тивно. В то же время, для моделирования инвестиционной привлекательности отраслей промышленности могут быть использованы данные рейтинга эффективности отраслей российской промышленности Рейтинговой компании АК&М, а для моделирования инвестиционной привлекательности предприятий информационная база рейтинга предприятий ЦФО, содержащая ряд экономических и финансовых показателей их производственной деятельности. В качестве дополнительной информационной базы могут быть также использованы данные рейтинга «Эксперт-400» агентства «Эксперт РА». 5. Формирование инвестиционной привлекательности промышленных предприятий есть многомерный процесс, определяемый множеством факторов, описываемых комплексом показателей, поэтому успешное моделирование и прогнозирование инвестиционной привлекательности возможно лишь в случае комплексного применения различных математико-экономических методов. В качестве таких методов перспективными являются методы многомерного статистического анализа — множественный линейный регрессионный анализ, дискриминатный анализ, кластерный и факторный анализы, а также нейронные сети. 6. В результате выполненных статистических исследований доказана принципиальная возможность применения рейтинговых оценок Рейтинговой компании АК&М для моделирования инвестиционной привлекательности отраслей промышленности. Выявлена связь инвестиционной привлекательности отраслей промышленности с показателями функционирования предприятий и отрасли в целом, дана оценка влияния на итоговый показатель инвестиционной привлекательности отрасли рентабельности предприятий и доли прибыльных предприятий. Эмпирическим путем показана качественная идентичность моделей инвестиционной привлекательности отраслей промышленности по данным 2003 и 2007 годов. ,7. Разработана классификация отраслей по показателям инвестиционной привлекательности, которая может быть полезной при анализе проблем и 143 |
НОЙ различными методами; визуальный анализ граф иков зависимости ф ункции т.н. коэффициентов слияния или смешения от числа кластеров. Визуальный анализ дендрограммы предполагает «обрезание» дерева на оптимальном уровне сходства элементов выборки. Полезным приемом является сравнение результатов кластеризации, выполненной различными методами; более вероятным является устойчивое кластерное решение, часть которого число кластеров. Еще один прием основан на формальном способе представления процесса кластеризации в виде некоторы х граф иков, одним из компонентов которы х является число кластеров или ш агов кластеризации. Существует несколько разновидностей этого способа, но все они не выходят за рамки эвристического подхода. С теоретической точки зрения, проблема числа кластеров неразрывно связана с проблемой создания работоспособной нулевой гипотезы об отсутствии кластеров и универсального определения кластерной структуры , что до сих пор не имеет решения, поэтому применение эвристических способов определения числа кластеров является вполне оправданным. Перечисленные выше методы многомерного статистического анализа — множественный линейный регрессионный анализ, дискриминатны й анализ, кластерный и факторный анализы применимы для моделирования и прогнозирования инвестиционной привлекательности промыш ленного предприятия постольку, поскольку формирование инвестиционной привлекательности есть многомерный процесс, определяемый не одним, а множеством факторов, описываемых комплексом показателей. В заключение остановимся на вопросе реализации методов многомерного статистического анализа, алгоритмы которы х достаточно сложны и множественный линейный регрессионный, и дискриминантны й, и факторный анализы оперирую т с многомерными матрицами и требую т вычислительных операций с их участием. Алгоритм ы кластерного анализа также требую т выполнения достаточно трудоемких вычислений итеративного характера. 68 |