Типологизация предприятий нефтегазовой промышленности

Размещено на http://allbest.ru

Бакуменко Л.П.

ТИПОЛОГИЗАЦИЯ ПРЕДПРИЯТИЙ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

Аннотация

Часто в практических задачах необходимо провести классификацию данных, в которых имеются как непрерывные, так и категориальные переменные. Дискриминантный анализ является эффективным способом построения классификации с помощью обучающей выборки. Данный метод находит широкое применение в бизнесе, маркетинге, финансовой аналитике, медицине для классификации различных объектов или показателей. В данной статье с помощью метода обобщенного дискриминантного аналализа проведена классификация, типологизация предприятий нефтегазовой промышленности. На рынке нефтяного комплекса России присутствует большое количество компаний, различающихся как по объемам добываемых ресурсов, так и по другим экономическим показателям. Построение автоматичечского классификатора позволит объективно и достаточно быстро проводить типологизацию различных нефтегазовых компаний, что представляет прямой интерес как для государства, так и для самих компаний.

Ключевые слова: Нефтегазовая промышленность, обобщенный дискриминантный анализ, экспертная оценка, дискриминантная функция, мматрица классификации.

Bakumenko L.P

TYPOLOGY OF OIL AND GAS COMPANIES INDUSTRIES

Annotation

Often in practical problems it is necessary to classify data in which there are both continuous and categorical variables. Discriminant analysis is an effective way to build a classification using a training sample. This method is widely used in business, marketing, financial Analytics, medicine for the classification of various objects or indicators. In this article, using the method of generalized discriminant analysis, classification, typology of oil and gas industry. There is a large number of companies in the Russian oil market that differ both in the volume of extracted resources and in other economic indicators. Construction of the automatic classifier will allow objectively and quickly enough to carry out the typology of various oil and gas companies, which is of direct interest, both for the state and for the companies themselves.

Keywords: Oil and gas industry, generalized discriminant analysis, expert evaluation, discriminant function, classification matrix.

Введение. Нефтегазовая промышленность России имеет большое значение для отечественной экономики. В сегодняшних условиях спрос на российские энергоносители достаточно стабилен, и доходы, полученные от продажи нефти и газа, играют значительную роль для бюджета Российской Федерации. Краткий обзор СМИ и рейтинговых агентств показывает, что крупнейшие нефтяные компании России работают с прибылью. На основании данных «Эксперт РА» (RAEX), самыми большими по размеру прибыли нефтяные компании, входящие в ТОП-20 крупнейших предприятий России, являются: Газпром, Роснефть, Сургутнефтегаз, Лукойл, Татнефть, Руснефть и др.

За годы реформ в нефтяном комплексе России проведены важные структурные преобразования, которые позволили обеспечить определенную стабильность и устойчивость в развитии не только самого комплекса, но и некоторых отраслей промышленности, а также социальную стабильность в обществе. В настоящее время определяющая роль в нефтяном комплексе принадлежит 10-12 крупным, вертикально интегрированным нефтяным компаниям (ВИНК). На их долю приходится 8590 % всей добычи и 75-80 % переработки нефти России. Наряду с ВИНК добычу нефти в стране осуществляют более 110 малых и средних нефтяных компаний-недропользователей [1].

Вовлечение небольших по запасам месторождений нефти в хозяйственный оборот представляет прямой интерес для государства как для собственника недр, следовательно, необходимо создать условия для ускоренного развития малого и среднего нефтяного бизнеса России. Именно такой бизнес обеспечивает в США более 57 % национальной добычи нефти, причем общее число средних (с годовой добычей от 0,25 млн т до 1,5 млн т) и мелких (менее 250 тыс. т / год) компаний превышает 80 тыс. В России число таких компаний в последние годы составляет 110-160 [2].

Рейтинги, представляемые различными рейтинговыми агентствами, такими как рейтинговое агентство «Эксперт РА», РБК, Forbes и др., в основном определяют компании по небольшому числу показателей их деятельности: лидерство по объемам продаж, чистой прибыли, по объему капитализации и др.

Задачей данного исследования является применение метода экспертного оценивания нефтяных и газовых компаний РФ (по объему реализации) для классификации их по системе показателей, которая бы позволила на основании полученных классификационных функций создать классификаторы (автоматическая классификация) для отнесения любых предприятий отрасли к типу крупных, средних и малых компаний.

Данные и методы. Для решения данной задачи была рассмотрена 31 компания нефтегазовой отрасли РФ, проанализированная по 15 показателям: чистой выручке (млн руб.), долгосрочным кредитам и займам (млн руб.), краткосрочным кредитам и займам (млн руб.), краткосрочным финансовым вложениям (млн руб.), прибыли до налогообложения (млн руб.), чистой прибыли (млн руб.), численности работников (тыс. чел.), активам компании (млн руб.), чистому финансовому долгу (млн руб.), собственному капиталу (млн руб.), денежным средствам и их эквивалентам (млн руб.), виду сырья (газ, нефть, газ и нефть), месту компании в мировом масштабе (транснациональная, нетранснациональная), научно-исследовательским институтам и центрам (есть, нет). Фрагмент исходной таблицы представлен на рисунке 1.

Рисунок 1 - Фрагмент исходной таблицы

Используя эти данные, был построен классификатор (автоматическая классификация) c помощью дискриминантного анализа, реализованного в пакете Statistica. Дискриминантный анализ является эффективным способом построения классификации с помощью обучающей выборки. Данный метод находит широкое применение в бизнесе, маркетинге, финансовой аналитике для классификации различных объектов или показателей.

Классический дискриминантный анализ предполагает использование исключительно численных показателей, однако на практике довольно часто появляется необходимость проведения классификации данных, в которых имеются как непрерывные (численные), так и категориальные (качественные, нечисловые) переменные. В таких случаях используют метод обобщенного дискриминантного анализа (ОДА). Качество модели при этом оценивается с помощью процедуры кросс-проверки (crossvalidation).

Модель. Для каждой компании была определена переменная экспертная оценка, которая отражала мнение экспертов об отнесении компаний к определенному типу компаний по уровню реализации. Экспертные оценки были определены на основании рейтингов различных рейтинговых агентств. Также для последующего выполнения процедуры кросс-проверки была определена переменная CROSS, которая задавала принадлежность соответствующего наблюдения к тестовой выборке. Экспертная оценка - зависимая переменная. Вид сырья, место компании в мировом масштабе, научно-исследовательские институты и центры - категориальные предикторы. Чистая выручка (млн руб.), долгосрочные кредиты и займы (млн руб.), краткосрочные кредиты и займы (млн руб.), краткосрочные финансовые вложения (млн руб.), прибыль до налогообложения (млн руб.), чистая прибыль (млн руб.), численность работников (тыс. чел.), активы компании (млн руб.), чистый финансовый долг (млн руб.), собственный капитал (млн руб.), денежные средства и их эквиваленты (млн руб.) - непрерывные предикторы.

Дискриминантный анализ - это совокупность методов, позволяющих решать задачи идентификации объектов по заданному набору характерных признаков. Состоит из нескольких этапов, которые можно рассматривать как совершенно самостоятельные методы [3].

Полученные результаты. Первый этап - выявление и формальное описание различий между существующими множествами (группами) наблюдаемых объектов. На этом этапе были определены переменные, вносящие наибольший вклад в дискриминацию нефтегазовых компаний. Для анализа вклада переменных в дискриминацию между классами (какие переменные наиболее сильно разделяют две совокупности) была вычислена дискриминантная функция. Значения коэффициентов дискриминантной функции представлены в таблице 1.

Таблица 1 - Значения коэффициентов дискриминантной функции

По значениям коэффициентов дискриминационной функции можно сделать вывод о том, что первая дискриминантная функция наиболее сильно взвешивается переменными «собственный капитал», «активы компании», «чистая прибыль». Т.е. разделение компаний на классы происходит в основном по этим показателям [4]. Для проверки дискриминантных функций на статистическую значимость был использован критерий хи-квадрат для удал?нных корней (табл. 2).

Таблица 2 - Значения критерия хи-квадрат

Лямбда Уилкса определяется отношением внутригрупповой суммы квадратов к общей сумме квадратов. Данный коэффициент характеризует долю дисперсии оценок дискриминантной функции, которая не обусловлена различиями между группами. Принимает значение 1 в случае, если средние значения для всех групп оказываются равными, и уменьшается с ростом разностей средних значений. Для качественной дискриминации Лямбда Уилкса должна стремиться к нулю.

Хи-квадрат - мера статистического отличия друг от друга уровней дискриминанта. Чем больше значение этого показателя, тем сильнее отличие и тем лучше дискриминантная функция соответствует своему назначению.

Статистическая значимость определяется значением p, при условии подтверждается статистическая значимость. Таким образом, дискриминантные функции статистически значимы.

Второй этап - непосредственная классификация новых объектов, т.е. отнесение каждого объекта к одному из существующих множеств [5].

На этом этапе были построены функции классификации, коэффициенты которых представлены в таблице 3.

Таблица 3 - Коэффициенты функций классификации

Число функций классификации равно количеству уровней зависимой переменной, т.е. в данном случае их три. Каждая функция классификации имеет следующий вид:

,

где f_i - i-я функция классификации,

x_j - j-й эффект плана,

a_ij - коэффициент i-й функции классификации при j-м эффекте плана,

a₀ - свободный член.

Учитывая главные эффекты функции классификации для групп, характеризующих крупные фирмы, средние и небольшие будут иметь вид:

Для каждой конкретной новой фирмы, которую нужно отнести к фирмам крупного бизнеса, среднего или небольшого, вычисляются все функции классификации. Предприятие будет отнесено к тому классу, для которого функция классификации примет наибольшее значение [6].

Для проверки качества классификации использована матрица классификации (табл. 4).

Таблица 4 - Матрица классификации для всей выборки

Построенная модель определяет экспертную оценку с точностью 87%. При этом лучше всего она определяет оценку для компаний крупного бизнеса - 100%. Это не совсем точный результат, он завышен, т.к. классифицировались теже наблюдения, которые использовались для построения модели.

Для более точной проверки качества классификации была проведена процедура кросс-проверки. Матрица классификации для кросс-проверочной выборки представлена в табл. 5.

Таблица 5 - Матрица классификации для кросс-проверочной выборки

Для повышения точности классификации необходимо определить, какие из наблюдений (рассматриваемых нефтегазовых компаний) были классифицированы экспертами неверно, и изменить соответствующие экспертные оценки.

Для точного отнесения компаний к своим группам по рассматриваемой системе показателей были использованы статистические критерии - расстояние Махаланобиса и апостериорные вероятности (табл. 6).

Таблица 6 - Расчет апостериорных вероятностей классификации

Как видно из таблицы 6, четыре фирмы были неверно отнесены экспертами к своим группам. Так, компания «Сахалин энерджи» отнесена экспертами к компаниям среднего бизнеса. Однако по своим показателям она скорее относится к компаниям крупного бизнеса. Национальную компанию «Славнефть» нужно отнести по своим финансовым показателям к компаниям с небольшими оборотами, компании «Мегионнефтегаз» и «Востокгазпром» - к компаниям со средними оборотами.

Для корректировки некорректно отнесенных компаний к своим классам были внесены изменения в таблицу исходных данных с учетом апостериорных вероятностей. Для этого пошагово изменялась структура кросс-проверочной выборки. На последнем этапе была получена классификация кросс-проверочной выборки с точностью 100%. При повторном расчете таблица апостериорных вероятностей классификации имела вид, представленный в табл. 7.

Матрица классификации после корректировки кросс-проверочной выборки имела вид, представленный в таблице 8.

Таблица 7 - Расчет апостериорных вероятностей классификации

Таблица 8 - Матрица классификации после корректировки кросс-проверочной выборки

Таким образом, точность классификации равна 100,00%, и данную выборку можно использовать для классификации других нефтегазовых компаний.

Заключение. В статье представлены результаты применения метода обобщенного дискриминантного анализа для типологизации предприятий нефтегазовой отрасли. Для более четкой классификации нужно построить новые классификационные функции (классификаторы) с учетом проведенных корректировок (таблица 8), которые и будут правильно оценивать мощность компаний и относить их к соответствующему типу предприятий: к крупному бизнесу, среднему бизнесу или к типу небольших компаний.

предприятия нефтегазовый типологизация дискриминантный анализ

Библиографический список

1. Чернова Е.Г., Разманова С.В. Структурные сдвиги в нефтегазовой отрасли: ключевые факторы, индикаторы, последствия // Вестник СПбГУ. Экономика. - 2017. - Т. 33. - Вып. 4. - С. 623638.

2. Березной А.В. Глобальные нефтегазовые корпорации в меняющемся мире // Мировая экономика и международные отношения. - 2014. - № 5. - С. 3-14.

3. Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шебер М. Многомерный статистический анализ в экономике: учеб. пособие для вузов / под ред. проф. В.Н. Тамашевича. - М.: ЮНИТИДАНА, 1999. - 598 c.

4. Зубарева В., Мурадов Д. Моделирование финансового состояния нефтегазовых компаний // Финансовый менеджмент. - 2007. - № 6. - С. 13-24.

5. Ким Дж.О., Мьюллер Ч.У, Клекка У.Р. и др. Факторный, дискриминантный и кластерный анализ. - М.: Финансы и статистика, 1989. - 215 с.

6. Jahrbuch fur EcoAnalytic und EcoPatologic: электронный журнал [Электронный ресурс]. - URL: http://www.ievbras.ru/ecostat/Kiril/default. htm.

Размещено на Allbest.ru