Analýza údajov a modelovanie vzťahov v R. R-analýze alebo prijateľnosť prístupov založených na kritériách Analýza údajov v zadaniach v jazyku r

Random Forest je jeden z mojich obľúbených algoritmov na dolovanie údajov. Po prvé, je neuveriteľne všestranný, dá sa použiť na riešenie regresných aj klasifikačných problémov. Vyhľadajte anomálie a vyberte prediktory. Po druhé, toto je algoritmus, ktorý je naozaj ťažké nesprávne aplikovať. Jednoducho preto, že na rozdiel od iných algoritmov má málo prispôsobiteľných parametrov. A má aj prekvapivo jednoduchú povahu. A zároveň je úžasne presný.

Aká je myšlienka za takým úžasným algoritmom? Myšlienka je jednoduchá: povedzme, že máme nejaký veľmi slabý algoritmus, povedzme . Ak robíme veľa rôzne modely použitím tohto slabého algoritmu a spriemerovaním výsledku ich predpovedí bude konečný výsledok výrazne lepší. Toto sa nazýva súborové učenie v akcii. Algoritmus náhodného lesa sa preto pre prijaté údaje nazýva „náhodný les“, vytvára mnoho rozhodovacích stromov a potom spriemeruje výsledok ich predpovedí. Dôležitý bod Pri tvorbe každého stromu je prvok náhody. Je predsa jasné, že ak vytvoríme veľa rovnakých stromov, tak výsledok ich spriemerovania bude mať presnosť jedného stromu.

ako to funguje? Predpokladajme, že máme nejaké vstupné údaje. Každý stĺpec zodpovedá nejakému parametru, každý riadok zodpovedá nejakému dátovému prvku.

Môžeme si vybrať náhodne, z celého súboru dát určitý počet stĺpcov a riadkov a na ich základe zostaviť rozhodovací strom.

štvrtok 10. mája 2012

štvrtok 12. januára 2012

Všetko to začalo v apríli 2011, keď som mal telefonický rozhovor so Zyngou. Potom mi to všetko pripadalo ako nejaká hra nesúvisiaca s realitou a vôbec som si nevedel predstaviť, k čomu to povedie. V júni 2011 prišla Zynga do Moskvy a urobila sériu pohovorov, zvažovalo sa asi 60 kandidátov, ktorí prešli telefonickým pohovorom a vybrali z nich asi 15 ľudí (neviem presný počet, niektorí si to neskôr rozmysleli, iní okamžite odmietol). Rozhovor sa ukázal byť prekvapivo jednoduchý. Žiadne problémy s programovaním, žiadne zložité otázky o tvare poklopov, väčšinou testovanie vašej schopnosti chatovať. A vedomosti sa podľa mňa hodnotili len povrchne.

A potom začala hádka. Najprv sme čakali na výsledky, potom ponuku, potom schválenie LCA, potom schválenie vízovej petície, potom dokumenty z USA, potom rad na ambasáde, potom dodatočná kontrola, potom vízum. Miestami sa mi zdalo, že som pripravený vzdať sa všetkého a skórovať. Občas som pochyboval, či túto Ameriku potrebujeme, napokon ani Rusko nie je zlé. Celý proces trval asi šesť mesiacov, nakoniec sme v polovici decembra dostali víza a začali sa pripravovať na odlet.

Pondelok bol môj prvý pracovný deň na novom mieste. Kancelária má všetky podmienky nielen na prácu, ale aj život. Raňajky, obedy a večere od vlastných kuchárov, množstvo pestrého jedla napchané na každom rohu, posilňovňa, masáže a dokonca aj kaderníctvo. To všetko je pre zamestnancov úplne zadarmo. Veľa ľudí dochádza do práce na bicykli a niekoľko miestností je vybavených na uskladnenie vozidiel. Vo všeobecnosti som v Rusku nikdy nič také nevidel. Všetko má však svoju cenu, hneď sme boli upozornení, že budeme musieť veľa pracovať. Čo je podľa ich štandardov „veľa“, mi nie je celkom jasné.

Dúfam však, že aj napriek množstvu práce sa mi v dohľadnej dobe podarí obnoviť blogovanie a možno porozprávam niečo o americkom živote a práci programátora v Amerike. Počkaj a uvidíš. Zatiaľ všetkým prajem šťastný Nový rok a Vianoce a opäť sa vidíme!

Výsledok<- NULL for(i in (1:length(divs[,1]))){ d <- divs if (d$Divs>0)( skúste(( úvodzovky<- getSymbols(d$Symbol, src="Finam", from="2010-01-01", auto.assign=FALSE) if (!is.nan(quotes)){ price <- Cl(quotes) if (length(price)>0) (dd<- d$Divs result <- rbind(result, data.frame(d$Symbol, d$Name, d$RegistryDate, as.numeric(dd)/as.numeric(price), stringsAsFactors=FALSE)) } } }, silent=TRUE) } } colnames(result) <- c("Symbol", "Name", "RegistryDate", "Divs") result

Úvod

Najprv si pohovorme o terminológii. Hovoríme o oblasti, ktorá sa v západnej literatúre nazýva dolovanie údajov a do ruštiny sa často prekladá ako „analýza údajov“. Termín nie je úplne vhodný, pretože slovo „analýza“ v matematike je celkom známe, má ustálený význam a je zahrnuté v názvoch mnohých klasických sekcií: matematická analýza, funkčná analýza, konvexná analýza, neštandardná analýza, viacrozmerný komplex analýza, diskrétna analýza, stochastická analýza, kvantová analýza atď. Vo všetkých týchto oblastiach vedy sa študuje matematický aparát, ktorý je založený na niektorých zásadných výsledkoch a umožňuje riešiť problémy v týchto oblastiach. Pri analýze údajov je situácia oveľa komplikovanejšia. Ide predovšetkým o aplikovanú vedu, v ktorej neexistuje matematický aparát v tom zmysle, že neexistuje konečný súbor základných faktov, z ktorých by vyplývalo, ako riešiť problémy. Mnohé problémy sú „individuálne“ a v súčasnosti sa objavuje stále viac nových tried problémov, na ktoré je potrebné vyvinúť matematický aparát. Ešte väčšiu úlohu tu zohráva skutočnosť, že analýza údajov je relatívne novým smerom vo vede.

Ďalej musíme vysvetliť, čo je „analýza údajov“. Nazval som to „oblasť“, ale oblasť čoho? Tu sú veci zaujímavé, pretože to nie je len oblasť vedy. Skutočný analytik rieši predovšetkým aplikované problémy a orientuje sa na prax. Okrem toho musia byť údaje analyzované v ekonómii, biológii, sociológii, psychológii atď. Riešenie

nové úlohy, ako som už povedal, si vyžadujú vynájdenie nových techník (nie sú to vždy teórie, ale aj techniky, metódy atď.), takže niektorí hovoria, že aj analýza dát je umenie a remeslo.

IN V aplikovaných oblastiach je najdôležitejšia prax! Je nemožné si predstaviť chirurga, ktorý nevykonal ani jednu operáciu. V skutočnosti to vôbec nie je chirurg. Dátový analytik sa tiež nezaobíde bez riešenia skutočných aplikovaných problémov. Čím viac takýchto problémov vyriešite sami, tým kvalifikovanejším odborníkom sa stanete.

Po prvé, analýza údajov je prax, prax a ešte viac prax. Musíme riešiť skutočné problémy, mnohé z rôznych oblastí. Pretože napríklad klasifikácia signálov a textov sú dve úplne odlišné oblasti. Špecialisti, ktorí dokážu ľahko vytvoriť diagnostický algoritmus motora založený na signáloch senzorov, nemusia byť schopní vytvoriť jednoduchý spamový filter pre e-maily. Je však veľmi žiaduce získať základné zručnosti pri práci s rôznymi objektmi: signály, texty, obrázky, grafy, popisy funkcií atď. Okrem toho vám to umožní vybrať si úlohy podľa svojich predstáv.

Po druhé, je dôležité múdro si vyberať školiace kurzy a mentorov.

IN V zásade sa všetko môžete naučiť sami. Nejde nám predsa o oblasť, kde existuje niektoré tajomstvá prešli z úst do úst. Naopak, existuje veľa kompetentných školení, zdrojových kódov programov a údajov. Navyše je veľmi užitočné, keď jeden problém rieši viacero ľudí paralelne. Faktom je, že pri riešení takýchto problémov sa musíte zaoberať veľmi špecifickým programovaním. Povedzme váš algoritmus

dalo 89 % správnych odpovedí. Otázka: je to veľa alebo málo? Ak to nestačí, o čo ide: naprogramovali ste algoritmus nesprávne, zvolili ste nesprávne parametre algoritmu alebo samotný algoritmus je zlý a nie je vhodný na riešenie tohto problému? Ak je práca duplikovaná, potom je možné rýchlo nájsť chyby v programe a nesprávne parametre. A ak je duplikovaný odborníkom, rýchlo sa vyriešia aj otázky hodnotenia výsledku a prijateľnosti modelu.

Po tretie, je užitočné si uvedomiť, že analýza údajov trvá dlho.

Štatistiky

Analýza dát v R

1. Premenné

IN R, rovnako ako všetky ostatné programovacie jazyky, má premenné. Čo je to premenná? V podstate je to adresa, s ktorou môžeme nájsť niektoré údaje, ktoré ukladáme do pamäte.

Premenné pozostávajú z ľavej a pravej strany, ktoré sú oddelené operátorom priradenia. V R je operátorom priradenia konštrukcia “<-”, если название переменной находится слева, а значение, которое сохраняется в памяти - справа, и она аналогична “=” в других языках программирования. В отличии от других языков программирования, хранимое значение может находиться слева от оператора присваивания, а имя переменной - справа. В таком случае, как можно догадаться, оператор присваивания примет конструкцию следующего вида: “->”.

IN V závislosti od uložených údajov môžu byť premenné rôznych typov: celé číslo, skutočné číslo, reťazec. Napríklad:

moja.var1<- 42 my.var2 <- 35.25

V tomto prípade bude premenná my.var1 typu celé číslo a premenná my.var2 bude typu real.

Rovnako ako v iných programovacích jazykoch môžete s premennými vykonávať rôzne aritmetické operácie.

moja.var1 + moja.var2 - 12

moja.var3<- my.var1^2 + my.var2^2

Okrem aritmetických operácií môžete vykonávať aj logické operácie, teda porovnávacie operácie.

my.var3 > 200 my.var3 > 3009 my.var1 == my.var2 my.var1 != my.var2 my.var3 >= 200 my.var3<= 200

Výsledkom logickej operácie bude pravdivý (TRUE) alebo nepravdivý (FALSE) výrok. Môžete tiež vykonávať logické operácie nielen medzi premennou s určitou hodnotou, ale aj s inou premennou.

my.new.var<- my.var1 == my.var2

Zazimko Valentina Lentevna Ph.D., čl. Prednášajúci na Katedre ekonomickej analýzy Federálnej štátnej rozpočtovej vzdelávacej inštitúcie vyššieho odborného vzdelávania "Kubánska štátna agrárna univerzita"

Tradičný prístup k analýze finančnej situácie je založený na všeobecnom koncepte „rovnováhy systémov“ prevzatom z krajín s trhovou ekonomikou (obrázok 1).

Obrázok 1 – Metodológia na analýzu finančnej situácie, ktorá zodpovedá západnému konceptu „rovnovážneho“ systému

Medzitým také problémy ako: 1) nesúlad niektorých metodických prístupov s podmienkami ruských špecifík podnikania; 2) nezohľadnenie sociálneho charakteru poľnohospodárskeho sektora ekonomiky v Rusku (pri diferenciácii prístupov k hodnoteniu v závislosti od sektorovej príslušnosti organizácií); 3) analýza hlavných faktorov ovplyvňujúcich výkonnosť podniku pomocou štatistickej analýzy; 4) štruktúrovanie metodológie na analýzu finančnej situácie (aspoň s cieľom obnoviť jazykovú spravodlivosť); 5) súlad finančnej analýzy s modernými potrebami ekonomických subjektov a nejednoznačná interpretácia požičaných ekonomických kategórií boli študované s nedostatočnou úplnosťou.

Hlavným smerom na zlepšenie metodiky analýzy finančnej situácie organizácie by malo byť zohľadnenie:

Existujúca politická klíma a vládny prístup k hodnoteniu ekonomických javov, procesov a obchodných výsledkov;

Vlastnosti legislatívnej úpravy zostavovania účtovnej závierky (týka sa to najmä revízie prístupov k hodnoteniu solventnosti organizácie);

Sektorová štruktúra majetku ekonomického subjektu;

Moderné parametre na hodnotenie efektívnosti podnikania.

Účelom analýzy finančnej situácie organizácie je objektívne posúdenie finančnej situácie a vyhliadok na jej vývoj s prihliadnutím na aktuálnu situáciu v odvetví v konkrétnom časovom intervale zodpovedajúcom všeobecnej politickej a hospodárskej stratégii vo vzťahu k predmet štúdia.

Agrárne transformácie modernej éry v dejinách Ruska sú hlboké a významné: od druhej polovice roku 2005 vláda Ruskej federácie výrazne zintenzívnila svoj záujem o poľnohospodárstvo, iniciovala okrem iného národný projekt „Rozvoj Agro-priemyselný komplex“; Koncom roka 2006 bol prijatý federálny zákon „O rozvoji poľnohospodárstva“. Štátna politika podpory poľnohospodárstva poskytuje stimuly na získanie pôžičiek za podmienok dotovania úrokových platieb. Negatívne sa hodnotí oslabenie finančnej nezávislosti spoločností v dôsledku prijatých opatrení podľa všeobecne uznávaných prístupov k určovaniu finančnej situácie. Podľa odhadov domácich ekonómov, ktorí uznávajú nedostatky doterajšej metodiky výpočtu ukazovateľov finančnej kondície poľnohospodárskych výrobcov, ktorú využívajú aj arbitrážne súdy (tabuľka 1), by v krajine nebolo toľko skrachovaných fariem.

Tabuľka 1. Fragment výpočtu koeficientov pre zaradenie poľnohospodárskych výrobcov do skupín finančnej stability dlžníka

Štúdium finančnej situácie organizácie musí byť v súlade s koncepciou konzistentnosti. Metodológia na analýzu finančnej situácie organizácie sa zároveň objavuje vo forme dohodnutej postupnosti, čo nám umožňuje konštatovať skutočnosť obnovenia jazykovej platnosti pojmu „metodika“. Pozostáva zo šiestich hlavných etáp, všeobecná bloková schéma je znázornená na obrázku 2.

Obrázok 2 – Vývojový diagram implementácie fáz analýzy finančnej situácie poľnohospodárskych organizácií

Zhromažďovanie informácií pozostáva zo zostavenia zoznamu otázok a získania relevantných údajov zo skúmanej organizácie az iných zdrojov. Štúdium prevádzkových podmienok systémov by sa malo stať predbežnou fázou analýzy, ktorá je spôsobená úlohou nevyhnutnej syntézy vnútorných a vonkajších faktorov, ktorá vzniká pri zohľadnení osobitostí vývoja ekonomickej analýzy v Rusku opísaných vyššie. . Pre poľnohospodárske organizácie je teda špecifické študovať geografické, poveternostné a klimatické podmienky podnikania analyzovaného subjektu. Štruktúrovanie počiatočných informácií by malo zahŕňať zostavenie dátových segmentov, ktoré by mali byť zahrnuté do informačnej základne na analýzu finančnej situácie organizácie s jej hlavnými charakteristikami: odvetvie, obchodný rozsah a iné.

V ďalšej fáze, vo vygenerovanom poli informácií, je potrebné zdôrazniť ukazovatele, ktoré sú najdôležitejšími kritériami výkonnosti. Mnohí akademickí analytici, zahraniční aj ruskí, umiestňujú ukazovatele ziskovosti nad ostatné ukazovatele. E. Altman teda vo svojom známom päťfaktorovom „Z-modeli“ na určenie pravdepodobnosti potenciálneho bankrotu predstavil dva z piatich faktorov ako ukazovatele ziskovosti. Význam ukazovateľov rentability odráža aj „Zlaté pravidlo ekonomiky“, ktoré hovorí, že tempo rastu bilančného zisku musí prevyšovať tempo rastu tržieb z predaja produktov a tempo rastu tržieb musí prevyšovať tempo rastu aktíva.

Kritériom na identifikáciu fáz v tradičnom harmonograme životného cyklu je aj ukazovateľ ziskovosti (os y na obrázku 3).

Obrázok 3 - Životný cyklus organizácie

V kombinácii s absolútnymi ukazovateľmi finančnej výkonnosti sú kľúčovými ukazovateľmi činnosti poľnohospodárskej organizácie: hrubý výkon v bežných predajných cenách, tržby a zisk (strata) z predaja výrobkov (práce, služby), zisk (strata) podniku. vykazovaný rok, čistý zisk (strata), ukazovateľ obratu prevádzkového kapitálu, rentabilita vlastného kapitálu, rentabilita prevádzkového kapitálu.

Systém ukazovateľov navrhnutý za účelom analýzy finančnej situácie podnikateľských subjektov v poľnohospodárskom sektore ekonomiky bol testovaný na príklade aktuálnych údajov z JSC Agrofirm Kavkaz na území Krasnodar. Organizácia ani zďaleka nie je na poslednom mieste v rebríčku tristo najväčších a najefektívnejších poľnohospodárskych spoločností na základe výsledkov rokov 2003-2007, zaradených do klubu Agro-300.

Obrázok 4 - Dynamika ukazovateľov finančnej výkonnosti CJSC Agrofirm Kavkaz

Analýza absolútnych ukazovateľov finančnej výkonnosti naznačuje vývoj a rast spoločnosti (obrázok 4). Stabilná dynamika v naznačenom smere je teda typická pre ukazovatele hrubej produkcie (+ 39 %), tržieb za predaj výrobkov (+ 43,9 %), ako aj konečného finančného výsledku činnosti (+ 16,8 %). Z faktorov, ktoré priaznivo ovplyvnili dynamiku ukazovateľov, možno uviesť nárast objemu vyrobených a predajných rastlinných produktov - predovšetkým obilia (o 3,4 %), cukrovej repy (13,9 %), slnečnice (47,9 %) a mlieka (9). ,9 %). Návratnosť prevádzkového kapitálu za vykazované obdobie v porovnaní so základným obdobím vzrástla, čo svedčí o vysokej efektívnosti akciovej spoločnosti.

S cieľom identifikovať významné faktory ovplyvňujúce úroveň efektívnosti podnikania bola vykonaná korelačná a regresná analýza efektívnosti podnikania 46 poľnohospodárskych organizácií v centrálnej zóne Krasnodarského územia. Úroveň rentability vlastného imania (v percentách) sa berie ako efektívny ukazovateľ (y) vypočítaný ako podiel čistého zisku (straty) za vykazovaný rok a priemerného ročného zostatku vlastného kapitálu. Voľba tohto konkrétneho ukazovateľa sa vysvetľuje jeho nadmernou požiadavkou zo strany externých používateľov účtovných závierok ako ukazovateľa charakterizujúceho nielen efektívnosť podnikania, ale aj jeho rizikovosť, strategické vyhliadky solventnosti a kvalitu riadenia podniku. Na analýzu boli vybrané kľúčové ukazovatele – faktory, ktoré potenciálne ovplyvňujú mieru návratnosti vlastného kapitálu; vyhľadávanie a výpočet týchto faktorov možno vykonať na základe verejných finančných výkazov. Sú to: x 1 - podiel na vlastnom imaní v mene súvahy, %, %; x 2 - pomer medzi dlhovým a vlastným kapitálom (ukazovateľ finančnej páky); x 3 - podiel likvidných prostriedkov na aktívach, %; x 4 – ukazovateľ obratu aktív (produktivita zdrojov).

Analýza párových korelačných koeficientov ukázala, že existuje priama a pomerne úzka súvislosť medzi návratnosťou vlastného kapitálu a pomerom dlhového a vlastného kapitálu podľa Chaddockovej škály, čo potvrdzuje tvrdenie, že hľadanie racionálneho pomeru medzi dlhovými a akciovými zdrojmi financovania je jasnou cestou k zvyšovaniu efektívnosti toho druhého. Inverzný priemerný vzťah medzi ukazovateľom výkonnosti a podielom vlastného imania v súvahovej mene (tabuľky 2 a 3) naznačuje, že rentabilita vlastného kapitálu v moderných podmienkach rastie, ak sa jeho podiel na celkovom kapitáli znižuje. Zároveň existuje priama priemerná súvislosť medzi rentabilitou vlastného kapitálu a podielom likvidných prostriedkov na aktívach a priama slabá súvislosť medzi ňou (rentabilitou) a rentabilitou aktív.

Tabuľka 2. Matica párových korelačných koeficientov štvorfaktorovej viacnásobnej regresnej rovnice

Analýza β-koeficientov naznačuje, že najslabší vplyv na zmenu rentability vlastného kapitálu má podiel vlastného kapitálu v mene súvahy a najsilnejší je pomer medzi cudzím a vlastným kapitálom. Navyše práve podľa druhej charakteristiky je skúmaná populácia poľnohospodárskych organizácií mimoriadne heterogénna. Tento súbor je navyše heterogénny z hľadiska rentability vlastného kapitálu, podielu vlastného imania v súvahovej mene a podielu likvidných prostriedkov na aktívach, čo poukazuje na rozdielnu úroveň organizácie výrobných a finančných činností a jej efektívnosť v poľnohospodárskych podnikoch.

Tabuľka 3. Všeobecné charakteristiky rentability vlastného kapitálu a vybrané faktory, 2006

Viacnásobná regresná rovnica získaná ako výsledok riešenia má tvar:

y = -12,454-0,164x 1 +0,688x 2 +0,905x 3 +39,335x 4. (1)

Kladná hodnota koeficientu pri x 2 je dôkazom toho, že pri racionálnom spôsobe hospodárenia a normálnom pomere rentability aktív a úrokov platených z požičaných zdrojov financovania by sa mala zvýšiť rentabilita vlastných zdrojov.

Tabuľka 4. Všeobecné výsledky hodnotenia štvorfaktorového regresného modelu

Vzťah medzi rentabilitou vlastného kapitálu a všetkými faktormi zahrnutými v modeli je tesný (koeficient viacnásobnej korelácie R = 0,901) a štatisticky významný (tabuľka 4). Okrem toho lineárna rovnica vysvetľuje 81,2 % variácií v návratnosti vlastného kapitálu. Zvyšok je spôsobený náhodnými nezapočítanými faktormi.

V praxi sa na výpočet úrovne efektívnosti podnikania poľnohospodárskych výrobcov a spôsobov jej zlepšenia identifikujú hlavné faktory a miera ich vplyvu na ukazovateľ výkonnosti. Zistilo sa, že rentabilita vlastného kapitálu skúmanej populácie poľnohospodárskych organizácií: klesá so zvyšovaním podielu vlastného kapitálu v štruktúre zdrojov financovania (rentabilita vlastného kapitálu sa zvyšuje len do určitej úrovne vlastného kapitálu a začína klesať s ďalším zvýšením jeho podielu na štruktúre súvahy); sa zvyšuje so zvyšovaním pomeru finančnej páky, ktorý odráža pomer dlhového a vlastného kapitálu a charakterizuje závislosť zisku od štruktúry zdrojov financovania, čo je možné pri zvýhodnenom daňovom zaťažení a podpore fariem zo strany vlády SR. Ruská federácia; má rastúcu dynamiku s rastom podielu likvidných aktív v štruktúre majetku organizácie, čo je logické z hľadiska implementácie zúčtovacej a platobnej disciplíny a je dôsledkom rastu podnikateľskej činnosti organizácie, prejavujúcej sa v r. zvýšenie príjmov (výnosov) z predaja poľnohospodárskych produktov a iných druhov činností (priorita aktivít marketingovej stratégie organizácie); rastie s mierou využívania vlastného majetku organizácie (prioritná úloha finančného riadenia organizácie).

Odtiaľ je možné vytvoriť správny vektor na zvýšenie efektívnosti podnikania poľnohospodárskych organizácií pomocou jasných mechanizmov, ktoré prispievajú k jej rastu. V najvšeobecnejšej forme sú takými mechanizmami: 1) rozumné určenie zdrojov financovania činností organizácie; 2) zvýšenie efektívnosti využívania zdrojov organizácie na základe stabilizácie vzájomného vyrovnania a systému vyrovnania a platobnej disciplíny; 3) zlepšenie systému riadenia výroby.

Štúdia dynamiky rentability vlastného kapitálu poľnohospodárskych organizácií v závislosti od skutočnej úrovne podielu vlastného kapitálu v štruktúre zdrojov financovania ukázala, že najvyššia hodnota ukazovateľa efektívnosti pre použitie vlastného kapitálu bola zaznamenaná k r. úroveň vlastného kapitálu v rozmedzí od 44 do 58 %. Pri ďalšom raste vlastného kapitálu v štruktúre zdrojov je pozorovaný pokles rentability (obrázok 5).

Obrázok 5 — Dynamika návratnosti vlastného kapitálu v závislosti od podielu vlastného kapitálu na kapitálovej štruktúre

Štúdium vplyvu finančnej stratégie organizácie na využitie vypožičaných prostriedkov pokračuje v opísanej postupnosti.

Prijateľné miesto tu zaujíma vypracovaná metodika stanovenia racionálneho pomeru cudzích a akciových prostriedkov v súvislosti s návratnosťou vlastného kapitálu a zvýhodneným úverovaním poľnohospodárskych organizácií.

Z celého súboru relatívnych ukazovateľov finančnej stability navrhujeme vypočítať koeficient finančnej nezávislosti (Equity to Total Assets), ktorý charakterizuje prebiehajúcu politiku v oblasti financovania a odráža podiel vlastného kapitálu v štruktúre zdrojov majetok, a pomer dlhového a vlastného kapitálu (finančný pákový pomer, alebo „páka finančnej páky“), charakterizujúci mieru rizika organizácie.

Ukazovatele kapitálovej štruktúry charakterizujú stupeň ochrany veriteľov a investorov pred možným nesplatením dlhov a neposkytujú prakticky žiadne informácie o ekonomickom potenciáli organizácie. Opísaný problém „rieši“ ukazovateľ charakterizujúci závislosť zisku od nákladov spojených so štruktúrou zdrojov financovania činnosti organizácie – „finančný pákový efekt“.

EGF = (1-Neskh) (CRa -PK) x (ZK/SK), (2)

kde EFR je efekt finančnej páky, ktorý spočíva vo zvýšení ukazovateľa návratnosti vlastného kapitálu, %; Neskh - sadzba jednotnej poľnohospodárskej dane vyjadrená ako desatinný zlomok; ČR - ukazovateľ hrubej rentability aktív, %; PC - priemerná výška úrokov z pôžičky, ktorú organizácia platí za použitie požičaného kapitálu,%; ZK - priemerná výška vypožičaného kapitálu použitého organizáciou; SK je priemerná výška vlastného imania organizácie.

Vzorec (2) bol získaný s prihliadnutím na osobitosti tvorby údajov vo finančných výkazoch ruských organizácií, ako aj na zdanenie poľnohospodárskych výrobcov: 1) namiesto celého množstva použitého kapitálu podľa nášho názoru suma splatných účtov organizácie by sa mala odpočítať od jej hodnoty; 2) „výška hrubého zisku bez nákladov na platenie úrokov z úveru“ bola nahradená ukazovateľom „zisk z predaja výrobkov (práce, služby)“; 3) daň z príjmu, ktorej platba sa uskutočňuje vo všeobecnom režime zdaňovania, autor nepovažuje za faktor ovplyvňujúci veľkosť vplyvu: v súlade s platnou legislatívou platia poľnohospodárski výrobcovia jednotnú poľnohospodársku daň, ktorá bola zavedené do vzorca.

Tabuľka 5. Dynamika ukazovateľov finančnej stability CJSC Agrofirm Kavkaz

Podiel cudzieho kapitálu na vlastnom imaní v CJSC Agrofirma Kavkaz tak na konci roka 2006 podľa tabuľky 5 predstavoval 52,8 %, čo je 42,1 percentuálneho bodu. vyššia ako úroveň základného roka. Nárast podielu cudzieho kapitálu v štruktúre pasív súvahy naznačuje prechod od konzervatívnej k umiernenej finančnej politike; a hoci je to spojené s oslabením autonómie podnikateľského subjektu, za určitých podmienok to môže viesť k zvýšeniu rentability vlastného kapitálu. Je potrebné poznamenať, že miera podnikateľskej aktivity poľnohospodárskych výrobcov nie je taká vysoká na realizáciu takejto politiky financovania v budúcnosti, čo znamená, že dôsledky zmien je potrebné dôkladne preštudovať a prijať racionálne rozhodnutie.

Výsledky výpočtov na určenie vplyvu finančnej páky pre CJSC Agrofirma Kavkaz (tabuľka 6) naznačujú jej pozitívnu dynamiku: hodnota v roku 2006 bola 2,5 %, čo je 3,3 percentuálneho bodu. vyššia ako úroveň základného roka. V dôsledku toho spoločnosť CJSC Agrofirma Kavkaz, ktorá vytvorila svoje aktíva zo 65 % z vlastných zdrojov a 35 % z vypožičaného kapitálu, zvýšila svoju návratnosť vlastného kapitálu o 2,5 %, pričom všetky ostatné veci zostali rovnaké, a to vďaka tomu, že platí úverové zdroje berúc do úvahy politiku preferenčných pôžičiek poľnohospodárskych výrobcov uplatňovanú vládou Ruskej federácie a návratnosť celkového kapitálu je 16,2 %. Faktorová analýza modelu vplyvu finančnej páky ukázala, že v súčasných podmienkach je výhodné použiť požičané prostriedky do obratu organizácie, keďže dôsledkom toho je zvýšenie efektívnosti využívania vlastného kapitálu. To znamená, že prilákaním požičaných zdrojov môže analyzovaná organizácia zvýšiť svoj vlastný kapitál za predpokladu, že návratnosť investovaného kapitálu prevýši cenu prilákaných zdrojov.

Tabuľka 6. Mechanizmus tvorby efektu finančnej páky

Na určenie hraníc rastu finančnej páky by sa mal použiť model vyvinutý francúzskymi vedcami J. Conanom a M. Golderom. Vysvetlením je zloženie kritérií, ktoré je najviac prispôsobené požiadavkám na zostavovanie domácich účtovných závierok. Čím nižšia je hodnota odhadovaného ukazovateľa, tým nižšia je pravdepodobnosť omeškania platieb zo strany spoločnosti. Skutočné hodnoty kritérií, vypočítané podľa údajov CJSC Agrofirm Kavkaz, sú uvedené v tabuľke 7.

Tabuľka 7. Hodnotenie pravdepodobnosti oneskorenia platieb Agrofirm Kavkaz CJSC

Výpočty ukazujú, že pravdepodobnosť oneskorenia platieb spoločnosťou je veľmi malá, avšak dynamika integrálneho ukazovateľa má tendenciu k nule, čo znamená, že úroveň solventnosti v budúcnosti je ohrozená. Táto vlna je opodstatnená na pozadí nárastu objemu vypožičaných prostriedkov a nákladov na obsluhu dlhu. Aby sa predišlo prípadným ťažkostiam, je potrebné operatívne sledovanie zúčtovania a platobnej disciplíny.

Na synchronizáciu pozitívnych a negatívnych peňažných tokov je potrebné operatívne riadenie solventnosti. Autori štúdie sú kategoricky proti používaniu ukazovateľov likvidity ako ukazovateľov solventnosti z dôvodu ich rozporu s účtovnou požiadavkou nepretržitého pokračovania v činnosti. Miera solventnosti podľa nášho názoru závisí od naplnenia ukazovateľov finančnej výkonnosti skutočnými peniazmi. Používanie offsetových transakcií pri zúčtovaní a nahradzovanie hotovosti pohľadávkami ohrozuje schopnosť organizácie plniť svoje súčasné záväzky.

V súčasnosti sa analýze peňažných tokov nevenuje dostatočná pozornosť. Zároveň ide o najneprotirečivú metódu, ktorá nám umožňuje sledovať mieru dostatku finančných prostriedkov na krytie krátkodobých záväzkov. Endovitsky D.A.

navrhuje porovnať čistý peňažný tok z bežnej činnosti so ziskom z predaja. Negatívny čistý peňažný tok, hoci existuje zisk z predaja, bude znamenať, že tvorba pracovného kapitálu si vyžaduje veľké finančné investície. Táto situácia môže viesť k platobnej neschopnosti. Dôvody: nízka rentabilita predaja, vysoké náklady na tvorbu pracovného kapitálu.

Tabuľka 8. Pomer čistého peňažného toku a zisku z predaja, tisíc rubľov.

, (3)

kde Dptd je peňažný prílev z bežných činností, tisíc rubľov, OK je prevádzkový kapitál, tisíc rubľov; Dotd - odliv finančných prostriedkov z bežných činností, tisíc rubľov. Ukazovateľ výkonu ( Kdost1) v danom vzťahu charakterizuje schopnosť organizácie financovať pracovný kapitál, ukazuje dostatočnosť peňažných tokov na pokrytie nákladov spojených s financovaním pracovného kapitálu. Odporúčaná hodnota ukazovateľa by mala byť aspoň 1.

1. Vplyv zmien pomeru čistého peňažného toku na bežné činnosti: . (4)

2. Vplyv zmien v odleve finančných prostriedkov na jeden rubeľ pracovného kapitálu: . (5)

Tabuľka 9. Údaje pre faktorovú analýzu koeficientu primeranosti peňažných príjmov na financovanie pracovného kapitálu, tisíc rubľov.

Pozitívna zmena pomeru primeranosti peňažných tokov za analyzované obdobie (+0,148) je teda dôsledkom nárastu odlevu prostriedkov z bežnej činnosti na krytie pracovného kapitálu. Pomer bol negatívne ovplyvnený rýchlejším rastom peňažných tokov ako rastom peňažných tokov.

Podľa CJSC Agrofirma Kavkaz bol pomer prílevu a odlevu peňažných prostriedkov za bežné činnosti vo vykazovanom období 1,018, pričom dynamika koeficientu bola negatívna – pokles o 0,076. Neznamená to však nedostatok financií na krytie krátkodobých záväzkov. Ukazovateľ primeranosti peňažných tokov na krytie krátkodobých záväzkov je veľmi prijateľný tak v predchádzajúcich, ako aj v účtovných obdobiach (0,966, 4,216 a 2,780).

Pravidelné sledovanie aktuálneho stavu finančných prostriedkov

Obrázok 6 – Etapy analýzy solventnosti poľnohospodárskej organizácie

Ďalším krokom je vyhodnotenie kvality zisku (vzorec 4):

, (4)

Kde NPV- čistý peňažný tok pre všetky typy činností, tisíc rubľov, PE - čistý zisk, tisíc rubľov.

Ak má organizácia na základe výsledkov svojej činnosti pretrvávajúci negatívny čistý peňažný tok, môže to viesť k finančnej platobnej neschopnosti spôsobenej skutočným poklesom zdrojov a znížením ekonomického potenciálu organizácie. V analyzovanej situácii, ako je zrejmé z tabuľky 9, organizácia získala čistý zisk, pričom na každý rubeľ zisku pripadajú 3 ruble vyváženého výsledku porovnania prílevu a odlevu finančných prostriedkov. Štúdium možností hodnotenia solventnosti poľnohospodárskej organizácie umožnilo sformulovať plán analýzy uvedený na obrázku 7.

Výsledky štúdie plne vychádzajú z reálií práce poľnohospodárskych organizácií. To rieši problém nedostatočnej odvetvovej špecifickosti existujúcich metód finančnej analýzy. Praktický význam štúdie je v tom, že na základe vypracovanej metodiky pre poľnohospodárske organizácie je navrhnutý základ pre formovanie racionálnej finančnej politiky v transformujúcej sa ekonomickej situácii vidieckeho priemyslu. Použitie odporúčanej metodiky vám umožní presnejšie zmerať mieru finančného rizika a vyvinúť efektívnejší mechanizmus jeho riadenia s cieľom zlepšiť výkon podnikateľských aktivít.

R-analýza alebo prijateľnosť prístupov založených na kritériách pri hodnotení finančnej situácie poľnohospodárskych organizácií

V súčasných ekonomických podmienkach je hlavný dôraz v činnosti finančných služieb obchodných podnikov zameraný na operatívne sledovanie ukazovateľov finančnej kondície organizácie. V tomto prípade majú prednosť relatívne ukazovatele, ktoré charakterizujú vzťah medzi vykazovanými údajmi, ktoré nesú tú alebo onú informáciu. V terminologickom zmysle sa metóda analýzy činnosti podniku založená na popísanom prístupe nazýva R-analýza, alebo analýza finančných ukazovateľov.

Súbor koeficientov v rámci jednotlivého podnikateľského subjektu závisí od stratégie a cieľov, ktoré chce dosiahnuť. V tomto prípade sa identifikujú koeficienty, ktoré by sa mali vypočítať, a stanovia sa ich štandardné hodnoty. Táto práca sa zvyčajne vykonáva ako súčasť projektu manažérskeho účtovníctva, rozpočtovania alebo vyváženého skóre. „Ak je súbor ukazovateľov prevzatý z učebnice financií,“ poznamenávajú praktizujúci analytici, „takáto finančná analýza neprinesie podniku žiaden úžitok“ /10/.

Medzitým sa určité ukazovatele týkajúce sa aspektov financovania činnosti organizácie tradične vyvíjali a sú zahrnuté vo všetkých metodických algoritmoch, vrátane tých, ktoré upravuje zákon.

Hovoríme o nasledujúcich ukazovateľoch:

I. Pomery likvidity

Ukazovatele likvidity charakterizujú schopnosť spoločnosti uspokojovať nároky držiteľov krátkodobých dlhových záväzkov.

1. Ukazovateľ absolútnej likvidity

Ukazuje, aký podiel krátkodobých dlhových záväzkov možno pokryť hotovosťou a peňažnými ekvivalentmi vo forme obchodovateľných cenných papierov a vkladov, teda takmer absolútne likvidných aktív.

2. Rýchly pomer (pomer testu kyseliny, rýchly pomer)

Pomer najlikvidnejšej časti obežných aktív (hotovosť, pohľadávky, krátkodobé finančné investície) ku krátkodobým záväzkom. Zvyčajne sa odporúča, aby hodnota tohto ukazovateľa bola väčšia ako 1. Skutočné hodnoty pre ruské podniky sú však zriedka vyššie ako 0,7 - 0,8, čo sa považuje za prijateľné.

3. Aktuálny pomer (Current Ratio)

Vypočítava sa ako podiel obežného majetku delený krátkodobými záväzkami a ukazuje, či má podnik dostatok finančných prostriedkov, ktoré je možné použiť na splatenie krátkodobých záväzkov. Podľa medzinárodnej praxe by sa hodnoty ukazovateľa likvidity mali pohybovať od jednej do dvoch (niekedy až do troch). Spodná hranica je spôsobená tým, že pracovný kapitál musí stačiť aspoň na splatenie krátkodobých záväzkov, inak bude spoločnosti hroziť bankrot. Viac ako trojnásobný prebytok obežných aktív nad krátkodobými záväzkami je tiež nežiaduci, pretože môže naznačovať iracionálnu štruktúru aktív.

Vypočítané pomocou vzorca:

II. Ukazovatele zadlženosti – ukazovatele kapitálovej štruktúry (ukazovatele finančnej stability)

Ukazovatele kapitálovej štruktúry odrážajú pomer vlastného kapitálu a cudzích zdrojov v zdrojoch financovania podniku, teda charakterizujú mieru finančnej nezávislosti podniku od veriteľov. Toto je dôležitá charakteristika udržateľnosti podniku. Na posúdenie kapitálovej štruktúry sa najčastejšie používa koeficient finančnej nezávislosti (Equity to Total Assets), ktorý charakterizuje závislosť firmy od externých úverov. Čím je pomer nižší, čím viac úverov má firma, tým vyššie je riziko platobnej neschopnosti. Nízka hodnota ukazovateľa tiež odráža potenciálne nebezpečenstvo nedostatku hotovosti pre podnik. Interpretácia tohto ukazovateľa závisí od mnohých faktorov: od priemernej úrovne tohto pomeru v iných odvetviach, od prístupu spoločnosti k dodatočným dlhovým zdrojom financovania a od charakteristík súčasných výrobných činností.

Vypočítané pomocou vzorca:

Iné ukazovatele, ako napríklad: Ukazovatele ziskovosti - Ukazovatele ziskovosti, Ukazovatele aktivity - Ukazovatele obchodnej aktivity, Ukazovatele investícií - Investičné kritériá, nebudú v rámci tohto článku uvedené z dôvodu zverejnenia problému nastoleného pri zhusťovaní materiálu.

Hlavnou vecou pri vykonávaní finančnej analýzy nie je výpočet ukazovateľov, ale schopnosť interpretovať získané výsledky. Závery sa však nelíšia v šírke záberu: hlavný koncepčný prístup je založený na porovnaní získaných údajov so štandardmi stanovenými v rámci tradičného prístupu. Tradičný prístup je chápaný ako súbor metód, nástrojov a technológií používaných na zber, spracovanie a interpretáciu (interpretáciu) údajov o ekonomických aktivitách spoločnosti.

Hoci do teórie a praxe finančnej analýzy prispeli najmä ekonómovia z krajín s vyspelou trhovou ekonomikou, je potrebné pripomenúť práce sovietskeho ekonóma z 20. rokov N. Blatova, ktoré načrtli pokročilé koncepty a metódy analýzy pre ich čas: komparatívna analytická bilancia, distribučné koeficienty, koordinačné koeficienty atď.

Zaujímavosťou je požičanie a do určitej miery aj interpretácia „extrémnych hodnôt“ analytických koeficientov charakterizujúcich solventnosť a finančnú stabilitu s ich komplexným rozložením.

V jednej z častí práce Y. V. Sokolova, napísanej spoločne s V. V. Kovalevom, nájdeme opis interpretácie západnej účtovnej a analytickej praxe podľa ruských špecifík. Zároveň sú uvedené informácie o finančnej situácii desiatich veľkých akciových spoločností v Rusku na základe výsledkov práce v rokoch 1907 a 1908:

„JSC „Kaukaz a Merkúr“ (prepravná spoločnosť), manufaktúra Bogorodsko-Glukhovskaya, firma „Provodnik“ (výroba gumy a telegrafu), Partnerstvo M.S. Kuznecova (výroba porcelánových výrobkov), Ruská elektrotechnická spoločnosť "Westinghouse", JSC Ruské elektrotechnické závody "Siemens a Gallskoye", Singer Company, JSC Malcovove závody, Brjanské železničné valcovne, železiarne a mechanické závody (JSC), Spoločnosť Putilovových závodov " /2 , S. 280/.

Vypočítava sa obmedzený zoznam koeficientov (ich zoznam je uvedený vyššie). Priemerné hodnoty koeficientov vypočítané na základe danej vzorky (kritérium pre zoskupenie podnikov nie je špecifikované) sa porovnávajú so „svetovými“ štandardmi. Pri zistení ich blízkosti sa vyvodzuje záver, že tieto hodnoty sú prijateľné vo vzťahu k aktuálnej situácii v krajine v štruktúre aktív a zdrojoch ich krytia /11/.

Dodnes existuje množstvo rozporov, vyhnúť sa čomu podľa nás znamená mlčať o tom hlavnom.

Vráťme sa k pokynom (odporúčaniam) ministerstiev a iných federálnych výkonných orgánov k aspektu metodických prístupov k analýze finančnej situácie v kontexte koeficientov v nich uvedených. Spomedzi nich sú najvýznamnejšie metódy uvedené v nižšie uvedených dokumentoch:

1. Metodické ustanovenia na hodnotenie finančnej situácie podnikov a zisťovanie nevyhovujúcej štruktúry súvahy, schválené nariadením Federálnej správy pre platobnú neschopnosť (bankrot) podnikov v štátnom vlastníctve Ruska zo dňa 12. augusta 1994 č. 31-r.

3. Postup podávania správ pre vedúcich federálnych štátnych unitárnych podnikov a zástupcov Ruskej federácie v riadiacich orgánoch otvorených akciových spoločností schválený nariadením vlády Ruskej federácie zo 4. októbra 1999 č. 1116.

4. Pokyny na vykonávanie analýzy finančnej situácie organizácií, schválené nariadením Federálnej služby Ruska pre finančnú obnovu a bankrot (ďalej len FSFR) zo dňa 23. januára 2001 č. 16.

5. Pravidlá vykonávania finančnej analýzy manažérom arbitráže. Schválené nariadením vlády Ruskej federácie z 25. júna 2003 č. 367. Tieto pravidlá v súlade s federálnym zákonom z 26. októbra 2002 č. 127 FZ „O platobnej neschopnosti (konkurze)“ definujú zásady a podmienky pre rozhodcovského manažéra vykonať finančnú analýzu, ako aj zloženie informácií, ktoré sa v tomto prípade používajú.

6. Pokyny na postup pri zostavovaní a predkladaní účtovnej závierky, schválené nariadením Ministerstva financií Ruska z 22. júla 2003 č. 67n.

7. Nariadenie vlády Ruskej federácie z 30. januára 2003 č. 52 „O vykonávaní federálneho zákona „o finančnom ozdravení poľnohospodárskych výrobcov“.

Preskúmanie týchto dokumentov preukázalo úplnú absenciu akýchkoľvek odvetvových rozdielov medzi analyzovanými podnikmi. Medzitým by sa malo pamätať na to, že prijateľné hodnoty ukazovateľov sa môžu výrazne líšiť nielen pre rôzne odvetvia, ale aj pre rôzne podniky toho istého odvetvia, a úplný obraz o finančnej situácii spoločnosti možno získať iba analýzou celý súbor finančných ukazovateľov, berúc do úvahy špecifiká svojej činnosti. Schválené hodnoty ukazovateľov majú čisto informatívny charakter a nemožno ich použiť ako návod na konanie. V tejto súvislosti je potrebné vytvoriť regulačný rámec na úrovni vládnych nariadení alebo ministerstiev a rezortov na priemyselnej úrovni.

Charakteristickými znakmi moderných poľnohospodárskych podnikov sú nedostatok pracovného kapitálu, nízka platobná disciplína, nárast objemu bartrových obchodov a vysoká cena úverových zdrojov. V dôsledku týchto a ďalších faktorov podniky nemajú prostriedky na splnenie svojich platobných záväzkov, vrátane výplaty miezd, platieb za tovary (práca, služby) a narastajú dlhy voči rozpočtu.

Zároveň aj v takýchto ťažkých podmienkach zostáva veľa podnikov nad vodou. Preto „extrémne“ hodnoty ukazovateľov charakterizujúcich štruktúru aktív a pasív súvahy, solventnosť a finančnú stabilitu organizácií musia zohľadňovať osobitosti súčasnej situácie a hranice, v ktorých je manažment podniku ešte schopný rozvíjať strategické kroky na prekonanie krízy bez toho, aby to viedlo k konkurznému konaniu.

Kritériá platné pre poľnohospodárske podniky v Spojených štátoch (keďže sme sa vydali cestou požičiavania si anglo-amerického finančného modelu) sú tiež ďaleko od ruských špecifík. Deje sa tak predovšetkým z dvoch dôvodov: po prvé, ekonomické podmienky ruskej poľnohospodárskej výroby sú veľmi odlišné od ekonomických podmienok Spojených štátov alebo Kanady; po druhé, charakteristickým rysom domácej politiky a poľnohospodárstva je skutočnosť, že najmä medzi malými poľnohospodárskymi podnikmi začínajú hospodárske ťažkosti nadobúdať sociálny charakter. Porušujú sa tak princípy trhového hospodárstva.

Podľa nášho názoru by sa hlavná pozornosť pri adaptácii tradičného prístupu mala zamerať na odstránenie existujúcich medzier pri vykonávaní postupov finančnej analýzy.

Hlavné návrhy na ďalší rozvoj postupov záverečnej finančnej analýzy sú tieto:

Výpočet vlastných štandardov alebo optimálnych úrovní finančných ukazovateľov pre analyzovaný podnik pomocou známych metodických techník;

Výber úzkeho (<индикаторной>) vzorka finančných ukazovateľov, ktorých zloženie sa môže pre rôzne organizácie líšiť;

Kvalitatívne hodnotenie a stanovenie váh ukazovateľov indikátorov na základe porovnania s vypočítanými optimálnymi úrovňami, trendmi, vzájomným porovnaním a prijatými logickými pravidlami;

Vypracovanie štandardného formátu záveru o finančnej činnosti podniku, ktorý nielen uvádza problémy analyzovaného podniku, ale uvádza aj faktory súčasných a budúcich zmien a dáva odporúčania na ich prekonanie, zmiernenie alebo posilnenie. .

Referencie

1. Bocharov, V.V. Finančná analýza/V.V. Bocharov. - Petrohrad: Peter, 2007. -204 s.

2. Vasilyeva, L.S. Finančná analýza / L.S. Vasilyeva, M.V. Petrovská - 3. vyd. - M.: KNORUS, 2008. - 816 s.

3. Efimová, O.V. Finančná analýza/O.V. Efimova.-5. vyd., prepracované. a dodatočné - M.: Účtovníctvo, 2006.-528 s.

4. Endovitsky D.A. Diagnostická analýza finančnej platobnej neschopnosti organizácií: učebnica. príspevok / D.A. Endovitsky, M.V. Shcherbakov - M.: Ekonóm, 2007. -287 s.

5. Metodika výpočtu ukazovateľov finančnej situácie poľnohospodárskych výrobcov: schválená. uznesením vlády Ruskej federácie z 30. januára 2003 č. 52-M.: Financie a štatistika, 2004.- 2 s.

6. Morozová V.L. Historická skúsenosť alebo evolučný vývoj ekonomickej analýzy ekonomickej aktivity v Rusku z hľadiska externalizmu / V.L. Morozova // Ekonomická analýza: teória a prax - 2007. - č. 16 (97). — S. 60-68.

7. Daňový poriadok Ruskej federácie (2. časť): Kapitola 26 1. Daňový systém pre poľnohospodárskych výrobcov (jednotná poľnohospodárska daň) . – Právny referenčný systém „Garant“

8. O rozvoji poľnohospodárstva: Federálny zákon Ruskej federácie z 29. decembra 2007 č. 264-FZ

9. Savitskaja, G.V. Rozbor ekonomickej činnosti poľnohospodárskych podnikov: učebnica. príspevok/G.V. Savitskaja. — 5. vyd., rev. a doplnkové - Mn.: Nové poznatky, 2005.

10. Kubyshkin I. Využitie finančnej analýzy pre manažment spoločnosti/ Kubyshkin I.//Finančný riaditeľ. — 2005. -Č

11. Sokolov Ya.V. Účtovníctvo od jeho počiatkov po súčasnosť / Sokolov Y.V. — M.: Audit. JEDNOTA. 1996.

12. Zimin N.E. Analýza a diagnostika finančnej a ekonomickej činnosti podniku/N.E. Zimin, V.N. Solopová. M.: KolosS, 2005 -384 s.

13. Voitolovský N.V. Ekonomická analýza: Základy teórie. Komplexná analýza ekonomických aktivít organizácie: Učebnica / Voitolovsky N.V., Kalinina A.P., Mazurova I.I. - M.: Vysoké školstvo, 2005. - 509s

Cieľ vedenie školenia „Analýza údajov a modelovanie vzťahov v balíku R“ – osvojiť si základné možnosti programu R – bezplatného programovacieho jazyka na vykonávanie štatistických výpočtov, ako aj naučiť sa organizovať a spravovať vstupné údaje, vykonávať primárnu štatistickú analýzu údajov, graficky ich prezentovať a byť schopný nájsť vzťahy v údajoch . Školenie je určené pre študentov bez praxe v R alebo so základnými znalosťami balíka.

Je vhodné, aby študenti mali znalosti programovania a boli oboznámení so základmi štatistickej analýzy.

Po ukončení školenia budete môcť používať program R:

• Správne vytvorte vzorku údajov na analýzu
• Organizujte zadávanie údajov a spravujte údaje
• Vykonajte popisnú štatistickú analýzu
• Študujte vzťahy v kontingenčných tabuľkách
• Otestujte štatistické hypotézy o rovnosti priemerov
• Využite grafické možnosti
• Vykonajte korelačnú analýzu
• Vykonajte regresnú analýzu
• Vykonajte ANOVA

Trvanie školenia: 32 akademických hodín. alebo 4 dni.

Tréningový program:

Téma 1. Základné pojmy štatistickej analýzy dát – 2 akademické hodiny.

• Štatistický výskum
• Metódy získavania údajov
• Rozdiel medzi pozorovaním a experimentom
• Populácia a vzorka
• Požiadavky na údaje pri vytváraní vzorky
• Koncept bodového a intervalového štatistického odhadu
• Znaky a premenné
• Variabilné meracie stupnice
• Oblasti analýzy štatistických údajov
• Deskriptívna a analytická štatistika
• Výber metód štatistickej analýzy v závislosti od škál merania premenných
• Štatistická hypotéza
• Typy štatistických chýb
• Princípy testovania štatistických hypotéz
• Výber úrovne významnosti pri testovaní hypotéz

Téma 2. Úvod do práce v prostredí R – 2 akademické hodiny.

• Vlastnosti práce s R
• Inštalácia programu
• Spustenie programu
• R prostredie
• Príkazový riadok a dialógové rozhranie
• Pravidlá pre špecifikáciu príkazov
• Vytvorenie pracovného adresára
• Balíčky
• Grafické rozhrania
• R ako kalkulačka
• Systém pomoci

Téma 3. Základy programovania v R – 2 akademické hodiny.

• Typy objektov v R
• Vektor
• zoznamy
• Matrice
• Faktory
• Tabuľky údajov
• Výrazy
• Operátori prístupu k údajom
• Funkcie a argumenty
• Slučky a podmienené príkazy
• Správa databáz v R
• Vektorizácia operácií
• Ladenie
• Objektovo orientované programovanie

Téma 4. Zadávanie údajov a organizácia v R – 2 akademické hodiny.

• Spôsoby sťahovania údajov
• Priame zadávanie údajov
• Zadávanie údajov do tabuľky
• Import údajov z MS Excel
• Import údajov z iných štatistických balíkov a databáz
• Ukladanie výsledkov analýzy
• Špecifikovanie kvantitatívnych údajov
• Špecifikovanie ordinálnych a nominálnych údajov
• Nastavenie chýbajúcich hodnôt v údajoch
• Identifikácia odľahlých hodnôt a chýb
• Princípy transformácie údajov

Téma 5. Grafické možnosti R – 2 akademické hodiny.

• Grafické funkcie
• Grafické zariadenia
• Možnosti grafiky
• Interaktívna grafika
• Zložené obrázky
• Výstupné zariadenia

Téma 6. Deskriptívna štatistická analýza v R – 4 akademické hodiny.

• Štatistika centrálnej tendencie
• Aritmetický priemer
• Modálny význam
• Stredná hodnota
• Štatistika rozptylu
• Rozptyl a štandardná odchýlka
• Variačný koeficient
• Percentily
• Histogramy
• Krabicové parcely
• Z-transformácia
• Zákon normálneho rozdelenia
• Šikmosť a špičatosť
• Kontrola normality rozdelenia
• Niektoré zákony distribúcie
• Binomické rozdelenie
• Poissonovo rozdelenie
• Rovnomerná distribúcia
• Exponenciálne rozdelenie
• Lognormálne rozdelenie
• Štandardná chyba a interval pre priemer

Téma 7. Tvorba údajov na analýzu metódou vzorkovania – 2 akademické hodiny.

• Všeobecná a vzorová populácia
• Charakteristika vzorky
• Vlastnosti vzorkovacej metódy výskumu
• Klasifikácia vzorky
• Typy a metódy pravdepodobnostného výberu
• Metódy odberu vzoriek
• Jednoduchý náhodný výber
• Systematický náhodný výber
• Výber klastra
• Jednostupňový výber klastra
• Viacstupňový výber klastra
• Algoritmus na vykonávanie výberových prieskumov
• Určenie požadovanej veľkosti vzorky

Téma 8. Štatistické testy na identifikáciu rozdielov vo vzorkách za R – 4 akademické hodiny.

• Hypotézy o porovnávaní prostriedkov
• Z-test na porovnanie priemerov
• Z-test na porovnanie akcií
• Jednovzorkový t-test
• T-test pre nezávislé vzorky
• T-test pre závislé vzorky
• Podmienky aplikácie neparametrických testov
• Jednovzorkový test Wilcoxon so znamienkom
• Mann-Whitney test
• Znakový test pre súvisiace vzorky
• Wilcoxonov test so znamienkom pre súvisiace vzorky
• Neparametrická Kruskal-Wallisova analýza rozptylu
• Friedmanov test pre závislé vzorky

Téma 9. Hodnotenie vzťahu medzi premennými v R – 4 akademické hodiny.

• Analýza vzťahu medzi kategorickými premennými
• Kontingenčné tabuľky
• Očakávané frekvencie a rezíduá v kontingenčných tabuľkách
• Chí-kvadrát test
• Kritérium dohody
• Klasifikácia typov vzťahov medzi kvantitatívnymi premennými
• Rozptylové zápletky
• Predpoklady a podmienky na vykonávanie korelačnej analýzy
• Pearsonov korelačný koeficient
• Koeficienty poradovej korelácie
• Spearmanov korelačný koeficient
• Kontrola významu vzťahu
• Intervalové odhady korelačných koeficientov
• Parciálne korelačné koeficienty

Téma 10. Modelovanie formy komunikácie pomocou regresnej analýzy v R–4 akademických hodinách.

• Základné pojmy regresnej analýzy
• Párový a viacnásobný lineárny regresný model
• Predpoklady pre lineárnu regresnú analýzu
• Odhad regresných koeficientov
• Kontrola platnosti regresného modelu
• Význam regresnej rovnice
• Význam regresných koeficientov
• Výber premenných v regresnej analýze
• Posúdenie presnosti regresnej rovnice
• Posúdenie štatistickej stability regresnej rovnice
• Bodové a intervalové odhady závislej premennej
• Nelineárne regresné modely
• Kategorické nezávislé premenné v regresnom modeli

Téma 11. Modelovanie vzťahov pomocou analýzy rozptylu v R–4 akademických hodinách.

• Modely ANOVA
• Predpoklady na použitie analýzy rozptylu
• Testovanie hypotézy rovnosti rozptylov
• Jednosmerný model ANOVA
• Jednosmerný stôl ANOVA
• Posúdenie miery vplyvu faktora
• Post hoc testy pre párové porovnania
• Analýza rozptylu s dvoma alebo viacerými faktormi
• Obojsmerný stôl ANOVA s interakciou
• Grafická interpretácia interakcie faktorov
• Multifaktorová modelová analýza

Výrobné procesy si často vyžadujú kontrolu bez merania. Je na to veľa dôvodov, napríklad stanovenie parametrov, ktoré sa nedajú zmerať, alebo je meracie zariadenie príliš drahé, pričom parametre dokáže ľahko určiť aj človek s určitým stupňom zaškolenia.

Predstavte si, že si kupujete obyčajné čierne topánky. Rozhodli ste sa pre model, vyskúšali ste pár - vyhovovalo vám to. Na čo si ešte dať pozor pred kúpou?

• Pravdepodobne budete chcieť, aby boli topánky rovnomerne zafarbené;
• Aby farba pravej topánky zodpovedala farbe ľavej;
• Aby na viditeľnej časti neboli žiadne hrubé škrabance;
• Aby bolo šitie podošvy hladké;

Aj keď si predstavíme, že existujú automatické zariadenia na kontrolu kvality obuvi, ktoré vyhodnocujú všetky tieto body, s najväčšou pravdepodobnosťou by ich cena viedla k výraznému zvýšeniu ceny výrobkov. Na druhej strane, ak konečný kupujúci hodnotí kvalitu obuvi „od oka“, potom by bolo celkom logické zaviesť napodobňovanie takejto kontroly v podniku, čo by mohlo nahradiť tucet drahých zariadení, ktoré hodnotia uvedené kritériá. vyššie. V tomto príklade môže inšpektor posudzujúci kvalitu vyrobených topánok pôsobiť ako merací systém.

Netreba však zabúdať na zaškolenie takéhoto zamestnanca a určité počiatočné kritériá, ktoré musí dodržiavať. Bez toho bude každý inšpektor posudzovať kvalitu produktu na základe osobných úvah a pocitov. Attributiv Gage R&R umožňuje vyhodnotiť, ako dobre regulátor vykonáva prácu meracieho systému.

Attribute Gage R&R alebo Attribute Agreement Analysis sú špeciálne navrhnuté na vyhodnotenie meracích systémov, ktoré vylučujú použitie meracieho nástroja, keď operátori sami určujú kvalitu produktov vizuálne alebo na základe prítomnosti nejakého špecifického kritéria (neprítomnosť hrubých škrabancov na viditeľnej časti topánky). Je samozrejmé, že takýmto meraniam nie je možné priradiť číselnú charakteristiku. Namiesto toho je testovaným produktom priradený atribút: „dobrý“ – „zlý“, „vyhovel“ – „nevyhovel“ atď. Tento typ analýzy možno použiť aj na hodnotenie kalibrácie: „výborný“ – „dobrý“ – „vyhovujúci“ – „nevyhovujúci“ alebo na posúdenie podľa prítomnosti a počtu chýb.

Účelom analýzy je posúdiť blízkosť úsudkov prevádzkovateľov štandardu a zhodu úsudkov prevádzkovateľov (súhlas s predchádzajúcim rozsudkom). Výsledok analýzy tak naznačí, nakoľko sa výsledky meracieho systému približujú štandardným kritériám a nakoľko operátori súhlasia s vlastnými úsudkami, t.j. dá sa veriť úsudkom kontrolórov?

Príklady, pre ktoré je použiteľná analýza atribútov Gage R&R:

• Dobrým príkladom je proces výroby kontaktných šošoviek. Každé optické telo, tak či onak, obsahuje určitý počet aberácií, no nie všetky sú viditeľné ľudským okom. Každá šošovka prechádza výstupnou kontrolou kvality: operátor-kontrolér vizuálne hodnotí prítomnosť defektov/kontaminácie pomocou výkonnej lupy a špeciálneho osvetlenia. Atribút Gage R&R možno použiť na určenie toho, ako dobre dokáže skúšajúci rozlíšiť defekty šošovky od kontaminácie testovacieho roztoku.
• Ďalším príkladom by bolo testovanie integrity tabliet vo farmaceutickom závode. Kontrolu integrity vykonáva aj osoba pri kontrole blistra s obsahom až 2000 tabliet. Meraním je v tomto prípade prítomnosť defektov alebo chybných výrobkov vo vzorke.

V príklade s tabletami môže operátor prezentovať rozsudky v binárnej forme: „vyhovie“ - „nevyhovie“, ale vzhľadom na špecifiká vzorky môžu byť odpovede poskytnuté v inej forme. Napríklad až 2 poškodené tablety – „výborné“, do 5 – „uspokojivé“, do 20 – „nevyhovujúce“, nad 20 – „kritické“ alebo hodnotenie na stupnici od 1 do 5.

Pozrime sa na analýzu atribútu Gage R&R v štatistickom balíku Minitab na príklade kontroly kvality tabletov.

Analýza hodnotila troch operátorov, ktorí testovali 20 tabliet dvakrát. Vlastnosti tabliet boli stanovené pomocou štandardných kritérií pre praskliny a iné poškodenia.

Vykonať Analýza dohody o atribútoch(priradené Gage R&R), vyberte Štatistika > Nástroje kvality > Analýza dohody o atribútoch:

Ryža. 1: Okno konfigurácie analýzy dohody s atribútmi

V dialógovom okne programu definujte stĺpce označujúce operátorov, vzorky a výsledky meraní - atribúty, ako je uvedené v rozsahu 1. Podľa problému boli známe správne atribúty vzoriek - v tomto prípade by ste mali zadať stĺpec "Štandardné" v poli Známy štandardný atribút, ako je uvedené v rozsahu 2.

Analýza môže byť vykonaná bez znalosti atribútov vzorky alebo bez opakovania experimentu dvakrát. V prvom prípade nebude určené, nakoľko sa úsudky operátorov približujú štandardu, a v druhom prípade, nakoľko sú si operátori istý svojimi úsudkami.

Kliknutím na „OK“ získate výsledky analýzy:

Obrázok 2: Výsledky analýzy v grafickej forme

Graf V rámci odhadcu zobrazuje percento súhlasu operátorov s predchádzajúcimi rozsudkami. Tabuľka sa zobrazí iba vtedy, ak každý operátor ohodnotil vzorku dvakrát alebo viackrát, teda ak sú k dispozícii údaje na porovnanie. V tomto prípade je operátor A na 85 % istý svojim úsudkom, hoci interval spoľahlivosti sa pohybuje od 60 do 97 %. Čím vyššia je konvergencia úsudkov operátora, tým menej variácií vnáša do výsledkov pozorovania.

Graf Odhadca vs. štandard ukazuje, ako blízko sú reakcie operátora k správnym atribútom vzorky. Aj keď je operátor A na 85 % istý svojim úsudkom, jeho odpovede sú správne iba v 70 % prípadov.

V uvažovanom príklade má iba operátor C dostatočnú kvalifikáciu na kontrolu kvality produktu: konvergencia úsudkov a blízkosť k norme je 95 %, t.j. jeho príspevok k variácii pozorovaní je 5 %.

Výsledky analýzy v okne relácie poskytujú o niečo jasnejší obraz o tom, ako agenti vykonávali svoju prácu:

Ryža. 3: Výsledky analýzy dohody o atribútoch

Graf Within Appraisers nespracované údaje z grafu Within Appraisers, ako aj tabuľka kappa koeficientov. Koeficienty kappa naznačujú, ako sú operátori štatisticky sebavedomí vo svojich rozhodnutiach. S kappa rovnou 0 môžeme konštatovať, že operátor si nie je istý svojim úsudkom, jeho voľba pripomína lotériu alebo hádzanie mince do vzduchu. Kappa 1 znamená, že operátor je 100% istý vo svojich úsudkoch, takže s koeficientom -1 je operátor úplne neistý a zakaždým priradí nový atribút. Berúc do úvahy odporúčania usmernenia AIAG o analýze meracích systémov, koeficient 0,75 je dostatočný na to, aby bol merací systém uznaný za vhodný. Hodnota 0,4 alebo nižšia znamená, že merací systém nie je vhodný.

Hodnota pravdepodobnosti (P-hodnota) sa odhaduje pre hypotézy:

H 0: operátori nesúhlasia s ich rozhodnutiami;
H α: Prevádzkovatelia súhlasia s ich úsudkami.

Kappa a hodnoty pravdepodobnosti sú zásadné pri hodnotení meracích systémov pomocou atribútu Gage R&R. Vzhľadom na získané výsledky môžeme konštatovať, že na základe kappa 0,48 a pravdepodobnosti 0,0158 je operátor presvedčený o svojich rozhodnutiach, ale takýto merací systém nie je prijateľný pre kritické oblasti kontroly.

Ryža. 4: Výsledky analýzy dohody o atribútoch

Pri pohľade na koeficienty kappa v tabuľke analýzy Každý hodnotiteľ vs. Štandard môžeme dospieť k záveru, že operátori A a B majú málo vedomostí o hodnotiacich kritériách, ale operátor C má pomerne dobrú znalosť kritérií kvality produktu. Tabuľka Nesúhlas s hodnotením zobrazuje body, v ktorých sa názory operátorov líšia od štandardu. Napríklad operátor A uznal 3 blistre s tabletami za vhodné, pričom štandardné kritériá označujú ich nevhodnosť. Taktiež operátor A ukázal trikrát rozdielne výsledky na prvý a druhý pokus, t.j. Najprv určil, že výrobok je vhodný, a na druhý pokus svoj úsudok zmenil. Operátor B trikrát odmietol kvalitné veci a trikrát zmenil aj svoj úsudok. Operátor C zmenil názor na atribút ukážka iba raz.

Výsledky z tabuľky Between Appraiser ilustrujú, ako operátori vo všeobecnosti reprodukujú svoje úsudky, t.j. ako veľmi sa medzi sebou dohodnú, bez toho, aby brali do úvahy skutočné atribúty. Dohoda medzi operátormi vôbec neznamená, že rozsudky sú správne.

Ryža. 5: Tabuľky výsledkov medzi odhadcami a hodnotiteľmi vs

Tabuľka Všetci hodnotitelia vs. štandard podľa toho zobrazuje, nakoľko sú úsudky všetkých operátorov podobné správnym atribútom, t.j. do akej miery operátori vo všeobecnosti súhlasia s normou. Rovnako ako v predchádzajúcom prípade, súhlas s normou neznamená súhlas medzi operátormi.

Štatistika kappa ukazuje, že v oboch prípadoch je koeficient kappa pod 0,75. Výpovede operátorov ako jednej skupiny sú štatisticky nevýznamné. Zhoda operátorov celkovo s atribútmi štandardu je o niečo vyššia, no stále nie dostatočná. Vysoký koeficient súhlasu s normou oproti dohode medzi operátormi je spôsobený vysokým koeficientom súhlasu s normou operátora C.

Obnoviť

• Vo všeobecnosti je použitie analyzovaného meracieho systému spojené s množstvom ťažkostí. Operátor A robí príliš veľa chýb, v dôsledku čoho sa nevhodné produkty považujú za dobré. Zároveň operátor B hodnotí produkty príliš kriticky, čo vedie k odmietnutiu vhodných produktov.
• Operátor C ukázal blízkosť svojich úsudkov k štandardným a svoju dôveru v ne.
• Z uvedeného vyplýva, že operátori A a B potrebujú ďalšie školenie alebo prax.

V uvažovanom príklade je pozorovaný veľmi široký interval spoľahlivosti. čo prináša určitú neistotu do výsledkov analýzy. Na zníženie rozsahu je možné štúdiu zopakovať s väčším počtom vzoriek.