Создать PDF Рекомендовать Распечатать

Моделирование индекса инвестиционной привлекательности организаций: эконометрический подход

  • Автор (авторы):
    Перцухов Виктор Иванович
  • Дата публикации:
    30.12.07
  • № гос.рег.статьи:
    0420700034/0026
  • ВУЗ ИЛИ ОРГАНИЗАЦИЯ:
    ООО ФКК ИнвестКапиталКонсалтинг

Моделирование индекса инвестиционной привлекательности организаций: эконометрический подход

Аннотация: Инвестиционное поле Российской Федерации в последние годы подвержено постоянному воздействию множества политических, экономических, финансовых и социальных факторов, степень влияния которых на протекающие и ожидаемые инвестиционные процессы неоднозначна, при формировании прогноза индекса инвестиционной привлекательности хозяйствующих субъектов необходимо учитывать характер изменчивости инвестиционного поля и факторов, оказывающих на него влияние. Предложенные автором модели оценки и прогнозирования индекса инвестиционной привлекательности субъектов хозяйствования, разработанные для предприятий перерабатывающей промышленности, следует использовать для построения краткосрочных или среднесрочных прогнозов инвестиционной привлекательности хозяйствующих субъектов.

Abstract:
The investment field of the Russian Federation last years is subject to constant influence of set political, economic, financial and the social factors which degree of influence on proceeding and expected investment processes is ambiguous, at formation of the forecast of an index of investment appeal of managing subjects it is necessary to consider character of variability of an investment field and the factors making on its impact. And forecasting of an index of investment appeal of subjects of the managing, developed for the process industry enterprises, it is necessary to use the models of an estimation offered by the author for construction of short-term or intermediate term forecasts of investment appeal of managing subjects.

Ключевые слова: инвестиционная привлекательность, инвестиции, моделирование поведения

Keywords:
investment appeal, investments, behaviour modelling

 

Инвестиционное поведение потенциального инвестора во многом определяется обстоятельствами, характеризующими как сам объект интересов инвестора, так и условия, в которых он функционирует. В силу этого особую важность приобретает инструментарий, которым руководствуется инвестор при оценке целесообразности ведения активной инвестиционной политики в отношении того или иного объекта его интересов. В современных условиях одним из наиболее актуальных направлений финансовой науки представляется проведение обстоятельного исследования инвестиционного поведения хозяйствующих субъектов в условиях воздействия микроэкономических, отраслевых, территориальных и макроэкономических факторов, а также разработка эффективного инструментария оценки и прогнозирования степени привлекательности того либо иного экономического агента (инструмента) для потенциального инвестора [1,2].

Процедура моделирования инвестиционной привлекательности организаций предусматривает последовательную реализацию ряда операций.

I этап. Построение базы данных и изучение их свойств.

Для создания обоснованной модели оценки инвестиционной привлекательности хозяйствующих субъектов необходимо сформировать комплексную базу данных, характеризующую тенденции финансово-экономической деятельности хозяйствующих субъектов, рассматриваемых в качестве объекта исследования. Для того чтобы вновь созданная модель максимально учитывала характер отраслевой специфики деятельности хозяйствующих субъектов, сформированная база данных должна содержать информацию о финансово-экономической деятельности предприятий, относящихся исключительно к одному отраслевому комплексу (подкомплексу).

Поскольку в данной работе исследуется инвестиционная политика хозяйствующих субъектов, проявляющаяся, в частности, сквозь призму воздействия микроэкономических факторов, в рамках данного исследования была сформирована база данных, содержащая информацию о финансово-экономической деятельности хозяйствующих субъектов. В качестве таковых послужили предприятия перерабатывающей промышленности Краснодарского края (360 предприятий, принадлежащих 19 отраслям перерабатывающей промышленности).
Основными источниками формируемой базы данных являются официальные материалы Государственного комитета статистики РФ (Краснодарского краевого комитета государственной статистики), а также производные от них.

Максимальный уровень предсказательной силы вновь разрабатываемой модели напрямую зависит от глубины исследования. В ходе моделирования индекса инвестиционной привлекательности хозяйствующих субъектов были заложены два периода исследования.

Одиннадцатилетний период исследования (1995-2005 гг.) был выбран в силу наличия доступа к базе данных по предприятиям за эти годы.

Семилетний период исследования (1999-2005 гг.) был выбран в силу того, что лишь начиная с 1999 г. экономика Российской Федерации вошла в стадию стабилизации финансовых и экономических преференций, т.е. для этого периода появилась возможность создания адекватных прогнозов и моделей развития как экономики Российской Федерации в целом, так и отдельных субъектов финансового (инвестиционного) рынка Российской Федерации.

Поскольку для созданной базы данных характерна разнородность и разобщённость цифрового материала, проводится стандартизация базы данных.

Заканчивается I этап изучением дескриптивных статистик, характерных для базы данных, и построением корреляционных матриц с целью выявления внутренних связей между переменными, которые содержатся в базе данных.

II этап. Факторный анализ вновь созданной базы данных.

Выбор параметров, включаемых в модель оценки инвестиционной привлекательности организаций, проводится на основе использования факторного анализа, целью которого является обнаружение скрытых общих факторов, объясняющих связи между наблюдаемыми параметрами объекта исследования.

Для обоснованного выбора параметров, включаемых в модель, факторному анализу были подвергнуты показатели, характеризующие имущественное положение предприятия, ликвидность его баланса, финансовую устойчивость предприятия, его деловую активность, рентабельность деятельности предприятия – всего 40 показателей.

Далее предусматривается проведение факторного анализа методом главных компонент (Principalcomponentsmethod). При этом рассчитываются факторные нагрузки рассматриваемых параметров. В модель включаются те из них, для которых характерны максимальные по модулю значения факторных нагрузок.

Таким образом, полученные факторные нагрузки, представленные в количественном и графическом виде, позволяют сформировать обоснованное мнение о целесообразности включения в модель оценки инвестиционной привлекательности хозяйствующих субъектов соответствующих параметров.

Графическое и количественное представление факторных нагрузок весьма наглядно демонстрирует наиболее значимые показатели, которые в первом приближении должны составить спектр параметров формируемой модели оценки инвестиционной привлекательности хозяйствующих субъектов.

Далее наиболее значимые показатели подвергаются анализу корреляционных связей между ними и оценке логической обоснованности использования данных показателей в качестве параметров создаваемой модели.
Эта операция проводится в соответствии со следующими принципами:

  • уровень корреляционной связи между параметрами вновь формируемой модели должен быть минимальным;
  • логическая взаимосвязь между результирующим признаком и независимыми параметрами модели должна быть высокой (т.е. экономический смысл формирования зависимости результирующего признака от независимых параметров модели должен представляться очевидным и иметь безусловный характер).

В результате проведения названных процедур был сформирован список наиболее значимых показателей, которые предполагается использовать для формирования модели оценки инвестиционной привлекательности хозяйствующих субъектов. Данный список составили:

  • 2_clip_image002_0000 – общий коэффициент покрытия;
  • 2_clip_image004 – доля собственных оборотных средств в общей их сумме;
  • 2_clip_image006 – коэффициент концентрации собственного капитала;
  • 2_clip_image008_0000 – оборачиваемость собственного капитала;
  • 2_clip_image014 – оборачиваемость основного капитала;
  • 2_clip_image012 – рентабельность продукции;
  • 2_clip_image014 – рентабельность собственного капитала.

Данные показатели принадлежат разным группам индикаторов оценки тенденций финансово-хозяйственной деятельности предприятий, в частности  2_clip_image002_0000и 2_clip_image004 относятся к группе показателей ликвидности, 2_clip_image006 – к группе показателей финансовой устойчивости, 2_clip_image008_0000 и 2_clip_image010_0000 – к группе показателей деловой активности, 2_clip_image012 и 2_clip_image014 – к группе показателей рентабельности.

Если предполагается ориентировать формируемую модель на приоритеты инвестора универсального типа, то степень значимости параметров модели обуславливается исключительно уровнем факторных нагрузок, исчисляемых в процессе подбора искомой математической зависимости.

Если предполагается ориентировать формируемую модель на приоритеты инвестора более узкой специфики, то требуется или изменить набор показателей, используемых в качестве параметров вновь формируемой модели, или конкретизировать степень их значимости путём использования весовых нагрузок параметров модели. Использование таких подходов к моделированию обусловлено принципиальным отсутствием чёткой и неизменной смысловой нагрузки «инвестиционной привлекательности» как экономической категории. Дело в том, что для кредитного инвестора и институционального инвестора понятие «инвестиционная привлекательность» имеет совершенно различный смысл. Для кредитного инвестора основным приоритетом в рассмотрении привлекательности предприятия является его платежеспособность, так как он заинтересован в своевременном возврате основной суммы денег и выплате процентов и не участвует в прибыли от реализации проекта. Для институционального инвестора акценты смещаются в сторону эффективности хозяйственной деятельности реципиента, о которой свидетельствуют степень его деловой активности и рентабельность его деятельности.

Предлагаемый набор показателей, на базе которых предполагается сформировать модель оценки инвестиционной привлекательности хозяйствующих субъектов, сочетает в себе как индикаторы, обладающие первостепенной значимостью для инвестора кредитного типа, так и индикаторы, обладающие первостепенной значимостью для инвестора институционального типа. Иными словами, созданная на базе представленного набора показателей модель, носит универсальный характер, поскольку в ней не наблюдается смещение акцентов к приоритетам какого-либо узкого типа потенциального инвестора.

Ориентирование модели на приоритеты кредитного или институционального инвестора предусматривает использование весовых нагрузок параметров модели. Поскольку степень значимости этих нагрузок не может быть представлена в качестве дискретной величины, наиболее обоснованным методом их формализации является метод экспертных оценок. Однако использование этого метода предполагает постановку и решение ряда ключевых проблем:

  • кто будет выступать в качестве экспертов;
  • какова степень компетентности лиц, выступающих в роли экспертов;
  • чем руководствуются эксперты, отводя тому либо другому индикатору большую степень значимости и др.

Иными словами, использование метода экспертных оценок для определения весовых нагрузок вновь формируемой модели представляется подходом, который не может претендовать на объективность. Поэтому модель, сформированная на основе использования описанного подхода формализации весовых нагрузок, изначально предполагает наличие погрешности.

В силу названных причин в данном исследовании предполагается сформировать модель оценки инвестиционной привлекательности хозяйствующих субъектов, ориентированную на приоритеты инвестора универсального типа.

III этап. Кластеризация (ранжирование) предприятий по степени их инвестиционной привлекательности, проводимая на основе анализа их финансово-хозяйственной деятельности. Представление количественных оценок кластеризации предприятий в качестве результирующего признака их инвестиционной привлекательности.

Для построения любой регрессионной зависимости необходимо определиться не только с характером независимых параметров формируемой модели, но и с характером результирующего признака.
С этой целью предприятия, данные финансово-хозяйственной деятельности которых образуют базу данных, используемую для моделирования, подвергаются кластеризации (ранжированию) по степени их привлекательности для потенциального инвестора. В ходе кластеризации (ранжирования) предприятий учитываются следующие признаки:

  • абсолютный уровень включаемых в модель параметров;
  • поправка на динамику параметров модели.

Базовые критерии оценки параметров, составляющих формируемую модель, представлены в приведённой ниже таблице.
Таблица 1 – Базовые критерии кластеризации хозяйствующих субъектов по параметрам


Показатели

Оценки параметров

крайне
неудовлетворительно

неудовлетворительно

в районе
допустимых значений

удовле-творительно

хорошо

1. L3

<0,8

0,8-1,0

1,0-1,2

1,2-1,5

>1,5

2. L7

<-10%

-10-0%

0-10%

10-25%

>25%

3. FU1

<5%

5-10%

10-20%

20-50%

>50%

4. DA13

<0,4

0,4-0,6

0,6-0,8

0,8-1,0

>1,0

5. DA14

<0,2

0,2-0,4

0,4-0,6

0,6-0,8

>0,8

6. R1

<-20%

-20-0%

0-5%

5-20%

>20%

7. R4

<-30%

-30-0%

0-20%

20-50%

>50%

Оценки

-2

-1

0

+1

+2

Поправка на динамику используется по результатам оценки параметров за последние три года. В зависимости от характера этой динамики конечный уровень оценки корректируется в соответствии со следующими нормами:

  • «крайне положительная» – +20%;
  • «положительная» – +10%;
  • «стабильная» – 0%;
  • «отрицательная» – -10%;
  • «крайне отрицательная» – -20%.

В целом, результирующий признак представляет собой комплексный показатель, уровень которого определяется как сумма репрезентативных параметров, характеризующих различные аспекты эффективности деятельности и устойчивости финансового состояния предприятия. В качестве репрезентативных параметров в данном случае рассматриваются количественные оценки кластеризации хозяйствующих субъектов по параметрам.

Следует отметить тот факт, что для адекватной оценки результирующего признака необходимо использовать обоснованный алгоритм расчёта, позволяющий представить этот индикатор в качестве интегрального показателя. В настоящее время для подобных целей используются следующие подходы:

  • свод численных значений факториальных параметров на основе их сложения (с учётом весовых нагрузок рассматриваемых параметров или без их учёта);
  • свод численных значений факториальных параметров по формуле средней (с учётом весовых нагрузок рассматриваемых параметров или без их учёта);
  • свод численных значений факториальных параметров по формуле многомерной средней (с учётом весовых нагрузок рассматриваемых параметров или без их учёта).

Поскольку для расчёта интегрального показателя результирующего признака используются количественные оценки кластеризации хозяйствующих субъектов по параметрам, то особой разницы в использовании того или иного подхода оценки интегрального результирующего признака не наблюдается.

Это обуславливается абсолютной унифицированностью размерности количественных оценок кластеризации и идентичностью количества и характера возможных кластерных групп по параметрам, формирующим модель оценки инвестиционной привлекательности хозяйствующих субъектов.

Таким образом, интегральный показатель результирующего признака определяется в виде суммы репрезентативных параметров без учёта факторных нагрузок последних. Отказ от взвешивания репрезентативных параметров обусловлен отсутствием научно обоснованных подходов учёта степени приоритетности отдельных параметров в их совокупности. Использование экспертных оценок для решения проблемы обоснованных факторных весовых нагрузок представляется неприемлемым, поскольку данный подход предполагает применение методов, ориентированных на личностные приоритеты экспертов. Использование экспертных оценок отнюдь не решает проблемы отсутствия факторных нагрузок, а скорее переводит её в плоскость проблемы достоверности экспертных оценок.

Если спроецировать интегральный показатель результирующего признака на вектор оценки инвестиционной привлекательности хозяйствующих субъектов и придать его интерпретации качественный характер, то степень привлекательности хозяйствующих субъектов для потенциальных инвесторов можно оценивать в соответствии с критериями представленной ниже таблицы.

Таблица 2 – Критерии оценки индекса инвестиционной привлекательности хозяйствующих субъектов


Показатели

Оценки индекса инвестиционной привлекательности

крайне
неудовлетворительно

неудовлетворительно

в районе
допустимых значений

удовле-творительно

хорошо

Индекс инвестиционной
привлекательности

-8 – -14

-2 – -8

-2 – 2

2 – 8

8 – 14

IV этап. Построение модели оценки инвестиционной привлекательности хозяйствующих субъектов.
На сегодняшний день большинство моделей оценки и прогнозирования финансовых и экономических преференций носят линейных характер. Однако для них характерен один весьма существенный недостаток – они не позволяют учесть разнонаправленность векторов динамики финансовых и экономических составляющих этих моделей.

Поэтому при построении модели оценки инвестиционной привлекательности хозяйствующих субъектов были рассмотрены два альтернативных алгоритма моделирования:

  • формирование модели оценки индекса инвестиционной привлекательности хозяйствующих субъектов на основе использования алгоритма мультипликативного регрессионного анализа (линейный тип модели);
  • формирование модели оценки индекса инвестиционной привлекательности хозяйствующих субъектов на основе использования регрессии экспоненциального типа (нелинейный тип модели).

Выбор регрессионной зависимости экспоненциального типа для формирования нелинейного типа модели обусловлен результатами эмпирических исследований, которые показали, что динамика индекса инвестиционной привлекательности хозяйствующих субъектов наиболее полно и наиболее точно описывается экспоненциальной зависимостью.

Таким образом, общий вид формируемой модели представлен следующими зависимостями:

  • для линейного типа модели оценки инвестиционной привлекательности хозяйствующих субъектов

2_clip_image016;

(1)

  • для нелинейного типа модели оценки инвестиционной привлекательности хозяйствующих субъектов

2_clip_image018.

(2)

В ходе моделирования конечная модель была ориентирована на достижение максимальной достоверности ожидаемых результатов.

Далее в зависимости от типа формируемой модели используется соответствующий алгоритм моделирования индекса инвестиционной привлекательности хозяйствующих субъектов.

1. Алгоритм формирования модели оценки индекса инвестиционной привлекательности хозяйствующих субъектов на основе использования мультипликативного регрессионного анализа (линейный тип модели).
Как правило, методом оценки, на основании которого производится поиск скрытой регрессионной зависимости, описывающей индекс инвестиционной привлекательности организаций, является метод наименьших квадратов.

В зависимости от характера интерпретации алгоритма метода наименьших квадратов для построения регрессионных зависимостей используются стандартный метод или пошаговый (включения и исключения) метод.

Стандартный метод моделирования (Standardmethod) состоит в использовании стандартных функций ограничений процесса моделирования.

Пошаговый метод предусматривает построение модели последовательно по шагам. Для пошагового метода включения (Forwardstepwisemethod) на каждом шаге оценивается вклад в регрессионную функцию не включённых в модель переменных. Переменная, обеспечивающая наибольший вклад, включается в модель, после чего производится переход к следующему шагу. Для пошагового метода исключения (Backwardstepwisemethod) характерно включение в модель на первом этапе всех переменных, после чего производится их последовательное исключение. Для пошаговых методов предусмотрена возможность использования нестандартных функций ограничений процесса моделирования. К их числу относятся:

  • толерантность модели;
  • значения статистики F для включения переменной в модель;
  • значения статистики F для исключения переменной из модели;
  • число шагов моделирования.

2. Алгоритм формирования модели оценки индекса инвестиционной привлекательности хозяйствующих субъектов на основе использования регрессии экспоненциального типа (нелинейный тип модели).
В первую очередь выбирается метод оценки, на основании которого производится поиск скрытой экспоненциальной зависимости, описывающей индекс инвестиционной привлекательности хозяйствующих субъектов. В качестве такого метода оценки используется метод Квази-Ньютон (Quasi-Newtonmethod). В случае если процесс оценки параметров вновь формируемой модели сошёлся, необходимо определить насколько оценённая модель подходит к данным, т.е. проверить степень её адекватности. Если же процесс оценки параметров формируемой модели не сошёлся, необходимо выполнить следующие операции:

  • изменить метод оценки параметров, т.е. провести оценку параметров симплекс методом (Simplexmethod), методом Розенброка (Rosenbrockmethod) или методом Хука-Джевиса (Hooke-Jeevesmethod);
  • изменить вид вновь формируемой математической зависимости, т.е. придать ей вид линейной регрессии, кусочно-линейной регрессии, логистической регрессии или регрессии специфического (частного) характера.

Первичный анализ результатов моделирования заключается в оценки таких параметров как:

  • точечные оценки параметров модели(B);
  • стандартные ошибки оценки параметров модели(Std. Error of B);
  • стандартизированные коэффициенты регрессионного уравнения(Beta);
  • стандартные ошибки оценки стандартизированных коэффициентов регрессионного уравнения(Std. Error of Beta);
  • t-критерий, который используется для проверки гипотезы о равенстве 0 свободного члена регрессии(t(df));
  • уровень значимости(p-level), представляющий вероятность ошибки, связанной с распространением наблюдаемого результата на совокупную популяцию.

V этап. Проверка построенной модели на значимость и адекватность.
Гипотеза о незначимости регрессионной модели проверяется на основе использования дисперсионного анализа. Индикаторами оценки значимости модели и весовых факторных нагрузок её параметров являются статистика критерия Фишера F и уровень значимости p.

Линейная регрессионная зависимость называется адекватной, если предсказанные по ней значения переменной Y согласуются с результатами наблюдений. Грубая оценка адекватности модели может быть проведена непосредственно по графику остатков, которые представляют собой разницу между наблюдаемыми значениями и спрогнозированными с помощью модели. Если модель адекватна, то остатки ведут себя достаточно хаотично, в известном смысле напоминая белый шум, т.е. являются следствием случайных ошибок наблюдений, которые должны быть независимыми нормально распределёнными случайными величинами с нулевыми средними и равными дисперсиями. При этом в остатках не наблюдаются систематическая составляющая и резкие выбросы, в чередовании их знаков нет никаких закономерностей, остатки являются независимыми друг от друга. Всякое отклонение от названных условий отражается на поведении остатков.

График стандартизированных остатков позволяет обнаружить следующие дефекты регрессионной модели и исходных данных:

  • наличие выбросов, т.е. таких остатков, которые по абсолютному значению значительно превосходят все прочие остатки;
  • нарушение условия постоянства дисперсии ошибок для всех наблюдений; если все остатки укладываются в симметричную относительно нулевой линии полосу шириной 2_clip_image0202S, то дисперсии ошибок наблюдений постоянны;
  • криволинейных характер графика остатков показывает, что в регрессионной модели не учтены факторы, оказывающие существенное влияние на зависимую переменную Y.

Далее проводится проверка гипотезы о нормальности распределения остатков. С этой целью остатки проецируются на нормальном вероятностном графике (NormalProbabilityPlot) и на полунормальном вероятностном графике (Half-normalProbabilityPlot). Если наблюдается расположение точек близко к прямой, то можно предположить, что остатки распределены по нормальному закону. Гипотезу о нормальном распределении остатков можно также проверить по критерию 2_clip_image022 или критерию Колмогорова-Смирнова.
Кроме того, при оценке значимости и адекватности вновь сформированной модели необходимо рассчитать ряд количественных критериев, описывающих характер корреляционной связи между результирующим признаком и независимыми переменными, а также показатели, характеризующие абсолютные потери при моделировании.

В качестве таких критериев выступают:

  • коэффициент множественной корреляции (MultipleR) – описывает степень линейной зависимости между результирующим признаком и независимыми переменными модели; в случае с простой линейной регрессией данный показатель равен модулю коэффициента корреляции;
  • коэффициент детерминации (R-squareRI), представляющий собой квадрат коэффициента множественной корреляции. Если регрессионная модель значима, то коэффициент детерминации равен той доле дисперсии ошибок наблюдений, которая объясняется регрессионной моделью;
  • скорректированный коэффициент детерминации (AdjustedR-squareadjustedRI);
  • стандартная ошибка наблюдений (Std. Errorofestimate) – характеризует стандартное отклонение выборочного среднего, рассчитанное по выборке из генеральной совокупности;
  • суммарные потери (Finalloss);
  • объяснённая дисперсия (Varianceexplained), которая характеризует долю вариации данных, учитываемых вновь созданной моделью.

Для оценки адекватности вновь формируемой модели особое внимание следует обратить на коэффициент детерминации, характеризующий долю общего разброса относительно выборочного среднего зависимой переменной, которая объясняется построенной регрессией. Чем меньше разброс значений остатков около линии регрессии по отношению к общему разбросу значений, тем лучше прогноз. Уровень коэффициента детерминации является индикатором степени подгонки модели к данным. Значение этого показателя варьирует в пределах от 0 до 1. Чем ближе его уровень к 1, тем лучше построенная зависимость объясняет разброс наблюдений. В известной степени данный показатель может рассматриваться в качестве критерия оценки предсказательной силы модели.

В соответствии с изложенной процедурой моделирования инвестиционной привлекательности хозяйствующих субъектов в рамках данного исследования подготовлены:

  • сводные модели оценки индекса инвестиционной привлекательности хозяйствующих субъектов перерабатывающей промышленности;
  • модели оценки индекса инвестиционной привлекательности хозяйствующих субъектов по отраслям экономики (в частности, сформированы модели, учитывающие специфические особенности предприятий, принадлежащих 22 отраслевым комплексам).

Отличительной особенностью предлагаемых моделей является тот факт, что они учитывают отраслевую специфику хозяйствующих субъектов. Это обуславливается тем, что в ходе моделирования исследованию подвергались лишь предприятия, относящиеся к одной отрасли.

В рамках данной научной работы приводится ряд универсальных моделей оценки и прогнозирования индекса инвестиционной привлекательности субъектов хозяйствования, разработанных для предприятий перерабатывающей промышленности.

1. Модель оценки инвестиционной привлекательности хозяйствующих субъектов, сформированная на основе использования мультипликативного регрессионного анализа для периода глубиной 11 лет – 1995-2005 гг.


2_clip_image024

(3)

2. Модель оценки инвестиционной привлекательности хозяйствующих субъектов, сформированная на основе использования мультипликативного регрессионного анализа для периода глубиной 7 лет – 1999-2005 гг.


2_clip_image026

(4)

3. Модель оценки инвестиционной привлекательности хозяйствующих субъектов, сформированная на основе использования регрессии экспоненциального типа для периода глубиной 11 лет – 1995-2005 гг.


2_clip_image028

(5)

4. Модель оценки инвестиционной привлекательности хозяйствующих субъектов, сформированная на основе использования регрессии экспоненциального типа для периода глубиной 7 лет – 1999-2005 гг.


2_clip_image030

(6)

Следует отметить тот факт, что уровень предсказательной силы предлагаемых моделей, который описывается коэффициентом детерминации, очень высок. Как для моделей, сформированных на основе использования алгоритма мультипликативного регрессионного анализа, так и для моделей, сформированных на основе использования регрессии экспоненциального типа, уровень коэффициента детерминации варьирует в пределах от 0,85 до 0,99. Иными словами, построенные регрессионные зависимости объясняют 85-99% общего разброса относительно выборочного среднего зависимой переменной, что свидетельствует об очень хороших качественных характеристиках сформированных моделей.

Анализ стандартизированных остатков, демонстрирующих дефекты вновь созданных регрессионных моделей, позволяет утверждать, что эти остатки являются следствием случайных ошибок наблюдений, которые представляются независимыми нормально распределёнными случайными величинами. Следовательно, сформированные регрессионные зависимости обладают должной степенью адекватности.
В силу этого можно констатировать, что отличительной чертой созданных моделей является весьма высокая точность прогноза инвестиционной привлекательности хозяйствующих субъектов в сочетании с очевидной простотой используемого для этой цели инструмента оценки.

Однако, поскольку инвестиционное поле Российской Федерации в последние годы подвержено постоянному воздействию множества политических, экономических, финансовых и социальных факторов, степень влияния которых на протекающие и ожидаемые инвестиционные процессы неоднозначна, при формировании прогноза индекса инвестиционной привлекательности хозяйствующих субъектов необходимо учитывать характер изменчивости инвестиционного поля и факторов, оказывающих на него влияние. Поэтому сформулированные модели следует использовать для построения краткосрочных или среднесрочных прогнозов инвестиционной привлекательности хозяйствующих субъектов, не превышающих по своей продолжительности, соответственно, одного года или трёх лет.

Кроме того, с течением времени наблюдается определённое изменение степени значимости параметров, составляющих модель оценки индекса инвестиционной привлекательности хозяйствующих субъектов. Отдельные параметры способны приобрести статус факторов, определяющих уровень рассчитываемого индекса, другие параметры, напротив, трансформируются в незначительные факторы, не оказывающие существенного влияния на уровень инвестиционной привлекательности организаций.

В силу названных причин нужно проводить актуализацию сформулированных моделей оценки индекса инвестиционной привлекательности не реже одного раза в три года (при наличии возможности – не реже одного раза в год). Это позволит обеспечить учёт динамики значимости факторов, в той или иной степени определяющих уровень привлекательности субъектов хозяйствования для потенциальных инвесторов, и, как следствие, повысить точность прогноза индекса инвестиционной привлекательности организаций.

Литература:

  1. Перцухов В.И., Панасейкина В.С. Моделирование инвестиционного поведения экономических систем. В 2-х т. Т.1: Монография. – Краснодар: Изд-во ООО«Ризограф», 2007. – 212 с.: ил.
  2. Перцухов В.И., Панасейкина В.С. Моделирование инвестиционного поведения экономических систем. В 2-х т. Т.2: Монография. – Краснодар: Изд-во ООО«Ризограф», 2007. – 156 с.: ил.
  3. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. 2-е изд. (+CD). – СПб.: Питер, 2003. – 688 с.: ил.

  vakperechen

ОБНОВЛЕННЫЙ СПИСОК ВАК 2016 г.
ОТ 19.04.2016  >> ПРОСМОТРЕТЬ
tass
 
ПО ВОПРОСАМ ПУБЛИКАЦИИ СТАТЕЙ И СОТРУДНИЧЕСТВА ОБРАЩАЙТЕСЬ:
skype SKYPE: vak-uecs
e-mail
MAIL: info@uecs.ru
phone
+7 (928) 340 99 00
 

АРХИВ НОМЕРОВ

(01) УЭкС, 1/2005
(02) УЭкС, 2/2005
(03) УЭкС, 3/2005
(04) УЭкС, 4/2005
(05) УЭкС, 1/2006
(06) УЭкС, 2/2006
(07) УЭкС, 3/2006
(08) УЭкС, 4/2006
(09) УЭкС, 1/2007
(10) УЭкС, 2/2007
(11) УЭкС, 3/2007
(12) УЭкС, 4/2007
(13) УЭкС, 1/2008
(14) УЭкС, 2/2008
(15) УЭкС, 3/2008
(16) УЭкС, 4/2008
(17) УЭкС, 1/2009
(18) УЭкС, 2/2009
(19) УЭкС, 3/2009
(20) УЭкС, 4/2009
(21) УЭкС, 1/2010
(22) УЭкС, 2/2010
(23) УЭкС, 3/2010
(24) УЭкС, 4/2010
(25) УЭкС, 1/2011
(26) УЭкС, 2/2011
(27) УЭкС, 3/2011
(28) УЭкС, 4/2011
(29) УЭкС, 5/2011
(30) УЭкС, 6/2011
(31) УЭкС, 7/2011
(32) УЭкС, 8/2011
(33) УЭкС, 9/2011
(34) УЭкС, 10/2011
(35) УЭкС, 11/2011
(36) УЭкС, 12/2011
(37) УЭкС, 1/2012
(38) УЭкС, 2/2012
(39) УЭкС, 3/2012
(40) УЭкС, 4/2012
(41) УЭкС, 5/2012
(42) УЭкС, 6/2012
(43) УЭкС, 7/2012
(44) УЭкС, 8/2012
(45) УЭкС, 9/2012
(46) УЭкС, 10/2012
(47) УЭкС, 11/2012
(48) УЭкС, 12/2012
(49) УЭкС, 1/2013
(50) УЭкС, 2/2013
(51) УЭкС, 3/2013
(52) УЭкС, 4/2013
(53) УЭкС, 5/2013
(54) УЭкС, 6/2013
(55) УЭкС, 7/2013
(56) УЭкС, 8/2013
(57) УЭкС, 9/2013
(58) УЭкС, 10/2013
(59) УЭкС, 11/2013
(60) УЭкС, 12/2013
(61) УЭкС, 1/2014
(62) УЭкС, 2/2014
(63) УЭкС, 3/2014
(64) УЭкС, 4/2014
(65) УЭкС, 5/2014
(66) УЭкС, 6/2014
(67) УЭкС, 7/2014
(68) УЭкС, 8/2014
(69) УЭкС, 9/2014
(70) УЭкС, 10/2014
(71) УЭкС, 11/2014
(72) УЭкС, 12/2014
(73) УЭкС, 1/2015
(74) УЭкС, 2/2015
(75) УЭкС, 3/2015
(76) УЭкС, 4/2015
(77) УЭкС, 5/2015
(78) УЭкС, 6/2015
(79) УЭкС, 7/2015
(80) УЭкС, 8/2015
(81) УЭкС, 9/2015
(82) УЭкС, 10/2015
(83) УЭкС, 11/2015
(84) УЭкС, 11(2)/2015
(85) УЭкС,3/2016
(86) УЭкС, 4/2016
(87) УЭкС, 5/2016
(88) УЭкС, 6/2016
(89) УЭкС, 7/2016
(90) УЭкС, 8/2016
(91) УЭкС, 9/2016
(92) УЭкС, 10/2016
(93) УЭкС, 11/2016
(94) УЭкС, 12/2016
(95) УЭкС, 1/2017
(96) УЭкС, 2/2017
(97) УЭкС, 3/2017
(98) УЭкС, 4/2017
(99) УЭкС, 5/2017
(100) УЭкС, 6/2017
(101) УЭкС, 7/2017
(102) УЭкС, 8/2017
(103) УЭкС, 9/2017
(104) УЭкС, 10/2017
(105) УЭкС, 11/2017
(106) УЭкС, 12/2017
(107) УЭкС, 1/2018
(108) УЭкС, 2/2018
(109) УЭкС, 3/2018
(110) УЭкС, 4/2018
(111) УЭкС, 5/2018
(112) УЭкС, 6/2018
(113) УЭкС, 7/2018
(114) УЭкС, 8/2018
(115) УЭкС, 9/2018
(116) УЭкС, 10/2018

 Федеральная служба по надзору в сфере связи и массовых коммуникаций

№ регистрации СМИ ЭЛ №ФС77-35217 от 06.02.2009 г.       ISSN: 1999-4516