Методология статистического анализа и прогнозирования развития промышленности Российской Федерации тема диссертации по экономике, полный текст автореферата
Автореферат
| Ученая степень | доктор экономических наук |
| Автор | Дуброва, Татьяна Абрамовна |
| Место защиты | Москва |
| Год | 2004 |
| Шифр ВАК РФ | 08.00.12 |
Диссертация
Автореферат диссертации по теме "Методология статистического анализа и прогнозирования развития промышленности Российской Федерации"
На правах рукописи УДК 519.2:338.45(043)
ДУБРОВА ТАТЬЯНА АБРАМОВНА
МЕТОДОЛОГИЯ СТАТИСТИЧЕСКОГО АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РАЗВИТИЯ ПРОМЫШЛЕННОСТИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Специальность 08.00.12 - Бухгатерский учет, статистика
АВТОРЕФЕРАТ
диссертации на соискание ученой степени доктора экономических наук
Москва 2004
Работа выпонена на кафедре математической статистики и эконометрики Московского государственного университета экономики, статистики и информатики (МЭСИ).
Научный консультант
доктор экономических наук, профессор Мхитарян Владимир Сергеевич
Официальные оппоненты
доктор экономических наук, профессор Башина Ольга Эмильевна
доктор экономических наук, профессор Лукашин Юрий Павлович
доктор экономических наук, профессор Суринов Александр Евгеньевич
Ведущая Государственный университет
организация управления
Защита диссертации состоится 12 февраля 2004г. в 14.00 часов на заседании диссертационного совета по бухгатерскому учету, статистике Д 212.151.02 в Московском государственном университете экономики, статистики и информатики (МЭСИ) по адресу: 119501, г.Москва, ул. Нежинская, д.7.
С диссертацией можно ознакомиться в библиотеке Московского государственного университета экономики, статистики и информатики.
Автореферат разослан января 2004г.
Ученый секретарь диссертационного совета
кандидат экономических наук, профессор
2004-4 26810
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы исследования. К началу проведения
экономических преобразований для промышленности Российской Федерации была характерна масштабность производства при низкой эффективности, слабой конкурентоспособности, отсутствии согласованности между производством и потребительским спросом.
Высокомонополизированный промышленный комплекс имел отсталую технологическую базу и был отягощен серьезными диспропорциями структурного характера. Кризис российского народного хозяйства, развернувшийся в ходе проведения экономических реформ, болезненно сказася на развитии промышленности. В 1998 г. по сравнению с 1990 г. произошло снижение промышленного производства более чем на 50%, что не имеет исторических аналогов в развитии крупных стран в период мирного времени.
Отличительной особенностью развития российского народного хозяйства в период 1999-2003 гг. являся промышленный подъем. При этом в большой степени наблюдавшийся рост промышленного производства объясняся действием неинвестиционных факторов, связанных с освобождением отраслевых рынков от импорта, благоприятной внешнеторговой конъюнктурой, использованием незагруженных мощностей и др. В результате сочетания этих факторов в посткризисный период произошло поступательное развитие как экспортно-ориентированных отраслей промышленности, так и отраслей внутренне-ориентированного сектора.
Однако действие многих благоприятных факторов уже исчерпано, воздействия других носят ограниченный характер. Таким образом, дальнейший промышленный подъем неизбежно дожен опираться на активизацию инвестиционных процессов, направленных, в первую очередь, на обновление, модернизацию изношенных и устаревших основных фондов, на техническую реконструкцию при проведении гибкого структурного маневрирования инвестициями.
Для устойчивого развития промышленного комплекса на современном этапе необходимо
обоснованной промышленной политики, способствующей привлечению инвестиций, повышению конкурентоспособности на внешнем и внутреннем рынках, созданию современной технологической базы и проведению структурных преобразований.
Поступательное развитие промышленных отраслей могут обеспечить лишь высокоэффективные и конкурентоспособные компании. Управление их деятельностью дожно быть достаточно гибким, чтобы обеспечить оперативное реагирование на общеэкономическую конъюнктуру и состояние мировых рынков (товарных и инвестиционных).
Сложившаяся экономическая ситуация выдвигает новые требования к характеру статистической информации, на основе которой осуществляется управление. При этом возрастает роль прогнозов и основанной на них сигнальной, предупреждающей информации, способствующей принятию научно обоснованных управленческих решений.
Создание эффективной системы управления на микро-, мезо-и макроуровне дожно опираться на статистический анализ и прогнозирование динамики важнейших индикаторов промышленного производства, статистическое исследование тенденций и перспектив развития отдельных предприятий, отраслей и отраслевых групп, на статистическое оценивание происходящих структурных сдвигов.
Вышеизложенное свидетельствует об актуальности разработки методологии статистического анализа и прогнозирования важнейших показателей развития промышленного комплекса, сравнительного статистического анализа производственно-хозяйственной деятельности промышленных предприятий. Разработка такой методологии, безусловно, представляет значительный практический и теоретический интерес.
Цель и задачи исследования. Целью диссертационного исследования является разработка методологии комплексного статистического анализа и прогнозирования развития промышленного комплекса Российской Федерации в условиях реформирования экономики.
В соответствии с указанной целью в работе поставлены и решены" следующие задачи теоретического и прикладного характера:
Х сформулирована, концепция создания системы прогнозной информации о развитии промышленности РФ, направленная на интеграцию разрозненных задач прогнозирования в комплексы;
Х Х разработаны и апробированы методологические подходы к исследованию интенсивности и направленности структурных изменений, произошедших в промышленном производстве за период реформирования экономики;
Х на основе комплексного экономико-статистического анализа состояния российской промышленности выявлены современные тенденции и проблемы в ее развитии;
Х на базе исследования инвестиционных процессов в промышленности предложен подход к оцениванию инвестиционной привлекательности ее отраслей;
Х разработаны методологические основы использования современных информационных технологий хранения и обработки статистических данных при построении системы прогнозов показателей деятельности промышленного комплекса РФ;
Х обоснованы направления совершенствования методологии краткосрочного прогнозирования производства важнейших видов промышленной продукции в натуральном выражении на макро- и мезоуровнях;
Х разработан подход к моделированию и прогнозированию тренд-сезонных процессов с устойчивым (робастным) оцениванием сезонной составляющей;
Х предложен метод расчета годовых прогнозов производства важнейших видов промышленной продукции на основе процедуры объединения частных прогнозных оценок, полученных с помощью индексов сезонности;
Х усовершенствована методология предварительной обработки исходных данных, позволяющая при использовании многомерных статистических методов бороться с маскирующим эффектом групп аномальных наблюдений;
Х разработана методология сравнительного анализа производственно-хозяйственной деятельности предприятий, основанная на многомерных статистических методах и апробированная на примере крупных компаний электроэнергетики;
осуществлен переход от статической модели факторного анализа к построению временной факторной модели, использованной при анализе производственно-хозяйственной деятельности промышленных предприятий в динамике.
Объектом исследования является промышленность Российской Федерации, ее развитие в условиях реформирования экономики.
Предмет исследования - методология статистического анализа и прогнозирования совокупности показателей, характеризующих развитие промышленности Российской Федерации.
Методологической и теоретической основой исследования являются- труды ведущих отечественных и-зарубежных ученых по статистике, теории рыночной экономики, финансовому и экономическому анализу, эконометрике, современным информационным технологиям хранения и обработки данных.
В процессе разработки вопросов методологии статистического исследования большое значение сыграли труды известных отечественных ученых-статистиков: Ю.И. Аболенцева, О.Э. Башиной, И. К. Беляевского, Г. Л. Громыко, М.Р. Ефимовой, Г.Т.Журавлева, С.Д.Ильенковой, М.В.Карманова, А.В. Короткова, В. И. Кузнецова, М.Г. Назарова, Л.И. Нестерова, С. А. Орехова, Б.Т. Рябушкина, А.Е. Суринова, А.Н. Устинова, К.Г. Чобану и др.
В диссертационной работе автор также опирася на научные труды известных специалистов в области прикладной статистики и эконометрического моделирования С.А. Айвазяна, A.M. Дуброва, И.И. Елисеевой, В.А. Колемаева, И.А. Корнилова, Ю.П. Лукашина, B.C. Мхитаряна, В.А. Половникова, Я.А. Фомина, А.А. Френкеля, Е.М. Четыркина и др.
Также использовались работы зарубежных ученых Т. Андерсона, М. Кендела, К. Гренджера, А. Стюарта, Р. Брауна, Дж. Бокса, Г. Дженкинса, П. Уинтерса, Дж. Джонстона, Г. Хармана, К. Иберла, Ч. Хольта, К. Доугерти, П. Харрисона, Дж. Тьюки, Г. Тейла, С. Вейджа и др.
Статистическим инструментарием исследования послужили методы корреляционного и регрессионного анализа, аналитической группировки, многомерные методы снижения размерности и классификации, методы анализа и прогнозирования рядов динамики, а также табличные и графические методы визуализации результатов исследования.
Для решения поставленных задач диссертационного исследования применен широкий спектр аналитических пакетов прикладных программ: лSPSS, лStatistica, Олимп, Мезозавр, лX-12-ARIMA, электронные таблицы Excel, а также программы, разработанные автором.
Информационную базу исследования составили официальные статистические данные Госкомстата России, данные из научных публикаций по исследуемой тематике, материалы, периодической печати, сети Internet и электронных СМИ.
Научная новизна работы состоит в том, что в ней дано решение научной проблемы, имеющей важное народнохозяйственное значение в условиях формирования рыночной экономики в России.
Основной научный результат, полученный в диссертации, состоит в разработке методологии комплексного статистического анализа состояния и основных тенденций развития промышленного комплекса Российской Федерации. Положенные в основу методологии приемы и подходы носят универсальный характер, предназначены для аналитической работы на макро-, мезо- и микроуровне.
К числу наиболее существенных результатов, полученных лично автором и обладающих научной новизной, относятся следующие:
Х теоретически обоснована и разработана концепция создания системы прогнозной информации о развитии промышленного производства в Российской Федерации;
Х разработаны концептуальные подходы и предложена система статистических показателей для исследования интенсивности структурных сдвигов в промышленном производстве с использованием порядковой шкалы и шкалы отношений;
Х Х проведено комплексное статистическое исследование интенсивности и направленности структурных изменений в отраслевом распределении выпуска промышленной продукции в сопоставимых и фактически действовавших ценах;
. Х выявлены основные тенденции в развитии промышленного комплекса Российской Федерации и определены факторы, влиявшие на глубину падения производства и темпы преодоления спада по отраслям;
Х предложен и апробирован подход к отраслевой сегментации промышленности на основе характеристик эффективности и динамичности производства;
Х разработан агоритм устойчивого (робастного) оценивания сезонной составляющей* в аддитивной и мультипликативной форме при проведении декомпозиции временных рядов;
Х предложена методология построения краткосрочных прогнозов-производства промышленной продукции в натуральном выражении на макро- и мезоуровнях, апробированная на важнейших видах продукции топливно-энергетических отраслей;
Х разработана и апробирована методика классификации отраслей промышленности по инвестиционной привлекательности, основанная на многомерных статистических методах;
Х разработан агоритм расчета годовых прогнозов производства отдельных видов промышленной продукции на основе синтеза частных прогнозных оценок, апробированный на примере важнейших видов продукции топливно-энергетических отраслей и пищевой промышленности;
Х создана и апробирована методика отсева аномальных наблюдений, позволяющая формировать однородные группы объектов при наличии маскирующего эффекта;
Х с помощью теории нечетких множеств построена временная факторная модель, позволяющая исследовать динамику взаимосвязей исходных признаков с главными компонентами (обобщенными факторами), учитывающая различную информационную ценность уровней анализируемых показателей;
Х на основе программной реализации временной факторной модели проанализирована производственно-
хозяйственная деятельность крупных компаний электроэнергетики за период с 1999 по 2001 г.
Практическая значимость результатов исследования
Результаты проведенного исследования нашли практическое применение в аналитической работе Оренбургского областного комитета государственной статистики, Управления инвестиционных программ и перспективного развития Магнитогорского металургического комбината, что подтверждается справками о внедрении.
Разработанные и усовершенствованные методики могут быть использованы в аналитической работе органов государственной статистики, Министерством экономического развития и торговли РФ; Министерством промышленности, науки и технологий РФ при формировании промышленной политики, управленческими органами различных уровней при разработке стратегии развития отдельных отраслей и регионов, руководством предприятий и их деловыми партнерами.
Теоретические и практические результаты исследования используются в научной работе и в учебном процессе при чтении лекций и проведении практических занятий в МЭСИ, Магнитогорском государственном техническом университете, Марийском государственном университете по курсам: Статистические методы прогнозирования в экономике, Эконометрика, Эконометрическое моделирование,
Многомерные статистические методы (имеются справки о внедрении).
Апробация работы
Основные результаты исследования докладывались на 19 международных, всесоюзных, всероссийских и межвузовских научных и научно-методических конференциях, в том числе на:
Ш Международной научно-методической конференции Методология преподавания статистики, эконометрики и математической экономики в вузах, Сочи, 4-6 февраля 2003;
II Российско-Американской региональной конференции Пути развития образования в 21 веке, Йошкар-Ола, 30-31 октября 2002;
П Международной научно-методической конференции Методология преподавания статистики, эконометрики и математической экономики в вузах , Москва, 5-6 февраля 2002;
VII Международной конференции Применение многомерного статистического анализа в экономике и оценке качества, Москва, 26-30августа2001;
Международной научно-практической конференции Методология преподавания статистики, эконометрики и экономико-математических дисциплин в экономических вузах, Москва, 2-6 февраля 1999;
VI научной конференции, стран СНГ Применение многомерного статистического анализа в экономике и оценке качества продукции, Москва, 1997;
Научно-практической конференции Программно-агоритмическое обеспечение прикладного многомерного статистического анализа, Москва, 1991;
Всесоюзном научно-практическом семинаре
Прикладные аспекты управления сложными, системами, Кемерово, 1987.
Структура работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка использованной литературы и приложений. Список литературы содержит 225 наименований. Основной текст работы составляет 292 стр., содержит 59 рисунков, 44 таблицы. В двух приложениях -15 рисунков и 15 таблиц.
Публикации. Результаты исследования опубликованы в 91 научной публикации общим объемом 109 пл., в том числе в монографии и 19 учебниках и учебных пособиях общим объемом 88 п.л.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы, показана ее теоретическая и практическая значимость, определены цель и задачи исследования, показаны научная новизна и практическая значимость результатов исследования, освещены внедрение и апробация основных положений работы.
. В первой главе Комплексный статпстический анализ структурных сдвигов в промышленном производстве Российской Федерации разработаны концептуальные подходы и предложена система статистических показателей для исследования интенсивности структурных сдвигов в промышленном производстве; проведено статистическое исследование изменений в отраслевом распределении выпуска промышленной продукции в сопоставимых и фактически действовавших ценах.
К началу 90-х годов промышленный комплекс России отличася огромными масштабами, низкой эффективностью, глубокими диспропорциями структурного характера, отсталой технологической базой.
В то же время при проведении радикальных экономических реформ игнорировались имевшиеся особенности старого воспроизводственного механизма, в результате вместо стадии стабилизации и экономического роста разразися затянувшийся на многие годы системный кризис.,
Проведенный в работе анализ динамики спада промышленного производства выявил его неравномерный характер в отраслевом разрезе.
Наименьшим был спад в топливно-энергетических отраслях (рис.1). В 1998 г. по сравнению с базисным 1990 г. произошло снижение промышленного производства в целом примерно на 54%, в электроэнергетике - на 25%, в топливной промышленности Ч на 35%. В 2002 г. производство в этих отраслях составило, соответственно, 77 и 79% по сравнению с 1990 г. Также слабее, чем в среднем по промышленности, был спад в цветной и черной металургии, причем уже в 1999 г. в этих отраслях начася интенсивный рост производства, позволивший превысить уровень 1997г.
о!-1-1-1-1-1-1-к-1-1-1-1-
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
ЧЧПромышленность-всего ЧЧЭлектроэнергетика ЧЧТопливная промышленность
Рнс.1. Динамика производства промышленной продукции в топливно-энергетических отраслях, в % к 1990 г.
Исследование показало, что спад производства в химической и нефтехимической промышленности был более глубоким, чем в среднем по промышленности, однако последовавшее восстановление происходило опережающими темпами по сравнению с общепромышленным производством. В результате, в 2002 г. производство в отрасли составило 64% от уровня 1990 г., что выше, чем в среднем по промышленности.
Все рассмотренные отрасли объединяет то, что в переходный период они в значительной степени сориентировались на экспорт. Спад производства во внутренне ориентированных отраслях носил более глубокий характер: Исключение составляет пищевая промышленность, развитие которой связано с реализацией широких возможностей импортозамещения, вовлечением в процесс производства недоиспользованных производственных мощностей.
Для машиностроения, и металообработки, а также для лесной, деревообрабатывающей и целюлозно-бумажной промышленности производство в точке наибольшего спада
соответствовало примерно одной трети от уровня 1990 г., а в 2002г. составило, соответственно, 56 и 47% по сравнению с 1990-г. В промышленности строительных материалов спад производства носил еще более острый характер. В легкой промышленности сложилась самая, тяжелая ситуация, приведшая к стремительному обвалу производства. В 1998г. производство в отрасли составило 11% от уровня 1990 г., в 2000-2002 гг. -16%.
Проведенное исследование, показало, что глубину падения производства и темпы преодоления спада во многом определяла степень экспортной ориентации отрасли. Также спад производства-оказася сильнее в отраслях, в- большей мере производящих конечную продукцию, что усугубило гипертрофированное развитие добывающих отраслей., Hai фоне общего сокращения объемам промышленного производства в 1991-1998гг. на.54% добывающая промышленность сократила производство на 32%, а обрабатывающая - на 58%. Это еще больше усилило сырьевую направленность развития российской экономики.
Большой практический; интерес представляет оценивание интенсивности структурных сдвигов в промышленном производстве, произошедших в период реформирования экономики.
Предлагаемый в диссертации методологический подход к анализу структурных изменений в российском промышленном производстве опирается на использование различных статистических шкал: порядковой шкалы и шкалы отношений, а также предусматривает анализ структуры производства как в фактически действовавших ценах, так и в сопоставимых ценах 1999 г.
Для исследования изменений в промышленном производстве с использованием порядковой шкалы было проведено ранжирование отраслей в зависимости от их вклада в общепромышленное производство за период с 1990 по 2002 г.
Проведенный анализ показал, что ранжирование отраслей по их вкладу в общепромышленное производство носило более устойчивый характер для структуры производства в сопоставимых ценах. Коэффициент ранговой корреляции Спирмена при попарном сравнении структур промышленного производства за все соседние годы был значимым (при а =0,05) и не опускася ниже 0,948. При сравнении с базисной структурой 1990 г. наименьшее значение
коэффициента ранговой корреляции Спирмена (0,842) приходилось на кризисный 1998 г.
При проведении аналогичных расчетов для структуры производства в фактически действовавших ценах коэффициент ранговой корреляции Спирмена при попарном сравнении структур промышленного производства за все соседние годы также был значимым, однако его значения были ниже.
При сравнении с базисной структурой 1990 г. значения коэффициента ранговой корреляции Спирмена оказались значимыми лишь для 1991 и 1992 гг. Таким образом, изменение отраслевой структуры промышленного производства в фактически действовавших ценах было настолько сильным, что привело к ослаблению, а затем и нарушению взаимосвязей между структурой производства в базисном 1990 г. и структурой производства в последующие годы. Причем, в большой степени, выявленные структурные сдвиги были вызваны изменением цен.
В диссертации предлагается проводить сопоставление структуры текущего периода с заданным эталоном, оценивая тесноту взаимосвязи с эталонной структурой производства с помощью коэффициента ранговой корреляции Спирмена и рангового коэффициента интенсивности изменений структуры. Однако в качестве этого эталона практически невозможно воспользоваться внешним ориентиром, так как структуры промышленного производства разных стран существенно отличаются друг от друга. Для определения эталонной структуры в диссертации предлагается использовать экспертные оценки, выраженные в порядковой шкале. Такой выбор объясняется тем, что эксперту проще отвечать на вопросы сравнительного характера, чем количественного. Очевидно, что эталонная структура может претерпевать изменения с течением времени.
В качестве обобщающих характеристик структурных сдвигов, измеренных в шкале отношений, в работе были выбраны линейный и квадратичный коэффициенты лабсолютных структурных сдвигов. Их значения рассчитывались для продукции промышленности Российской Федерации в сопоставимых ценах 1999г., а также в фактически действовавших ценах.
Анализ полученных характеристик, основанных на сравнении соседних периодов, для промышленной продукции в
сопоставимых ценах позволил определить наличие локального всплеска в 1992 г. и выявить глобальный пик (кульминацию структурных изменений на всем рассматриваемом периоде) в 1994 г. В этом году наблюдася резкий всплеск исследуемых характеристик, после чего их значения стали постепенно затухать. Однако в 1999 г. произошло новое усиление интенсивности структурных сдвигов промышленного производства, сменившееся затем периодом стабилизации структуры.
Обращает на себя внимание иное поведение обобщающих показателей структурных сдвигов, рассчитанных для промышленной продукции в фактически действовавших ценах.
Рис. 2. Обобщающие показатели структурных сдвигов в< промышленном производстве (для структуры производства в фактически действовавших ценах), %,
Проведенный в диссертации анализ позволил установить, что в этом случае наибольший всплеск в значениях обобщающих показателей структурных сдвигов, свидетельствующий об усилении
интенсивности структурных изменений промышленного производства, приходится на 1992 г. (рис. 2).
Это объясняется процессом либерализации цен, ознаменовавшим начало экономических, реформ. Перемещение этого пика к 1994 г. при исследовании структуры производства в сопоставимых ценах свидетельствует об инерционности промышленного производства.
Таким образом, наиболее существенное изменение структуры производства при элиминировании влияния ценового фактора последовало с двухгодичным лагом за либерализацией цен.
Выявленная особенность свидетельствует о том, что последствия внешних воздействий на такую сложную систему, как российский промышленный комплекс, могут сказываться с достаточно большим сдвигом во времени из-за инерционности развития самой системы. Это обстоятельство, безусловно, дожно учитываться при прогнозировании развития российской промышленности.
С помощью корреляционного анализа была проверена гипотеза о существовании статистически значимой взаимосвязи между интенсивностью структурных сдвигов и темпами изменения промышленного производства, а также проведено статистическое оценивание тесноты этой взаимосвязи. Исследование показало, что интенсификация изменений в динамике промышленного производства (возросший подъем, усилившийся спад) сопровождалась интенсификацией изменений структуры производства.
Наряду с анализом цепных обобщающих показателей структурных сдвигов, характеризующих интенсивность изменений за единичный временной интервал, в диссертации решена задача количественного оценивания степени структурных изменений промышленного производства по сравнению с базисным периодом. В качестве базы сравнения при расчете линейного и квадратичного коэффициентов лабсолютных структурных сдвигов была выбрана отраслевая структура производства в 1990 г. Результаты расчетов показали, что в исследуемом периоде наблюдалась тенденция удаления пропорций отраслевой структуры производства от базисного года. Наибольшие отличия текущей структуры
промышленного производства от базисной соответствовали 1998 г. -нижней точке промышленного спада.
Максимальная скорость удаления структур наблюдалась в 1994 и 1992 гг. В то же время в 1997 г. при проявлении роста промышленного производства произошло ослабление различий структур. Начавшийся подъем 1999-2001 гг. также сопровождася тенденцией сокращения структурных различий в производстве по сравнению с докризисным периодом.
Исследование показало, что проведение экономических реформ сопровождалось усилением сырьевой ориентации российской промышленности, уменьшением доли обрабатывающей промышленности, изменением пропорций между производством сырья, промежуточной и конечной продукции за счет уменьшения доли продукции высокой степени переработки. Исправление выявленных структурных диспропорций дожно опираться на проведение целенаправленной глубоко обоснованной промышленной политики.
Во второй главе Экономико-статистический анализ состояния и основных тенденций развития российской промышленности на базе исследования инвестиционных процессов предложена и апробирована методика многомерной классификации отраслей промышленности по инвестиционной привлекательности, проведен статистический анализ динамики основных характеристик производственного аппарата промышленности России; на основе выявленных современных тенденций в развитии промышленности осуществлена ее отраслевая сегментация с использованием многомерных статистических методов.
Проведенный анализ показал, что с начала 90-х годов показатели рентабельности продукции и активов для промышленности были выше, чем для всей российской экономики, однако их значения, до 1999 г. включительно, оставались значительно ниже уровня инфляции (табл.1). Это свидетельствовало о невыгодности вложений в российскую экономику, в том числе и в промышленность. В 2000 г. впервые в исследуемом периоде рентабельность продукции в промышленности превысила уровень инфляции, однако в 2001-2002 гг. наблюдалось снижение ее уровня.
В ходе исследования динамики рентабельности продукции была выявлена ее существенная дифференциация в отраслевом разрезе, усилившаяся в посткризисный период, а также был установлен неустойчивый характер поведения показателей отраслевой рентабельности.
Таблица 1
Рентабельность продукции и активов российской _ промышленности (в %)_
Показатели Годы
1996 1997 1998 1999 2000 2001 2002
Рентабельность продукции Всего в экономике В промышленности 4,8 9,2 6,3 9,0 8,1 12,7 18,5 25,5 18,9 24,7 14.4 18.5 11,3 14,1
Рентабельность активов Всего в экономике В промышленности 1,3 2,2 1,7 2,3 -0,9 -0,2 5,0 8,7 7,6 12,9 6,1 8,8 4,5 5,7
Инфляция(%) 21,8 11,0 84,4 36,5 20,2 18,6 15,1
Наиболее сильные колебания в анализируемом периоде наблюдались в топливной промышленности и в цветной металургии. Неустойчивость рентабельности объясняется высокой степенью зависимости российской промышленности от конъюнктуры внешнего рынка, а также межотраслевым перераспределением капитала. Следует отметить, что наблюдаемый рост рентабельности промышленной продукции в большой степени произошел не за счет использования внутренних, глубинных факторов роста эффективности (например, внедрения передовых ресурсосберегающих технологий, выпуска современной, конкурентоспособной на мировом рынке продукции и т.д.), а за счет роста цен. При этом уровень рентабельности в посткризисный
период в существенной степени зависел от доли экспорта в конечном использовании продукции отрасли.
За годы реформ с 1991 по 1999 г. численность промышленно-производственного персонала (ППП) в целом по промышленности монотонно снижалась. Восстановление занятости наметилось после того, как началось оживление производства, причем этот восстановительный процесс происходил с разными темпами роста в основных отраслях промышленности. Существенное воздействие на характер динамики численности занятых, так же как и на динамику самого производства, оказывали степень экспортной ориентации отрасли и начавшийся процесс импортозамещения.
Реализация либеральной модели рыночных реформ характеризовалась непрерывным инфляционным ростом номинальной заработной платы. Однако для наглядного отражения уровня реальной заработной платы в работе проведено сравнение номинальной заработной платы с величиной прожиточного минимума. С начала 90-х годов наблюдася стремительный рост удельного веса прожиточного минимума одного трудоспособного в средней заработной плате работников промышленности. В 1995 г. значение этой характеристики достигло 56,2%, в 2001 г. снизилось до уровня 39,2%. Наиболее благоприятная ситуация с оплатой труда сложилась в топливной промышленности и в цветной металургии Ч доля прожиточного минимума составляла не более одной пятой, в электроэнергетике - менее трети от заработной платы.
Проведенный анализ позволил установить тенденцию превышения заработной платы работающих в монополизированных и сырьевых экспортно-ориентированных отраслях над общепромышленным уровнем. Экспорт продукции давал значительное и устойчивое поступление валютной выручки, позволившей фирмам, работающим в этих отраслях, компенсировать сотрудникам потери от инфляции.
При анализе функционирования промышленного комплекса в диссертации исследовалась динамика показателей финансового состояния предприятий, в частности, характеристик финансовой устойчивости и платежеспособности. Исследование показало, что в период 1995-2001 гг. наблюдалась высокая степень автономии капитала. Например, в 1997 г. коэффициент автономии по
промышленности достигал 67,9%. Наметившаяся в последующие годы тенденция к снижению значений этого коэффициента связана с развитием банковского сектора, заинтересованностью предприятий в привлечении внешнего финансирования.
Однако негативным следует признать факт сохранения высоких значений коэффициента кредиторской задоженности. Это свидетельствует о том, что предприятия, не имея возможностей для привлечения других источников, финансируют свою деятельность за счет задоженности поставщикам и подрядчикам, бюджету, персоналу по оплате труда. На конец 2001 г. в целом по промышленности доля кредиторской задоженности в сумме заемных средств составила 68,8% , а кредиты банков и займы -31,2%. В то же время выявлена устойчивая тенденция снижения удельного веса кредиторской задоженности: с 1998 по 2001 г. он уменьшися на 10,8% пунктов.
5,3 4,3 ЙЖ +Ш 117,2- 1,'
4-4Н- агч > <24,3'
^34,6? ] 7,8
81 ы щ
9,9 ]б7,4[
154,б|
9
1998 1999 __ 2000 2001
денежные средства Ш векселя О взаимозачет бартер прочие
Рис. 3. Структура расчетов за оплаченную продукцию в промышленности РФ
В посткризисный период сократися дефицит оборотных средств предприятий, улучшилась структура оборотных активов, а-также сложилась тенденция уменьшения доли неденежных видов расчетов в объеме оплаченной продукции (рис. 3). В то же время причины, приводящие к возникновению неплатежей, в российской промышленности поностью не искоренены.
Проведенный статистический анализ развития, промышленного комплекса в посткризисный период выявил его характерную особенность - существенное различие, высокую дифференциацию отраслей по важнейшим характеристикам их функционирования (динамике производства, прибыльности,-финансовой эффективности и др.).
С целью отраслевой сегментации промышленности в диссертации была проведена многомерная классификация ее отраслей по характеристикам финансовой эффективности и динамичности производства: X1 - рентабельность активов (%); Х2 Ч рентабельность продукции (%); Хз - индекс промышленного производства по отношению к 1990 г. (%); Х4 - темп роста численности промышленно-производственного персонала по отношению к 1990 г. (%).
Классификация проводилась за период с 1999 по 2001 г. Рассмотрим результаты анализа на примере данных за 1999 г. Для перехода к ортогональной системе координат, а также для снижения размерности признакового пространства на первом этапе был реализован метод главных компонент с последующим вращением. На втором этапе была проведена классификация отраслей с помощью иерархических агломеративных процедур кластерного анализа с использованием полученных обобщенных факторов и евклидовой метрики.
Исследование показало, что поляризация отраслей привела к образованию двух сегментов, использующих в своем развитии разные ресурсы.
Один сегмент {кластер №1) образуют экспортно-сырьевые отрасли, представляющие, прежде всего, нефтегазовый комплекс и металургию. Именно эти отрасли играют ведущую роль в современной экономике России. Все средние значения признаков для объектов этого кластера выше, чем для промышленности в целом.
Посткризисный подъем в этом сегменте опирася на благоприятную внешнеэкономическую конъюнктуру, получение допонительных доходов от экспорта, относительно низкие цены на ресурсы (прежде всего, электроэнергию), а также последовавшее расширение платежеспособного спроса внутри страны.
Второй сегмент образуют внутренне-ориентированные отрасли, сгруппированные в два кластера. Кластер №2 представлен легкой и пищевой промышленностью, машиностроением и металообработкой, химической и нефтехимической промышленностью, лесной, деревообрабатывающей и целюлозно-бумажной промышленностью, промышленностью строительных материалов.
Рис. 4. Сравнение средних значений признаков по кластерам
Также к этому сегменту относятся электроэнергетика и угольная промышленность, образующие кластер №3. Выделение их в самостоятельный кластер связано с низким уровнем рентабельности в этих отраслях (рис.4). Такая ситуация легко объяснима в условиях повышенной энергоемкости экономики России.
В настоящий момент, по оценкам специалистов, энергоемкость российского ВВП превышает аналогичные показатели развитых стран Запада примерно в 3,5 раза, особенно ощутимо превышение в отраслях обрабатывающей промышленности.
Развитие отраслей внутренне-ориентированного сегмента опиралось на последовавший после кризиса процесс импортозамещения, наличие незагруженных - мощностей, низкий уровень издержек, связанных с оплатой труда.
Выявленная отраслевая сегментация сохранилась для всего посткризисного периода. В результате благоприятного сочетания указанных факторов произошло поступательное развитие отраслей из разных сегментов. Однако, по мнению специалистов, в современных условиях именно инвестиционный фактор дожен сыграть решающую роль в дальнейшем промышленном подъеме. Наиболее острой проблемой российской промышленности, требующей инвестиционных вложений, является изношенность основных производственных фондов (ОПФ).
Глубокий экономический кризис 90-х годов сопровождася особенно резким спадом в инвестиционной сфере. В период экономических реформ 1990-1998 гг. основные макропоказатели (объем ВВП, промышленное производство) упали примерно вдвое, при этом произошло сокращение инвестиций в основной капитал почти в 5 раз.
Спад инвестиций нанес ощутимый удар по всему производственно-технологическому потенциалу страны.
Коэффициент обновления основных фондов в промышлешюсти уменьшися с 1990 по 1998 г. более чем в 6 раз, составив в кризисном 1998 г. менее 1%. Значение этого коэффициента, составившее в 2002г. 1,4%, наряду со значением коэффициента выбытия 1,1%, указывает на ' отсутствие активного процесса замещения изношенных фондов.
Из данных табл. 2 следует, что в 2001 г. срок службы более 40% оборудования превышал 20 лет, а доля производственного оборудования, находящегося в эксплуатации менее 5 лет, не достигала даже 6% уровня, причем эта доля уменьшилась по сравнению с 1990 г. примерно в 5 раз.
Таблица 2
Возрастная структура производственного оборудования в промышленности РФ (в %)
Возраст оборудования, лет Годы
1990 1995 1998 1999 2000 2001
до 5 29,4 10,1 4,1 4,1 4,7 5,7
6-10 28,3 29,8 20,1 15,2 10,6 7,6
11-20 27,3 36,9 44,2 45,9 46,5 45,1
более 20 15,0 23,2 31,6 34,8 38,2 41,6
Все оборудование (на конец года) 100 100 100 100 100 100
О крайней изношенности производственного оборудования свидетельствуют и такие его характеристики, как средний возраст и степень износа.
Проблема изношенности основных фондов получила название проблемы 2003-2005, так как именно в этот период, по оценкам аналитиков, состояние промышленного оборудования достигнет максимальной степени износа. В то же время проведенный анализ показывает, что в тех отраслях, где начася процесс приватизации, проблема обновления фондов начинает постепенно решаться.
В мировой экономической практике для обновления производственной базы широко используются лизинговые схемы.. В ходе исследования было выявлено, что в последние 2-3 года наблюдается стремительный рост лизинга в России. В списке крупнейших рыночно ориентированных лизинговых компаний России представлены лизингодатели дорогостоящего телекоммуникационного оборудования, самолетов и лизинговые компании для малого бизнеса. Это свидетельствует о том, что лизинговый бизнес может быть эффективным и значительным по объему в различных секторах и сегментах рынка.
В современных условиях инвестиционной составляющей отводится решающая роль в формировании предпосылок устойчивого промышленного подъема. В связи с этим особое практическое значение приобретает проведенное в диссертации
исследование изменений в отраслевом распределении инвестиций в основной капитал в промышленности в последнее десятилетие. Результаты статистического анализа показали, что в промышленности около 60% суммарного объема инвестиций в основной капитал приходится на топливно-энергетические отрасли. Такая структура капиталовложений отражает экспортно-сырьевую ориентацию российской экономики, а также способствует закреплению этой структуры в будущем.
Тревожным негативным фактором развития является существенное снижение доли инвестиций в основной капитал, приходящейся на отечественное машиностроение и металообработку. Очевидно, что уровень производственных инвестиций именно в эту отрасль в большой степени определяет качество техники и динамику технологического перевооружения во всех других отраслях промышленности, конкурентоспособность промышленной продукции.
В работе показано, что решение задачи по общему увеличению объема инвестиций в российскую промышленность дожно быть взаимосвязано с отраслевым, структурным маневрированием инвестициями, с проведением в жизнь инвестиционной политики, направленной на преодоление технологического отставания России от развитых стран.
В диссертации проанализирован международный опыт развитых промышленных стран по реализации государственной инвестиционной (структурной, промышленной) политики, направленной на стимулирование, поддержку инновационных отраслей.
Также автором проведен анализ динамики и структуры иностранных инвестиций в промышленность России. При некотором изменении приоритетов инвесторов в качестве лидеров последние годы рассматриваются топливная, пищевая и металургическая промышленность (рис 5).
Для разработки промышленной политики инвестиционного маневрирования в Российской Федерации представляет практический интерес мониторинговое наблюдение за изменением инвестиционной привлекательности отдельных отраслей
промышленного комплекса Российской Федерации. Для этого в диссертации разработана и апробирована методика проведения
многомерной классификации отраслей по инвестиционной привлекательности.
На основе проведенного экономического исследования были выявлены четыре признака, определяющие инвестиционную привлекательность отдельных отраслей промышленного комплекса Российской Федерации. Это следующие показатели: X1-доля отрасли в суммарном объеме инвестиций в основной капитал в промышленности (%); Х, - доля отрасли в суммарном объеме финансовых вложений в промышленности (%); Хз - доля отрасли в суммарном объеме иностранных инвестиций в промышленности (%); Х4 -цепной темп роста прямых иностранных инвестиций в отрасли (%).
Нтопливная промышленность
черная металургиял
ЕЗ цветная металургия
пищевая
' промышленность
В машиностроение и металообработка
прочие
Рис. 5. Отраслевая структура иностранных инвестиций в промышленность России в 2002 г., в %
Разбиение отраслей на два кластера методом Уорда показало, что 5 отраслей внутренне-ориентированного сектора промышленности характеризуются низкой инвестиционной привлекательностью. В частности, в большой степени на повышение инвестиционной привлекательности отрасли направлена начавшаяся реформа электроэнергетики. Существенно недоиспользованы возможности таких потенциально привлекательных для инвесторов
отраслей, как лесная, деревообрабатывающая и целюлозно-бумажная промышленность, промышленность строительных материалов, легкая промышленность, химическая и нефтехимическая промышленность.
Состав второго кластера характеризуется меньшей однородностью по значениям факторных признаков. Он представлен топливной промышленностью, металургией, пищевой промышленностью, машиностроением и металообработкой. Хотя все средние значения признаков в этом кластере существенно превышают средние значения по выборке, тем ни менее и эти отрасли ощущают острую потребность в инвестициях.
Для четкого управления инвестиционными процессами требуется получение широкого спектра прогнозных оценок для параметров, отражающих деятельность промышленности. Существешгую помощь в решении этого комплекса задач могут оказать эконометрические методы, неотъемлемой частью которых являются статистические методы прогнозирования. В связи с этим потребностями экономической практики диктуется необходимость совершенствования методологии статистического анализа и прогнозирования развития промышленного комплекса России на основе использования современных эконометрических методов.
В третьей главе Методологические основы создания системы прогнозной информации о деятельности промышленного комплекса российской экономики рассматривается разработанная в диссертации концепция построения системы прогнозной информации о развитии промышленного производства, опирающаяся на передовые информационные технологии хранения и аналитической обработки статистических данных.
Предложенный автором подход к созданию системы прогнозной информации направлен на интеграцию решения различных задач, отличающихся предметной ориентированностью. При этом предполагается, что включенные в систему задачи взаимосвязаны и согласованы информативно, хронологически, по иерархии анализируемых показателей. Формирование системы прогнозной информации, опирающейся на решение частных задач, структурно может быть изображено в виде трех функциональных блоков (рис.6). Следует отметить, что создаваемые системы
прогнозной информации дожны носить лоткрытый характер, при этом каждая система может допоняться новыми задачами, а также может включаться в более сложные системы в качестве составного блока или подсистемы.
Рис. 6. Схема формирования системы прогнозной информации о промышленном производстве в РФ
Рациональная организация хранения больших информационных массивов дожна обеспечивать исследователю возможность использования данных промежуточных и
ретроспективных прогнозов, обеспечивать доступ к справочному и нормативному материалу, к имеющимся экспертным оценкам.
Предложенные в диссертации методологические принципы и основы создания систем прогнозной информации используются автором при построении экспериментальной системы прогнозной информации о российском производстве важнейших видов промышленной продукции в натуральном выражении. Система включает в себя прогнозные оценки уровней производства в текущем году, месяце, квартале, полугодии при различных значениях параметра Ь - времени упреждения прогноза. Практическая значимость этого комплекса задач краткосрочного прогнозирования объясняется следующим:
1) Прогнозы показателей производства отдельных видов продукции в натуральном выражении представляют самостоятельный интерес, так как являются индикаторами будущего состояния промышленного комплекса-
2) Прогнозы показателей, полученные при решении этих задач, могут использоваться при оценивании сводных показателей развития отраслей, отдельных отраслевых групп и промышленного комплекса в целом, например, при прогнозировании индексов промышленного производства.
3) Методология формирования системы краткосрочных прогнозов носит универсальный характер. Она применима на различных уровнях - на микроуровне; региональном уровне (мезоуровне); на уровне промышленности РФ в целом. Имеющаяся статистическая информация позволяет проводить расчеты как по крупным и средним предприятиям, так и по поному кругу промышленных предприятий.
Предлагаемый методологический подход предусматривает итеративное уточнение полученных прогнозных оценок по мере поступления более свежих фактических данных, то есть по мере сокращения периода упреждения. При этом комплексность подхода позволяет рассматривать отдельные задачи не изолированно, а представить их как взаимосвязанные блоки единой системы. Прогнозные оценки, полученные на выходе одной задачи, могут являться входной информацией для другой задачи. Например,, прогнозные оценки производства в текущем месяце могут использоваться при построении квартальных прогнозов.
В диссертации показано, что современная концепция хранения и анализа статистической информации о развитии промышленного комплекса РФ дожна опираться на имеющиеся достижения в области построения хранилищ данных, использования средств оперативной аналитической обработки (OLAP) и процедур интелектуального анализа данных (Data Mining). В работе проведен анализ современных статистических' систем обработки данных - важной составляющей инструментария Data Mining, выявлены достоинства и недостатки наиболее часто используемых на практике эконометрических пакетов прикладных программ, обоснован выбор программного обеспечения в диссертационном исследовании.
По мнению автора, перспективным направлением в прогнозировании является комплексное применение различных классов моделей и систем, например, построение результирующего прогноза за счет объединения частных прогнозных оценок, полученных с помощью принципиально разных подходов: нейронных сетей, многофакторной регрессии, статистических процедур прогнозирования одномерных временных рядов. Для успешного применения этого инструментария от исследователя требуется глубокое знание как предметной области, так и используемых методов, агоритмов, процедур.
В четвертой главе Совершенствование методологии статистического анализа динамики и прогнозирования производства важнейших видов промышленной продукции проведен аналитический обзор современных статистических методов прогнозирования, разработаны методологические подходы к построению системы краткосрочных прогнозов производства основных видов промышленной продукции в натуральном выражении. Апробация этой методологии осуществлялась при прогнозировании показателей производства топливно-энергетических отраслей и пищевой промышленности и опиралась на ряд агоритмов, разработанных автором.
Система прогнозной информации, разработанная в диссертации, включает в себя годовые, квартальные и месячные прогнозы производства и опирается на информацию, представлешгую временными рядами месячной динамики. В предлагаемой методологии месячные прогнозные оценки
используются как входная информация для построения прогнозов с большим периодом упреждения:
Экспериментальные расчеты показали, что часто удается повысить точность моделирования временных рядов месячной динамики, а иногда и упростить вид модели за счет исключения влияния фактора затрат рабочего времени. Поэтому в диссертационном исследовании осуществлен переход к уровням среднесуточного производства для каждого анализируемого месяца.
Для всех рассматриваемых показателей производства продукции топливно-энергетических отраслей удалось построить модели, описывающие их динамику на ретроспективном участке с высокой точностью и удовлетворяющие статистическим критериям адекватности. Например, расчетные уровни для ряда среднесуточных объемов добычи нефти определялись с помощью трендовой параболической модели и последующего применения к ряду остатков авторегрессионной модели, описывающей марковский процесс. Затем осуществляся перевод расчетных уровней, полученных по этой аддитивной модели, в уровни интервального временного ряда месячной добычи с учетом фонда рабочего времени:
Графический анализ остаточной последовательности показал случайный характер ее колебаний около нуля. Исследование автокорреляционных функций свидетельствовало об отсутствии автокорреляции: значения коэффициентов близки к нулю, а статистическая проверка показывала их незначимость. Проверка нормальности распределения остатков проводилась с помощью построения гистограммы распределения с наложенной теоретической кривой нормального распределения, графика остатков на нормальной вероятностной бумаге, а также с использованием ряда статистических критериев. Комплексный; всесторонний анализ остаточной последовательности свидетельствовал об адекватности построенной модели реальным данным.
В результате реализации этого подхода была достигнута очень высокая точность при моделировании процесса добычи нефти в РФ на всем исследуемом временном интервале (с 01.1993 г. по 12.2002 г.). Относительная ошибка аппроксимации для этой модели (модель № 1) составила менее одного процента (0,82%).
Также в ходе экспериментальных расчетов была проведена апробация другого подхода, состоящего в моделировании тенденции ряда среднесуточных объемов добычи нефти с помощью адаптивных моделей, основанных на процедуре экспоненциального сглаживания. При этом способе прогнозирования после элиминирования воздействия фактора затрат рабочего времени на значения уровней исходного временного ряда месячной динамики для описания тренда были применены две адаптивные модели экспоненциального сглаживания: с экспоненциальным характером тренда (модель №2) и с демпфирующим (модель №3).
Однако три построенные модели при близости характеристик точности на ретроспективном участке предлагают разные варианты прогнозных оценок уровней добычи нефти для периода упреждения: оптимистичный вариант развития (по модели №2), пессимистичный - по модели №3,- промежуточный вариант -по модели № 1.
Для моделирования , и прогнозирования остальных показателей производства использовася класс тренд-сезонных адаптивных моделей. Также применялись модели, в которых для описания тренда использовались кривые роста, для сезонной составляющей применяся разработанный автором агоритм ее устойчивого (робастного) оценивания, а для моделирования остаточной последовательности ЛИМЛ-модеИ.
Предложенный и апробированный в диссертации агоритм устойчивого оценивания сезонной составляющей состоит из следующей последовательности шагов (для случая аддитивной сезонности).
1) Рассчитываются отклонения фактических значений от уровней сглаженного ряда, полученного с помощью процедур скользящих средних или кривых роста. Уровни вновь полученного ряда х, отражают эффект сезонности и случайности.
2) Для элиминирования влияния случайной составляющей определяются значения предварительных характеристик сезонности как средние величины из уровней х, для одноименных месяцев.
3) Производится корректировка первоначальных характеристик, вызванная тем, что суммарное воздействие сезонности на динамику предполагается нейтральным. (Очевидно,
что для мультипликативной сезонности меняется содержание 1 и 3 этапов агоритма.).
При этом для повышения устойчивости получаемых оценок в диссертации предлагается допонить эту схему применением критериев исследования , резко выделяющихся наблюдений (критериев Г. Титьена-Г.Мура). Из уровней ряда х,, полученных на первом шаге, для одноименных месяцев составляется ранжированный ряд. После этого с помощью указанных критериев осуществляется проверка подозрительных наблюдений (самых высоких и самых низких значений или их групп). В результате они могут исключаться из рассмотрения или проецироваться в ближайшую точку оставшейся части ранжированного ряда. Разработанный подход позволяет находить устойчивые оценки сезонной составляющей.
В результате проведенного исследования для каждого временного ряда был сформирован базовый набор моделей, включающий от двух до четырех моделей, близких по характеристикам точности.
При выборе окончательного варианта прогнозов производства (добычи) в 2003 г. учитывалась точность моделей на ретроспективном участке, экспертные оценки характера тенденции для периода упреждения. Например, при оценивании уровня добычи нефти (с учетом последствий войны в Ираке, конъюнктуры, сложившейся на мировых рынках) был взят оптимистичный вариант развития.
Поступившие в 2003 г. фактические данные подтвердили высокую точность полученных прогнозных оценок производства (добычи). Например, в первом квартале: относительная ошибка по модулю для производства электроэнергии (рис.7) составила 0,88%, добычи нефти и газа - менее 0,8%.
Проведенные экспериментальные расчеты и исследования показали универсальность предложенных подходов на макро- и мезоуровне.
Апробация проводилась на примере Тюменской области, вклад которой в общероссийскую добычу естественного газа составляет более 90%, нефти с гяювым кпдетт?п 11^ 1 Ппттрр 65%, в производство электроэнергии - о^ой^-^^^'^^уртих| показателей
производства (добычи) удалось построить достаточно точные адаптивные модели.
Рис.7. Результаты прогнозирования производства электроэнергии в РФ по тренд-сезонной адаптивной модели
Разработанная методология предусматривает сведение отдельных частных оценок производства на уровне регионов в обобщающий прогноз производства отдельных видов продукции на федеральном уровне на основе статистических процедур, учитывающих точность моделирования и вклад каждого региона в общепромышленное производство.
Большой практический интерес представляет задача оценивания уровней годового производства важнейших видов промышленной продукции в натуральном выражении. Традиционные методы получения таких прогнозных оценок носят экстраполяционный характер и в качестве исходной информации используют годовые фактические данные. Это не позволяет учитывать происходящие изменения внутригодовой динамики
экономических процессов. Для преодоления указанных недостатков в диссертации предлагается новый подход к решению этой задачи.
Проведенный автором анализ временных рядов месячной динамики производства показал, что характерной особенностью многих из них является устойчивая внутригодовая структура. Это свойство, выражающееся в стабильности удельных весов отдельных месяцев в общегодовом производстве, типично для производства многих видов продукции нефтегазового комплекса, энергетики, пищевой промышленности и др. Выявленные особенности динамики позволили рассматривать задачу получения прогнозных оценок годового производства как задачу обобщения, синтеза частных прогнозов, полученных с помощью индексов сезонности.
Разработанный агоритм позволяет получать обобщающий прогноз годового уровня производства в на
основе линейного объединения частных прогнозов
Уп+1= Дрр^,
где к - количество частных прогнозов, - весовые
коэффициенты, Р^Ь Р^^
Свойства обобщающего прогноза зависят от способа определения параметров р j. Наибольшее распространение на
практике получили метод попарного обобщения частных прогнозов Дж.Бейтса и К.Гренджера и его вариант для случая объединения более двух прогнозов, использующие ковариационную матрицу ошибок частных прогнозов.
Известно, что в условиях малых выборок ковариационные матрицы являются весьма неустойчивыми, чувствительными к возможным изменениям в выборочных совокупностях. В этом случае наличие даже отдельных выбросов может существенно исказить значения обобщающего прогноза. Поэтому для коротких временных рядов предпочтительнее предложенная в диссертации
схема обобщения, при которой частные прогнозные оценки включаются в модель с равными весами, обратно пропорциональными количеству используемых частных прогнозов.
Экспериментальные расчеты подтвердили высокую эффективность разработанного агоритма. Например, при значении к=9 (к - количество частных прогнозов) была достигнута высокая точность прогнозирования годовых уровней производства важнейших видов продукции пищевой промышленности: средняя относительная ошибка по модулю на ретроспективном участке 19982002 гг. для производства цельномолочной продукции (в пересчете на молоко) составляла 0,61%, мяса (включая субпродукты 1 категории) - 1,36%. При прогнозировании годового уровня производства (добычи) в топливно-энергетических отраслях для таких видов продукции, как электроэнергия и нефть средняя относительная ошибка по модулю на ретроспективном участке не превысила 0,5%, для естественного газа составила 0,8%.
В соответствии с полученными прогнозными оценками (период упреждения - четыре месяца) для топливно-энергетических отраслей в 2003 г. по отношению к уровню предыдущего года производство электроэнергии увеличится на 4,1%, добыча нефти -на 11%; для пищевой промышленности: производство цельномолочной продукции в пересчете на молоко возрастет на 8%.
В пятой главе Развитие и использование многомерных статистических методов для анализа деятельности промышленных предприятий рассмотрены вопросы совершенствования методологии предварительной обработки исходных данных, разработаны методологические принципы построения временной факторной модели, позволяющей исследовать динамику взаимосвязей исходных признаков с главными компонентами (обобщенными факторами). Все предложенные автором в этой главе подходы и методики апробированы при проведении сравнительного анализа деятельности крупнейших компаний электроэнергетики.
Выбор в качестве объекта исследования предприятий именно этой отрасли объясняется тем, что в настоящее время назрела настоятельная необходимость реформирования электроэнергетики. С начала 90-х годов государство сдерживало рост тарифов, цены на энергию отставали от цен на другую продукцию. Замораживание
энерготарифов сглаживало инфляцию, способствовало общеэкономическому росту в стране, в то же время лишало электроэнергетику необходимых инвестиций. В результате вложения в модернизацию старых и строительство новых энергообъектов сократились. Темпы ввода в эксплуатацию новых мощностей за последние 10 лет сократились вчетверо. При этом затраты на ремонт становятся сопоставимыми с затратами на приобретение новой техники.
Программа реформирования электроэнергетики и реструктуризации РАО ЕЭС России дожна способствовать построению экономических отношений в отрасли по законам рынка, повышению инвестиционной привлекательности отрасли, привлечению средств, необходимых для модернизации.
В ходе подготовки к реформированию практически значимой задачей является проведение многомерного
статистического анализа деятельности крупнейших предприятий электроэнергетики с целью выявления проблемных, кризисных энергосистем и наиболее ликвидных, инвестиционно-привлекательных предприятий. Проведение подобного сравнительного анализа в динамике за ряд лет позволит оценить происходящие процессы преобразования в отрасли, будет способствовать выработке обоснованных управленческих решений.
Важным этапом исследования, предшествующим применению многомерных статистических методов, является формирование однородной выборочной совокупности объектов, выявление предприятий, обладающих специфическими особенностями, решение вопроса о целесообразности исключения резко выделяющихся наблюдений.
Проведенный в работе анализ показал, что подход Г.Титьена-Г.Мура имеет существенное преимущество перед традиционными методами выявления аномальных наблюдений, так как позволяет бороться с маскирующим эффектом, при котором подозрительные наблюдения группируются близко друг к другу.
Однако трудность использования этого подхода связана с определением параметра к (числа подозрительных элементов), значение которого в практической работе никогда заранее неизвестно. Для преодоления этой трудности в диссертации
предложен новый подход, состоящий в совместном использовании критериев Г. Титьена-Г. Мура и метода главных компонент.
При этом появляется возможность визуализации распределения наблюдений в осях главных компонент, затрудненной ранее из-за большой размерности признакового пространства. Распределение наблюдений, как правило, образует вытянутое элипсообразное облако, что является подтверждением нормальности исследуемой совокупности. При этом хорошо просматриваются удаленные от элипса подозрительные наблюдения, которые могут быть представлены предприятиями с некоторыми специфическими условиями и характеристиками развития. Тем самым облегчается задача определения значения параметра к (числа подозрительных наблюдений) в методе Г.Титьена-Г.Мура.
Кроме того, сами правила проверки гипотезы об однородности совокупности наблюдений теперь могут быть применены не к исходным признакам, число которых в экономических задачах, как правило, велико, а к полученным двум-трем главным компонентам.
Разработанный в диссертации подход позволяет существенно облегчить исследователю процесс выявления подозрительных наблюдений и отсева аномальных объектов. Кроме того, переход к ортогональной системе координат является полезным этапом исследования перед использованием процедур кластеризации с евклидовой метрикой.
Для проведения исследования были отобраны 30 крупнейших по объему реализации продукции в 2001г. предприятий электроэнергетики в соответствие с данными РА Эксперт.
На основе 9 исходных признаков после применения метода главных компонент с последующим вращением Уаптах удалось выделить три обобщенных фактора, объясняющих 91,4% суммарной дисперсии. Классификация предприятий в осях обобщенных факторов позволила выявить объекты, обладающие характерными особенностями (рис.8), и определить значение параметра к для каждого фактора.
На следующем этапе исследования статистическая проверка с помощью критериев Г.Титьена-Г.Мура в сочетании с содержательным экономическим анализом показала, что перед
проведением дальнейшей классификации из выборочной совокупности объектов следует удалить три предприятия, выделив их в два самостоятельных кластера.
Рис. 8. Классификация предприятий электроэнергетики в осях обобщенных факторов (^ и
Многомерная классификация оставшихся 27 предприятий проводилась с использованием широкого круга иерархических агломеративных агоритмов, а также итеративного метода к средних.
Сравнительный анализ полученных классификаций и выбор лучшего разбиения осуществляся на основании значений функционалов качества, а также с учетом возможности проведения экономической интерпретации.
В результате классификации были выделены три кластера, представленные на рис. 9.
Рис. 9. Дендрограмма классификации крупнейших предприятий электроэнергетики
Первый кластер образуют 9 убыточных, проблемных предприятий. Эти предприятия имеют отрицательное значение чистой прибыли, а следовательно, рентабельности продукции и активов. Причем у большинства из них кредиторская задоженность на конец года превышала дебиторскую. Указанные предприятия требуют совершенствования и оптимизации управления. Низкое качество управления кризисными предприятиями часто связано с инфраструктурным фактором. Энергетическим компаниям зачастую приходится содержать огромное число вспомогательных служб (ремонтных, сбытовых и др.). В современных западных компаниях наоборот прослеживается стремление к выводу всех непрофильных активов и служб, к содержанию только специалистов, занятых на ключевых операциях. Проблемы с топливообеспечением, постоянная борьба с неплатежами - также относятся к негативным факторам, дестабилизирующим работу энергосистем этого кластера. Исследование показало, что целесообразно проведение глубокого анализа финансового состояния компаний из первого кластера, анализа, товарно-денежных потоков, связывающих их с
поставщиками и потребителями, для определения антикризисных мероприятий.
Второй и третий кластеры образуют успешные предприятия, отличающиеся друг от друга, прежде всего, масштабностью и размерами производства. У предприятий, попавших в третий кластер, средние значения таких признаков, как обшМ реализации продукции, среднесписочное количество работающих, размер активов, в 2-2,6 раза больше, чем у предприятий второго кластера. Выделенные кластеры достаточно близки по характеристикам эффективности производственно-хозяйственной деятельности.
При этом и во втором и в третьем кластерах выделяется ядро предприятий, лидирующих по показателям эффективности производства. Во втором кластере - это объекты № 25, 24, 29, 17, в третьем Ч предприятия № 6, 5. Значения характеристик рентабельности продукции и активов у них значительно выше среднего уровня, как по выборке в целом, так и по полученному кластеру. Полученное разбиение предприятий подтверждает тот факт, что в настоящий момент большой размер компании не гарантирует ей высокую эффективность производства. Например, предприятия № 24, 25, 29 занимают невысокие места в выборке по объему реализации, количеству работающих, но являются высокоэффективными компаниями. В то же время крупномасштабные предприятия № 14, 15 из середины списка, упорядоченного по объему реализации, являются убыточными. В настоящее время зачастую эффект от экономии за счет масштабности производства заменяется эффектом, достигаемым средними компаниями за счет совершенной системы управления. Гибкость проводимой политики, совершенствование отношений между производителями и потребителями, избирательная политика в применении технических нововведений помогают средним компаниям успешно функционировать в условиях рынка.
В диссертации осуществлен переход от статической задачи многомерного анализа к рассмотрению системы показателей в динамике, за ряд лет. Разработанная автором временная факторная модель позволяет повысить качество экономической интерпретации за счет оценивания устойчивости выявленных взаимосвязей между исходными признаками и главными компонентами (обобщенными
факторами) во времени. С помощью предложенного методологического подхода исследователь может
идентифицировать те признаки, которые существенно влияли на главную компоненту (обобщенный фактор) в течение всего периода наблюдения, а также те показатели, степень влияния которых изменялась.
В условиях проводимых экономических преобразований выявление признаков, слабо проявивших себя в прошлом, но усиливших влияние в последние годы, позволит получить допонительную информацию об исследуемом процессе. Построение временной факторной модели опирается на аппарат теории нечетких множеств.
В основе разработанного подхода - анализ матрицы У^ Д},
составленной из факторных нагрузок а ^ г-ой главной компоненты
(г-ого фактора) за п лет 0=12, ХХХ к, где к-количество исходных признаков). Все элементы этой матрицы разбиваются на подмножества: У^ и У^ Ч соответственно подмножества незначимых и значимых факторных нагрузок г-ой главной компоненты (г-ого фактора) за илет; У^ Ч подмножество значимых
факторных нагрузок за п лет, связывающих г-ую главную компоненту (обобщенный фактор) с признаками, участвующими в интерпретации.
По аналогии с подмножествами при
рассмотрении системы показателей в динамике вводщгся нечеткие подмножества исходных признаков: - нечеткие подмножества исходных признаков соответственно с незначимыми и значимыми факторными нагрузками дня г-ой главной компоненты (г-ого фактора); - нечеткое подмножество исходных признаков, участвующих в интерпретации г-ой главной компоненты (г-ого фактора).
Для практической реализации временной факторной модели в диссертации предложен и обоснован вид функции принадлежности исходных признаков указанным подмножествам. Функция принимает свои значения в интервале [0,1], при этом О означает низшую степень принадлежности, 1- высшую. Например,
функция принадлежности признака Xj (j=l,2, ... ,k) подмножеству Z3 для r-ой главной компоненты (r-ого фактора) за п лет определяется следующим образом:
где a- const, (0< а<1); элемент множества t' -порядковый номер года, в котором факторная нагрузка а^
участвовала в интерпретации r-ой главной компоненты (г-ого фактора).
Аналогичным образом предлагается задавать функции
принадлежности fi^ (х,), (Xj).
Такой вид функции принадлежности обеспечивает ее чувствительность к изменению влияния исследуемых признаков, наделяет ее адаптивными свойствами, позволяя учитывать различную информационную ценность уровней исследуемых показателей. По мере удаления факторных нагрузок в прошлое их весомость при определении значения функции принадлежности падает по экспоненциальному закону, при этом весомость последних, более свежих факторных нагрузок всегда выше. Увеличение значения параметра а приводит к усилению воздействия последнего периода наблюдения, уменьшение - к более равномерному учету влияния всего ретроспективного участка.
Для облегчения исследователю процесса проведения многомерного статистического анализа экономических показателей в динамике в диссертации затабулированы значения функции принадлежности при различных значениях параметра а.
Разработанные в диссертации методологические подходы были использованы при построении временной факторной модели производственно-хозяйственной деятельности крупнейших предприятий электроэнергетики в посткризисный период. Исследование показало, что выявленные взаимосвязи между исходными признаками и обобщенными факторами носят
устойчивый характер и являются типичными для всего периода наблюдения. Предложенный подход к исследованию систем экономических показателей в динамике будет полезен при выявлении и анализе изменений, происходящих в ходе начавшегося реформирования электроэнергетики.
В заключении сформулированы выводы и основные результаты проведенного исследования, изложены практические и научные результаты, характеризующие вклад автора в совершенствование методологии статистического анализа и прогнозирования развития промышленного комплекса.
Основные положения диссертации отражены в. следующих публикациях:
Монографии и учебники
1. Прогнозирование развития промышленности России: методы и модели.(Монография). - М.: Экономический факультет МГУ, ТЕИС, 2003.-12 п.л.
2. Статистика: Учебник. Под ред. B.C. Мхитаряна. - М.: Мастерство, 2001.-17 п.л..(в соавторстве, лично автора Ч3,2 п.л.).
3. Статистические методы прогнозирования. - М.: ЮНИТИ-ДАНА, 2003.-13 п.л.
4. Статистика: Учебник для вузов. - М.: ЮРИСТЪ, 2004.-30п.л. (в соавторстве, лично автора Ч 3,8 п.л.)(в печати).
Публикации в центральных издательствах
5. Методологические вопросы прогнозирования производства важнейших видов промышленной продукции //Вопросы статистики.-2004.- №1.- 0,6 п.л.
6. Многомерный статистический анализ финансовой устойчивости предприятий //Вопросы статистики.-2003.- №8.- 0,7 п.л. (в соавторстве, лично автора Ч 0,4 п.л.).
7.0пыт преподавания эконометрики и прикладной статистики с использованием современных пакетов прикладных программ //Вопросы статистики.-2001.- №6,- 0, 5 п.л. (в соавторстве, лично автора - 0,3 п.л.).
8. Прогноз производства продовольственных товаров во втором квартале 1991.г. //Деловой мир. - 1991. ^ 141. -0,5 п.л. (в соавторстве, лично автора - 0,35 п.л.).
9. Социологическая энциклопедия. Ч Т 1.- М.:Мысль, 2003.- 43,6 п.л -(в соавторстве, лично автора -3 статьи- 0,3 п.л.).
10. Статистический словарь. - М.: Финстатинформ, 1996. - 39 п.л.- (в соавторстве, лично автора- 14 статей-0,45 п.л).
11.Прогнозирование натуральных показателей производства-пищевой промышленности //Сотрудничество стран-членов СЭВ в области статистики. - Вып. 4. - М.: СЭВ, Постоянный комитет по сотрудничеству в области статистики, 1987.-0,4 п.л.
12. Методическое обеспечение преподавания методов социально-экономического прогнозирования //3-я Международная научно-методическая конференция Методология преподавания статистики, эконометрики и математической экономики в вузах: Тезисы докладов. Сочи, 4-6 февраля 2003. - М.ДЭМИ РАН, МЭСИ, 2003.- 0,2 п.л.
13. Опыт и методология преподавания методов социально-экономического прогнозирования //Тезисы докладов 2-й Международной научно-методической конференции Методология преподавания статистики, эконометрики и математической экономики в ВУЗах. Москва, 5-6 февраля 2002.- М., ЦЭМИ РАН, МЭСИ, 2002.- 0,25 п.л.
14. Внедрение современных пакетов прикладных программ в учебный процесс: опыт преподавания эконометрики и прикладной статистики //Тезисы докладов 2-й Международной научно-методической конференции Методология . преподавания статистики, эконометрики и математической экономики в вузах. Москва, 5-6 февраля 2002. - М., ЦЭМИ РАН, МЭСИ, 2002, 0,25 п.л. (в соавторстве, лично автора - 0,15 п.л.).
15. Компьютерная поддержка курсов прикладной статистики и эконометрики //7-я Международная конференция Применение многомерного статистического анализа в экономике и оценке качества: Тезисы докладов. Москва, 26-30 августа 2001.- М.ДЭМИ РАН, МЭСИ, 2001.- 0,2 п.л. (в соавторстве, лично автора - 0,1 п.л.).
16. Использование современных пакетов прикладных программ в курсе Статистические методы прогнозирования //7-я Международная конференция Применение многомерного
статистического анализа в экономике и оценке качества: Тезисы докладов. Москва, 26-30 августа 2001. М.ЦЭМИ РАН, МЭСИ, 2001.-0,2 п.л.
17. Компьютерная поддержка курсов Многомерные статистические методы и Эконометрика //Тезисы докладов VI научной конференции стран СНГ Применение многомерного статистического анализа в экономике и оценке качества продукции, Москва, 26-30 августа 1997. -М., 1997.- 0,2 п.л.(в соавторстве, лично автора-0,1 пл.).
18. Применение сезонных адаптивных моделей с помощью ППП "Statistica" на компьютерных семинарских занятиях //Тезисы докладов Международной научно-практической конференции Методология преподавания статистики, эконометрики и экономико-математических дисциплин в экономических вузах, Москва, 2-6 февраля, 1999. -М., МЭСИ (МВБШ, МАН ВШ) 1999.0,1 п.л.
19. Оперативный прогноз темпа роста объёма промышленного производства //Программно-агоритмическое обеспечение прикладного многомерного статистического анализа: Тезисы докладов. - М.ДЭМИ, 1991.- 0,2 пл. (в соавторстве, лично автора -0,15 п.л.).
20. Прогнозирование производства продовольственных товаров на основе объединения частных прогнозов //Программно-агоритмическое обеспечение прикладного многомерного статистического анализа: Тезисы докладов. - М.:ЦЭМИ, 1991.- 0,2 п.л. (в соавторстве, лично автора- 0,15 п.л.).
21. Совершенствование методов прогнозирования для оценивания натуральных показателей производства пищевой промышленности //Статистика в XXI веке: Тезисы докладов Всесоюзной научно-практической конференции. - М.: Госкомстат СССР, 1988.- 0,2 п.л.
22. Графический метод исключения экстремальных наблюдений //Актуальные вопросы экономико-статистического исследования. -М.: ЦСУ СССР, 1982.-0,4 п.л.
23. Некоторые подходы к оценке выборочных характеристик на примере анкетного опроса заказчиков предприятий службы быта //Сборник научи, трудов. - М.: ЦСУ СССР, 1981.- 0,2п.л.
Учебные пособия и учебно-методическая литература
24. Статистические методы прогнозирования в экономике: Учебное пособие. - М.: ММИЭИФП, 2002.-3,2 п.л.
25. Анализ временных рядов и прогнозирование в системе лStatistica: Учеб.пособие.- М.: МЭСИ, Московский международный институт эконометрики, информатики, финансов и права, 2002.-5.25 п.л (в соавторстве, лично автора -3 п.л.).
26. Руководство по изучению дисциплины Статистические методы прогнозирования в экономике.- М.: МЭСИ, ИДО, 2001.-2,5 п.л. (в соавторстве, лично автора -1,7 п.л.).
27. Статистические методы прогнозирования в экономике. Методические указания для студентов - заочников. - М.: МЭСИ, 2001.-1,25 п.л.
28. Кластерный анализ. Проведение классификации многомерных наблюдений методами кластерного анализа в пакете: лStatistica: Учеб. пособие. -Магнитогорск: МГТУ, 2002.- 5.5 п.л. (в соавторстве, лично автора -3,7 п.л.).
29. Дискриминантный анализ в системе лStatistica: Учебное пособие.- М.: МЭСИ, 2001.- 4 п.л. (в соавторстве, лично автора -1,3 п.л.).
30. Многомерная классификация в системе лStatistica.IGiacTepHbiu анализ: Учебное пособие.- М.: МЭСИ, 2001.- 4,5 п.л.- (в соавторстве, лично автора -3,5 п.л.).
31. Множественный регрессионный анализ в системе лStatistica: Учебное пособие,- М.: МЭСИ, 2001.- 4 п.л. (в соавторстве, лично автора -3,5 п.л.).
32. Статистические методы прогнозирования в экономике: Учебное пособие. -М.: МЭСИ, ИДО, 2ОО1.-3,5п.л.
33. Факторный анализ с использованием ППП "SPSS": Учебное пособие. - М.: МЭСИ, 2001, - 2,75 п.л. (в соавторстве, лично автора -1,9п.л.).
34. Кластерный анализ с использованием ППП "SPSS": Учебное пособие. -М.: МЭСИ, 2001.- 3.4 п.л. (в соавторстве, лично автора -2,9 П.Л.).
35. Практикум по дисциплине Статистические методы прогнозирования в экономике. - М.: МЭСИ, ИДО, 2001.- 2 п.л.
36. Факторный анализ с использованием ППП лStatistica: Учебное пособие. -М.: МЭСИ, 2000.- 4 п.л. (в соавторстве, лично автора -3 П.Л.).
37. Исследование зависимостей и снижение размерностей с использованием ППП "Олимп"- М.:МЭСИ, 2000. - 2 п.л. (в соавторстве, лично автора - 0,8 п.л).
38. Кластерный анализ в системе лStatistica: Методические указания. - М.:МЭСИ, 1999.- 3,5 пл. (в соавторстве, лично автора -2,5 п л.).
39. Корреляционно-регрессионный анализ в системе лStatistica: Учебное пособие. - М.: МЭСИ, 1999.- 3 пл. (в соавторстве, лично автора -2 пл.).
40. Многомерный статистический анализ на IBM PC с использованием пакета "Олимп" (исследование зависимостей и снижение размерностей): Учебное пособие. - М., МЭСИ, 1997.- 2,4 пл (в соавторстве, лично автора - 0,8 п.л.).
41. Статистические методы прогнозирования: Учебно-практическое пособие. - М.: МЭСИ, ИДО, 1999.-11,4 пл.
42. Многомерная классификация с использованием пакета программ лStatistica: Методические указания. - М.:МЭСИ, 1997.- 2 п.л. (в соавторстве, лично автора -1,2 п.л).
43. Статистические методы прогнозирования: Учебно-практическое пособие. -М.: МЭСИ, ИДО, 1997.-11,2 пл.
44. Методические указания по многомерной классификации с использованием пакета прикладных программ Олимп (для ПЭВМ IBM PC). -М.:МЭСИ, 1994, 2,1 п.л. (в соавторстве, лично автора - 0,7 п л).
Статьи, тезисы докладов на научных конференциях
45. Методология статистического оценивания структурных сдвигов в промышленном производстве Российской Федерации. -Математика. Приложение математики в технических и экономических исследованиях //Сборник научных трудов/ Ml ТУ -Магнитогорск, 2003.-0,4 п.л.
46. Статистическое исследование динамики отраслевой рентабельности российской промышленности //Сб. научн трудов:
Математико-статистический анализ социально-экономических явлений. - М., МЭСИ, 2003.- 0,2 пл.
47. Статистический анализ интенсивности структурных сдвигов в промышленном производстве //Сб. научн трудов: Математико-статистический анализ социально-экономических явлений. - М., МЭСИ, 2003,0,2 п.л.
48. Робастный подход к оцениванию уровня' сезонности. //Сб. научн. трудов: Математико-статистический анализ социально-экономических процессов. - М., МЭСИ, 2002.-0,2 п.л.
49. Развитие аналитической составляющей экономического образования в России //Материалы 3 Российско-Американской региональной конференции Пути развития образования в 21 веке - Марийский Государственный Университет, Йошкар-Ола, 3031 октября 2002.-0,4 п.л. (в соавторстве, лично автора- 0,3 п.л).
50.Совершенствование современной информационно-образовательной среды при изучении эконометрических дисциплин. //Тезисы докладов 3 Всероссийской конференции-Электронные учебники и электронные библиотеки - Москва, 19 сентября 2002. -М., МЭСИ.- 0,4 п.л.
51. Особенности реализации процедур кластерного анализа в современных пакетах прикладных программ //Сб. научн. трудов: Математико-статистический анализ в социально-экономических исследованиях. - М., МЭСИ, 2001.- 0,2 п.л.
52. Статистический анализ привлекательности российских акций //Сб. научн. трудов: Математико-статистические методы в страховании и бизнесе. -М., МЭСИ, 2000.- 0,2 п.л.
53. Решение задач классификации с использованием пакета лStatistica //Сб. научн. трудов: Математико-статистический анализ финансовой и банковской деятельности - М.,МЭСИ, 1996,- 0,2 п.л.
54. Годовой прогноз основных видов промышленной продукции в натуральном выражении //Сб. научн. трудов: Статистический анализ в финансовых, экономических и социальных задачах.- М.,МЭСИ, 1996.-0,2 п.л.
55. Разработка и применение методов оперативного прогнозирования промышленного производства //Сб. научн. трудов: Статистические исследования в экономике. -М.,МЭСИ,1994.- 0,2 пл.
56. Кластерный анализ при оценке уровня промышленного загрязнения //Сб. научн трудов: Статистические исследования в экономике. -М.,МЭСИ, 1994.-0,1 пл.
57. Система моделей краткосрочного прогнозирования //Программно-агоритмическое обеспечение прикладной статистики. - М.,МЭСИ, 1993.-0,2 п.л. (в соавторстве, лично автора -0,16 п.л.).
58. Применение методов краткосрочного прогнозирования для совершенствования управления в АПК //Региональные проблемы социально-экономического развития и совершенствования управления АПК: Тезисы докладов Всесоюзной научно-практической конференции. - Саратов, 1989.- 0,1 п.л.
59. Применение статистических методов в управлении сложными экономическими системами // Прикладные аспекты управления сложными системами. Всесоюзный научно-практический семинар: Тезисы докладов. - Кемерово, 1987.-0,1 п.л.
60. Оценка резервов повышения эффективности производства бытовых услуг //Проблемы методологии статистической оценки ускорения социально-экономического развития: Тезисы докладов всесоюзной конференции. - М, 1987.- 0,2 п.л.
61. Временная факторная модель и её применение в экономическом анализе //Статистические модели классификации и их практическая реализация на ЭВМ: Тезисы докладов. - Пермц 1986,- 0,2 п.л.
62. Классификация и сравнительный анализ основных методов вычисления спектральных характеристик //Моделирование экономических процессов. - М.:МЭСИ, 1985.-0,5 п.л.
63. Применение метода робастного оценивания спектральных характеристик в исследовании экономических систем //Применение статистических методов в производстве и управлении. Всесоюзная научно-техническая конференция: Тезисы докладов. - Пермь, 1984.0,1 пл.
64 .Корреляционно-регрессионный анализ прибыли и рентабельности //Организация и методы экономического анализа в промышленности: Всесоюзное научно-практическое совещание. -М.: 1983.- 0,2п.л. (в соавторстве, лично автора - 0,15 п.л.). 65. Изучение динамики показателей качества на предприятиях бытового обслуживания населения //Экономико-статистические
проблемы оценки и анализа качества труда. Всесоюзн. семинар: Тез. докл.- М: МЭСИ, 1983.- 0,1п.л.
66.Исследование периодических колебаний показателей функционирования отрасли бытового обслуживания населения //Прикладные аспекты управления сложными системами. Всесоюзный научно-практический семинар: Тезисы докладов.- 4.1. -Кемерово, 1983.-0,1п.л.
67.Применение многомерного статистического анализа для изучения случайных процессов в отрасли //Моделирование экономических процессов - М.: МЭСИ, 1983.- 0,2п.л.
68. Применение кросс-спектрального анализа для исследования экономических временных рядов //Моделирование экономических процессов. - М.: МЭСИ, 1982.- О,3п.л.
69. Спектральные методы в анализе экономических временных рядов. //Проблемы применения экономико-математических методов в управлении народным хозяйством. - М.: МЭСИ, 1981.- 0,2п.л.
70. Применение метода главных компонент к оценке качества работы промышленных предприятий //Статистико- экономические исследования социально-экономических явлений. - М.: МЭСИ, 1982.- 0,2п.л. (в соавторстве, лично автора- 0,15 п.л.).
РНБ Русский фонд
2004-4 26810
Лицензия Р № 020563 от 07.07.97 Подписано к печати 26.12.2003
Формат издания 60x84/16 Бум. офсет. № 1 Печать офсетная Печ. л. 3,13 Уч.-изд. л. 3 Тираж 100 экз.
Заказ № 1771_
Типография издательства МЭСИ. 119501, Москва, Нежинская ул., 7
Диссертация: содержание автор диссертационного исследования: доктор экономических наук , Дуброва, Татьяна Абрамовна
Введение.
ГЛАВА 1. Комплексный статистический анализ структурных сдвигов в промышленном производстве Российской Федерации.
1.1. Проблемы развития промышленного производства и анализ его динамики в отраслевом разрезе.
1.2. Экономико-статистический анализ структурных изменений в промышленном производстве с использованием порядковой шкалы.
1.3. Исследование структурных сдвигов в промышленном производстве с использованием шкалы отношений.
ГЛАВА 2. Экономико-статистический анализ состояния и основных тенденций развития российской промышленности.
2.1. Исследование современных тенденций развития промышленности и ее отраслевая сегментация.
2.2. Производственный аппарат промышленности России: основные характеристики и перспективы использования.
2.3. Экономико-статистический анализ инвестиционных процессов в промышленности.
ГЛАВА 3. Методологические основы создания системы прогнозной информации о деятельности промышленного комплекса российской экономики.
3.1. Общая концепция построения и реализации системы прогнозной информации о развитии промышленности Российской Федерации.
3.2. Современные направления в развитии передовых информационных технологий хранения и аналитической обработки статистических данных.
3.3. Исследование основных классов систем интелектуального анализа данных и место в них статистических систем обработки информации.
ГЛАВА 4. Совершенствование методологии статистического анализа динамики и прогнозирования производства важнейших видов промышленной продукции.
4.1. Аналитический обзор современных статистических методов прогнозирования.
4.2. Разработка методологических подходов к прогнозированию производства важнейших видов промышленной продукции (на примере продукции топливно-энергетических отраслей).
4.3. Разработка модели прогнозирования годовых уровней производства на основе комбинирования частных прогнозов.
ГЛАВА 5. Развитие и использование многомерных статистических методов для анализа деятельности промышленных предприятий.
5.1. Совершенствование методологии предварительной обработки исходных данных.
5.2. Многомерная классификация крупнейших предприятий электроэнергетики.
5.3. Разработка методологических принципов построения временной факторной модели деятельности крупнейших предприятий электроэнергетики.
Диссертация: введение по экономике, на тему "Методология статистического анализа и прогнозирования развития промышленности Российской Федерации"
Актуальность темы исследования. К началу проведения экономических преобразований для промышленности Российской Федерации была характерна масштабность производства при низкой эффективности, слабой конкурентоспособности, отсутствии согласованности между производством и потребительским спросом.
Высокомонополизированный промышленный комплекс имел отсталую технологическую базу и был отягощен серьезными диспропорциями структурного характера. Кризис российского народного хозяйства, развернувшийся в ходе проведения экономических реформ, болезненно сказася на развитии промышленности. В 1998 г. по сравнению с 1990 г. произошло снижение промышленного производства более чем на 50%, что не имеет исторических аналогов в развитии крупных стран в период мирного времени.
Отличительной особенностью развития российского народного хозяйства в период 1999-2003 гг. являся промышленный подъем. При этом в большой степени наблюдавшийся рост промышленного производства объясняся действием неинвестиционных факторов, связанных с освобождением отраслевых рынков от импорта, благоприятной внешнеторговой конъюнктурой, использованием незагруженных мощностей и др. В результате сочетания этих факторов в посткризисный период произошло поступательное развитие как экспортно-ориентированных отраслей промышленности, так и отраслей внутренне-ориентированного сектора.
Однако действие миогих благоприятных факторов уже исчерпано, воздействия других носят ограниченный характер. Таким образом, дальнейший промышленный подъем неизбежно дожен опираться на активизацию инвестиционных процессов, направленных, в первую очередь, на обновление, модернизацию изношенных и устаревших основных фондов, на техническую реконструкцию при проведении гибкого структурного маневрирования инвестициями.
Для устойчивого развития промышленного комплекса на современном этапе необходимо проведение в жизнь научно обоснованной промышленной политики, способствующей привлечению инвестиций, повышению конкурентоспособности на внешнем и внутреннем рынках, созданию современной технологической базы и проведению структурных преобразований.
Поступательное развитие промышленных отраслей могут обеспечить лишь высокоэффективные и конкурентоспособные компании. Управление их деятельностью дожно быть достаточно гибким, чтобы обеспечить оперативное реагирование на общеэкономическую конъюнктуру и состояние мировых рынков (товарных и инвестиционных).
Сложившаяся экономическая ситуация выдвигает новые требования к характеру статистической информации, на основе которой осуществляется управление. При этом возрастает роль прогнозов и основанной на них сигнальной, предупреждающей информации, способствующей принятию научно обоснованных управленческих решений.
Создание эффективной системы управления на микро-, мезо- и макроуровне дожно опираться на статистический анализ и прогнозирование динамики важнейших индикаторов промышленного производства, статистическое исследование тенденций и перспектив развития отдельных предприятий, отраслей и отраслевых групп, на статистическое оценивание происходящих структурных сдвигов.
Вышеизложенное свидетельствует об актуальности разработки методологии статистического анализа и прогнозирования важнейших показателей развития промышленного комплекса, сравнительного статистического анализа производственно-хозяйственной деятельности промышленных предприятий. Разработка такой методологии, безусловно, представляет значительный практический и теоретический интерес.
Цель и задачи исследования. Целью диссертационного исследования является разработка методологии комплексного статистического анализа и прогнозирования развития промышленного комплекса Российской Федерации в условиях реформирования экономики.
В соответствии с указанной целью в работе поставлены и решены следующие задачи теоретического и прикладного характера:
Х сформулирована концепция создания системы прогнозной информации о развитии промышленности РФ, направленная на интеграцию разрозненных задач прогнозирования в комплексы;
Х разработаны и апробированы методологические подходы к исследованию интенсивности и направленности структурных изменений, произошедших в промышленном производстве за период реформирования экономики;
Х на основе комплексного экономико-статистического анализа состояния российской промышленности выявлены современные тенденции и проблемы в ее развитии;
Х на базе исследования инвестиционных процессов в промышленности предложен подход к оцениванию инвестиционной привлекательности ее отраслей;
Х разработаны методологические основы использования современных информационных технологий хранения и обработки статистических данных при построении системы прогнозов показателей деятельности промышленного комплекса РФ;
Х обоснованы направления совершенствования методологии краткосрочного прогнозирования производства важнейших видов промышленной продукции в натуральном выражении на макро- и мезоуровнях;
Х разработан подход к моделированию и прогнозированию тренд-сезонных процессов с устойчивым (робастным) оцениванием сезонной составляющей;
Х предложен метод расчета годовых прогнозов производства важнейших видов промышленной продукции на основе процедуры объединения частных прогнозных оценок, полученных с помощью индексов сезонности;
Х усовершенствована методология предварительной обработки исходных данных, позволяющая при использовании многомерных статистических методов бороться с маскирующим эффектом групп аномальных наблюдений;
Х разработана методология сравнительного анализа производственно-хозяйственной деятельности предприятий, основанная на многомерных статистических методах и апробированная на примере крупных компаний электроэнергетики;
Х осуществлен переход от статической модели факторного анализа к построению временной факторной модели, использованной при анализе производственно-хозяйственной деятельности промышленных предприятий в динамике.
Объектом исследования является промышленность Российской Федерации, ее развитие в условиях реформирования экономики.
Предмет исследования Ч методология статистического анализа и прогнозирования совокупности показателей, характеризующих развитие промышленности Российской Федерации.
Методологической и теоретической основой исследования являются труды ведущих отечественных и зарубежных ученых по статистике, теории рыночной экономики, финансовому и экономическому анализу, эконометрике, современным информационным технологиям хранения и обработки данных.
В процессе разработки вопросов методологии статистического исследования большое значение сыграли труды известных отечественных ученых-статистиков: Ю.И. Аболенцева, О.Э. Башиной, И.К. Беляевского,
Г.Л. Громыко, М.Р. Ефимовой, Г.Т. Журавлева, С.Д. Ильенковой, М.В.Карманова, A.B. Короткова, В.И. Кузнецова, М.Г.Назарова, Л.И. Нестерова, С.Л.Орехова, Б.Т.Рябушкина, А.Е.Суринова, А.Н. Устинова, К.Г. Чобану и др.
В диссертации автор также опирася на научные труды известных специалистов в области прикладной статистики и эконометрического моделирования С.А. Айвазяна, A.M. Дуброва, И.И. Елисеевой, В.А. Колемаева, И.А. Корнилова, Ю.П. Лукашина, B.C. Мхитаряна, В.А. Половникова, Я.А. Фомина, A.A. Френкеля, Е.М. Четыркина и др.
Также использовались работы зарубежных ученых Т. Андерсона, М. Кендела, К. Гремджера, А. Стюарта, Р. Брауна, Дж. Бокса, Г. Дженкипса, П. Уинтерса, Дж. Джонстона, Г. Хармана, К. Иберла, Ч. Хольта, К. Доугерти, П. Харрисона, Дж. Тьюки, Г. Тейла, С. Вейджа и др.
Статистическим инструментарием исследования послужили методы корреляционного и регрессионного анализа, аналитической группировки, многомерные методы снижения размерности и классификации, методы анализа и прогнозирования рядов динамики, а также табличные и графические методы визуализации результатов исследования.
Для решения поставленных задач диссертационного исследования применен широкий спектр аналитических пакетов прикладных программ: лSPSS, лStatistica, Олимп, Мезозавр, лX-12-ARIMA, электронные таблицы Excel, а также программы, разработанные автором.
Информационную базу исследования составили официальные статистические данные Госкомстата России, данные из научных публикаций по исследуемой тематике, материалы периодической печати, сети Internet и электронных СМИ.
Научная новизна работы состоит в том, что в ней дано решение научной проблемы, имеющей важное народнохозяйственное значение в условиях формирования рыночной экономики в России.
Основной научный результат, полученный в диссертации, состоит в разработке методологии комплексного статистического анализа состояния и основных тенденций развития промышленного комплекса Российской Федерации. Положенные в основу методологии приемы и подходы носят универсальный характер, предназначены для аналитической работы на макро-, мезо- и микроуровне.
К числу наиболее существенных результатов, полученных лично автором и обладающих научной новизной, относятся следующие:
Х теоретически обоснована и разработана концепция создания системы прогнозной информации о развитии промышленного производства в Российской Федерации;
Х разработаны концептуальные подходы и предложена система статистических показателей для исследования интенсивности структурных сдвигов в промышленном производстве с использованием порядковой шкалы и шкалы отношений;
Х проведено комплексное статистическое исследование интенсивности и направленности структурных изменений в отраслевом распределении выпуска промышленной продукции в сопоставимых и фактически действовавших ценах;
Х выявлены основные тенденции в развитии промышленного комплекса Российской Федерации и определены факторы, влиявшие на глубину падения производства и темпы преодоления спада по отраслям;
Х предложен и апробирован подход к отраслевой сегментации промышленности на основе характеристик эффективности и динамичности производства;
Х разработан агоритм устойчивого (робастного) оценивания сезонной составляющей в аддитивной и мультипликативной форме при проведении декомпозиции временных рядов;
Х предложена методология построения краткосрочных прогнозов производства промышленной продукции в натуральном выражении на макро- и мезоуровнях, апробированная на важнейших видах продукции топливно-энергетических отраслей;
Х разработана и апробирована методика классификации отраслей промышленности по инвестиционной привлекательности, основанная на многомерных статистических методах;
Х разработан агоритм расчета годовых прогнозов производства отдельных видов промышленной продукции на основе синтеза частных прогнозных оценок, апробированный на примере важнейших видов продукции топливно-энергетических отраслей и пищевой промышленности;
Х создана и апробирована методика отсева аномальных наблюдений, позволяющая формировать однородные группы объектов при наличии маскирующего эффекта;
Х с помощью теории нечетких множеств построенал временная факторная модель, позволяющая исследовать динамику взаимосвязей исходных признаков с главными компонентами (обобщенными факторами), учитывающая различную информационную ценность уровней анализируемых показателей;
Х на основе программной реализации временной факторной модели проанализирована производственно-хозяйственная деятельность крупных компаний электроэнергетики за период с 1999 по 2001 г.
Практическая значимость результатов исследования
Результаты проведенного исследования нашли практическое применение в аналитической работе Оренбургского областного комитета государственной статистики, Управления инвестиционных программ и перспективного развития Магнитогорского металургического комбината, что подтверждается справками о внедрении.
Разработанные и усовершенствованные методики могут быть использованы в аналитической работе органов государственной статистики, Министерством экономического развития и торговли РФ, Министерством промышленности, науки и технологий РФ при формировании промышленной политики, управленческими органами различных уровней при разработке стратегии развития отдельных отраслей и регионов, руководством предприятий и их деловыми партнерами.
Теоретические и практические результаты исследования используются в научной работе и в учебном процессе при чтении лекций и проведении практических занятий в МЭСИ, Магнитогорском государственном техническом университете, Марийском государственном университете по курсам: Статистические методы прогнозирования в экономике, Эконометрика, Экопометрическое моделирование, Многомерные статистические методы (имеются справки о внедрении).
Апробация работы л
Основные результаты исследования докладывались на 19 международных, всесоюзных, всероссийских и межвузовских научных и научно-методических конференциях, в том числе на:
III Международной научно-методической конференции Методология преподавания статистики, эконометрики и математической экономики в вузах, Сочи, 4-6 февраля 2003;
- II Российско-Американской региональной конференции Пути развития образования в 21 веке, Йошкар-Ола, 30-31 октября 2002;
- II Международной научно-методической конференции Методология преподавания статистики, эконометрики и математической экономики в вузах, Москва, 5-6 февраля 2002;
VII Международной конференции Применение многомерного статистического анализа в экономике и оценке качества, Москва, 26-30 августа 2001;
Международной научно-практической конференции Методология преподавания статистики, эконометрики и экономико-математических дисциплин в экономических вузах, Москва, 2-6 февраля 1999;
VI научной конференции стран СНГ Применение многомерного статистического анализа в экономике и оценке качества продукции, Москва, 1997;
Научно-практической конференции Программно-агоритмическое обеспечение прикладного многомерного статистического анализа, Москва, 1991;
Всесоюзном научно-практическом семинаре Прикладные аспекты управления сложными системами, Кемерово, 1987.
Структура работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка использованной литературы и приложений. Список литературы содержит 225 наименований. Основной текст работы составляет 292 стр., содержит 59 рисунков, 44 таблицы. В двух приложениях - 15 рисунков и 15 таблиц.
Диссертация: заключение по теме "Бухгатерский учет, статистика", Дуброва, Татьяна Абрамовна
Заключение
В соответствии с поставленной целыо диссертационного исследования в работе решен комплекс задач теоретического и прикладного характера.
Рассматриваемые в диссертационном исследовании методологические вопросы статистического анализа развития российской промышленности позволили исследовать структурные сдвиги в промышленном производстве. Предложенная в диссертации система статистических показателей для исследования интенсивности и направленности структурных сдвигов опирается на цепные и базисные обобщающие характеристики, измеренные в различных шкалах (порядковой шкале и шкале отношений). При этом разработанный подход предусматривает исследование изменений структуры производства как в фактически действовавших ценах, так и в сопоставимых ценах.
Проведенный статистический анализ позволил выявить неравномерность развития промышленного производства в отраслевом разрезе, установить различную интенсивность происходивших структурных изменений в исследуемом периоде. При сравнении соседних периодов всплеск в значениях обобщающих показателей структурных сдвигов для промышленной продукции в фактических ценах относится к 1992г. В этом случае усиление интенсивности структурных изменений промышленного производства объясняется процессом либерализации цен, ознаменовавшим начало экономических реформ. Перемещение этого пика к 1994 г. при исследовании структуры производства в сопоставимых ценах (в ценах 1999г.) вызвано инерционностью промышленного производства. Выявленная особенность свидетельствует о том, что из-за инерционности развития такой сложной системы, как промышленный комплекс, последствия проводимых преобразований могут сказываться с достаточно большим временным лагом, что дожно учитываться при прогнозировании развития российской промышленности.
Проведенный анализ также позволил установить, что интенсификация изменений в динамике промышленного производства (возросший подъем, усилившийся спад) сопровождалась интенсификацией изменений структуры производства. С помощью корреляционного анализа была проверена гипотеза о существовании статистически значимой взаимосвязи между интенсивностью структурных сдвигов и темпами изменения промышленного производства, а также проведено статистическое оценивание тесноты этой взаимосвязи. Было выявлено, что углубление спада промышленного производства сопровождалось усилением структурных сдвигов. Максимальные значения базисных показателей структурных сдвигов, свидетельствующие о наибольшем отличии текущей структуры промышленного производства от базисной структуры 1990 г., соответствуют 1998 г. - нижней точке промышленного спада. Максимальная скорость удаления структур наблюдалась в 1994 и 1992 гг. В то же время при проявлении роста промышленного производства в 1997г., в 1999-2001 гг. происходило ослабление различий структур.
В диссертации предлагается проводить сопоставление структуры производства текущего периода с заданной эталонной структурой, используя экспертные оценки в сочетании с формализованными методами.
Также были определены общие и характерные черты в изменении динамики отраслевого производства, выявлены факторы, существенно влиявшие на глубину падения производства. Темпы преодоления спада во многом определяла степень экспортной ориентации отрасли. Кроме того, спад производства оказася сильнее в отраслях, в большей мере производящих конечную продукцию, что усугубило гипертрофированное развитие добывающих отраслей. В результате структура промышленного производства изменилась в сторону лутяжеления, т.е. в сторону уменьшения весомости продукции высокой степени переработки.
В работе при исследовании состояния российской промышленности проведен анализ динамики экономических показателей, характеризующих объем промышленного производства, численность занятых, состояние производственного аппарата, финансовое состояние предприятий и др. Проведенный статистический анализ выявил высокую дифференциацию отраслей по важнейшим характеристикам их функционирования.
В диссертации разработан подход к отраслевой сегментации промышленности по характеристикам финансовой эффективности и динамичности производства, опирающийся на комплексное использование многомерных статистических методов. Исследование выявило два сегмента, использующих в своем развитии разные ресурсы. Подъем в экспортно-сырьевых отраслях, представленных нефтегазовым комплексом и металургией (сегмент №1), опирася на благоприятную внешнеэкономическую конъюнктуру, низкие цены на ресурсы, последовавшее расширение платежеспособного спроса внутри страны.
Во втором, внутренне-ориентированном сегменте в отдельный кластер были выделены электроэнергетика и угольная промышленность, что связано с низким уровнем рентабельности в этих отраслях в условиях повышенной энергоемкости экономики России.
Поступательное развитие ряда отраслей второго сегмента было связано с начавшимся после кризиса процессом импортозамещения, загрузкой недоиспользованных производственных мощностей. В большей степени рост промышленного производства объясняся действием неинвестиционных факторов, причем их благоприятное сочетание способствовало развитию отраслей из двух сегментов. Однако в настоящее время действие многих факторов уже исчерпано, действие других Ч носит ограниченный характер.
Дальнейший промышленный подъем неизбежно дожен опираться на активизацию инвестиционных процессов. Экономический кризис 1991-1998 гг. сопровождася резким сокращением инвестиций, нанесшим удар по всему производственно-технологическому потенциалу промышленности.
В 1999-2003 гг. рост промышленного производства наблюдася на фоне активизации инвестиционной деятельности. Однако ее масштабы оставались незначительными. Проведенный статистический анализ отраслевого распределения инвестиций в основной капитал показал, что около 60% суммарного объема концентрируется в топливно-энергетических отраслях. Существенно упала доля, приходящаяся на машиностроение и металообработку Ч отрасль, определяющую качество техники и динамику технологического перевооружения во всех отраслях, конкурентоспособность промышленной продукции. Так как экспортно-сырьевая ориентация российской экономики сказывается и в структуре инвестиций, то для осуществления реконструкции обрабатывающих отраслей необходимо проведение политики структурного маневрирования инвестициями.
Проведенный анализ свидетельствует о том, что уровень иностранных инвестиций также является низким и недостаточным, при этом в качестве лидеров по привлечению иностранных инвестиций последние годы выступали топливная, пищевая и металургическая промышленность. В то же время наметившиеся в последние годы в развитии экономики положительные тенденции нашли отражение в росте капиталовложений.
Для мониторингового наблюдения за изменением инвестиционной привлекательности отраслей промышленности в диссертации разработана и апробирована методика многомерной классификации отраслей по инвестиционной привлекательности. Проведенное исследование свидетельствует о повышении инвестиционной привлекательности российской промышленности. Для стимулирования инвестиций требуется стабильность и прозрачность экономической политики, взаимодействие между бизнесом и государством в определении тенденций экономического развития, содействие государства в активизации структурной перестройки.
Перспективным направлением в развитии и организации прогнозных расчетов, характеризующих развитие промышленного комплекса РФ, является объединение отдельных типовых задач в комплексы, в интегрированные системы, повышающие информативность исследований. Примером такой системы прогнозной информации может служить система, разработанная в диссертационном исследовании. Она охватывает комплекс задач краткосрочного прогнозирования производства важнейших видов промышленной продукции в натуральном выражении на макро- и мезоуровнях.
Проведенное исследование показало, что в последнее время концепция функционирования систем поддержки принятия управленческих решений претерпела серьезные изменения. В современных условиях аналитикам и опирающимся на их исследования органам управления промышленным комплексом существенную помощь может оказать взаимосвязанное применение хранилищ данных, инструментов OLAP, а также процедур интелектуального анализа данных (Data Mining). Важной составной частью средств интелектуального анализа данных (Data Mining) являются современные статистические системы. При этом, на наш взгляд, перспективным направлением развития современных технологий при решении задач прогнозирования развития российского промышленного производства является комплексное применение различных систем интелектуального анализа. Например, возможно построение прогнозных моделей, синтезирующих результаты, полученные с помощью нейронных сетей, многофакторных регрессионных моделей, моделей прогнозирования одномерных временных рядов.
В диссертации предложена методология построения краткосрочных прогнозов производства промышленной продукции в натуральном выражении, апробированная на важнейших видах продукции топливно-энергетических отраслей и пищевой промышленности. Для каждого рассматриваемого временного ряда месячной динамики был сформирован базовый набор моделей, включающий от двух до четырех моделей, близких по характеристикам точности. При этом использовася широкий спектр адаптивных моделей при элиминировании воздействия фактора затрат рабочего времени. Также применялись модели, в которых для описания тренда использовались кривые роста, для сезонной составляющей разработанный автором агоритм ее устойчивого (робастного) оценивания, а для моделирования остаточной последовательности АИМА-модели. В предлагаемой методологии месячные прогнозные оценки использовались как входная информация для построения прогнозов с большим периодом упреждения. При выборе окончательного варианта прогнозов учитывались экспертные оценки характера тенденции для периода упреждения, а также точность моделей на ретроспективном участке. Поступившие в 2003 г. фактические данные подтвердили высокую точность полученных квартальных прогнозных оценок производства. Например, в первом квартале 2003 г. модуль относительной ошибки для производства электроэнергии, добычи нефти и газа составил менее 0,9%.
Для расчета годовых прогнозов производства важнейших видов промышленной продукции в диссертации предложен метод, опирающийся на процедуру объединения частных прогнозных оценок, полученных с помощью индексов сезонности. Метод имеет ряд преимуществ перед традиционными подходами получения таких прогнозных оценок. Экспериментальные расчеты подтвердили высокую эффективность разработанного подхода. При прогнозировании с помощью предложенного метода (при объединении 9 частных прогнозных оценок) в топливно-энергетических отраслях для таких видов продукции, как электроэнергия, нефть относительная ошибка по модулю на ретроспективном участке 1998-2002 гг. не превысила 0,5%, для естественного газа составила 0,8%; в пищевой промышленности: для производства цельномолочной продукции (в пересчете на молоко) составила 0,6%, мяса (включая субпродукты 1 категории) -менее 1,4%.
Разработанные методологические подходы носят достаточно универсальный характер, они могут использоваться для получения краткосрочных прогнозов производства в различных отраслях, на макро- и мезоуровнях.
На основе теории нечетких множеств разработана временная факторная модель, позволяющая исследовать динамику взаимосвязей исходных признаков с главными компонентами (обобщенными факторами). Построение такой модели способствует повышению качества проводимой экономической интерпретации результатов многомерного статистического анализа. Исследователь получает возможность выявить те признаки, которые существенно влияли на главную компоненту (обобщенный фактор) в течение всего периода наблюдения, а также те показатели, степень влияния которых изменялась. Для практической реализации модели в диссертации предложен и обоснован вид функции принадлежности, наделенной адаптивными свойствами, благодаря которым учитывается различная информационная ценность уровней исследуемых показателей.
Применение методики при изучении системы показателей, характеризующих производственно-хозяйственную деятельность крупнейших предприятий электроэнергетики в посткризисный период, позволило установить устойчивый характер взаимосвязей между исходными признаками и полученными обобщенными факторами. В условиях реформирования электроэнергетики построение временных факторных моделей представляется перспективным направлением статистических исследований.
При построении статической модели факторного анализа применяся разработанный в диссертации подход к выявлению нетипичных, аномальных наблюдений, позволяющий, в отличие от традиционных подходов, преодолевать маскирующий эффект групп аномальных объектов.
Проведенный в работе сравнительный анализ деятельности крупнейших предприятий электроэнергетики, опиравшийся на комплексное применение многомерных статистических методов, позволил провести классификацию исследуемых предприятий. В работе для выделенного кластера проблемных предприятий выработаны рекомендации по проведению антикризисных мер. Также определены наиболее благополучные, инвестиционно привлекательные компании. Исследование показало, что в настоящее время большой размер компании не гарантирует ей высокую эффективность производства, так как зачастую фактор масштабности производства является менее значимым по сравнению с фактором создания совершенной системы управления. Для успешного функционирования в условиях рынка требуется гибкость проводимой политики, оптимизация товарно-денежных потоков между поставщиками и потребителями, использование технических нововведений.
Таким образом, разработанные методологические подходы к статистическому исследованию развития российской промышленности позволяют проводить исследование как во временном разрезе (анализ динамики и построение прогнозов важнейших показателей производства), так и в пространственном разрезе (сравнительный анализ производственно-хозяйственной деятельности предприятий).
Предлагаемые подходы и агоритмы могут использоваться широким кругом специалистов при проведении исследований на микро-, мезо-, и макроуровне, при анализе деятельности как промышленных компаний, так и предприятий других отраслей экономики.
Диссертация: библиография по экономике, доктор экономических наук , Дуброва, Татьяна Абрамовна, Москва
1. Агапова Т., Юзбашев М. Показатели интенсивности изменения структуры валового внутреннего продукта // Вопросы статистики.- 1995.- № 4.-с. 25-27.
2. Адамов В.Е. Факторный индексный анализ. М.: Статистика, 1977. - 199 с.
3. Айвазян С.А. Статистическое исследование зависимостей. М.: Металургия, 1968. - 227 с.
4. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. М.: Статистика, 1974. - 240 с.
5. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешакин Л.Д. Классификация и снижение размерности. М.: Финансы и статистика, 1989. -607 с.
6. Айвазян С.А., Енюков И.О., Мешакин Л.Д. Прикладная статистика: основы моделирования и первичная обработка данных. Справочное издание. -М.: Финансы и статистика, 1983.-471 с.
7. Айвазян С.А., Енюков И.С., Мешакин Л.Д. Прикладная статистика: исследование зависимостей. Справочное издание. М.: Финансы и статистика, 1985.-487 с.
8. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. Учебник для ВУЗов. М.: ЮНИТИ, 1998.- 1022 с.
9. Андерсон Т.В. Введение в многомерный статистический анализ. М.: Физматгиз, 1963. - 500 с.
10. Андерсон Т.В. Статистический анализ временных рядов. М.: Мир, 1976.-752 с.
11. Афифи А., Эйзенс С. Статистический анализ: подход с использованием ЭВМ. М.: Мир, 1982. - 488 с.
12. Баканов М.И., Шеремет Л.Д. Теория экономического анализа.- М.: Финансы и статистика, 1998. 415 с.
13. Барон J1. Рискованный нейтралитет // Профиль, 9 сентября 2002.
14. Башина О.Э., Спирин A.A., Бабурин В.Т. и др. Общая теория статистики: Статистическая методология в изучении коммерческой деятельности / Под ред. Башиной О.Э., Спирина A.A. М.: Финансы и статистика, 2003. - 440 с.
15. Беляевский И.К. Маркетинговое исследование: информация, анализ, прогноз. М.: Финансы и статистика, 2001. - 320 с.
16. Белоусов А.Р. Опыт построения финансовых балансов основных отраслей промышленности и транспорта // Проблемы прогнозирования. -2002.-№2.- с. 74-81.
17. Белоусов А.Р. Уроки посткризисного роста (1999-2001гг.) //Вопросы статистики.- 2002. -№ 6. с. 15-27.
18. Белоусов А.Р. Эффективный экономический рост в 2001-2010 гг. Условия и ограничения //Проблемы прогнозирования. 2001. - № 1.- с. 27-45.
19. Белоусов А.Р. Тенденции и факторы оживления промышленного производства. М.: Центр макроэкономического анализа и краткосрочного прогнозирования ИНП РАН, 1999.
20. Бендат Дж., Пирсол А. Измерение и анализ случайных процессов. -М.: Мир, 1974.-464 с.
21. Бендат Дж., Пирсол А. Применения корреляционного и спектрального анализа. М.: Мир, 1983. - 312 с.
22. Бессонов В. О проблемах измерения в условиях кризисного развития Российской экономики //Вопросы статистики.- 1996.- № 7.- с. 18-32.
23. Бессонов В.А. Трансформационный спад и структурные изменения в российском промышленном производстве //Институт экономики переходного периода. Научные труды № 30Р. М.: ИЭПП, 2001. - 111 с.
24. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. - Вып.1, 2.
25. Боч Б., Хуань К. Многомерные статистические методы для экономики. М.: Статистика, 1979. - 317 с.
26. Большев JI.H., Смирнов Н.В. Таблицы математической статистики. -М.: Наука, 1965.-464 с.
27. Борисова И.Н., Воронина С.А. и др. Экономические результаты реформирования электроэнергетики // Проблемы прогнозирования. 1999. -№6.- с. 95-113.
28. Боровиков В.П., Боровиков И.П. STATISTICA. Статистический анализ и обработка данных в среде WINDOWS. М.: Информационно-издательский дом ФИЛИНЪ, 1997.- 608 с.
29. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICAо в среде Windows. Основы теории и интенсивная практика на компьютере. М.: Финансы и статистика, 1999.- 384 с.
30. Брилинджер Д. Временные ряды. Обработка данных и теория. -М.: Мир, 1980.-536 с.
31. Буров К. Обнаружение знаний в хранилищах данных //Открытые системы. 1999. - № 5-6.
32. Введение в экономико-математические модели налогообложения / Под ред. Д.Г. Черника. М.: Финансы и статистика, 2000. - 256 с.
33. Водянов А. Как запустить инвестиции // Эксперт. 2001. - № 34.с. 50.
34. Гладышевский А.И. Производственный аппарат России: основные характеристики и перспективы использования //Проблемы прогнозирования.-2001.-№ 1.-с. 74-85.
35. ГохбергЛ.М. Финансирование науки в странах с переходной экономикой: сопоставительный анализ. М., ЦИСН, 1998. - 99 с.
36. ГохбергЛ.М., Кузнецова И.А. Промышленность России и инновационная деятельность: отраслевые и региональные аспекты. М.: ЦИСН, 1997. - 157 с.
37. Гранберг А. Г. Основы региональной экономики. М.: ГУ ВШЭ, 2000. - 495 с.
38. Гранберг А.Г. Стратегия территориального социально-экономического развития России: от идеи к реализации //Вопросы экономики.-2001.-№9.-с. 15-27.
39. Гренджер К., Хатанака М. Спектральный анализ временных рядов в экономике. М.: Статистика, 1972. - 309 с.
40. Грибанов Ю.И., Мальков B.JI. Спектральный анализ случайных процессов. М.: Энергия, 1974. - 240 с.
41. Громыко Г.Л. Теория статистики. Практикум. М.: Инфра-М, 2001.- 160 с.
42. Группировки и корреляция в экономико-статистических исследованиях / Под ред. Рябушкина Т.В.- М.: Наука, 1982. 373 с.
43. Гуриев С., Попов В. Трехглавая гидра безденежья //Эксперт.-2001.- № 9.
44. Демиденко Е.З. Линейная и нелинейная регрессии. М.: Финансы и статистика, 1981. - 300 с.
45. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. Вып.1. -М.: Мир, 1971.-314 с.
46. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. Вып.2. -М.: Мир, 1972, 284 с.
47. Джонстон Дж. Эконометрические методы. М.: Статистика, 1980.444 с.
48. Доугерти К. Введение в эконометрику. М.: Инфра-М, 2001. -402 с.
49. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973. - 392 с.
50. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы: Для экономистов и менеджеров.- М.: Финансы и статистика, 2000.- 368с.
51. Дубров A.M. Компонентный анализ и эффективность в экономике.
52. М.: Финансы и статистика, 2003.- 351 с.
53. Дуброва Т.А. Прогнозирование развития промышленности России: методы и модели. М.: Экономический факультет МГУ, ТЕИС, 2003. - 191 с.
54. Дуброва Т.А. Статистические методы прогнозирования. М.: ЮНИТИ-ДАНА, 2003. - 206с.
55. Дуброва Т.А. Прогнозирование натуральных показателей производства пищевой промышленности // Сотрудничество стран-членов СЭВ в области статистики. Вып. 4.- М.: СЭВ, Постоянный комитет по сотрудничеству в области статистики, 1987. - с. 35-39.
56. Дуброва Т.А., Осипова Н.П. Многомерный статистический анализ финансовой устойчивости предприятий // Вопросы статистики. -2003. № 8. -с. 3-10.
57. Дуброва Т.А. Методологические вопросы прогнозирования производства важнейших видов промышленной продукции //Вопросы статистики. 2004.- № 1.-е. 53-57.
58. Дюк В.А. Data Mining обнаружение знаний в базах данных. - СПБ: БСК, 2001.
59. Дюран Б., Одел П. Кластерный анализ. М.: Статистика, 1977.128 с.
60. Езекиэл. М., Фокс К. Методы анализа корреляцией и регрессией.-М.: Статистика, 1966. 354 с.
61. Елисеева И.И., Рукавишников В.О. Логика прикладного статистического анализа.- М.: Финансы и статистика, 1982. 192 с.
62. Елисеева И.И., Юзбашев М.М. Общая теория статистики.- М.: Финансы и статистика, 1995.- 367 с.
63. Елисеева И.И., Князевский B.C., Ниворожкина Л.И. Теория статистики с основами теории вероятностей /Под ред. Елисеевой И.И.- М.: ЮНИТИ, 2001.-446 с.
64. Ерина A.M. Математико-статистические методы изучения экономической эффективности производства.- М.: Финансы и статистика, 1983. 191 с.
65. Ершов Э.Б. Об одном методе объединения частных прогнозов // Статистический анализ экономических временных рядов и прогнозирование: Уч. зап. по статистике, т. XXII. М.: Наука, 1973.
66. Ефимова М.Р., Петрова Е. В., Румянцев В.Н. Общая теория статистики. М.: Инфра-М, 1996.- 412с.
67. Ефимова М.Р. Рябцев В.М. Общая теория статистики. М.: -Финансы и статистика, 1991. - 304 с.
68. Ефимова М.Р., Бычкова С.Г. Социальная статистика. /Под ред. М.Р. Ефимовой М.: Финансы и статистика, 2003.-560 с.
69. Жамбю М. Иерархический кластер-анализ и соответствия. М.: Финансы и статистика, 1988.- 279 с.
70. Жуковская В.М., Мучник И.Б. Факторный анализ в социально-экономических исследованиях. М.: Статистика, 1976. - 152 с.
71. Иберла К. Факторный анализ. М.: Статистика, 1980. - 398 с.
72. Ильенкова С.Д. Инновационный менеджмент. М.: ЮНИТИ, 2000.325 с.
73. Инвестиционная среда в Российской Федерации. ОЭСР, 2001. -244 с.
74. Иностранные инвестиции в экономику России в 2001 году (по материалам Госкомстата России) // Вопросы статистики. 2002. - № 7. -с. 60-63.
75. Капицын В.М., Герасименко O.A., Андронова Л.Н. Анализ экономической ситуации в промышленности России в 1999-2000 гг. // Проблемы прогнозирования. -2001. № 5. - с.92-99.
76. Карманов М. В., Романчук М. Н. Статистика занятости населения. -М.: МЭСИ, 1989.
77. Кейн Э. Экономическая статистика и эконометрия. В 2 т. М.: Статистика, 1977.
78. Кендэл М. Временные ряды. М.: Финансы и статистика, 1981.199 с.
79. Кендал М., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. -736 с.
80. Кендал М. Дж., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.-899 с.
81. Кильдишев Г.С., Аболенцев Ю.М. Многомерные группировки.- М.: Статистика, 1978. 160 с.
82. Кильдишев Г.С., Френкель A.A. Анализ временных рядов и прогнозирование. М.: Статистика, 1973. -103 с.
83. Кирьян П. Технический милиард // Эксперт. 2002. -№ 24.
84. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - № 4. - с. 41-44.
85. Кобринский Н. Е. Информационные фильтры в экономике. М.: Статистика, 1978. 288 с.
86. Кобринский Н.Е., Кузьмин В.И. Точность экономико-математических моделей. М.: Финансы и статистика, 1981. - 254 с.
87. Ковалева JT.H. Многофакторное прогнозирование на основе рядов динамики.- М.: Статистика, 1980.- 103 с.
88. Контуры инновационного развития мировой экономики. Прогноз на 2000 2015 гг. /Под ред. Дынкина А. А. - М.: Наука, 2000.- 143 с.
89. Корнилов И.А. Многомерные статистические исследования в экономике с использованием ПЭВМ. М.: МЭСИ,1994.- 99 с.
90. Коровкин С.Д., Левенец И.А. и др. Решение проблемы комплексного оперативного анализа информации хранилищ данных //СУБД. -1997. -№5-6.
91. Королев Ю.Г. Метод наименьших квадратов в социально-экономических исследованиях. М.: Статистика, 1980.- 112 с.
92. Коротков A.B. Статистическое обеспечение маркетинга продукта. -М.:МЭСИ, 2000.- 150 с.
93. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.-432 с.
94. Крамер Г. Математические методы статистики. М.: Мир, 1975.648 с.
95. Крастинь О.П. Изучение статистических зависимостей по многолетним данным. М.: Финансы и статистика, 1981.- 136 с.
96. Кремер Н.Ш., Путко Б.А. Эконометрика / Под. ред. проф. Н.Ш. Кремера.- М.: ЮНИТИ-ДАНА, 2002. 311 с.
97. Кузнецов В.И. Методологические проблемы статистических исследований занятости. М.: Диалог-МГУ, 1999.
98. Кузнецов В.И. Роль статистики в управлении процессами занятости //Вопросы статистики, 1999. № 6.- с. 26-30.
99. Кузнецов С.Е., Халилеев A.A. Обзор специализированных статистических пакетов по анализу временных рядов. М.: Статдиалог, 1991.
100. Кузьмин В.И., Половников В.А. Анализ временных рядов, прогноз и управление.- М.: Финансы и статистика, 1985.
101. Курс социально- экономической статистики: учебник для вузов. /Под ред. проф. Назарова М.Г. М.: Фиистатинформ, ЮНИТИ-ДАНА, 2000.- 771 с.
102. Курс экономического анализа /Под ред. Баканова М.И., Шеремета А.Д. М.: Финансы и статистика, 1984. - 412 с.
103. Литвинцева Г.П. Цены и рентабельность производства в отраслях российской экономики //Вопросы статистики. 2002. - №6. - с. 7-14.
104. Лоули Д., Максвел А. Факторный анализ как статистический метод. М.: Мир, 1967.- 144 с.
105. Ю5.Лугачев М.И. Ляпунцов Ю.П. Методы социального прогнозирования. М.: Экономический факультет МГУ, ТЕИС, 1999.- 159 с.
106. Юб.Лукашин Ю.П. Линейная регрессия с переменными параметрами.-М.: Финансы и статистика, 1992.- 256 с.
107. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003.- 416 с.
108. Льюис К.Д. Методы прогнозирования экономических показателей. -М.: Финансы и статистика, 1986.- 130 с.
109. Магнус Я.Р., Катышев П.К., Пересецкий A.A. Эконометрика. Начальный курс. М.: Дело, 2000.- с.400.
110. Маленво Э. Статистические методы эконометрии. Пер. с франц.- М.: Статистика.- Вып. 1.- 1975.- 423 с. Вып. 2.- 1976. -325 с.
111. Мандель И.Д. Кластерный анализ.- М.: Финансы и статистика, 1988.176 с.
112. Математический аппарат экономического моделирования / Под ред. Гольштейна Е.Г.- М.: Наука, 1983.- 367 с.
113. Методологические положения по статистике. Вып.З / Госкомстат России.- М.: 2000 г.- 294 с.
114. Методологические положения по статистике. Вып.2 / Госкомстат России.- М.: 1998 г.- 244 с.
115. Методологические положения по статистике. Вып.1 / Госкомстат России.- М.: 1996 г.- 674 с.
116. Минашкин В.Г. Статистический анализ структурных изменений на рынке ценных бумаг. М.: Финансы и статистика, 2001.- 92 с.
117. Многомерный статистический анализ в социально-экономических исследованиях. Учёные записки по статистике, Т. XXVI. М.: Наука, 1974. -416 с.
118. Моделирование рисковых ситуаций в экономике и бизнесе / Под ред. Б.А. Лагоши.- М.: Финансы и статистика, 2000. с. 176.
119. Мюлер П. и др. Таблицы по математической статистике. Пер. с нем. М.: Финансы и статистика, 1982. - 271 с.
120. Наука и высокие технологии России на рубеже третьего тысячелетия.
121. Социально-экономические аспекты развития. Руководители авторского колектива: Макаров В. JL, Варшавский А. Е. М.: Наука, 2001.- 636 с.
122. Наука и государственная научная политика. Теория и практика / Под редакцией Дынкина A.A. М.: Наука, 1998. - 236 с.
123. Окунь Я. Факторный анализ. М.: Статистика, 1974. - 200 с.
124. Орехов С.А. Статистические аспекты исследования диверсификации корпораций. М.: ИНИОН РАН, 2001.- 188 с.
125. Основные концептуальные положения развития нефтегазового комплекса России. Министерство топлива и энергетики РФ. Под руководством и ред. Калюжного В.И. // Нефтегазовая вертикаль. Спец. вып.- 2000.- №1 (39).
126. Плышевский Б.П. Соотношение динамики производительности и оплаты труда // Вопросы статистики. -2002.- № 6.- с. 3-6.
127. Плюта В. Сравнительный многомерный анализ в экономических исследованиях. М.: Статистика, 1980. - 151 с.
128. Половников В.А. Анализ и прогнозирование транспортной работы морского транспорта. М.: Транспорт, 1983. -224 с.
129. Постников СЛ., Попов С.А. Мировая экономика и экономическое положение России. Сборник статистических материалов. М.: Финансы и статистика, 2001.- с. 224.
130. Практикум по общей теории статистики /Ефимова М.Р., Петрова Е.
131. B., Румянцев В.Н. М.: Финансы и статистика, 2002. - 336 с.
132. Практикум по эконометрике / И.И.Елисеева, С.В.Курышева, Н.М.Гордеенко и др. Под ред. И.И.Елисеевой. М.: Финансы и статистика, 2001.-с. 192.
133. Промышленность России: Стат. сб./ Госкомстат России. М.: 2002.1. C.453.
134. Промышленность России: Стат. сб. / Госкомстат России. М.: 2000.462 с.
135. Промышленность России: Стат. сб. / Госкомстат России. М.: 1998.444 с.
136. Промышленность России: Стат. сб. / Госкомстат России. М.: 1996.- 425 с.
137. Рабочая книга по прогнозированию.- М.: Мысль, 1982. 430 с.
138. Райская H.H., Сергиенко Я.В., Френкель A.A. Анализ динамики инфляции, производства и финансовой эффективности в промышленности //Вопросы статистики. 2002. - № 8.- с. 16-25.
139. Ранверсе Ф., Харченко-Дорбек А. Оценка влияния финансовых факторов на экономический рост в России //Проблемы прогнозирования. -2002.-№3.- с. 30-45.
140. Pao С.Р. Линейные статистические методы и их применения. М.: Наука, 1968. - 548 с.
141. Регионы России. Социально-экономические показатели. 2002: Стат. Сб. / Госкомстат России. М., 2002 -863 с.
142. Розанова Н.М. Структура рынка и стимулы к инновациям //Проблемы прогнозирования. 2002. - №3. - с. 93-108.
143. Российский статистический ежегодник: Стат. сб. / Госкомстат России. М.,2002. - 690 с.
144. Российский статистический ежегодник: Стат. сб. / Госкомстат России. М., 2000.- 642 с.
145. Россия в цифрах.2003: Крат. стат. сб./ Госкомстат России. М., 2003. -398 с.
146. Рубченко М., Ивантер А. Закат реформ //Эксперт. -2003. -№1.-с. 22-25.
147. Рудаков В. Апокалипсис по расписанию //Профиль 9 сентября 2002.
148. Рябушкин Б.Т., Чурилова Э.Ю. Методы оценки теневого и неформального секторов экономики.- М.: Финансы и статистика, 2003.- с. 144.
149. Рябушкин Б.Т. Основы статистики финансов. М.: Финстатинформ, 1997.-81 с.
150. Рябушкин Б.Т. Применение статистических методов в экономическом анализе и прогнозировании. М.: Финансы и статистика, 1987.75 с.
151. Сальников В.А., Галимов Д.И. Посткризисный промышленный подъем: факторы, результаты и перспективы // Проблемы прогнозирования-2001.-№3.-с. 4-22.
152. Сидоров М. Энергетическая стратегия // Профиль. 27 мая 2002.
153. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания. М.: Статистика, 1980. - 208 с.
154. Смулов A.M. Проблемы взаимодействия промышленных предприятий и банков. М.: Финансы и статистика, 2002. - 304 с.
155. Сотрудничество стран-членов СЭВ в области статистики. Вып.4. -М.: Секретариат СЭВ, 1988. - 177 с.
156. Сошникова Л.А., Тамашевич В.Н., Уебе Г., Шефер М. Многомерный статистический анализ в экономике. М.: ЮНИТИ-ДАНА, 1999.- 598 с.
157. Статистика коммерческой деятельности /Под ред. Беляевского И.К., Башипой О.Э. М.: Финстатинформ, 1996.
158. Статистика рынка товаров и услуг / Беляевский И.К., Кулагина Г.Д., Коротков A.B. и др. Под. ред. Беляевского И.К.- М.: Финансы и статистика, 1997.-429 с.
159. Статистические методы анализа экономической динамики. Учен. зап. по статистике, т. 46. М.: Наука, 1983.- 392 с.
160. Статистический словарь / Госкомстат- М., Финстатинформ, 1996.479 с.
161. Статистический словарь. Под ред. Королева М.А.- М.: Финансы и статистика, 1989. 621 с.
162. Статистическое моделирование и прогнозирование /Под ред. Гранберга А.Г. М.: Финансы и статистика, 1990.- 382 с.
163. Суринов А.Е. Доходы населения: опыт количественных измерений. -М.: Финансы и статистика, 2000. 432 с.
164. Суринов А.Е. Ненаблюдаемая экономика: попытка количественных измерений. М.: Финстатинформ, 2003. - 256 с.
165. Теория статистики: Учеб. для студентов экон. спец. вузов / Под ред. Шмойловой P.A.- М.: Финансы и статистика, 1998. 576 с.
166. Теория статистики / Под ред. Громыко Г.Л. М.: Инфра-М, 2000.414 с.
167. Топ-50лизинга //Эксперт.- 2002.-№48.
168. Тюрин Ю.Н., Макаров A.A. Статистический анализ данных на компьютере. Под ред. В.Э. Фигурнова. Ч М.: Инфра-М, 1998.
169. Уотшем Т.ДЖ., Паррамоу К. Количественные методы в финансах /Пер. с англ. Под. ред. М.Р. Ефимовой. М.: Финансы, ЮНИТИ, 1999. - 527 с.
170. Факторный, дискриминантный и кластерный анализ. /Под ред. Енюкова И.С. М.: Финансы и статистика, 1989.-215 с.
171. Фестер Э., Ренц Б. Методы корреляционного и регрессионного анализа.- М.: Финансы и статистика, 1983.- 302 с.
172. Финансы России. 2002: Стат.сб./Госкомстат России.- М.,2002.- 301 с.
173. Фишер П. Прямые иностранные инвестиции для России: стратегия возрождения промышленности. М.: Финансы и статистика, 1999. - 510 с.
174. Фомин Я.А. Диагностика кризисного состояния предприятия.-М.:ЮНИТИ-ДАНА, 2003. 349 с.
175. Френкель A.A. Многофакторные корреляционные модели производительности труда. М.: Экономика, 1966. - 95 с.
176. Френкель A.A. Прогнозирование производительности труда: методы и модели. М.: Экономика, 1989.- 213 с.
177. Френкель A.A. Экономика России в 1992-1997гг.: тенденции, анализ, прогноз.- М.: Финстатинформ, 1997.- 208 с.
178. Френкель A.A., Райская H.H., Матвеева О.Н. Прогнозирование роста промышленного производства // Вопросы статистики. 2002. - №2. - с. 10-15.
179. Френкель A.A., Сергненко Я.В. Потерянный год. (Прогноз развития российской экономики на 2003 год) // Русский фокус, 23 декабря-19января 2003.
180. Хаджиев В.И., Мочанов И.Н. Статистическое программное обеспечение: тенденции и особенности развития // Вопросы статистики,- 2001. -№ 1. -с. 44-47.
181. Харман Г. Современный факторный анализ. М.: Статистика, 1972.486 с.
182. Хеннан Э. Анализ временных рядов. М.: Наука, 1964. - 215 с. Ш.Хеннан Э. Многомерные временные ряды. - М.: Мир, 1974. - 576 с.
183. Химмельблау Д. Анализ процессов статистическими методами. М.: Мир, 1973.-953 с.
184. Хьюбер П. Робастиость в статистике. М.: Мир, 1984. - 304 с.
185. Цухло С. Предприятиям бартер не нужен // Эксперт. 2001.-№ 9.
186. Цухло С. Смерть бартеру! // Эксперт.- 2000.- № 9.
187. Цухло С. Торможение денежного спроса и инвестиций // Эксперт.-2001.-№45.
188. Четыркин E.H. Статистические методы прогнозирования. М.: Статистика, 1977. - 199 с.
189. Шеремет А.Д., Сайфулин P.C. Финансы предприятий.- М.: ИНФРА-М, 1998.-343 с.
190. Эконометрика / Под ред. И.И.Елисеевой.- М.: Финансы и статистика, 2001.-344 с.
191. Экономика и статистика фирм / Под ред. С.Д. Ильенковой.- М.: Финансы и статистика, 2002.
192. Экономико- математические методы и прикладные модели: учеб. пособие для вузов/ Федосеев В.В., Гармаш А.Н., Дайитбеков Д.И. и др. Под ред. Федосеева В.В.- М. : ЮНИТИ, 1999.- 391 с.
193. Эксперт-200: ежегодный рейтинг крупнейших компаний России // Эксперт.- 2002.- 37 (343). с. 107-152.
194. Ясин Е. Экономический рост как цель и как средство (современная ситуация и перспективы российской экономики) // Вопросы экономики. -2001.-№9.- с. 4-14.
195. Akaike Н. A new look at the statistical identification model / IEEE: Trans. Auto. Control. 1974. -v. 19. - p. 716-723.
196. Bates J.M., Granger C. W. J. The Combination of Forecasts. Oper. Reser. Quart., 1969.- v. 20.- N 4.
197. Bloomfield P. Fowrier analysis in time series: an introduction. -John Wiley and Sons, New Jork, 1976.- p. 258.
198. Box G.E.P., Pierce D.A. Distribution of Residual Autocorrelations in Autoregressive-Integrated Moving Average Time Series Models // J. of the Am. Statistic. Ass. 1970. Vol. 65. -p. 1509-1526.
199. Brown R.G. Smoothing forecasting and prediction of discrete time series.-N.-Y., 1963.
200. Dickey D.A., Fuller W.A. Distribution of the estimators for autoregressive time series with a unit root // J. of the American statistical association. 1979. -v. 74.-p. 427-431.
201. Dickey D.A., Fuller W.A. Likelihood ratio statistics for autoregressive time series with a unit root // Econometrica. -1981.- v. 49. -№4.- p. 1057-1072.
202. Dickey D.A., Bell W.R., Miller R.B. Unit roots in time series models: Tests and applications // American statistician.-1986. v. 40. -p. 12-26.
203. Fishman G.S. Spectral Methods in econometrics. -Cambridge: Harvard Univ. Press., 1969.-p. 212.
204. Fox A.J. Outliers in time series //J. R. Statist.Soc.B, v. 34, 1972. -p. 350363.
205. Godd E.F., Godd S.B. Providing OLAP (On-line Analytical Processing) to User-Analysts: An IT Mandate. E.F Godd & Associates, 1993.
206. Green W.H. Econometric analysis. Macmillan Publishing Company, New York, 1993.
207. Grubbs F. Sample criteria for testing outlying observations // Annals ofmathematical statistics. 1950. - vol. 21. - p. 27-58.
208. Grubbs F.E. Procedures for detecting outlying observations in samples //Technometrics, 1969. -vol. 11. -p. 1-21.
209. Grubbs F.E., BeckC. Extension of sample sizes and percentage points for significance tests of outlying observation //Technometrics, 1972. -vol. 14. -p. 847-854.
210. Harrison P.J. Exponential smoothing and short-term sales forecasting //Management Science, 1967.- vol. 13. n. 11.
211. Harrison P.J. Short-term sales forecasting // Applied statistics, J. of the Royal Stat. Soc.1965, ser. С. vol. 14. - n. 2, 3.
212. Inmon W.H. Building The Data Warehouse (Second Edition). NY, NY: John Wiley, 1993.
213. Luing G.M., Box G.E.P. On a Measure of Lack of Fit in Time Series Models II Biometrica, 1978. -Vol. 65. p. 297-303.
214. Newbold P., Granger C. W. J. Experience with Forecasting Univariate Time Series and Combination of Forecasts //J. of Royal Statistical Society. A, 1974. -v. 137.-N2.
215. Nussbaumer H.J. Fast Fourier transform and convolusion algorithms. -Berlin, Springer, 1981. p. 248.
216. SPSS TrendsЩ 10.0 SPSS Inc., 1999.
217. Tietjen G., Moore H. Some Grubb's type statistics for the detection of several outliers. // Technometrics, 1972. vol. 14. - p. 583-597.
218. Wade R.C. A technique for initializing exponential smoothing forecasts // Management Science. 1967. -vol. 13. n. 7.
219. Ward D.H. Comparison of different systems of exponential weighted prediction.- The Statistician.!., 1963. vol. 13. - n. 3.
Похожие диссертации
- Методология статистического анализа и прогнозирования уровня и динамики цен на продукцию топливной промышленности
- Методология статистического анализа и прогнозирования социально-экономических и экологических процессов в Республике Дагестан
- Экономико-статистический анализ ценообразования в газовой промышленности Российской Федерации
- Статистический анализ и прогнозирование развития рынка интелектуальной собственности в РФ
- Статистический анализ занятости и безработицы в Российской Федерации