не менее, практической реализации критерия [3].
Ограниченность практического использования такого критерия приводит к необходимости применения в статистических исследованиях проверенных и доступных приемов. В частности, при изучении взаимосвязей на основе реализации метода главных компонент и факторного анализа в модель включаются общие неколлинеарные факторы, являющиеся отображением ряда экономически связанных между собой исходных признаков, воспроизводящих и объясняющих их свойства. То есть снижение размерности исходного признакового пространства происходит с помощью использования взаимной коррелированности исходных признаков. Однако следует учитывать, что применение главных компонент и общих факторов сильно осложняет экономическую интерпретацию параметров модели.
Изучение динамики (изменений во времени) экономических явлений -сложная и трудоемкая процедура исследования, так как первоначальные значения временного ряда формируются под совокупным влиянием множества факторов, действующих в разных направлениях. Наличие в структуре временного ряда четырех компонент: основной тенденции (тренда), циклической, сезонной и случайной, привело к формированию двух основных направлений анализа временных рядов.
В рамках первого направления выделяют детерминированную и случайную составляющие временного ряда. В экономических исследованиях в детерминированную составляющую временного ряда обычно включают три первые компоненты: тренд, сезонную компоненту и циклическую компоненту. При анализе экономических временных рядов часто применяются мультипликативные модели, представляющие произведение детерминированной и случайной составляющих.
В основе второго направления анализа временных рядов лежит его деление на два основных элемента: тенденцию (тренд) и колеблемость (отклонения уровней отдельных периодов или моментов времени от тренда). То есть второй
элемент при данном аналитическом подходе представлен циклической, сезонной и случайной компонентами. Задача статистического анализа в этом случае может формулироваться в двух аспектах: 1) «очистить» тенденцию от колебаний, измерить ее параметры; 2) выявление и измерение различных типов колебаний временного ряда.
Моделирование временных экономических рядов является инструментом прогнозирования изучаемых явлений и процессов. Одним из статистических методов прогнозирования является расчет прогнозов на основе тренда и колеблемости временного ряда. Такая методика основана на экстраполяции, т.е. на предположении, что параметры тренда и колебаний сохраняются до прогнозируемого периода. Применение метода экстраполяции имеет ограничения, связанные с условиями инерционности экономических систем, надежности параметров уравнения тренда и показателей колеблемости и длины периода упреждения.
В современных условиях роста подвижности экономических систем альтернативой статистическому обоснованию модели является наделение ее адаптивными свойствами. Цель адаптивных методов заключается в построении самокорректирующихся (самонастраивающихся) экономико-математических моделей, которые способны отражать изменяющиеся во времени условия, учитывать информационную ценность различных членов временной последовательности и давать достаточно точные оценки будущих членов данного ряда. Наиболее известными являются три модели данного типа: однопараметрическая Р. Брауна, двухпараметрическая Ч. Хольта и трехпараметрическая Дж. Бокса и Г. Джен-кинса. Повышение точности прогноза по временным рядам во многом связано с построением моделей, объединяющих в себе тренд, сезонные колебания и зависимость остатков (автокорреляцию, авторегрессию) - ARIMA-моделей. Модели этого класса применимы для описания как стационарных, так и нестационарных временных экономических рядов [4].
Таким образом, востребованность статистического инструментария при исследовании деятельности экономических субъектов предопределяется стохастическим принципом действия экономической системы и обработкой больших массивов многомерной информации, формируемой по разнородным экономическим единицам. Комплексное применение статистических методов позволяет охарактеризовать различные направления анализа: изучение структуры, динамики, выявление и характеристика взаимосвязей, прогнозирование, что, в свою очередь, обеспечивает наиболее полное раскрытие сущности, закономерностей и тенденций развития изучаемых явлений и процессов.
ЛИТЕРАТУРА
1. Кильдишев Г.С. Многомерные группировки /Г.С. Кильдишев, Ю.И. Або-ленцев. - М.: «Статистика», 1978. - 160 с.
2. Попова В.Б. Особенности многофакторного статистического анализа в экономических системах / В.Б. Попова, О.В. Протасова // Актуальные про-
блемы учёта, экономического анализа и финансово-хозяйственного контроля деятельности организаций: материалы III Международной научно-практической конференции, посв. 50-летию экономического факультета ВГУ. - Воронеж, ВГУ, 2010. - С.155-157.
3. Попова В.Б. Задача сокращения признакового пространства в статистических исследованиях/В.Б. Попова, О.В. Протасова// Наука сегодня: теоретические аспекты и практика применения: сборник научных трудов по материалам Международной заочной научно-практической конференции. 28 октября 2011 г.: в 9 частях. Часть 5; М-во обр. и науки РФ. - Тамбов: Изд-во ТРОО «Бизнес- Наука-Общество», 2011. - С. 150-151.
4. Сажин Ю.В. Анализ временных рядов и прогнозирование: учебник / Ю.В. Сажин, А.В. Катынь, Ю.В. Сарайкин. - Саранск: Изд-во Мордов. ун-та, 2013.- 192 с.
5. Теория статистики: Учебник/ Под ред. Р.А. Шмойловой .4-е изд., доп. и перераб. - М.: Финансы и статистика, 2005. - 656 с.
6. Фецкович И.В. Метод Jacknife в статистическом анализе сельскохозяйственной деятельности/И.В. Фецкович, В.Б. Попова//Экономический анализ: теория и практика. - 2012. - №20. - С. 32-36.
Мантаева Э.И., Слободчикова И.В., Максимова K.M.
перспективы взаимодействия властных и бизнес-структур в развитии государственно-частного партнерства на региональном уровне (на материалах республики калмыкия)
Создание эффективной модели взаимодействия, направленной на обеспечение, с одной стороны, благоприятных условий для предпринимателей, с другой - на решение актуальных социально-экономических проблем, обуславливает значение изучения особенностей партнерства властных и бизнес-структур на всех уровнях управления. На сегодняшний день органы государственной власти все активнее привлекают частный бизнес, его финансовые и организационные возможности к решению общественно значимых задач.
Широкое использование различных форм государственно-частного партнерства, их активное распространение во всех отраслях экономики, а также в социальной сфере позволяют сделать вывод о том, что данный механизм взаимодействия государства и бизнеса является неотъемлемой частью современной экономики. Такая форма партнерства имеет характерные методы
