Модель вибору фінансової стратегії підприємства

Для дослідження фінансового стану доцільно використовувати економетричне моделювання. Економетричні моделі - особливий вид економіко-статистичних моделей, в яких можна прослідити причинно-наслідковий зв'язок між залежними і незалежними змінними. В даному випадку буде побудована регресійна багатофакторна модель.

Прогнози, одержувані на основі економетричних моделей, необов'язково точніше за прогнози, одержувані більш простими засобами. Перевага прогнозів, отриманих по економетричній моделі, полягає:

в несуперечності системи прогностичних оцінок;

в можливості отримання варіантів прогнозу в залежності від прогностичних оцінок за різними зовнішніми впливами.

В практиці спостерігаються випадки, коли в прогностичній меті достатньо отримати ізольовану оцінку. Проте таке роздільне прогнозування економічних показників неминуче призводить до того, що отримані оцінки не будуть збалансовані.

Прогнози, пов'язані в єдину логічно несуперечливу систему, одержують за допомогою прогностичних економетричних моделей. Саме внутрішня узгодженість прогнозів, що є слідством урахування моделей різних важливих для об'єкту дослідження взаємозв'язків є основною гідністю економетричних моделей [12].

В економетричному моделюванні можна прослідити причинно-наслідковий зв'язок між залежними і незалежними змінними.

Як інструментарій рішення поставленої задачі використовуються регресійна багатофакторна модель і модель побудови інтегрального показника.

Значення показників економічних процесів і явищ звичайно обумовлені впливом безлічі різноманітних чинників. Їх виявлення і оцінювання ступеня цього впливу складає основну задачу економетрії.

Розглянемо лінійну регресійну багатофакторну модель певного абстрактного економічного явища

де у - залежна змінна;

- незалежні змінні (або фактори);

- параметри моделі (їх значення необхідно визначити);

- неспостережувана випадкова величина.

Основними допущеннями, при яких буде проведено оцінювання невідомих параметрів , є такі:

1. Математичне очікування кожній - тієї реалізації випадкової величини не залежить від вектора чинників і дорівнює нулю.

2. Випадкові величини гомоскедастичні:

для будь-кого

3. Випадкова величина розподілена по нормальному закону (з нульовим математичним очікуванням і постійною дисперсією ).

4. Автокореляція між випадковими величинами і відсутня:

5. Модель (3.1) правильно специфікована (правильно відображає зв'язок між векторами чинників X і У).

6. Відсутня мультиколінеарність між чинниками 1.,m: вся рівність

одночасно виконуються тільки при



Робота щодо визначення параметрів регресійної багатофакторної моделі є складною і вимагає певного творчого підходу від її виконавців. Серед основних етапів цієї роботи прийнято виділяти наступні.

1. Вибір всіх можливих чинників, які впливають на досліджуваний показник.

Якісно виконати цей етап роботи в змозі лише експерт по проблемі, яка вивчається, - досвідчений фахівець відповідної економічної системи (досліджуваного явища).

2. Вимірювання і аналіз вибраних чинників.

На цьому етапі проводиться формалізований опис вибраних чинників, оцінюється можливість їх кількісного обчислення за певним чином зібраною первинною інформацією. Аналізується можливість збору і достовірність отримання цієї інформації.

3. Математико-статистичний аналіз чинників.

На цьому заключному етапі здійснюється формування необхідної інформаційної бази, проводиться робота, пов'язана з перевіркою основних допущень класичного регресійного аналізу, перевіркою вибраних чинників на мультиколінеарність. Перевірка полягає в наступному. Будується симетрична матриця парної кореляції, яка має наступну структуру:

,

де - коефіцієнт парної кореляції між i-м і j-м чинниками; - коефіцієнт кореляції між незалежним чинником і залежною змінною у:

Після обчислення матриці проводиться аналіз її змісту. Якщо для певних чинників і абсолютна величина близька до 1, то це указує на тісний зв'язок між ними.

4. Побудова регресійної багатофакторної моделі.

Після визначення сукупності більш-менш незалежних між собою чинників, які впливають на значення залежної змінної, виникає питання щодо вибору типу багатофакторної моделі (можна досліджувати лінійні моделі, частково лінійні, побудовані на різноманітних сукупностях чинників).

5. Оцінка параметрів регресійної моделі.

6. Перевірка моделі на адекватність.

7. Побудова довірчих інтервалів значень параметрів регресійної моделі.

8. Використання моделі для аналізу та прогнозування (економічна інтерпретація встановленої залежності, її використання для прогнозування) [10, 12, 15].

Для знаходження інтегрального показника фінансового стану (залежного чинника моделі) використовується один з методів таксономії - метод рівня розвитку. В цьому випадку порівняння багатовимірних об'єктів визначає синтетичний показник (в даному випадку - інтегральний показник фінансового стану), який є рівнодіючим всіх ознак, що беруть участь в розгляді. Алгоритм розрахунку інтегрального показника представлений нижче.

1 етап. Початкова матриця:

.

2 етап. Нормалізація.

3 етап. Визначення стимуляторів і дестимуляторів.

Математичне визначення стимулятора:

Об'єкт S - стимулятор; x - ознака; - об'єкт; - реалізація n-ої властивості на s-том об'єкті. - s-тий об'єкт домінує над r-тим.

Математичне визначення дестимулятора:

Розділимо сукупність на стимулятори і дестимулятори. Дестімулятори замінимо стимуляторами:

або ,

де - дестимулятор.

4 етап. Визначення верхнього полюса.

- верхній полюс, крапка, координати якої слід визначити:

.

5 етап. Визначення відстані між кожною крапкою і точкою верхнього полюса:

.

6 етап. Розрахунок значення таксономічного показника:

, М - вектор значень коефіцієнта ,

, , , .

7 етап. Розрахунок модифікованого таксономічного показника.

, , I - одиничний вектор.

2.3 Сутність методів багатомірної класифікації

Кластерний аналіз - це метод багатомірного статистичного дослідження, до якого належать збір даних, що містять інформацію про вибіркові об'єкти, та упорядкування їх в порівняно однорідні, схожі між собою групи. Отже, сутність кластерного аналізу полягає у здійсненні класифікації об'єктів дослідження за допомогою численних обчислювальних процедур. В результаті цього утворюються "кластери" або групи дуже схожих об'єктів. На відміну від інших методів, цей вид аналізу дає можливість класифікувати об'єкти не за однією ознакою, а за декількома одночасно. Для цього вводяться відповідні показники, що характеризують певну міру близькості за всіма класифікаційними параметрами.

Мета кластерного аналізу полягає в пошуку наявних структур, що виражається в утворенні груп схожих між собою об'єктів - кластерів. Водночас його дія полягає й у привнесенні структури в досліджувані об'єкти. Це означає, що методи кластеризації необхідні для виявлення структури в даних, яку нелегко знайти при візуальному обстеженні або за допомогою експертів.

Основними завданнями кластерного аналізу є [23]:

- розробка типології або класифікації досліджуваних об'єктів;

- дослідження та визначення прийнятних концептуальних схем групування об'єктів;

- висунення гіпотез на підставі результатів дослідження даних;

- перевірка гіпотез чи справді типи (групи), які були виділені певним чином, мають місце в наявних даних.

Кластерний аналіз потребує здійснення таких послідовних кроків:

1) проведення вибірки об'єктів для кластеризації;

2) визначення множини ознак, за якими будуть оцінюватися відібрані об'єкти;

3) оцінка міри подібності об'єктів;

4) застосування кластерного аналізу для створення груп подібних об'єктів;

5) перевірка достовірності результатів кластерного рішення.

Кожен з цих кроків відіграє значну роль у практичному здійснення Визначення множини ознак, які покладаються в основу оцінки об'єктів, у кластерному аналізі є одним із найважливіших завдань дослідження. Мета цього кроку повинна полягати у визначенні сукупності змінних ознак, яка найкраще відображає поняття подібності. Ці ознаки мають вибиратися з урахуванням теоретичних положень, покладених в основу класифікації, а також мети дослідження.

При визначенні міри подібності об'єктів кластерного аналізу використовуються чотири види коефіцієнтів: коефіцієнти кореляції, показники віддалей, коефіцієнти асоціативності та ймовірносні, коефіцієнти подібності. Кожен з цих показників має свої переваги та недоліки, які попередньо потрібно врахувати. На практиці найбільшого розповсюдження у сфері соціальних та економічних наук здобули коефіцієнти кореляції та віддалей.

В результаті аналізу сукупності вхідних даних створюються однорідні групи у такий спосіб, що об'єкти всередині цих груп подібні між собою за деяким критерієм, а об'єкти з різних груп відрізняються один від одного.

Кластеризація може здійснюватися двома основними способами, зокрема за допомогою ієрархічних чи ітераційних процедур.

Ієрархічні процедури - послідовні дії щодо формування кластерів різного рангу, підпорядкованих між собою за чітко встановленою ієрархією. Найчастіше ієрархічні процедури здійснюються шляхом агломеративних (об'єднувальних) дій. Вони передбачають такі операції [25]:

- послідовне об'єднання подібних об'єктів з утворенням матриці подібності об'єктів;

- побудова дендрограми (деревоподібної діаграми), яка відображає послідовне об'єднання об'єктів у кластери;

- формування із досліджуваної сукупності окремих кластерів на першому початковому етапі аналізу та об'єднання всіх об'єктів в одну велику групу на завершальному етапі аналізу.

Ітераційні процедури полягають в утворенні з первинних даних однорівневих (одного рангу) ієрархічно не підпорядкованих між собою кластерів.

Найбільш відомими та широко застосовуваними методами формування кластерів є:

- одиничного зв'язку;

- повного зв'язку;

- середнього зв'язку;

- метод Уорда.

Метод одиничного зв'язку (метод близького сусіда) передбачає приєднання одиниці сукупності до кластера, якщо вона близька (знаходиться на одному рівні схожості) хоча б до одного представника цього кластера.

Метод повного зв'язку (далекого сусіда) вимагає певного рівня подібності об'єкта (не менше граничного рівня), що передбачається включити у кластер, з будь-яким іншим.

Метод середнього зв'язку ґрунтується на використанні середньої відстані між кандидатом на включення у кластер і представниками наявного кластера.

Згідно методу Уорда приєднання об'єктів до кластерів здійснюється у випадку мінімального приросту внутрішньогрупової суми квадратів відхилень. Завдяки цьому утворюються кластери приблизно одного розміру, які мають форму гіперсфер.

Оптимальною прийнято вважати кількість кластерів, яка визначається як різниця кількості спостережень і кількості кроків, після якої відстань об'єднання збільшується стрибкоподібно.

Кластерний аналіз, як і інші методи вивчення стохастичного зв'язку, вимагає численних складних розрахунків, які краще здійснювати за допомогою сучасних інформаційних систем, зокрема з використанням програмного продукту Statistica 6.0.

Загальну схему проведення кластерного аналізу можна подати у вигляді наступного алгоритму, який складається з наступних кроків [28]:

Етап 1. Перш ніж використовувати будь-який з методів кластерного аналізу, необхідно виконати наступні попередні процедури:

Процедура 1. Стандартизація і нормування даних призначені для того, щоб привести всі показники до однієї величини (зробити їх порівнянними). Дана процедура здійснюється по наступній формулі:

,

де x_ij - i-а реалізація j-ї ознаки,

- середнє арифметичне j-ї ознаки,

- стандартне відхилення j-ї ознаки.

Процедура 2. Знаходження матриці відстаней. Матриця відстаней D являє собою матрицю розмірністю nxn, кожен елемент якої характеризує віддаленість того або іншого об'єкта від іншого. Ця матриця виглядає наступним чином:

де d_su - відстань між об'єктами s і u, .

Існує досить велика кількість варіантів розрахунку даної відстані основні з яких представлені в табл. 2.1.

Таблиця 2.1 - Характеристика близькості об'єктів

Найменування показника	Формула	Характеристика
Кількісні шкали (відстані)
Лінійна відстань		Найкраще виділяються «плоскі» кластери, розташовані на гіперплощинах
Евклідова відстань		Геометрично найкраще поєднує об'єкти в кулястих скупченнях
Відстань Махаланобіса		Використовується, коли після нормування зберігається велика різниця в дисперсіях, яку необхідно нівелювати
Номінальні шкали (міри подібності)
Коефіцієнт Хеммінга		Для порівняння об'єктів у змішаних шкалах найменувань і порядку
Коефіцієнт Роджерса-Танімото		Якщо важлива тільки наявність властивості, а не її відсутність
Довільні шкали
Мера близькості Журавльова		Фактично здійснюється перехід від кількісних шкал до якісних
Мера близькості Вороніна		Підвищує змістовну обґрунтованість розрахунків

1. - значення l-ї ознаки у i-го об'єкта, l=; i,j=;

2. - вектор-стовпець значень всіх ознак на i-му об'єкті;

3. W^-1 - матриця, обернена до коваріаційної;

4. - загальна кількість значень властивостей, що співпадають, (нулевих та одиничних, де 1 - наявність властивостей, 0 - відсутність);

5. - кількість співпадаючих одиничних властивостей;

6. - кількість одиничних значень властивостей;

7. ; де - значення порога для l-го признака;

8. = - мера близькості об'єктів по l-му признаку;

9. - інформаційна вага признака, розрахована певних чином.

Етап 2. Використання того або іншого методу кластерного аналізу в залежності від цілей дослідження. Одним із найбільш поширених способів проведення ітераційних процедур ось уже понад сорок років виступає метод k-середніх. Застосування його потребує здійснення таких кроків:

- розділення вихідних даних досліджуваної сукупності на задану кількість кластерів;

- обчислення багатовимірних середніх (центрів тяжіння) виділених кластерів;

- розрахунок Евклідової відстані кожної одиниці сукупності до визначених центрів тяжіння кластерів та побудова матриці відстаней, яка ґрунтується на метриці відстаней. Використовують різні метрики відстаней, наприклад: Евклідова відстань (проста і зважена), Манхеттенська, Чебишева, Мінковського, Махалонобіса тощо;

– визначення нових центів тяжіння та нових кластерів.

Вибір даного методу кластеризації обґрунтований наступними перевагами:

- даний метод не будує геометричні кластери, що дозволяє уникнути їхнього перетинання і, як наслідок, влучення одного й того самого елемента в кілька кластерів;

- дозволяє формувати задану кількість кластерів, що полегшує економічну інтерпретацію отриманих результатів.

Використання методу k-середніх ґрунтується на двох критеріях:

1. Мінімізація відстані всередині кластера між його елементами. Цей критерій забезпечує формування кластерів з тісно лежачих один до одного об'єктів.

2. Максимізація відстані між центрами кластерів. Використання даного критерію дозволяє виділити кластери, що знаходяться на максимально можливій відстані друг від друга

Дискримінантний аналіз. Існують такі основні методи багатомірної класифікації з навчанням як дискримінантний аналіз. Дискримінантний аналіз є розділом багатовимірного статистичного аналізу, який дозволяє вивчати відмінності між двома і більш групами об'єктів по декількох змінних одночасно. Дискримінантний аналіз - це загальний термін, що відноситься до декількох тісно зв'язаних статистичних процедур. Ці процедури можна розділити на методи інтерпретації міжгрупових відмінностей -- дискримінації і методи класифікації спостережень по групах. При інтерпретації потрібно відповісти на питання: чи можливо, використовуючи даний набір змінних, відрізнити одну групу від іншої, наскільки добре ці змінні допомагають провести дискримінацію і які з них найбільш інформативні?

Методи класифікації пов'язані з отриманням однієї або декількох функцій, що забезпечують можливість віднесення даного об'єкту до однієї з груп. Ці функції називаються класифікуючими і залежать від значень змінних таким чином, що з'являється можливість віднести кожний об'єкт до однієї з груп.

Задачі дискримінантного аналізу можна розділити на три типи. Задачі першого типу часто зустрічаються в медичній практиці. Припустимо, що ми маємо свій в розпорядженні інформацію про деяке число індивідуумів, хвороба кожного з яких відноситься до одного з двох або більш діагнозів. На основі цієї інформації потрібно знайти функцію, що дозволяє поставити у відповідність новим індивідуумам характерні для них діагнози. Побудова такої функції і складає задачу дискримінації.

Другий тип задачі відноситься до ситуації, коли ознаки приналежності об'єкту до тієї або іншої групи втрачені, і їх потрібно відновити.

Задачі третього типу пов'язані з прогнозом майбутніх подій на підставі наявних даних.

Основною метою дискримінації є знаходження такої лінійної комбінації змінних (надалі ці змінні називатимемо дискримінантними змінними), яка б оптимально розділила дані групи. Лінійна функція називається канонічною дискримінантною функцією з невідомими коефіцієнтами:

де значення дискримінантної функції для m-го об'єкту в групі k;

значення дискримінантної змінної для m-го об'єкту в групі k.

З геометричної точки зору дискримінантні функції визначають гіперплощини в p-мерном просторі. В окремому випадку при p=2 вона є прямою, а при p=3 - площиною.

Коефіцієнти першої канонічної дискриминантної функції вибираються так, щоб центроіди різних груп якомога більше відрізнялися один від одного. Коефіцієнти другої групи вибираються також, але при цьому накладається додаткова умова, щоб значення другої функції були некорельовані із значеннями першої. Аналогічно визначаються і інші функції. Звідси витікає, що будь-яка канонічна дискримінантна функція має нульову внутрішньогрупову кореляцію. Якщо число груп рівно g, то число канонічних дискримінантних функцій буде на одиницю менше числа груп. Проте із багатьох причин практичного характеру корисно мати одну, дві або ж три дискримінантних функції. Тоді графічний вигляд об'єктів буде представлений в одно-, двух- і тривимірних просторах. Таке уявлення особливо корисно у разі, коли число дискримінантних змінних p велике в порівнянні з числом груп g.

Коефіцієнти канонічної дискримінантної функції. Для отримання коефіцієнтів канонічної дискримінантної функції потрібен статистичний критерій розрізнення груп. Очевидно, що класифікація змінних здійснюватиметься тим краще, чим менше розсіяння крапок щодо центроїда усередині групи і чим більше відстань між центроїдами груп. Зрозуміло, що велика внутрішньогрупова варіація небажана, оскільки в цьому випадку будь-яка задана відстань між двома середніми тим менш значуща в статистичному значенні, чим більше варіація розподілів, відповідних цим середнім. Один з методів пошуку якнайкращої дискримінації даних полягає в знаходженні такої канонічної дискриминантної функції d, яка б максимізувала відношення міжгрупової варіації до внутрішньогрупової

(2.1)

де B - міжгрупова і W - внутригрупова матриці розсіяння спостережуваних змінних від середніх.

Іноді в (2.1) замість W використовують матрицю розсіяння T з'єднаних даних.

В моделі дискримінації повинні дотримуватися наступні умови:

1) число груп: ;

2) число об'єктів в кожній групі: ;

3) число дискримінантних змінних: ;

4) дискримінантні змінні вимірюються в інтервальній шкалі;

5) дискримінантні змінні лінійно незалежні;

6) ковариаційні матриці груп приблизно рівні;

7) дискримінантні змінні в кожній групі підкоряються багатовимірному нормальному закону розподілу.

Дискримінантний аналіз є найважливішим інструментом прогнозування фінансового стану підприємства.

3. ПОБУДОВА МОДЕЛЕЙ ВИБОРУ ФІНАНСОВОЇ СТРАТЕГІЇ ПІДПРИЄМСТВА

3.1 Алгоритм вибору фінансової стратегії підприємства

Для вибору фінансової стратегії в роботі пропонується наступний алгоритм (рис. 3.1).

Размещено на http://www.allbest.ru/

Рис. 3.1. Алгоритм вибору фінансової стратегії

Розглянемо кожен з етапів більш докладно.

Етап 1. Побудова інтегрального показника складових фінансового стану.

Як визначалося в п. 2.1 та 2.2 існує безліч показників, які використовуються для дослідження фінансового стану підприємства, однак всі їх можна згрупувати по чотирьох групах. Інтегральний показник кожної групи дозволяє визначити рівень розвитку по кожній групі, що в свою чергу дозволяє більш адекватно визначати фінансову стратегію підприємства.

Етап 2. Прогнозування інтегрального показника фінансового стану.

Побудова моделей прогнозування здійснювалася на основі аналізу інтегральних показників, котрі були побудовані по такому інформаційному забезпеченню як баланс підприємства (форма №1) і звіт про фінансові результати і їх використовування (форма №2) за останніх 3 роки функціонування підприємства поквартально (11 спостережень). Перераховані вище показники-індикатори - незалежні чинники (екзогенні), інтегральний показник фінансового стану - залежний (ендогенний) чинник моделі.

Етап 3. Визначення кластерів фінансового стану.

Для того, щоб визначити рівень фінансового стану по загальних показниках необхідно визначити кластери фінансового стану підприємства. Для визначення кластерів в роботі пропонується використання методів кластерного аналізу.

Етап 4. Вибір фінансової стратегії.

Вибір фінансової стратегії базується на тому, в який кластер попаде прогнозоване значення фінансового стану підприємства по чотирьох показниках, і буде підвищуватися чи зменшуватися інтегральний показник фінансового стану. Тобто для вибору фінансової стратегії підприємства в роботі пропонується матриця, яка заснована на композиції кластерів поточного фінансового стану та прогнозного фінансового стану (рис. 3.2).

Розглянемо кожен елемент матриці.

„1” - в даному випадку, спостерігається низький рівень стійкості фінансового стану та прогнозується його погіршення. Ця ситуація є найнебезпечнішою для підприємства. тому для нього доцільно обрати антикризову фінансову стратегію, яка спрямована на підтримання підприємства, яке дуже близько до банкрутства;

„2” - цей елемент характеризується середнім кластером фінансового стану і спадаючою тенденцією загального показника фінансового стану. Це свідчить про необхідність формування антикризової фінансової стратегії, щоб у майбутньому фінансовий стан покращився і було здійснено перехід до елементів „5” або „6”.

Размещено на http://www.allbest.ru/

Рисунок 3.2 - Матриця вибору фінансової стратегії підприємства

„3” - ця ситуація характеризується погіршенням стану в майбутньому, що може привести к дестабілізації положення підприємства на ринку, і, як наслідок, привести до втрати ринку. В цьому випадку слід дотримуватися стратегії фінансового забезпечення стійкого росту, яка дозволить уникнути погіршення фінансового стану.

„4” - ця ситуація є антагоністичною до ситуації „1”. Однак перевагою даної ситуації перед „1” є кращі перспективи, тобто фінансовий стан має перспективи до покращення, і в майбутньому можливо покращення кластеру фінансового стану. В цьому випадку доцільно використовувати стратегію фінансового забезпечення стійкого росту, коли можливо за рахунок власних ресурсів значно покращити свій фінансовий стан.

„5”, „6” - ці елементи матриці вибору стратегії є найбільш привабливими для підприємства, тобто спостерігається напрямок покращення фінансового стану, і крім того, підприємство вже знаходиться в задовільному фінансовому стані. В цих ситуаціях необхідно використовувати стратегію фінансового забезпечення прискореного росту (агресивну фінансову стратегію), яка має на увазі використання не тільки власних ресурсів, але і залучення позикових коштів.

3.2 Розрахунок інтегрального показника фінансового стану підприємства та його прогнозування

Розрахунок інтегральних показників здійснювався на підставі аналізу балансу і звіту про фінансові результати ОАО „Сніжнянський машинобудівний завод”. В результаті розрахунків отримано наступні дані (табл. 3.1).

Таблиця 3.1 - Початкові дані для побудови економетричної моделі

Період	Загальний інтегральний показник фінансового стану	Інтегральний показник оборотності	Інтегральний показник ліквідності	Інтегральний показник фінансової стабільності	Інтегральний показник рентабельності
1	0,1179	0,764	0,0123	0,0368	0,006
2	0,1078	0,2927	0,009	0,1852	0,009
3	0,1494	0,0115	0,0001	0,8597	0,0154
4	0,1057	0,077	0,0113	0,1393	0,028
5	0,1743	0,0003	0,0012	0,0378	0,0047
6	0,1028	0,1031	0,0157	0,0401	0,0116
7	0,1688	0,0112	0	0,3951	0,0074
8	0,0892	0,2099	0,288	0,9259	0,1929
9	0,0112	0,0034	0,0391	0,0768	0,009
10	0,0482	0,0046	0,1796	0,3634	0,042
11	0,1623	0,0818	0,2583	0,4019	0,0724

Всі необхідні розрахунки для побудови регресійної моделі виконані з використанням пакету “Statistica”. Стисло опишемо цей пакет програм, розглянемо його структуру і можливості.

Пакет Statistica проводиться фірмою StatSoftInc (США), заснованою в 1984 году. Statistica є статистичним пакетом, що динамічно розвивається, і по численних рейтингах є світовим лідером на ринку статистичного програмного забезпечення. Statistica є інтегрованою системою статистичного аналізу і обробки даних. Вона складається з наступних основних компонент, які з'єднані в рамках однієї системи:

ь електронних таблиць для введення і завдання початкових даних, а також спеціальних таблиць для висновку чисельних результатів аналізу;

ь могутньої графічної системи для візуалізації даних і результатів статистичного аналізу;

ь набору спеціалізованих статистичних модулів, в яких зібрані групи логічно зв'язаних між собою статистичних процедур;

ь спеціального інструментарію для підготовки звітів;

ь вбудованих мов програмування SCL (Statistica Command Language) і Statistica Basic, які дозволяють користувачу розширити стандартні можливості системи.

Для проведення закінченого статистичного дослідження не потрібне додаткове програмне забезпечення - всі етапи статистичного аналізу, починаючи від введення початкових даних і їх перетворень і закінчуючи підготовкою звіту або написання власних процедур обробки, можна виконати, використовуючи тільки систему Statistica.

Пакет Statistica має широкий діапазон обчислювальних і графічних можливостей. В Statistica вбудована безліч процедур обчислення, призначених для обчислень як основних характеристик, так і додаткових. В Statistica є сотні типів графіків, призначених як для графічної візуалізації початкових даних, розвідувального аналізу, так і для графічного висновку результатів і вибору послідовності напрямів аналізу. Окрім стандартних типів графіків, в Statistica є надзвичайно велика кількість спеціалізованих статистичних графіків. Statistica володіє такою цінною можливістю як обмін даними між Statistica і іншими Windows-додатками. Statistica задовольняє основним стандартам середовища Windows. Зокрема, Statistica повністю підтримує основні операції з буфером обміну Windows, технологію Динамічного обміну даними (DDE) і Скріплення і упровадження об'єктів OLE, імпорт за допомогою технології ODBS і інші.

Регресійна багатофакторна модель в роботі була побудована на основі даних, представлених в табл. 3.1.

Знайдемо невідомі параметри моделі. Отримані наступні результати (рис. 3.3):

Рисунок 3.3 - Параметри моделі

Отже, отримали регресійну багатофакторну модель вигляду:

де У - інтегральний показник фінансового стану підприємства;

- інтегральний показник оборотності;

- інтегральний показник ліквідності;

- інтегральний показник стабільності;

- інтегральний показник рентабельності.

Для перевірки статистичної значущості параметрів моделі був використаний критерій Ст'юдента (t-критерий). Отримали наступні результати:

,

,

.

По таблицях Ст'юдента = 2,45, для k = n - m -1 = 6 = 0,05, де k - число ступенів свободи, - рівень довіри. Порівнявши значення і , можна зробити висновок, що два з параметрів моделі статистично незначущі.

Коефіцієнт множинної кореляції R 0,936 (рис. 3.4). Оскільки значення R близько до одиниці, то дану економетричну модель можна використовувати для аналізу і прогнозу економічних явищ. Коефіцієнт детермінації . Оскільки , то модель є адекватною. Але оскільки два з параметрів статистично незначущі і модель потрібно поліпшити, то виключимо чинники і з моделі.

Рисунок 3.4 - Значення критеріїв якості моделі

Остаточні результати побудови моделі представлені на рис. 3.5

Рисунок 3.5 - Модифікована модель

Знайдемо невідомі параметри моделі. Отримані наступні результати:

Отже, отримали регресійну багатофакторну модель вигляду:

де У - інтегральний показник фінансового стану підприємства

- інтегральний показник ліквідності.

- інтегральний показник стабільності

Для перевірки статистичної значущості параметрів моделі був використаний критерій Ст'юдента (t-критерий). Отримали наступні результати (рис. 3.6):

,

,

По таблицях Ст'юдента = 2,31, для k = n - m -1 = 8, = 0,05, де k - число ступенів свободи, - рівень довіри. Порівнявши значення і , можна зробити висновок, що знайдені параметри моделі статистично значущі.

Коефіцієнт множинної кореляції R 0,916 (рис. 3.6). Оскільки значення R близько до 1, то дану економетричну модель можна використовувати для аналізу і прогнозу економічних явищ. Коефіцієнт детермінації . Оскільки , то модель є адекватною.

Рисунок 3.6 - Значення критеріїв якості моделі

Для перевірки статистичної значущості моделі був використаний критерій Фішера. Отримали результат: F (2, 8) = 2,407 > , = 4,46. Значення по критерію Фішера більше табличного, отже модель є статистично значимою.

Істотність автокореляції помилок можна перевірити по критерію Дарбіна-Уотсона (DW). Для даної моделі DW = 1,83 2, отже, автокореляції помилок немає.

Таким чином, побудована модель може бути використана для прогнозування фінансового стану.

Для прогнозування окремих складових моделі оцінки фінансового стану будемо використовувати моделі дослідження часових рядів.

Динаміка цих показників свідчить про можливість побудови трендових моделей. Побудуємо ці моделі.

Модель 1 - Модель прогнозування інтегрального показника ліквідності.

Розрахунок параметрів наведено на рис. 3.7

Рисунок 3.7 - Розрахунок параметрів моделі 1

Таким чином модель має вигляд

Аналіз параметрів моделі свідчить, що кожного періоду інтегральний показник ліквідності збільшується на 0,023 одиниці.

Критерії адекватності моделі наведено на рис. 3.8

Рисунок 3.8 - Критерії якості моделі

Аналіз цього рисунку свідчить, що побудована модель є адекватною і її можна використовувати для прогнозування.

Модель 2 - модель прогнозування інтегрального показника стабільності.

Розрахунок параметрів наведено на рис. 3.9

Рисунок 3.9 - Розрахунок параметрів моделі 2

Таким чином модель має вигляд

Критерії адекватності моделі наведено на рис. 3.10

Рисунок 3.10 - Критерії якості моделі

Аналіз цього рисунку свідчить, що побудована модель є адекватною і її можна використовувати для прогнозування

Таким чином, загальний вигляд моделі для прогнозування фінансового стану підприємства наступний

Побудуємо прогноз по загальній моделі.

Прогноз інтегрального показника ліквідності та інтегрального показника стабільності наведено на рис. 3.11 та 3.12

Рисунок 3.11 - Прогноз інтегрального показника ліквідності

Рисунок 3.12 - Прогноз інтегрального показника стабільності

Підставляючи прогнозні значення цих показників в загальну модель отримуємо значення інтегрального показника фінансового стану (рис. 3.13)

Рис. 3.13. Значення загального інтегрального показника

Таким чином, значення інтегрального показника фінансового стану на 2012-2013 рр. становить 0,175 та 0,182 відповідно.

3.3 Побудова кластерів фінансового стану підприємства та вибір фінансової стратегії

Побудова кластерів фінансового стану дозволяє реалізувати третій та четвертий етапи алгоритму вибору фінансової стратегії.

Для побудови кластерів доцільно використовувати пакет Statistica. Побудова кластерів здійснюється за допомогою методу к-середніх. Стартове вікно зображено на рис. 3.14

Рис. 3.14. Стартове вікно кластерного аналізу

Результати кластерізації зображено на рис. 3.15

Рис. 3.15. Результати кластерного аналізу

Для аналізу кластерів необхідно дослідити середні значення кожного з показників. Дані щодо середніх значень наведено на рис. 3.16 та в табл. 3.2.

Рис. 3.16. Середні значення показників в кластерах

Таблиця 3.2 - Середні значення показників в кластерах

	Кластер 1	Кластер 2	Кластер 3
X1	0,110700	0,764000	0,071763
X2	0,144050	0,012300	0,064275
X3	0,892800	0,036800	0,204950
X4	0,104150	0,006000	0,023013

Згідно таблиці 3.2 можна дати наступну інтерпретацію кластерів (табл. 3.3).

Таблиця 3.3 - Економічна інтерпретація кластерів

Кластер	Економічна інтерпретація
1	Кластер високого рівня стійкості фінансового стану
2	Кластер низького рівня стійкості фінансового стану
3	Кластер середнього рівня стійкості фінансового стану

Таким чином, за досліджуваний період часу підприємство знаходилось в наступних фінансових станах (табл. 3.4).

Таблиця 3.4 - Клас фінансового стану підприємства

Період часу	Клас фінансового стану
1	Низький
2	Середній
3	Високий
4	Середній
5	Середній
6	Середній
7	Середній
8	Високий
9	Середній
10	Середній
11	Середній

Визначимо згідно матриці вибору стратегій адекватну фінансову стратегію підприємства (рис. 3.17).

Размещено на http://www.allbest.ru/

Рис. 3.17. Матриця вибору фінансової стратегії для досліджуваного підприємства

Досліджуване підприємство опинилося в „5” ситуації. Це свідчить, що підприємству доцільно обирати стратегію фінансового забезпечення прискореного росту (агресивну фінансову стратегію), яка спрямована на захват ринку, розширення своїх виробничих та фінансових потужностей за рахунок використання як власних так і позикових коштів.

ВИСНОВКИ

Пріоритетною в дослідженні фінансово-господарського стану підприємства є не стільки констатація фактичного положення справ, скільки обґрунтований прогноз перспективних дій підприємства, розробка рекомендацій для уникнення можливих помилок і прорахунків при стратегічному плануванні, тобто формування фінансової стратегії підприємства. Тому створення для цієї мети моделі вибору фінансової стратегії підприємства є необхідним і доцільним аспектом підвищення ефективності фінансового управління та планування.

Для досягнення поставленої мети роботи були вирішені наступні задачі:

досліджено місце фінансової стратегії в загальній стратегії підприємства;

виділено принципи формування фінансової стратегії;

проаналізовано методи моделювання процесів вибору фінансової стратегії;

розроблено алгоритмічну модель вибору типу фінансової стратегії підприємства;

розраховано інтегральний показник фінансового стану;

розроблено моделі прогнозування показників фінансового стану підприємства;

здійснено групування станів підприємства за рівнем фінансової стійкості;

проаналізовано динаміку показників фінансового стану аналізованого підприємства та здійснено вибір фінансової стратегії.

Запропонована алгоритмічна модель вибору фінансової стратегії підприємства включає чотири етапи.

На першому етапі було побудовано інтегральний показник складових фінансового стану по чотирьох групах. Інтегральний показник кожної групи дозволяє визначити рівень розвитку по кожній групі, що в свою чергу дозволяє більш адекватно визначати фінансову стратегію підприємства.

Другий етап присвячений прогнозуванню загального фінансового стану. Для цього в роботі побудовано моделі кожної групи показників На третьому етапі визначений склад кластерів фінансового стану. Четвертий етап присвячений саме вибору ефективної фінансової стратегії, якою для досліджуваного підприємства є стратегія фінансового забезпечення прискореного росту (агресивна фінансова стратегія).

СПИСОК ДЖЕРЕЛ ІНФОРМАЦІЇ

1. Антикризисное управление - от банкротства к финансовому оздоровлению /под ред. Г.П. Иванова/. - М.: Закон и право, ЮНИТИ, 1995. - 320 с

2. Бланк И. А. Основы финансового менеджмента. - Киев: Ника-Центр: Эльга, 1999. - 511 с.

3. Градов А.П. Стратегия и тактика антикризисного управления фирмой. - СПб.: Спец. лит., 1996 - 510 с.

4. Доугерти К. Введение в эконометрику: [Учеб. для экон. спец. вузов]: Пер. с англ. - М.: ИНФРА-М: Экон. фак. МГУ им. М.В. Ломоносова, 1997. - 402 с.

5. Іваниця О.Б. Необхідність застосування антикризового менеджменту. Регіональні перспективи № 2-3 (9-10) 2000, с. 164-166.

6. Ковалев А.И., Привалов В.П. Анализ финансового состояния предприятия. - М.: Центр экономики и маркетинга, 2000. -203 с.

7. Ковалев В.В. Введение в финансовый менеджмент. - М.: Финансы и статистика, 2000. - 767с.

8. Лігоненко Л.О. Антикризове управління підприємством: теоретико-методологічні засади та практичний інструментарій. - Київ: Віра - В, 2000. - 580 с.

9. Лігоненко Л.О. Методичні аспекти оцінки результативності розробки та впровадження антикризової програми підприємства. Регіональні перспективи № 2-3 (9-10) 2000, с. 116-118.

10. Наконечний С.І. та ін. Економетрія: Навч. посібник / С.І. Наконечний, Т.О. Терещенко, Т.П. Романюк; Київ. нац. екон. ун-т. - К.: КНЕУ, 1997. - 350 с.

11. Теория и практика антикризисного управления: Учебник/ Г.З. Базаров, С.Т. Беляев, А.П. Белых. - М.: ЮНИТИ, 1996. - 496 с.

12. Толбатов Ю.А. Економетрика: [Підручн. для екон. спец. вузів] / Київ. держ. торг.-екон. ун-т. - К.: Четверта хвиля, 1997. - 319 с .

13. Финансовый менеджмент: Учебник для вузов по экономическим специальностям / Поляк, Акодис И.А., Краева Г.А. - М.: Финансы: Издательское объединение ЮНИТИ , 1997. - 517 с.

14. Финансовый менеджмент: теория и практика. Учебник для студентов. Е.С. Стоянова, Г.Б. Крылова, И.Т. Балабанов. - М.: Перспектива, 1998 - 665 с.

15. Христиановский В.В. и др. Прикладная эконометрия: Учебн. для экон. вузов / В.В. Христиановский, Н.Г. Гузь, О.Г. Кривенчук; Донец. гос. ун-т. - Донецк: ДонГУ, 1998. - 172 с.

16. Гайдышев И. Анализ и обработка данных . Спб: Питер, 2001. -750с

17. Калинина В.Н., Соловьев В.И. Введение в многомерный статистический анализ . Учебное пособие/ГУУ. -М. , 2003. -66 с

18. Ким О. Дж., Мьюллер Ч.У., Клекка У.Р., и др. Факторный, дискриминантный и кластерный анализ . Под ред. И. С. Енюкова. -- М.: Финансы и статистика, 1989. -- 215 с:

19. Баранова Т.А. Многомерные статистические методы. Корреляционный анализ. Методические указания

20. Андерсон Т. Введение в многомерный статистический анализ. М.: Физматгиз, 1963. 500 с.

21. А.И. Орлов Математика случая Вероятность и статистика - основные факты. Учебное пособие. М.: МЗ-Пресс, 2004

22. Вероятность и математическая статистика: Энциклопедия / Гл. ред. акад. РАН Ю.В.Прохоров. - М.: Большая Российская энциклопедия, 1999. - 910с.

23. Орлов А.И. Эконометрика. Учебник. 2-е изд. - М.: Экзамен, 2003. - 576 с.

24. Рекомендации. Прикладная статистика. Методы обработки данных. Основные требования и характеристики / Орлов А.И., Фомин В.Н. и др. - М.: ВНИИСтандартизации, 1987. - 62 с.

25. Колмогоров А.Н. Основные понятия теории вероятностей. - М.-Л.: ОНТИ, 1936. - 80 с.

26. Колмогоров А.Н. Теория информации и теория алгоритмов. - М.: Наука, 1987. - 304 с.

27. Гнеденко Б.В. Курс теории вероятностей: Учебник. 7-е изд., исправл. - М.: Эдиториал УРСС, 2001. - 320 с.

28. Орлов А.И. Устойчивость в социально-экономических моделях. - М.: Наука, 1979. - 296 с.

29. Большев Л.Н., Смирнов Н.В. Таблицы математической статистики. - М.: Наука, 1965 (1-е изд.), 1968 (2-е изд.), 1983 (3-е изд.).

30. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики для технических приложений. - М.: Наука, 1969. - 512 с.

31. Колмогоров А.Н. О логарифмически нормальном законе распределения размеров частиц при дроблении / Доклады АН СССР. 1941. Т.31. С.99-101.

32. Крамер Г. Математические методы статистики. - М.: Мир, 1975. - 648 с.

33. Прохоров Ю.В., Розанов Ю.А. Теория вероятностей. (Основные понятия. Предельные теоремы. Случайные процессы.) - М.: Наука, 1973. - 496 с.

34. Камень Ю.Э., Камень Я.Э., Орлов А.И. Реальные и номинальные уровни значимости в задачах проверки статистических гипотез. - Журнал «Заводская лаборатория». 1986. Т.52. No.12. С.55-57.

35. Орлов А.И. О нецелесообразности использования итеративных процедур нахождения оценок максимального правдоподобия. - Журнал «Заводская лаборатория», 1986, т.52, No.5, с.67-69.

36. Орлов А.И. Распространенная ошибка при использовании критериев Колмогорова и омега-квадрат. - Журнал «Заводская лаборатория».1985. Т.51. No.1. С.60-62.

37. Кендалл М.Дж., Стъюарт А. Статистические выводы и связи. - М.: Наука, 1973. - 900 с.

38. Себер Дж. Линейный регрессионный анализ. - М.: Мир, 1980. - 456 с.

39. Математическая теория планирования эксперимента / Под ред. С.М.Ермакова. - М.: Наука, 1983. - 392 с.

40. Холлендер М., Вульф Д. Непараметрические методы статистики. - М.: Финансы и статистика, 1983. - 518 с.

41. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. - М.: Наука, 1976. - 736 с.

42. Орлов А.И. Некоторые неклассические постановки в регрессионном анализе и теории классификации. - В сб.: Программно-алгоритмическое обеспечение анализа данных в медико-биологических исследованиях. - М.: Наука, 1987. С.27-40

Размещено на Allbest.ru

...