Scientific journal

Modern high technologies

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 0,940

Для российской экономики в последние пять лет характерна негативная тенденция демографии организаций, согласно которой увеличивается количество ликвидированных организаций и одновременно снижается количество регистрирующихся организаций. Так, если в 2015 г. отношение ликвидированных организаций к зарегистрированным составляло 0,66, то в среднем за 2016–2019 гг. – 1,87. Государственная поддержка субъектов малого и среднего предпринимательства также демонстрирует отрицательную динамику. Главным источником формирования инвестиций в основной капитал являются собственные средства, доля банковских кредитов в формировании инвестиций составляет 8–12 % [1–3].

Динамика статистических данных по банковскому сектору за 2016–2019 гг. позитивна: объем выданных предприятиям кредитов растет, объем просроченной задолженности падает [2, 3]. Однако если рассматривать динамику показателя в виде отношения объема просроченной задолженности к количеству предприятий, получивших кредит, то данный показатель демонстрирует рост. Это свидетельствует о том, что банки в последние годы проявляют более лояльное отношение к кредитованию предприятий, однако при этом чаще допускают ошибки в процессе принятия решений о выдаче кредита. Наибольшие риски присущи процессу кредитования субъектов малого и среднего предпринимательства, активизация развития которых могла бы обеспечить положительную динамику многих социально-экономических показателей, таких, например, как валовая добавленная стоимость, занятость, доходы населения. Перечисленные факторы приводят к необходимости обеспечения информационной поддержки процедур анализа финансового состояния предприятий малого и среднего бизнеса за счет формирования кластеров предприятий, сходных по своим характеристикам, важных с точки зрения предоставления кредита.

Цель проводимых исследований состоит в разработке технологии формирования кластерной структуры сектора малого и среднего предпринимательства на основе применения метода главных компонент для обеспечения информационной поддержки процедур анализа финансового состояния предприятий и принятия решений о возможности их кредитования.

Материалы и методы исследования

Предлагаемая технология формирования кластерной структуры сектора малого и среднего предпринимательства (МСП) включает следующие этапы.

На первом этапе выполняется предварительное формирование исходных данных для компонентного анализа. Источником являются открытые данные по бухгалтерской отчетности всех предприятий РФ [4], из которых выделены предприятия, относящиеся к сектору МСП в соответствии с постановлением Правительства РФ [5]. Предварительная выборка включает более 130 тысяч строк (объектов – предприятий сектора МСП), столбцов (признаков, характеризующих финансовое состояние предприятий) более 250. В предварительной выборке в качестве признаков используются элементы следующих видов отчетности: «Бухгалтерский баланс предприятия», «Отчет о финансовых результатах», «Отчет об изменениях капитала», «Отчет о движении денежных средств», «Отчет о целевом использовании полученных средств».

На втором этапе проводится формирование уточненной выборки путем выделения признаков, необходимых для анализа, а также выполняется декомпозиция уточненной выборки. Сокращение состава признаков основано на анализе составляющих различных коэффициентов, которые используются для определения финансовой устойчивости, кредитоспособности предприятия, а также различных методик оценки кредитоспособности предприятий [6]. Показано, что в основном используются данные отчетности «Бухгалтерский баланс предприятия», остальные отчетности используются реже. Поэтому принято решение о достаточности для проведения анализа ряда статей из двух видов отчетностей: «Бухгалтерский баланс предприятия» и «Отчет о финансовых результатах».

По результатам декомпозиции уточненной выборки сформированы три выборки V1, V2 и V3, используемые для применения метода главных компонент [7].

На третьем этапе проводится анализ данных методом главных компонент для первой выборки V1. В выборке V1 присутствуют следующие признаки: внеоборотные активы, оборотные активы, суммарные активы, основные средства, валовая прибыль (убыток), чистая прибыль (убыток). Цель исследования данной выборки состоит в анализе соотношения статей первых двух разделов баланса с привлечением показателей прибыльности предприятий из отчета о финансовых результатах [4].

По результатам расчета весовых коэффициентов признаков (табл. 1) выборки V1 и построения главных компонент (ГК) сформированы обобщенные названия ГК. Первая главная компонента F11 определяется признаками «Внеоборотные активы», «Суммарные активы», «Основные средства», ее обобщенное название – «Активы предприятия с учетом основных фондов». Вторая ГК F12 определяется признаками «Валовая прибыль (убыток)», «Чистая прибыль (убыток)», ее обобщенное название – «Прибыльность предприятия».

Построена диаграмма рассеивания (рис. 1), которая свидетельствует о наличии сильно поляризованной структуры сектора МСП. Большинство предприятий сконцентрировано в левой верхней области (области с малыми активами и достаточно высокой прибыльностью) в виде длинного узкого облака, плотность которого снижается в направлении слева направо (в сторону повышения объемов активов, в том числе и основных фондов). Отдельно отстоят два одиночных кластера, первый из которых (кластер 1) характеризуется очень большими по объему активами предприятия с учетом основных фондов и средней прибыльностью предприятия, а второй кластер (кластер 2) – малыми по объему активами с учетом основных фондов и очень малой прибыльностью. Предприятия этих кластеров составляют множество объектов Dt, предназначенных для исключения из выборки на последующих этапах анализа.

На пятом этапе проводится анализ данных методом главных компонент для третьей выборки V3. В выборке присутствуют признаки: долгосрочные заемные средства, долгосрочные обязательства, денежные средства и денежные эквиваленты, суммарные активы, основные средства. Цель исследования третьей выборки состоит в анализе соотношений наиболее важных статей третьего, первого и второго разделов бухгалтерского баланса [4]. Предварительный анализ показал, что статьи пятого раздела бухгалтерского баланса (краткосрочные обязательства) не обладают достаточной дискриминационной силой, поэтому в исследовании не участвуют.

На основе анализа рассчитанных весовых коэффициентов признаков выборки V3 показано, что первая главная компонента F31 определяется признаками «Долгосрочные заемные средства», «Долгосрочные обязательства», «Суммарные активы», «Основные средства». Сформировано обобщенное название для F31 – «Долгосрочные обязательства (заемные средства) с учетом основных средств и суммарных активов». Вторая главная компонента F32 в основном определяется признаком «Денежные средства и денежные эквиваленты», ее название соответствует признаку.

На диаграмме рассеяния (рис. 3) с сильно поляризованным распределением показано, что основное множество предприятий сосредоточено в области малых значений как компоненты F31, так и компоненты F32. Это значит, что большинство предприятий сектора МСП обладают небольшими активами и не имеют в качестве источников инвестиционного развития долгосрочные банковские кредиты. Выделены четыре кластера. Первые три находятся (кластеры 1, 2 и 3) в области малых объемов имеющихся денежных средств (компонента F32), при этом различаются только по компоненте F31 и соответствуют очень большим, большим и средним объемам долгосрочных обязательств. Кластер 4, находящийся в области средних значений F31 (долгосрочных обязательств), характеризуется большим объемом денежных средств (F32). Предприятия перечисленных кластеров дополняются в множество исключений Dt; при этом если вновь включаемые предприятия уже включены ранее, то повторное включение блокируется.

На шестом этапе формируется интегральная выборка Vint на основе построенных главных компонент F11, F12, F21, F22, F31 и F32 согласно ранее предложенному методу [8, 9] и проводится ее анализ также методом главных компонент, однако применяется он дважды: вначале для интегральной выборки Vint , а затем для усеченной интегральной выборки Vintd , полученной путем удаления объектов из множества исключений Dt.

Первая главная компонента Fint1 для выборки Vint определяется признаками (табл. 2): «Активы предприятия с учетом основных фондов», «Собственный капитал с учетом внеоборотных активов», «Долгосрочные обязательства (заемные средства) с учетом основных средств и суммарных активов», поэтому формируется ее обобщенное название – «Потенциал предприятия с учетом долгосрочных обязательств». Вторая главная компонента Fint2 в основном определяется признаком «Оборотный капитал» и «Денежные средства», ее обобщенное название – «Оборотный капитал с учетом высоколиквидных активов».

Кластер, в который входит большая часть предприятий (рис. 4), имеет удовлетворительные обобщенные характеристики по потенциалу предприятия с учетом долгосрочных обязательств (Fint1) и по оборотному капиталу с учетом высоколиквидных активов (Fint2). Выделены пять далеко отстоящих кластеров, включающих в целом одиннадцать предприятий. Показано, что все одиннадцать предприятий совпали с теми предприятиями, которые были дополнены в множество исключений Dt на трех предшествующих этапах анализа. Интересен факт вхождения в множество Dt очень слабого по потенциалу предприятия-аутсайдера «Форсаж» (кластер 5, рис. 4), которое при анализе выборки V1 тоже было выделено в отдельный, также отстающий кластер (одиночный кластер 2, рис. 1). Кроме того, в множество Dt входит очень сильное предприятие-лидер «Западно-сибирский нефтехимический комбинат» (кластер 1, рис. 4), которое ранее при анализе выборок V1, V2 и V3 также входило в кластеры-лидеры с номерами 1 (рис. 1, 2 и 3). Состав и характеристики с учетом риска кредитования предприятий кластеров-лидеров 1, 2, 3, 4 и кластера-аутсайдера 5 (рис. 4), полученных при анализе интегральной выборки Vint, представлены в табл. 3.

В зоне удовлетворительного состояния осталось основное множество предприятий, структура которых осталась невыявленной. Поэтому формируется усеченная интегральная выборка Vintd путем удаления предприятий множества Dt. Далее проводится компонентный анализ выборки Vintd с целью построения кластерной структуры сконцентрированного в зоне удовлетворительного состояния множества предприятий и выявления характеристик выявленных кластеров предприятий.

Результаты исследования и их обсуждение

По результатам проведения компонентного анализа усеченной интегральной выборки Vintd построены первые две ГК, выполнен анализ их весовых коэффициентов. Состав признаков, оказывающих существенное влияние на формирование ГК, почти не изменился. Отличие состоит в появлении признака «Прибыльность предприятия» в составе значимых признаков первой ГК. Поэтому обобщенное название первой ГК Fintd1 – «Потенциал предприятия и его эффективность с учетом долгосрочных обязательств». Название второй ГК Fintd2 осталось без изменения – «Оборотный капитал с учетом высоколиквидных активов».

Полученная структура сектора МСП сохранила свою поляризованность, однако помимо квадранта G выделены не только малочисленные квадранты-кластеры A, B, C, E, F, H, но многочисленный квадрант D (рис. 5).

Характеристики квадрантов-кластеров сформированы на основе названий ГК и с учетом предполагаемого риска кредитования предприятий построенных кластеров. Кластер А характеризуется очень высоким потенциалом и прибыльностью (ПиП), низким объемом оборотного капитала (ООК), имеет очень малый риск кредитования; кластер В – высоким ПиП, низким ООК, малый риск; кластер С – средним ПиП, средним ООК, средний риск; кластер D – средним ПиП, низким ООК, почти средний риск, кластер E – низким ПиП, высоким ООК, довольно высокий риск, кластер F – низким ПиП, средним ООК, довольно высокий риск; основной кластер G – низким ПиП, низким ООК, высокий риск, кластер H – очень низким ПиП, низким ООК, имеет очень высокий риск кредитования. Для предприятий кластера G целесообразно применять дополнительные методы анализа финансовой устойчивости предприятия.

Заключение

Таким образом, предложена технология формирования кластерной структуры сектора МСП на основе метода главных компонент, предполагающая многократное проведение компонентного анализа выборок данных с учетом их декомпозиции и удаления объектов-предприятий в зависимости от выявленных структур сектора МСП на промежуточных этапах. Представлены результаты применения предложенной технологии в виде выявленных кластерных структур сектора МСП и характеристик построенных кластеров с учетом оценки характера риска при их кредитовании. Предложенную технологию целесообразно применять для разработки системы информационной поддержки процедур анализа финансового состояния предприятий МСП и принятия решений о возможности их кредитования.

Работа выполнена при поддержке гранта РФФИ № 20-08-00796 «Интеллектуальное управление промышленным комплексом как динамическим многоагентным объектом на основе методов когнитивного моделирования и машинного обучения».