Analýza údajov v jazyku úloh. Faktorová analýza v R

Zazimko Valentina Lentevna Ph.D., čl. Prednášajúci na Katedre ekonomickej analýzy Federálnej štátnej rozpočtovej vzdelávacej inštitúcie vyššieho odborného vzdelávania "Kubánska štátna agrárna univerzita"

Tradičný prístup k analýze finančnej situácie je založený na všeobecnom koncepte „rovnováhy systémov“ prevzatom z krajín s trhovou ekonomikou (obrázok 1).

Obrázok 1 – Metodológia na analýzu finančnej situácie, ktorá zodpovedá západnému konceptu „rovnovážneho“ systému

Medzitým také problémy ako: 1) nesúlad niektorých metodických prístupov s podmienkami ruských špecifík podnikania; 2) nezohľadnenie sociálneho charakteru poľnohospodárskeho sektora ekonomiky v Rusku (pri diferenciácii prístupov k hodnoteniu v závislosti od sektorovej príslušnosti organizácií); 3) analýza hlavných faktorov ovplyvňujúcich výkonnosť podniku pomocou štatistickej analýzy; 4) štruktúrovanie metodológie na analýzu finančnej situácie (aspoň s cieľom obnoviť jazykovú spravodlivosť); 5) súlad finančnej analýzy s modernými potrebami ekonomických subjektov a nejednoznačná interpretácia požičaných ekonomických kategórií boli študované s nedostatočnou úplnosťou.

Hlavným smerom na zlepšenie metodiky analýzy finančnej situácie organizácie by malo byť zohľadnenie:

Existujúca politická klíma a vládny prístup k hodnoteniu ekonomických javov, procesov a obchodných výsledkov;

Vlastnosti legislatívnej úpravy zostavovania účtovnej závierky (týka sa to najmä revízie prístupov k hodnoteniu solventnosti organizácie);

Sektorová štruktúra majetku ekonomického subjektu;

Moderné parametre na hodnotenie efektívnosti podnikania.

Účelom analýzy finančnej situácie organizácie je objektívne posúdenie finančnej situácie a vyhliadok na jej vývoj s prihliadnutím na aktuálnu situáciu v odvetví v konkrétnom časovom intervale zodpovedajúcom všeobecnej politickej a hospodárskej stratégii vo vzťahu k predmet štúdia.

Agrárne transformácie modernej éry v dejinách Ruska sú hlboké a významné: od druhej polovice roku 2005 vláda Ruskej federácie výrazne zintenzívnila svoj záujem o poľnohospodárstvo, iniciovala okrem iného národný projekt „Rozvoj Agropriemyselný komplex“; Koncom roka 2006 bol prijatý federálny zákon „O rozvoji poľnohospodárstva“. Štátna politika podpory poľnohospodárstva poskytuje stimuly na získanie pôžičiek za podmienok dotovania úrokových platieb. Negatívne sa hodnotí oslabenie finančnej nezávislosti spoločností v dôsledku prijatých opatrení podľa všeobecne uznávaných prístupov k určovaniu finančnej situácie. Podľa odhadov domácich ekonómov, ktorí uznávajú nedostatky doterajšej metodiky výpočtu ukazovateľov finančnej kondície poľnohospodárskych výrobcov, ktorú využívajú aj arbitrážne súdy (tabuľka 1), by v krajine nebolo toľko skrachovaných fariem.

Tabuľka 1. Fragment výpočtu koeficientov pre zaradenie poľnohospodárskych výrobcov do skupín finančnej stability dlžníka

Šance:	skupiny
finančné nezávislosť		0,56≤K<0,6	0,5≤K<0,56	0,44≤K<0,5
finančnú nezávislosť, pokiaľ ide o tvorbu rezerv a nákladov				0,65≤K<0,8
bezpečnosť vlastného pracovného kapitálu

Štúdium finančnej situácie organizácie musí byť v súlade s koncepciou konzistentnosti. Metodológia na analýzu finančnej situácie organizácie sa zároveň objavuje vo forme dohodnutej postupnosti, čo nám umožňuje konštatovať skutočnosť obnovenia jazykovej platnosti pojmu „metodika“. Pozostáva zo šiestich hlavných etáp, všeobecná bloková schéma je znázornená na obrázku 2.

Obrázok 2 – Vývojový diagram implementácie fáz analýzy finančnej situácie poľnohospodárskych organizácií

Zhromažďovanie informácií zahŕňa zostavenie zoznamu otázok a získanie relevantných údajov zo skúmanej organizácie az iných zdrojov. Štúdium prevádzkových podmienok systémov by sa malo stať predbežnou fázou analýzy, ktorá je spôsobená úlohou nevyhnutnej syntézy vnútorných a vonkajších faktorov, ktorá vzniká pri zohľadnení osobitostí vývoja ekonomickej analýzy v Rusku opísaných vyššie. . Pre poľnohospodárske organizácie je teda špecifické študovať geografické, poveternostné a klimatické podmienky podnikania analyzovaného subjektu. Štruktúrovanie počiatočných informácií by malo zahŕňať zostavenie dátových segmentov, ktoré by mali byť zahrnuté do informačnej základne na analýzu finančnej situácie organizácie s jej hlavnými charakteristikami: odvetvie, obchodný rozsah a iné.

V ďalšej fáze, vo vygenerovanom poli informácií, je potrebné zdôrazniť ukazovatele, ktoré sú najdôležitejšími kritériami výkonnosti. Mnohí akademickí analytici, zahraniční aj ruskí, umiestňujú ukazovatele ziskovosti nad ostatné ukazovatele. E. Altman teda vo svojom známom päťfaktorovom „Z-modeli“ na určenie pravdepodobnosti potenciálneho bankrotu predstavil dva z piatich faktorov ako ukazovatele ziskovosti. Význam ukazovateľov rentability odráža aj „Zlaté pravidlo ekonomiky“, ktoré hovorí, že tempo rastu bilančného zisku musí prevyšovať tempo rastu tržieb z predaja produktov a tempo rastu tržieb musí prevyšovať tempo rastu aktíva.

Kritériom na identifikáciu fáz v tradičnom harmonograme životného cyklu je aj ukazovateľ ziskovosti (os y na obrázku 3).

Obrázok 3 - Životný cyklus organizácie

V kombinácii s absolútnymi ukazovateľmi finančnej výkonnosti sú kľúčovými ukazovateľmi činnosti poľnohospodárskej organizácie: hrubý výkon v bežných predajných cenách, tržby a zisk (strata) z predaja výrobkov (práce, služby), zisk (strata) podniku. vykazovaný rok, čistý zisk (strata), ukazovateľ obratu prevádzkového kapitálu, rentabilita vlastného kapitálu, rentabilita prevádzkového kapitálu.

Systém ukazovateľov navrhnutý za účelom analýzy finančnej situácie podnikateľských subjektov v poľnohospodárskom sektore ekonomiky bol testovaný na príklade aktuálnych údajov z JSC Agrofirm Kavkaz na území Krasnodar. Organizácia nie je ani zďaleka na poslednom mieste v rebríčku troch stoviek najväčších a najefektívnejších poľnohospodárskych firiem na základe výsledkov rokov 2003-2007, zaradených do klubu Agro-300.

Obrázok 4 - Dynamika ukazovateľov finančnej výkonnosti CJSC Agrofirm Kavkaz

Analýza absolútnych ukazovateľov finančnej výkonnosti naznačuje vývoj a rast spoločnosti (obrázok 4). Stabilná dynamika v naznačenom smere je teda typická pre ukazovatele hrubej produkcie (+ 39 %), tržieb za predaj výrobkov (+ 43,9 %), ako aj konečného finančného výsledku činnosti (+ 16,8 %). Z faktorov, ktoré priaznivo ovplyvnili dynamiku ukazovateľov, možno uviesť nárast objemu vyrobených a predajných rastlinných produktov - predovšetkým obilia (o 3,4 %), cukrovej repy (13,9 %), slnečnice (47,9 %) a mlieka (9). ,9 %). Návratnosť prevádzkového kapitálu za vykazované obdobie v porovnaní so základným obdobím vzrástla, čo svedčí o vysokej efektívnosti akciovej spoločnosti.

S cieľom identifikovať významné faktory ovplyvňujúce úroveň efektívnosti podnikania bola vykonaná korelačná a regresná analýza efektívnosti podnikania 46 poľnohospodárskych organizácií v centrálnej zóne Krasnodarského územia. Úroveň rentability vlastného imania (v percentách) sa berie ako efektívny ukazovateľ (y) vypočítaný ako podiel čistého zisku (straty) za vykazovaný rok a priemerného ročného zostatku vlastného kapitálu. Výber tohto konkrétneho ukazovateľa sa vysvetľuje jeho nadmernou požiadavkou zo strany externých používateľov účtovných závierok ako ukazovateľa charakterizujúceho nielen efektívnosť podnikania, ale aj rizikovosť, strategické vyhliadky solventnosti a kvalitu riadenia podniku. Na analýzu boli vybrané kľúčové ukazovatele – faktory, ktoré potenciálne ovplyvňujú mieru návratnosti vlastného kapitálu; vyhľadávanie a výpočet týchto faktorov možno vykonať na základe verejných finančných výkazov. Sú to: x 1 - podiel na vlastnom imaní v mene súvahy, %, %; x 2 je pomer medzi dlhovým a vlastným kapitálom (ukazovateľ finančnej páky); x 3 - podiel likvidných prostriedkov na aktívach, %; x 4 – ukazovateľ obratu aktív (produktivita zdrojov).

Analýza párových korelačných koeficientov ukázala, že existuje priama a pomerne úzka súvislosť medzi návratnosťou vlastného kapitálu a pomerom dlhového a vlastného kapitálu podľa Chaddockovej škály, čo potvrdzuje tvrdenie, že hľadanie racionálneho pomeru medzi dlhovými a akciovými zdrojmi financovania je jasnou cestou k zvyšovaniu efektívnosti toho druhého. Inverzný priemerný vzťah medzi ukazovateľom výkonnosti a podielom vlastného imania v súvahovej mene (tabuľky 2 a 3) naznačuje, že rentabilita vlastného kapitálu v moderných podmienkach rastie, ak sa jeho podiel na celkovom kapitáli znižuje. Zároveň existuje priama priemerná súvislosť medzi rentabilitou vlastného kapitálu a podielom likvidných prostriedkov na aktívach a priama slabá súvislosť medzi ňou (rentabilitou) a rentabilitou aktív.

Tabuľka 2. Matica párových korelačných koeficientov štvorfaktorovej viacnásobnej regresnej rovnice

Analýza β-koeficientov naznačuje, že najslabší vplyv na zmenu rentability vlastného kapitálu má podiel vlastného kapitálu v mene súvahy a najsilnejší je pomer medzi cudzím a vlastným kapitálom. Navyše práve podľa druhej charakteristiky je skúmaná populácia poľnohospodárskych organizácií mimoriadne heterogénna. Tento súbor je navyše heterogénny z hľadiska rentability vlastného kapitálu, podielu vlastného imania v súvahovej mene a podielu likvidných prostriedkov na aktívach, čo poukazuje na rozdielnu úroveň organizácie výrobných a finančných činností a jej efektívnosť v poľnohospodárskych podnikoch.

Tabuľka 3. Všeobecné charakteristiky rentability vlastného kapitálu a vybrané faktory, 2006

Podpísať	Priemerná hodnota	Párové kurzy
		korelácie
y — návratnosť vlastného kapitálu, %
x 1 - podiel na základnom imaní v súvahovej mene, %
x 2 - pomer medzi cudzím a vlastným kapitálom
x 3 - podiel likvidných prostriedkov na majetku, %
x 4 - pomer obratu aktív (produktivita zdrojov)

Viacnásobná regresná rovnica získaná ako výsledok riešenia má tvar:

y = -12,454-0,164x 1 +0,688x 2 +0,905x 3 +39,335x 4. (1)

Kladná hodnota koeficientu pri x 2 je dôkazom toho, že pri racionálnom spôsobe hospodárenia a normálnom pomere rentability aktív a úrokov platených z požičaných zdrojov financovania by sa mala zvýšiť rentabilita vlastných zdrojov.

Tabuľka 4. Všeobecné výsledky hodnotenia štvorfaktorového regresného modelu

Vzťah medzi rentabilitou vlastného kapitálu a všetkými faktormi zahrnutými v modeli je tesný (koeficient viacnásobnej korelácie R = 0,901) a štatisticky významný (tabuľka 4). Okrem toho lineárna rovnica vysvetľuje 81,2 % variácií v návratnosti vlastného kapitálu. Zvyšok je spôsobený náhodnými nezapočítanými faktormi.

V praxi sa na výpočet úrovne efektívnosti podnikania poľnohospodárskych výrobcov a spôsobov jej zlepšenia identifikujú hlavné faktory a miera ich vplyvu na ukazovateľ výkonnosti. Zistilo sa, že rentabilita vlastného kapitálu skúmanej populácie poľnohospodárskych organizácií: klesá so zvyšovaním podielu vlastného kapitálu v štruktúre zdrojov financovania (rentabilita vlastného kapitálu sa zvyšuje len do určitej úrovne vlastného kapitálu a začína klesať s ďalším zvýšením jeho podielu na štruktúre súvahy); sa zvyšuje so zvyšovaním pomeru finančnej páky, ktorý odráža pomer dlhového a vlastného kapitálu a charakterizuje závislosť zisku od štruktúry zdrojov financovania, čo je možné pri zvýhodnenom daňovom zaťažení a podpore fariem zo strany vlády SR. Ruská federácia; má rastúcu dynamiku s rastom podielu likvidných aktív v štruktúre majetku organizácie, čo je logické z hľadiska implementácie zúčtovacej a platobnej disciplíny a je dôsledkom rastu podnikateľskej činnosti organizácie, prejavujúcej sa v r. zvýšenie príjmov (výnosov) z predaja poľnohospodárskych produktov a iných činností (priorita aktivít marketingovej stratégie organizácie); sa zvyšuje s úrovňou využívania vlastného majetku organizácie (prioritná úloha finančného riadenia organizácie).

Odtiaľ je možné vytvoriť správny vektor na zvýšenie efektívnosti podnikania poľnohospodárskych organizácií pomocou jasných mechanizmov, ktoré prispievajú k jej rastu. V najvšeobecnejšej forme sú takými mechanizmami: 1) rozumné určenie zdrojov financovania činností organizácie; 2) zvýšenie efektívnosti využívania zdrojov organizácie na základe stabilizácie vzájomného vyrovnania a systému vyrovnania a platobnej disciplíny; 3) zlepšenie systému riadenia výroby.

Štúdia dynamiky rentability vlastného kapitálu poľnohospodárskych organizácií v závislosti od skutočnej úrovne podielu vlastného kapitálu v štruktúre zdrojov financovania ukázala, že najvyššia hodnota ukazovateľa efektívnosti pre použitie vlastného kapitálu bola zaznamenaná k r. výška vlastného kapitálu v rozmedzí od 44 do 58 %. S ďalším rastom vlastného kapitálu v štruktúre zdrojov je pozorovaný pokles rentability (obrázok 5).

Obrázok 5 — Dynamika návratnosti vlastného kapitálu v závislosti od podielu vlastného kapitálu na kapitálovej štruktúre

Štúdium vplyvu finančnej stratégie organizácie na využitie vypožičaných prostriedkov pokračuje v opísanej postupnosti.

Prijateľné miesto tu zaujíma vypracovaná metodika stanovenia racionálneho pomeru cudzích a akciových prostriedkov v súvislosti s návratnosťou vlastného kapitálu a zvýhodneným úverovaním poľnohospodárskych organizácií.

Z celého súboru relatívnych ukazovateľov finančnej stability navrhujeme vypočítať koeficient finančnej nezávislosti (Equity to Total Assets), ktorý charakterizuje prebiehajúcu politiku v oblasti financovania a odráža podiel vlastného kapitálu v štruktúre zdrojov majetok, a pomer dlhového a vlastného kapitálu (finančná páka, alebo „páka finančnej páky“), charakterizujúci mieru rizika organizácie.

Ukazovatele kapitálovej štruktúry charakterizujú stupeň ochrany veriteľov a investorov pred možným nesplatením dlhov a neposkytujú prakticky žiadne informácie o ekonomickom potenciáli organizácie. Opísaný problém „rieši“ ukazovateľ charakterizujúci závislosť zisku od nákladov spojených so štruktúrou zdrojov financovania činnosti organizácie – „finančný pákový efekt“.

EGF = (1-Neskh) (CRa -PK) x (ZK/SK), (2)

kde EFR je efekt finančnej páky, ktorý spočíva vo zvýšení ukazovateľa návratnosti vlastného kapitálu,%; Neskh - sadzba jednotnej poľnohospodárskej dane vyjadrená ako desatinný zlomok; ČR - ukazovateľ hrubej rentability aktív, %; PC - priemerná výška úrokov z pôžičky, ktorú organizácia platí za použitie požičaného kapitálu,%; ZK - priemerná výška vypožičaného kapitálu použitého organizáciou; SK je priemerná výška vlastného imania organizácie.

Vzorec (2) bol získaný s prihliadnutím na osobitosti tvorby údajov vo finančných výkazoch ruských organizácií, ako aj na zdanenie poľnohospodárskych výrobcov: 1) namiesto celého množstva použitého kapitálu podľa nášho názoru suma splatných účtov organizácie by sa mala odpočítať od jej hodnoty; 2) „výška hrubého zisku bez nákladov na platenie úrokov z úveru“ bola nahradená ukazovateľom „zisk z predaja výrobkov (práce, služby)“; 3) daň z príjmu, ktorej platba sa uskutočňuje vo všeobecnom režime zdaňovania, autor nepovažuje za faktor ovplyvňujúci veľkosť vplyvu: v súlade s platnou legislatívou platia poľnohospodárski výrobcovia jednotnú poľnohospodársku daň, ktorá bola zavedené do vzorca.

Tabuľka 5. Dynamika ukazovateľov finančnej stability CJSC Agrofirm Kavkaz

Podiel cudzieho kapitálu na vlastnom imaní v CJSC Agrofirma Kavkaz tak na konci roka 2006 podľa tabuľky 5 predstavoval 52,8 %, čo je 42,1 percentuálneho bodu. vyššia ako úroveň základného roka. Nárast podielu cudzieho kapitálu na pasívnej štruktúre súvahy naznačuje prechod od konzervatívnej k umiernenej finančnej politike; a hoci je to spojené s oslabením autonómie podnikateľského subjektu, za určitých podmienok to môže viesť k zvýšeniu rentability vlastného kapitálu. Je potrebné poznamenať, že miera podnikateľskej činnosti poľnohospodárskych výrobcov nie je taká vysoká na realizáciu takejto politiky financovania v budúcnosti, čo znamená, že dôsledky zmien je potrebné dôkladne preštudovať a prijať racionálne rozhodnutie.

Výsledky výpočtov na určenie vplyvu finančnej páky pre CJSC Agrofirma Kavkaz (tabuľka 6) naznačujú jej pozitívnu dynamiku: hodnota v roku 2006 bola 2,5 %, čo je 3,3 percentuálneho bodu. vyššia ako úroveň základného roka. V dôsledku toho spoločnosť CJSC Agrofirma Kavkaz, ktorá vytvorila svoje aktíva zo 65 % z vlastných zdrojov a 35 % z vypožičaného kapitálu, zvýšila svoju návratnosť vlastného kapitálu o 2,5 %, pričom všetky ostatné veci zostali rovnaké, a to vďaka tomu, že platí úverové zdroje berúc do úvahy politiku preferenčných pôžičiek poľnohospodárskych výrobcov uplatňovanú vládou Ruskej federácie a návratnosť celkového kapitálu je 16,2 %. Faktorová analýza modelu vplyvu finančnej páky ukázala, že v súčasných podmienkach je výhodné použiť požičané prostriedky do obratu organizácie, keďže dôsledkom toho je zvýšenie efektívnosti využívania vlastného kapitálu. To znamená, že prilákaním požičaných zdrojov môže analyzovaná organizácia zvýšiť svoj vlastný kapitál za predpokladu, že návratnosť investovaného kapitálu prevýši cenu prilákaných zdrojov.

Tabuľka 6. Mechanizmus tvorby efektu finančnej páky

Index	2004	2005	2006	Zmena za obdobie (+,-)
Zisk z predaja výrobkov, prác, služieb, tisíc rubľov.
Splatný úrok, tisíc rubľov.
Výška zisku z predaja výrobkov, prác, služieb, berúc do úvahy náklady na platenie úrokov z úveru, tisíc rubľov.
Priemerná ročná výška použitého kapitálu (aktíva) mínus splatné účty, tisíc rubľov.
Pomer finančnej páky
Návratnosť celkového kapitálu, %
Vážená priemerná nominálna cena vypožičaných zdrojov, %
Vplyv finančnej páky, %
Odchýlka vplyvu finančnej páky celkom, %
vrátane z dôvodu:
Úroveň návratnosti aktív, %
Úrokové sadzby pôžičiek, %
Pomer finančnej páky, %

Na určenie hraníc rastu finančnej páky by sa mal použiť model vyvinutý francúzskymi vedcami J. Conanom a M. Golderom. Vysvetlením je zloženie kritérií, ktoré je najviac prispôsobené požiadavkám na zostavovanie domácich účtovných závierok. Čím nižšia je hodnota odhadovaného ukazovateľa, tým nižšia je pravdepodobnosť omeškania platieb zo strany spoločnosti. Skutočné hodnoty kritérií, vypočítané podľa údajov CJSC Agrofirm Kavkaz, sú uvedené v tabuľke 7.

Tabuľka 7. Hodnotenie pravdepodobnosti oneskorenia platieb Agrofirm Kavkaz CJSC

Index	2004	2005	2006
Pomer hotovosti a pohľadávok k aktívam (R1)
Pomer výšky vlastného imania a dlhodobých záväzkov k zdrojom krytia majetku (U2)
Pomer finančných nákladov k výnosom z predaja (R3)
Pomer nákladov na personálne služby k pridanej hodnote (U4)
Pomer zisku pred úrokmi a zdanením k požičanému kapitálu (U5)
Odhad pravdepodobnosti oneskorených platieb: Q=-0,16хУ1-0,22хУ2+0,87хУ3+0,10хУ4-0,24хУ5

Výpočty ukazujú, že pravdepodobnosť oneskorenia platieb spoločnosťou je veľmi malá, avšak dynamika integrálneho ukazovateľa má tendenciu k nule, čo znamená, že úroveň solventnosti v budúcnosti je ohrozená. Táto vlna je opodstatnená na pozadí nárastu objemu vypožičaných prostriedkov a nákladov na obsluhu dlhu. Aby sa predišlo prípadným ťažkostiam, je potrebné operatívne sledovanie zúčtovania a platobnej disciplíny.

Na synchronizáciu pozitívnych a negatívnych peňažných tokov je potrebné operatívne riadenie solventnosti. Autori štúdie sú kategoricky proti používaniu ukazovateľov likvidity ako ukazovateľov solventnosti z dôvodu ich rozporu s účtovnou požiadavkou nepretržitého pokračovania v činnosti. Miera solventnosti podľa nášho názoru závisí od naplnenia ukazovateľov finančnej výkonnosti reálnymi prostriedkami. Používanie offsetových transakcií pri zúčtovaní a nahradzovanie hotovosti pohľadávkami ohrozuje schopnosť organizácie plniť svoje súčasné záväzky.

V súčasnosti sa analýze peňažných tokov nevenuje dostatočná pozornosť. Zároveň ide o najneprotirečivú metódu, ktorá nám umožňuje sledovať mieru dostatku finančných prostriedkov na krytie krátkodobých záväzkov. Endovitsky D.A. navrhuje porovnať čistý peňažný tok z bežnej činnosti so ziskom z predaja. Negatívny čistý peňažný tok, hoci existuje zisk z predaja, bude znamenať, že tvorba pracovného kapitálu si vyžaduje veľké finančné investície. Táto situácia môže viesť k platobnej neschopnosti. Dôvody: nízka rentabilita predaja, vysoké náklady na tvorbu pracovného kapitálu.

Tabuľka 8. Pomer čistého peňažného toku a zisku z predaja, tisíc rubľov.

Čistý peňažný tok z bežných aktivít v CJSC Agrofirma Kavkaz je pozitívny, avšak podrobnejšie dostatočnosť peňažných tokov na financovanie pracovného kapitálu ukáže faktorová analýza (vzorec 3):

, (3)

kde Dptd je peňažný prílev z bežných činností, tisíc rubľov, OK je prevádzkový kapitál, tisíc rubľov; Dotd - odliv finančných prostriedkov z bežných činností, tisíc rubľov. Ukazovateľ výkonu ( Kdost1) v danom vzťahu charakterizuje schopnosť organizácie financovať pracovný kapitál, ukazuje dostatočnosť peňažných tokov na pokrytie nákladov spojených s financovaním pracovného kapitálu. Odporúčaná hodnota ukazovateľa by mala byť aspoň 1.

1. Vplyv zmien pomeru čistého peňažného toku na bežné činnosti: . (4)

2. Vplyv zmien v odleve finančných prostriedkov na jeden rubeľ pracovného kapitálu: . (5)

Tabuľka 9. Údaje pre faktorovú analýzu koeficientu primeranosti peňažných príjmov na financovanie pracovného kapitálu, tisíc rubľov.

Index	rokov			Odchýlky
Prílev hotovosti z bežných činností, tisíc rubľov.
Odliv zo súčasných aktivít, tisíc rubľov.
Celkový hotovostný odliv pre všetky typy činností, tisíc rubľov.
Ukazovateľ primeranosti peňažných tokov na financovanie pracovného kapitálu
Ukazovateľ čistého peňažného toku za bežné činnosti
Podiel odlivu hotovosti z bežných činností k celkovému odlevu hotovosti zo všetkých druhov činností, tisíc rubľov.
Peňažný tok z bežných činností za 1 rub. pracovný kapitál
Čistý peňažný tok zo všetkých druhov činností, tisíc rubľov.
Ukazovateľ primeranosti čistého peňažného toku na krytie krátkodobých záväzkov
Čistý peňažný tok na 1 rub. príjem
Tržby z predaja na 1 rub. krátkodobé záväzky, rub.
Pomer čistého peňažného toku k čistému zisku
Miera rastu pohľadávok a objemu predaja

Pozitívna zmena pomeru primeranosti peňažných tokov za analyzované obdobie (+0,148) je teda dôsledkom nárastu odlevu prostriedkov z bežnej činnosti na krytie pracovného kapitálu. Pomer bol negatívne ovplyvnený rýchlejším rastom peňažných tokov ako rastom peňažných tokov.

Podľa CJSC Agrofirma Kavkaz bol koeficient pomeru prílevu a odlevu peňažných prostriedkov za bežné činnosti v sledovanom období 1,018, pričom dynamika koeficientu bola negatívna - pokles o 0,076. Neznamená to však nedostatok financií na krytie krátkodobých záväzkov. Ukazovateľ primeranosti peňažných tokov na krytie krátkodobých záväzkov je veľmi prijateľný tak v predchádzajúcich, ako aj v účtovných obdobiach (0,966, 4,216 a 2,780).

Pravidelné sledovanie aktuálneho stavu finančných prostriedkov

Obrázok 6 – Etapy analýzy solventnosti poľnohospodárskej organizácie

Ďalším krokom je vyhodnotenie kvality zisku (vzorec 4):

, (4)

Kde NPV- čistý peňažný tok pre všetky typy činností, tisíc rubľov, PE - čistý zisk, tisíc rubľov.

Ak má organizácia na základe výsledkov svojej činnosti pretrvávajúci negatívny čistý peňažný tok, môže to viesť k finančnej platobnej neschopnosti spôsobenej skutočným poklesom zdrojov a znížením ekonomického potenciálu organizácie. V analyzovanej situácii, ako je zrejmé z tabuľky 9, organizácia získala čistý zisk, pričom na každý rubeľ zisku pripadajú 3 ruble vyváženého výsledku porovnania prílevu a odlevu finančných prostriedkov. Štúdium možností hodnotenia solventnosti poľnohospodárskej organizácie umožnilo sformulovať plán analýzy uvedený na obrázku 7.

Výsledky štúdie plne vychádzajú z reálií práce poľnohospodárskych organizácií. To rieši problém nedostatočnej odvetvovej špecifickosti existujúcich metód finančnej analýzy. Praktický význam štúdie spočíva v tom, že na základe vypracovanej metodiky pre poľnohospodárske organizácie je navrhnutý základ pre formovanie racionálnej finančnej politiky v transformujúcej sa ekonomickej situácii vidieckeho priemyslu. Použitie odporúčanej metodiky vám umožní presnejšie zmerať mieru finančného rizika a vyvinúť efektívnejší mechanizmus jeho riadenia s cieľom zlepšiť výkon podnikateľských aktivít.

R-analýza alebo prijateľnosť prístupov založených na kritériách pri hodnotení finančnej situácie poľnohospodárskych organizácií

V súčasných ekonomických podmienkach je hlavný dôraz v činnosti finančných služieb obchodných podnikov zameraný na operatívne sledovanie ukazovateľov finančnej kondície organizácie. V tomto prípade majú prednosť relatívne ukazovatele, ktoré charakterizujú vzťah medzi vykazovanými údajmi, ktoré nesú tú alebo onú informáciu. V terminologickom zmysle sa metóda analýzy činnosti podniku založená na popísanom prístupe nazýva R-analýza, alebo analýza finančných ukazovateľov.

Súbor koeficientov v rámci jednotlivého podnikateľského subjektu závisí od stratégie a cieľov, ktoré chce dosiahnuť. V tomto prípade sa identifikujú koeficienty, ktoré by sa mali vypočítať, a stanovia sa ich štandardné hodnoty. Táto práca sa zvyčajne vykonáva ako súčasť projektu manažérskeho účtovníctva, rozpočtovania alebo vyváženého skóre. „Ak je súbor ukazovateľov prevzatý z učebnice financií,“ poznamenávajú praktizujúci analytici, „takáto finančná analýza neprinesie podniku žiaden úžitok“ /10/.

Medzitým sa určité ukazovatele týkajúce sa aspektov financovania činnosti organizácie tradične vyvíjali a sú zahrnuté vo všetkých metodických algoritmoch, vrátane tých, ktoré upravuje zákon.

Hovoríme o nasledujúcich ukazovateľoch:

I. Pomery likvidity

Ukazovatele likvidity charakterizujú schopnosť spoločnosti uspokojovať nároky držiteľov krátkodobých dlhových záväzkov.

1. Ukazovateľ absolútnej likvidity

Ukazuje, aký podiel krátkodobých dlhových záväzkov možno pokryť hotovosťou a peňažnými ekvivalentmi vo forme obchodovateľných cenných papierov a vkladov, teda takmer absolútne likvidných aktív.

2. Rýchly pomer (pomer testu kyseliny, rýchly pomer)

Pomer najlikvidnejšej časti obežných aktív (hotovosť, pohľadávky, krátkodobé finančné investície) ku krátkodobým záväzkom. Zvyčajne sa odporúča, aby hodnota tohto ukazovateľa bola väčšia ako 1. Skutočné hodnoty pre ruské podniky sú však zriedka vyššie ako 0,7 - 0,8, čo sa považuje za prijateľné.

3. Aktuálny pomer (Current Ratio)

Vypočítava sa ako podiel obežného majetku delený krátkodobými záväzkami a ukazuje, či má podnik dostatok finančných prostriedkov, ktoré je možné použiť na splatenie krátkodobých záväzkov. Podľa medzinárodnej praxe by sa hodnoty ukazovateľa likvidity mali pohybovať od jednej do dvoch (niekedy až do troch). Spodná hranica je spôsobená tým, že pracovný kapitál musí stačiť aspoň na splatenie krátkodobých záväzkov, inak bude spoločnosti hroziť bankrot. Viac ako trojnásobný prebytok obežných aktív nad krátkodobými záväzkami je tiež nežiaduci, pretože môže naznačovať iracionálnu štruktúru aktív.

Vypočítané pomocou vzorca:

II. Ukazovatele zadlženosti – ukazovatele kapitálovej štruktúry (ukazovatele finančnej stability)

Ukazovatele kapitálovej štruktúry odrážajú pomer vlastného kapitálu a cudzích zdrojov v zdrojoch financovania podniku, teda charakterizujú mieru finančnej nezávislosti podniku od veriteľov. Toto je dôležitá charakteristika udržateľnosti podniku. Na posúdenie kapitálovej štruktúry sa najčastejšie používa koeficient finančnej nezávislosti (Equity to Total Assets), ktorý charakterizuje závislosť firmy od externých úverov. Čím je pomer nižší, čím viac úverov má firma, tým vyššie je riziko platobnej neschopnosti. Nízka hodnota ukazovateľa tiež odráža potenciálne nebezpečenstvo nedostatku hotovosti pre podnik. Interpretácia tohto ukazovateľa závisí od mnohých faktorov: od priemernej úrovne tohto pomeru v iných odvetviach, od prístupu spoločnosti k dodatočným dlhovým zdrojom financovania a od charakteristík súčasných výrobných činností.

Vypočítané pomocou vzorca:

Iné ukazovatele, ako napríklad: Ukazovatele ziskovosti - Ukazovatele ziskovosti, Ukazovatele aktivity - Ukazovatele obchodnej činnosti, Ukazovatele investícií - Investičné kritériá, nebudú v rámci tohto článku uvedené z dôvodu odhalenia problému, ktorý vznikol zhustením materiálu.

Hlavnou vecou pri vykonávaní finančnej analýzy nie je výpočet ukazovateľov, ale schopnosť interpretovať získané výsledky. Závery sa však nelíšia v šírke záberu: hlavný koncepčný prístup je založený na porovnaní získaných údajov so štandardmi stanovenými v rámci tradičného prístupu. Tradičný prístup je chápaný ako súbor metód, nástrojov a technológií používaných na zber, spracovanie a interpretáciu (interpretáciu) údajov o ekonomických aktivitách spoločnosti.

Hoci do teórie a praxe finančnej analýzy prispeli najmä ekonómovia z krajín s vyspelou trhovou ekonomikou, je potrebné pripomenúť práce sovietskeho ekonóma z 20. rokov N. Blatova, ktoré načrtli pokročilé koncepty a metódy analýzy pre ich čas: komparatívna analytická bilancia, distribučné koeficienty, koordinačné koeficienty atď.

Zaujímavosťou je požičanie a do určitej miery aj interpretácia „extrémnych hodnôt“ analytických koeficientov charakterizujúcich solventnosť a finančnú stabilitu s ich komplexným rozložením.

V jednej zo sekcií práce Y. V. Sokolova, napísanej spoločne s V. V. Kovalevom, teda nájdeme opis interpretácie západnej účtovnej a analytickej praxe na ruské špecifiká. Zároveň sú uvedené informácie o finančnej situácii desiatich veľkých akciových spoločností v Rusku na základe výsledkov práce v rokoch 1907 a 1908:

„JSC „Kaukaz a Merkúr“ (prepravná spoločnosť), manufaktúra Bogorodsko-Glukhovskaya, firma „Provodnik“ (výroba gumy a telegrafu), Partnerstvo M.S. Kuznecova (výroba porcelánových výrobkov), Ruská elektrotechnická spoločnosť „Westinghouse“, Ruské elektrotechnické závody JSC „Siemens a Gallskoye“, Singer Company, Závody JSC Maltsov, Brjanské železničné valcovne, železiarne a mechanické závody (JSC), Spoločnosť Putilovových závodov „/ 2, s. 280/.

Vypočítava sa obmedzený zoznam koeficientov (ich zoznam je uvedený vyššie). Priemerné hodnoty koeficientov vypočítané na základe danej vzorky (kritérium pre zoskupenie podnikov nie je špecifikované) sa porovnávajú so „svetovými“ štandardmi. Pri zistení ich blízkosti sa vyvodzuje záver, že tieto hodnoty sú prijateľné vo vzťahu k aktuálnej situácii v krajine v štruktúre aktív a zdrojoch ich krytia /11/.

Dodnes existuje množstvo rozporov, vyhnúť sa čomu podľa nás znamená mlčať o tom hlavnom.

Vráťme sa k pokynom (odporúčaniam) ministerstiev a iných federálnych výkonných orgánov k aspektu metodických prístupov k analýze finančnej situácie v kontexte koeficientov v nich uvedených. Spomedzi nich sú najvýznamnejšie metódy uvedené v nižšie uvedených dokumentoch:

1. Metodické ustanovenia na hodnotenie finančnej situácie podnikov a zisťovanie nevyhovujúcej štruktúry súvahy, schválené nariadením Federálnej správy pre insolvenciu (bankrot) podnikov v štátnom majetku Ruska zo dňa 12. augusta 1994 č. 31-r. .

3. Postup podávania správ pre vedúcich federálnych štátnych unitárnych podnikov a zástupcov Ruskej federácie v riadiacich orgánoch otvorených akciových spoločností schválený nariadením vlády Ruskej federácie zo 4. októbra 1999 č. 1116.

4. Pokyny na vykonávanie analýzy finančnej situácie organizácií, schválené nariadením Federálnej služby Ruska pre finančnú obnovu a bankrot (ďalej len FSFR) zo dňa 23. januára 2001 č. 16.

5. Pravidlá vykonávania finančnej analýzy manažérom arbitráže. Schválené nariadením vlády Ruskej federácie z 25. júna 2003 č. 367. Tieto pravidlá v súlade s federálnym zákonom z 26. októbra 2002 č. 127 FZ „O platobnej neschopnosti (konkurze)“ definujú zásady a podmienky pre rozhodcovského manažéra vykonať finančnú analýzu, ako aj zloženie informácií, ktoré sa v tomto prípade používajú.

6. Pokyny na postup pri zostavovaní a predkladaní účtovnej závierky, schválené nariadením Ministerstva financií Ruska z 22. júla 2003 č. 67n.

7. Nariadenie vlády Ruskej federácie z 30. januára 2003 č. 52 „O vykonávaní federálneho zákona „o finančnom ozdravení poľnohospodárskych výrobcov“.

Preskúmanie týchto dokumentov preukázalo úplnú absenciu akýchkoľvek odvetvových rozdielov medzi analyzovanými podnikmi. Medzitým by sa malo pamätať na to, že prijateľné hodnoty ukazovateľov sa môžu výrazne líšiť nielen pre rôzne odvetvia, ale aj pre rôzne podniky toho istého odvetvia, a úplný obraz o finančnej situácii spoločnosti možno získať iba analýzou celý súbor finančných ukazovateľov s prihliadnutím na špecifiká jeho činností. Schválené hodnoty ukazovateľov majú čisto informatívny charakter a nemožno ich použiť ako návod na konanie. V tejto súvislosti je potrebné vytvoriť regulačný rámec na úrovni vládnych nariadení alebo ministerstiev a rezortov na priemyselnej úrovni.

Charakteristickými črtami moderných poľnohospodárskych podnikov sú nedostatok pracovného kapitálu, nízka platobná disciplína, nárast objemu bartrových obchodov a vysoká cena úverových zdrojov. V dôsledku týchto a ďalších faktorov podniky nemajú prostriedky na splnenie svojich platobných záväzkov, vrátane výplaty miezd, platieb za tovary (práca, služby) a narastajú dlhy voči rozpočtu.

Zároveň aj v takýchto ťažkých podmienkach zostáva veľa podnikov nad vodou. Preto „extrémne“ hodnoty ukazovateľov charakterizujúcich štruktúru aktív a pasív súvahy, solventnosť a finančnú stabilitu organizácií musia zohľadňovať osobitosti súčasnej situácie a hranice, v ktorých je manažment podniku ešte schopný rozvíjať strategické kroky na prekonanie krízy bez toho, aby to viedlo k konkurznému konaniu.

Kritériá platné pre poľnohospodárske podniky v Spojených štátoch (keďže sme sa vydali cestou požičiavania si anglo-amerického finančného modelu) sú tiež ďaleko od ruských špecifík. Deje sa tak predovšetkým z dvoch dôvodov: po prvé, ekonomické podmienky ruskej poľnohospodárskej výroby sú veľmi odlišné od ekonomických podmienok Spojených štátov amerických alebo Kanady; po druhé, charakteristickým znakom domácej politiky a poľnohospodárstva je skutočnosť, že najmä medzi malými poľnohospodárskymi podnikmi začínajú hospodárske ťažkosti nadobúdať sociálny charakter. Porušujú sa tak princípy trhového hospodárstva.

Podľa nášho názoru by sa hlavná pozornosť pri adaptácii tradičného prístupu mala zamerať na odstránenie existujúcich medzier pri vykonávaní postupov finančnej analýzy.

Hlavné návrhy na ďalší rozvoj postupov záverečnej finančnej analýzy sú tieto:

Výpočet vlastných štandardov alebo optimálnych úrovní finančných ukazovateľov pre analyzovaný podnik pomocou známych metodických techník;

Výber úzkeho (<индикаторной>) vzorka finančných ukazovateľov, ktorých zloženie sa môže pre rôzne organizácie líšiť;

Kvalitatívne hodnotenie a stanovenie váh ukazovateľov indikátorov na základe porovnania s vypočítanými optimálnymi úrovňami, trendmi, vzájomným porovnaním a prijatými logickými pravidlami;

Vypracovanie štandardného formátu záveru o finančnej činnosti podniku, ktorý nielen uvádza problémy analyzovaného podniku, ale uvádza aj faktory súčasných a budúcich zmien a dáva odporúčania na ich prekonanie, zmiernenie alebo posilnenie. .

Bibliografia

1. Bocharov, V.V. Finančná analýza/V.V. Bocharov. - Petrohrad: Peter, 2007. -204 s.

2. Vasilyeva, L.S. Finančná analýza / L.S. Vasilyeva, M.V. Petrovská - 3. vydanie - M.: KNORUS, 2008. - 816 s.

3. Efimová, O.V. Finančná analýza/O.V. Efimova.-5. vyd., prepracované. a dodatočné - M.: Účtovníctvo, 2006.-528 s.

4. Endovitsky D.A. Diagnostická analýza finančnej insolventnosti organizácií: učebnica. príspevok / D.A. Endovitsky, M.V. Ščerbakov - M.: Ekonóm, 2007. -287 s.

5. Metodika výpočtu ukazovateľov finančnej situácie poľnohospodárskych výrobcov: schválená. uznesením vlády Ruskej federácie z 30. januára 2003 č. 52-M.: Financie a štatistika, 2004.- 2 s.

6. Morozová V.L. Historická skúsenosť alebo evolučný vývoj ekonomickej analýzy ekonomickej aktivity v Rusku z hľadiska externalizmu / V.L. Morozova // Ekonomická analýza: teória a prax - 2007. - č. 16 (97). — S. 60-68.

7. Daňový poriadok Ruskej federácie (2. časť): Kapitola 26 1. Daňový systém pre poľnohospodárskych výrobcov (jednotná poľnohospodárska daň) . – Právny referenčný systém „Garant“

8. O rozvoji poľnohospodárstva: Federálny zákon Ruskej federácie z 29. decembra 2007 č. 264-FZ

9. Savitskaja, G.V. Rozbor ekonomickej činnosti poľnohospodárskych podnikov: učebnica. príspevok/G.V. Savitskaja. — 5. vyd., rev. a doplnkové - Mn.: Nové poznatky, 2005.

10. Kubyshkin I. Využitie finančnej analýzy pre manažment spoločnosti/ Kubyshkin I.//Finančný riaditeľ. — 2005. -Č. 4

11. Sokolov Ya.V. Účtovníctvo od jeho počiatkov po súčasnosť / Sokolov Y.V. — M.: Audit. JEDNOTA. 1996.

12. Zimin N.E. Analýza a diagnostika finančnej a ekonomickej činnosti podniku/N.E. Zimin, V.N. Solopová. M.: KolosS, 2005 -384 s.

13. Voitolovský N.V. Ekonomická analýza: Základy teórie. Komplexná analýza ekonomických činností organizácie: Učebnica / Voitolovsky N.V., Kalinina A.P., Mazurova I.I. - M.: Vysoké školstvo, 2005. - 509s

Predpokladajme, že máte veľký súbor výrokov (napríklad „človek znie hrdo“, „všetci ľudia sú sestry“, „zlý svet je lepší ako dobrá hádka“ atď.), respondenti hodnotili svoj postoj k nim pomocou rovnakú šablónu (napríklad „súhlasím / neviem / nesúhlasím“). Každý bod v článku môžete, samozrejme, označiť, ale môžete skúsiť nájsť niečo, čo spája jednu časť bodov do všeobecnejšej kategórie, inú do inej kategórie (samozrejme, môže sa ukázať, že váš výroky nič nespájajú). Faktorová analýza je jedným z nástrojov, ktorý vám umožňuje nájsť túto spoločnú vlastnosť, ak tam samozrejme existuje.

Presnejšie povedané, ak skóre dvoch alebo viacerých položiek navzájom koreluje, potom je logické predpokladať, že táto korelácia naznačuje nejaký spoločný faktor (napríklad vysoké skóre v algebre a vysoké skóre v geometrii sa pravdepodobne vyskytnú súčasne a naznačujú dobré abstraktné zručnosti).myslenie a rozvinutá logika). Faktorová analýza vám pomôže nájsť tieto vzťahy vo vašich údajoch.

Toto je silná aj slabá stránka. Silné, pretože veľké množstvo údajov je zjednodušených a ľahšie analyzovateľných. A je to slabé, pretože silná korelácia, ako vieme, nenaznačuje kauzalitu a skutočné súvislosti – počítač vám niečo ukáže, ale čo to znamená, nakoľko je zistenie rozumné a vierohodné, to musíte posúdiť vy. Ako je napísané v jednej inteligentnej knihe „interpretovať faktory, čo je skôr voodoo ako veda“.

Prejdime však k príkladu.

Takže v roku 2013 Centrum pre sociálnu expertízu, poverené mimovládnou organizáciou „Gay Alliance of Ukraine“, robilo prieskum medzi obyčajnými ľuďmi (800 ľudí) na tému homofóbia (správa). Dotazník okrem iného obsahoval aj položky, ktoré priamo nesúviseli napríklad s homofóbiou. o dôvere v rôzne politické a spoločenské inštitúcie. Otázka znela: „Aká je vaša dôvera v nasledujúce sociálne inštitúcie? (Uveďte jednu najvhodnejšiu odpoveď pre každý riadok)“ s možnosťami odpovede „5. Vôbec neverím - 4. Skôr neverím - 3. Ťažko povedať, či verím alebo nie - 2. Skôr verím - 1. Úplne dôverujem." Zoznam inštitúcií, ku ktorým respondent vyjadril svoj postoj, je nasledovný:

1. Rodina a príbuzní
2. K susedom
3. Kolegovia
4. Cirkvi a duchovenstvo
5. Astrológovia
6. Masmédiá (televízia, rozhlas, noviny)
7. Politické strany
8. Daňová inšpekcia
9. Polícia
10. Prokuratúra
11. Lode
12. Predsedovi
13. Najvyššia rada
14. Do vlády
15. Miestne orgány
16. Banky
17. Poisťovne
18. Charitatívne nadácie, verejné organizácie

Ako faktorovo analyzovať tieto údaje? (predpokladajme, že tabuľka s odpoveďami sa nazýva dovira)
Pripojíme pole:

> pripojiť (dovira)

Najprv by ste sa mali uistiť, že v načítanom poli nie sú žiadne medzery ani chyby vstupu:

>čo(je.na(dovira)==T)
celé číslo (0)
>summary(dovira)
p1
Min. :1 000
1. Q: 2 000
Medián: 2 000
Priemer: 2,711
3. kv.: 4 000
Max. :5 000 ......

Ako vidíte, všetko je v poriadku (aby prezentácia nebola preplnená, na záver zostáva len prvá otázka).
Príkaz, ktorý vykonáva faktorovú analýzu, je štandardne zahrnutý v sade nainštalovaných balíkov. Je to veľmi jednoduché:

>factanal(dovira,6)
Volajte:
factanal(x = dovira, faktory = 6)

Jedinečnosti:

1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18
0.431	0.195	0.379	0.614	0.047	0.672	0.506	0.285	0.174	0.106	0.186	0.215	0.112	0.082	0.464	0.288	0.204	Faktor 1	Faktor 2	Faktor 3	Faktor 4	Faktor 5	Faktor 6
1	-0.407	-0.324	0.489	-0.106	-0.213
2			0.879	0.131		-0.112
3			0.784
4		-0.128	0.540	-0.170		0.193
5	0.125	0.171		0.133	0.943
6	0.265	0.122	0.252		0.393	0.139
7	0.522	0.382		0.148	0.151	0.175
8	0.395	0.673	-0.119	0.204	0.182	0.131
9	0.329	0.817		0.181
10	0.297	0.865	-0.113	0.145	0.122
11	0.353	0.769	-0.104	0.277
12	0.805	0.320				0.111
13	0.853	0.318	-0.144	0.151	0.121
14	0.902	0.250			0.125
15	0.582	0.230		0.181		0.325
16	0.196	0.414		0.667	0.139	0.184
17	0.243	0.351		0.694	0.160	0.317
18	0.162	0.109		0.228		0.608

	Faktor 1	Faktor 2	Faktor 3	Faktor 4	Faktor 5	3.662	3.399	2.079	0.324	1.275	0.765
ProporciaVar	0.203	0.189	0.116	0.074	0.071	0.043
CumulativeVar	0.203	0.392	0.508	0.581	0.652	0.695

Test hypotézy, že stačí 6 faktorov.
Štatistika chí-kvadrát je 257,27 pri 60 stupňoch voľnosti.
Hodnota p je 2,95e-26

Pozrime sa na výsledky.

Najprv výstup zopakuje príkaz zadaný stroju, potom je tu tabuľka „jedinečnosti“, t. j. podiely celkového rozptylu, ktorým prispela každá premenná samostatne. Ďalej vidíme tabuľku zaťažení, v ktorej stĺpce zodpovedajú korelačným koeficientom jednotlivých premenných so zvolenými faktormi. Nakoniec, tretia tabuľka ukazuje podiel celkového rozptylu vysvetleného každým špecifickým faktorom a akumuláciu týchto rozptylov. Záver uzatvára informácia o testovaní hypotézy „vybraný počet faktorov postačuje na opis poľa“.

Najdôležitejšími tabuľkami sú vysvetlené zaťaženia a podiel rozptylu.

Z posledného je zrejmé, že celkovo 6 vybraných faktorov vysvetľuje 70 % rozptylu údajov, pričom prvý faktor zodpovedá za pätinu celkového rozptylu, druhý – 19 %, tretí – 12 % atď.
Tabuľka zaťaženia naznačuje, že prvý faktor kombinuje 7, 12, 13, 14 a 15 inštitúcií (korelačné koeficienty sú väčšie ako 0,5), druhý - 8, 9, 10, 11, tretí - 2, 3, 4 atď.

Skúsme interpretovať výsledky.

Faktor 1 spája dôveru v politické strany, prezidenta, Najvyššiu radu, vládu a miestne orgány. Inými slovami, toto dôveru v politickú sféru vo všeobecnosti.
Faktor 2 spája dôveru v daňovú inšpekciu, políciu, prokuratúru a súdy. Inými slovami, toto dôveru vo fiškálne a bezpečnostné orgány.
Faktor 3 spája dôvera v susedov, kolegov a nečakane aj v cirkev a duchovenstvo. Tieto inštitúcie možno zhrnúť takto − dôveru v ľudí, s ktorými sa respondenti stretávajú tvárou v tvár. Podporuje to aj korelácia s mierou dôvery v príbuzných (je len o málo nižšia ako nami ľubovoľne zvolená hranica korelačného koeficientu 0,5).
Faktor 4- ide o dôveru v banky a poisťovne, t.j. finančným inštitúciám.
Faktor 5 stojí oddelene - dôvera k astrológom(žiadne iné významné korelácie).
Faktor 6 rovnako ako predchádzajúci koreluje iba s úrovňou dôvery iba v jednu inštitúciu - charitatívne nadácie a verejné organizácie.
Do týchto faktorov nebola zahrnutá len jedna inštitúcia – médiá (televízia, rozhlas, noviny). Dôvera v ňu je približne rovnako „rozložená“ medzi identifikovanými faktormi.

Čo nám tieto výsledky hovoria?

Ak spriemerujeme úroveň dôvery v sociálne inštitúcie naprieč faktormi (t. j. pre každého respondenta spočítame skóre inštitúcií zahrnutých vo faktore a vydelíme počtom týchto inštitúcií kombinovaným faktorom), dostaneme obraz o pocitoch Ukrajincov k jednotlivým prvkom štátu a spoločnosti:

Je vidieť, že respondenti najviac dôverujú ľuďom, s ktorými sa stretávajú tvárou v tvár. A najmenšia dôvera je vo fiškálne a bezpečnostné orgány, ako aj vo finančné inštitúcie.

Posledný aspekt, ktorý nemôže nevyvolávať otázky: ako vieme, že je potrebné identifikovať presne 6 faktorov.Azda najpresnejšia odpoveď by bola – odnikiaľ. Zakaždým musíte experimentovať so zdravým rozumom. Po prvé, počet faktorov nemôže byť väčší ako počet premenných. Po druhé, môžete sa zamerať na celkový vysvetlený rozptyl, pretože o faktoroch sa nemá zmysel baviť, ak kolektívne nepopisujú aspoň polovicu (a chytrí ľudia odporúčajú dosiahnuť aspoň 70 %). Po tretie, musíte sa zamerať na schopnosť nájsť rozumné vysvetlenie získaných faktorov.

V tejto eseji sme sa nedotkli mnohých dôležitých aspektov faktorovej analýzy, napr. ako sú rotačné metódy. Naším cieľom bolo veľmi všeobecne ukázať, prečo je táto metóda potrebná a ako ju používať. Hlbšia znalosť si prirodzene vyžaduje samostatnú prácu s manuálmi a údajmi.

Literatúra

Teetor P. R Kuchárka. — O'Reilly, 2011

Úvod

Najprv si pohovorme o terminológii. Hovoríme o oblasti, ktorá sa v západnej literatúre nazýva dolovanie údajov a do ruštiny sa často prekladá ako „analýza údajov“. Termín nie je úplne úspešný, pretože slovo „analýza“ v matematike je celkom známe, má ustálený význam a je zahrnuté v názvoch mnohých klasických sekcií: matematická analýza, funkčná analýza, konvexná analýza, neštandardná analýza, viacrozmerný komplex analýza, diskrétna analýza, stochastická analýza, kvantová analýza atď. Vo všetkých týchto oblastiach vedy sa študuje matematický aparát, ktorý je založený na niektorých zásadných výsledkoch a umožňuje riešiť problémy v týchto oblastiach. Pri analýze údajov je situácia oveľa komplikovanejšia. Ide predovšetkým o aplikovanú vedu, v ktorej neexistuje matematický aparát v tom zmysle, že neexistuje konečný súbor základných faktov, z ktorých by vyplývalo, ako riešiť problémy. Mnohé problémy sú „individuálne“ a v súčasnosti sa objavuje stále viac nových tried problémov, na ktoré je potrebné vyvinúť matematický aparát. Ešte väčšiu úlohu tu zohráva skutočnosť, že analýza údajov je relatívne novým smerom vo vede.

Ďalej musíme vysvetliť, čo je „analýza údajov“. Nazval som to „oblasť“, ale oblasť čoho? Tu sú veci zaujímavé, pretože to nie je len oblasť vedy. Skutočný analytik rieši predovšetkým aplikované problémy a orientuje sa na prax. Okrem toho musia byť údaje analyzované v ekonómii, biológii, sociológii, psychológii atď. Riešenie

nové úlohy, ako som už povedal, si vyžadujú vynájdenie nových techník (nie sú to vždy teórie, ale aj techniky, metódy atď.), takže niektorí hovoria, že aj analýza dát je umenie a remeslo.

IN V aplikovaných oblastiach je najdôležitejšia prax! Je nemožné si predstaviť chirurga, ktorý nevykonal ani jednu operáciu. V skutočnosti to vôbec nie je chirurg. Dátový analytik sa tiež nezaobíde bez riešenia skutočných aplikovaných problémov. Čím viac takýchto problémov vyriešite sami, tým kvalifikovanejším odborníkom sa stanete.

Po prvé, analýza údajov je prax, prax a ešte viac prax. Musíme riešiť skutočné problémy, mnohé z nich, z rôznych oblastí. Pretože napríklad klasifikácia signálov a textov sú dve úplne odlišné oblasti. Špecialisti, ktorí dokážu ľahko vytvoriť diagnostický algoritmus motora založený na signáloch senzorov, nemusia byť schopní vytvoriť jednoduchý spamový filter pre e-maily. Je však veľmi žiaduce získať základné zručnosti pri práci s rôznymi objektmi: signály, texty, obrázky, grafy, popisy funkcií atď. Okrem toho vám to umožní vybrať si úlohy podľa svojich predstáv.

Po druhé, je dôležité múdro si vyberať školiace kurzy a mentorov.

IN V zásade sa všetko môžete naučiť sami. Nejde nám predsa o oblasť, kde existuje niektoré tajomstvá prešli z úst do úst. Naopak, existuje veľa kompetentných školení, zdrojových kódov programov a údajov. Navyše je veľmi užitočné, keď jeden problém rieši viacero ľudí paralelne. Faktom je, že pri riešení takýchto problémov sa musíte zaoberať veľmi špecifickým programovaním. Povedzme váš algoritmus

dalo 89 % správnych odpovedí. Otázka: je to veľa alebo málo? Ak to nestačí, o čo ide: naprogramovali ste algoritmus nesprávne, zvolili ste nesprávne parametre algoritmu alebo samotný algoritmus je zlý a nie je vhodný na riešenie tohto problému? Ak je práca duplikovaná, možno rýchlo nájsť chyby v programe a nesprávne parametre. A ak je duplikovaný odborníkom, rýchlo sa vyriešia aj otázky hodnotenia výsledku a prijateľnosti modelu.

Po tretie, je užitočné si uvedomiť, že analýza údajov si vyžaduje veľa času.

Štatistiky

Analýza dát v R

1. Premenné

IN R, rovnako ako všetky ostatné programovacie jazyky, má premenné. Čo je to premenná? V podstate je to adresa, s ktorou môžeme nájsť niektoré údaje, ktoré ukladáme do pamäte.

Premenné pozostávajú z ľavej a pravej strany, ktoré sú oddelené operátorom priradenia. V R je operátorom priradenia konštrukcia “<-”, если название переменной находится слева, а значение, которое сохраняется в памяти - справа, и она аналогична “=” в других языках программирования. В отличии от других языков программирования, хранимое значение может находиться слева от оператора присваивания, а имя переменной - справа. В таком случае, как можно догадаться, оператор присваивания примет конструкцию следующего вида: “->”.

IN V závislosti od uložených údajov môžu byť premenné rôznych typov: celé číslo, skutočné číslo, reťazec. Napríklad:

moja.var1<- 42 my.var2 <- 35.25

V tomto prípade bude premenná my.var1 typu celé číslo a premenná my.var2 bude typu real.

Rovnako ako v iných programovacích jazykoch môžete s premennými vykonávať rôzne aritmetické operácie.

moja.var1 + moja.var2 - 12

moja.var3<- my.var1^2 + my.var2^2

Okrem aritmetických operácií môžete vykonávať aj logické operácie, teda porovnávacie operácie.

my.var3 > 200 my.var3 > 3009 my.var1 == my.var2 my.var1 != my.var2 my.var3 >= 200 my.var3<= 200

Výsledkom logickej operácie bude pravdivý (TRUE) alebo nepravdivý (FALSE) výrok. Môžete tiež vykonávať logické operácie nielen medzi premennou s určitou hodnotou, ale aj s inou premennou.

my.new.var<- my.var1 == my.var2

Dnes budem hovoriť trochu o riešení klasifikačného problému pomocou softvérového balíka R a jeho rozšírení. Problém klasifikácie je možno jedným z najbežnejších pri analýze údajov. Existuje mnoho spôsobov, ako to vyriešiť pomocou rôznych matematických techník, ale vy a ja, ako R apologéti, nemôžeme byť radi, že nemusíte nič programovať od začiatku - všetko je tam (a nie v jedinej kópii ) v systéme balíkov R.

Problém klasifikácie

Klasifikačná úloha je typickým príkladom „učenia pod dohľadom“. Zvyčajne máme údaje vo forme tabuľky, kde stĺpce obsahujú hodnotu sád funkcií pre každý prípad. Všetky riadky sú navyše vopred označené tak, že jeden zo stĺpcov (predpokladajme, že posledný) označuje triedu, do ktorej tento riadok patrí. Dobrým príkladom je úloha triediť e-maily na spam a nespam. Aby ste mohli používať algoritmy strojového učenia, musíte mať najprv označené dáta – dáta, pre ktoré je známa hodnota triedy spolu s ďalšími funkciami. Okrem toho musí byť súbor údajov významný, najmä ak je počet funkcií veľký.

Ak máme dostatok údajov, môžeme začať trénovať model. Všeobecná stratégia s klasifikátormi nie je zvlášť závislá od modelu a zahŕňa nasledujúce kroky:

• výber tréningových a testovacích súprav;
• trénovanie modelu na tréningovej súprave;
• kontrola modelu na testovacej súprave;
• krížová validácia;
• vylepšenie modelu.

Presnosť a úplnosť

Ako môžeme vyhodnotiť, ako dobre funguje náš klasifikátor? Nie je to ľahká otázka. Faktom je, že sú možné rôzne scenáre, aj keď máme len dve triedy. Povedzme, že riešime problém filtrovania spamu. Po kontrole modelu na testovacej sade dostaneme štyri hodnoty:

TP (true positive) - koľko správ bolo správne klasifikovaných ako spam,
TN (skutočne negatívne) – koľko správ bolo správne klasifikovaných ako nie spam,
FP (false positive) - koľko správ bolo nesprávne klasifikovaných ako spam (to znamená, že správy neboli spam, ale model klasifikoval tieto správy ako spam),
FN (false negative) - koľko správ bolo nesprávne klasifikovaných ako nie spam, ale v skutočnosti to bolo stále Centrum pre americkú angličtinu.

Pokračovanie je dostupné len pre členov

Možnosť 1. Pripojte sa ku komunite „stránky“ a prečítajte si všetky materiály na stránke

Členstvo v komunite v určenom období vám umožní prístup ku VŠETKÝM materiálom Hackerov, zvýši vašu osobnú kumulatívnu zľavu a umožní vám nazbierať profesionálne hodnotenie Xakep Score!

Cieľ vedenie školenia „Analýza údajov a modelovanie vzťahov v balíku R“ – osvojiť si základné možnosti programu R – bezplatného programovacieho jazyka na vykonávanie štatistických výpočtov, ako aj naučiť sa organizovať a spravovať vstupné údaje, vykonávať primárnu štatistickú analýzu údajov, prezentovať ich graficky a byť schopný nájsť vzťahy v údajoch . Školenie je určené pre študentov bez praxe v R alebo so základnými znalosťami balíka.

Je vhodné, aby študenti mali znalosti programovania a boli oboznámení so základmi štatistickej analýzy.

Po ukončení školenia budete môcť používať program R:

• Správne vytvorte vzorku údajov na analýzu
• Organizujte zadávanie údajov a spravujte údaje
• Vykonajte popisnú štatistickú analýzu
• Študujte vzťahy v kontingenčných tabuľkách
• Otestujte štatistické hypotézy o rovnosti priemerov
• Využite grafické možnosti
• Vykonajte korelačnú analýzu
• Vykonajte regresnú analýzu
• Vykonajte ANOVA

Trvanie školenia: 32 akademických hodín. alebo 4 dni.

Tréningový program:

Téma 1. Základné pojmy štatistickej analýzy údajov – 2 akademické hodiny.

• Štatistický výskum
• Metódy získavania údajov
• Rozdiel medzi pozorovaním a experimentom
• Populácia a vzorka
• Požiadavky na údaje pri vytváraní vzorky
• Koncept bodového a intervalového štatistického odhadu
• Znaky a premenné
• Variabilné meracie stupnice
• Oblasti analýzy štatistických údajov
• Deskriptívna a analytická štatistika
• Výber metód štatistickej analýzy v závislosti od škál merania premenných
• Štatistická hypotéza
• Typy štatistických chýb
• Princípy testovania štatistických hypotéz
• Výber úrovne významnosti pri testovaní hypotéz

Téma 2. Úvod do práce v prostredí R – 2 akademické hodiny.

• Vlastnosti práce s R
• Inštalácia programu
• Spustenie programu
• R prostredie
• Príkazový riadok a dialógové rozhranie
• Pravidlá pre špecifikáciu príkazov
• Vytvorenie pracovného adresára
• Balíčky
• Grafické rozhrania
• R ako kalkulačka
• referenčný systém

Téma 3. Základy programovania v R – 2 akademické hodiny.

• Typy objektov v R
• Vektor
• zoznamy
• Matrice
• Faktory
• Tabuľky údajov
• Výrazy
• Operátori prístupu k údajom
• Funkcie a argumenty
• Slučky a podmienené príkazy
• Správa databáz v R
• Vektorizácia operácií
• Ladenie
• Objektovo orientované programovanie

Téma 4. Zadávanie údajov a organizácia v R – 2 akademické hodiny.

• Spôsoby sťahovania údajov
• Priame zadávanie údajov
• Zadávanie údajov do tabuľky
• Import údajov z MS Excel
• Import údajov z iných štatistických balíkov a databáz
• Ukladanie výsledkov analýzy
• Špecifikovanie kvantitatívnych údajov
• Špecifikovanie ordinálnych a nominálnych údajov
• Nastavenie chýbajúcich hodnôt v údajoch
• Identifikácia odľahlých hodnôt a chýb
• Princípy transformácie údajov

Téma 5. Grafické možnosti R – 2 akademické hodiny.

• Grafické funkcie
• Grafické zariadenia
• Možnosti grafiky
• Interaktívna grafika
• Zložené obrázky
• Výstupné zariadenia

Téma 6. Deskriptívna štatistická analýza v R – 4 akademické hodiny.

• Štatistika centrálnej tendencie
• Aritmetický priemer
• Modálny význam
• Stredná hodnota
• Štatistika rozptylu
• Rozptyl a štandardná odchýlka
• Variačný koeficient
• Percentily
• Histogramy
• Krabicové parcely
• Z-transformácia
• Zákon normálneho rozdelenia
• Šikmosť a špičatosť
• Kontrola normality rozdelenia
• Niektoré zákony distribúcie
• Binomické rozdelenie
• Poissonovo rozdelenie
• Rovnomerné rozdelenie
• Exponenciálne rozdelenie
• Lognormálne rozdelenie
• Štandardná chyba a interval pre priemer

Téma 7. Tvorba údajov na analýzu metódou vzorkovania – 2 akademické hodiny.

• Všeobecná a vzorová populácia
• Charakteristika vzorky
• Vlastnosti vzorkovacej metódy výskumu
• Klasifikácia vzorky
• Typy a metódy pravdepodobnostného výberu
• Metódy odberu vzoriek
• Jednoduchý náhodný výber
• Systematický náhodný výber
• Výber klastra
• Jednostupňový výber klastra
• Viacstupňový výber klastra
• Algoritmus na vykonávanie výberových prieskumov
• Určenie požadovanej veľkosti vzorky

Téma 8. Štatistické testy na identifikáciu rozdielov vo vzorkách za R – 4 akademické hodiny.

• Hypotézy o porovnávaní prostriedkov
• Z-test na porovnanie priemerov
• Z-test na porovnanie akcií
• Jednovzorkový t-test
• T-test pre nezávislé vzorky
• T-test pre závislé vzorky
• Podmienky aplikácie neparametrických testov
• Jednovzorkový Wilcoxonov test so znamienkom
• Mann-Whitney test
• Znakový test pre súvisiace vzorky
• Wilcoxonov podpísaný test pre súvisiace vzorky
• Neparametrická Kruskal-Wallisova analýza rozptylu
• Friedmanov test pre závislé vzorky

Téma 9. Hodnotenie vzťahu medzi premennými v R – 4 akademické hodiny.

• Analýza vzťahu medzi kategorickými premennými
• Kontingenčné tabuľky
• Očakávané frekvencie a rezíduá v kontingenčných tabuľkách
• Chí-kvadrát test
• Kritérium dohody
• Klasifikácia typov vzťahov medzi kvantitatívnymi premennými
• Rozptylové zápletky
• Predpoklady a podmienky na vykonávanie korelačnej analýzy
• Pearsonov korelačný koeficient
• Koeficienty poradovej korelácie
• Spearmanov korelačný koeficient
• Kontrola významu vzťahu
• Intervalové odhady korelačných koeficientov
• Parciálne korelačné koeficienty

Téma 10. Modelovanie formy komunikácie pomocou regresnej analýzy v R–4 akademických hodinách.

• Základné pojmy regresnej analýzy
• Párový a viacnásobný lineárny regresný model
• Predpoklady pre lineárnu regresnú analýzu
• Odhad regresných koeficientov
• Kontrola platnosti regresného modelu
• Význam regresnej rovnice
• Význam regresných koeficientov
• Výber premenných v regresnej analýze
• Posúdenie presnosti regresnej rovnice
• Posúdenie štatistickej stability regresnej rovnice
• Bodové a intervalové odhady závislej premennej
• Nelineárne regresné modely
• Kategorické nezávislé premenné v regresnom modeli

Téma 11. Modelovanie vzťahov pomocou analýzy rozptylu v R–4 akademických hodinách.

• Modely ANOVA
• Predpoklady na použitie analýzy rozptylu
• Testovanie hypotézy rovnosti rozptylov
• Jednosmerný model ANOVA
• Jednosmerný stôl ANOVA
• Posúdenie miery vplyvu faktora
• Post hoc testy pre párové porovnania
• Analýza rozptylu s dvoma alebo viacerými faktormi
• Obojsmerný stôl ANOVA s interakciou
• Grafická interpretácia interakcie faktorov
• Multifaktorová modelová analýza