Имя материала: Диагностика кризисного состояния предприятия

Автор: Фомин Я.А.

4. формирование признакового пространства

 

Выбор показателей состояния фирмы. Анализ состояния фирмы -это не только исследование процессов, происходящих в структуре самой фирмы, это, прежде всего, анализ той среды, в которой функционирует фирма. Обычно разделяют внутреннюю среду фирмы, факторы которой определяются целиком управленческими решениями (цели фирмы, ее структура, люди, технологии), и маркетинговую (внешнюю). Маркетинговую среду представляют факторы микро - и макросреды. "Микросреда представлена силами, имеющими непосредственное отношение к самой фирме и ее возможностям по обслуживанию клиентуры, т.е. поставщиками, маркетинговыми посредниками, клиентами, конкурентами и контактными аудиториями. Макросреда представлена силами более широкого социального плана, которые оказывают влияние на микросреду, такими, как факторы демографического, экономического, природного, технического, политического и культурного характера" [17]. Факторы микросреды часто называют факторами прямого воздействия на фирму, а факторы макросреды - косвенного воздействия. Таким образом фирма определяет внутрифирменную среду, отрасль экономики определяет микросреду, рынок в широком смысле слова - макросреду.

При формировании признакового пространства мы сделаем одно допущение: в качестве обучающих фирм количества 2m (см. разделы 1, 2) мы имеем право взять любые фирмы, но возьмем те, которые работают в той же отрасли, что и фирма, состояние которой мы диагностируем. Это избавит нас от необходимости учитывать и факторы макросреды [17]. Факторы макросреды прямо влияют на микросреду, обуславливая, таким образом, межотраслевое различие на уровне макросреды. В пределах же одной отрасли и одного региона влияние надотраслевых факторов инвариантно относительно фирм, осуществляющих свой бизнес в этой отрасли и на этой территории. Поэтому, взяв все: обучающие и интересующую нас фирму в пределах одной отрасли, мы можем избавиться от сложной задачи анализа самой отрасли (возможностей и преимуществ отрасли, ее недостатков и слабостей и т.д.), нас интересуют только фирмы. Если бы мы взяли в качестве обучающих фирмы из разных отраслей, то учет факторов макросреды был бы обязателен, так как потребовалось бы сравнивать признаки, характеризующие разницу не только между фирмами, но и между отраслями, в которых они работают. Точно так же, поступают и менеджеры, сравнивая результаты деятельности своей фирмы с соответствующими показателями фирм-конкурентов. Таким образом, влияние макросреды при таком подходе будет учтено, но не прямо, а опосредованно, через внутриотраслевые факторы (например, мы не станем рассматривать факторы миграции, но при изменении этого фактора в сторону увеличения населения изменится предложение рабочей силы и число потенциальных потребителей для отрасли также в сторону увеличения, что отразится на наших признаках - значит и влияние макросреды будет учтено).

Особенность методов математического моделирования вообще заключается в том, что возможна обработка информации только тогда, когда она состоит из показателей, выраженных количественно. Если явления физики и техники на сегодняшний день практически полностью описываются количественно, то в экономике существует целый ряд процессов, который удачно перевести на язык формул пока не удается. Однако, к счастью, эти факторы (иррационального свойства) в экономической жизни не являются определяющими, а зачастую и прямо зависят от таких факторов, как производство, финансы, которые количественно могут быть описаны, особенно статистическими методами.

Исходя из этих ограничений здесь разработан условный перечень показателей, который разделен на три области, определяющие деятельность фирмы: финансовая деятельность, маркетинг, производство. Все они - неотъемлемая составляющая жизни фирмы и от успеха в этих областях больше, чем от каких-либо других факторов, зависит успех фирмы в целом. Каждая из этих областей деятельности тесно связана с другими, и серьезный провал хотя бы в одной из них влечет за собой кризис и в остальных, а значит, и кризис всей фирмы.

 

Примерный перечень показателей экономической деятельности фирмы:

1.         Финансовая деятельность:     Чистая прибыль

Балансовая прибыль

Балансовая прибыль от продаж

Балансовая прибыль на инвестированный капитал

Балансовая прибыль от акций

Балансовая прибыль на основные средства

Прирост прибыли балансовой чистой

Прирост дохода в расчете на акцию

Коэффициент абсолютной ликвидности

Коэффициент покрытия

Оборотный капитал

Коэффициент маневренности

Коэффициент финансовой устойчивости

Коэффициент финансирования

Коэффициент инвестирования

Коэффициент общей оборачиваемости

Рентабельность     собственного     капитала по

балансовой прибыли

Рентабельность собственного капитала по частной прибыли

Рентабельность инвестиций

Рентабельность всех операций по балансовой прибыли

Рентабельность всех операций по частной прибыли Чистый доход

2.         Маркетинг:    Общий объем продаж

Доля рынка в отрасли

Прирост объема продаж

Прирост доли рынка

Расходы на рекламу и пропаганду

Цена товара А

Цена товара В

Цена товара Прирост цены товара Прирост цены товара

N А В

 

 

Прирост цены товара N

Расходы на пред- и послепродажное обслуживание клиентов

З.Производство:        Валовые издержки производства

Объем производства в ценах соответствующего периода

Издержки по выплате зарплат и премий постоянному штату

Издержки хранения готовой продукции Издержки хранения полуфабрикатов и материала Издержки по транспортировке материалов и полуфабрикатов

Издержки по транспортировке готовой продукции Издержки ведения портфеля отложенных заказов Издержки по найму, оформлению и увольнению рабочих

Издержки по использованию труда подрядчиков Расходы на амортизацию основных средств Расходы на коммунальные услуги по содержанию основных средств Фонды отдачи Фондовооруженность труда Производительность труда Индекс снижения себестоимости продукции

 

Много ли мы теряем от невозможности использовать качественные показатели (хотя бы даже применительно к нашей задаче)? В принципе немного - количественные показатели всегда имеют приоритет над качественными. Подавляющее большинство условных оценок, таких как «заметный», «высокий», «сильный» основывается на результатах сравнительного анализа количественных показателей. Чаще это бывает сравнительный анализ показателей деятельности некоторого количества фирм, когда определяется некий усредненный вариант по совокупности показателей фирмы, вокруг которого ранжируются оценки показателей разных фирм. Сравнительный анализ может проводиться и при сопоставлении показателей фирмы с общеотраслевыми показателями. И совершенно очевидно, что правило приоритета количественно выраженных величин над субъективными факторами выполняется, когда, например: мотивация работников определяется исходя из среднеотраслевой зарплаты, авторитет фирмы определяется из сравнительного анализа среднеотраслевого объема продаж и показателя объема продаж данной фирмы, предпочтения клиентов определяются путем сравнения средней цены по отрасли и цены товара, установленной рассматриваемой фирмой. Количественные показатели помогают нам устранить отрицательное влияние фактора неопределенности, что практически не могут сделать субъективные категории. Количественные показатели можно сопоставлять, строить на их основе прогнозы, агрегировать новые показатели, а качественные обладают лишь хорошей наглядностью, не более того. Специфика работы менеджеров, правда, пока не позволяет им полностью пренебречь качественными факторами, так как многие процессы (взаимодействие и иерархия полномочий, лидерство и групповые отношения, социокультурные ценности и этика, массовая психология) приходится брать в расчет, несмотря на то, что эти явления пока слабо описываются математическими категориями. Но предпочтение иррациональных факторов рациональным было бы большой ошибкой, поскольку привело бы к неоправданному риску, который конечно же выше, чем риск неправильно истолковать цифры.

Формирование признакового пространства. Первоначальный

ансамбль признаков Y = (Y1, Y2, ... , Yq) формируется из числа

доступных измерению характеристик распознаваемых объектов таким

образом, чтобы наиболее полно и всесторонне отразить все

существенные для распознавания свойства. Однако увеличение

размерности признакового пространства повышает вычислительную

сложность распознающей процедуры и общие затраты на измерение

характеристик объектов, т. е. на получение необходимого числа

наблюдений. Поскольку время обучения и в особенности принятия

решения, как правило, ограничено, повышение размерности

признакового пространства может оказаться единственным способом

увеличения достоверности. Следовательно, требования к размерности

признакового пространства с точки зрения повышения достоверности

распознавания и минимизации затрат на получение наблюдений

(измерений)   являются,       как      уже подчеркивалось

в разделе 2, противоречивыми. Отсюда вытекает большая важность проблемы оптимизации размерности признакового пространства, которая может быть сформулирована как замена первоначального набора q признаков Y = (Y1, Y2, ... , Yq ] таким набором X = (Х1, Х2,..., Хр ] (где р - новое число признаков), который минимизирует некоторый критерий J(X).

Наиболее распространенными способами формирования ансамбля признаков X являются селекция (выбор) признаков из исходного набора Y = (Y1, Y2, ... , Yq ].

X=(X1,X2,...,Xp)= = ^Y— Y'p),p-q;1 -1 -q; j = ^p,ij Фik и выделение признаков, т. е. проведение ортогонального линейного преобразования исходного пространства признаков Y = (Y1, Y2, ... , Yq ] в новое пространство X = (X1, X2, ... , Xp).

X = AY (4.1)

 

Преобразование (4.1), как правило, является декоррелирующим, поэтому в качестве столбцов матрицы преобразования А выбирают собственные векторы общей ковариационной матрицы М распознаваемых совокупностей. Сама ковариационная матрица М* в

этом случае становится диагональной с собственными числами ^ на диагонали

Я1

0

0 ^

 

Подпись: 0 Я2
Подпись: л =

 

М* = ATMA =

0   0  ... яр

(4.2)

 

После указанного преобразования отбирают p (p < q) новых

признаков, соответствующих тем собственным числам Я матрицы М*, которые оказывают набольшее влияние на значение выбранного критерия J (X).

При выборе признаков методом минимизации внутриклассового разброса наблюдений критерий

J = tr M* = j=1

(4.3)

 

Здесь вместо q характеристик или старых признаков Y1, Y2, Yq выбирают р новых признаков Х1, Х2,..., Xp, p < q , которые

соответствуют минимальным собственным числам я]'.

Другим критерием, который может быть использован при формировании новых признаков, является критерий наилучшей аппроксимации межклассового расстояния. Необходимо выбрать р новых признаков, соответствующих, в отличие от предыдущего случая,

я

максимальным собственным числам , так, чтобы значение J сократилось не более чем на заданное или на минимально возможное значение.

Последний критерий наилучшей аппроксимации можно, вообще говоря, применить непосредственно к выражению (4.3) для внутриклассового разброса, но в этом случае новые признаки должны уже соответствовать не минимальным, а максимальным собственным числам в сумме (4.3). Таким образом, различные критерии могут приводить к противоположным по смыслу рекомендациям по выбору признаков.

Существует усовершенствованный критерий, объединяющий оба предыдущих. Сущность его состоит в совместной минимизации внутриклассового разброса наблюдений и максимизации межклассового расстояния. Этот критерий принят в дискриминантном анализе, в котором наблюдения разных классов проектируются на заданное пространство в пространстве признаков Y1, Y2, ... , Yq (например, на прямую линию) таким образом, чтобы расстояние между центрами классов стало максимальным, а разброс наблюдений внутри каждого класса - минимальным. Количественным выражением критерия является функция от матриц Т2 и Т1 , характеризующих внутриклассовый и межклассовый разбросы наблюдений

 

J = tr (T2-1 T1) .

(4.4)

 

Формирование признакового пространства по данному критерию производится аналогично описанному ранее с использованием декоррелирующего    преобразования    путем    выбора признаков,

соответствующих максимальным собственным значениям ^j матрицы

T2-1 T1 .

С целью масштабирования вклада новых признаков в критерий J можно произвести кластеризацию, т. е. применить к новым признакам Х1, Х2,    Хр преобразование UX , матрица которого диагональна:

fUu     0    ...    0 ^

0          - 0

 

U = v00   ... UPP; . (4.5)

 

Отсутствие связи перечисленных методов формирования признакового пространства с основными показателями качества распознавания, в первую очередь с главным из них - достоверностью, приводит, в ряде случаев, как уже указывалось выше, к противоречиям и не позволяет однозначно осуществить оптимальный выбор признаков, гарантирующий достижение требуемой достоверности распознавания.

В общем виде задачу формирования признакового пространства необходимо ставить, исходя из требований к распознающей системе в целом. В реальных условиях обычно требуется, чтобы принимаемые системой решения имели гарантированную достоверность, которая достигалась бы при минимуме используемого оборудования, энергетических затрат, времени обучения системы, времени принятия решений и т. д. Поэтому характеристики достоверности неизбежно должны быть увязаны с количеством обучающих наблюдений, используемых для задания классов, объемом контрольных выборок, необходимых для принятия решений, и размерностью признакового пространства [1, 2] .

Каждое обучающее и контрольное наблюдение, очевидно, требует проведения р актов измерения значений признаков. Поэтому выбор признаков является составной частью минимизации общей размерности задачи распознавания. Если предположить, что трудоемкость задачи распознавания складывается из трудоемкостей задач обучения и принятия решений, то минимизации подлежит уже не просто размерность признакового пространства р, а общее количество наблюдений (измерений)

[1]

 

р = p(lm + n) (46)

где m - объем обучающей выборки n - объем контрольной выборки.

Страница: | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |