Рыночная экономика в системе межхозяйственных связей и финансовых отношений

/

90

/

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

(ФГБОУ ВПО «КубГУ»)

Кафедра дефектологии и специальной психологии

ДИПЛОМНАЯ РАБОТА

РЫНОЧНАЯ ЭКОНОМИКА В СИСТЕМЕ МЕЖХОЗЯЙСТВЕННЫХ СВЯЗЕЙ И ФИНАНСОВЫХ ОТНОШЕНИЙ

Работу выполнил М.М. Лысенко

Факультет Педагогики, психологии и коммуникативистики курс 4 ЗФО

Специальность: 050715-Логопедия

Научный руководитель: Преподаватель А.И. Бушуева

Нормоконтролер: Ст.преподаватель И.В. Лаврентьева

Краснодар 2013

Содержание

Введение

1. Теоретические основы финансово-экономического состояния предприятий строительной отрасли

1.1 Характеристика строительной отрасли Краснодарского края

1.2 Современное состояние строительной отрасли в период мирового финансового кризиса

1.2.1 Факторы, влияющие на состояние российского жилищно-строительного рынка в условиях мирового финансового кризиса

1.2.2 Комплекс мер по поддержке строительного сектора экономики и сферы недвижимости

1.2.3 Прогноз развития жилищного строительства в России

1.3 Кредитование строительных предприятий

2. Современные методы и инструментальные средства кластерного анализа

2.1 Многомерный статистический кластерный анализ

2.2 Нейросетевая кластеризация

2.2.1 Многослойный персептрон (MPL)

2.2.2 Сеть Кохонена

3. Многомерные статистические методы диагностики финансово - экономической оценки состояния предприятия

3.1 Коэффициентный анализ финансово-экономического состояния предприятия

3.2 Многомерный статистический кластерный анализ финансово - экономического состояния предприятия

3.3 Нейросетевая кластеризация сетям Кохонена состояния предприятий строительной отрасли

3.4 Сравнительный анализ

3.5 Дискриминантный анализ предприятий

3.6 Регрессионный анализ строительных предприятий

3.7 Классификация предприятий строительной отрасли многослойным персептроном

3.8 Сопоставительный анализ разработанных моделей

Заключение

Список использованных источников

Введение

В современном мире появляется необходимость проводить финансово - экономический анализ, обрабатывающий большой объем информации. Экономический и финансовый анализ предполагают построение системы показателей, которые отражают существенные стороны деятельности организации. По результатам такого анализа разрабатывается финансовая политика для любого экономического объекта. Как следствие, актуальность таких систем растет. Это связанно с тем, что появляется много организаций конкурирующих между собой, и необходим надежный и точный анализ состояния этих предприятий на текущий момент, а также прогнозирование на ближайшее время. Еще это связанно с неустойчивым финансовым положением, как в стране, так и во всем мире [3].

Финансовое состояние предприятия - это способность субъекта хозяйствования функционировать и развиваться, сохранять равновесие своих активов и пассивов во внутренней и внешней среде. От финансового состояния предприятия зависит успех его деятельности.

Для оценки состояния и кредитоспособности предприятия важны количественные и качественные показатели, это особенно актуально для малых и средних предприятий. Встает проблема разработки и использования для анализа финансово - экономического состояния предприятия новых математических и инструментальных средств анализа, таких как методы нечетких множеств, нейронные сети [4].

Разработано много моделей и методов для оценки состояния предприятия, однако многие вопросы и проблемы оценки финансово - экономического состояния предприятия и его кредитоспособность с помощью нейронных сетей остаются практически неисследованными [2].

Целью выпускной квалификационной работы является нейросетевое моделирование финансово - экономического состояния предприятий, а именно проведение современных методов кластерного анализа и нейросетевых методов анализа для оценки финансово-экономического состояния предприятий на примере строительных компаний. Для достижения цели используются статистические, нейросетевые модели. Объектами изучения являются строительные компании, а предметом исследования - оценка финансово - экономического состояния предприятий.

После определения цели сложились следующие задачи:

1) Составление базы данных строительных предприятий Краснодарского края;

2)Изучение основных особенностей нейросетевого моделирования;

3)Проведение коэффициентного анализа составленной базы данных предприятий;

4)Используя методы многомерного кластерного анализа выделить в составленной базе данных характерные группы предприятий;

5)Используя нейросетевые методы кластеризации, а именно сетями Кохонена выделить в составленной базе данных характерные группы предприятий;

6) Провести сопоставительный анализ полученных кластеров п.4,5. На основе проведенного исследования сформировать новые кластеры характерных групп предприятий;

7) На основе результатов п.6, используя многомерные статистические методы провести дискриминантный анализ составленной базы данных предприятий;

8) На основе результатов полученных в п.6, используя нейросетевые методы построить модель, типа многослойный персептрон, для оценки составленной базы данных предприятий;

9) Провести сопоставительный анализ результатов оценки финансово - экономического состояния строительных предприятий Краснодарского края, полученных в п.7,8;

10) Подвести итоги исследования. Выявить основные закономерности развития строительной отрасли Краснодарского края.

Выпускная квалификационная работа состоит из трех глав, введения, заключения и списка использованных источников.

В первой главе описана краткая характеристика строительной отрасли Краснодарского края.

Во второй главе представлены основные особенности нейросетевого моделирования, общая структура нейронных сетей, применение их на практике, обучение.

В третьей главе описана поэтапная разработка системы для оценки финансово - экономического состояния предприятий.

В заключении подводится итог всего дипломного проекта.

1. Теоретические основы финансово-экономического состояния предприятий строительной отрасли

В качестве инструментария для анализа финансово-экономического состояния предприятия используются финансовые коэффициенты -- относительные показатели, представляющие собой отношение одних абсолютных финансовых показателей к другим [11].

Все они, как правило, распределяются по следующим группам:

а) показатели ликвидности;

б) показатели финансовой устойчивости;

в) показатели рентабельности (прибыльности);

г) показатели деловой активности (оборачиваемости активов);

д) менеджмент;

е) изучение динамики цен на товары и услуги;

ж) ставок налогообложения и процентных ставок по банковским кредитам и депозитам, курс эмиссионных ценных бумаг;

з) деятельности конкурентов на товарном и финансовом рынках и другие [16].

Информационной базой для расчета всех показателей являются:

- форма № 1 «Бухгалтерский баланс» и приложения к балансу;

- форма № 2 «Отчет о прибылях и убытках».

1.1 Характеристика строительной отрасли Краснодарского края

Строительство - это самостоятельная отрасль экономики страны, предназначенная для возведения зданий и сооружений, их капитального и текущего ремонта. Процесс строительства включает в себя все организационные, проектные, монтажные работы, а также взаимодействие с компетентными органами для решения проведения таких работ [6].

Результатом строительства является возведенное здание с отделкой и всеми необходимыми документами, предусмотренными законом. Определяющая роль отрасли строительства заключается в создании условий для динамичного развития экономики страны [13].

В строительстве принимают участие практически все отрасли промышленности. Для перевозки материала, строительных конструкций, техники используются все виды транспорта: автомобильный, железнодорожный, воздушный, морской, речной [14].

Краснодар по темпам и объёмам вводимого в эксплуатацию жилья по сравнению с другими регионами страны находится в числе лидеров -- вместе с Москвой и Санкт-Петербургом. В 2011 году в краевом центре построено свыше 1 млн. 75 тыс. квадратных метров жилья. По итогам 2010 года объём работ, выполненных по виду деятельности «строительство», составил 35,9 миллиарда рублей. По крупным и средним предприятиям сопоставимая оценка составляет 81,8 и 78,2 % соответственно к уровню 2009 года. Темп роста общего ввода жилья за январь--март 2011 года по сравнению с аналогичным периодом 2010 года составляет 113 %[4].

Перестроечные процессы в экономике страны и крупных государственных строительных и монтажных трестов привели к резкому увеличению числа малых строительных и монтажных организаций различных форм собственности.

Строительством многоквартирных жилых домов на территории Краснодарского края занимается 85 компаний, строительством из быстровозводимых конструкций - 26 компаний. В настоящее время актуальна не точечная территориальная застройка, а построение жилищного комплекса со всей инфраструктурой, устроенной территорией, с детскими, спортивными площадками, с участковыми пунктами полиции, аптеками, рядом находящимися поликлиниками [4].

На период 2008 - 2011 года в городе действовала программа «Краснодару - столичный облик», при помощи которой была проведена реконструкция центральной части с сохранением общего архитектурного и исторического облика, благоустройство и озеленение территорий. На данном этапе строительства в самом городе Краснодар реализуется интенсивное строительство в Восточно-Кругликовском микрорайоне, в районе Гидростроителей. А самым большим объектом строительства является строительство олимпийских объектов в городе Сочи, которые включают в себя не только спортивные объекты различного вида, но и разнообразные гостиничные комплексы, отели, коттеджи [9].

По объему производимой продукции и количеству занятых людских ресурсов на строительную отрасль приходится примерно десятая часть экономики страны. В строительной отрасли действуют около 70 тыс. строительно-монтажных организаций. И эти цифры растут с каждым годом. Растет и количество частных строительных организаций, и занятых на них людей [3].

Строительство - это отрасль материального производства, и имеет свои отличия от других отраслей. Особенности отрасли характеризуются характером конечной продукции, условиями труда, применяемой техникой и технологиями, организацией производства. Данные особенности разделяются на общие, характерные всей отрасли независимо от сооружаемых объектов и их назначения, и специальные, присущие для отдельных строительных министерств [10].

Общие особенности строительства:

а) Нестационарные, временный характер, неоднотипность строительного производства и характера конечной продукции. После того как объект сдан в эксплуатацию, все строительно-монтажные работы заканчиваются на обжитом месте, и средства производства перемещаются на новое место. В строительстве подвижными являются рабочие места и строительные машины, механизмы, оборудование, техническое оснащение труда, а продукция является неподвижной. В промышленности наоборот: продукция носит подвижный характер, а рабочие места пространственно закреплены. Конечная продукция строительной отрасли создается на протяжении конкретного периода времени и используется там же, где она закреплена территориально. Результат строительной деятельности является предметом длительного пользования и служит десятки и сотни лет [6];

б) Технологическая взаимосвязь всех операций, входящих в состав строительного процесса. Во всех отраслях до начала выполнения конечной продукции выполняются промежуточные, временные стадии. В промышленной отрасли это обработка технологии производства. В строительстве до начала строительно-монтажных работ создаются временные производственно - бытовые и административно - хозяйственные здания, выполняются прокладки дорог, линий электропередачи, инженерных коммуникаций и т.д. наряду с этим длительные сроки строительства вызывают отвлечение средств из хозяйственного оборота в незавершенное строительство. Технологии в строительной отрасли требуют строгой последовательности в выполнении отдельных процессов: завершение одного рабочего процесса предшествует началу другого. Пока не закончится один процесс ни один другой не может начаться. Продукцию в этих условиях нельзя накапливать в промежуточных складах. Строительные процессы невозможно располагать пространственно, из-за этого и появляются трудности одновременно использовать рабочих в соответствии с их специальностью и квалификацией [17];

в) Участие различных организаций в производстве конечной строительной продукции. В промышленном производстве как бы ни кооперировались предприятия, результирующую продукцию выпускает один производитель, который и занимается ее реализацией. В строительной отрасли для получения готового объекта участвует много строительно-монтажных организаций, которые создают отдельные конструктивные элементы зданий и сооружений, при этом заказчик один [20].

Специальные особенности строительной отрасли возбужденным огромным многообразием возводимых объектов. Таких как:

- промышленные;

- жилищно-гражданские;

- социально-бытовые;

- транспортные;

- сельскохозяйственные;

- мелиорации и водного хозяйства;

- магистральных трубопроводов;

- линий электропередачи.

Строительные организации реализуют возведение, реконструкцию, капитальный ремонт, монтаж оборудования. Основные организационные формы строительных организаций: тресты, комбинаты, строительные управления (СУ), строительно-монтажные управления (СМУ), подвижные механизированные колонны (ПМК) [4, 5].

Строительство как форма осуществления капитальных вложений производится двумя способами:

1) Подрядным, при котором строительно-монтажные работы осуществляются специализированной подрядной организацией, а функции заказчика осуществляются либо непосредственно инвестором, либо также специализированной организацией;

2) Хозяйственным - когда обязанности заказчика и обязанности подрядчика реализовываются непосредственно инвестором. В данном случаи в организации, выполняющей капитальные вложения, могут создаваться специализированные структурные подразделения (отделы капитального строительства).

Традиционно хозяйственный способ считается второстепенным. С началом рыночных преобразований хозяйственный способ стал приобретать все большее значение. Отсутствие централизации прибыли, и расширение самостоятельности организаций позволило использовать хозяйственный способ практически на любом рентабельном производстве [7].

Еще особенностью строительства являются участники (субъекты) инвестиционной деятельности, к которым согласно Федеральному закону от 25.02.1999 № 39-Ф3 «Об инвестиционной деятельности в Российской Федерации, осуществляемой в форме капитальных вложений», относятся:

- инвестор;

- заказчик;

- подрядчик;

- пользователь объектов капитальных вложений.

Системы управления процессом производства в строительстве обычно строятся исходя из пяти моделей:

- система подрядных отношений;

- система «под ключ»;

- система типа «заказчик - подрядчик»;

- система «профессионального управления строительством» с управляющим строительством;

- система «профессионального управления строительством» с генеральным подрядчиком.

Отчетность учетно-аналитической информации напрямую зависит от выбора системы управления. Перед тем как утвердить систему управления строительством необходимо знать цели экономических задач участников строительного производства. Систему управления строительством выбирает заказчик и решает задачи планирования, распределения функций управления строительством, прогноза качества работ, планирования предпринимательских рисков и, естественно, финансового прогноза о стоимости строительства объекта. Другие участники строительного процесса решают свои целевые экономические задачи. К примеру, в целях инвестора лежит не только построение объекта и сдачу его в эксплуатацию, но и экономическая мотивация: как можно больше уменьшить капитальные вложения и уменьшить сроки окончания работ. Экономической задачей подрядчика является максимум рентабельности работ. Это можно достигнуть при регулировании расценок на строительно-монтажные работы, используя два способа: подорожанием строительства или снижением расходов [8].

В строительной отрасли предприятиями используются принципы рыночной экономики. Такие как:

- свобода предпринимательства, полная хозяйственная самостоятельность;

- использование различных форм собственности с преобладанием частной;

- свободные цены (кроме особо регулируемых государством и субъектами РФ);

- антимонопольность деятельности;

- открытость внутреннего рынка (свобода выхода на внешние рынки);

- договорные формы между хозяйствующими субъектами [4].

Главная проблема в строительной сфере, как Краснодарского края, так и страны в целом, является незаконно возводимое жилье. Эта проблема связанна с тем, что индивидуальные предприниматели зачастую осуществляют свою деятельность не в рамках закона №214 - ФЗ, не оформляют всю необходимую проектно - разрешительную документацию. В настоящее время власти края борются с этой проблемой, так как тысячи вкладчиков остаются без жилья, и без вложенных ими денег. В середине марта 2012 года власти Краснодара оценили рынок «самостроя» в 10 млрд. рублей, и остановили 65 незаконных строек. В настоящее время существует список незаконно возводимых многоквартирных домов. В перечне насчитывается около 120 адресов земельных участков [9].

1.2 Современное состояние строительной отрасли в период мирового финансового кризиса

Сфера строительства одна из первых отраслей, которая ощутила кризис. Это связанно с тем, что она является результатом инвестиционных программ, а значит, требует больших финансовых средств, их ритмичного и стабильного поступления. Результат кризиса в стране для строительства явился максимально ощутимым. Заморозились уже начатые строительные объекты, причиной этого является нехватка финансирования, решается перенести сроки сдачи объектов в эксплуатацию на поздние сроки. Сократились заказы, что плохо повлияло на экономическое положение подрядных организаций, а также предприятий - изготовителей строительных материалов. Некоторые такие фирмы стали на грани банкротства, из-за не готовности к такому положению. Многие из них пытались спастись благодаря увольнении персонала, сворачивании основной деятельности, перехода работы на сокращенную неделю. Но все же их это не спасало [14, 15].

Кризисное состояние экономики отразилось на строительной отрасли, где наблюдалось свертывание инвестиций в условиях прогрессирующего старения и износа основных фондов. Усугубление финансового положения строительных компаний связанно с некоторыми факторами. Например, высокая инфляция определила норму процента за кредит, которая очень превышает рассчитываемую рентабельность многих проектов. Вследствие чего были недоступны среднесрочные, а тем более и долгосрочные кредиты. Высокий уровень налогов, введение предоплаты за продукцию строительной отрасли, взаимная задолженность предприятий по платежам - это все вместе осложнило адекватную хозяйственную деятельность предприятий строительной отрасли [21].

1.2.1 Факторы, влияющие на состояние российского жилищно-строительного рынка в условиях мирового финансового кризиса

В течение кризиса сформировались главные проблемы в строительной сфере. Такими являются:

1) Высокие ставки по ипотеке и отсутствие платежеспособного спроса;

2) Недоверие людей к долевому строительству и отсутствие выгодных источников инвестирования;

3) Недостаточность госгарантий и господдержки;

4) Неразвитость инженерной инфраструктуры и энергодефицит.

Если исходить из указанных выше проблем, то развитие строительной области можно разделить на три ветви: финансовая система, господдержка, инфраструктура. Строительная отрасль будет развиваться нормально, без кризисов и различного рода перепадов только при условии, что эти три ветви будут совпадать [6].

На рисунке 1.1 продемонстрированы объективные факторы, ограничивающие производственную деятельность строительных организаций за 4 кв. 2008 г. и 3кв. 2009г.

Рисунок 1.1 - Факторы, ограничивающие производственную деятельность строительных организаций

Если анализировать причины, которые запад привели к финансовому кризису, то можно определить основные факторы:

а) искусственное повышение доступности ипотечных кредитов за счет снижения требований к платежеспособности заемщиков и качеству кредитных продуктов (уменьшение первичного взноса и первоначальных месячных платежей);

б) устойчивая тенденция к снижению цен на жилье [19, 20].

Следует отметить, что выше описанные факторы также присутствуют как на российском ипотечном рынке, так и в Краснодарском крае.

Также следует рассмотреть ситуацию на инвестиционно-строительном рынке, в частности в секторе жилищного строительства. Здесь работает ряд факторов, порождающих разнонаправленные тенденции, которые несут в себе серьезные угрозы, как для развития стройкомплекса, так и для экономики страны в целом.

Фактор 1 - «Государственный»

Начало реализации приоритетного национального проекта «Доступное и комфортное жилье -- гражданам России» в 2005 году совпало по времени с масштабной реорганизацией всей системы государственного управления и принятием пакета законов, существенно изменивших правовые основы реализации инвестиционно-строительных проектов.

Все происходящее и оказало отрицательное влияние на темпы ввода жилья. Потому что продолжительность инвестиционно-строительных циклов содержит не менее 3 - 4 лет, влияние вышеупомянутых законодательных новаций стало существенно сказываться в 2008 году. Об этих изменениях свидетельствуют данные Росстата за первую половину 2008г., согласно которым произошло значительное, почти в 5 раз по сравнению с 2007 годом, снижение темпов жилищного строительства.

Следует отметить также, что описанный выше фактор будет оказывать влияние в среднесрочной перспективе, причиной того является перестройка работы девелоперов (предпринимателей, занимающихся созданием новых объектов недвижимости) в соответствии с нормами закона о долевом строительстве и подготовка муниципалитетами земельных участков к аукционерам проходят очень трудно [10, 12].

Фактор 2 - «Дисбаланса и предложения»

Большой дисбаланс между предложением и платежеспособным спросом в его же сторону, добавленный механизмами реализации национального жилищного проекта, который отдает приоритет господдержке покупке жилья на свободном рынке, привел к сохранению в 2005 - 2006 годах высокой динамики роста цен. Ценовой максимум случился в 2006 году, где в среднем в России цены на жилье выросли на 54%, а в городах, чья численность больше миллиона, почти в 2 раза [2].

В 2007 году во вновь построенное жилье въехало порядка 700 тыс. семей, в то время как платежеспособный слой населения, по данным Минрегиона России, составляет около 20% российских граждан. Всеми формами государственной поддержки в 2007 году воспользовалось чуть больше 70 тыс. семей или около 0,15% населения [18].

Обстановка осложняется повысившейся инфляцией и усиленными требованиями по ипотечным кредитам. В связи со сложившейся ситуацией упала возможность приобретения жилья даже для такого маленького круга населения, которое обладает стабильными и постоянными доходами.

Это показывает падение в 2007 году темпов роста цен на жилье по реально совершенным сделкам купли-продажи на свободном рынке и уменьшение количества сделок как минимум на 30 - 50%. Эта тенденция сохраняется и в 2008 году, несмотря на некоторое сезонное оживление продаж [18].

На уменьшение количества продаж еще влияет то, что население ждет спад цен на жилье. Это вызвано не устойчивостью финансового рынка, усилившейся после обвала котировок акций на российских финансовых площадках 16 - 17 сентября 2008 года [19].

Из-за этого впервые за последние годы вырос риск не реализации построенного жилья на рынке.

Фактор 3 - «Кредитование»

В 2007 - 2008 годах у девелоперов появились проблемы с кредитованием строительных проектов со стороны банков.

Этот отрицательный фактор, который определил обстановку в банковском секторе экономики в соединении с возрастающими рисками не возведении возведенного жилья, вызвал большие нелегкости у профессиональных участников по всей цепочке инвестиционно-строительной деятельности. К этим трудностям особенно уязвимы средние и малые предприятия, которые не имеют резерв прочности.

Уменьшились объемы и рост стоимости банковского кредитования, а еще также уменьшились продажи жилья у девелоперов. Это привело к недостатку средств для финансирования жилищного строительства и уменьшению рентабельности их деятельности. Как правило, одни девелоперы вынуждены замораживать начало строительства новых жилищных объектов, другие - выставлять на продажу ранее приобретенные площадки под застройку, третьи - ограничивать объемы и увеличивать сроки строительства. В итоге сложились предпосылки для снижения цен на рынке жилья [19].

Дальнейшая пролонгация сложившегося положения с финансированием жилищного строительства чревата угрозами обвального падения цен, существенного увеличения объемов незавершенного строительства, появления новой волны обманутых дольщиков, банкротств застройщиков и подрядных организаций, невозвратами строительных кредитов [20].

Фактор 4 - «Высокая стоимость материалов, конструкций, изделий»

Благодаря росту динамики продажных цен на жилье в 2005 - 2006 годах сильно подорожали строительные материалы в 2007 году, что произвело сильный рост себестоимости строительства. В частности подорожали цены на цемент и некоторые виды металла.

Правительство РФ решило прекратить увеличение цен на стройматериалы. Для этого в 2007 году были отменены ввозные пошлины на цемент. Доля импорта за короткий срок выросла с 2% до практически 10%. Цены российских производителей цемента упали, снизились их доходы, произошло сокращение производства, это доказывает уменьшение спроса на цемент в условиях замедления темпов строительства жилья. Только на предприятиях крупнейшей российской цементной компании «Евроцемент» производство цемента снизилось более чем на 20% [20].

Определенного прогноза развития ситуации на жилищном рынке в краткосрочной перспективе дать нельзя, потому что она очень сильно зависит и от внешней среды, и от кризисных явлений, от поведения потребителей, финансовой устойчивости девелопероов.

Чтобы решать проблемы в строительной отрасли нужно:

- сформулировать ипотечное кредитование, сделать кредиты доступными;

- развивать госфинансирование жилищных программ;

- развивать строительство государственных бизнес-инкубаторов для предоставления площадей;

- открытие строительных технопарков в регионах;

- развитие инфраструктурных систем в муниципалитетах;

- развитие малоэтажного строительства.

Строительная отрасль на рынке существует много лет, и пережила немало кризисов. Можно сказать, что многие аналитики рынка предсказывают спад в строительстве, который связан с диспропорциями спроса и предложения, а не отголосками мирового кризиса. Но в целом кризис сильно отразился на строительной отрасли. Но все же строительство одна из древнейших отраслей, и была и будет всегда востребована [20, 21].

1.2.2 Комплекс мер по поддержке строительного сектора экономики и сферы недвижимости

Экспертами Ассоциации Строителей России в 2008 г. был разработан комплекс мер по поддержке строительного сектора экономики и сферы недвижимости [17].

В его основу должны быть положены:

- концентрация государственных финансов на стратегических направлениях, обеспечивающих максимальную эффективность в плане минимизации последствий мирового финансового кризиса и стабильное поступательное развитие строительного комплекса;

- стимулирование активности населения в плане повышения его платежеспособного спроса;

- ускоренное решение задач, поставленных, но не решенных в предыдущий период, существенным образом влияющее на стабилизацию ситуации и динамику выхода строительного комплекса из кризиса;

- стимулирование развития инфраструктурных проектов, обеспечивающих модернизацию экономики и увеличивающих потенциал внутри российского рынка товаров, работ и услуг;

- стимулирование развития российского финансового рынка путем формирования долгосрочных источников ликвидности и создания инвестиционных инструментов и механизмов (в первую очередь, так называемых «структурных финансов») в реальный сектор российской экономики.

Особый интерес вызвало предложение экспертов Ассоциации преобразовать Государственную корпорацию «Фонд содействия реформированию жилищно-коммунального хозяйства» в полноценного оператора, обеспечивающего реализацию программ в жилищной сфере и сфере жилищно-коммунального хозяйства:

- формирование фондов наемного (арендного) жилья и фондов жилья социального использования;

- развитие инженерной и коммунальной инфраструктуры;

- осуществление капитального ремонта существующего жилого фонда;

- переселение граждан из ветхого и аварийного жилищного фонда и т.п.

Фонд содействия реформированию ЖКХ должен на основе разработанных единых стандартов и правил осуществлять рефинансирование муниципалитетов, привлекая на вышеуказанные цели средства Государственной корпорации «Банк развития и внешнеэкономической деятельности» (ВЭБ), иных бюджетных фондов и частных институциональных инвесторов, посредством секьюритизации арендных, коммунальных и иных платежей, эмиссии и размещения соответствующих ценных бумаг [23].

1.2.3 Прогноз развития жилищного строительства в России

В целом экономическая ситуация отразилась на строительной отрасли, это проявляется в уменьшении приобретения населением жилья. Главной причиной этого является маленькая возможность людей брать ипотечные кредиты, а также невысокий доход. При всем этом потенциальный спрос на жилье остается высоким.

На плохой оборот средств строительных организаций повлияли уменьшение потребительского спроса на жилье и жестокие условия банковского кредитования. Благодаря таким факторам остается не закрытой проблема большого количества незавершенных строек. Объем общей площади жилых домов, введенной в эксплуатацию в 2009 году, обеспечивается в основном созданным в предыдущие годы значительным заделом. В 2009 году были достроены лишь те дома, которые были уже на стадии завершения [23, 24].

До настоящего времени не наблюдается спад в строительном комплексе. Объем работ по виду деятельности «Строительство» за январь - август 2009 г. сократился на 18,5 % к соответствующему периоду предыдущего года. Но при всем этом в жилищном строительстве на данном времени отмечался рост объемов ввода жилья, поддерживаемый вводом индивидуальных домостроений, которое производилось за счет собственных средств. Хотя в январе - июне ввод жилья за счет средств федерального бюджета сократился на 25,6%, принятые Правительством Российской Федерации меры по поддержке ипотечного рынка, региональных жилищных программ стали важным фактором, обеспечившим продолжение позитивной динамики ввода жилья. В целом за восемь месяцев текущего года было введено 29,7 млн. кв.м. общей площади жилых домов, что на 1,2 % больше, чем за соответствующий период предыдущего года. По итогам года ожидается объем ввода жилья на уровне 52-55 млн. квадратных метров [21].

Объемы жилищного строительства сократились в 2009 году по сравнению с 2008 годом во всех федеральных округах, за исключением Дальневосточного, а также в 42 субъектах Российской Федерации, что сформировало сокращение показателя ввода в эксплуатацию жилых домов в целом по Российской Федерации на 10,6 % к 2008 году [20, 21].

В связи со снижением инвестиционной активности в 2009 году, обусловившим сокращение объема работ по виду деятельности «Строительство», наиболее значительное уменьшение ввода в действие жилых домов (более чем на 30 % к 2008 году) ожидается в городе Санкт-Петербург, Республике Бурятия, Омской, Челябинской, Воронежской, Архангельской областях, Красноярском крае [19, 21].

Больше всего строительства происходит на территории больших развитых городов с высокой численностью населения: Москва, Санкт-Петербург, республики Татарстан, Башкортостан, Московскую, Ростовскую, Челябинскую, Свердловскую, Новосибирскую, Нижегородскую, Самарскую области, Краснодарский край. Удельный вес данной группы регионов в общем объеме строительства жилых домов по Российской Федерации сократится к 2012 году на 5 процентных пунктов, в связи с тем, что среди указанных субъектов Российской Федерации уровень жилищного строительства 2008 года к 2012 году удастся превысить только Свердловской, Нижегородской, Самарской областям и Республике Башкортостан [21, 22].

На территории старых городов увеличение строительства объясняется тем, что производится реконструкция старинных зданий, постройка новых объектов социальной сферы, устранение ветхого жилья, при этом в строительной отрасли увеличение инвестиций в основной капитал будет выше, чем в реальном секторе экономики.

В прогнозном периоде высокие темпы объемов жилищного строительства ожидаются в субъектах Российской Федерации с незначительным объемом наличествующего жилищного фонда: в Чеченской Республике (в 7 раз в 2010 году и 4,8 раза в 2012 году по отношению к 2008 году), Камчатском крае (1,4 раза и 1,6 раз соответственно), Мурманской области (4 раза и 8 раз), Республике Ингушетия (1,6 раза и 1,7 раза). Чукотский автономный округ отличается наличием минимального объема жилищного фонда среди субъектов Российской Федерации, что объясняет значительные колебания темпов ввода жилья в регионе в прогнозном периоде - в 4,4 раза в 2009 году и 27,3 % в 2010 и 2012 годах к 2008 году [24].

На всем протяжении периода с 2008 по 2012 годы сохранится положительная динамика темпов жилищного строительства в 19 субъектах Российской Федерации, причем как в экономически развитых Кемеровской, Нижегородской областях, так и в регионах, в которых не наблюдается резких колебаний инвестиционной активности, и величина абсолютного ежегодного прироста ввода жилья остается невысокой, но стабильной: Республике Марий Эл, Кабардино-Балкарской Республике, Ивановской области [22, 24].

На протяжении периода 2010-2012 годов были завершены такой национальный проект как «Доступное и комфортное жилье - гражданам России» и федеральная целевая программа «Жилище». Это позволило поднять динамика строительной отрасли. Но все же, во многих субъектах так и не удается достигнуть высокого уровня в этой отрасли [9].

Процент, который приходится на Московскую и Ленинградскую области составляет 20% от общего объема вводимого жилья. Причиной этого является большая численность населения, развитая инфраструктура.

Строительная отрасль пострадала во всех регионах страны, на это повлияли кризисные факторы, из-за этого максимально пострадала экономика данных регионов (Рисунок 1.2).

Рисунок 1.2 - Основные показатели для разработки прогноза социально-экономического развития субъектов Российской Федерации на период до 2012 года (в % к предыдущему году)

До сих пор Московская область лидирует среди других субъектов по эксплуатации жилья. При этом в 2009 году почти 50% от всего построенного жилья было построено людьми за свой счет или благодаря кредитам [16].

Столица Кубани занимает также лидирующие позиции на рынке строительной отрасли. За последние годы было введено в эксплуатацию много объектов, образованно множество муниципальных проектов по которым население может получить или приобрести жилье с помощью властей. За последние пять лет было построено в городе Краснодаре много новых микрорайонов с полностью обустроенной инфраструктурой. Анализирую это можно сделать вывод о том, что ситуация на рынке недвижимости стабилизировалась. Незаконно построенное жилье ликвидируют, в силу вступают разнообразные проекты помощи по приобретению жилья, банки выдают ипотечные кредиты на допустимых для населения условиях, появляются новые варианты приобретения квартир (рассрочка, скидки) [12].

1.3 Кредитование строительных предприятий

Серьезные последствия отрасль строительства ощутила в области кредитования. Число выдаваемых кредитов уменьшилось. Банки не хотели давать кредиты, причиной этого был большой риск не отдачи заемных средств.

К рассмотрению кредитной заявки теперь подходили серьезней. Внимательней рассматривалась документация, в частности официальная отчетность, на управленческую отчетность не обращали внимания. Заемщиками становились лишь те фирмы, у которых финансовая отчетность удостоверяет рост и эффективность [14].

Большое значение завоевало обеспечение кредита - цена объекта залога, который является важным доказательством для банка, что заемные средства вернутся. Сумма кредита должна быть ниже минимум в два раза, чем стоимость объекта. В обеспечение кредитов банки могут брать как имущественные права по проекту, так и обычные активы компаний. Главной проблемой для банков является отсутствие залогов. По сути у заемщиков есть только документы подтверждающие разрешение строительства, а будут ли эти объекты востребованы не известно. Давать кредиты на таких условиях могут себе позволить только крупные банки, такие как Сбербанк, Альфа-банк, Внешторгбанк, 'НИКойл', Банк Москвы, МДМ-банк. Как правило, они применяют схемы кредитования через собственные фирмы, а это, по сути, вхождение в бизнес строительных компаний, что не всегда устраивает собственников последних. Поэтому строительные компании все же ищут банки, где смогут получить обычные кредиты [16, 17].

Сроки и условия кредита в каждом банке разные. Но обычно везде одна тенденция: повысилась процентная ставка - сроки кредитов снизились. «Номос банк» кредитует малые строительные компании на срок до 3-х лет под 16-20% годовых, средние - на срок до 1 года по 13-15% годовых. При этом особое внимание банк уделяет заказчику строительства. В случае если строительство ведется в рамках госзаказа или же заказчиком являются такие крупные корпорации как «Газпром», «Лукойл» и другие, то вероятность получения кредита существенно возрастает. Строительство, инициируемое различными ООО, не кредитуется [17].

«Банк Кедр» осуществляет кредитование строительных компаний только при наличие высоколиквидного залога на срок не более 3-х лет. Процентная ставка в таком случае составляет 17-20% в зависимости от суммы кредита [4].

«Уралсиб-Юг банк» осуществляет кредитование строительных компаний под 17% годовых на срок свыше одного года. При увеличении срока кредита (максимально до 3-х лет) увеличивается ставка до 22%. Главным требованием банка является осуществление не только работ по возведению зданий, но и осуществление монтажных работ, работ по внутренней и наружной отделке или успешной деятельности в других отраслях [16].

«Сбербанк» ведет кредитование строительных компаний с целью пополнения оборотных средств на срок не более 1,5 лет. Процентная ставка в данном случае определяется классом кредитоспособности компании и комплексом услуг. В среднем кредитование средних предприятий осуществляется под 15% годовых [17].

Газпромбанк занимается реализацией крупных строительных проектов. Дает кредиты только известным компаниям, которые давно на строительном рынке. Также занимается финансированием своих клиентов под строительство для собственных нужд [4].

Основная часть заемных средств вкладывается не в строительство коммерческих объектов, офисных зданий, а жилья. Банк 'Авангард', давно и активно занимающийся кредитованием жилищного строительства на столичном рынке, только с начала этого года выдал кредитов на сумму около $14 млн. [5].

Банк ВТБ одинаково положительно относится к строительству и жилья, и коммерческой недвижимости, причем регион также не имеет значения. К декабрю 2007 года на проекты в сфере недвижимости приходилось около 8% общего объема кредитного портфеля ВТБ. В денежном выражении это приблизительно 72 млрд. руб. Последние два года журнал «Euromoney» в своем рейтинге признает ВТБ «ведущим российским банком в сфере инвестиций в коммерческую недвижимость» [8].

В 2010 году уже произошли изменения после кризиса. Начали достраиваться замороженные объекты, допродаваться квартиры 2007 - 2008 года строения. И уже к 2012 году были резкие изменения в строительной отрасли. Вырос спрос на квартиры, что породило построение новых объектов. Большое влияние оказывают федеральные власти на развитие и восхождение строительной отрасли на достойный уровень. За последние годы было проведено множество разнообразных проектов для помощи покупки жилья. Классификация этих проектов обширная: от вида деятельности, от доходов, от специальности [4].

В Краснодарском крае также происходит поддержка строительной отрасли. Помощь идет и в сторону застройщиков, и в сторону покупателей. Разработано множество проектов таких как, «Молодой семье - доступное жилье», «Доступное и комфортное жилье - гражданам России», программа «Жилище», и многие другие [9].

На сегодняшний день наблюдается подъем строительной отрасли после кризиса. Но все же для многих объектов до сих пор остается сложностью получить кредит для постройки, и так же для многого населения остается не возможным приобретение жилья. Главной проблемой является незаконное возведение домов.

Основными факторами, сдерживающими деятельность строительных организаций, являются «высокая стоимость материалов, конструкций, изделий», «высокий уровень налогов» и «конкуренция со стороны других строительных фирм» [21].

Банки частично остановили кредитование инвестиционно-строительных проектов из-за существенного снижения ликвидности и качественного роста рисков не реализации готовых жилищных объектов.

Однако, отрицательной динамики жилищного строительства на всем протяжении периода 2010 - 2014 годов не прогнозируется ни в одном субъекте Российской Федерации во многом благодаря тому, что в прогнозном периоде будет завершена реализация приоритетного национального проекта «Доступное и комфортное жилье - гражданам России» и федеральной целевой программы «Жилище» на 2002 - 2014 годы [19].

2. Современные методы и инструментальные средства кластерного анализа

2.1 Многомерный статистический кластерный анализ

Главное назначение кластерного анализа (от англ. cluster - гроздь, скопление) - разбиение множества исследуемых объектов и признаков на однородные в некотором смысле группы, или кластеры. Кластерный анализ применяется если надо просто разбить по группам какие-то данные. Разбиение происходит по определенным признакам, классификациям [15].

Кластеризация применима в разнообразных областях. К примеру, в медицине существует кластеризация заболеваний, лечения заболеваний или симптомов заболеваний, что приводит к широко используемым таксономиям. Правильная кластеризация является залогом успешного лечения. В археологии с помощью кластерного анализа исследователи пытаются установить таксономии каменных орудий, похоронных объектов и т.д. Известны широкие применения кластерного анализа в маркетинговых исследованиях. В общем, всякий раз, когда необходимо классифицировать 'горы' информации к пригодным для дальнейшей обработки группам, многомерный кластерный анализ оказывается весьма полезным и эффективным [11].

Кластерный анализ отличается от других тем, что не требуется обучающей выборки. Достоинством анализа является разбиение объектов не по одному признаку, а по ряду параметров. Еще, многомерный кластерный анализ отличается от многих других математико-статистических методов тем, что разрешает исследовать массу произвольных исходных данных и не накладывает никаких ограничений на вид объектов. Это очень важно во многих случаях, например при прогнозировании конъюнктуры, когда показатели имеют разнообразный вид, затрудняющий применение традиционных эконометрических подходов [15].

Важное значение многомерный кластерный анализ имеет применительно к совокупностям временных рядов, характеризующих экономическое развитие (например, общехозяйственной и товарной конъюнктуры). Здесь можно выделять периоды, когда значения соответствующих показателей были достаточно близкими, а также определять группы временных рядов, динамика которых наиболее схожа [7].

Многомерный кластерный анализ можно использовать циклически, при этом исследование будет проходить до тех пор, пока не будет достигнут заданный результат. При этом каждый цикл здесь может давать информацию, которая способна сильно изменить направленность и подходы дальнейшего применения кластерного анализа. Этот процесс можно представить системой с обратной связью [8].

Задача кластерного анализа заключается в том, чтобы на основании данных, содержащихся во множестве X, разбить множество объектов G на m (m - целое) кластеров Q1, Q2, …, Qm так, чтобы каждый объект Gj, принадлежал одному и только одному подмножеству разбиения. При этом объекты, принадлежащие одному и тому же кластеру, должны быть сходными, а объекты, принадлежащие разным кластерам, - разнородными [10].

Решением задачи кластерного анализа являются разбиения, удовлетворяющие критерию оптимальности. Этот критерий может представлять собой некоторый функционал, выражающий уровни желательности различных разбиений и группировок, который называют целевой функцией. Например, в качестве целевой функции может быть взята внутригрупповая сумма квадратов отклонений:

где Xj - вектор измерений j-го объекта; - средний вектор измерений; j = 1,.., n.

Сходство между объектами Gi, Gj определим через понятие расстояния между векторами изменений Xi, Xj, так как интуитивно понятно, что чем меньше расстояние между объектами, тем они более схожи.

Напомним, что неотрицательная функция d(Xi, Xj) называется функцией расстояния (метрикой), если:

а) для всех Xi и Xj ;

б) тогда и только тогда, когда Xi = Xj ;

в) ;

г) .

Значение для Xi и Xj называются расстоянием между Xi и Xj и эквивалентно расстоянию между Gi и Gj соответственно выбранным характеристикам F1, F2, F3, …, Fk.

Перечислим часто употребляемые функции расстояний.

Euclidean distances (евклидова метрика) является наиболее популярной и вычисляется по формуле

Евклидово расстояние - геометрическое расстояние в многомерном пространстве. Обычно вычисляется по исходным, а не по стандартизованным данным. Поэтому на расстояния могут сильно влиять различия между осями, по координатам которых вычисляются эти расстояния. Так, если изменить единицу измерения одной из осей, то изменится и исчисляемое расстояние, а значит, изменится и результат кластерного анализа [15].

Square Euclidean distances (квадрат евклидова расстояния) используют, если необходимо придать больше веса более отдаленным друг от друга объектам.

City-block Manhattan distances (манхэттенское расстояние городских кварталов) вычисляют по формуле

Для этой меры влияние отдельных больших разностей (выбросов) уменьшается, так как они не возводятся в квадрат [15].

Chebychev distances metric (расстояние Чебышева) рассчитывают по формуле и применяют, когда желают определить два объекта как различные, если они различаются по какой-либо одной координате [15].

Иногда необходимо увеличить или уменьшить вес, относящийся к размерности, для которой соответствующие объекты сильно отличаются. Это достигается с использованием Pover metric (степенного расстояния Минковского), находят по формуле

Параметр p ответственен за постепенное взвешивание разностей по отдельным координатам, параметр r - за прогрессивное взвешивание больших расстояний между объектами. Если оба параметра равны 2, то это расстояние совпадает с расстоянием Евклида [10].

Percent disagreement (процент несогласия) используется в тех случаях, когда данные являются категориальными. Это расстояние вычисляется по формуле

Все приведенные расстояния пригодны, если объекты кластеризации можно представить как точки в k-мерном пространстве. При решении большого количества задач из экономики объекты нельзя представить как точки в k-мерном пространстве. В этом случае целесообразно в качестве расстояния использовать 1 - Pearson r (1 минус коэффициент корреляции Пирсона) [11].

Понятием, противоположным расстоянию, является понятие сходства между объектами Gi и Gj .

Неотрицательная вещественная функция S(Xi, Xj) = Sij называется мерой сходства, если:

Алгоритмов кластерного анализа достаточно много. Всех их можно подразделить на иерархические и неиерархические [12].

Иерархические (древовидные) процедуры - наиболее распространенные алгоритмы кластерного анализа по их реализации на ЭВМ. Различают агломеративные (от слова agglomerate - собирать) и итеративные дивизивные (от слова division - разделять) процедуры [15].

Принцип работы иерархических агломеративных (дивизивных) процедур состоит в последовательном объединении (разделении) групп элементов сначала самых близких (далеких), а затем все более отдаленных (близких) друг от друга. Большинство этих алгоритмов исходит из матрицы расстояний (сходства). К недостаткам иерархических процедур следует отнести громоздкость их вычислительной реализации. На каждом шаге алгоритмы требуют вычисления матрицы расстояний, а следовательно, емкой машинной памяти и большого количества времени. В этой связи реализация таких алгоритмов при числе наблюдений, большем нескольких сотен, нецелесообразна, а в ряде случаев и невозможна [15].

Общий принцип работы агломеративного алгоритма следующий. На первом шаге каждое наблюдение Gi (I = 1, 2, …, n) рассматривается как отдельный кластер. В дальнейшем на каждом шаге работы алгоритма происходит объединение двух самых близких кластеров, и, с учетом принятого расстояния, по формуле пересчитывается матрица расстояний, размерность которой, очевидно, снижается на единицу. Работа алгоритма заканчивается, когда все наблюдения объединены в один класс. Большинство программ, реализующих алгоритм иерархической классификации, предусматривают графическое представление классификации в виде дендограммы [15].

В программе STATISTICA реализованы так называемые агломеративные методы минимальной дисперсии: joining (tree clustering) (древовидная кластеризация) и two-way joining (двухвходовая кластеризация), а также k-means (дивизивный метод k- средних).

В методе древовидной кластеризации предусмотрены различные правила иерархического объединения в кластеры [15].

- Правило single Linkage (одиночной связи). На первом шаге объединяются два наиболее близких объекта, то есть имеющие максимальную меру сходства. На следующем шаге к ним присоединяется объект с максимальной мерой сходства с одним из объектов кластера, то есть для его включения в кластер требуется максимальное сходство лишь с одним членом кластера.

Метод называют еще методом ближайшего соседа, так как расстояние между двумя кластерами определяется как расстояние между двумя наиболее близкими объектами в различных кластерах. Это правило «нанизывает» объекты для формирования кластеров. Недостатком данного метода является образование слишком больших продолговатых кластеров [15].

- Правило complete Linkage (полных связей). Данный метод позволяет устранить недостаток, присущий методу одиночной связи. Суть правила в том, что два объекта, принадлежащих одной и той же группе (кластеру), имеют коэффициент сходства, который меньше некоторого порогового значения S. В терминах евклидова расстояния это означает, что расстояние между двумя точками (объектами) кластера не должно превышать некоторого порогового значения d. Таким образом, d определяет максимально допустимый диаметр подмножества, образующего кластер. Этот метод называют еще методом наиболее удаленных соседей, так как при достаточно большом пороговом значении d расстояние между кластерами определяется наибольшим расстоянием между любыми двумя объектами в различных кластерах [15, 10].

- Правило unweighted pair-group average (невзвешенного попарного среднего). В данном методе расстояние между двумя кластерами определяется как среднее расстояние между всеми парами объектов в них. Метод эффективен, когда объекты в действительности формируют различные группы, однако он работает одинаково хорошо и в случаях протяженных (цепочного типа) кластеров [15, 11].

- Weighted pair-group average (взвешенное попарное среднее). Метод идентичен предыдущему, за исключением того, что при вычислении размеры соответствующих кластеров используются в качестве весовых коэффициентов. Желательно этот метод использовать, когда предполагается неравные размеры кластеров [15].

- Unweighted pair-group centroid (невзвешенный центроидный). Расстояние между двумя кластерами определяется как расстояние между их центрами тяжести [15].

- Weighted pair-group centroid (взвешенный центроидный). Идентичен предыдущему, за исключением того, что при вычислениях используют веса для учета разности между размерами кластеров. Поэтому, если имеются (или подозреваются) значительные отличия в размерах кластеров, этот метод оказывается предпочтительнее предыдущего [15].

- Ward's method (метод Уорда). В этом методе в качестве целевой функции применяют внутригрупповую сумму квадратов отклонений, которая есть не что иное, как сумма квадратов расстояний между каждой точкой (объектом) и средней по кластеру, содержащему этот объект. На каждом шаге объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, то есть внутригрупповой суммы квадратов отклонений. Этот метод направлен на объединение близко расположенных кластеров. Замечено, что метод Уорда приводит к образованию кластеров примерно равных размеров и имеющих форму гиперсфер [15,11].

Выше описаны методы кластерного анализа, но часто при кластеризации получаются интересные результаты. В модуле «Кластерный анализ» существует двухвходовая процедура, с помощью которой можно кластеризовать и по наблюдениям, и по переменным.

К примеру, если есть гипотезы относительно числа m кластеров. Значит можно с помощью программы создать m кластеров таких, чтобы они максимально отличались друг от друга. Для решения таких задач существует метод k-means (k- средних). Гипотеза может базироваться на результатах предшествующих исследований, догадке или на теоретических соображениях. При выполнении пошагового разбиения на кластеры, можно сравнивать качество получаемых решений. Обычно начинают анализ с разбития на два кластера, а затем увеличивают количество кластеров. Программа начинает работу с m рандомно выбранных кластеров, потом меняет принадлежность объектов к ним, для того чтобы изменчивость внутри кластера была минимальной, а изменчивость между кластерами - максимальной. Центры будущих кластеров выбираются алгоритмом случайно. Затем вычисляет расстояние между центрами кластеров и каждым объектом, и объект приписывается к тому кластеру, к которому он ближе всего. Завершив приписывание, алгоритм вычисляет среднее значение для каждого кластера [1].

Этих средних будет столько, сколько используется переменных для проведения анализа, - k штук. Координаты нового положения центра кластера - это набор средних. Алгоритм вновь вычисляет расстояние от каждого объекта до центов кластеров и приписывает объекты к ближайшему кластеру. Вновь вычисляются центры тяжести кластеров, и этот процесс повторяется до тех пор, пока центры тяжести не перестанут «мигрировать» в пространстве [10].

Наиболее известный метод представления матрицы расстояний или сходства основан на идее дендограммы, или диаграммы дерева. Дендограмму можно определить как графическое изображение результатов процесса последовательной кластеризации, которая осуществляется в терминах матрицы расстояний. С помощью дендограммы можно графически или геометрически изобразить процедуру кластеризации при условии, что эта процедура оперирует только с элементами матрицы расстояний или сходств. Существует много способов построения дендограмм. В дендограмме объекты располагаются вертикально слева, результаты кластеризации - справа. Значения расстояний или сходств, отвечающих строению новых кластеров, изображаются над горизонтальной прямой поверх дендограмм. Вид дендограммы зависит от выбора меры сходства или расстояния между объектом и кластером и метода кластеризации [11].

Алгоритмы кластерного анализа имеют хорошую программную реализацию в пакете STATISTICA, которая позволяет решить задачи самой большой размерности.

2.2 Нейросетевая кластеризация

В последнее время вырос интерес к нейронным сетям, которые применяются во многих областях - медицине, бизнесе, физике. Нейронные сети STATISTICA Neural Networks - единственный в мире программный продукт для нейросетевых исследований, полностью переведенный на русский язык. Нейронные сети используются везде, где нужно решать вопросы прогнозирования, классификации. Весомые преимущества использования сетей:

1 Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости.

2 Простота в использовании. Нейронные сети учатся на примерах. Пользователь подбирает представительные данные, и запускает алгоритм обучения. Он воспринимает структуру данных. Однако, пользователь должен обладать определенными знаниями при отборе данных, их подготовки для обучения сети, при выборе архитектуры сети, интерпретации полученного результата.

Нейронные сети привлекают тем, что они созданы на примитивной биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже 'простые' нейронные сети, которые строит система ST Neural Networks , являются мощным оружием в арсенале специалиста по прикладной статистике [10].

2.2.1 Многослойный персептрон (MPL)

Многослойный персептрон - одна их популярных и часто используемых нейронных сетей. Была предложена в работе Rumelhart, McClelland (1986). Многослойный персептрон осуществляет работу в дух режимах - режим обучения и режим тестирования (обучение модели). Количество входных и выходных элементов в персептроне определяется условиями задачи. Для начала работы можно взять один промежуточный слой, а число нейронов в нем положить равным полу сумме числа входных и выходных элементов. Количество промежуточных слоев можно увеличивать для более продуктивной работы сети [18].

В процессе обучения подбираются веса связей. Процесс преобразования входных величин идет по направлению связей сигнального графа. На входном слое каждая входная величина расходится по связям (по каждой исходящей из вершины входного слоя дуге идет “сигнал” равный входной величине), умножается на вес дуги и суммируется на скрытом слое, а далее преобразуется передаточной функцией нейрона. На выходном слое обычно сигнал только суммируется [19].

Смысл обучения состоит в решении задачи подбора весов связей для минимизации функции ошибки. Причем из всех обучающих примеров часть используется только для контроля.

После определения числа слоев и элементов в каждом промежуточном слое, необходимо вычислить значение для весов и порогов сети, с помощью которых удалось ошибку прогноза сделать минимальной. Именно для таких целей и существуют алгоритмы обучения. С использованием собранных исторических данных веса и пороговые значения автоматически корректируются с целью минимизировать эту ошибку. В принципе, этот процесс представляет собой подгонку модели, реализованную сетью, к имеющимся обучающим данным. Ошибка для конкретной конфигурации сети определяется путем прогона через сеть всех имеющихся наблюдений и сравнения реально выдаваемых выходных значений с желаемыми (целевыми) значениями. Все такие разности суммируются в так называемую функцию ошибок, значение которой и есть ошибка сети. В качестве функции ошибок чаще всего берется сумма квадратов ошибок, т.е. когда все ошибки выходных элементов для всех наблюдений возводятся в квадрат и затем суммируются. При работе с пакетом ST Neural Networks пользователю выдается так называемая среднеквадратичная ошибка (RMS) - описанная выше величина нормируется на число наблюдений и переменных, после чего из нее извлекается квадратный корень - это очень хорошая мера ошибки, усредненная по всему обучающему множеству и по всем выходным элементам [13].

Для обучения используют различные известные алгоритмы. Самый известный алгоритм обучения нейронной сети - это алгоритм обратного распространения. Этот способ обучения самый простой и преимущественный. В алгоритме обратного распространения вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому если мы 'немного' продвинемся по нему, ошибка уменьшится. Последовательность таких шагов (замедляющаяся по мере приближения к дну) в конце концов приведет к минимуму того или иного типа. Трудностью в этом алгоритме является то, что неизвестно какую нужно брать длину шагов. При большой длине шага сходимость будет более быстрой, но имеется опасность перепрыгнуть через решение или (если поверхность ошибок имеет особо вычурную форму) уйти в неправильном направлении. Таким образом, алгоритм действует итеративно, и его шаги принято называть эпохами. На каждой эпохе на вход сети поочередно подаются все обучающие наблюдения, выходные значения сети сравниваются с целевыми значениями и вычисляется ошибка. Значение ошибки, а также градиента поверхности ошибок используется для корректировки весов, после чего все действия повторяются. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается либо когда пройдено определенное количество эпох, либо когда ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться (пользователь может сам выбрать нужное условие остановки) [14, 15].

Для некоторых задач целесообразней использовать методы нелинейной оптимизации. В пакете ST Neural Networks реализованы два подобных метода: методы спуска по сопряженным градиентам и Левенберга-Маркара, представляющие собой очень удачные варианты реализации двух типов алгоритмов: линейного поиска и доверительных областей [11].

Суть метода спуска по сопряженным градиентам заключается в том, что когда мы находим точку минимума вдоль некоторой прямой, производная по этому направлению равна нулю. Сопряженное направление выбирается таким образом, чтобы эта производная и дальше оставалась нулевой - в предположении, что поверхность имеет форму параболоида. Если это условие выполнено, то для достижения точки минимума достаточно будет N эпох. На сложно устроенных поверхностях по мере хода алгоритма условие сопряженности портится, но все же такой алгоритм требует меньшего числа шагов, чем метод обратного распространения, и дает лучшую точку минимума [2].

Метод сопряженных градиентов проводят вычисления на всем наборе данных, поэтому при увеличении числа наблюдений продолжительность одной эпохи сильно растет, но при этом совсем не обязательно улучшается результат, достигнутый на этой эпохе (в частности, если данные избыточны; если же данные редкие, то добавление новых данных улучшит обучение на каждой эпохе). Кроме того, обратное распространение не уступает другим методам в ситуациях, когда данных мало, поскольку в этом случае недостаточно данных для принятия очень точного решения (более тонкий алгоритм может дать меньшую ошибку обучения, но контрольная ошибка у него, скорее всего, не будет меньше) [8].

2.2.2 Сеть Кохонена

Сеть Кохонена сильно отличается от всех других типов сетей, реализованных в пакете ST Neural Networks. В то время как все остальные сети предназначены для задач с управляемым процессом обучения, сети Кохонена главным образом рассчитаны на неуправляемое обучение (Kohonen, 1982; Haykin, 1994; Patterson, 1996; Fausett, 1994) [2].

При управляемом обучении наблюдения, составляющие обучающие данные, вместе с входными переменными содержат также и соответствующие им выходные значения, и сеть должна восстановить отображение, переводящее первые во вторые. В случае же неуправляемого обучения обучающие данные содержат только значения входных переменных. На первый взгляд это может показаться странным. Как сеть может чему-то научиться, не имея выходных значений? Ответ заключается в том, что сеть Кохонена учится понимать саму структуру данных [10].

Применение таких сетей носит разведочный характер. Сеть Кохонена может данные разбивать по кластерам, устанавливать близость классов. Это служит для улучшения понимания пользователя структуры данных уточнения нейросетевой модели. Если в данных определенны классы, то их можно обозначить, после чего сеть сможет решать задачи классификации. Сети Кохонена можно применять к тем задачам, где классы уже определенны. В таком случаи, будет преимущество в том, что сеть сможет выявить сходство между различными классами [11].

Также сеть применяется для поиска новых явлений. Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с новыми образцами, не похожими на распознанные кластеры, то она выявит новый набор.

Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов (выходной слой называют также слоем топологической карты). Элементы топологической карты располагаются в некотором пространстве, как правило, двумерном (в пакете ST Neural Networks реализованы также одномерные сети Кохонена) [7].

Обучение сети Кохонена происходит с помощью метода последовательных приближений. Сначала случайным образом выбирается начальное расположение центов, алгоритм постепенно улучшает его так, чтобы улавливать кластеризацию обучающих данных. В некотором отношении эти действия похожи на алгоритмы выборки из выборки и Передних, которые используются для размещения центров в сетях RBF и GRNN, и действительно, алгоритм Кохонена можно использовать для размещения центров в сетях этих типов. Однако данный алгоритм работает и на другом уровне [8].

В результате такой процедуры обученная сеть формируется таким образом, что элементы, соответствующие центрам, расположены близко друг к другу. На топологической карте все это представляется графически. Топологический слой сети можно представить как двумерную решетку, которую нужно так отобразить в N-мерное пространство входов, чтобы по возможности сохранить исходную структуру данных. Конечно же, при любой попытке представить N-мерное пространство на плоской будут потеряны многие детали; однако, такой прием иногда полезен, так как он позволяет пользователю визуализировать данные, которые никаким иным способом понять невозможно [11].

Основной алгоритм Кохонена заключается в последовательных эпохах, на каждой из которых нужно обработать каждый из обучающих примеров и выполнить определенный набор операций:

1) Выбрать нейрон, который ближе всего расположен к входному примеру;

2) Скорректировать выигравший нейрон так, чтобы он стал более похож на этот входной пример (взяв взвешенную сумму прежнего центра нейрона и обучающего примера).

В алгоритме при вычислении суммы применяется постепенно убывающий коэффициент скорости обучения. Это нужно чтобы в новой эпохе коррекция становилась более тонкой. Результатом будет установление положения центра в определенной позиции, удовлетворяющей представлению наблюдений, для которых данный нейрон оказался выигравшим [20].

Свойство топологической упорядоченности достигается в алгоритме с помощью дополнительного использования понятия окрестности. Окрестность - это несколько нейронов, окружающих выигравший нейрон. Подобно скорости обучения, размер окрестности убывает со временем, так что вначале к ней принадлежит довольно большое число нейронов (возможно, почти вся топологическая карта); на самых последних этапах окрестность становится нулевой (т.е. состоящей только из самого выигравшего нейрона). На самом деле в алгоритме Кохонена корректировка применяется не только к выигравшему нейрону, но и ко всем нейронам из его текущей окрестности [7].

Результатом такого изменения окрестностей является то, что изначально довольно большие участки сети «перетягиваются» - и притом заметно - в сторону обучающих примеров. Сеть формирует грубую структуру топологического порядка, при которой схожие наблюдения активируют группы близко лежащих нейронов на топологической карте. На каждой новой эпохе скорость обучения и размер окрестности уменьшаются, т.е. внутри участков карты выявляются более тонике различия, и в итоге происходит тонкая настройка каждого нейрона. Зачастую обучение может быть разбито на две стати: короткую, с большой скоростью обучения и большими окрестностями, и длинную с малой скоростью и нулевыми или почти нулевыми окрестностями [10].

После обучения сети распознаванию структуры данных, ее можно использовать как средство визуализации при анализе данных. С помощью данных, выводимых в окне Частоты выигрышей - Win Frequencies, где для каждого нейрона подсчитывается, сколько раз он выигрывал при обработке обучающих примеров, можно определить, разбивается ли карта на отдельные кластеры. Также можно смотреть отдельное наблюдение, и следить за изменениями топологической карты. С помощью этого можно понять имеют ли кластеры какой-то содержательный смысл. После выявления кластеров, нейрон можно отметить соответствующей меткой. Когда топологическая карта построена, то на вход можно подавать новые наблюдения. Если выигравший при этом нейрон был ранее помечен именем класса, то сеть осуществляет классификацию. В противном случае считается, что сеть не приняла никакого решения [7].

При решении задач классификации в сети Кохонена используется порог доступа. Ввиду того, что в такой сети уровень активации нейрона есть расстояние от него до входного примера, порог доступа играет роль максимального расстояния, на котором происходит распознавание. Если уровень активации выигравшего нейрона превышает это пороговое значение, то сеть считается не принявшей никакого решения. Поэтому, когда все нейроны помечены, а пороги установлены на нужном уровне, сеть Кохонена может служить детектором новых явлений (она сообщает о непринятии решения только в том случае, если поданное ей на вход наблюдение значительно отличается от всех радиальных элементов) [8].

Идея сети Кохонена аналогична некоторым свойствам человеческого мозга. Кора головного мозга представляет собой большой плоский лист площадью около 0,5 кв. м. с известными топологическими свойствами. Например, участок, ответственный за кисть руки, примыкает к участку, ответственному за движения всей руки, и таким образом все изображение человеческого тела непрерывно отображается на эту двумерную поверхность [7].

В сети Кохонена существуют такие недостатки как то, что сеть можно использовать для кластерного анализа только тогда, когда заранее известно число кластеров.

Преимущество заключается в том, что сеть способна функционировать в условиях помех, потому что число классов фиксировано, веса модифицируются медленно, настройка весов заканчивается после обучения.

Подводя итоги данной главы можно сделать следующие выводы:

- многомерный статистический анализ используется для понимания данных путем выявления кластерной структуры, разбиение выборки на группы схожих объектов позволяет упростить дальнейшую обработку данных и принятия решений, применяя к каждому кластеру свой метод анализа, сжатие данных, обнаружение новизны (выделяются нетипичные объекты, которые не удаётся присоединить ни к одному из кластеров);

- нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления;

- одно из главных преимуществ многослойного персептрона, это возможность решать алгоритмически неразрешимые задачи или задачи, для которых алгоритмическое решение неизвестно, но для которых возможно составить репрезентативный набор примеров с известными решениями;

- самоорганизующиеся карты Кохонена могут использоваться для решения таких задач, как моделирование, прогнозирование, поиск закономерностей в больших массивах данных, выявление наборов независимых признаков и сжатие информации. Наиболее распространенное применение сетей Кохонена - решение задачи классификации без учителя, т.е. кластеризации [7].

строительный отрасль кластерный статистический диагностика

3. Многомерные статистические методы диагностики финансово - экономической оценки состояния предприятия

Многомерный статистический анализ является одним из классических методов классификации и прогнозирования. Принятие даже двухвариантного решения «кризис» или «некризис» требует охвата большого числа показателей деятельности предприятия и влечет за собой необходимость использования многомерных статистических методов, так как, во-первых, данные показатели являются случайными величинами; во-вторых, показателей большое число; в-третьих, показатели могут быть связаны между собой любым образом в любых сочетаниях.

Отнесение объекта к тому или иному классу (кризисных или некризисных предприятий) включает три этапа:

1 Формирование признакового пространства;

2 Создание обобщенных портретов классов для снятия неопределенности с помощью выборки обучающих предприятий;

3 Отнесение предприятия к одному из классов ( некризисных, кризисных предприятий) [8].

3.1 Коэффициентный анализ финансово-экономического состояния предприятия

Одним из распространенных методов анализа является использование финансовых коэффициентов. Этот метод возник в середине 19 века вместе с развитием корпораций. Толчком послужило требование банков предоставлять финансовую отчетность при кредитовании. В России этот метод активно вошел в практику лишь с начала 90-х годов 20 века [23].

Финансовые коэффициенты - относительные показатели. Они рассчитываются в виде отношений отдельных статей финансовой отчетности или их комбинаций. Анализ, как правило, сводится к изучении динамики в конкретной фирме и в межфирменных сравнениях. Недостатки этому анализу присуще такие, как и в кластерном анализе. При межфирменных сравнениях следует быть особенно аккуратным, так как необходимо учитывать финансовую политику каждого предприятия [17].

В настоящее время вошло в правило использовать при коэффициентном анализе сравнение с некими обобщенными ориентирами. Они пришли к нам из западной практики и не адаптированы к российским условиям. Такой подход сравнения не правильный [20].

Необходимо заметить также, что в настоящее время предлагается большое число финансовых коэффициентов, иногда некоторые одни и те же коэффициенты выступают под разными именами. Подобное положение затрудняет взаимодействие аналитиков внутри страны и с зарубежными партнерами, приводит к разночтениям и недопониманию при решении практических вопросов [22].

В данной работе для проведения анализа состояния предприятий возьмем количественные финансовые показатели (Рисунок 3.1).

Выбор именно таких показателей основан на исследовании [15], в ходе которого были проанализированы бухгалтерские отчетности 400 российских предприятий, были построены гистограммы исследуемых факторов и получены общие закономерности, которым подчиняются финансовые показатели российских предприятий.

Рисунок 3.1 - Количественные финансовые показатели, исследуемые при анализе состояния предприятия исходных и нормированных данных

Анализ диагностики кризисного состояния предприятия с оценкой её гарантированной достоверности проводится для 28 строительных предприятий Краснодарского края, данные взяты за разные годы и кварталы. Для каждого из предприятий формируется пространство, состоящее из 15 наиболее информативных признаков, разбитых на четыре группы (Рисунок 3.1). Необходимо отметить, что данные по выручке, себестоимости и чистой прибыли используются российской финансовой отчетности нарастающим итогом от начала финансового года. Понятно, что при росте накопленной выручки и прибыли статьи баланса не изменяются тем же темпом. Поэтому, остальные финансовые коэффициенты рентабельности и деловой активности, оказываются совершенно несопоставимыми между собой в поквартальном разрезе. Исключение составляют те коэффициенты (R1 и R4), где и прибыль в числителе, а выручка в знаменателе, т.е. сопоставимость сохраняется.

Коэффициентный анализ для оценки состояния предприятий используем для нормированных данных. Суть метода нормирования исходных данных заключается в том, что исходными данными являются совершенно разнородные величины и результаты кластеризации не должны зависеть от единиц измерения этих величин. Поэтому все исходные данные должны быть приведены к единому масштабу. Масштабирование желательно, чтобы привести данные в допустимый диапазон. Воспользуемся следующим способом нормирования:

После такого преобразования каждый коэффициент нормируется так, что все значения лежат в диапазоне от -1 до 1. При этом истинные значения утрачиваются (Рисунок 3.2).

Рисунок 3.2 - Нормированные данные предприятий по основным финансовым показателям

После нормализации делим все исходные предприятия на шесть кластеров: кризисное, катастрофическое, успешное, преуспевающее, некризисное, предкризисное. В ходе множества построенных анализов, аналитиками выявлены самые общие закономерности, которым подчиняются финансовые показатели всех российских предприятий (Рисунок 3.3).

Рисунок 3.3 Градации факторов модели по пенташкале [6]

По каждому показателю в наших данных находим результирующее значение (Рисунок 3.4). Это среднее значение по каждому показателю в отдельном кластере.

Рисунок 3.4 - Результирующие значения по каждому показателю

На основе пенташкалы и результирующих значений получаем коэффициентный анализ с определяющим итогом:

Рисунок 3.5 - Коэффициентный анализ предприятий

Таким образом, по итогам коэффициентного анализа первый кластер можно характеризовать как катастрофический. К этому кластеру относятся предприятия такие как: ОАО 'Домостроитель' 2кв 2005, ОАО 'Домостроитель' 2кв 2006, ОАО 'Домостроитель' 3кв 2006, ОАО 'Домостроитель' 4кв 2006, ОАО 'Домостроитель' 3кв 2007, ООО 'Белореченскстрой' 2кв 2010, ООО 'Белореченскстрой' 4кв 2010, ООО 'Белореченскстрой' 1пол 2011, ООО 'Белореченскстрой' 2пол 2011, ООО 'Воджилстрой' 2010, ООО 'Воджилстрой' 2011, ОАО 'Южстальконструкция' 2008.

Второй кластер - кризисные предприятия: ЗАО 'ДСУ-4' 2кв 2005, ЗАО 'ДСУ-4' 1кв 2006, ЗАО 'ДСУ-4' 1кв 2008, ЗАО 'ДСУ-4' 2кв 2008, ЗАО 'ДСУ-4' 3кв 2008, ОАО 'ДЭП-114' 1кв 2005, ОАО 'ДЭП-114' 1кв 2006, ОАО 'ДЭП-114' 2кв 2006, ОАО 'ДЭП-114' 1кв 2007, ОАО 'ДЭП-114' 2кв 2007, ОАО 'ДЭП-114' 1кв 2008, ОАО 'Домостроитель' 1кв 2005, ОАО 'Домостроитель' 3кв 2005, ОАО 'Домостроитель' 1кв 2006, ОАО 'Домостроитель' 1кв 2007, ОАО 'Домостроитель' 2кв 2007, ОАО 'Домостроитель' 4кв 2007, ООО ППСО 'Исток' 4кв 2005, ООО ППСО 'Исток' 4кв 2006, ООО ППСО 'Исток' 4кв 2007, ООО 'Анапаагрострой' 2009, ООО 'Белореченскстрой' 1кв 2010, ООО 'Белореченскстрой' 3кв 2010, ООО 'Воджилстрой' 2009, ОАО 'Касог' 2010, ОАО 'Краснодарская монтажно-строительная компания' 2010, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2009, ОАО 'Медведовское Стоительное Общество' 2010.

Третий кластер - предкризисное. В него попали следующие предприятия: ЗАО 'ДСУ-4' 2кв 2006, ЗАО 'ДСУ-4' 1кв 2007, ЗАО 'ДСУ-4' 2кв 2007, ЗАО 'ДСУ-4' 3кв 2007, ЗАО 'ДСУ-4' 4кв 2007, ОАО 'ДЭП-114' 2кв 2005, ОАО 'ДЭП-114' 4кв 2005, ОАО 'ДЭП-114' 2кв 2008, ОАО 'ДЭП-114' 3кв 2008, ОАО 'ДЭП-114' 1кв 2009, ОАО 'Домостроитель' 4кв 2005, ООО 'Юскк' 2009, ООО 'Девелопмент - Юг' 4кв 2009, ООО 'Белореченскстрой' 1пол 2012, ООО 'Белореченскстрой' 2пол 2012, ОАО'Головное проектное бюро' 2009, ОАО'Домостроитель' 2009, ОАО 'Краснодаравтомост' 2009, ОАО 'Краснодаравтомост' 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2010, ОАО 'Новострой' 2010.

К четвертому кластеру - некризисному, относятся: ЗАО 'ДСУ-4' 1кв 2005, ЗАО 'ДСУ-4' 3кв 2005, ЗАО 'ДСУ-4' 4кв 2005, ЗАО 'ДСУ-4' 3кв 2006, ЗАО 'ДСУ-4' 4кв 2008, ОАО 'ДЭП-114' 3кв 2007, ОАО 'ДЭП-114' 4кв 2007, ООО 'Девелопмент - Юг' 4кв 2008, ООО 'Девелопмент - Юг' 1кв 2009, ООО 'Девелопмент - Юг' 2кв 2009, ООО 'Девелопмент - Юг' 3кв 2009, ООО 'Девелопмент - Юг' 2кв 2010, ООО 'Девелопмент - Юг' 3кв 2010, ООО 'Белореченскстрой' 2008, ОАО'Головное проектное бюро' 2010, ОАО'Домостроитель' 2010, ОАО 'Карасунское инженерное управление' 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2009, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2011, ОАО 'Кубаньпромстройпроект' 2010, ОАО 'Новострой' 2009, ОАО 'ГК Олимпстрой' 2009, ОАО 'ГК Олимпстрой' 2010, ОАО 'Югмонтажстрой' 2010, ОАО 'Южстальконструкция' 2009, ОАО 'КРАСНОДАРГРАЖДАНПРОЕКТ' 2010, ОАО 'КРАСНОДАРГРАЖДАНПРОЕКТ' 2009, ОАО 'Кубанский Строительный Холдинг' 2010, ОАО 'Кубанский Строительный Холдинг' 2009, ОАО 'Кубаньпромстройпроект' 2010.

В пятый кластер - преуспевающие предприятия входят: ОАО 'ДЭП-114' 4кв 2008, ООО 'Девелопмент - Юг' 1кв 2008, ООО 'Девелопмент - Юг' 3кв 2008, ООО 'Девелопмент - Юг' 1 кв 2010, ООО 'Анапагоргаз' 2010, ОАО 'Карасунское инженерное управление' 2010, ОАО 'Кубаньпромстройпроект' 2011, ОАО 'Медведовское Стоительное Общество' 2009, ОАО 'Наследие Кубани' 2010.

Шестой кластер - успешные предприятия: ЗАО 'ДСУ-4' 4кв 2006, ОАО 'ДЭП-114' 3кв 2005, ОАО 'ДЭП-114' 3кв 2006, ОАО 'ДЭП-114' 4кв 2006, ООО 'Девелопмент - Юг' 2кв 2008, ООО 'Анапаагрострой' 2010.

Так как реальное состояние мы знать не можем, так как имеется только финансовая отчетность, то результаты коэффициентного анализа берем за реальное состояние предприятий. Это необходимо для итогового сопоставительного анализа результатов.

Далее переходим к кластерному анализу и затем делаем промежуточный сравнительный анализ.

3.2 Многомерный статистический кластерный анализ финансово - экономического состояния предприятия

Многомерный кластерный анализ пользуется популярностью в экономических исследованиях, но между тем его возможности для исследования состояния предприятия используются не достаточно.

Многомерный кластерный анализ позволяет разбивать множество исследуемых объектов и признаков на однородные группы по ряду признаков произвольной природы. Алгоритмы кластерного анализа подразделяются на иерархические (древовидные) и неиерархические, агломеративные и итеративные дивизивные процедуры [9].

Задача многомерного кластерного анализа заключается в том, чтобы на основании данных разбить строительные предприятия на кластеры таким образом, чтобы предприятия, принадлежащее одному и тому же кластеру были схожи между собой, в то время как другие предприятия, принадлежащие разным кластерам, были различны, и выявить финансово-экономическое состояние предприятий [20].

Для решения задачи оценки финансово-экономического состояния предприятия методом кластерного анализа загрузим в пакет STATISTICA исходные данные предприятий по основным показателям.

Рисунок 3.6 - Нормированные данные предприятий по основным финансовым показателям

Проведем анализ для нормированных данных методом k-средних. Результаты кластеризации исходных данных предприятий представлены на рисунках 3.7 - 3.9.

Рисунок 3.7 - Среднее значения по каждому кластеру

Рисунок 3.8 - Евклидовы расстояние между кластерами

Рисунок 3.9 - Таблица дисперсионного анализа

На рисунке 3.9 приведены значения межгрупповых и внутригрупповых дисперсий признаков. Чем меньше значение внутригрупповой дисперсии и больше значение межгрупповой дисперсии, тем лучше признак характеризует принадлежность объектов к кластеру и тем качественнее кластеризация. Параметры F и p также характеризуют вклад признака в разделение объектов на группы. Лучшей кластеризации соответствуют большие значения первого и меньшие значения второго параметра. Признаки с большими значения p (например, больше 0,05) можно из процедуры кластеризации исключить [1].

Из рисунка 3.9 можно сделать выводы, что признак коэффициент покрытия запасов (L3) менее информативен для процесса кластеризации, чем все остальные. Но все равно значение показателя p не больше 0,05, следовательно, его нельзя исключать из процедуры. Наибольшие вклад в процедуру кластеризации вносят такие признаки как: коэффициент финансовой зависимости (F2), общая рентабельность (R1), рентабельность активов (R2), рентабельность собственного капитала (R3), рентабельность продукции (продаж) (R4).

Рисунок 3.10 - Средние значения кластеров

Среднее значение для каждого кластера приведены на рисунке 3.10. Легко заметить, что в некоторых кластерах средние параметров находятся рядом, а в некоторых случаях и пересекаются. Это связанно с неудовлетворительным разбиением на группы, а может некоторые характеристики слабо различимы для разных групп.

Построим таблицы распределения предприятий по кластерам (Рисунок 3.11). Анализируя данные в таблицах, получаем следующую оценку состояний предприятий.

Рисунок 3.11 - Таблица распределения предприятий по кластерам

Таким образом, получаем, что к первому кластеру, катастрофическому, относятся ООО 'Белореченскстрой' 2кв 2010, ООО 'Белореченскстрой' 4кв 2010, ООО 'Белореченскстрой' 1пол 2011, ООО 'Белореченскстрой' 2пол 2011, ООО 'Воджилстрой' 2010, ООО 'Воджилстрой' 2011, ОАО 'Домостроитель' 2кв 2005, ОАО 'Домостроитель' 2кв 2006, ОАО 'Домостроитель' 4кв 2006, ОАО 'Домостроитель' 3кв 2007, ОАО 'Южстальконструкция' 2008.

Ко второму, кризисному: ЗАО 'ДСУ-4' 1кв 2005, ЗАО 'ДСУ-4' 1кв 2006, ЗАО 'ДСУ-4' 2кв 2006, ЗАО 'ДСУ-4' 3кв 2006, ЗАО 'ДСУ-4' 1кв 2007, ЗАО 'ДСУ-4' 2кв 2007, ЗАО 'ДСУ-4' 1кв 2008, ЗАО 'ДСУ-4' 2кв 2008, ЗАО 'ДСУ-4' 3кв 2008, ОАО 'ДЭП-114' 3кв 2005, ОАО 'ДЭП-114' 1кв 2006, ОАО 'ДЭП-114' 2кв 2006, ОАО 'ДЭП-114' 3кв 2006, ОАО 'ДЭП-114' 4кв 2006, ОАО 'ДЭП-114' 1кв 2007, ОАО 'ДЭП-114' 2кв 2007, ОАО 'ДЭП-114' 1кв 2008, ОАО 'ДЭП-114' 2кв 2008, ОАО 'ДЭП-114' 1кв 2009, ОАО 'Домостроитель' 1кв 2005, ОАО 'Домостроитель' 3кв 2005, ОАО 'Домостроитель' 1кв 2006, ОАО 'Домостроитель' 3кв 2006, ОАО 'Домостроитель' 1кв 2007, ОАО 'Домостроитель' 2кв 2007, ОАО 'Домостроитель' 4кв 2007, ООО ППСО 'Исток' 4кв 2005, ООО ППСО 'Исток' 4кв 2006, ООО ППСО 'Исток' 4кв 2007, ООО 'Анапаагрострой' 2009, ООО 'Белореченскстрой' 1кв 2010, ООО 'Белореченскстрой' 3кв 2010, ООО 'Воджилстрой' 2009, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2009, ОАО 'Касог' 2010, ОАО 'Краснодарская монтажно-строительная компания' 2010, ОАО 'Медведовское Строительное Общество' 2010.

К третьему, предкризисному, относятся такие предприятия как: ООО 'Юскк' 2009, ОАО 'ДЭП-114' 2кв 2005, ОАО 'ДЭП-114' 3кв 2008, ЗАО 'ДСУ-4' 2кв 2005, ЗАО 'ДСУ-4' 3кв 2007, ЗАО 'ДСУ-4' 4кв 2007, ОАО 'Домостроитель' 4кв 2005, ООО 'Девелопмент - Юг' 4кв 2009, ООО 'Белореченскстрой' 2пол 2012, ОАО 'Новострой' 2010, ООО 'Белореченскстрой' 1пол 2012, ОАО'Домостроитель' 2009, ОАО 'Краснодаравтомост' 2009, ОАО 'Краснодаравтомост' 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2010, ОАО 'Медведовское Стоительное Общество' 2009, ОАО 'Наследие Кубани' 2010, ОАО 'ГК Олимпстрой' 2010.

К четвертому, некризисному, относятся: ЗАО 'ДСУ-4' 4кв 2005, ОАО 'ДЭП-114' 1кв 2005, ЗАО 'ДСУ-4' 3кв 2005, ОАО 'ДЭП-114' 4кв 2005, ЗАО 'ДСУ-4' 4кв 2008, ОАО 'ДЭП-114' 3кв 2007, ОАО 'ДЭП-114' 4кв 2007, ООО 'Девелопмент - Юг' 4кв 2008, ООО 'Девелопмент - Юг' 1кв 2009, ООО 'Девелопмент - Юг' 3кв 2009, ООО 'Девелопмент - Юг' 2кв 2010, ООО 'Девелопмент - Юг' 3кв 2010, ООО 'Белореченскстрой' 2008, ОАО'Головное проектное бюро' 2010, ОАО'Домостроитель' 2010, ОАО 'Карасунское инженерное управление' 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2009, ОАО 'Югмонтажстрой' 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2011, ОАО 'Кубаньпромстройпроект' 2010, ОАО 'ГК Олимпстрой' 2009, ОАО 'Южстальконструкция' 2009, ОАО 'Краснодаргражданпроект' 2009, ОАО 'КРАСНОДАРГРАЖДАНПРОЕКТ' 2010, ОАО 'Кубанский Строительный Холдинг' 2010, ОАО 'Кубаньпромстройпроект' 2010.

К пятому, преуспевающему: ЗАО 'ДСУ-4' 4кв 2006, ОАО 'ДЭП-114' 4кв 2008, ООО 'Девелопмент - Юг' 1кв 2008, ООО 'Девелопмент - Юг' 2кв 2008, ООО 'Девелопмент - Юг' 3кв 2008, ООО 'Девелопмент - Юг' 2кв 2009, ООО 'Девелопмент - Юг' 1 кв 2010, ООО 'Анапаагрострой' 2010, ООО 'Анапагоргаз' 2010, ОАО 'Карасунское инженерное управление' 2010, ОАО 'Кубаньпромстройпроект' 2011.

К шестому кластеру, успешному, относятся: ОАО 'Новострой' 2009, ОАО 'Кубанский Строительный Холдинг' 2009, ОАО'Головное проектное бюро' 2009.

Более точное разбиение по кластерам получим с помощью кластеризации сетями Кохонена.

3.3 Нейросетевая кластеризация сетям Кохонена состояния предприятий строительной отрасли

Сети Кохонена главным образом рассчитаны на неуправляемое обучение. Сеть Кохонена может распознавать кластеры в данных, а также устанавливать близость классов [7].

Для визуализации данных о состояниях предприятий построим сеть с помощью сетей Кохонена (рисунок 3.13). В сетях Кохонена происходит неуправляемое обучение (без учителя): сеть учится распознавать кластеры среди неразмеченных обучающих данных, содержащих только входные значения [7].

Используем тот же набор данных (Рисунок 3.6).

Рисунок 3.13 - Построение сети с помощью сетей Кохонена

Число слоев в сети равно двум: входной и выходной слой - топологическая карта размером 15x15 (рисунок 3.14). Берем Units = 225,а Width = 15.

Для обучения сети Кохонена воспользуемся значениями основных параметров:

а) Два этапа по 50 эпох, что позволяет получить достаточную эффективность;

б) На первом этапе зададим уменьшение параметра скорости обучения с 0,5 до 0,1, а размер окрестности равным 1;

в) На втором этапе скорость обучения будет постоянной и равной 0,1, а размер окрестности равным 0.

Рисунок 3.14 - Структура топологической карты

Рисунок 3.15 - График сети Кохонена

Рисунок 3.16 - Гистограмма общей ошибки обучения сети Кохонена

После того, как зафиксировано распределение центров кластеров можно протестировать сеть с целью выяснить смысла кластеров с помощью топологической карты. Топологическая карта позволяет также представить полученную информацию в простой и наглядной форме (Рисунок 3.17).

Анализ полученного рисунка позволяет увидеть, как расположены объекты в пространстве, причем легко заметить участки, где объекты группируются (сгущения). Распределение объектов таким образом означает, что у них схожи параметры, значит, и сами эти объекты принадлежат одной группе. Предприятия классифицированы на 6 состояния: кризисное, предкризисное, катастрофическое, некризисное, успешное, преуспевающее.

Рисунок 3.17 - Топологическая карта

К первому кластеру «катастрофическое» предприятий относятся: ОАО 'Домостроитель' 2кв 2005, ОАО 'Домостроитель' 4кв 2006, ОАО 'Домостроитель' 2кв 2007, ОАО 'Домостроитель' 3кв 2007, ОАО 'Домостроитель' 4кв 2007, ООО 'Белореченскстрой' 2кв 2010, ООО 'Белореченскстрой' 4кв 2010, ООО 'Белореченскстрой' 1пол 2011, ООО 'Белореченскстрой' 2пол 2011, ООО 'Воджилстрой' 2010, ООО 'Воджилстрой' 2011, ОАО 'Краснодарская монтажно-строительная компания' 2010, ОАО 'Южстальконструкция' 2008.

Ко второму кластеру «кризисное» предприятий относятся: ЗАО 'ДСУ-4' 2кв 2005, ЗАО 'ДСУ-4' 1кв 2006, ЗАО 'ДСУ-4' 2кв 2006, ЗАО 'ДСУ-4' 1кв 2007, ЗАО 'ДСУ-4' 1кв 2008, ЗАО 'ДСУ-4' 2кв 2008, ЗАО 'ДСУ-4' 3кв 2008, ОАО 'ДЭП-114' 1кв 2006, ОАО 'ДЭП-114' 2кв 2006, ОАО 'ДЭП-114' 1кв 2007, ОАО 'ДЭП-114' 2кв 2007, ОАО 'ДЭП-114' 1кв 2008, ОАО 'ДЭП-114' 2кв 2008, ОАО 'ДЭП-114' 1кв 2009, ОАО 'Домостроитель' 1кв 2005, ОАО 'Домостроитель' 3кв 2005, ОАО 'Домостроитель' 1кв 2006, ОАО 'Домостроитель' 2кв 2006, ОАО 'Домостроитель' 3кв 2006, ОАО 'Домостроитель' 1кв 2007, ООО ППСО 'Исток' 4кв 2005, ООО ППСО 'Исток' 4кв 2006, ООО ППСО 'Исток' 4кв 2007, ООО 'Анапаагрострой' 2009, ООО 'Белореченскстрой' 1кв 2010, ООО 'Белореченскстрой' 3кв 2010, ООО 'Воджилстрой' 2009, ОАО 'Касог' 2010, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2009, ОАО 'Медведовское Стоительное Общество' 2009, ОАО 'Медведовское Стоительное Общество' 2010, ОАО 'Наследие Кубани' 2010, ОАО 'ГК Олимпстрой' 2010, ОАО 'Югмонтажстрой' 2010.

К третьему кластеру «предкризисное» относятся: ЗАО 'ДСУ-4' 2кв 2007, ЗАО 'ДСУ-4' 3кв 2007, ЗАО 'ДСУ-4' 4кв 2007, ОАО 'ДЭП-114' 2кв 2005, ОАО 'Домостроитель' 4кв 2005, ООО 'Юскк' 2009, ООО 'Девелопмент - Юг' 4кв 2009, ООО 'Белореченскстрой' 1пол 2012, ООО 'Белореченскстрой' 2пол 2012, ОАО'Головное проектное бюро' 2009, ОАО'Домостроитель' 2009, ОАО 'Краснодаравтомост' 2009, ОАО 'Краснодаравтомост' 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2010.

К четвертому - «не кризисное» относятся: ЗАО 'ДСУ-4' 1кв 2005, ЗАО 'ДСУ-4' 3кв 2005, ЗАО 'ДСУ-4' 4кв 2005, ЗАО 'ДСУ-4' 3кв 2006, ЗАО 'ДСУ-4' 4кв 2008, ОАО 'ДЭП-114' 1кв 2005, ОАО 'ДЭП-114' 3кв 2007, ОАО 'ДЭП-114' 4кв 2007, ОАО 'ДЭП-114' 3кв 2008, ООО 'Девелопмент - Юг' 1кв 2009, ООО 'Девелопмент - Юг' 3кв 2009, ООО 'Девелопмент - Юг' 2кв 2010, ООО 'Девелопмент - Юг' 3кв 2010, ООО 'Белореченскстрой' 2008, ОАО'Головное проектное бюро' 2010, ОАО'Домостроитель' 2010, ОАО 'Карасунское инженерное управление' 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2009, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2011, ОАО 'Кубаньпромстройпроект' 2010, ОАО 'Новострой' 2009, ОАО 'ГК Олимпстрой' 2009, ОАО 'Южстальконструкция' 2009, ОАО 'КРАСНОДАРГРАЖДАНПРОЕКТ' 2010, ОАО 'КРАСНОДАРГРАЖДАНПРОЕКТ' 2009, ОАО 'Кубанский Строительный Холдинг' 2010, ОАО 'Кубанский Строительный Холдинг' 2009, ОАО 'Кубаньпромстройпроект' 2010.

К пятому кластеру «преуспевающее» относятся: ООО 'Девелопмент - Юг' 1кв 2008, ООО 'Девелопмент - Юг' 3кв 2008, ООО 'Девелопмент - Юг' 4кв 2008, ООО 'Девелопмент - Юг' 2кв 2009, ООО 'Девелопмент - Юг' 1 кв 2010, ООО 'Анапагоргаз' 2010, ООО 'Анапаагрострой' 2010, ОАО 'Карасунское инженерное управление' 2010, ОАО 'Кубаньпромстройпроект' 2011, ОАО 'Новострой' 2010.

К шестому - «успешному» относятся: ЗАО 'ДСУ-4' 4кв 2006, ОАО 'ДЭП-114' 3кв 2005, ОАО 'ДЭП-114' 4кв 2005, ОАО 'ДЭП-114' 3кв 2006, ОАО 'ДЭП-114' 4кв 2006, ОАО 'ДЭП-114' 4кв 2008, ООО 'Девелопмент - Юг' 2кв 2008.

3.4 Сравнительный анализ

Проведем сравнительный анализ результатов исследований коэффициентным анализом, кластерным методом и кластеризации сетями Кохонена. Для этих анализов использовали 28 предприятий за разные годы т кварталы (111 выборок) по 15 показателям. Анализ проходил по нормированным данным. В таблице 3.4 приведены результаты каждого анализа и окончательный столбец выходных данных.

Таблица 3.4 - Сравнение результатов исследования проведенных с помощью коэффициентного анализа, кластерного и кластеризации сетями Кохонена и окончательный столбец выходных данных

Таким образом, из таблицы 3.4, видно какие предприятия к какому кластеру относятся. Далее мы строим дискриминантный и регрессионный анализы, а затем проводим классификацию предприятий строительной отрасли многослойным персептроном.

3.5 Дискриминантный анализ предприятий

Дискриминантный анализ наиболее ярко отражает черты многомерного анализа в классификации. Он как раздел многомерного статистического анализа включает статистические методы классификации многомерных наблюдений в ситуации, когда исследователь обладает так называемыми обучающими выборками [15].

Цель дискриминантного анализа состоит в том, чтобы на основе измерения различных характеристик объекта классифицировать его, т.е. отнести к одной из нескольких групп некоторым оптимальным способом. Под оптимальным способом понимается либо минимум математического ожидания потерь, либо минимум вероятности ложной классификации. Этот вид статистического анализа является многомерным, так как использует несколько параметров объекта [15].

Загрузим наши данные в STATISTICA добавим переменную «кластер», значениями которой будет получившийся окончательный столбец из таблицы 3.4.

Рисунок 3.18 - Данные для дискриминантного анализа

В программе STATISTICA выберем дискриминантный анализ. В качестве группирующей переменной выберем - «кластер», а в качестве независимых переменных все остальные.

Рисунок 3.19 - Выбор переменных дискриминантный анализ

В качестве кодов переменных выбираем все.

Рисунок 3.20 - Коды переменных

Устанавливая галочку в дополнительных параметрах, мы имеем возможность выбора метода дискриминантного анализа. Выбираем стандартный метод (Рисунок 3.21), после проделанных операций открывается окно результатов (Рисунок 3.22).

Рисунок 3.21 - Выбор метода дискриминантного анализа

Рисунок 3.22 - Окно результатов

В окне результатов мы видим число переменных, значение Лямбды Уилкса, приближенное значение F-статистически с числом степеней свободы, значение p (уровень значимости F-критерия). Значение лямбды принадлежит интервалу [0,1]. Значения лямбда, лежащие около 0, свидетельствуют о хорошей дискриминации. Значения лямбда, лежащие около 1, свидетельствуют о плохой дискриминации.

Можем получить итоговую таблицу анализа данных (Рисунок 3.23). С помощью, которой можно видеть присутствие какой переменной желательно, а какую переменную можно исключить из модели.

Рисунок 3.23 - Итоговая таблица анализа данных

Из приведенных результатов видим, что для дискриминантного анализа необходимы значения всех переменных.

Для проведения дальнейших результатов о природе дискриминации следует провести канонический анализ.

Рисунок 3.24 - Таблица результатов с пошаговым критерием для канонических корней

Данный рисунок позволяет оценить, сколько значимых корней нужно интерпретировать. Видим, что две дискриминантные функции статистически значимы.

Можно также определить канонические значения для каждого наблюдения.

Рисунок 3.25 - Канонические значения для каждого наблюдения

Наблюдения, относимые программой как объекты, принадлежащие одной группе, должны иметь близкие значения дискриминантных функций.

Рисунок 3.26 - Диаграмма рассеивания канонических значений для пар значений дискриминантных функций

На диаграмме видно, что наблюдения, принадлежащие одинаковым группам, локализованы в определенных областях плоскости. Видно, что расстояние между группами совсем не большое, это говорит о схожести этих групп. А также некоторые наблюдения находятся в области других кластеров. Это показывает о некоторых ошибках в разделении на кластеры предприятий.

Рисунок 3.26.1 - Функции классификации

Функции классификации - это линейные функции, которые вычисляются для каждой группы и могут быть использованы для классификации наблюдений. На основе таблицы функции классификации (Рисунок 3.26.1) можно построить классификационную систему уравнений:

где i=1,..,6={катаст., кризис., предкриз., некриз., преусп., успешн.},

Var1= L1, Var2= L3, Var3= P1, Var4= F1, Var5= F2, Var6= F3, Var7= F4, Var8= A2, Var9= A4, Var10= A5, Var11= A6, Var12= R1, Var13= R2, Var14= R3, Var15= R4.

На рисунке 3.27 изображена матрица, которая содержит информацию о количестве и проценте корректно классифицированных наблюдений в каждой группе. Строки матрицы - исходные классы, столбцы - предсказанные классы.

Рисунок 3.27 - Матрица классификации

Классификация наблюдений, изображенная на рисунке 3.28, показывает к какому классу относится наблюдение. Столбец один содержит первый классифицированный выбор, т.е. группу, для которой соответствующее наблюдение имеет наивысшую апостериорную вероятность и наибольшее значение классификационной функции. Наблюдения, помеченные «*», не удалось правильно классифицировать.

В апостериорной таблице (Рисунок 3.29) каждому наблюдению поставлена в соответствии вероятность принадлежности к группам. Чем дальше наблюдение расположено от центра группы, тем менее вероятно, что оно принадлежит этой группе.

Рисунок 3.28 - Классификация наблюдений

Рисунок 3.29 - Апостериорные вероятности

Таким образом, с помощью дискриминантного анализа получили, что к первому «катастрофическое» кластеру относятся такие предприятия как: ОАО 'Домостроитель' 2кв 2005, ОАО 'Домостроитель' 4кв 2006, ОАО 'Домостроитель' 3кв 2007, ООО 'Белореченскстрой' 2кв 2010, ООО 'Белореченскстрой' 4кв 2010, ООО 'Белореченскстрой' 1пол 2011, ООО 'Белореченскстрой' 2пол 2011, ООО 'Воджилстрой' 2010, ООО 'Воджилстрой' 2011, ОАО 'Южстальконструкция' 2008.

Ко второму «кризисное» относятся: ЗАО 'ДСУ-4' 2кв 2005, ЗАО 'ДСУ-4' 1кв 2006, ЗАО 'ДСУ-4' 1кв 2007, ЗАО 'ДСУ-4' 1кв 2008, ЗАО 'ДСУ-4' 2кв 2008, ЗАО 'ДСУ-4' 3кв 2008, ОАО 'ДЭП-114' 1кв 2005, ОАО 'ДЭП-114' 1кв 2006, ОАО 'ДЭП-114' 2кв 2006, ОАО 'ДЭП-114' 1кв 2007, ОАО 'ДЭП-114' 2кв 2007, ОАО 'ДЭП-114' 1кв 2008, ОАО 'ДЭП-114' 2кв 2008, ОАО 'ДЭП-114' 1кв 2009, ОАО 'Домостроитель' 1кв 2005, ОАО 'Домостроитель' 3кв 2005, ОАО 'Домостроитель' 1кв 2006, ОАО 'Домостроитель' 2кв 2006, ОАО 'Домостроитель' 3кв 2006, ОАО 'Домостроитель' 1кв 2007, ОАО 'Домостроитель' 2кв 2007, ОАО 'Домостроитель' 4кв 2007, ООО ППСО 'Исток' 4кв 2005, ООО ППСО 'Исток' 4кв 2006, ООО ППСО 'Исток' 4кв 2007, ООО 'Анапаагрострой' 2009, ООО 'Белореченскстрой' 1кв 2010, ООО 'Белореченскстрой' 3кв 2010, ООО 'Воджилстрой' 2009, ОАО 'Касог' 2010, ОАО 'Краснодарская монтажно-строительная компания' 2010, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2009, ОАО 'Медведовское Стоительное Общество' 2010.

К третьему - «предкризисному» относятся: ЗАО 'ДСУ-4' 2кв 2007, ЗАО 'ДСУ-4' 3кв 2007, ЗАО 'ДСУ-4' 4кв 2007, ОАО 'ДЭП-114' 2кв 2005, ОАО 'ДЭП-114' 3кв 2008, ОАО 'Домостроитель' 4кв 2005, ООО 'Юскк' 2009, ООО 'Девелопмент - Юг' 4кв 2009, ООО 'Белореченскстрой' 1пол 2012, ООО 'Белореченскстрой' 2пол 2012, ОАО'Головное проектное бюро' 2009, ОАО'Домостроитель' 2009, ОАО 'Краснодаравтомост' 2009, ОАО 'Краснодаравтомост' 2009, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2010, ОАО 'Медведовское Стоительное Общество' 2009, ОАО 'Наследие Кубани' 2010, ОАО 'ГК Олимпстрой' 2010, ОАО 'Югмонтажстрой' 2010.

К четвертому кластеру «не кризисное» относятся: ЗАО 'ДСУ-4' 1кв 2005, ЗАО 'ДСУ-4' 3кв 2005, ЗАО 'ДСУ-4' 4кв 2005, ЗАО 'ДСУ-4' 3кв 2006, ЗАО 'ДСУ-4' 4кв 2008, ОАО 'ДЭП-114' 4кв 2005, ОАО 'ДЭП-114' 3кв 2007, ОАО 'ДЭП-114' 4кв 2007, ООО 'Девелопмент - Юг' 1кв 2009, ООО 'Девелопмент - Юг' 3кв 2009, ООО 'Девелопмент - Юг' 2кв 2010, ООО 'Девелопмент - Юг' 3кв 2010, ООО 'Белореченскстрой' 2008, ОАО'Головное проектное бюро' 2010, ОАО'Домостроитель' 2010, ОАО 'Карасунское инженерное управление' 2009, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2009, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2010, ОАО 'КРАСНОДАРСТРОЙ' 1кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 2кв 2011, ОАО 'КРАСНОДАРСТРОЙ' 3кв 2011, ОАО 'Кубаньпромстройпроект' 2010, ОАО 'Новострой' 2010, ОАО 'ГК Олимпстрой' 2009, ОАО 'Южстальконструкция' 2009, ОАО 'КРАСНОДАРГРАЖДАНПРОЕКТ' 2010, ОАО 'КРАСНОДАРГРАЖДАНПРОЕКТ' 2009, ОАО 'Кубанский Строительный Холдинг' 2010, ОАО 'Кубаньпромстройпроект' 2010.

К пятому - «преуспевающее» относятся предприятия: ОАО 'ДЭП-114' 4кв 2008, ООО 'Девелопмент - Юг' 1кв 2008, ООО 'Девелопмент - Юг' 3кв 2008, ООО 'Девелопмент - Юг' 4кв 2008, ООО 'Девелопмент - Юг' 2кв 2009, ООО 'Девелопмент - Юг' 1 кв 2010, ООО 'Анапаагрострой' 2010, ООО 'Анапагоргаз' 2010, ОАО 'Карасунское инженерное управление' 2010, ОАО 'Кубаньпромстройпроект' 2011, ОАО 'Новострой' 2009, ОАО 'Кубанский Строительный Холдинг' 2009.

К шестому кластеру «успешное» относятся такие предприятия как: ЗАО 'ДСУ-4' 4кв 2006, ОАО 'ДЭП-114' 3кв 2005, ОАО 'ДЭП-114' 3кв 2006, ОАО 'ДЭП-114' 4кв 2006, ООО 'Девелопмент - Юг' 2кв 2008.

Таким образом, дискриминантный анализ показал уже другое разбиение предприятий по кластерам. Теперь перейдем к регрессионному анализу.

3.6 Регрессионный анализ строительных предприятий

Регрессионный анализ тесно связан с другими статистическими методами - методами корреляционного и дисперсионного анализа. В отличии от корреляционного анализа, который изучает направление и силу статистической связи признаков, регрессионный анализ изучает вид зависимости признаков, т.е. параметры функции зависимости одного признака от одного или нескольких других признаков. Таким образом, в регрессионном анализе рассматривается односторонняя зависимость случайной зависимой переменной от одной или нескольких независимых переменных. Независимые переменные называются факторами, или предикторами, а зависимая переменная - результативным признаком, или откликом [15].

Регрессионный анализ количественный, т.е. зависимая переменная должна быть количественной. Поскольку данные нормированы, принадлежат промежутку [0,1], то разобьем этот промежуток на шесть частей, поскольку шесть кластером. Назовем эти значения средними. Таким образом, вместо текстовой переменной, мы зададим среднее значение каждого кластера.

Таблица 3.6 - Средние значения каждого кластера

Теперь мы можем приступить к регрессионному анализу строительных предприятий.

Рисунок 3.30 - Данные для регрессионного анализа

В качестве зависимой переменной выбираем - «кластер», в качестве независимой все остальные. Метод выбираем пошаговый с включением.

Рисунок 3.31 - Построение модели

Строим модель и получаем окно результатов:

Рисунок 3.32 - Окно результатов регрессионного анализа

Из приведенных результатов можно сделать вывод, что зависимость между откликом и предикторами нормальная. В нашем случае значение близкое к 0,75. Построенная линейная регрессия адекватно описывает взаимосвязь между откликом и предикторами, свободный член статистически значим.

Рисунок 3.33 - Таблица результатов с подробными статистиками

Коэффициенты бета оцениваются по стандартизованным данным, имеющим выборочное среднее, равное 0 и стандартное отклонение, равное 1. Поэтому величины бета позволяет сравнить вклады каждого предиктора в предсказание отклика. Так, в зависимую переменную кластер большой вклад вносит переменные 9, 12, 15, а меньший - 15, 13.

Рисунок 3.34 - Частные коэффициенты корреляции

Частные коэффициенты корреляции позволяют провести ранжирование предикторов по степени их влияния на отклик. Кроме того, частные коэффициенты корреляции широко используются при решении проблемы отбора предикторов - целесообразность включения того или иного предиктора в модель определяется величиной частного коэффициента корреляции. Из таблицы следует, что предикторы можно проранжировать по степени влияния на отклик в следующем порядке: 5, 12, 9, 6, 10, 11, 3, 8, 14, 2, 1, 15, 13. Причем первые три оказывают наибольшее влияние на отклик.

Важной характеристикой регрессионного анализа является анализ остатков.

Рисунок 3.35 - Анализ остатков Дарбина-Уотсона

Эта статистика характеризует наличие или отсутствие сериальной корреляции между остатками для соседних наблюдений. Существование сериальной корреляции может служить доказательством зависимости наблюдений в файле данных. Из таблицы, приведенной на рисунке 3.35, видно, что статистика Дарбина-Уотсона имеет небольшое значение (1,676857) при умеренной сериальной корреляции (0,160029). Это свидетельствует о некоторой зависимости наблюдений, следовательно, можно говорить о недостаточной устойчивости некоторых значений коэффициентов регрессии, а значит о невысокой адекватности модели изучаемому процессу.

Рисунок 3.36 - Графическое сравнение предсказанных программой значений отклика и наблюдаемых значений

Регрессионный анализ можно использовать для прогноза значений отклика - кластера по значениям предикторов. Выбираем опцию «Предсказать зависимую переменную» и вводим значения переменных.

Рисунок 3.37 - Предсказание зависимой переменной

Получаем таблицу результатов предсказания.

Рисунок 3.38 - Таблица результатов предсказания

В получившейся таблице результатов указан предсказанный кластер равный 0,684919 с 95%-м доверительным интервалом (0,578046; 0,791792). Это значение согласно таблице 3.6 принадлежит не кризисному кластеру, т.е. наше выдуманное предприятие является не кризисным. Линейная модель имеет вид:

Кластер=0,108278+0,025696Var13+0,101827Var1+0,153785Var9+

+0,130601Var12+0,132980Var5+0,083632Var8+0,033728Var15+

+0,103617Var10+0,095484Var2+0,072080Var14+0,062000Var6+

+0,083830Var11+0,106967Var3,

где Var1= L1, Var2= L3, Var3= P1, Var4= F1, Var5= F2, Var6= F3, Var7= F4, Var8= A2, Var9= A4, Var10= A5, Var11= A6, Var12= R1, Var13= R2, Var14= R3, Var15= R4.

Второе и восьмое слагаемые - Var13, Var15 из модели можно исключить, так как коэффициенты при этих переменных статистически незначимы.

Еще одно из условий корректного применения регрессионного анализа является соответствие закона распределения остатков нормальному закону [1].

Рисунок 3.39 - График распределения остатков

Из построенного графика видно, что распределение остатков соответствует нормальному закону.

Итак, регрессионный анализ применим для распределения новых предприятий по кластерам. Это наиболее удачный вариант для получения новых результатов.

3.7 Классификация предприятий строительной отрасли многослойным персептроном

Нейронная сеть является эффективным инструментом в задачах классификации, так как она генерирует бесконечное число нелинейных регрессионных моделей [7].

Для анализа оценки финансово-экономического состояния предприятия с помощью нейронной сети используем пакет STATISTICA Neural Networks. Загрузим нормированные данные предприятий по основным показателям, принадлежащих классам катастрофических, кризисных, предкризисных, некризисных, преуспевающих и успешных предприятий.

Весь набор данных поделен на три части: обучающее множество (60 предприятий, помечены черным), контрольное множество (45 предприятий, помечены красным) и тестируемое множество (6 предприятий, помечены синим) (Рисунок 3.40).

Построим сеть с помощью многослойного персептрона (Multilayer Perceptron) (Рисунок 3.41). Число слоев в сети равно 3, промежуточный слой содержит 9 элементов.

Рисунок 3.40 - Обучающие, контрольные и тестируемые данные по основным показателям

Рисунок 3.41 - Построение сети с помощью многослойного персептрона

Входящих переменных 15 (L1^, L3^, P1^, F1^, F2^, F3^, F4^, A2^, A4^, A5^, A6^, R1^, R2^, R3^, R4^) и одна выходящая переменная с шестью состояниями (катастрофическое, кризисное, предкризисное, некризисное, преуспевающее, успешное) (Рисунок 3.42).

Рисунок 3.42 - Структура созданной сети

Для обучения сети воспользуемся следующими методами:

а) Метод спуска по сопряженным градиентам - алгоритм обучения, довольно быстрый и не требует выбора значения параметров скорости обучения и инерции, количество эпох - 50 (Рисунок 3.43).

б) Метод обратного распространения. Для этого метода были взяты следующие значения: число эпох равным 50, скорость обучения равна 0,1 и инерция - 0,3 (Рисунок 3.44).

в) Квазиньютоновский метод довольно быстрый и как метод спуска по сопряженным градиентам не требует параметров скорости обучения и инерции, количество эпох - 50 (Рисунок 3.45).

Самым точным является метод спуска по сопряженным градиентам, сеть обучена точнее, чем с использованием других методов и общие ошибки минимальны.

Рисунок 3.43 - График и гистограмма общей ошибки обучения сети методом спуска по сопряженным градиентам

Рисунок 3.44 - График и гистограмма общей ошибки обучения сети методом обратного распространения

Рисунок 3.45 - График и гистограмма общей ошибки обучения сети квазиньютоновским методом

С помощью окна прогона набора данных (Рисунок 3.46) получаем окончательную тестируемую и контрольную ошибку, а также ошибку на тестовом множестве.

Рисунок 3.46 - Прогон контрольной и обучающей выборки

Показано фактическое финансовое состояние, целевое финансовое состояние, определенное сетью и ошибки классификации.

Построение сети с помощью многослойного персептрона методом спуска по сопряженным градиентам показала наилучший результат, но в некоторых случаях не определила состояние предприятия или дала ошибку (Таблица 3.7).

Таблица 3.7 - Диагностика состояний исследуемых предприятий с помощью сети

Однако, эти ошибки не столь существенны, так как граница, например между «некризисным» и «предкризисным» предприятием, слишком мала. Но эта сеть точно разделяет «катастрофическое» и «успешное» предприятие.

3.8 Сопоставительный анализ разработанных моделей

Проведем сопоставительный анализ результатов исследований коэффициентным, кластерным анализами, кластеризации сетью Кохонена, статистическими дискриминантным и регрессионным анализами, нейронной сетью. Для этих моделей использовали 28 предприятий за разные кварталы и годы (111 выборок) по 15 основным показателям.

Регрессионный анализ был применен для оценки адекватности построенной модели оценки состояния предприятий, а также для определения классификации новых предприятий. Поэтому в сопоставление результатов анализов регрессионный анализ не входит.

Сопоставим результаты исследований общего состояния предприятий с помощью таблицы 3.8.

Таблица 3.8 - Сопоставление результатов исследования проведенных с помощью коэффициентного, кластерного анализов, кластеризации сетью Кохонена, статистического дискриминантного анализа и нейронной сети общего состояния предприятий

Так как теми предприятиями для которых проводился анализ аудиторские заключения представлены не были, реальная оценка (без модели) этих предприятий проводилась с помощью экономического коэффициентного анализа, подробно описанного в работах Коваленко, Жарковского, который заключается в вычислении стандартных коэффициентов финансово - экономического анализа, которые затем объединены в группы укрепленных показателей (ликвидности, платежеспособности, финансовой устойчивости, деловой активности, рентабельности) при условии равнозначности. А затем значения данных коэффициентов классифицируются по пентошкале, предложенной Недосекиным. Аналогичным образом укрупненные показатели объединяются в один итоговый результирующий показатель.

Как видно из таблицы кластерный анализ дал 21 неверных результатов из 111, иначе говоря в 18,91% случаях. Кластеризация сетями Кохонена дала такой же результат. Дискриминантный анализ дал неправильных результатов 20 - 18,01%. И нейронная сеть дала неверных 19 ответов - 17,11%. И 19 выборки нейронная сеть не определила. Это объясняется тем, что граница между близкими кластерами слишком мала. Зато нелинейная структура нейронных сетей позволяет эффективно оценивать состояние предприятий, где линейные модели дают ошибочные результаты.

Рисунок 3.48 - Сопоставительный анализ результатов исследований кластерным анализом, кластеризации сетью Кохонена, статистическим дискриминантным анализам и нейронной сетью

Таким образом, для наилучшего результата финансовой оценки предприятия необходимо комплексно использовать данные модели.

Заключение

Рыночная экономика изменила систему межхозяйственных связей и финансовых отношений. Однако в этих условиях устойчивость предприятия на рынке не теряет своего значения, а наоборот, становится важнейшей составляющей оценки финансово-хозяйственной деятельности, и планирования будущего развития [15].

Решающим условием в обеспечении экономического роста становится инвестиционный прорыв. Но чтобы инвестиции стали значимым фактором существенную роль в их материальном обеспечении должно играть отечественное производство инвестиционных товаров, в частности, капитальное строительство.

Строительство является одной из наиболее важных отраслей экономики. На сегодняшний день в строительной отрасли из-за нехватки финансирования, проблем с получением банковских кредитов, сокращения объемов ипотечного кредитования, а также возможного снижения платежеспособности населения, многие строительные компании сокращают объемы ввода жилья [22].

Основными факторами, сдерживающими деятельность строительных организаций, являются «высокая стоимость материалов, конструкций, изделий», «высокий уровень налогов» и «конкуренция со стороны других строительных фирм» [24].

С целью определения основных приоритетов деятельности поставщиков строительных материалов, подрядчиков, заказчиков и потребителей строительной продукции выявлены следующие области:

- финансовая область (цены на строительные материалы и услуги, инвестиции, кредиты банков);

- область маркетинга (качество оказываемых услуг, применение новых технологий, наличие фирм-конкурентов);

- область сезонности и экологии (время года (сезонность строительства) и экологичность строительства).

Изучив современные методы и средства кластерного анализа были сделаны следующие выводы:

- многомерный статистический кластерный анализ используется для понимания данных путём выявления кластерной структуры, разбиение выборки на группы схожих объектов позволяет упростить дальнейшую обработку данных и принятия решений, применяя к каждому кластеру свой метод анализа, сжатие данных, обнаружение новизны (выделяются нетипичные объекты, которые не удаётся присоединить ни к одному из кластеров);

- нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления;

- одно из главных преимуществ многослойного персептрона, это возможность решать алгоритмически неразрешимые задачи или задачи, для которых алгоритмическое решение неизвестно, но для которых возможно составить репрезентативный набор примеров с известными решениями;

- самоорганизующиеся карты Кохонена могут использоваться для решения таких задач, как моделирование, прогнозирование, поиск закономерностей в больших массивах данных, выявление наборов независимых признаков и сжатие информации;

Для достижения поставленной цели в выпускной квалификационной работе были решены следующие задачи:

1) Составлена база данных строительных предприятий Краснодарского края (Рисунок 3.2);

2) Изучены основные особенности нейросетевого моделирования;

3) Проведен коэффициентный анализ составленной базы данных предприятий (Таблица 3.4);

4) Проведен многомерный кластерный анализ для выделения в составленной базе данных характерных групп (Таблица 3.4);

5) Проведена нейросетевая кластеризация сетями Кохонена, для выделения в составленной базе данных характерные группы предприятий (Таблица 3.4);

6) Проведен сопоставительный анализ полученных кластеров п.4,5. На основе проведенного исследования сформированы новые кластеры характерных групп предприятий (Таблица 3.4);

7) Используя многомерные статистические методы, проведен дискриминантный анализ составленной базы данных предприятий (Таблица 3.8);

8) Используя нейросетевые методы, построена модель, типа многослойный персептрон, для оценки составленной базы данных предприятий (Таблица 3.7);

9) Проведен сопоставительный анализ результатов оценки финансово - экономического состояния строительных предприятий Краснодарского края (Таблица 3.8);

10) Подведены итоги исследования. Выявлены основные закономерности развития строительной отрасли Краснодарского края (Рисунок 3.48).

Таким образом, при исследовании состояния предприятия кластерная модель не дает для отдельно взятого предприятия полную адекватную оценку его состояния, так как не является репрезентативной и её необходимо дополнять нейросетевыми моделями оценки и коэффициентным анализом, который дает хороший результат. Такая группа методов уже является репрезентативной. Поэтому для наилучшего результата финансовой оценки предприятия необходимо комплексно использовать данные модели.

Список использованных источников

1 Бакаев А.С., Шнейдман Л.З. Финансово-хозяйственная деятельность предприятия. / М.: «Бухгалтерский учет» 2004г.

2 Барский А.Б. Нейронные сети: Распознавание, управление, принятие решений. Финансы и статистика, 2007 г. - 175 с.

3 Боровиков В.П. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных. Горячая Линия-Телеком, 2008. - 392 с.

4 Боровиков В.П. STATISTICA: искусство анализа данных на компьютере (2-ое издание). Питер: 2003 г. - 686 с.

5 Быкадоров В.Л., Алексеев П.Д. Финансово-экономическое состояние предприятия:Практическое пособие. - М.:”Издательство ПРИОР”, 2000. - 96 с.

6 Коваленко А.В. Многомерный статистический анализ предприятия: монография / Уртенов М.Х., Узденов У.А., М.: ACADEMIA, 2009. - 240с.

7 Недосекин А.О. Сводный финансовый анализ российских предприятий за 2000-2003 гг. Аудит и финансовый анализ, 2005.

8 Пястолов С.М. Экономический анализ деятельности предприятий. Учебное пособие. - М.: Академический Проект, 2003. - 572 с.

9 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Горячая Линия-Телеком, 2008.- 452 с.

10 Савицкая, Г.В. Анализ хозяйственной деятельности предприятия: учеб. пособие / Г.В. Савицкая. - 7-е изд., испр. - М.: Новое знание, 2002. - 704 с.

11 Смирнов В.И. Прогнозирование и классификация экономических систем в условиях неопределённости методами искусственных нейронных сетей. Оренбург, 2003. -280 с.

12 Статья: особенности строительства и их влияние на информационную систему управления (пупшис т.ф., кузнецова е.б.) ('строительство: налогообложение, бухучет', 2004, n 3)

13 Фомин, Я.А. Диагностика кризисного состояния предприятия / Я.А. Фомин. - М.:Юнити-Дана. 2003. - 349 с.

14 Хайкин С. Нейронные сети: полный курс, 2-е издание. Вильямс, 2008 г. - 1104 с.

15 Халафян А.А. STATISTICA 6. Статистический анализ данных. Москва: Бином-Пресс, 2008. - 512 с.

16 Шеремет А.Д., Сайфулин Р.С. Методика финансового анализа. - М.: ИНФРА-М, 2004. - 320 c.

17 Шишкоедов Н.Н. Методика финансового анализа предприятий. // Экономичекий анализ: теория и практика, 2005, № 38. - 176 с.

18 Шмален Г. Основы и проблемы экономики предприятия: Пер. с нем. / Под ред. проф. А.Г. Поршнева. -- М.: Финансы и статистика, 2004. -- 512 с.

19 Экономика строительного предприятия. Под ред. Королева С. А., Крикунова А.В. \ М.: 2006 г.

20 Строительство//wikipedia.org - свободная энциклопедия Википедия.2013.URL: http://en.wikipedia.org/wiki/Строительство (дата обращения: 10.05.2013).

21 Портал южного региона// yuga.ru-ежедн. инт. издание «Юга.ру» 2013. URL: http://dom.yuga.ru/ (дата обращения: 25.05.2013).

22 Строительный портал. Строительные фирмы, компании, сайты, рынки// stroylist.ru-еженед. инт. издание «Строительный портал» 2011. URL: http://www.stroylist.ru/ (дата обращения: 30.05.2013)

23 Федеральная служба государственной статистики// gks.ru-ежедн. инт. журнал «Федеральная служба государственной статистики» 2013. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/ (дата обращения: 30.05.2013)

24 Экономический портал//http://ecouniver.com-еженед. инт. журнал «Экономический портал» 2013. URL: http://ecouniver.com (дата обращения: 02.06.2013)