Состояние и развитие химической отрасли может оказать существенное влияние на структурные изменения в экономике страны, повлиять на ее конкурентоспособность и темп развития. Значимость химической промышленности объясняется не только количеством выпускаемой продукции, числом предоставленных рабочих мест и объемом экспорта, но и взаимосвязями между химической отраслью и другими направлениями российской промышленности.
Одни товары, производимые предприятиями химической промышленности, поступают непосредственно в продажу, превращаясь в потребительские товары, без которых сложно представить обычную жизнь людей. Другие виды продукции используются в различных отраслях промышленности, увеличивая производительность их предприятий: в сельском хозяйстве, в машиностроении, текстильной промышленности, черной, цветной металлургии, строительстве, сфере услуг. Более того, химическая промышленность сама потребляет более четверти собственного производства химикатов. Некоторые предприятия, функционирующие в России, поставляют свою продукцию на зарубежные рынки, составляя конкуренцию иностранным производителям.
Без продукции химической отрасли сложно представить успешное функционирование других отраслей экономики и повседневное существование людей. Вот почему статистический анализ химической отрасли является важной задачей. Необходимо провести комплексную оценку состояние этой сферы промышленности, поэтому тема, выбранная для нашего исследования, является актуальной.
Целью данного исследования является статистическое исследование химической отрасли Российской Федерации.
Для достижения поставленной цели были поставлены и выполнены следующие задачи:
выявить проблемы развития отрасли;
сформировать систему показателей, характеризующих состояние отрасли;
оценить динамику показателей состояния отрасли;
получить прогнозные оценки показателей на основе эконометрических моделей;
исследовать неоднородность предприятий химической отрасли Российской Федерации;
оценить факторы, оказывающие наибольшее влияние на формирование структуры капитала российских предприятий.
Объектом исследования является химическая отрасль Российской Федерации.
Предмет исследования — система показателей, характеризующих химическую отрасль.
В первой главе рассматриваются основные задачи, которые поставлены в развитии химической отрасли, освещаются способы классификации и учета деятельности химической промышленности. В рамках анализа литературных источников представлены наиболее значимые исследования по данному сектору промышленности. Также сформирована система показателей, необходимых для анализа состояния и развития отрасли.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Во второй главе проведен статистический анализ динамических изменений основных характеристик отрасли по российским данным. Были построены модели временных рядов индекса промышленного производства и иностранных инвестиций в основной капитал.
В третьей главе проанализирована деятельность 50 крупных предприятий химической отрасли Российской Федерации, выделены и проанализированы основные факторы, оказывающие влияние на формирование структуры капитала предприятий.
Информационную базу исследования составили статистические данные сайта Федеральной службы государственной статистики, данные бухгалтерской финансовой отчетности «Центра раскрытия корпоративной информации», данные статистической базы «COMPUSTAT (Global)», информация из документов финансовой отчетности с сайтов предприятий отрасли.
Методологическую базу исследования составили интегрированные модели авторегрессии — скользящего среднего анализа временных рядов, описательные статистики, классификация методом k-средних, модели панельных регрессий, табличные и графические методы представления результатов. Анализ показателей был осуществлен с помощью статистических пакетов Microsoft Excel, STATA, Gretl, Eviews, SPSS.
Объем работы составил 3 главы, 9 параграфов, 21 рисунок, 21 таблица.
Глава 1. Химическая отрасль как объект статистического изучения
В Российской Федерации химическая промышленность является одной из ведущих отраслей, оказывающих влияние на национальную экономику. Однако развитие этой отрасли связано с рядом проблем, которые необходимо решить для обеспечения более быстрого развития отрасли и выхода на уровень зарубежных производств. Среди ключевых проблем химической отрасли России можно назвать высокие цены на необходимое сырье для химической промышленности, а иногда его отсутствие. Как следствие отсутствия отечественного сырья возникает проблема зависимости от импортного сырья. Также высокий уровень износа производственных мощностей; высокие цены на электроэнергию и железнодорожные перевозки являются проблемными пунктами химической промышленности. Анализируемая отрасль требует наличие высококвалифицированного труда, но во многих регионах наблюдается недостаточное развитие кадрового потенциала и высокопроизводительных рабочих мест.
Согласно «Стратегии развития химического и нефтехимического комплекса до 2030 года», необходимо повысить конкурентоспособность химического комплекса России. Это позволит не только увеличить значимость химической промышленности в экономике страны, но и повысить уровень жизни населения за счет увеличения потребления продукции химического сектора до уровня развитых стран. Более того, увеличение конкурентоспособности предприятий химической отрасли позволит перейти от сырьевой модели развития к инновационно-инвестиционной, добиться импортозамещения в потреблении химической и нефтехимической продукции. Другой целью развития химической отрасли является укрепление национальной безопасности за счет обеспечения оборонно-промышленного комплекса (ОПК) и стратегических отраслей качественной отечественной продукцией специальной химии [40].
Для достижения поставленных целей планируется провести целый ряд мероприятий, которые будут направлены на:
модернизацию действующих и создание новых эффективных и безопасных химических производств;
развитие экспортного потенциала и импортозамещения на внутреннем рынке;
повышение инновационной активности предприятий химического комплекса;
развитие транспортно-логистической инфраструктуры;
кадровое обеспечение [40].
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
По исполнению запланированных мероприятий ожидается достижение следующих целевых показателей:
увеличение объема отгруженных товаров и услуг в 2, 8 раза, что составит 6 552 млрд. руб.;
повышение производительности труда в химическом комплексе Российской Федерации до 21, 1 млн. руб./чел. [40].
Исходя из построенного в стратегии прогноза, к 2018 году произойдет рост объема экспортируемой продукции на 18%, к 2030 году этот показатель увеличится в 3 раза по сравнению с 2012 годом. Выполнение сформулированной стратегии развития может способствовать достижению эффективного импортозамещения и снижению доли импорта, а также формированию региональных производственных комплексов — химических индустриальных парков.
Предприятия химического сектора рассматривались в работах зарубежных исследователей, которые анализировали структуру капитала компаний и выделяли факторы, которые оказывают наибольшее воздействие на формирование капитала предприятий этого сектора. Большинство работ освещает химическую отрасль других стран. Рассмотрим некоторые из опубликованных исследований в хронологическом порядке.
В числе первых работ, в которых была затронута проблема взаимосвязи экономического роста и структуры капитала, надо назвать исследование Muhamad Mahmud (Mahmud M. (2003)). Основная проблема, затронутая в его работе, связана с оптимальным объемом долгов предприятия. Он пишет о том, что небольшой объем долгов является даже желаемым для предприятия, но слишком большой их размер может стать губительным для фирмы. В этом исследовании целью автора является рассмотреть взаимосвязь между структурой капитала и факторами, оказывающими на нее воздействие: развитием рынка ценных бумаг, отраслью и факторами фирмы. Он анализирует три азиатские страны: Япония, Малайзия и Пакистан. Государства были выбраны неслучайно, а в соответствии с тремя уровнями экономического развития. Автор формулирует гипотезу о том, что рынок капиталов развивается вместе с тем, как происходит общее экономическое развитие страны. С развитием рынка капитала фирма становится более склонной к использованию долгового финансирования в большем объеме.
В данной работе исследователь использует данные из различных источников: из ежегодных отчетов компаний он берет данные по каждой фирме в отдельности; а ежегодные отчеты и макроэкономические переменные он находит для разных стран в разных источниках. Так для Японии автор берет информацию в исследованиях, проведенных Extel и научно-исследовательским институтом Daiwa, для Малайзии — в базе данных PACAP Института Род-Айленд, для Пакистана — в службе важной информации Карачи. Выборка анализируемых компаний включает нефинансовые предприятия, также обязательным условием является котировка акций компании на бирже на протяжении периода исследования с 1989 по 1998 гг. В результате, выборка состоит из 505 компаний для Японии, 109 компаний для Малайзии и 104 компаний для Пакистана. Основными методами, применяемыми в этом исследовании, являются: регрессионный анализ, основанный на данных, затрагивающих разные группы. Также для проведения анализа в модель вводятся две дамми-переменных: права кредиторов и принуждение.
После проведенного анализа М. Mahmud заключает, что доля заемных средств высока в Японии и Пакистане — в Японии уровень левериджа, равный 70%, можно объяснить за счет хорошо развитого рынка ценных бумаг, а в Пакистане такой уровень показателя трудно объяснить, т.к. рынок капитала в этой стране развит слабо. Он говорит о том, что отрасль имеет большое влияние на структуру капитала, т.к. одни отрасли требуют инвестиций в основные средства, которые в свою очередь играют важную роль в определении структуры капитала. Также некоторые отрасли имеют большие издержки банкротства. Отрасли тяжелой промышленности, такие как строительство, химическое производство, электрификация и газификация имеют тенденцию к более высоким долям заемных средств (более высокой доле левериджа) в структуре капитала. В то время как отрасли легкой промышленности имеют более низкую долю заемных средств.
Более того, размер фирмы, измеряемый общей стоимостью активов, имеет положительное влияние на долю заемных средств. Это четко видно при анализе компаний Японии и этот вывод коррелирует с аналогичными исследованиями по развитым рынкам. В Малайзии и Пакистане не выявлено явной положительной взаимосвязи между размерами компании и долей ее заемных средств.
Для каждой из стран были выявлены факторы, имеющие наиболее значимое влияние на долю заемных средств в структуре капитала компаний. Для Японии такими факторами оказались общая стоимость активов и доход от продаж. Доля заемных средств имеет положительную зависимость от общей стоимости активов и отрицательную — от дохода от продаж. Доля заемных средств Малайзии положительно коррелирует с ростом продаж и отрицательно — с доходом на активы. Положительная взаимосвязь может быть объяснена тем, что растущие компании — успешные компании и им проще брать дополнительные кредиты. Отрицательная зависимость между факторами объясняется тем, что успешные компании склоны уменьшать свое бремя задолженности. Доля заемных средств пакистанских компаний негативно взаимосвязана с доходом на активы.
Следующей работой, которую мы рассмотрим, будет исследование Huang G. (2006). В этой работе автор анализирует детерминанты структуры капитала Китая, для того чтобы выяснить есть ли у одной из самых больших экономик мира особенные факторы, влияющие на структуру капитала ее компаний. Сейчас Китай стремится перейти от командного типа экономики к рыночному, однако в ее функционировании роль государства еще значительна. На основе этого автор говорит, что цель проведенного исследования заключается в том, чтобы определить, влияют ли факторы, определяющие структуры капитала компаний рыночных экономик, на компании Китая сходным образом или нет.
В начале работы автор формулирует две гипотезы. Во-первых, он предполагает, что увеличение таких факторов, как размер фирмы и объем ее основных средств, приводят к росту доли заемных средств в капитале компании. Во-вторых, он полагает, что рост прибыльности, возможностей роста предприятия, взаимосвязи с отраслями, управленческих пакетов акций, не долгового налогового щита приводит к сокращению доли заемных средств в капитале.
В своей работе автор анализирует 1200 китайских компаний. Данные для анализа получены из финансовой отчетности компаний, базы CSMAR за период с 1994 по 2003 годы. При моделировании исследователь использует МНК-регрессию, в которой в качестве зависимой переменной выступает доля заемных средств, а в качестве независимых переменных — факторы: коэффициент рентабельности активов (ROA), размер компании, волатильность, объем основных средств, ценность материальных активов.
После проведения анализа автор делает вывод, что на протяжении всего анализируемого периода наблюдается увеличение доли заемных средств (левериджа) в целом по всем предприятиям. Также стоит отметить, что доминирующий в экономике вид собственности: государственная собственная или частная собственность — не влияют на структуру капитала компаний. Более того, такие факторы как ценность материальных активов, размер компаний имеют положительную взаимосвязь с левериджем. Однако доля заемных средств начинает снижаться при увеличении прибыльности, управленческих пакетов акций, недолгового налогового щита. Таким образом, Huang G. приходит к выводу о том, что факторы, оказывающие влияние на структуру капитала Китая, схожи с факторами во всем мире и оказывают аналогичное влияние. Это получается так, потому что крупнейшие китайские компании, которые котируются на бирже, следуют основным правилам рыночной экономики. И государственная форма собственности не мешает этим компаниям следовать основным правилам рынка.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Также проблема анализа структуры капитала предприятий была затронута в работе Kumar (2006). В этой работе автор рассматривает предположение об однородности под-отраслей химической промышленности Индии. Целью его работы является оценить тренды общей производительности факторов производства индийской химической промышленности в разрезе под-отраслей, выявить изменения, произошедшие под влиянием процесса либерализации. Эта работа отличается от остальных тем, что в ней рассматривается химическая отрасль не только на уровне предприятий, но и на уровне под-отраслей. В индийской химической промышленности выделяется пять под-отраслей: 1. удобрения; 2. лекарства и фармацевтические препараты; 3. основные химические вещества; 4. лаки и краски; 5. красители и красящие вещества.
Данные, которые анализируются в работе, получены из неопубликованных данных по обществам с ограниченной ответственностью. Рассматриваемый период составляет 22 года: с 1980-81 по 2001-02 гг. При этом он поделен на две части: дореформенный (1980-81 — 1990-91 гг.) и пореформенный (1991-92 — 2001-02 гг.). Это сделано, для того чтобы оценить влияние реформ на показатель продуктивности предприятий. Источником данных является финансовое подразделение Резервного Банка Индии. Для анализа роста общей производительности факторов была использована транслогарифмическая модель с тремя параметрами: труд, капитал, промежуточные затраты (потребленное сырье).
В результате автор приходит к следующим выводам. Предположение об однородности фирм в отрасли нельзя принимать, т.к. предприятия различны. Поскольку в отрасли присутствуют различные предприятия, то после проведения реформ либерализации будут как предприятия, получившие выгоды, так и те, чьи условия существования ухудшились. Если рассматривать влияние реформ на уровне всей химической промышленности, то их влияние на рост общей производительности факторов было отрицательным. На уровне под-отраслей: лекарства и фармацевтические препараты; основные химические вещества; лаки и краски — произошло увеличение производительности в пореформенный период. Однако в под-отрасли удобрений спад общей производительности увеличился, значит, реформы не оказали ожидаемого влияния. На уровне отдельных предприятий в под-отраслях: лекарства и фармацевтические препараты, красители и красящие вещества — произошел существенный рост производительности малых предприятий, а в под-отрасли удобрений был спад производительности больших предприятий в течение пореформенного периода.
Несмотря на то, что в этой работе мы не исследуем влияние реформ на структуру капитала, данное исследование представляло для нас интерес из-за необычного подхода к анализу отрасли: рассмотрение химического сектора не только на уровне предприятий, но и на уровне под-отраслей.
Исследование Rafiq М. (2008) также внесло значимый вклад в изучение структуры капитала предприятий химической отрасли в различных странах мира. Эта работа является одной из первых работ по исследованию нефинансового сектора Пакистана — химической отрасли. Цель его работы заключается в обнаружении детерминантов структуры капитала предприятий, которые характерны именно для этого сектора и могут быть не выявлены при одновременном анализе нескольких секторов промышленности.
В числе проверяемых гипотез стоит отметить следующие: прежде всего, автор предполагает, что при увеличении доходности предприятия доля заемных средств сокращается. Также автор ожидает выявить положительную взаимосвязь между факторами: размером компании, материальностью ее активов, темпом ее роста — и долей заемных средств. Он полагает, что прибыльность и недолговой налоговый щит оказывают отрицательное влияние на долю заемных средств (леверидж) предприятий.
Это исследование проведено по 26 компаниям химической отрасли Пакистана, за 12-летний период: с 1993 по 2004 годы. Источником данных являются отчеты по анализу балансовых показателей компаний, котирующихся на фондовой бирже Карачи. Эти отчеты были опубликованы Государственным Банком Пакистана.
При проведении анализа сначала был проверено отсутствие мультиколлинеарности в данных: был проведен корреляционный анализ. Мультиколлинеарность выявлена не была, и автор перешел к построению модели. Для анализа сформированной совокупности данных по компаниям была применена панельная регрессия: модель-pooled regression, в которой в качестве зависимой переменной выступала доля заемных средств (леверидж), а в качестве независимых переменных — материальность активов, размер компаний, темп роста, рентабельность активов, изменение дохода, не долговой налоговый щит.
В результате автор выявил, что все факторы, рассмотренные им как независимые переменные в модели, оказывают значимое влияние на уровень левериджа, кроме материальности активов: этот фактор в модели незначим. Из анализа построенной регрессии следует, что только прибыльность компании имеет отрицательное воздействие на долю заемных средств, а все остальные факторы влияют на нее положительно. Отрицательная корреляция между долей заемных средств и прибыльностью имеет место из-за того, что при росте прибыли для компании становится более выгодно использовать собственные средства для финансирования, а не заемные. В результате, доля заемных средств уменьшается.
Положительная зависимость между левериджом и размером компаний объясняется тем, что крупные фирмы могут без труда взять денежные средства в долг, не сомневаясь в своих способностях вернуть взятые средства. А для маленьких компаний — наоборот: велик риск того, что они не смогут вернуть взятые денежные средства и поэтому они стараются избегать увеличения доли заемных средств. Растущие фирмы в Пакистане используют больше долговых средств при финансировании, чем собственных. Для того чтобы занять достойное место в химической отрасли необходимы большие потоки денежных средств, которые развивающееся предприятие не может обеспечить только из собственных источников, поэтому наблюдается положительная корреляция между темпом роста и долей заемных средств. Таким образом, большая часть выдвинутых автором гипотез подтвердилась, однако две из них были опровергнуты при анализе реальных данных.
Другой работой, в которой рассматривается проблема формирования структуры капитала компаний, является исследование Margaritis D. (2010), в котором анализируются компании Франции по различным отраслям обрабатывающей промышленности. Это одна из первых работ, которая рассматривает связь между эффективностью производства, правом собственности и долей заемных средств (левериджем). В данной работе автор стремится проанализировать, имеют ли успешные компании больший или меньший объем заемных средств в своей структуре капитала.
Автор формулирует несколько проверяемых гипотез. Во-первых, предполагается, что более высокий уровень заемных средств приведет к снижению агентских расходов, снизит неэффективность и приведет к улучшению функционирования предприятия. Во-вторых, ожидается, что более эффективные компании будут выбирать более высокий уровень задолженности по сравнению с долей собственного капитала в общей сумме активов, т.к. более высокая эффективность позволяет снизить ожидаемые издержки банкротства и финансового краха. При конкурирующей гипотезе, что более эффективные предприятия могут выбрать меньший уровень заемных средств по сравнению с долей собственного капитала в общей сумме активов, чтобы защитить дифференциальные ренты, полученные благодаря высокой эффективности, от возможной ликвидации. В-третьих, чем более концентрировано право собственности в руках одной семьи, тем более позитивное влияние оно имеет на функционирование фирмы.
В этой работе автор анализирует данные по предприятиям двух отраслей обрабатывающей промышленности: текстильной и химической, и по отрасли, «переживающей период роста», — компьютерных технологий. Предприятия, попавшие в выборку, имеют годовой оборот свыше 200 000 евро. Данные собраны за период с 2002 по 2005 гг. Источником данных является база данных «Diane», составленная Бюро ван Дейк.
При анализе совокупности предприятий автор применяет непараметрические DEA-методы, подход направленной метрики расстояний и квантильную регрессию. Непараметрические DEA-методы используются, для того чтобы построить границу «лучшей практики» по отрасли и измерять расстояние от этой границы.
По результатам проведенной работы автор заключает, что чем больше леверидж, тем выше улучшение эффективности предприятия. На структуру капитала такие факторы, как прибыльность и темп роста, — оказывают отрицательное влияние, а факторы: материальность активов и размер — положительное. Для химической отрасли Франции характерно то, что более рассредоточенные фирмы сталкиваются с меньшими представительскими издержками. А в текстильной и компьютерной отраслях ситуация обратная. Также фирмы под семейным руководством показывают лучшие результаты по сравнению с «несемейными» фирмами. Наблюдается положительная зависимость между эффективностью и левериджем.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
В заключение обзора проведенных исследований хотелось бы отметить, что определенная группа независимых факторов была рассмотрена во всех работах. Это такие факторы, как рентабельность активов, доля основных средств, размер предприятия и темп роста фирмы. При анализе влияния этих факторов на долю заемных средств, независимо от страны, было выявлено, что доля основных средств и размер предприятия оказывают положительное влияние на долю заемных средств, а рентабельность активов и темп роста фирмы имеют отрицательное влияние на долю заемных средств.
В России можно выделить несколько химических баз: Центральную, Северо-Европейскую, Урало-Поволжскую, Сибирскую. Именно такие базы промышленности сформированы неспроста — размещение предприятий химической промышленности обусловлено рядом факторов. Во-первых, водный фактор — химическое производство требует много воды: использует ее в качестве вспомогательного фактора и в качестве сырья. Во-вторых, важен потребительский фактор, поскольку существуют некоторые производства, чью продукцию сложно перевезти к потребителям. Транспортировка некоторой продукции основной химии опасна (например, кислоты, щелочи), или товары востребованы лишь в определенных районах (например, удобрения). В-третьих, значим сырьевой фактор, т.к. для многих производств требуется много сырьевых ресурсов. К ним относятся производства калийных удобрений, соды и т. п. В-четвертых, особую роль играет экологический фактор, поскольку отрасль сильно влияет на состояние окружающей среды: приводит к большому количеству выбросов в атмосферу, высокому загрязнению почвы, водных ресурсов. Химическая промышленность является одной из крупнотоннажных по выбросам вредных веществ отраслей, наряду с металлургией, тепловой энергетикой и целлюлозно-бумажным производством. Особую опасность представляют сравнительно небольшие по объемам, но высокотоксичные отходы микробиологической промышленности, производство пестицидов.
Среди предприятий химической отрасли можно выделить крупные, средние и мелкие. В группу наиболее крупных входят такие предприятия: ПАО «Уфаоргсинтез», АО «Уралкалий», ОАО «Акрон», ПАО «Дорогобуж», ПАО «Казаньоргсинтез», ОАО «Куйбышевазот», ОАО «Метафракс», АО «ФосАгро», АО «Еврохим», ПАО «Нижнекамскнефтехим», «Сибур Холдинг», ОАО «Салават Нефтехим», АО «Уралхим», «НокианШина», ПАО «Химпром».
Из перечисленных компаний «Сибур Холдинг», ОАО «Салават Нефтехим» и ПАО «Нижнекамскнефтехим» являются ведущими предприятиями в сфере нефтехимического комплекса, а АО «Уралкалий», АО «Еврохим», АО «Уралхим» и АО «ФосАгро» — в сфере производства минеральных удобрений.
В химической отрасли выделяют 4 под-отрасли: горно-химическую; основную химию; химию органического синтеза; переработку полимерных материалов. Горно-химическое направление подразумевает добычу сырья: апатитов, фосфоритов, серы, каменных солей и др. Направление основной химии включает производство солей, кислот, щелочей, минеральных удобрений. Химия органического синтеза — производство полимеров, переработку полимерных материалов, которое направлено на производство шин, изделий из пластмассы.
Продукцию химической промышленности можно разделить на четыре категории: базовые химикаты, продукты жизнеобеспечения, специальные химикаты и потребительские товары.
Базовые, или товарные, химикаты подразделяют на крупнотоннажную нефтехимию, полимеры, базовые промышленные химические продукты, неорганические химикаты и минеральные удобрения. На протяжении последнего времени этот сегмент развивался относительно низкими темпами, равными 50-70% от среднегодовых темпов мирового ВВП. Основную роль здесь играют полимеры, включая все виды пластиков и химических волокон, составляющие 33% общего объема продаж базовых химикатов. К неорганическим химикатам, составляющим 12% всех базовых продуктов отрасли, относятся соль, хлор, сода и различные виды кислот: азотная, фосфорная, соляная. Минеральные удобрения занимают наименьшую долю группы базовых химикатов (около 5%) и включают в себя азотные, фосфорные и калийные удобрения.
К химическим продуктам жизнеобеспечения относятся фармацевтические, диагностические, ветеринарные препараты, витамины и пестициды. Этот сегмент химической промышленности развивается самыми быстрыми темпами, которые в 1, 5 раза выше среднегодовых темпов роста мирового ВВП. Кроме того, это наиболее наукоемкий сектор химии: расходы на исследования и разработки достигают 15-25% от объема продаж. Производство химических продуктов жизнеобеспечения отличается высоким уровнем спецификаций, государственного регулирования и надзора специальных органов — таких, например, как американская Администрация пищевых продуктов и лекарств. Пестициды, или химическими продуктами защиты растений, составляют примерно 10% этой группы химикатов.
Специальные химикаты представляют собой продукты с относительно высокой добавленной стоимостью и являются достаточно быстроразвивающимся инновационным сектором химической промышленности с дифференцированным конечным рынком сбыта. Темпы роста этого сегмента в среднем в 1, 3 раза превышают темпы роста мирового ВВП. Данные товары считаются значимыми на рынке из-за их особых функциональных качеств. К ним относятся электронные химикаты (средства для электронных приборов и оборудования), промышленные газы, клеи, различные защитные покрытия, промышленные чистящие химикаты, катализаторы. Специальные химические продукты называют также «тонкими химикатами».
Потребительские химикаты включают в себя мыла, моющие средства и косметику. Темпы роста этого сегмента химии в целом соответствуют темпам роста ВВП.
Описанные виды экономической деятельности необходимо классифицировать и кодировать для оптимизации процесса сбора и упорядочивания поступающих данных. Для этого используют классификатор видов экономической деятельности (ОКВЭД), введенный в действие с 1 января 2003 года.
Согласно Постановлению Госстандарта России от 06.11.2001, ОКВЭД используется при решении следующих основных задач, связанных с:
классификацией и кодированием видов экономической деятельности, заявляемых хозяйствующими субъектами при регистрации;
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
определением основного и других фактически осуществляемых видов экономической деятельности хозяйствующих субъектов;
разработкой нормативных правовых актов, касающихся государственного регулирования отдельных видов экономической деятельности;
осуществлением государственного статистического наблюдения по видам деятельности за развитием экономических процессов;
подготовкой статистической информации для сопоставлений на международном уровне;
кодированием информации о видах экономической деятельности в информационных системах и ресурсах, едином государственном регистре предприятий и организаций, других информационных регистрах;
обеспечением потребностей органов государственной власти и управления в информации о видах экономической деятельности при решении аналитических задач [39].
В ОКВЭД выделено 99 классов деятельности, из которых химическое производство составляет 24-ый класс. Также при классификации через ОКВЭД выделяют разделы с A по Q, и каждый раздел имеет собственные подразделы. Химическое производство входит в Раздел D «Продукция и услуги обрабатывающей промышленности», подраздел DG. Код ОКВЭД 24 разделен на 7 под-кодов, каждый из которых подразделен еще на несколько групп. 7 под-кодов позволяют классифицировать деятельность определенного предприятия в зависимости от производства, которым оно занимается:
Код ОКВЭД 24.1 объединяет предприятия по производству основных химических веществ;
Код ОКВЭД 24.2 — по производство химических средств защиты растений (пестицидов) и прочих агрохимических продуктов
Код ОКВЭД 24.3 — по производство красок и лаков;
Код ОКВЭД 24.4 — по производство фармацевтической продукции;
Код ОКВЭД 24.5 — по производству мыла моющих, чистящих и полирующих средств; парфюмерных и косметических средств;
Код ОКВЭД 24.6 — по производству прочих химических продуктов;
Код ОКВЭД 24.7 — по производству искусственных и синтетических волокон.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Внутри каждого кода ОКВЭД существует более детальное подразделение по производству определенных видов продукции. В качестве примера рассмотрим некоторые разделы кода ОКВЭД 24.1 «Производство основных химических веществ».
Первым его подразделом является код ОКВЭД 24.11, к которому относятся предприятия, занимающиеся производством промышленных газов. Согласно общероссийскому классификатору видов экономической деятельности, группа этих производств включает производство сжиженных и сжатых газов для промышленных и медицинских целей. Однако получение метана, этана, бутана и пропана на месте добычи и их производство при переработке нефти не включается в код 24.11, поскольку эти виды деятельности относятся к другим группам.
Код ОКВЭД 24.13 носит название «Производство прочих основных неорганических химических веществ». В него включаются производство неорганических кислот, кроме азотной кислоты; производство щелочей, щелоков и прочих неорганических соединений, кроме аммиака. Также в эту группу относятся производство хлора, брома, йода и их неорганических производных; производство обожженного серного колчедана и др. Такие производства, как производство черных и цветных металлов, производство промышленных элементарных газов; производство азотной кислоты, аммиака в него не включаются. Они относятся к кодам ОКВЭД 27, 24.11, 24.15 соответственно.
Код ОКВЭД 24.14 включает производства прочих основных органических химических веществ. Код ОКВЭД 24.15 объединяет данные по производству удобрений и азотных соединений. В нее включается производство чистых или смешанных азотных, фосфорных и калийных удобрений; производство азотосодержащих продуктов; производство растительных и животных удобрений и их смесей. Данная группа не включает производство химических средств защиты растений. Информация по этому виду производств группируется в коде ОКВЭД 24.20.
Код ОКВЭД 24.17 «Производство синтетического каучука» состоит из данных по производству синтетического каучука, латекса в первичных формах, а также смесей синтетического и натурального каучуков.
При рассмотрении химической отрасли в мировом масштабе, выделяют 4 крупных региона химической промышленности, в каждом присутствуют собственные лидеры. Первый регион — Зарубежная Европа, где лидирует Германия; второй регион — Северная Америка, где главную роль играет США. Третий регион — Восточная и Юго-Восточная Азия. В этом регионе среди лидеров химического производства можно назвать Китай, Японию, новые индустриальные страны. Четвертый регион — страны СНГ. Здесь в лидирующие страны входят Россия, Украина, Беларусь. В каждом регионе развиты основные отрасли химической промышленности: горно-химическая промышленность, производство минеральных удобрений, основной химической продукции, отрасль органического синтеза и полимерных материалов.
В течение долгого времени химическое производство было сконцентрировано в развивающихся странах из-за доступа к дешевому сырью. Сейчас химическая отрасль достаточно быстро развивается в государствах, имеющих богатые запасы нефти и газа. В странах Персидского залива, Северной Америке, Мексике, Венесуэле, например, находятся крупные нефтехимические центры. Для современного состояния химической промышленности характерно то, что производство продуктов органического синтеза и полимерных материалов сконцентрировано в развивающихся странах, а выпуск сложной наукоемкой продукции — в США, Западной Европе и Японии. Трудоемкость химического производства нарастает по мере увеличения степени обработки и переработки исходных материалов. Новейшие наукоемкие отрасли предъявляют высокие требования к квалификации рабочей силы.
Также можно выделить определенных мировых лидеров в производстве отдельных видов химической продукции: в производстве минеральных удобрений ведущие позиции занимают США, Китай, Россия; в производстве серной кислоты — США, Россия, Китай. США и Япония лидируют в производстве пластмасс, химических волокон и синтетического каучука.
Учет данных о производстве продукции химического сектора промышленности производится с помощью кодов ОКВЭД, описанных выше, на территории России, за рубежом используется международная стандартная отраслевая классификация всех видов деятельности (МСОК), или ISIC — International Standard Industrial Classification of All Economic Activities. Сейчас применяется четвертая версия классификатора от 2009 года.
Согласно четвертому пересмотренному варианту документа, опубликованному ООН в 2009 году в классификаторе выделяется 21 раздел с A до U. Химическая промышленность включается в Раздел С «Обрабатывающая промышленность». На химическую отрасль приходится подраздел 20 «Производство химических веществ и химических продуктов», подраздел 21 «Производство фармацевтических препаратов, медицинских химических веществ, лекарственных растительных продуктов.
В каждом подразделе выделяют несколько групп для более детальной классификации единиц статистического наблюдения. Например, в подразделе 20 выделяют 3 группы с подгруппами. В подразделе разграничивается производство основных химических веществ, искусственных волокон и прочих химических продуктов. В группу 201 «Производство основных химических веществ, удобрений и азотных соединений, пластмасс и синтетического каучука в первичных формах» включаются подгруппы 2011 «Производство основных химических веществ», 2012 «Производство удобрений и азотных соединений», 2013 «Производство пластмасс и синтетического каучука в первичных формах».
Группа 202 «Производство прочих химических продуктов» включает в себя производство пестицидов, красок, мыла, моющих средств, взрывчатых веществ, пиротехнических средств, парфюмерной продукции и косметических средств и другое. Данный набор товаров подразделяется на несколько подгрупп: 2021 «Производство пестицидов и прочих агрохимических продуктов», 2022 «Производство красок, олифы и аналогичных покрытий, типографской краски и мастик», 2023 «Производство мыла и моющих средств, чистящих и полирующих препаратов, парфюмерной продукции и косметических средств», 2029 «Производство прочих химических продуктов, не включенных в другие категории».
Группа 203 включает лишь одну одноименную подгруппу «Производство искусственных волокон». Подраздел 21 также составляет одна группа, которая носит название аналогичное названию подраздела.
При сравнении классификации химической отрасли по МСОК и кодам ОКВЭД может быть выявлена масса различий. Даже при быстром взгляде на основные подразделы отрасли заметны существенные расхождения. Во-первых, в МСОК отсутствует раздел «Химическая промышленность», можно лишь соотнести подразделы Обрабатывающей промышленности с производствами химического сектора. В то время как в кодах ОКВЭД такой раздел существует. При рассмотрении подразделов, которые выделены в обоих классификаторах, заметны различия. В ОКВЭД производство основных химических веществ выделено в отдельный подраздел, в классификации МСОК производство основных химических веществ является группой в подразделе 20. Производство пестицидов и других агрохимических продуктов, составляющее код ОКВЭД 24.2, является подгруппой 2021 в группе 202 «Производство прочих химических продуктов» подраздела 20. Производство красок и лаков (код ОКВЭД 24.3) относится к подгруппе 2022 «Производство красок, олифы и аналогичных покрытий, типографской краски и мастик» в группе 202 подраздела 20. Коды ОКВЭД 24.5, 24.6 относятся к группе 202 подраздела 20 к подгруппам 2023 и 2029 соответственно. Код ОКВЭД 24.7 составляет отдельную группу по классификации МСОК — «Производство искусственных волокон». Код ОКВЭД 24.4 образует отдельный подраздел 21, в котором учитывается информации по производству фармацевтических препаратов, медицинских химических веществ и лекарственных растительных продуктов.
В целом в классификации ОКВЭД приведена более детальная классификация производств химической отрасли, в разделении производств по международным стандартам используются группы, более широкие по охвату данных.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
1.3 Информационная база и система показателей химической отрасли
В качестве источников о состоянии химической отрасли России мы используем данные статистической, бухгалтерской и финансовой отчетности.
Статистическая отчетность является обязательной для юридических лиц и индивидуальных предпринимателей независимо от формы собственности. Это установлено Федеральным законом от 29.11.2007 № 282-ФЗ «Об официальном статистическом учете и системе государственной статистики в РФ». Порядок предоставления статистической отчетности регламентирован также постановлением Правительства РФ от 18.08.2008 № 620 «Об условиях предоставления в обязательном порядке первичных статистических данных и административных данных субъектам официального статистического учета».
Данный вид отчетности отражает данные по предприятию в стоимостном и натуральном выражении. Сдавать ее необходимо по утвержденным Росстатом формам и в ограниченные сроки. Форму представления: бумажную или электронную — на данный момент строго не регламентировали. Направлять отчеты необходимо в подразделения Росстата по месту регистрации предприятия. В случае обнаружения недостоверной, неточной или неверной информации, предоставленной предприятием, на него может быть наложен административный штраф.
Для различных организаций предусмотрены разные формы статистической отчетности. Однако независимо от сферы деятельности многие компании зачастую сталкиваются с затруднениями при заполнении форм отчетности. Это связано с недостатком информации. Для сбора статистической информации о малых предприятиях существуют выборочные статистические обследования — специальный бланк, который необходимо заполнить. Такой метод создает упрощенный учет данных о малых предприятиях. Он означает, что предприятие сдает статистическую информацию, только если попадает в выборку. Также проводятся сплошные обследования малых предприятий раз в 5 лет.
В соответствии с существующим законодательством: ст.6 и ст.8 Федерального закона от 29.11.2007 №282-ФЗ статистические отчеты обязаны отправлять органы государственной власти и местного самоуправления; юридические лица, зарегистрированные в России; действующие филиалы и представительства российских организаций по месту осуществления деятельности; представительства, филиалы и подразделения иностранных организаций, работающие на территории России; индивидуальные предприниматели.
Не все формы, заявленные Росстатом, являются обязательными. Однако есть набор статистических форм, предоставление которых обязательно для всех респондентов. В Форме 1-предприятие предоставляются основные сведения о предприятии. До 1 апреля 2016 года необходимо было сдать данную форму за 2015 год. Форма П-3 «Сведения о финансовом состоянии организации» является обязательной для всех организаций, списочная численность работников которых превышает 15 человек. За 2015 год данную форму необходимо было предоставить до 30 января 2016 года. Этот документ предоставляется ежемесячно в органы Росстата до 28 числа месяца, следующего за отчетным. В конце квартала этот срок передвигается на 30 число. Форма П-4 «Сведения о численности, заработной плате и движении работников организации». Эта форма должна быть предоставлена всеми организациями и их подразделениями до 15 числа месяца, следующего за отчетным. Следовательно, за первый квартал 2016 года этот документ необходимо предоставить до 15 апреля 2016 года. Для предприятий, не заполняющих ежемесячно форму П-4, существует форма 1-Т «Сведения о численности и заработной плате работников». Форму П-4 (НЗ) «Сведения о неполной занятости и движении работников» должны сдать все организации с численностью персонала более 15 работников. Отчет утвержден приказом Росстата от 24.09.14 N 580 и его необходимо сдать до 8 числа месяца, следующего за отчетным кварталом.
Для малых предприятий и индивидуальных предпринимателей существуют специальные формы статистической отчетности, которые для них являются обязательными: Форма ПМ «Сведения об основных показателях деятельности малого предприятия»; Форма ПМ-пром «Сведения о производстве продукции малым предприятием»; Форма 1-ИП «Сведения о деятельности индивидуального предпринимателя»; Форма 1-ИП (торговля) «Сведения о деятельности индивидуального предпринимателя в розничной торговле».
Микро-предприятия должны сдавать в статистику сведения по форме МП (микро) «Сведения об основных показателях деятельности микро-предприятия» до 5 февраля года, следующего за отчетным. В дополнение к перечисленным выше документам, предоставляемым в органы Росстата, любое предприятие обязано предоставить в статистические органы экземпляр годового бухгалтерского отчета. Под предприятия, необязанные предоставлять данный документ, попадают государственные организации и Банк России. В предоставляемую бухгалтерскую отчетность входят бухгалтерский баланс, отчет о прибылях и убытках, а также приложение к бухгалтерскому балансу. Малое предпринимательство сдает в статистические органы только бухгалтерский баланс и отчет о прибылях и убытках.
Бухгалтерская отчетность предприятий включает в себя бухгалтерский баланс (форма №1), отчет о прибылях и убытках (форма №2), отчет об изменениях капитала (форма №3), отчет о движении денежных средств (форма №4), приложение к бухгалтерскому балансу (форма №5), отчет о целевом использовании полученных средств (форма №6). Приложение к бухгалтерскому балансу — пояснения к бухгалтерскому балансу и отчету о прибылях и убытках.
Основные правила, к которым необходимо придерживаться при составлении отчетности, сформулированы в Правилах Бухгалтерского Учета (ПБУ). Существует 24 нормативных документа, каждый из которых посвящен определенному разделу. Например, ПБУ 1 содержит правила по учетной политики организации; ПБУ 6 — по учету основных средств предприятия; ПБУ 7 — правила учета событий после отчетной даты; ПБУ 14 представляет набор требований к учету нематериальных активов и т.д.
На территории нашей страны все предприятия обязаны предоставлять отчетность согласно требованиям Российских Стандартов Бухгалтерского Учета (РСБУ). Предоставление отчетности согласно требованиям Международных Стандартов Финансовой Отчетности (МСФО) является необязательным. Некоторые предприятия составляют отчетность сразу в двух форматах. Сейчас прослеживается тенденция к переходу от РСБУ к МСФО, но это очень долгий процесс, который весьма осложнен тем, что существует много различий между составлением отчетности в соответствии с РСБУ и МСФО, и быстро перевести отчетность российских предприятий в соответствие с отчетностью зарубежных компаний вряд ли будет возможно.
Отчетность, составленная по МСФО, предназначена, главным образом, для существующих и потенциальных инвесторов и финансовых институтов, в то время как отчетность по РСБУ составляется для фискальных органов: налоговых органов, органов государственного управления и статистики. Разный круг пользователей выпущенной отчетности объясняет различные цели, преследуемые документами, берет в расчет отличающийся профессиональный уровень подготовки пользователей отчетности. Это, безусловно, приводит к существенным различиям в формировании отчетности.
Для получения данных из описанных форм статистической отчетности мы использовали сборник «Промышленность России», где сведены данные из изначальных форм статистической отчетности. Для получения сведений из документов бухгалтерского учета компаний были использованы данные базы «Центр раскрытия корпоративной информации»; данные базы “COMPUSTAT (Global)”, а также отсканированные версии документации, опубликованные на сайтах компаний.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Для характеристики химической отрасли сформируем систему показателей, характеризующих данный сектор промышленности. Выделим три блока показателей: показатели, характеризующие результаты деятельности предприятий, показатели, характеризующие труд в промышленности, показатели финансовой отчетности организаций, характеризующие успешность их функционирования. Каждый так называемый блок содержит набор показателей.
В первый блок входят такие показатели:
количество предприятий данной отрасли;
объем отгруженной промышленной продукции;
объем инвестиционный поступлений в основной капитал предприятий;
структура капитала предприятий;
индекс предпринимательской уверенности;
индекс промышленного производства химической отрасли.
Вторая группа показателей состоит из факторов, характеризующих занятость в данной отрасли:
среднегодовое число работников;
число принятых и выбывших работников;
среднемесячная начисленная заработная плата;
средняя фактическая продолжительность рабочего времени;
производительность труда.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
В третью группу характеристик войдет две группы показателей: непосредственно из финансовой отчетности, а также показатели, рассчитывающиеся на основе данных отчетности. В числе показателей, полученных напрямую из отчетности компаний, возьмем:
совокупные активы;
совокупные обязательства;
основные средства;
объем продаж;
прибыль до налогообложения.
На основе этих показателей рассчитаем:
долю заемных средств (леверидж);
— рентабельность активов (ROA),
доля основных средств (tangibility of assets — FAR);
— размер компаний;
не долговой налоговый щит (Non-debt tax shield — NDTS);
возможности роста (growth opportunities);
волатильность (volatility);
рентабельность продаж (ROS).
Методология расчета показателей первый двух групп подробно приведена в разделе «Методологические пояснения» сборника «Промышленность России».
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Количество действующих организаций — показатель, характеризующий количество организаций и обособленных подразделений, осуществляющих производственную деятельность независимо от основного вида деятельности организации. Обособленное подразделение организации — это любое территориально отделенное от нее предприятие, по месту нахождения которого осуществляется хозяйственная деятельность на оборудованных стационарных рабочих местах.
Объем отгруженной промышленной продукции — стоимостное измерение товаров, произведенных определенным юридическим лицом и переданных в отчетном периоде заказчикам: другим юридическим и физическим лицам.
Под объемом инвестиционных поступлений в основной капитал подразумевается совокупная сумма денежных средств, затраченная на строительство и реконструкцию объектов, результатом которой является увеличение их первоначальной стоимости, а также покупка машин, оборудования, транспортных средств, производственного и хозяйственного инвентаря и др. [34]. При подсчете инвестиции в основной капитал опускается влияние налога на добавленную стоимость.
Индекс предпринимательской уверенности — качественный показатель, позволяющий дать характеристику экономической деятельности организаций, основываясь на ответах руководителей о прогнозе выпуска продукции, запасах и спросе на нее. С его помощью также можно получить информацию о возможных изменениях экономических показателей. Согласно методологическим пояснениям, данный показатель представляет собой среднее арифметическое «балансов» ответов на три вопроса: об ожидаемом выпуске продукции, о фактическом спросе и о текущих запасах готовой продукции. Значение «баланса» по первой составляющей определяется разностью между долями респондентов, отметивших «увеличение» и «уменьшение» выпуска продукции в перспективе. «Баланс» по второй и третьей составляющим показателя рассчитывается как разность между долями респондентов, отметивших уровень «более чем достаточный» и «недостаточный».
Индекс промышленного производства — это относительный показатель, который позволяет определить изменение масштабов производства. Индекс промышленного производства химической отрасли представляет собой агрегированный показатель по этому виду деятельности, исчисляется на основе данных, полученных из групп, подгрупп, классов ОКВЭД.
Вторая группа факторов также имеет методологию расчета, описанную в сборнике «Промышленность России — 2014». Среднегодовая численность работников организаций рассчитывается как сумма среднесписочной численности работников за все месяцы года, деленная на 12 месяцев.
В численность принятых работников включаются лица, зачисленные в отчетном периоде в организацию приказом о приеме на работу. В численность выбывших работников включаются все, оставившие в отчетном периоде работу независимо от оснований, уход или перевод которых оформлен приказом (распоряжением).
Среднемесячная начисленная заработная плата работников исчисляется на основании сведений, полученных от организаций: фонд начисленной заработной платы работников за год делится на среднегодовую численность работников и на 12 месяцев. В целом большинство описанных показателей имеют достаточно логичный и прозрачный расчет, который позволяет получить наиболее точные оценки[34].
Сложнее обстоит ситуация с показателями третьей группы, характеризующей финансовые результаты деятельности предприятий. Информация о совокупных активах, совокупных обязательствах и основных средствах предприятий предоставлена в балансе организации, в котором все показатели рассчитываются согласно ПБУ. Объем продаж, размер прибыли до налогообложения представлены в отчете о прибылях и убытках.
Несколько интереснее обстоит дело со второй группой показателей этого блока, которые получаются на основании данных из финансовой отчетности предприятий. Эти показатели оказывают влияние на структуру капитала организаций. Существует несколько финансовых теорий, объясняющих изменение финансового поведения предприятий, отраженного в их структуре капитала. Мы опишем две наиболее распространенных: теория компромисса (state trade-off theory) и теория иерархии (pecking order theory).
Согласно теории компромисса, существует оптимальное целевое отношение задолженности к собственному капиталу, максимизирующее рыночную стоимость предприятия. Каждая фирма стремится достичь этого соотношения, и поэтому «ведет себя» соответствующим образом. Оптимальная структура капитала фирмы включает в себя компромисс между эффектами от корпоративных и персональных налогов, издержками банкротства, затратами, связанными с услугами посредников и т.д.
Теория иерархии, наоборот, предполагает отсутствие оптимального отношения задолженности к собственному капиталу. Согласно этой теории, предприятия следуют иерархии финансовых решений при определении структуры капитала. Большинство фирм склонно предпочитать внутренние источники финансирования — свою нераспределенную прибыль в качестве основного источника для инвестирования другим возможным источникам. Если все же фирмы прибегают к использованию внешних источников, то они сначала обращаются за банковским кредитом, затем — за государственным долгом. И только в крайнем случае компании будут выпускать акции для привлечения инвестиций. Таким образом, согласно теории иерархии прибыльные предприятия менее склонны увеличивать долю заемных средств в своем капитале, т.к. они располагают доступными внутренними средствами для таких целей. Структура капитала может быть выражена как доля заемных средств или соотношение собственных и заемных средств предприятий. Этот показатель характеризует процент активов компании, финансируемых с помощью долговых заимствований. Зачастую этот показатель называют левериджем (Leverage — LV). Существует несколько способов расчета соотношения собственных и заемных средств.
Во-первых, этот показатель может быть рассчитан как соотношение всех обязательств компании ко всем ее активам:
(1.1)
В обязательства компании здесь включаются как краткосрочные, так и долгосрочные обязательства. Этот измеритель отражает количество возможных претензий в терминах остаточной стоимости основного капитала в случае ликвидации предприятия. Он также показывает ликвидационную стоимость акционерам.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Во-вторых, соотношение собственных и заемных средств может быть рассмотрено как соотношение общей суммы долга предприятия и собственного капитала:
(1.2)
Общая сумма долга предприятия подразумевает суммарную величину краткосрочных долгов и задолженностей банкам, а также долгосрочных долгов компании.
В-третьих, соотношение собственных и заемных средств может быть рассчитано как соотношение долгосрочных долгов к капиталу компании:
(1.3)
Капитал в данном случае включает в себя долгосрочные долги и остаточную стоимость собственного капитала.
Рентабельность активов может быть рассчитана как частное прибыли до налогообложения и общих активов предприятия:
(1.4)
Зависимость между соотношением собственных и заемных средств предприятия и рентабельностью активов довольно сложно предугадать. С одной стороны, согласно теории иерархии, успешные предприятия могут иметь достаточные внутренние источники средств: нераспределенную прибыль — и у них не будет необходимости занимать средства вовне. В этом случае с увеличением рентабельности активов леверидж предприятий будет снижаться.
С другой стороны, согласно теории компромисса, прибыльные предприятия могут без труда получить банковский кредит, им необходимо больше средств для сокращения их налогового бремени. Следовательно, при росте рентабельности активов доля заемных средств в капитале предприятий будет увеличиваться.
В качестве нашей исследовательской гипотезы примем, что при увеличении ROA соотношение собственных и заемных средств сокращается.
Рентабельность продаж может быть рассчитана как частное прибыли до налогообложения и общей суммы продаж предприятия:
(1.5)
Влияние этого показателя на структуру капитала также сложно предсказать, как и эффект от рентабельности активов. Однако мы примем, как и в предыдущем случае, предположение, что при увеличении ROS соотношение собственных и заемных средств сокращается, в качестве исследовательской гипотезы. Доля основных средств в суммарных активах организации также носит название осязаемости активов (tangibility of assets) и рассчитывается по формуле:
(1.6)
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Предприятия, владеющие большим объемом основных средств, могут позволить себе взять больше кредитных займов, увеличив свои обязательства. Данный вид финансирования для них доступен по более низким процентным ставкам, поскольку их основные средства могут выступать в качестве обеспечения, сокращая риск кредитора. Обе теории утверждают, что существует положительная зависимость между долей заемных средств и объемом основных средств предприятия. Мы также предполагаем, что для российских предприятий химической отрасли характерно увеличение доли заемных средств в структуре капитала при увеличении доли основных средств.
Размер компаний также оказывает влияние на формирование структуры капитала. Этот показатель рассчитывается как натуральный логарифм от объема продаж:
(1.7)
Согласно с принципами теории компромисса, чем больше размер предприятия, тем выше вероятность возникновения новых обязательств. Более крупные предприятия являются более разносторонними, имеют более устойчивый поток денежных средств. Вероятность банкротства для крупных организаций ниже, чем для средних или малых предприятий. Эти два факта приводят к росту задолженностей компаний.
Сторонники теории иерархии склонны полагать, что между левериджем и размером предприятия существует отрицательная зависимость: чем больше компания, тем ниже доля заемных средств. Они аргументируют это тем, что асимметрия информации о состоянии крупных предприятий распространена меньше по сравнению с фирмами других размеров, поскольку крупные компании раскрывают больше информации и предоставляют ее заинтересованным лицам. Следовательно, вероятность недооценки новых выпущенных акций снижается, стимулируя крупные предприятия получать средства финансирования именно за счет выпуска акций. Таким образом, больший размер компании приводит к росту ее обязательств перед акционерами.
Вслед за последователями теории компромисса, мы ожидаем, что для предприятий химической отрасли будет характерна положительная взаимосвязь между размером предприятий и долей заемных средств в структуре капитала.
Не долговой налоговый щит (Non-debt tax shield — NDTS) — это налог, взимаемый с амортизации и инвестиционных кредитов. Большинство исследователей применяют для его расчета формулу:
(1.8)
Эксперты сходятся во мнении, что не долговой налоговый щит может быть рассмотрен как альтернатива налоговым льготам от долгового финансирования. Предприятия с большим количеством таковых налоговых льгот склонны к обладанию меньшим количеством долга. Мы также поддерживаем такое предположение.
Возможности роста (growth opportunities) предприятия могут быть оценены как ежегодное процентное изменение стоимости совокупных активов предприятия:
(1.9)
Зависимость между этим показателем и долей заемных средств в структуре капитала компаний, скорее всего, будет отрицательной, полагают эксперты и исследователи. Предприятия с высоким показателем возможного роста не ставят на первое место выпуск долговых обязательств. Наличие возможности роста у компании не предполагает немедленного получения большего объема выручки, поэтому предприятия с небольшой охотой берут на себя большие объемы контрактных обязательств.
Волатильность (volatility) рассчитывается, как стандартное отклонение прибыли до налогообложения [21]. Также существует способ его расчета как отклонение от среднего чистой прибыли предприятия, деленное на количество лет:
(1.10)
Изменение дохода и его резкое отклонение от среднего значения может быть рассмотрено, как сигнал о финансовом затруднении компании, поэтому предприятию придется выплачивать премию за риск внешним инвесторам. Желая уменьшить сумму к выплате, и зная о возможных трудностях, организации будут демонстрировать тенденцию к использованию своих внутренних источников средств, а затем прибегать к внешним. Таким образом, при увеличении колебания показателя прибыли будет происходить снижение доли заемного капитала в общей его структуре.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Глава 2. Статистический анализ состояния и развития химической отрасли
Химическая отрасль Российской Федерации функционирует уже очень давно. На конец 2013 года количество действующих предприятий отрасли составило 14310 единиц. В самом начале рассматриваемого периода, в 1998 году, количество предприятий было на уровне 10649 единиц.
Рисунок 1. Динамика количества предприятий и организаций химической промышленности, с 2010 по 2013гг., (ед.)
На рисунке 1 представлено изменение количества предприятий химической промышленности с 1998 по 2013 годы.
Наибольшее число организаций было в 2005 году — 17049 единиц. Взяв 1998 год за базовый показатель, получим базовый темп роста в 2005 году на уровне 160, 09%, т.е. по сравнению с базовый годом в 2005 году предприятий в отрасли стало больше на 60, 09%, или на 6400 штук. Однако затем произошло их резкое сокращение на 1715 штук, что привело к тому, что в отрасли в 2006 году функционировало 15334 предприятия. Это был самое существенное изменение этого показателя за весь анализируемый период. Темп прироста в 2006 году был отрицательным и составил 10, 06 п. п.
Число предприятий химического сектора существенно сократилось с 2009 года, снизившись с 15523 до 14310 единиц. За 2013 год их число сократилось на 385 единиц. Темп роста числа организаций за 2013 год составил 97, 38%, темп прироста показателя составил -2, 6 п.п. Сокращение числа предприятий после экономического кризиса 2008 года могло произойти из-за резко ухудшения ситуации в отрасли и в экономике в целом. Возможно, экономическая нестабильность вынудила уйти с рынка неконкурентоспособные предприятия.
Объем отгруженной промышленной продукции химического сектора промышленности на протяжении рассматриваемых 16 лет демонстрирует в целом тенденцию к увеличению (рис.2).
Рисунок 2. Динамика объема отгруженной промышленной продукции химической отрасли, 1998 — 2013 гг., (млн. руб.)
Этот показатель значительно возрос, достигнув в 2013 году уровня в 1886000 млн. руб. Максимальный объем отгруженных товаров был в 2012 году на уровне 1942000 млн. рублей (в фактически действовавших ценах). Показатель увеличился в 2012 году на 7, 12% по сравнению с 2011 годом. Снижение этого показателя наблюдалось дважды: в 2009 году и в 2013. В 2009 году было снижение на 250509 млн. рублей, что составило 19, 09% от объема продукции предыдущего года. В 2013 году этот показатель снизился на 2, 88% по сравнению с 2012 годом. Возможно, уменьшение объема отгруженной продукции связано с изменением экономической ситуации в стране и отношений с торговыми партнерами.
Некоторые эксперты говорят, что в последние годы сильно снизился индекс предпринимательской уверенности. Яна Милюкова в своей статье «Неуверенное будущее» пишет о том, что главным фактором снижения индекса предпринимательской уверенности является сокращение потребительского кредитования, т.к. это может отрицательно сказаться на платежеспособности потребителей. К сожалению, по данному показателю химической промышленности доступен совсем не длинный временной ряд (табл. 1).
Таблица 1. Динамика индекса предпринимательской уверенности, %, 2011 — 2013 гг.
В таблице 1 приведены значения индекса предпринимательской уверенности по кварталам за период с 1 квартала 2011 по 4 квартал 2013 года. Ситуация в начале 2013 года была чуть более оптимистичной, чем в 2012. В первом квартале 2013 года индекс составил (-1%) против (-4%) в первом квартале 2011. Но в декабре 2013 года данный индекс достиг одного из своих наименьших значений (-9%), а в декабре предыдущего года он был на уровне (-6%). Таким образом, можно сказать, что к концу 2013 года настроение предпринимателей ухудшилось: они стали менее уверенными в завтрашнем дне, перестали иметь устойчивые ожидания относительно дальнейшего развития своего бизнеса.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Безусловно, снижение индекса предпринимательской активности и изменение делового климата в отрасли оказало определенное влияние на структуру инвестиций в основной капитал компаний. У многих инвесторов появились опасения делать инвестиции, которые могут не завершиться реализованным проектом из-за инфляционных, курсовых и других рисков. Такие предубеждения зачастую приводят к тому, что предприниматели начинают «жить сегодняшним днем», не задумываясь над стратегической перспективой своих предприятий.
На протяжении рассматриваемых 16 лет наблюдается увеличение объема инвестиций в основной капитал предприятий, несмотря на небольшие спады этого показателя (рис.3).
Рисунок 3. Объем инвестиционный поступлений в основной капитал предприятий химической отрасли, 1998 — 2014 гг. (млрд. руб.)
Наиболее заметное снижение произошло в 2009 году, когда объем инвестиций сократился на 25, 5 млрд. рублей и составил 110, 1 млрд. руб., а в предыдущем году, 2008, в основной капитал организаций этой сферы поступило 135, 6 млрд. рублей. В 2011 и 2012 гг. наблюдались довольно высокие темпы прироста этого показателя: 44, 02% и 30, 57% — объемы поступающих инвестиций существенно возросли. В 2013 году этот показатель находился на уровне 224, 9 млрд. рублей, увеличившись на 5, 93% по сравнению с предыдущим годом. В 2014 году объем инвестиций в основной капитал предприятий химической отрасли составил 253 млрд. рублей, что на 28 млрд. рублей больше, чем в 2013 году. Прирост показателя за 2014 год составил 12, 49 п. п.
В источниках финансирования инвестиций выделяют два основных способа: собственные средства предприятия и привлеченные средства (из внешних источников). На протяжении всего анализируемого периода большая часть суммы для инвестирования поступала из собственных средств предприятий этой отрасли (рис. 4). Исключение составляет 2009 год, когда привлеченные средства превысили собственные средства. Однако это превышение было весьма незначительным: на 2, 2 п. п., 48, 9% поступлений было получено за счет собственных источников финансирования, 51, 1% — за счет привлеченных средств.
Рисунок 4. Структура инвестиций в основной капитал, в % к итогу, 1998 — 2014гг. (% к итогу)
В конце прошлого столетия из собственных источников финансирования поступало около 90% инвестиционных средств: в 1998 году из этих источников было получено 87, 2%, а в 1999 — 89, 2% средств. После такой уровень финансирования в процентом соотношении уже никогда не был достигнут и преодолен, поскольку стала прослеживаться тенденция к снижению финансирования за счет собственных средств и переход к финансированию за счет заемных. В денежном выражении объем инвестиций в 1998 и 1999 гг. составил 6, 611 и 10, 54 млрд. рублей соответственно. Безусловно, в денежном выражении объем инвестиций в основной капитал увеличился существенно.
В 2010 произошло резкое увеличение инвестиционных поступлений из собственных источников финансирования — 73, 6% инвестиций в основной капитал были сделаны за их счет. В 2011 произошло сокращение поступлений из собственных средств на 16, 8 п. п., до уровня 56, 8%. Этот показатель снизился, продемонстрировав отрицательный темп роста 77, 18%.
В последнее время, в течение 2012 — 2014 гг., наблюдается увеличение финансирования из собственных средств. В 2014 году 60, 3% средств были привлечены из собственных источников финансирования, а 39, 7% — за счет привлеченных средств. В 2014 год произошел положительный прирост суммы инвестиционных поступлений за счет собственных средств на 4, 8 п. п.
Рисунок 5. Индекс промышленного производства химической отрасли, 1998 -2014гг. (в% к предыдущему году)
Индекс промышленного производства химической отрасли Российской Федерации демонстрирует резкие взлеты и падения (рис. 5). Значение этого показателя, как и самого промышленного оборота, находится под влиянием многих внешних факторов. Большое влияние на него оказывает экономическая ситуация в нашей стране, возможность торговли с покупателями внутри страны и за рубежом. Впоследствии мирового экономического кризиса в 2009 году произошел существенный спад индекса промышленного производства отрасли. Показатель упал на 4, 525 п. п. до уровня 1998 года, достигнув отметки 95, 475%. Затем он существенно возрос на 15, 23 п. п. в 2010году, составил 115, 208% к предыдущему году.
Обострение отношений с рядом иностранных партнеров повлияли на этот показатель. В 2014 году индекс промышленного производства снизился на 7, 825 п. п., оказавшись на отметке 92, 175% к предыдущему году. Занимаемый уровень является самым низким за весь рассматриваемый период.
Наибольшая среднегодовая численность работников, занятых в химическом секторе промышленности, наблюдалась в 2000 году, когда она была на уровне 707, 3 тысячи человек (рис. 6). По сравнению с показателями 1999 года эта величина существенно увеличилась в 2000 году, ее рост составил 160, 3 тысячи человек, а прирост численности работников был равен 29, 3 п. п. После 2000 года началось снижение среднегодовой численности работников предприятий, которое продолжается в текущее время.
На общем фоне снижения показателя выделяется резкий спад, произошедший в 2004 году. В то время численность работников снизилась с 623, 9 тысяч человек до 550, 3 тысяч человек, на 73, 6 тысяч человек. В тот год отрицательный цепной темп прироста численности работников предприятий был равен 11, 79 п. п. Однако численность работников в 550, 3 тысячи человек была недалека от уровня 1998 года, когда она составляла 557 тысяч человек. Базовый темп роста показателя в 2004 году был равен 98, 79%, что говорит о том, что по сравнению с базовым годом (1998-ым) данный индикатор снизился на 1, 2 п. п.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Рисунок 6. Среднегодовая численность работников предприятий химической отрасли, 1998 — 2014 гг. (тыс. чел.)
В 2013 году численность работников предприятий химической отрасли составила 390, 2 тысячи человек. В 2012 году численность работников была равна 398, 2 тысячам человек. Таким образом, показатель снизился на 8 тысяч человек, или на 2, 009 п. п., определив темп роста 2013 года на уровне 97, 99%. В 2014 году падение численности работников предприятий отрасли продолжилось — за 2014 год из отрасли выбыло 9, 6 тысяч человек. Отрицательный темп прироста показателя составил 2, 46 п. п.
Сокращение численности занятых в химической отрасли может быть объяснено тем, что в 2013 году была закрыта часть предприятий сектора, около 385 единиц, значит, люди потеряли свои рабочие места. С трудом можно предположить, что все оставшиеся без постоянного места работы люди смогли быстро трудоустроиться на другие предприятия этой же отрасли, поэтому и произошло снижение численности. Также часть работников могла выбыть по другим причинам до ликвидации предприятий. По сравнению с 1998 годом, численность работников в 2014 снизилась на 31, 67 п. п., базовый темп роста показателя отрицателен и находится на уровне 68, 33%.
Среднемесячная начисленная заработная плата на протяжении всего исследуемого периода увеличивается. В 1998 году она составляла 1195, 1 рублей в месяц, к 1999 году она увеличилась на 60, 74 п. п., составив 1921 рубль.
Рисунок 7. Среднемесячная начисленная заработная плата работников химической отрасли, 1998 — 2014гг. (рублей)
Наиболее значимые увеличения заработной платы произошли в 2008 и 2013 годах. В оба временных промежутка заработная плата была повышена на примерно одинаковую сумму: 3604 рубля и 3613 рублей соответственно. В 2008 году среднемесячный заработок в отрасли составил 18219 рублей, что на 24, 66 п. п. превысило среднемесячный уровень 2007 года. В 2013 году она находилась на уровне 32514 рублей, увеличение было равно 12, 5 п. п. по сравнению с 2012 годом. Темп роста показателя за 2013 год составил 112, 5%. В 2014 году заработная плата возросла на 3704 рубля, темп прироста в этом году составил 11, 39 п. п., немного меньше, чем в предыдущем.
При сравнении среднемесячного дохода работника отрасли в начале и конце периода выявляется существенное увеличение заработной платы. Базовый темп роста показателя равен 3030, 5%, заработная плата увеличилась в 30, 3 раза. Однако с учетом инфляции, роста цен на товары всех категорий уровень, на котором находится заработная плата работников отрасли не такой высокий
Производительность труда работников химической отрасли в 2013 году составила 4833 млн. руб./тыс. чел. По сравнению с 2012 годом произошел спад производительности труда на 0, 89п.п. Наибольшая производительность труда была достигнута в 2012 году — 4876, 95 млн. руб./тыс. чел. Темп роста производительности труда в 2012 году составил 111, 85%.
Наиболее ощутимое положительное изменение показателя произошло в 2011 году: производительность труда увеличилась на 1052, 43 млн. руб./тыс. чел., или на 31, 82 п. п., составив 4360, 27 млн. руб./тыс. чел. в тот год. Большое снижение производительности труда произошло в 2009 году: она снизилась на 281, 47 млн. руб./тыс. чел., или на 10, 47 п. п., составив 2406, 3282 млн. руб./тыс. чел. Темп роста производительности труда в тот год составил 89, 53%.
2.2 Статистический анализ и прогнозирование индекса промышленного производства химической отрасли
Ежегодные изменения индекса промышленного производства химической отрасли были рассмотрены в разделе 2.1. Данный раздел посвящен анализу ежемесячных колебаний данного показателя. Рассмотрим последний отрезок колебаний индекса промышленного производства, в который войдут изменения с начала 2009 года, включая самое существенное увеличения показателя за последние 10 лет (на 15, 21 п. п.), до значения индекса на конец 2014 года. Рассмотрим временной ряд, содержащий 72 наблюдения: ежемесячные данные об уровнях индекса промышленного производства химической промышленности с января 2009 года по декабрь 2014 года.
Минимальный уровень индекса промышленного производства был достигнут в январе 2009 года, а максимальное его значение — в ноябре 2009 года: 66, 7% и 142, 8% к соответствующему периоду предыдущего года соответственно. По сравнению с январем 2008 года индекс промышленного производства в январе 2009 снизился на 33, 3%, по сравнению с ноябрем 2008 года показатель возрос на 42, 8%.
Среднее значение индекса промышленного производства за анализируемый временной период составило 103, 82%. После достижения своего максимального значения за весь период в ноябре 2009 года индекс промышленного производства снизился и стал колебаться на уровне 100 — 110% (рис. 8). К концу 2013 — началу 2014 года индекс возрос и продолжил свои колебания между 110 и 120%, однако в течение 2014 года произошло его снижение, минимум за тот год был достигнут в июле (91, 8%). Спад показателя составил 8, 2% по сравнению с июлем 2013 года и 2, 79 п. п. по сравнению с июнем 2014 года. В конце 2014 года индекс промышленного производства находился на уровне 98, 1%, снижение на 1, 9% по сравнению с декабрем 2013 года. Снижение показателя за 2014 год вполне может быть обусловлено ухудшением экономической ситуации в стране, осложнением отношений с зарубежными странами, затруднениями в поставках сырья и некоторого дорогостоящего оборудования.
Рисунок 8. Индекс промышленного производства химической отрасли, январь 2009 — декабрь 2014гг. (в % к предыдущему году)
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
На графике автокорреляционной функции (рис.9) значение первого лага переменной выходит за пределы доверительного интервала, следовательно, автокорреляции в данных нет. На графике автокорреляционной функции нельзя выявить наличие сезонности, т.к. не наблюдается повторяющихся через определенное время «скачков» вверх. Значения автокорреляционной функции не являются хаотичными и зависят от времени, следовательно, анализируемый временной ряд не является стационарным.
Для проверки наличия трендовой составляющей в анализируемой совокупности проведем критерий серий (Runs test (см. приложение 1)). Примем нулевую гипотезу Н0 о том, что среднее значение ряда неизменно, тренд отсутствует, при альтернативной гипотезе Н1 о том, что трендовая составляющая есть. Поскольку Prob = 0, 00, что не превышает значение , значит, на уровне значимости 95% гипотеза Н0 о неизменности среднего значения временного ряда отвергается, следовательно можно сказать, что у данного временного ряда есть трендовая составляющая.
Рисунок 9. Автокорреляционная функция индекса промышленного производства предприятий химической отрасли
При анализе выбранной совокупности данных необходимо проверить отсутствие структурных сдвигов, т.к. они могут оказать сильное влияние на дальнейшее исследование. Проведем тест Чоу: примем гипотезу Н0 о том, что структурного сдвига нет против альтернативной гипотезы Н1 о том, что он все-таки есть. Статистика теста-Чоу рассчитывается по формуле:
, (2.1)
где k — это количество параметров модели, включая константу.
Для расчета теста выборка делится на две части. Предположим, что в нашей выборке скачок может произойти в точке t=11, в ноябре 2011 года, когда произошло сильное изменение показателя. По результатам теста Чоу получаем, что , следовательно, на уровне значимости 95% гипотеза Н0 не отклоняется, значит структурного сдвига не было.
Рисунок 10. Исходные значения переменной и сглаженные значения по модели взвешенной скользящей средней
Критерий серий, описанный ранее, подтвердил наличие тренда в анализируемой совокупности. Выделение трендовой составляющей было проведено с помощью взвешенного скользящего среднего по полиному второго порядка с интервалом сглаживания 5. Были восстановлены краевые значения сглаженного ряда. Полученные сглаженные результаты не сильно отклоняются от реальных значений индекса (рис.10).
Значение первого лага автокорреляционной функции остатков полученной модели выходит за пределы доверительного интервала (рис.11), следовательно, автокорреляция в остатках отсутствует. Полученные значения функции ACF не демонстрируют зависимости от временных лагов и распределены хаотично, следовательно, в остатках есть белый шум, полученная модель адекватна. Адекватность модели подтверждается результатами теста Льюинга-Бокса (см. приложение 2). В этом тесте принимается гипотеза Н0: гипотеза о том, что в остатках есть белый шум, при альтернативной гипотезе Н1: данные не являются случайными. После проведения теста на автокорреляцию получим: Следовательно, нулевая гипотеза Н0 не отклоняется, остатки модели взвешенного скользящего среднего обладают свойствами белого шума на уровне значимости 95%. Значит, можем сделать вывод о том, что модель адекватна.
Рисунок 11. Автокорреляционная функция остатков модели взвешенного скользящего среднего
Представим эту модель в математической форме. Мы делали сглаживание по полиному 2-ого порядка, т.е. функция имеет такой изначальный вид: . После «подставления» в эту функцию найденных значений параметров она принимает следующий вид:
Для дальнейшего анализа временного ряда построим модель ARIMA(p, d, q), Auto Regressive Integrated Moving Average. Из анализа графиков функций автокорреляции и частной автокорреляции индекса промышленного производства предприятий найдем значения параметром p и q (рис. 11 и рис. 12).
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Рисунок 12. Частная автокорреляционная функция индекса промышленного производства предприятий химической отрасли
Значения графика ACF снижаются, уходя в ноль после лага q, где q — параметр MA(q) процесса. При анализе этой совокупности данных значения автокорреляционной функции уходят в 0 после 2-ого лага. Таким образом, из графика ACF можно сделать вывод, что q=2. Значит, при построении моделей необходимо будет подбирать до 2 порядка.
Значения графика PACF уходят в ноль после лага p, где р — параметр AR(p) процесса. Исходя из построенного графика частной автокорреляционной функции для индекса промышленного производства химической отрасли, можно сказать, что значим только первый лаг, все остальные незначимы. Значит, параметр p=1. Возможна модель ARIMA (1, d, q). Из найденных значений p и q получается, что модель ARIMA примет вид: ARIMA (1, d, 2).
Для полного построения модели ARIMA(p, d, q) осталось определить порядок интеграции d. Для расчета этого значения необходимо проверить ряды на стационарность, мы сделаем это с помощью теста Дики-Фуллера. Если окажется, что анализируемый ряд не стационарен, то мы будем брать разность и проверять на стационарность ряд с разностью, будем проводить эти действия, пока не получим стационарный ряд. Количество взятых разностей для получения стационарного временного ряда и будет значением d — порядка интеграции.
Идея проверки AR(1) процесса на стационарность заключается в тестировании его уравнения на единичный корень:
(2.2)
Следовательно, берутся две гипотезы: Н0: a=1, с альтернативной гипотезой H1: a<1. Изначальное уравнение для AR(1) можно преобразовать и представить в виде: — оператор разности первого порядка [14].
Проверка гипотезы о единичном корне в данном представлении означает проверку нулевой гипотезы о равенстве нулю коэффициента при альтернативной гипотезе, что коэффициент меньше нуля: Н0: < 0. Если обладает единичным корнем и является I(1), при условии, что ∆y- стационарный. Если < 0, то y — стационарный: I(0).
С помощью МНК-метода находят оценку коэффициента и стандартные ошибки. Затем на их основе вычисляют .
Описанный тест является односторонним, т.к. случай «взрывных» процессов не рассматривается. Статистика теста (DF-статистика) — это -статистика для проверки значимости коэффициентов линейной регрессии, распределение которой называется распределением Дики-Фуллера.
Существует три версии теста (тестовых регрессий):
. Без константы и тренда
(2.3)
2. С константой, но без тренда:
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
(2.4)
3. С константой и линейным трендом:
(2.5)
Для каждой из трёх тестовых регрессий существуют свои критические значения DF-статистики, которые находятся из таблицы Дики — Фуллера (МакКинона). Если при определенном уровне значимости значение статистики лежит левее критического значения, то нулевая гипотеза о единичном корне отклоняется и процесс стационарен. В противном случае гипотеза не отвергается и процесс может содержать единичные корни, то есть может быть нестационарным временным рядом.
Таблица 2. Результаты теста Дики-Фуллера для индекса промышленного производства предприятий химической отрасли
Результаты теста Дики-Фуллера на стационарность исследуемого временного ряда приведены в таблице 2. Примем нулевую гипотезу Н0 о том, что ряд не стационарен, при конкурирующей гипотезе Н1: ряд является стационарным.
Для теста без константы и теста с константой и трендом наблюдаемая тестовая статистика больше, чем критическое значение. Значит, в случае этих тестов нулевая гипотеза не отклоняется, т.е. исходный ряд не стационарен. Для теста с константой тестовая статистика лежит левее, чем критическое значение. Значит, в этом случае нулевая гипотеза отвергается, т.е. по результатам такой версии теста временной ряд исходных данных стационарен. Однако учитывая результаты для двух версий теста, необходимо проверить первую разность, для того чтобы найти порядок интеграции, который приведет исходный ряд данных к стационарному виду во всех вариациях теста.
Возьмем первую разность и проверим ее на стационарность. Результаты приведены в таблице 3.
Таблица 3. Результаты теста Дики-Фуллера для первой разности индекса промышленного производства предприятий химической отрасли
При взятии первой разности мы получили, что для всех версий теста Дики-Фуллера тестовая статистика находится левее критического значения. Также P-значение меньше, чем «=0, 05. Значит, нулевая гипотеза о нестационарности ряда отвергается. Следовательно, ряд первых разностей стационарен на уровне значимости 95%. Для временного ряда индекса промышленного производства химической отрасли порядок интеграции d=1.
Таким образом, после проведенного анализа мы пришли к тому, что параметры модели ARIMA p=1, d=1, q=2. Как известно, чем проще построенная модель, тем она удобнее для интерпретации и дальнейшего применения. Значит, мы будем подбирать модель, адекватно объясняющую исходные данные, и с наименьшим количеством параметров. Мы будем осуществлять выбор качества модели, основываясь на информационных критериях, кроме них, будем принимать в расчет статистические свойства модели.
Информационные критерии используются для сравнения качества моделей. Эти критерии не принято содержательно интерпретировать. Чем меньше значение данных критериев, тем выше относительное качество модели.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Одним из информационных критериев является критерий Акаике (AIC). Он имеет следующий вид:
AIC=2k-2l, (2.6)
где l — значение логарифмической функции правдоподобия построенной модели, k-количество использованных параметров.
Также среди информационных критериев существует информационный критерий Шварца (BIC). Он разработан на основе байесовского подхода. Этот критерий является самым часто используемым преобразованием AIC:
BIC=k*ln(n)-2l (2.7).
При построении моделей временных рядов мы опирались, главным образом, на полученный порядок интеграции, который по результатам нашего анализа равен 1. Среди проанализированных моделей: ARIMA(1, 1, 3), ARIMA(2, 1, 3), ARIMA(3, 1, 2), ARIMA(3, 1, 2) — модель ARIMA(3, 1, 2) является наиболее точной.
Значения рассчитанных параметров модели приведены в таблице 4. Результаты, рассчитанные по другим моделям, приведены в приложении 3.
Математическая форма модели ARIMA (3, 1, 2) имеет следующий вид:
(2.8)
Для данной модели все значения параметров получились значимыми на уровне значимости 90%. Стандартная ошибка модели ARIMA(3, 1, 2) меньше, чем этот показатель в моделях ARIMA(1, 1, 3), ARIMA(2, 1, 3). Также выбранная модель обладает большим относительным качеством, т.к. ее информационные критерии: AIC=486, 270, BIC=502, 115 — меньше аналогичных показателей других моделей.
Значения анализируемого показателя — индекс промышленного производства предприятий — рассчитаем с помощью модели и сравним предсказанные значения с реальными данными (рис. 13).
Рисунок 13. Реальные и предсказанные значения индекса промышленного производства предприятий химической отрасли, январь 2009 — декабрь 2014гг. (% к предыдущему году)
Предсказанные по модели значения показателя и его реальные достигнутые уровни находятся довольно близко друг к другу. Безусловно, есть некоторые расхождения в значениях, но в целом модель хорошо описывает исходный временной ряд показателя. Например, показатель декабря 2014 года отличается от реального значения индекса на 4, 4п. п.: 93, % и 98, 1% соответственно. Ошибка предсказанных значений составляет 0, 0702.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Значения автокорреляционной и частной автокорреляционной функции для остатков данной модели не выходят за пределы доверительного интервала (рис.14), следовательно, остатки обладают свойствами белого шума. Значит, модель является адекватной.
Проверим выбранную модель на адекватность, используя тесты. Полученная модель будет являться адекватной, если в ее остатках присутствует белый шум. Нормальность распределения остатков проверим с помощью теста Харке-Бера. Для выявления отсутствия или наличия автокорреляции остатков проведем тест Льюинга-Бокса.
Рисунок 14. Автокорреляционная и частная автокорреляционная функции остатков модели ARIMA (3, 1, 2).
В тесте Харке-Бера в качестве нулевой гипотезы примем гипотезу о том, что остатки распределены нормально. Тест Харке-Бера основан на сравнении коэффициентов асимметрии и эксцесса исходного ряда с коэффициентами нормального распределения. В данном критерии принимаются такие гипотезы: H0: S=0, K=3, H1: S≠0, K≠3. В данной модели . Наблюдаемое значение меньше критического, следовательно, нулевая гипотеза о нормальности распределения остатков не отвергается, остатки распределены нормально.
С помощью теста Льюинга-Бокса определим, хаотичны ли остатки данного временного ряда. Примем гипотезу Н0: остатки являются случайными, при конкурирующей гипотезе Н1: в остатках нет белого шума. После проведения теста на автокорреляцию получим: Следовательно, нулевая гипотеза Н0 не отклоняется, остатки модели ARIMA(3, 1, 2) обладают свойствами белого шума на уровне значимости 90%, автокорреляции в них нет. Значит, можем сделать вывод о том, что модель адекватна.
Построенная модель ARIMA(3, 1, 2) может быть использована для прогноза, т.к. ее остатки распределены нормально, автокорреляции в них нет, модель является адекватной.
Спрогнозируем уровень индекса промышленного производства предприятий химической отрасли на 12 месяцев 2015 года, используя полученную модель. Полученные модельные значения показателя на предстоящие временные периоды демонстрируют колебания в промежутке между 100 и 110% к аналогичному периоду предыдущего года (табл. 5).
Таблица 5. Прогнозные значения и доверительный интервал индекса промышленного производства химической отрасли России, январь 2015-декабрь 2015г.
С помощью тестов мы определили, что выбранная модель является адекватной, следовательно, полученный по ней прогноз может считаться достоверным.
В январе 2015 года индекс промышленного производства отрасли увеличится на 4, 76 п. п. по сравнению с декабрем 2014 года и составит 98, 46%. За весь 2015 год, согласно полученному прогнозу показателя, этот темп прироста будет максимальным. Уровень индекса в начале 2015 года является самым низким, свое максимальное значение индекс промышленного производства достигнет в октябре 2015 года, составив 104, 49% к уровню октября 2014 года (рис.15).
Рисунок 15. Прогнозные значения индекса промышленного производства предприятий химической отрасли, январь 2015- декабрь 2015г. (%к предыдущему году)
На протяжении 2015 года ожидается как увеличение показателя, так и его снижение. Наиболее значительный спад индикатора должен был произойти в июле 2015 года: индекс снизился на 1, 952 п. п., до уровня 101, 69%. К концу 2015 года ожидается, что данный показатель будет находиться на уровне 103, 85%, показав положительный темп прироста за декабрь — 0, 754 п. п.
Таким образом, согласно прогнозу по модели ARIMA(3, 1, 2) объем промышленного производства отрасли в декабре 2015 года возрастет на 3, 86 п. п. по сравнению с объемом производства отрасли на декабрь 2014 года.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
2.3 Тенденции развития иностранных инвестиционных поступлений в основной капитал предприятий химической отрасли
В предыдущем разделе была рассмотрена динамики объема инвестиционных поступлений в основной капитал. Одной важных составляющих инвестиций являются поступления от иностранных инвесторов, особенно во время затрудненной экономической ситуации в стране, ухудшения инвестиционного климата для зарубежных инвесторов. В данном разделе мы проанализируем динамику поступлений иностранных инвестиций в основной капитал организаций химической отрасли Российской Федерации.
В целом за период с 1998 по 2014 гг. наблюдается возрастающая тенденция данного показателя, несмотря на некоторые произошедшие спады. В 1998 году иностранные поступления составили 1172 млн. рублей, а к 1999 году они возросли на 70, 73 п. п., составив 2001 млн. рублей. После начала 2000-х прослеживалось весьма устойчивое и быстрое увеличение объема иностранных инвестиций в основной капитал в химической отрасли, но в преддверии кризиса 2008 года этот уверенный рост приостановился и сменился весьма резким падением.
Рисунок 16. Объем иностранных инвестиционных поступлений в основной капитал предприятий химической отрасли, 1998 — 2014 гг. (млн. руб.)
В 2008 году начался спад в иностранных инвестициях отрасли. В 2008 году произошло снижение объема поступлений на 9244, 7 млн. рублей. В 2009 году отрицательная динамика показателя сохранилась. Произошло сокращение объема иностранных инвестиций с 44127 млн. рублей до 39580, 2 млн. рублей, отрицательный прирост показателя составил 10, 31 п. п. Одной из причин снижения инвестиционных поступлений стал экономический кризис 2008 года, затронувший людей и организации по всему миру, заставивший всех начать осторожно подходить к финансовым вложениям. События 2008 года оказали влияние и на ситуацию в 2009 году, поскольку спад иностранных инвестиций в основной капитал продолжился.
После 2009 году начался рост иностранных инвестиций. Максимальное значение в промежутке 2009 — 2014гг. было достигнуто в 2012 году — 67897 млн. рублей. Максимальное изменение показателя произошло между 2010 и 2011 годами: объем иностранных поступлений вырос на 61, 26 п. п. с 40833, 7 млн. рублей до 65849, 3 млн. рублей.
Вследствие возникновения политических разногласий со многими странами и ухудшения экономических отношений с ними в 2013 году объем иностранных инвестиций вновь снизился. Его сокращение составило 10169, 8 млн. рублей, отрицательный темп прироста равен 14, 98 п. п.
Объемы иностранных поступлений, наблюдающиеся в наше время, превышают в разы показатели начала века. На конец 2014 года этот показатель находится на уровне 65086 млн. рублей. По сравнению с 2013 годом этот показатель возрос на 7359, 2 млн. рублей, его прирост составил 12, 748 п. п. Уровень иностранных инвестиций 1998 года был превышен более чем в 55 раз.
Для анализа описанного временного ряда построим модель ARIMA (p, d, q). Для определения параметров модели проанализируем графики автокорреляционной и частной автокорреляционных функций объема иностранных инвестиций в основной капитал предприятий химической промышленности.
Рисунок 17. Графики автокорреляционной и частной автокорреляционной функций объема иностранных инвестиций в основной капитал химической отрасли
Значения графика ACF (рис.17) снижаются, уходя в ноль после 2-ого лага, следовательно, параметр q процесса MA(q) равен 2. Также по графику автокорреляционной функции ACF заметно, что сезонность отсутствует.
Значения графика PACF (рис.17) уходят в ноль после первого лага, значит, параметр AR(p) процесса равен 1. Также по графику частной автокорреляционной функции для объема иностранных инвестиций химической отрасли, можно сказать, что значим только первый лаг, все остальные незначимы. Из найденных значений p и q получается, что модель ARIMA примет вид: ARIMA (1, d, 2).
Аналогичные результаты мы получим, если проанализируем значения автокорреляционной и частной автокорреляционной функций (приложение 4). Первые два лага для ACF и первый лаг для PACF превышают значения доверительного интервала. Значения статистики Льюинга-Бокса представлены в последней колонке таблицы. Все приведенные значения превышают значение Следовательно, нулевая гипотеза теста Льюинга-Бокса о том, что во временном ряду есть белый шум, не отвергается на уровне значимости 95%.
Для завершения построения модели ARIMA(p, d, q) необходимо определить порядок интеграции d. Для расчета этого значения проверим ряды на стационарность с помощью теста Дики-Фуллера. В случае обнаружения нестационарности будем рассматривать разности показателя. Количество взятых разностей для получения стационарного временного ряда и будет значением d — порядка интеграции.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Рассмотрим результаты теста Дики-Фуллера для объема иностранных инвестиций в основной капитал (табл. 6). Примем нулевую гипотезу H0: ряд не стационарен.
Таблица 6. Результаты теста Дики-Фуллера для иностранных инвестиций в основной капитал химической отрасли
Наблюдаемая тестовая статистика больше, чем критическое значение в случае теста без константы и теста с константой. Значит, в случае двух этих тестов нулевая гипотеза не отклоняется, т.е. исходный ряд не стационарен. Для теста с константой и трендом тестовая статистика лежит левее, чем критическое значение, что говорит о стационарности проверяемого временного ряда. Однако учитывая результаты для двух версий теста, необходимо найти порядок интеграции, который приведет исходный ряд данных к стационарному виду во всех вариациях теста, поэтому рассмотрим первую разность.
В таблице 7 рассмотрены результаты проверки на стационарность первой разности показателя.
Таблица 7. Результаты теста Дики-Фуллера для первой разности иностранных инвестиций в основной капитал химической отрасли
После взятия первой разности мы получили значение тестовой статистики меньше критического значения для всех версий теста Дики-Фуллера. Таким образом, нулевая гипотеза о нестационарности ряда отвергается. Следовательно, ряд первых разностей стационарен на уровне значимости 95%. Для временного ряда объема иностранных инвестиций в основной капитал химической отрасли порядок интеграции d=1.
После проведенного анализа мы получили параметры модели ARIMA p=1, d=1, q=2. Далее мы будем подбирали модель, адекватно объясняющую исходные данные, и с наименьшим количеством параметров. Мы осуществили выбор качества модели, основываясь на информационных критериях, кроме них, приняли в расчет статистические свойства модели.
Информационные критерии используются для сравнения качества моделей. Эти критерии не принято содержательно интерпретировать. Чем меньше значение данных критериев, тем выше относительное качество модели. Мы рассмотрим критерий Акаике и критерий Шварца: формулы 2.6 и 2.7.
При построении моделей будем опираться, главным образом, на полученный порядок интеграции, который по результатам нашего анализа равен 1. Из всех построенных моделей, результаты которых приведены в приложении 5, наилучшие результаты получились для модели ARIMA(2, 1, 1). Результаты значений параметров этой модели представлены в таблице 8.
Таблица 8. Характеристика модели ARIMA(2, 1, 1) для иностранных инвестиций в основной капитал химической отрасли
Математическая форма модели ARIMA(2, 1, 1) имеет следующий вид:
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
(2.9)
Для данной модели все значения параметров получились значимыми на уровне значимости 95%. Эта модель превосходит по своим качествам другие проанализированные модели: ARIMA(1, 1, 1), ARIMA(1, 1, 2) и ARIMA(2, 1, 2). Стандартная ошибка модели ARIMA(2, 1, 1) высока, но она меньше, чем этот показатель в других моделях.
Информационные критерии для модели ARIMA(2, 1, 1): AIC=339, 579, BIC=343, 44 — меньше аналогичных показателей других моделей, следовательно, она обладает большим относительным качеством по сравнению с остальными построенными моделями.
Рассчитаем с помощью модели и сравним предсказанные значения анализируемого показателя с реальными данными (рис. 18).
Рисунок 18. Реальные и предсказанные значения иностранных инвестиций в основной капитал предприятий химической отрасли, 1998 — 2014гг.(млн. руб.)
Модель успешно описывает исходный временной ряд, поскольку предсказанные по модели значения показателя и его реальные достигнутые уровни находятся довольно близко друг к другу, несмотря на некоторые расхождения в значениях.
Значения автокорреляционной и частной автокорреляционной функции для остатков данной модели находятся в пределах доверительного интервала (рис.19), следовательно, остатки обладают свойствами белого шума. Модель является адекватной.
Подтвердим этот вывод, используя тесты. Нормальность распределения остатков проверим с помощью теста Харке-Бера. Для выявления отсутствия или наличия автокорреляции остатков проведем тест Льюинга-Бокса.
В тесте Харке-Бера в качестве нулевой гипотезы примем гипотезу о том, что остатки распределены нормально H0: S=0, K=3, при альтернативной гипотезе H1: S≠0, K≠3. В данной модели . Наблюдаемое значение меньше критического, значит, нулевая гипотеза о не отвергается, следовательно, остатки распределены нормально.
Рисунок 19. График автокорреляционной и частной автокорреляционной функций остатков модели ARIMA (2, 1, 1)
С помощью теста Льюинга-Бокса определим, наличие белого шума в остатках данного временного ряда. Примем гипотезу Н0: остатки являются случайными, при конкурирующей гипотезе Н1: данные не являются белым шумом. После проведения теста на автокорреляцию получим: Следовательно, нулевая гипотеза Н0 не отклоняется, остатки модели ARIMA(2, 1, 1) обладают свойствами белого шума на уровне значимости 95%, автокорреляции в них нет. Значит, можем сделать вывод о том, что модель адекватна.
Остатки построенной модели ARIMA(2, 1, 1) распределены нормально, автокорреляции в них нет, т.е. модель является адекватной, значит, можем использовать данную модель для построения прогноза.
Построим прогноз объема инвестиционных поступлений в основной капитал предприятий химической отрасли на 3 года, используя описанную модель. По полученным результатам модельных значений показателя можно говорить об ожидаемом увеличении объема инвестиций в основной капитал (табл. 9).
Таблица 9. Прогнозные значения и доверительный интервал объема иностранных инвестиций в основной капитал химической отрасли России, 2015-2020гг.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
В 2015 году объем иностранных инвестиций в основной капитал возрастет по сравнению с 2014 годом на 10912, 5 млн. рублей, составив 75999, 2 млн. рублей. Темп прироста показателя будет равен 16, 77 п. п. В дальнейшие годы изменение объема инвестиционных поступлений будет происходить более медленными темпами, не превышающими 10 п. п. (рис. 20). К 2016 году анализируемый индикатор достигнет уровня в 82165, 4 млн. рублей, показав положительный темп прироста в 8, 11 п. п.
Рисунок 20. Прогнозные значения объема иностранных поступлений в основной капитал предприятий химической отрасли, 2015- 2017гг. (млн. руб.)
Выбранная модель является адекватной, что было подтверждено результатами тестов, поэтому полученный по ней прогноз может считаться достоверным.
Спрогнозированный показатель на 2017 год очень высок, и достижение этого уровня непременно благотворно сказалось бы на предприятиях химической отрасли.
Такой уровень инвестирования из иностранных источников позволил бы усовершенствовать методы производства. Это помогло бы повысить конкурентоспособность российских производителей и занять большую долю рынка и в России, и за рубежом. Однако с учетом непростой экономической ситуации в стране, ухода некоторых инвесторов с рынка, остается надеяться на лучшее и стремиться к достижению близких к спрогнозированным результатов.
Глава 3. Анализ деятельности предприятий химической отрасли Российской Федерации
На сегодняшний день в химической отрасли функционирует немало предприятий. В данной работе мы рассмотрим наиболее крупные предприятия этого сектора обрабатывающей промышленности. В нашу выборку вошло 50 крупных предприятий, информация по которым наиболее полная и находится в открытом доступе. Из отчетности компаний была получена информация по показателям, характеризующим объем имеющихся активов, обязательств, а также уровень выручки, прибыли, амортизации. На основе этих показатели были рассчитаны рентабельность активов (Х1), рентабельность продаж (Х2), доля основных средств (Х3), оценены размер компаний (X4), не долговой налоговый щит (X5).
Значения этих переменных подчиняются нормальному закону распределения, об этом свидетельствуют результаты теста Колмогорова-Смирнова. Для всех переменных двусторонняя асимптотическая значимость статистики превышает значение «=0, 05. Следовательно, гипотеза Н0 о том, что данные распределены равномерно не отвергается на уровне значимости 95%.
При анализе аномальных наблюдений в совокупности предприятий было выявлено, что у четырех компаний уровень не долгового налогового щита является чересчур высоким. Для того чтобы избежать исключения этих предприятий из анализа и не уменьшать и без того небольшой объем выборки предприятий химического сектора, было принято решение заменить аномальные уровни показателя на его средние значения. После этого выбросов в совокупности не наблюдалось.
При построении дендрограмм различными способами, например, методом межгрупповых связей, методом внутригрупповых связей, методом ближайшего соседа, методом дальнего соседа, методом Варда и др., — были выявлены немного отличающиеся разбиения совокупности компаний на кластеры, поскольку каждый из методов кластеризации данных имеет свои особенности при построении. При большинстве рассмотренных методов было выявлено разбиение совокупности предприятий на 3 кластера.
С помощью метода k-средних можно представить средние значения каждого кластера графически, а также рассмотреть состав кластеров наиболее наглядным и удобным образом. Однако для рационального применения метода к-средних необходимо нормировать данные. Нормировку произведем по формуле: — это исходное значение признака; — это среднее значение нормируемого показателя; — это нормированное значение показателя.
Из результатов дисперсионного анализа можно сделать вывод, что на уровне значимости 95% значимы все признаки, кроме признака Х5 (табл.10). Следовательно, нулевая гипотеза о равенстве средних по группам не может быть отклонена по этой переменной. Рассмотрим дальнейший анализ разбиения наблюдений на кластеры без учета этого признака.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Таблица 10. Результаты дисперсионного анализа полученных кластеров
При пересчете значений дисперсионного анализа без учета признака Х5 были получены следующие результаты (табл. 11). Из анализа полученных результатов следует, что все рассматриваемые признаки являются значимыми на уровне ошибки 5%. Следовательно, можно перейти к анализу полученных конечных центров кластеров (табл. 12).
Таблица 11. Результаты дисперсионного анализа полученных кластеров без учета признака Х5
При рассмотрении значений конечных центров кластеров заметим, что нулевая гипотеза о равенстве средних значений кластеров отвергается в трех группах, исходя из рассчитанных значений конечных центров кластеров (табл. 12). Конечные центры полученных при анализе кластеров отличаются друг от друга.
Таблица 12. Значения конечных центров кластеров без учета признака Х5
Анализ средних значений переменных для каждого кластера позволяет сделать вывод о том, что по признаку Х1, рентабельность активов, кластер 1 имеет наибольшее значение, а кластер 3 — наименьшее. Значения первого и второго кластеров находятся ближе друг к другу, а значения третьего кластера находится дальше от них. По признаку Х2, рентабельность продаж, наибольшее среднее значение находится во втором кластере, наименьшее — в третьем.
По признаку Х3, доля внеоборотных активов, наибольший уровень показателя наблюдается в первом кластере, наименьший — во втором. Среднее значения показателя достигается в группе 3 и находится ближе к характеристике первого кластера, чем второго. По признаку Х4, размер предприятий, аналогично наибольшее среднее значение находится в первом кластере. Наименьшее значение конечного центра кластера по признаку Х4 также принадлежит третьему кластеру.
Расстояния между кластерами (табл. 13) свидетельствуют о том, что первый и второй кластеры находятся друг к другу ближе всего, расстояние между ними равно 2, 411. Наблюдения первого и третьего кластеров имеют большее количество различий, расстояние между центрами этих кластеров равно 2, 624. Второй и третий кластеры являются наиболее далеко отстоящими друг от друга — расстояние между центрами этих кластеров равняется 2, 783.
Таблица 13. Расстояния между конечными центрами кластеров
Из приведенного графика групповых средних (рис. 21) видим, что центры кластеров отличаются друг от друга. Наблюдается существенное различие у объектов, принадлежащих к каждому из кластеров, по уровню значений признаков X1, X2, Х3, X4. Каждому кластеру можно дать название, помимо его номера, в соответствие с преобладающим в нем признаком.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Например, в первом кластере наибольшее значение принадлежит признаку X4, назовем первый кластер «X4*», в нем собраны предприятия самые большие по своему размеру, по объему продаж. Аналогичным образом присвоим названия второму и третьему кластеру.
Рисунок 21. Значения конечных центров кластеров для признаков X1, X2, Х3, X4
Получим, что вторую группу можно назвать «X2*», поскольку Х2 является преобладающим признаком в этом кластере. А в третьем кластере преобладающее значение имеет фактор Х3, поэтому назовем кластер 3 «Х3**». Получаем, что для предприятий второй группы характерен самый большой уровень рентабельности продаж. Компании третьего кластера объединены высокой долей внеоборотных средств в составе своих активов.
Таким образом, такие признаки, как рентабельность активов, рентабельность продаж, доля внеоборотных активов и размер предприятий играют наиболее значимую роль в разбиении на группы предприятий химической отрасли.
Наблюдения распределены довольно равномерно по кластерам (табл. 14). 24 предприятия составляют первый кластер, на долю этой группы приходится 48% от всей совокупности. 15 компаний находятся во втором кластере, 11 — в третьем. Вторая и третья группы составляют 30% и 22% соответственно от общего количества предприятий, включенных в анализ.
Таблица 14. Количество наблюдений в каждом кластере
Перейдем от анализа нормированных значений переменных к их исходным значениям. Анализируемая выборка предприятий была разделена на три группы, в каждой группе предприятия имеют особенный преобладающий признак. Однако для удобства дальнейшего анализа целесообразно дать названия группам предприятий не по преобладающим в кластере признакам, а в зависимости от размера предприятий, составляющих определенный кластер.
Размер компаний первой группы равен 10, 36. Данный показатель рассчитывался как натуральный логарифм выручки предприятий. Таким образом, если перевести данный уровень в денежный измеритель, то получим, что для предприятий в среднем характерен уровень выручки в 31543, 11 млн. рублей (табл. 15). Выручка предприятий этой группы является самой высокой среди полученных показателей по группам, поэтому назовем, предприятия химической промышленности, попавшие в эту группу, крупными.
Во вторую группу входят компании, чей размер составляет в среднем 7, 36, другими словами, выручка этих предприятий в среднем находится на уровне 1572, 79 млн. рублей. Уровень выручки предприятий этой группы ниже, чем у компаний, составляющих первую группу, но превосходит аналогичный показатель третьей группы, поэтому на основе этого показателя можем охарактеризовать компании этого кластера средними. Третья группа состоит из небольших предприятий, которые в среднем получают выручку в размере 715, 19 млн. рублей, по уровню этого показателя можно сказать, что в эту категорию попали небольшие предприятия отрасли.
Таблица 15. Средние значения исходных переменных по кластерам
Для 24 крупных предприятий химической отрасли, составляющих первый кластер, характерен уровень рентабельности активов, равный 0, 1714, который является наибольшим среди всех групп (табл.15). Эта цифра характеризует величину прибыли, полученной с каждого рубля, вложенного в активы организации. Другими словами, компании в первой группе получают 17, 14 копеек с каждого рубля, вложенного в активы. Для компаний этой группы характерна рентабельность продаж на уровне 0, 2831. Этот показатель характеризует процент прибыли, получаемый с каждого рубля реализации. Эти предприятия в среднем получают 28, 31 копеек прибыли с каждого рубля проданной продукции. Доля внеоборотных средств характеризует процент общих активов, который приходится на основные средства предприятия. Для крупных компаний отрасли характерно то, что 60, 03% активов составляют внеоборотные активы. Рентабельность активов и доля внеоборотных средств этой группы предприятий являются наибольшими показателями среди выделенных групп компаний химической отрасли.
Среди наиболее крупных предприятий можно отметить «Сибур Холдинг», АО «Уралкалий», ОАО «Акрон», АО «ФосАгро», АО «Еврохим», ПАО «Нижнекамскнефтехим», АО «НАК Азот», ПАО «Казаньоргсинтез», ОАО «Куйбышевазот», ОАО «Метафракс» (табл.16).
Таблица 16. Предприятия, составляющие группу крупных, средних и небольших компаний химической отрасли
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Средними предприятиями являются 15 компаний анализируемой совокупности фирм. Они показывают уровень рентабельности активов ниже, чем у крупных предприятий: они в среднем получают 15, 08 копеек прибыли с каждого рубля, вложенного в активы компании. Рентабельность продаж превосходит аналогичный показатель первого кластера: средние предприятия в каждом заработанном рубле в среднем имеют 41, 26% прибыли. Доля внеоборотных активов является самой низкой среди приведенных групп: в среднем она составляется 29, 49% от общей суммы активов компаний. Эта группа предприятий может быть представлена такими компаниями, как ПАО «Уфаоргсинтез», ПАО «Дорогобуж», ОАО «Бальзам».
Небольшими предприятиями можно назвать 11 компаний, которые составляют третью группу. Они показывают весьма низкую, отрицательную, отдачу от средств, вложенных в их активы. Это говорит о том, что вложения в активы не приносят дополнительной прибыли, а наоборот, создают небольшой убыток для компаний. Для третьего кластера характерен убыток 3, 67 копейки в среднем с каждого рубля, вложенного в их активы. Рентабельность продаж также отрицательна. С каждого рубля реализованной продукции предприятий в среднем получают долю убытка, равную 0, 0407. Доля внеоборотных активов в среднем составляет 0, 5682 от суммы всех активов, этот уровень немного ниже, чем показатель первой группы предприятий, но выше аналогичного показателя группы средних предприятий. В нашей анализируемой совокупности эта группа предприятий представлена АО «Промсинтез», ОАО «Оргсинтез», ОАО «Пластополимер».
.2 Анализ факторов, влияющих на эффективность деятельности предприятий химической отрасли
статистический производство химический промышленный
Предприятия анализируемой совокупности были разделены на 3 кластера, теперь оценим влияние выделенных факторов на долю заемных средств в каждой сформированной группе в отдельности — построим типологические регрессии, — а также рассмотрим регрессионное уравнение по всей совокупности предприятий химической отрасли.
В качестве зависимой переменной (Y) выступает доля заемных средств, или леверидж, остальные показатели, рассмотренные в 3.1. Значения зависимой переменной (Y) удовлетворяет нормальному распределению, об этом свидетельствуют результаты теста Колмогорова-Смирнова. В этом тесте примем нулевую гипотезу H0 о том, что данные распределены нормально, против конкурирующей гипотезы Н1 о том, что данные не соответствуют нормальному распределению. Статистика Z-Колмогорова-Смирнова равна 1, 076. Ее двусторонняя асимптотическая значимость равна 0, 197, что превышает значение «=0, 05. Значит, Н0 не отвергается на уровне значимости 95%, следовательно данные распределены нормально.
Таблица 17. Уровень заемных средств в структуре капитала предприятий химической отрасли
В среднем в 2015 году у предприятий химического сектора Российской Федерации уровень заемных средств был равен 0, 51 (табл.17). Однако внутри выделенных групп предприятий этот показатель отличается. Для крупных предприятий характерно то, что заемные средства составляют 54, 8% от суммы всех активов компании, что совсем незначительно превышает средний уровень по отрасли. У средних предприятий уровень заемных средств небольшой: они составляют 36, 5% от всех активов компании. У небольших предприятий уровень заемных средств в структуре капитала значительно превышает средний уровень по отрасли: 63, 3% от суммы всех активов. Согласно рекомендациям уровень заемных средств не должен превышать 0, 8. Это требование соблюдается у предприятий сектора. Оптимальным считается уровень показателя на отметке 0, 5, т.е. когда собственные и заемные средства занимают равные доли в структуре капитала. Структура капитал крупных предприятия ближе к оптимальной, чем остальных. В таблице 18 приведены значения параметров типологических регрессий по каждому из трех кластеров, а также значения коэффициентов для общего уравнения регрессии совокупности. Примем нулевую гипотезу Н0: $1=$0=0, при альтернативной гипотезе Н1: $≠0. Наблюдаемое значение F-статистики рассчитывается по формуле
,
где . Критическое значение находится по таблице F-распределения Fкр («; ). Если наблюдаемое значение статистики больше критического, то гипотеза Н0 отвергается с вероятностью ошибки » и уравнение регрессии считается значимым.
Таблица 18 Значения параметров регрессионных моделей
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Общий вид уравнения типологической регрессии принимает следующую форму:
(3.1)
В таблице 19 приведена характеристика качества полученных моделей. Все полученные показатели значимости F-статистики малы, не превышают уровень «=0, 05. Следовательно, нулевая гипотеза Н0 от том, что уравнение регрессии незначимо, отвергается. Значит, на уровне значимости 95%, все построенные уравнения регрессии являются значимыми.
Для всех построенных уравнений регрессии получены высокие значения коэффициента детерминации. Он характеризует долю дисперсии зависимой величины — доли заемных средств, — которая обусловлена влиянием остальных переменных, находящихся в модели. У предприятий первой группы 89, 21% дисперсии доли заемных средств объясняется факторами модели. Для второй группы было получено, что 93, 12% дисперсии зависимого признака объясняется переменными, включенными в модель. Для компаний третьего кластера характерна интерпретация 81, 63% дисперсии зависимой переменной признаками, входящими в модель.
Таблица 19. Характеристики качества уравнений типологический регрессий
Из общего уравнения регрессии получается, что у всех предприятий совокупности 85, 29% дисперсии доли заемных средств объясняется через факторы модели. В целом весьма небольшая доля дисперсии зависимой переменной объясняется за счет факторов вне модели. Также было получено, что все коэффициенты при переменных в моделях значимы (приложение 6).
При проверке типологических уравнений регрессии и общего уравнения регрессии не было выявлено гетероскедастичности данных и мультиколлинеарности. Для проверки гетероскедастичноси был проведен тест Уайта (табл.19), его результаты подробно по всем уравнениям регрессии приведены в приложении 7. В качестве нулевой гипотезы H0 была принята гипотеза об отсутствии гетероскедастичности в данных, т.е. гипотеза о гомоскедастичности ошибок модели, при альтернативной гипотезе, что в регрессионной модели дисперсии случайных ошибок различны, гетероскедастичность присутствует. Р-значения статистики превышали уровень ошибки «=0, 05 для всех уравнений регрессии, поэтому нулевая гипотеза не была отклонена. Аналогичные результаты были получены при проверке тестом Бреуша-Пагана.
Для выявления мультиколлинеарности были оценены VIF, коэффициенты возрастания дисперсии, для всех переменных, участвующих в моделях. VIF = коэффициент множественной корреляции между переменной j и другими независимыми переменными. Если значения VIF превышает 10, 0, то делают вывод о присутствии мультиколлинеарности в данных. В наших моделях значения этого показателя намного меньше 10, 0 (см. приложение 8), следовательно, мультиколлинеарности нет. Остатки всех построенных моделей также распределены нормально (см. приложение 9).
Значения статистики Дарбин-Вотсона свидетельствует о том, что в остатках полученных моделей автокорреляция отсутствует, т.к. значения статистики для всех анализируемых моделей регрессии находится выше теоретического значениями статистики , но ниже (4- из таблицы Дарбин-Вотсона (см. приложение 10).
В группе крупных предприятий рост рентабельности активов приводит к снижению доли заемных средств, а увеличение размера компании — к увеличению левериджа (табл.18). В группе средних предприятий влияние факторов противоположно: рост рентабельности активов приводил к увеличению доли заемных средств, а увеличение размера компании — к ее снижению. При увеличении прибыли с каждого рубля, вложенного в активы организации на 1%, доля заемных средств упадет на 1, 85. При увеличении прибыли с каждого рубля реализации на 1%, доля заемных средств возрастет на 0, 25. В случае роста доли внеоборотных активов на единицу доля заемных средств возрастет на 1, 19. Увеличение размера предприятия на единицу приведет к росту доли заемных средств на 0, 077.
Для компаний, вошедших в группу средних предприятий, наблюдается то, что при увеличении рентабельности активов на единицу, т.е. при увеличении прибыли с каждого рубля, вложенного в активы организации на 1%, доля заемных средств увеличится на 1, 58 (табл.18). При росте рентабельности продаж на единицу, т.е. при увеличении прибыли с каждого рубля реализации на 1%, доля заемных средств возрастет на 0, 3516. Рост доли внеоборотных активов на единицу приведет к увеличению доли заемных средств на 0, 3834. Увеличение размера предприятия на единицу окажет отрицательное влияние на долю заемных средств: она сократится на 0, 04%.
На долю заемных средств предприятий, образующих группу небольших компаний, изменение уровня рентабельности активов оказывает отрицательное влияние, что схоже с влиянием, оказываемым фактором на уровень левериджа группы крупных предприятий (табл.18). Увеличение размера компаний этой группы приводит к росту доли заемных средств, что похоже на эффект от роста этого признака в кластере крупных предприятий. Изменение уровня рентабельности продаж и доли внеоборотных активов имеют негативное влияние на уровень заемных средств в этой группе, а в двух предыдущих эти факторы оказывали положительное влияние на зависимую переменную. При увеличении прибыли с каждого рубля, вложенного в активы организации на 1%, доля заемных средств упадет на 0, 81. При увеличении прибыли с каждого рубля реализации на 1%, доля заемных средств снизится на 0, 11. При росте доли внеоборотных активов на единицу уровень заемных средств у небольших предприятий отрасли сокращается на 1, 87. Увеличение размера предприятия на единицу приведет к росту доли заемных средств на 0, 08.
В среднем в 2015 году в химической отрасли при увеличении прибыли с каждого рубля, вложенного в активы организации на 1%, доля заемных средств предприятий всей выборки упадет на 1, 02 (табл.18). При увеличении прибыли с каждого рубля реализации на 1%, доля заемных средств снизится на 0, 04. Если у предприятий увеличивается доля внеоборотных активов на единицу, то доля заемных средств возрастает на 0, 25. Увеличение размера предприятия на единицу приведет к росту доли заемных средств на 0, 07.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Коэффициенты эластичности рассчитаем по формуле:
(табл. 20).
Направление влияние факторов на результирующую переменную, полученное по коэффициентам эластичности, аналогично направлениям влияния по коэффициентам типологических регрессий.
Для компаний, включенных в первую группу, характерно снижение левериджа на 0, 33% при росте рентабельности активов на 1%. При росте рентабельности продаж на 1% доля заемных средств увеличивается на 0, 08% Если произойдет увеличение доли внеоборотных средств на 1%, то доля заемных средств крупных предприятий возрастет на 1, 15%. При увеличении размера предприятий их доля заемных средств возрастает на 1, 25%.
Таблица 20. Значения коэффициентов эластичности по кластерам
По группе средних предприятий коэффициент эластичности показывает, что в 2015 году при увеличении рентабельности активов на 1% доля заемных средств предприятий этой группы увеличится на 1, 57%. Коэффициент эластичностипоказывает, что при росте рентабельности продаж на 1% произойдет увеличение доли заемных средств на 0, 73%. Коэффициент показывает то, что при росте доли внеоборотных активов на 1% произойдет увеличение доли заемных средств на 0, 54%. По значению коэффициента эластичности наблюдаем при увеличении размера предприятия на 1% снижение доли его заемных средств на 1, 3%.
Для третьей группы предприятий анализируемой отрасли промышленности при росте рентабельности активов и рентабельности продаж на 1% характерно снижение доли заемных средств на 0, 0029% и 0, 0078% соответственно. При росте процента внеоборотных средств на 1% произойдет снижение доли заемных средств в капитале небольших предприятий на 1, 56%. При увеличении размера компаний этого кластера на 1% доля заемных средств увеличивается на 0, 99%.
Для всей совокупности предприятий характерно снижение левериджа на 0, 24% при увеличении рентабельности активов на 1%, также при росте рентабельности продаж на 1% доля заемных средств также опускалась на 0, 02%. При увеличении размера предприятий отрасли и доли внеоборотных средств на 1% доля заемных средств возрастала на 1, 23% и 0, 24% соответственно.
Таким образом, влияние факторов на долю заемных средств предприятий связано с размеров компаний, поскольку крупные, средние и сравнительно небольшие предприятия по-разному организуют политику по формированию капитала. В начале нашего исследования мы приняли несколько гипотез относительно влияния независимых признаков на уровень результирующей переменной.
В 2015 году, наша гипотеза относительно влияния рентабельности активов на долю заемных средств подтвердилась в группе больших и малых предприятий, в группе средних предприятий — нет. Действительно получилось так, что у крупных компаний увеличение показателя ROA приводит к снижению левериджа, поскольку большие компании имеют свои источники финансирования, и у них нет необходимости занимать средства во внешних источниках. Поведение небольших предприятий сложно объяснить такой логикой и полученный результат был неожиданностью для нас. Оказалось, что средние предприятия при росте рентабельности активов увеличивают долю заемных средств, возможно, это происходит за счет того, что они имеют возможность и обеспечение для легкого получения кредита.
Мы также предполагали, что при увеличении рентабельности продаж доля заемных средств снизится. Эта принятая гипотеза подтвердилась только на группе небольших предприятий. Эти компании снижают уровень левериджа при росте отдачи от рубля реализации. Средние и крупные предприятия придерживаются противоположной стратегии.
Наша гипотеза о наличии положительной взаимосвязи между долей внеоборотных средств и долей заемных средств подтвердилась на уровне крупных и средних предприятий. Для этих компаний характерно увеличение размера обязательств в общей доле активов при росте основных средств. Для небольших предприятий отрасли данная гипотеза отверглась: была обнаружена отрицательная зависимость между этими факторами.
Более того, мы приняли гипотезу о том, что чем больше размер компаний, тем выше доля заемных средств в ее структуре, и данное предположение подтвердилось на группе крупных и небольших предприятий. По мере роста маленьких предприятий им необходимо привлекать больше средств для развития, поэтому в данной группе наблюдается положительная зависимость между переменными. Затем предприятие переходит из группы малых предприятий в средние и в определенный момент внутренних источников финансирования, например, нераспределенной прибыли, становится достаточно для компании, поэтому она перестает обращаться к внешним ресурсам средств. Средние предприятия отрасли снижают долю заемных средств в капитале. Однако предприятие начинает расти, переходя из среднего сегмента в крупный. Для совокупности крупных компаний характерна тенденция: чем больше компания, тем меньше вероятность ее банкротства, больше информации о данной копании находится в открытом доступе, поэтому эти компании берут больше заемных средств.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Если рассмотреть предприятия химической промышленности в целом, не подразделяя на крупные, средние и небольшие предприятия, то заметим, что все выдвинутые гипотезы подтверждаются. Рентабельность активов и рентабельность продаж, действительно, имеют негативное влияние на уровень заемных средств, а размер предприятий отрасли и доля внеоборотных активов — положительное влияние.
.3 Моделирование показателей деятельности предприятий химической отрасли
В предыдущем разделе мы рассмотрели влияние факторов на долю заемных средств 50 наиболее крупных предприятий отрасли в 2015 году. Теперь проанализируем, какие факторы оказывали наибольшее влияние на долю заемных средств этих компаний в течение 7 лет: с 2009 по 2015 годы. Нами была сформирована сбалансированная панель данных по 50 наблюдениям за 7 лет. В качестве зависимой переменной Y по-прежнему будем рассматривать долю заемных средств предприятий, а в качестве независимых переменных возьмем следующие переменные: X1 — рентабельность активов, Х2 — рентабельность продаж, Х3 — доля внеоборотных средств в общем сумме активов, Х4 — размер предприятий, Х5 — не долговой налоговый щит, Х6 — возможности роста компании, Х7 — волатильность.
При проверке корреляций между перечисленными переменными были выявлены значимые связи между долей заемных средств и долей внеоборотных активов, размером предприятий, не долговым налоговым щитом (матрица корреляций показателей приведена в приложении 11).
По сформированной панели наблюдений мы построили модель сквозной регрессии (pooled model), модель с фиксированными эффектами (FE-model), модель со случайными эффектами (RE-model). Затем с помощью статистических тестов была выбрана модель, описывающая данные наилучшим образом.
Модель сквозной регрессии является достаточно общей моделью. Она предписывает одинаковое поведение всем объектам выборки во все моменты времени. Коэффициенты этой модели могут быть состоятельно и эффективно оценены с помощью метода МНК. Ее уравнение имеет вид:
(3.2)
где i — номер наблюдаемого объекта, t — номер промежутка времени, вектор объясняющих переменных в момент времени t, вектор коэффициентов перед объясняющими переменными.
В нашем случае уравнение модели сквозной регрессии принимает вид:
(3.3)
Оцененные значения параметров pooled-модели приведены в приложении 12. Модель получилась относительно неплохого качества: она значима, ее коэффициент детерминации высокий, он равен 0, 899, т.е. около 90% дисперсии зависимой переменной объясняется через параметры, включенные в модель. На уровне ошибки 5% значимы коэффициенты перед всеми переменными, включенными в модель.
В этой модели автокорреляция ошибок не выявлена, ошибки случайны, т.к. рассчитанное значение статистики Дарбина-Вотсона 1, 78 находится выше теоретического значения: — найденными из таблицы при k=3. Следовательно, модель сквозной регрессии адекватна.
Мультиколлинеарность факторов отсутствует. Гетероскедастичность ошибок модели также не наблюдается, согласно результатам теста Уайта (см. приложение 12), т.е. для модели характерна постоянная дисперсия случайных ошибок. Стандартная ошибка модели не очень высока.
Модель с фиксированными эффектами (Fixed effect model) включает индивидуальные особенности наблюдений, которые не зависят от времени. Они отражаются с помощью свободного члена, который принимает различные значения для каждого объекта выборки, но фиксирован во времени. Например, под таким эффектом можно подразумевать влияние эффективности менеджмента предприятий. Для оценивания индивидуальных особенностей объектов в модель включаются дамми-переменные, каждая из них принимают значение 1 для определенного объекта и 0 — для всех остальных. Коэффициенты, которые получаются перед введенными переменными, показывают особенности каждого объекта. Однако эти коэффициенты «поглощают» значение свободного члена, поэтому для того чтобы избежать мультиколлинеарности целесообразнее строить модель с фиксированными эффектами без константы.
В нашем исследовании уравнение модели с фиксированными эффектами имеет вид:
(3.4)
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
где индивидуальный эффект каждого наблюдения.
При построении модели с фиксированными эффектами были получены следующие результаты оценки параметров модели (см. приложение 13). Значения индивидуальных эффектов всех 50 наблюдений приведены в приложении 13. Несмотря на достаточно высокий коэффициент детерминации и значимость всей модели в целом, в этой модели значим коэффициент только при независимой переменной X3, влияние остальных параметров является незначимым. Значение статистики Дарбин-Вотсона равняется 1, 823, что превышает промежуток теоретических значений: значит, в построенной модели не наблюдается автокорреляции остатков, таким образом, модель адекватна.
Модель со случайными эффектами (random-effect model) отличается от модели с фиксированными эффектами тем, что индивидуальный эффект каждого объекта не является постоянным во времени, а наоборот он носит случайный характер и не коррелирован с остатками. Уравнение модели со случайными эффектами принимает в нашем случае следующий вид:
(3.5)
где
Параметры, оцененные для модели со случайными эффектами, приведены в таблице 21. Значения случайных индивидуальных эффектов приведены в приложении 14.
Построенная модель является значимой на уровне ошибки 5%. Значение статистики Дарбина-Вотсона (табл. 21) говорит об отсутствии автокорреляции в остатках модели, значит, они случайны и являются белым шумом, таким образом, полученная модель адекватна. Коэффициенты при независимых параметрах модели являются значимыми на уровне значимости 95%.
Таблица 21. Значения параметров модели со случайными эффектами (random effect model)
Стандартна ошибка модели, 0, 52, не очень высока, но ее значение превышает аналогичный показатель модели с фиксированными эффектами и модели сквозной регрессии. Информационные критерии Акаике (AIC) и Шварца (BIC) в модели со случайными эффектами равны 540, 52 и 555, 953 соответственно, они немного выше значений аналогичных показателей других моделей, однако разница между ними незначительна.
Результаты тест Бреуша-Пагана-Годфри показали, что в остатках модели нет гетероскедастичности: , следовательно, гипотеза Н0 о гомоскедастичности ошибок не отклоняется на уровне значимости 95%. Результаты теста на нормальное распределение (см. прил. 15) подтвердили гипотезу о нормальном распределении остатков на уровне ошибки 5%.
Для сравнения модели сквозной регрессии и модели с фиксированными эффектами используется тест Вальда (F-статистика) [15]. В качестве нулевой гипотезы Н0 примем гипотезу о равенстве нулю всех индивидуальных эффектов: тогда модель сквозной регрессии является более подходящей, чем FE-модель, при альтернативной гипотезе H1: модель с фиксированными эффектами описывает данные лучше pooled модели [15]. Р-значение F-статистики (табл. 22) не превышает 0, 05, значит, на уровне значимости 95% гипотеза Н0 отклоняется. Следовательно, модель с фиксированными эффектами лучше подходит для описания данных, чем модель сквозной регрессии.
Таблица 22. Значения статистик для выбора наилучшей модели
Для сравнения модели сквозной регрессии и модели со случайными эффектами используется тест Бреуша-Пагана [6]. Этот тест является проверкой на наличие случайного эффекта и строится на основе статистики максимального правдоподобия [15]. В качестве гипотезы Н0 возьмем гипотезу о том, что внутригрупповые и межгрупповые оценки близки друг к другу: оценка межгрупповой дисперсии, оценка внутригрупповой дисперсии, оценка является несмещенной и состоятельной оценкой [3]. Если внутригрупповые и межгрупповые оценки дисперсии близки, то будет выбрана модель со сквозной регрессией, если же нет, то сработает альтернативная гипотеза Н1: модель со случайными эффектами будет более предпочтительна.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
В нашей модели межгрупповая дисперсия внутригрупповая дисперсия Р-значение LM-статистики не превышает уровень ошибки » = 0, 05, значит, гипотеза Н0 отклоняется. Следовательно, мы делаем выбор в пользу модели со случайными эффектами, она лучше подходит для описания данных, чем модель сквозной регрессии.
Для сравнения моделей с фиксированными и случайными эффектами применяют тест Хаусмана [15]. Примем нулевую гипотезу Н0: можно рассмотреть как случайные эффекты, ОМНК-оценки состоятельны. В этом случае оценки обеих моделей состоятельны, но нам предпочтительней модель RE, т.к. в ней меньше параметров. При альтернативной гипотезе Н1: могут быть рассмотрены как детерминированные эффекты. При гипотезе Н1 следует выбрать модель с фиксированными эффектами, т.к. ее оценки состоятельны в случае обеих гипотез.
Значение статистики Хаусмана H = 3, 9481, р-значение статистики Хаусмана Н = 0, 2671 следовательно, гипотеза Н0 не отклоняется. Значит, мы сделаем выбор в пользу модели со случайными эффектами, поскольку она лучше описывает данные, чем модель с фиксированными эффектами.
Таким образом, модель со случайными эффектами была выбрана в качестве модели, описывающей данные наиболее подходящим образом. Согласно этой модели (табл. 21), на структуру заемных средств предприятий химического сектора оказывают влияние доля внеоборотных средств (Х3), размер предприятий (Х4), не долговой налоговый щит (Х5). Причем при увеличении доли внеоборотных средств доля заемных средств увеличивается, а при увеличении двух других показателей доля заемных средств, наоборот, сокращается.
При росте доли внеоборотных средств на единицу доля заемных средств увеличится на 1, 44. Увеличение размера предприятий на единицу приведет к сокращению доли заемных средств на 0, 048. При увеличении не долгового налогового щита компаний на единицу будет способствовать сокращению доли заемных средств на 0, 0031.
В первой главе мы приняли гипотезу о том, что существует положительная зависимость между долей внеоборотных средств и левериджем предприятий химической отрасли. По результатам исследования данная гипотеза подтвердилась. На самом деле получилось так, как мы и предполагали, что чем больше у компании объем внеоборотных активов, тем доступнее для них получение кредитных займов. Основные средства крупных предприятий могут выступать в качестве гаранта того, что долг будет возвращен, в противном случае основные средства будут изъяты в счет погашения займа.
Мы приняли гипотезу о том, что с увеличением размера компаний увеличивается доля заемных средств в их структуре. Однако при рассмотрении зависимости между этими показателями за 7 лет было получено, что при увеличении размера предприятий сокращается доля их заемных средств, что не подтвердило принятую гипотезу при анализе панели за 7 лет. За 2015 год положительная зависимость между показателями нашла подтверждение в данных.
Результаты модели со случайными эффектами подтверждают принятую нами гипотезу об отрицательной зависимости между не долговым налоговым щитом и долей заемных средств предприятий отрасли.
Таким образом, все принятые нами гипотезы подтвердились на уровне отрасли в 2015 году, однако при рассмотрении отрасли за 7 лет не была выявлена положительная зависимость доли заемных средств предприятия от его размера.
Заключение
Химическая отрасль, как и другие отрасли экономики Российской Федерации, находится под влиянием событий, происходящих в мире. Введение санкций против России, падение курса рубля, снижение цен на нефть на мировом рынке не прошли бесследно для всей промышленности нашей страны, в том числе и для химической.
После мирового экономического кризиса 2008 года произошло существенное сокращение количества предприятий отрасли, также уменьшился объем отгруженной промышленной продукции. Уменьшение количества функционирующих компаний привело к сокращению численности работников химического сектора: за 2014 год выбыло 9600 человек, отрицательный темп прироста показателя за год составил 2, 46 п. п.
Произошли изменения настроения инвесторов: они стали более настороженно относиться к вложению своих средств в проекты, стали менее уверенными в будущем, что привело к снижению индекса предпринимательской уверенности. Объем инвестиций в основной капитал предприятий продолжает увеличиваться, однако темп прироста этого показателя уменьшился на протяжении последних нескольких лет. Также изменилась и структура источников средств инвестиционных поступлений. Если в конце XX века из собственных средств предприятий поступало около 90% инвестиционных средств, то к 2014 году из этого источника стало привлекаться около 60%, остальные 40% — за счет привлеченных средств.
Индекс промышленного производства в среднем находится на уровне 103, 82%, минимальное значение этого показателя было достигнуто в январе 2009 года — тогда он составил 66, 7%. Для описания динамики этого показателя лучше всего подошла интегрированная модель авторегрессии — скользящего среднего ARIMA (3, 1, 2). Предсказанные по модели значения очень близки реальным значениям индекса. По этой модели получен прогноз показателя, который может считаться достоверным. Согласно полученному прогнозу, к декабрю 2015 года индекс промышленного производства составит 103, 859%, а максимальное значение будет достигнуто в октябре 2014 года — индекс промышленного производства достигнет уровня в 104, 495%.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Объем иностранных инвестиций в основной капитал в 2014 году составил 65086 млн. рублей. Для описания его динамики оптимальной моделью является интегрированная модель авторегрессии — скользящего среднего ARIMA (2, 1, 1). Она описывает исходный временной ряд наиболее точным образом. Исходя из построенного прогноза, объем иностранных инвестиций в основной капитал предприятий отрасли достигнет 84674, 8 млн. рублей к 2017 году.
При анализе структуры капитала 50 предприятий отрасли были разделены на три группы: крупные, средние и небольшие. В первый кластер вошли 24 предприятия, во второй — 15 компаний, в третий — 11 фирм. Было выявлено, что в 2015 году наибольшее влияние на долю заемных средств компаний оказывают факторы: рентабельность активов, рентабельность продаж, доля внеоборотных средств и размер компаний.
Наибольший уровень рентабельности активов и доли основных средств демонстрируют наиболее крупные предприятия, составляющие первый кластер, — 0, 1714 и 0, 6003 соответственно. Также предприятия этой группы имеют самую высокую выручку. Самая высокая рентабельность продаж наблюдается у средних предприятий отрасли. Самый высокий уровень заемных средств в капитале принадлежит предприятиям третьей группы — 63, 28%, они получают наиболее низкий уровень выручки — 715, 19 млн. рублей.
При построении типологических регрессий было выявлено, что крупные, средние и сравнительно небольшие предприятия по-разному строят политику по формированию капитала. При увеличении рентабельности активов крупные и небольшие предприятия снижают долю заемных средств, а средние предприятия, наоборот, увеличивают долю заемных средств.
Для предприятий первой и второй групп характерно увеличение доли заемных средств при росте рентабельности продаж, а компании третьей группы снижают долю заемных средств при увеличении ROS. Если у крупных и средних предприятий увеличивается доля внеоборотных активов, то они, как правило, начинают привлекать средства из внешних источников, а небольшие предприятия в такой ситуации — из внутренних. В условиях роста размера компаний крупные и средние предприятия приходят к политике увеличения доли заемных средств в структуре капитала, а средние предприятия в схожем положении снижают показатель левериджа.
При рассмотрении зависимости факторов на уровне всей химической отрасли, не подразделяя ее на группы предприятий, было выявлено отрицательное воздействие рентабельности активов и рентабельности продаж на долю заемных средств и положительный эффект от размера компаний и доли внеоборотных средств на зависимую переменную.
В проанализированной совокупности 50 предприятий доля заемных средств наиболее близка к оптимальной у крупных предприятий: соотношение собственных заемных средств примерно составляет 0, 5. Средний уровень рентабельности активов по отрасли равен 0, 11, чем выше этот показатель, тем эффективнее действует предприятие и выше его результативность в создании прибыли с помощью активов. Наибольший уровень ROA принадлежит крупным предприятиям отрасли, а самый низкий — небольшим компаниям. Показатель рентабельности продаж характеризует деятельность крупных и средних предприятий как прибыльную, а деятельность малых предприятий — скорее, как убыточную. Предприятиям с отрицательным показателем ROS необходимо принимать меры для достижения положительного уровня коэффициента.
После проведения панельного анализа данных по 50 компаниям химической отрасли было определено, что на промежутке с 2009 по 2015 годы значимые связи наблюдаются между долей заемных средств и долей внеоборотных средств, размером предприятий, не долговым налоговым щитом, влияние остальных переменных незначимо. Также было обнаружено, что модель панельной регрессии со случайными эффектами описывает данные самым лучшим образом. Согласно этой модели, доля заемных средств увеличивается при росте доли внеоборотных средств и уменьшается при росте размера предприятий и не долгового налогового щита компаний.
Таким образом, крупные предприятия химической отрасли РФ ведут наиболее эффективную деятельность, к которой необходимо стремиться средним и небольшим предприятиям этого сектора промышленности. Выявленные зависимости между выделенными факторами и долей заемных средств в структуре капитала российских предприятий отрасли схожи с взаимосвязями, полученными исследователями при анализе химической сектора в других странах. Размер предприятий, доля основных средств и рентабельность активов оказывают значимое влияние на структуру капитала компаний химического сектора не зависимо от страны. При росте доли внеоборотных средств, размера предприятия компании увеличивают сумму заемных средств в структуре капитала. При росте рентабельности активов предприятия пересматривают свою политику по формированию капитала в сторону снижения уровня обязательств перед кредиторами.
Список литературы
1. Бессонова Е. В. Влияние внутренней конкуренции и иностранных инвестиций на эффективность российских промышленных предприятий //Прикладная эконометрика. — 2010. — №. 1.
2. Гладышева А. А., Ратникова Т. А. Исследование детерминант распределения прямых иностранных инвестиций в предприятия российской пищевой промышленности //Прикладная эконометрика. — 2013. — Т. 29. — №. 1. — С. 97-116.
3. Копнова Е.Д. Курс лекций по эконометрике.
4. Краснопеева Н. А., Назруллаева Е. Ю. Моделирование влияния инвестиций в основной капитал на материальные затраты в отраслях промышленности США в 1958-2005 гг //Экономический журнал ВШЭ. — 2014. — Т. 18. — №. 1. — С. 102-132.
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
5. Лапо В. Ф. Пространственная концентрация производства и ожидания инвесторов: анализ отраслевых особенностей привлечения инвестиций в регионы1 //Прикладная эконометрика. — 2010. — №. 2.
6. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. — М.: Дело, 2004.
7. Манаенков Д. А. Выбор иностранным инвестором региона вложения прямых инвестиций //Эмпирическое исследование: препринт РЭШ BSP/00/036 RМ: Российская экономическая школа. — 2000.
8. Мицек С. А., Мицек Е. Б. Эконометрические и статистические оценки инвестиций в основной капитал в регионах России //Прикладная эконометрика. — 2009. — №. 2.
9. Мхитарян В. С., Архипова М. Ю., Сиротин В. П. Эконометрика. — М.: Проспект, 2014. — 384 с.
10. Мхитарян В. С. и др. Теория вероятностей и математическая статистика //М.: Московский международ. институт эконометрики, информатики, финансов и права, 2003.-130 с.
11. Назруллаева Е. Ю. Моделирование влияния инвестиционных процессов в российской промышленности на структуру затрат по видам экономической деятельности в 2005-2009 гг. 1 //Прикладная эконометрика. — 2010. — №. 3.
12. Ратникова Т. А. Анализ панельных данных в пакете STATA //Методические указания к компьютерному практикуму по курсу «Эконометрический анализ панельных данных». М.: ГУ ВШЭ. — 2005. — Т. 7.
13. Ратникова Т. А. Введение в эконометрический анализ панельных данных //Экономический журнал Высшей школы экономики. — 2006. — Т. 10. — №. 2.
14. Родионова Л.А. Курс лекций по эконометрике.
15. Суслов В. И. и др. Эконометрия-3. Курс лекций.
16. Arora A. Patents, licensing, and market structure in the chemical industry //Research policy. — 1997. — Т. 26. — №. 4. — С. 391-403.
17. Barbosa L. C., Gomes L. F. A. M. Assessment of Efficiency and Sustainability in a Chemical Industry Using Goal Programming and AHP //Procedia Computer Science. — 2015. — Т. 55. — С. 165-174.
18. Desai M. A., Foley C. F., Hines J. R. Capital structure with risky foreign investment //Journal of Financial Economics. — 2008. — Т. 88. — №. 3. — С. 534-553.
19. Funke O. US chemical program: Purpose, challenges, and evolution //Politics and the Life Sciences. — 2001. — С. 175-187.
20. Gutiérrez L. H., Pombo C. Firm Entry and Productivity Turnovers in Import Substituting Markets: Evidence from the Petrochemical Industry in Colombia //Lecturas de Economía. — 2005. — №. 63. — С. 137-185.
21. Huang G. et al. The determinants of capital structure: Evidence from China //China Economic Review. — 2006. — Т. 17. — №. 1. — С. 14-36.
22. Kumar T. S. Productivity in Indian Chemical Sector: An Intra-Sectoral Analysis //Economic and Political Weekly. — 2006. — С. 4148-4152.
23. Kuzyaeva A., Didenko A. Productivity Spillovers in the Russian Federation: The Case of Chemical Market //Review of Business and Economic Studies. — 2014. — Т. 2. — №. 3.
24. Mahmud M. The Relationship between Economic Growth and Capital Structure of Listed Companies: Evidence of Japan, Malaysia, and Pakistan [with Comments] //The Pakistan Development Review. — 2003. — С. 727-750.
25. Margaritis D., Psillaki M. Capital structure, equity ownership and firm performance //Journal of Banking & Finance. — 2010. — Т. 34. — №. 3. — С. 621-632.
26. Rafiq M. The determinants of capital structure of the chemical industry in Pakistan //The Lahore Journal of Economics. — 2008. — Т. 13. — №. 1. — С. 139-158.
27. Saygin D. et al. Long-term energy efficiency analysis requires solid energy statistics: The case of the German basic chemical industry //Energy. — 2012. — Т. 44. — №. 1. — С. 1094-1106.
28. Swinnen S., Voordeckers W., Vandemaele S. Capital structure in SMEs: pecking order versus static trade-off, bounded rationality and the behavioural principle //European Financial Management Association 2005, Annual Conference June. — 2005.
29. Torrisi C. R. et al. FDI in Poland: determinants and implications for countries in transition. — 2007.
30. Verwaal E., Hesselmans M. Drivers of Supply Network Governance: An Explorative Study of the Dutch Chemical Industry //European Management Journal. — 2004. — Т. 22. — №. 4. — С. 442-451.
31. Vitali G. ERIEP| Number 4| Selected Papers //Agrochemicals. — Т. 1. — С. 1-18.
32. База данных «COMPUSTAT (Global)»
33. Международный классификатор: «ISIC: International Standard Industrial Classification of All Economic Activities», 2009г. — [#»907364.files/image124.gif»>
Приложение 2
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Тест Льюинга-Бокса для модели взвешенного скользящего среднего
Приложение 3
Характеристика модели ARIMA(1, 1, 3) по индексу промышленного производства
Характеристика модели ARIMA(2, 1, 3) по индексу промышленного производства
Приложение 4
Значения автокорреляционной и частной автокорреляционной функций объема иностранных инвестиций в основной капитал
Приложение 5
Характеристика ARIMA(1, 1, 1) по объему инвестиционных поступлений
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Характеристика модели ARIMA(1, 1, 2) по объему инвестиционных поступлений
Характеристика параметров модели ARIMA(2, 1, 2)
,
Приложение 6
Проверка значимости коэффициентов типологических регрессий
Приложение 7
Проверка на гетероскедастичность типологических регрессий
Кластер 1
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
· Тест Вайта (White) на гетероскедастичность
МНК, использованы наблюдения 1-24
Зависимая переменная: uhat^2
Тест Вайта (White) на гетероскедастичность
· Тест Бриша-Пэгана (Breusch-Pagan) на гетероскедастичность
МНК, использованы наблюдения 1-24
Зависимая переменная: Масштабированное uhat^2
Тест Бриша-Пэгана (Breusch-Pagan) на гетероскедастичность
Кластер 2
· Тест Вайта (White) на гетероскедастичность —
МНК, использованы наблюдения 1-15
Зависимая переменная: uhat^2
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Нулевая гипотеза: гетероскедастичность отсутствует
Тестовая статистика: LM = 19
р-значение = P(Хи-квадрат (7) > 19) = 0, 0818734
· Тест Бриша-Пэгана (Breusch-Pagan) на гетероскедастичность
МНК, использованы наблюдения 1-15
Зависимая переменная: Масштабированное uhat^2
Тест Бриша-Пэгана (Breusch-Pagan) на гетероскедастичность
Кластер 3
· Тест Вайта (White) на гетероскедастичность
МНК, использованы наблюдения 1-11
Зависимая переменная: uhat^2
· Тест Бриша-Пэгана (Breusch-Pagan) на гетероскедастичность
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
МНК, использованы наблюдения 1-11
Зависимая переменная: Масштабированное uhat^2
Общее уравнение
· Тест Вайта (White) на гетероскедастичность
МНК, использованы наблюдения 1-50
Зависимая переменная: uhat^2
· Тест Бриша-Пэгана (Breusch-Pagan) на гетероскедастичность
МНК, использованы наблюдения 1-50
Зависимая переменная: Масштабированное uhat^2
Приложение 8
Проверка мультиколлинеарности в типологических регрессиях
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
1 кластер
Метод инфляционных факторов
Минимальное возможное значение = 1.0
Значения > 10.0 могут указывать на наличие мультиколлинеарности
(j) = 1/(1 — R(j)^2),
2 кластер
Метод инфляционных факторов
Минимальное возможное значение = 1.0
Значения > 10.0 могут указывать на наличие мультиколлинеарности
(j) = 1/(1 — R(j)^2),
где R(j) — это коэффициент множественной корреляции
между переменной j и другими независимыми переменными
3 кластер
Метод инфляционных факторов
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Минимальное возможное значение = 1.0
Значения > 10.0 могут указывать на наличие мультиколлинеарности
(j) = 1/(1 — R(j)^2),
где R(j) — это коэффициент множественной корреляции между переменной j и другими независимыми переменными
Общее уравнение
Метод инфляционных факторов
Минимальное возможное значение = 1.0
Значения > 10.0 могут указывать на наличие мультиколлинеарности
(j) = 1/(1 — R(j)^2),
где R(j) — это коэффициент множественной корреляции
между переменной j и другими независимыми переменными
Приложение 9
Проверка нормальности остатков типологических регрессий
1 кластер
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Распределение частот для uhat2, наблюдения 1-24
Количество столбцов = 5, среднее = -0, 00371402, ст. откл. = 0, 100972
Проверка нормальности распределения остатков кластера 1
кластер
Тест на нормальное распределение ошибок —
Нулевая гипотеза: ошибки распределены по нормальному закону
Тестовая статистика: Хи-квадрат (2) = 7, 56907
р-значение = 0, 0627
3 кластер
Распределение частот для uhat1, наблюдения 1-11
Количество столбцов = 7, среднее = 0, 00751844, ст. откл. = 0, 290077
Проверка нормальности распределения остатков кластера 3
Общее уравнение
Распределение частот для uhat1, наблюдения 1-50
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Количество столбцов = 7, среднее = 0, 0143311, ст. откл. = 0, 224369
Проверка нормальности распределения остатков общего уравнения регрессии
Приложение 10
Проверка на автокорреляция остатков типологических регрессий
Приложение 11
Матрица корреляций факторов панельных данных
Приложение 12
Значения параметров модели сквозной регрессии (polled model)
· Проверка модели сквозной регрессии на гетероскедастичность
Тест Вайта (White) на гетероскедастичность —
Нулевая гипотеза: гетероскедастичность отсутствует
Тестовая статистика: LM = 12, 8897
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
р-значение = P(Хи-квадрат(9) > 12, 8897) = 0, 16766
· Проверка модели сквозной регрессии на мультиколлинеарность
Метод инфляционных факторов
Минимальное возможное значение = 1.0
Значения > 10.0 могут указывать на наличие мультиколлинеарности
VIF(j) = 1/(1 — R(j)^2),
где R(j) — это коэффициент множественной корреляции между переменной j и другими независимыми переменными
Приложение 13
Значения параметров модели с фиксированными эффектами (fixed effect model)
Индивидуальные эффекты альфа i в модель с фиксированными эффектами
Приложение 14
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
Индивидуальные эффекты в модели со случайными эффектами
Приложение 15
Тест на нормальное распределение ошибок —
Нулевая гипотеза: ошибки распределены по нормальному закону
Тестовая статистика: Хи-квадрат(2) = 293, 151
р-значение = 2, 20333e-064
Приложение 16
Сравнение моделей панельной регрессии: тесты
· Совместная значимость различий в групповых средних:(49, 297) = 6, 3149 р-значение 7, 93902e-025
(Низкие p-значения указывают на слабую нулевую гипотезу об адекватности объединенной модели панельных данных, отдавая преимущество модели с фиксированными эффектами.
· Статистика Бриша-Пэгана (Breusch-Pagan):= 181, 203, p-значение = P(Хи-квадрат(1) > 181, 203) = 2, 64662e-041
(Низкие p-значения указывают на слабую нулевую гипотезу об адекватности объединенной модели панельных данных, отдавая преимущество модели со случайными эффектами.)
· Тестовая статистика Хаусмана (Hausman):= 3, 94814, p-значение = prob(Хи-квадрат(3) > 3, 94814) = 0, 267119
Нужна помощь в написании диплома?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Сдача работы по главам. Уникальность более 70%. Правки вносим бесплатно.
(Низкие p-значения указывают на слабую нулевую гипотезу об адекватности модели со случайными эффектами, отдавая преимущество модели с фиксированными эффектами.)