CC BY
9дукции на уровне, обеспечивающем ее высокую конкурентоспособность на внутренних и внешних рынках.
На первом этапе надо привлекать важнейшие «ноу-хау» в фармацевтическую отрасль, которые способны к эффективной интеграции различных технологии из других стран.
Опыт показывает, что в результате внутрикластерного взаимодействия в наибольшей мере способствуют развитию сети своих поставщиков и клиентов. Средние и мелкие фармацевтические предприятия формируют сателлитные образования вокруг крупных групп и становятся их поставщиками.
Один из эффективных способов содействия инновационным процессам — укрепление взаимодействия между фармацевтическими фирмами разного профиля, а иногда и между разными видами создателей знания — научными и технологическими НИИ.
Однако, сотрудничество становится все более необходимым, но оно несет с собой известную опасность — возможность утраты самостоятельности, способности к проведению самостоятельной линии поведения на фармацевтическом рынке, к самостоятельному освоению новых лекарственных продуктов, новых технологий и пр.
Для кластерной стратегии отправной точкой служат сильные стороны экономики, строится на центрах инновационной активности, уже доказавших свою силу и конкурентоспособность на мировом фармацевтическом рынке.
Можно говорить о трех определениях кластеров, каждый подчеркивает тот или иной аспект его функционирования:
1. Ограниченные формы инновационной активностью внутри родственных секторов, обычно привязанные к НИИ, университетам и т. д.
2. Вертикальные производственные цепочки, довольно узко определенные секторы, в которых смежные этапы производственного процесса образуют ядро кластера (например, цепочка «поставщик —сбытовик — покупатель»). В эту же категорию попадают сети, формирующиеся вокруг головных фирм.
3. Отрасли промышленности, определенные на высоком уровне агрегации, например, «фармацевтический кластер.
Кластерная стратегия должна проводиться на том уровне, на котором достигается наибольшее преимущество в конкуренции.
Говоря о кластерах, можно выделить две альтернативные стратегии, которые дополняют друг друга:
— стратегии, направленные на повышение использования зна-
ний в существующих кластерах;
— стратегии, направленные на создание новых сетей конструктивного сотрудничества внутри кластеров.
Можно выделить целый ряд уже апробированных практикой систем содействия формированию кластеров:
— программы, направленные на объединение деловых людей фармацевтического содружества в расчете на то, что расширение сетей приведет к расширению сотрудничества;
— инвестирование в посреднические инициативы;
— государственное финансирование некоторых кластерных проектов на конкурсной основе. В этом случае представители разных проектов сотрудничества могут подавать заявки на субсидии, причем государственные средства получают лишь самые лучшие проекты (пример, «Роснано»).
Преимущества кластерного подхода для органов власти состоят в том, что он позволяет комплексно, системным образом рассматривать ситуацию в группе взаимосвязанных предприятий, относящихся к разным отраслям. Кластерный подход приводит к тому, что использование в качестве «основы» стратегии развития кластера инициативы, выдвинутые и реализуемые лидерами бизнеса, которые, таким образом, гарантированно будут успешно реализованы.
При достижении успеха в развитии фармацевтических кластеров является совместной задачей бизнеса и органов власти соответствующего уровня, только взаимопонимание и готовность к сотрудничеству между ними гарантируют положительные результаты. Важнейшим элементом в развитии кластерного принципа является установление постоянного диалога всех участников процесса, работающих на фармацевтическом рынке, соответствующих государственных структур, научно-исследовательских организаций, системы отраслевого образования и др.
Таким образом, кластерный подход становится одним из основополагающих принципов формирования промышленной политики.
Литература:
1. Анискин Ю. П. Корпоративное управление инновационным развитием: монография/под ред. Ю.П. Анискина.-М.: Омега-Л, 2007.-411 с.
2. Ланин Д. Кластерный анализ// Эксперт-2010.- №22
3. Москаленко Л. Нужна здоровая политика //Эксперт - 2010.-№40
РАЗРАБОТКА ПРОГНОЗОВ ИНВЕСТИЦИОННОЙ ПРИВЛЕКАТЕЛЬНОСТИ ПРЕДПРИЯТИЙ ЦЕНТРАЛЬНОЙ РОССИИ
Зарипов А.А., к. э. н., доцент Института управления и права Теленков Р.Н., менеджер, ООО «Магаданрыба»
В статье на основе дискриминантного анализа получена функция, позволяющая проводить классификацию предприятий по степени успешной деятельности, а также рассчитывать вероятность этой классификации, что существенно в целях управления их инвестиционной привлекательностью.
Ключевые слова: технический сервис, инвестиционная привлекательность, кластер
DEVELOPMENT FORECAST INVESTMENT ATTRACTIVENESS OF ENTERPRISES CENTRAL RUSSIA
Zaripov A., Ph.D., associate professor, Institute of Management and Law Telenkov R., manager, Magadanryba, JSC
In this paper, based on discriminant analysis derived feature that allows the classification of enterprises according to the degree of success, as well as to calculate the probability of this classification, which is important in order to manage their investment attractiveness.
Keywords: technical support, investment attraction, the cluster
При планировании работы сервисных предприятий и служб важным является создание кластеров по видам деятельности обслуживаемых предприятий, как с точки зрения оборудования, так и условий их развития. В математическом плане прогнозирование инвестиционной привлекательности предприятий с точки зрения предоставления им сервисных услуг может быть основано на построении дискриминантной функции показателей, позволяющей классифицировать более благополучные предприятия (группа 1) и ме-
нее благополучные (группа 2). При этом, такая классификация носит значительно менее субъективный характер, чем субъективные предположения о форме свертки частных показателей инвестиционной привлекательности в итоговый рейтинг. Если кластеры предприятий разделены недостаточно однозначно, то отнесение предприятий к группам проводим по значениям наиболее информативного первого главного фактора (фактору финансовой устойчивости), а также значений итогового рейтинга [1]. Третий кластер имеет
Рис. 1. Распределение рейтинга инвестиционной привлекательности по группам инвестиционной привлекательности предприятий
Таблица 1. Классификация выбранных предприятий ЦФО по значениям итогового рейтинга
Ранг Предприятие Регион
Группа 1 - более благополучные предприятия
1 Хлебозавод № 22 Москва
2 Черкизово Москва
3 Обнинский молочный завод Калужская обл.
4 Орловский хлебокомбинат Орловская обл.
6 Хлебокомбинат Калужская обл.
7 Тульская кондитерская фабрика «Ясная поляна» Тульская обл.
10 Калужский мясокомбинат Калужская обл.
13 Русский хлеб Костромская обл.
Г руппа 2 - менее благополучные предприятия
15 Юрьев-Польский завод сухого обезжиренного молока Владимирская обл.
20 Атрус Ярославская обл.
23 Владимирский хлебокомбинат Владимирская обл.
24 Кондитерская фирма «ТАКФ» Тамбовская обл.
26 Фирма «Мортадель» Московская обл.
27 Брянконфи Брянская обл.
30 Партнер и К Московская обл.
37 ОАО «Макаронно-кондитерское производство» Белгородская обл.
Группа 0 - неклассифицированные предприятия
5 Прогресс Липецкая обл.
8 Аннинское молоко Воронежская обл.
9 Кондитерская фабрика «Ударница» Москва
11 Корнет Москва
12 Рыбинский комбикормовый завод Ярославская обл.
14 Шуйский маслоэкстракционный завод Ивановская обл.
16 Кондитерская фабрика «Славянка» Белгородская обл.
17 Кашинский ликеро-водочный завод «Вереск» Тверская обл.
18 Смоленский молочный комбинат «Роса» Смоленская обл.
19 ОАО «Детское питание Истра-нутриция» Московская обл.
21 Московский булочно-кондитерский комбинат «Коломенское» Москва
22 Янтарь Воронежская обл.
25 Хлебокомбинат «ПЕКО» Москва
28 Знаменский сахарный завод Тамбовская обл.
29 Хлебозавод № 28 Москва
31 Балканская звезда Ярославская обл.
32 Ликеро-водочный завод «Топаз» Московская обл.
33 Хлебозавод № 6 Москва
34 Сахарный завод «Никифоровский» Тамбовская обл.
35 Чернянский мясокомбинат Белгородская обл.
36 Москворечье Москва
Таблица 2. Групповые статистики и критерии равенства групповых средних переменных инвестиционной привлекательности предприятий
Предиктор Обозна- чение Более благополучные предприятия Менее благополучные предприятия Лямбда Уилкса F Р-уровень
Логарифм балансовой прибыли X, 4,2395 4,3735 0,983 0,24 0,633
Логарифм общей рентабельности отчетного периода х2 2,6481 2,3733 0,794 3,62 0,078
Логарифм рентабельности основной деятельности Хз 2,9812 2,5973 0,748 4,72 0,048
Логарифм рентабельности активов х„ 3,2946 3,3943 0,964 0,52 0,481
Логарифм коэффициента текущей ликвидности х5 2,4626 0,6092 0,118 104,42 0,000
Логарифм коэффициента неавтономии х„ -2,7559 -1,2272 0,208 53,37 0,000
Логарифм доли заемных средств в выручке Х7 -3,6733 -2,3669 0,234 45,84 0,000
Логарифм коэффициента необеспеченности собственными оборотными средствами Х8 -2,2402 -,3620 0,119 103,37 0,000
Таблица 3. Структурная матрица преобразованных показателей инвестиционной привлекательности предприятий
Предиктор Обозначение Функция 1
Логарифм коэффициента текущей ликвидности Х5 0,608
Логарифм коэффициента необеспеченности собственными оборотными средствами х8 -0,605
Логарифм коэффициента неавтономии X, -0,435
Логарифм доли заемных средств в выручке х7 -0,403
Логарифм рентабельности основной деятельности Хз 0,129
Логарифм общей рентабельности отчетного периода х2 0,113
Логарифм рентабельности активов х4 -0,043
Логарифм балансовой прибыли X, -0,029
Таблица 4. Статистические характеристики дискриминирующей способности дискриминантной функции
Лямбда Уилкса Критерий хи-квадрат Число степеней свободы Р-уровень
0,116 25,899 2 0,000
Таблица 5. Коэффициенты канонической ненормированной дискриминантной функции
Предиктор Коэффициент дискриминантной функции
Логарифм общей рентабельности 0,385
Логарифм коэффициента текущей ликвидности 2,828
(Константа) -5,574
Таблица 6. Ненормированные канонические дискриминантные функции
Г руппа предприятий Функция 1
1 - инвестиционно более привлекательные 2,410
2 - инвестиционно менее привлекательные -2,754
Таблица 7. Результаты классификации предприятий пищевой промышленности
Статистика Г руппа предприятий Предсказанная принадлежность к группе Итого
1 2
Частота Г руппа 1 — инвестиционно более привлекательные 8 0 8
Г руппа 2 - инвестиционно менее привлекательные 0 7 7
Несгруппированные наблюдения 10 9 19
Процент Г руппа 1 — инвестиционно более привлекательные 100,0 0,0 100,0
Г руппа 2 - инвестиционно менее привлекательные 0,0 100,0 100,0
Несгруппированные наблюдения 52,6 47,4 100,0
медианные значения и фактора финансовой устойчивости, и итогового рейтинга инвестиционной привлекательности ниже медианы полной выборки объемом 37 предприятий, и входящие в него восемь предприятий можно включить в группу 2 [2]. Предприятия кластера 4, напротив, характеризуются медианными значениями фактора финансовой устойчивости и итогового рейтинга инвестиционной привлекательности выше медианы полной выборки, и на этом основании эти восемь предприятий могут быть отнесены к
группе 1 более благополучных предприятий. Таким образом, обучающая выборка включает 16 статистических единиц, Остальные 21 предприятия отнесены к группе 0 - неклассифицированных предприятий. Рис. 1 наглядно иллюстрирует распределения фактора финансовой устойчивости и рейтинга инвестиционной привлекательности по группам инвестиционной привлекательности предприятий.
Из рис. 1а видно, что медианное значение рейтинга предприя-
Рис. 2. Корреляционная связь значений дискриминантной функции с итоговым рейтингом
тий группы 1 находится на уровне 71,3, группы 2 - на уровне 63,9, причем оба распределения не перекрываются. В то же время, предприятия группы 0 характеризуются рейтингами инвестиционной привлекательности как выше, так и ниже медианных значений групп 1 и 2, т.е следует ожидать, что часть из них будут классифицированы как предприятия с большей, а часть - с меньшей инвестиционной привлекательностью. Аналогично, предприятия групп 1 и 2 хорошо разделены по значениям фактора финансовой устойчивости - если предприятия группы 1 характеризуются положительными значениями этого фактора, то предприятия группы 2 - отрицательными значениями (диаграмма рисунка 1б). Отметим, что поскольку численность групп 1 и 2 одинаково - по восемь предприятий, отсюда следует, что вероятности более и менее успешной деятельности этих предприятий равны. В результате получаем следующую классификационную табл. 1. Эконометрическое моделирование, направленное на классификацию неклассифицированных ранее предприятий, проводили по схеме дискриминантного анализа в пакете анализа данных общественных наук SPSS Base 8.0. Критериями различия между группами обучающей подвыборки являются величины выборочной статистики лямбды Уилкса и критерия Фишера.
а
=г
I
■а
к
го
I
I-
I
го
I
о.
о
Рис. 4. Ранжирование неклассифицированных предприятий пищевой промышленности по величине дискриминантной функции. Пунктирной линией отмечено среднее значений ненормированной канонической дискриминантной функции в центроидах групп (-0,І72)
Если значение лямбда Уилкса окажется достаточно малым и, напротив, критерий Фишера большим, различимость групп по соответствующим признакам может быть признана высокой. Результаты первого этапа статистического анализа приведены в табл. 2. Групповые средние всех предикторов, кроме логарифма балансовой прибыли и логарифма рентабельности активов, для групп І и 2 статистически значимо различаются - односторонний р-уровень меньше нормативного значения 0,05. Можно ожидать, что предиктор «логарифм коэффициента текущей ликвидности» Х5 с наименьшим значением лямбда Уилкса (0,ІІ8) внесет наибольший вклад в линейную дискриминантную функцию Фишера, нахождение которой является задачей второго этапа дискриминантного анализа. По степени дискриминирующей способности они ранжируются так: логарифм рентабельности основной деятельности (F=!04,4), логарифм коэффициента необеспеченности собственными оборотными средствами (F=!03,4), логарифм коэффициента неавтономии
б
4.5 4,0
3.5
3,0
а
CL
о
2,0
1,5
1,0
,5
°<£
Ч
к
S
zr
а.
X
>.
а
Q.
О
-,5
-1,0
-1,5
-2,0
-2,5
-3,0
-3,5
-4,0
ч. ч
% лЛ
\%-%
“ - ч. %
V ч ^
V. ч, %
Предприятие
Предприятие
Рис. 3. Ранжирование предприятий по величине дискриминантной функции для обучающей подвыборки: а - более инвестиционно привлекательные; б - менее инвестиционно привлекательные предприятия. Пунктирными линиями отмечены значения ненормированной канонической дискриминантной функции в центроидах групп (2,410 и -2,754 для групп 1 и 2, соответственно)
^=53,4), логарифм доли заемных средств в выручке ^=45,8), логарифм рентабельности основной деятельности ^=4,7), логарифм общей рентабельности отчетного периода ^=3,6).
Чтобы получить представление о дискриминирующей способности предикторов, вначале в дискриминантную функцию включаем все преобразованные переменные. В результате реализации процедуры дискриминантного анализа получаем табл. 3 - так называемую структурную матрицу, в которой предикторы из исходного множества проранжированы по абсолютной величине коэффициентов корреляции с дискриминантной функцией. Как следует из табл. 3, в наибольшей степени связан с дискриминантной функцией логарифм коэффициента текущей ликвидности, в наименьшей - логарифм балансовой прибыли.
Учитывая результаты факторного анализа, приведенные в [3] и отражающие взаимосвязь предикторов, в дискриминантную функцию включаем только два предиктора: логарифм коэффициента текущей ликвидности (Х5) и логарифм общей рентабельности (Х2). Кроме того, из выборки устраняем данные, исключенные ранее при построении модели инвестиционной привлекательности лидирующих предприятий. Дискриминирующая способность дискриминантной функции, содержащей отобранные переменные Х2 и Х5, может быть оценена по значению статистики «лямбда Уилкса» и статистической значимости критерия «хи-квадрат» (таблица 4). Различие средних значений дискриминантной функции для групп 1 и
2, как следует из табл. 4, высоко значимо: вероятность ошибки, равной уровню статистической значимости критерия «хи-квадрат», составляет р=0,000, т.е. менее 0,0005 (0,05%).
В дискриминантную функцию отобранные предикторы входят с коэффициентами, приведенными в таблице 5.
Значения дискриминантной функции для центров групп приведены в табл. 6, из которой видно, что большим величинам дискриминантной функции соответствует большая вероятность того, что предприятие является успешно развивающимся.
На следующем этапе дискриминантного анализа производили оценку точности классификации на обучающей выборке. Обобщенным результатом является таблица классификации с указанием частоты верных и неверных классификаций (табл. 7).
Полученные положительные результаты позволяют считать адекватной линейную дискриминантную функцию Фишера:
ДФ=-5,574+ 0,385 1^ + 2,828 1^, (1)
где Х2 - общая рентабельность, %, Х5 - коэффициент текущей ликвидности.
Функция (1) может быть использована в целях прогнозирования инвестиционной привлекательности предприятий пищевой промышленности, расположенных в регионах ЦФО. В частности, представляет аналитический интерес корреляция значений дискриминантной функции с итоговым рейтингом, рассчитанным по методике рейтингового агентства АК&М - рис. 2.
Как видно из графика рис. 2, между этими двумя результирующими показателями инвестиционной привлекательности предприятий пищевой промышленности имеется корреляционная связь, близкая к линейной, но эта связь - средней силы (коэффициент детерминации для линейной регрессии R2=0,304). Таким образом, эти два показателя не идентичны. Предлагаемый подход к оценке инвестиционной привлекательности предприятия имеет общеметодологическое значение, поскольку он основан на статистических свойствах реально существующих выборок. Дискриминантный анализ позволяет выполнить также оценки вероятностей отнесения предприятий в ту или иную группу, что имеет важное значение для определения устойчивости и перспектив развития предприятия. После этих замечаний перейдем к оценке инвестиционной привлекательности предприятий пищевой промышленности по предлагаемой методике. Вначале выполним ранжирование предприятий по величине дискриминантной функции по группам 1 и 2 (рис. 3).
Неклассифицированные нами ранее предприятия группы 0, как уже упоминалось, по значениям дискриминантной функции отнесены к группам 1 и 2 (рис. 4).
На рис. 4 пунктирная линия разделяет десять неклассифицированных предприятий, отнесенные к группе 1 и девять предприятий, отнесенных к группе 2. Вероятность их отнесения определяется конкретным значением дискриминантной функции: чем оно ближе к среднему значению -0,172 между величиной дискриминантной функции для центроидов групп 1 и 2, тем ближе это вероятность к 0,5.
Расчет дискриминантной функции можно проводить также и для предприятий, не включенных в выборку, по которой были определены ее параметры. Так, для Знаменского сахарного завода (Тамбовская область) общая рентабельность 16,58% и коэффициент текущей ликвидности 7,08. Соответственно, дискриминантная функция равна значению
ДФ = -5,574 + 0,385 ? ln(16,58) + 2,828 ? ln(7,08) = 1,042, т.е. это предприятие также относится к группе 1 инвестиционно более привлекательных предприятий отрасли. Напротив, для ликеро-водочного завода «Топаз» (Московская область) с показателями: общая рентабельность 12,62% и коэффициент текущей ликвидности 1,64 дискриминантная функция
ДФ = -5,574 + 0,385 ? ln(12,62) + 2,828 ? ln(1,64) = -3,199, т.е. это предприятие не относится к инвестиционно более привлекательным.
Таким образом, в результате дискриминантного анализа получена функция, позволяющая проводить классификацию предприятий ЦФО по степени успешной деятельности, а также рассчитывать вероятность этой классификации, что существенно в целях управления их инвестиционной привлекательностью. Все необходимые при этом аналитические расчеты и графические построения производятся программными средствами одного пакета - пакета статистического анализа данных общественных наук SPSS Base, являющегося «стандартом де факто» для региональных статистических органов и широко распространенного в учебных заведениях. Наличие в регионах достаточного опыта использования данного пакета позволяет рассчитывать на внедрение методики оценки и прогнозирования инвестиционной привлекательности предприятий, предлагаемой в данной работе, в практику. При такой кластеризации может быть внедрена региональная и отраслевая система сервисных предприятий и служб, которые могут развиваться путем правильно и оптимально организованной системы инвестирования.
Литература:
1. Зарипов А.А. Региональные особенности производства продукции пищевой промышленности Центральной России // Транспортное дело России. - М., 2009, №8.
2. Зарипов А.А. Прогнозные модели развития пищевой промышленности // Моделирование и прогнозирование в управлении: методы и технологии. М-лы II Международ. н.-практ. конф. - Орел: ОРАГС, 2009.
3. Иванов В.А., Зарипов А.А. Анализ динамики инвестиционной привлекательности предприятий промышленности // Вестник НИИ развития профессионального образования. Серия «Экономика и управление». М., 2008. Вып.2.
