Нечетко-множественный анализ динамики развития IT-отрасли на основе системы показателей «Прибыль, налоги, социальное страхование»

Сахарова Л.В.1, Тищенко Е.Н.1, Артамонова А.Г.2
1 Ростовский государственный экономический университет (РИНХ), Россия, Ростов-на-Дону
2 Южный университет (ИУБиП), Россия, Ростов-на-Дону

Статья в журнале

Информатизация в цифровой экономике (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 3, Номер 2 (Апрель-июнь 2022)

Цитировать эту статью:

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=49850221

Аннотация:
С использованием разработанную ранее методики сбора и анализа данных из открытых интернет-источников данных («За честный бизнес»), осуществлен сбор данных и статистический анализ финансово-экономического состояния предприятий ОКВЭД 62 «Разработка компьютерного программного обеспечения, консультационные услуги в данной области и другие сопутствующие услуги» в Ростовской области за 2017-2019 годы. Разработана нечетко-множественная методика анализа динамики развития IT-отрасли на основе системы показателей «Прибыль, налоги, социальное страхование» целом, с применением нечетких многоуровневых [0,1] – классификаторов. На основе полученных данных и построенной нечетко-множественной методики осуществлен анализ динамики развития IT-отрасли Ростовской области по группам Микропредприятия, Минипредприятия, Малые предприятия, Средние предприятия, Большие предприятия. Исследована также динамика развития отрасли в целом.

Ключевые слова: анализ динамики развития, нечеткие многоуровневые [0,1] – классификаторы, IT-отрасль, анализ данных



1. Описание проблемы

Цель анализа финансового состояния – это своевременная оценка с помощью получения необходимого количества наиболее содержательных показателей, демонстрирующих реальное и достоверное представление о финансовом состоянии предприятия [1] (Semikolenova, Sachko, 2017), а также прогнозирование его дальнейшего финансового состояния и оценка возможности увеличения эффективности.

Задачи финансового анализа: 1) выявление динамики показателей финансового состояния; 2) определение факторов, влияющих на финансовое состояние предприятия; 3) оценка количественных и качественных изменений финансового состояния; 4) оценка финансового положения на определенную дату; 5) определение тенденций изменения финансового состояния [2] (Karpenko, 2016).

Модели и методы финансового анализа предприятий исследованы в работах ученых: М.И. Баканова, И.Т. Балабанова, Л. Бернстайна, Л.Д. Билык, Ф.Ф. Бутинець, Л.Т. Гиляровской, О.В. Ефимова, В.М. Ивахненко, В.В. Ковалев, Л.А. Лахтионова, М.Р. Метьюса, Д. Миддлтона, Е.В. Мних, Е.В. Негашева, А.М. Поддерьогин, В.П. Привалова, Ж. Ришара, В.М. Родионовой, Г.В. Савицкой, Н.Н. Селезнева, Д. Стоуна, А.А. Терещенко, Е. Хелферта, А.Д. Шеремета, С.И. Шкарабан и др.

Обобщая существующие методики проведения финансового анализа, можно условно выделить следующие подходы [3] (Alekseeva, Gorbachev, 2012):

– основанные на получении оперативной информации путем расчета системы относительных показателей, характеризующих финансовое состояние предприятия (Дж. К. Ван Хорн и др.);

– реализуемые на основе комбинации абсолютных и относительных показателей и позволяющие получить полную информацию о происходящих процессах в финансовом состоянии предприятия (методики Шеремета А.Д., Селезневой И.Н., Ковалева В.В., Савицкой Г.В., Подольского В.И. и др.);

– целью которых является построение единых комплексных значений (рейтингов) финансового состояния предприятия и позволяющих проводить сопоставления во времени и пространстве (методики Шеремета А.Д., Суховой Л.Ф., Чернова В.А., Кондракова Н.П., Бережной Е.В., Донцовой Л.В. и Никифоровой Н.А. и др.);

– построенные на взаимосвязи финансового состояния предприятия и рыночной цены акции (Блисс Дж., Винакор А. и др.);

– позволяющие прогнозировать уровень эффективности инвестирования в те или другие ценные бумаги и степень связанного с ним риска (Фостер Дж. и др.) и др.

Несмотря на большую степень разработанности темы, имеется ряд проблем, среди которых можно выделить:

– отсутствие общепринятой системы показателей финансового состояния;

– отсутствие деления показателей на обобщающие и частные;

– отсутствие четкого разделения анализа платежеспособности и ликвидности;

– существующие нормативы показателей не учитывают отраслевую специфику и характерные особенности предприятий;

– различное количество показателей анализа финансового состояния в существующих методиках.

Специалисты считают, что решение о применении одного из подходов должно приниматься непосредственно лицом, проводящим анализ с целью выявления уровня и причин изменения в финансовом состоянии предприятия, а единой методики, способной нивелировать недостатки и упущения существующих подходов в рамках исследования финансового состояния, нет.

Таким образом, даже в области финансово-экономического состояния отдельных предприятий имеет место дефицит универсальных методик и подходов, а также единства мнения экспертов в выборе инструментов анализа [4, 5] (Artamonova, Rakhmetova, Sakharova, 2019; Sakharova, Stryukov, Pelipenko, 2021).

Еще сложнее обстоит дело, когда исследователями поставлена задача: проанализировать финансово-экономическое состояние целой отрасли [6, 7] (Frolov, Klimova, Trofimov, 2020; Frolov, Trofimov, Klimova, 2020). Однако анализ литературы не позволил обнаружить универсальные методики и модели, пригодные для анализа состояния целых отраслей, а также построения на базе анализа интегральных показателей [4, 8, 9] (Artamonova, Rakhmetova, Sakharova, 2019; Abramenko, Sarkisyan, Chumakova, Shcherbina, 2019; Gorochnaya, Mikhaylov, Mikhaylova, 2020). Исследования, посвященные анализу финансово-экономического состояния отдельных отраслей, как правило, базируются на временном анализе отдельных показателей либо крупнейших предприятий отрасли, либо суммы таковых показателей. Практически отсутствуют модели, позволяющие оценить количественно уровень развития и динамику всей отрасли в целом. Не удалось обнаружить статьи, в которых исследование осуществлялось бы не на ограниченной выборке предприятий, а по всей доступной из открытых источников данных информации об отрасли.

В то же время существует высокая потребность в разработке подобных моделей, позволяющих оценить финансово-экономическое состояние и динамику развития региональных секторов экономик. В том числе значительный интерес представляет построение подобной модели для IT-отрасли, имеющей приоритет развития в условиях формирования цифровой экономики.

Цель работы: разработка и апробирование методики, позволяющей выполнить анализ динамики финансово-экономических показателей заданной отрасли в течение заданного периода времени с целью оптимизации управления ею на основе открытых интернет-источников данных, с использованием лицензионного программного обеспечения, а также систем нечетко-логических выводов.

Задачи исследования

Используя разработанную ранее [10] методику сбора и анализа данных из открытых интернет-источников данных («За честный бизнес» и Audit-IT), проанализировать финансово-экономическое состояние предприятий ОКВЭД 62 «Разработка компьютерного программного обеспечения, консультационные услуги в данной области и другие сопутствующие услуги» в Ростовской области за 2017–2019 годы.

Разработать нечетко-множественную методику анализа динамики отдельных финансово-экономических показателей заданной отрасли на рассматриваемом временном промежутке, а также анализа динамики финансово-экономического состояния отрасли в целом.

Осуществить на основе полученных данных и построенной нечетко-множественной методики анализ динамики таких показателей IT-отрасли, как сумма доходов, расходов и прибыли, уплаченных налогов, социальных выплат и др., а также анализ динамики финансово-экономического состояния отрасли в целом.

На основе полученных результатов сделать выводы, позволяющие оценить состояние отрасли в целом, а также оптимизировать управление ею.

Исследование проведено с использованием специально разработанной методики [10], направленной на получение исчерпывающего анализа развития соответствующей отрасли на основе открытых интернет-источников, что определяет ее актуальность в условиях ограниченного доступа к финансовой отчетности предприятий. Кроме того, использованы наработки по методикам оценок различных социально-экономических показателей на основе теории нечетких множеств [11, 12].

2. Материалы и методы

2.1. Методы сбора, очистки и начального анализа данных

Формирование баз данных предприятий. На первом этапе разработанной методики выполняется формирование базы данных предприятий в соответствии с заданным кодом классификатора, позволяющих идентифицировать предприятия во всероссийских системах данных по названию и ИНН. Нами для этой цели был использован сайт ExportBase, базы данных компаний России и СНГ.

Формирование базы осуществлено путем выбора ОКВЭД 01 и региона Ростовская область. Сформированная в результате база данных была выгружена как Excel-файл в личный кабинет в виде оформленного заказа и предоставлена для скачивания после оплаты. По каждому предприятию база данных содержала следующую информацию: 1) название компании; 2) код ОКВЭД; 3) название ОКВЭД; 4) ИНН; 5) ОГРН; 6) стационарный и мобильный телефоны; адрес и почтовый индекс; сайт; 7) ЛПР (ФИО директора); должность ЛПР; 8) размер компании; 9) дата регистрации; 10) город; часовой пояс.

Формирование исходных данных по каждому предприятию. На втором этапе осуществлено формирование исходных данных по каждому предприятию на основе парсинга сайта https://zachestnyibiznes.ru/ – портал ЗАЧЕСТНЫЙБИЗНЕС. В результате парсинга получали сводную информацию по предприятиям в виде таблицы Excel, самыми важными пунктами из которой являлись:

1) статус (например: «Действующее предприятие», «Ликвидировано», «В процессе ликвидации», «Сведения о юридическом адресе признаны недостоверными, по данным ФНС», «Компания находится в реестре «Юридические лица, не представляющие налоговую отчетность более года, по данным ФНС»);

2) среднесписочная численность работающих;

3) налоговый режим (например, «Упрощенная форма налогообложения»);

4) уплаченные страховые взносы за 2018 год (по данным ФНС): на обязательное социальное страхование на случай временной нетрудоспособности и в связи с материнством; на обязательное пенсионное страхование, зачисляемые в Пенсионный фонд Российской Федерации; на обязательное медицинское страхование работающего населения, зачисляемые в бюджет Федерального фонда обязательного медицинского страхования;

5) основные показатели отчетности за 2018 год (по данным ФНС): сумма доходов; сумма расходов; уплаченный налог, взимаемый в связи с применением упрощенной системы налогообложения; уплаченные неналоговые доходы, администрируемые налоговыми органами.

Начальная очистка данных. На данном этапе на основе визуального анализа данных, полученных на предыдущем этапе, выполнена предварительная сортировка предприятий по их пригодности на проведение финансово-экономического анализа. Были отброшены как непригодные для проведения анализа на основе данных первой страницы:

1) предприятия, ликвидированные и находящиеся в стадии ликвидации;

2) имеющие пометку «Сведения о юридическом адресе признаны недостоверными, по данным ФНС»;

3) имеющие пометку «Компания находится в реестре «Юридические лица, не представляющие налоговую отчетность более года, по данным ФНС»);

4) предприятия, имеющие во всех столбцах нулевые значения либо пометку «нет данных» (доходы, расходы, налоги, социальное страхование).

Существенно, что значительный процент таких случаев (4) делает невозможным проведение полностью автоматизированного анализа финансовой отчетности с помощью программного обеспечения, осуществляющего парсинг соответствующих сайтов.

Начальный (статистический) анализ финансово-экономических показателей в подгруппах. На данном этапе осуществлен анализ таких кадровых и финансово-экономических показателей предприятий IT-отрасли Ростовской области (ОКВЭД 62), как:

– распределение предприятий по основным пяти группам (1 – микропредприятия; 2 – мини; 3 – малые; 4 – средние; 5 – большие), а также численности персонала;

– сумма доходов, расходов и прибыли;

– сумма налогов по видам: (1) – УНС; (2) – налог на прибыль; (3) – земельный; (4) – на имущество; (5) – НДС; (6) – транспортный;

– сумма страховых взносов по видам: (1) – социальное; (2) – пенсионное; (3) – медицинское;

– сравнительный анализ показателей предприятий IT-отрасли по группам.

2.2. Нечетко-множественная методика, предназначенная для оценки динамики развития отрасли на основе комплекса показателей «Прибыль, налоги, социальное страхование»

Для оценки динамики развития отрасли на основе комплекса показателей «Прибыль, налоги, социальное страхование» использована теория нечетких множеств. Введена в рассмотрение лингвистическая переменная, терм-множество которой состоит из трех термов: G={G1, G2, G3, G4, G5}, где G1 – устойчивая тенденция к уменьшению роста; G2 – тенденция к уменьшению роста; G3 – тенденция к стагнации; G4 – тенденция к росту; G5 – устойчивая тенденция к росту. Функции принадлежности имеют стандартную трапециевидную форму.

Универсальным множеством для лингвистической переменной является числовой отрезок [0, 1], то есть ее числовое значение должно принадлежать отрезку [0, 1]. Для оценки динамики развития отрасли по каждой группе (1 – микропредприятия; 2 – мини; 3 – малые; 4 – средние; 5 – большие; 6 – не указано) предложен следующий алгоритм:

– данные по исследуемому показателю для каждой группы сводятся в таблицу по 2017, 2018, 2019 годам;

– данные нормируются, то есть делятся на наибольшее значение показателя, после чего рассчитывается агрегированное значение показателя за три года c учетом временной значимости в соответствии с формулой Фишберна:

Рагр=0,167·P(2017) +0,333·P(2018)+ 0,5·P(2019);

– составляется сводная таблица агрегированных значений исследуемых показателей для шести групп, после чего производится лингвистическое распознавание термов, которым они принадлежат (то есть производится оценивание динамики каждой из групп по каждому из показателей);

– производится формирование комплексной оценки отрасли на основе системы показателей «Прибыль, налоги, социальное страхование», а также системы нечетко-логических выводов, стандартных пятиуровневых [0, 1] – классификаторов с последующим лингвистическим распознаванием результата.

3. Результаты

3.1. Результаты сбора данных

На основе парсинга сайта «За честный бизнес» за 2017 год исследованы данные по 880 предприятиям Ростовской области. Выявлено, что необходимые для анализа данные имеются у 634 предприятий. Соответственно, за 2018 год данные имеются у 633 предприятий

В то же время за 2019 год на сайте «За честный бизнес» присутствует информация о 468 предприятиях из списка за прошлый год (864 предприятия), то есть 54,17% численности предыдущего года. При этом информация присутствует у 337 предприятий (против 633 предприятий за прошлый год), то есть 53,24% численности предыдущего года. Таким образом, доля пригодных для анализа предприятий за 2019 год составляет 72% от общего количества против 73,26 % в предыдущем году.

Для каждого года проведен подробный анализ численности персонала, по группам доходов, расходов и прибыли, налогов шести видов и социального страхования за три года.

3.2. Статистический анализ данных по группам

Как было установлено, картина распределения прибыли в IT-отрасли за три года может быть представлена таблицей 1.

Таблица 1

Сумма прибыли по группам

Группа предприятий
Прибыль, тыс. руб., 2017
Количество предприятий
Прибыль, тыс. руб., 2018
Количество предприятий
Прибыль, тыс. руб.
Количество предприятий
Микропредприятия
141 415
343
155 594
385
980 170,4
171
Минипредприятия
287 404
73
335 028
73
146 634,0
25
Малые предприятия
24 736
21
23 666
21
13 689,0
9
Средние предприятия
-50 886
78
496 368
78
83 297,0
44
Большие предприятия
204 530
17
221 502
16
5 637,0
2
Информация отсутствует
84 713
102
4 890
60
107 000,0
86
Всего
691 912
634
1 237 048
633
1 336 427,4
337

Аналогичные таблицы получены для шести видов налогов и трех видов социального страхования.

3.3. Расчет агрегированных значений по группам

Поскольку количество предприятий с доступными данными за 2017, 2018 и 2019 годы существенно разнится, будем исследовать не абсолютные значение показателей, а в пересчете на одно предприятие исследуемой группы.

Относительные значения прибыли приведены в таблице 2. Расчет агрегированных значений показателей приведен в таблице 3.

Таблица 2

Относительные значения по прибыли за три года

Группа предприятий
2017
2018
2019
Микропредприятия
412,2886297
404,1402597
5731,990643
Минипредприятия
3937,041096
4589,424658
5865,36
Малые предприятия
1177,904762
1126,952381
1521
Средние предприятия
-652,3846154
6363,692308
1893,113636
Большие предприятия
12031,17647
13843,875
2818,5
Информация отсутствует
830,5196078
81,5
1244,186047
Всего
1091,343849
1954,262243
3965,659941

Таблица 3

Расчет агрегированных значений прибыли за три года по группам по формуле Рагр=0,167·P(2017) +0,333·P(2018)+ 0,5·P(2019)

Группа предприятий
2017
2018
2019
Агрегированное значение
Веса по годам
0,167
0,333
0,5

Микропредприятия
0,071928
0,070506
1
0,53549
Минипредприятия
0,671236
0,782463
1
0,872656
Малые предприятия
0,774428
0,740929
1
0,876059
Средние предприятия
-0,10252
1
0,297487
0,464623
Большие предприятия
0,869061
1
0,203592
0,579929
Информация отсутствует
0,66752
0,065505
1
0,633289
Всего
0,275199
0,492796
1
0,710059

Расчет агрегированных значений налогов и социальных выплат производился аналогично.

3.4. Анализ показателей динамики по группам

Анализ динамики налогов (за три года) по группам на основе лингвистического распознавания представлен в таблице 4.

Таблица 4

Анализ агрегированных значений налогов, социального страхования и прибыли за три года по группам (в столбце: 1 – микропредприятия; 2 – мини; 3 – малые; 4 – средние; 5 – большие; 6 – не указано)

УНС
Налог на прибыль
Земельный
На имущество
НДС
Транспортный
налог
1
0,509291
0,508411
0,418759
0,521599
0,504624
0,725262
Терм
3
3
3
3
3
4
2
0,506298
0,6583
0,610285
0,726186
0,395689
0,656266
Терм
3
4
4
4
3
4
3
0,335492
0,417676
0,5
0,333
0,428151
0,467275
Терм
3
3
3
2
3
3
4
0,506298
0,6583
0,610285
0,726186
0,395689
0,656266
Терм
3
4
4
4
2
4
5
0,450611
0,449687
0,377791
0,493677
0,451526
0,421454
Терм
3
3
4
3
3
3
6
0,51155
0,506453
0,5
0,616097
0,500225
0,5
Терм
3
3
3
4
3
3

Социальное страхование
Пенсионное страхование
Медицинское страхование
Итого, страхование
Прибыль
1
0,631702
0,61511
0,632601
0,618245
0,53549
Терм
4
4
4
4
3
2
0,612079
0,635433
0,609839
0,629644
0,872656
Терм
4
4
4
4
5
3
0,636134
0,686451
0,677174
0,681218
0,876059
Терм
4
4
4
4
5
4
0,612079
0,635433
0,609839
0,629644
0,464623
Терм
4
4
4
4
3
5
0,55336
0,557987
0,591894
0,565402
0,579929
Терм
3
3
3
3
3
6
0,480803
0,547589
0,535539
0,538809
0,633289
Терм
3
3
3
3
4

Здесь в строке «терм»: 1 – G1, устойчивая тенденция к уменьшению роста; 2 – G2, тенденция к уменьшению роста; 3 – G3, тенденция к стагнации; 4 – G4, тенденция к росту; 5 – G5, устойчивая тенденция к росту.

Как видно, наиболее динамично развивающимися являются группы «минипредприятия» и «средние предприятия». Наименьшая динамика роста наблюдается в группах «микропредприятия» и «малые предприятия». При этом темпы увеличения социальных выплат обгоняют темпы увеличения налогов.

Наблюдается существенная неоднородность темпов роста прибыли по группам. При этом наибольшая динамика роста прибыли наблюдается в группах «минипредприятия» и «малые предприятия».

3.5. Анализ показателей динамики по группам

Осуществлен анализ комплексных значений оценок показателей динамики отрасли посредством агрегирования оценок, полученных ранее по группам. Установлено соответствие термов:

– налоги, по видам: (1) – УНС; (2) – налог на прибыль; (3) – земельный; (4) – на имущество; (5) – НДС; (6) – транспортный, соответствует терм G3, то есть тенденция к стагнации;

– сумма страховых взносов, по видам: (1) – социальное; (2) – пенсионное; (3) – медицинское, соответствует терм G4, тенденция к росту;

прибыль в целом соответствует терму G4, тенденция к росту.

Заключение

С использованием разработанной ранее методики сбора и анализа данных из открытых интернет-источников данных («За честный бизнес») осуществлен сбор данных и предварительный анализ финансово-экономического состояния предприятий ОКВЭД 62 «Разработка компьютерного программного обеспечения, консультационные услуги в данной области и другие сопутствующие услуги» в Ростовской области за 2017–2019 годы.

Разработана нечетко-множественная методика анализа динамики отдельных финансово-экономических показателей заданной отрасли на рассматриваемом временном промежутке, а также анализа динамики финансово-экономического состояния отрасли в целом. На основе полученных данных и построенной нечетко-множественной методики осуществлен анализ динамики таких показателей IT-отрасли, как сумма доходов, расходов и прибыли, уплаченных налогов, социальных выплат.


Источники:

1. Семиколенова М.Н., Сачко Д.И. Финансовое состояние организации: методы анализа и прогнозирования // Экономика и бизнес: теория и практика. – 2017. – № 6. – c. 107-110.
2. Карпенко О.А. Методика и методология анализа финансового положения предприятия с использованием бухгалтерской (финансовой) отчетности // Молодой учены. – 2016. – № 29. – c. 417-419.
3. Алексеева О.А., Горбачев А.С. Финансовый анализ деятельности предприятия: сущность, проблемы и перспективы // Kant. – 2012. – № 2(5). – c. 55-59.
4. Артамонова А.Г., Рахметова Л.В., Сахарова Л.В. Анализ финансово-экономического состояния сельскохозяйственных предприятий Ростовской области на основе теории нечетких множеств и программного обеспечения Audit-IT // Продовольственная политика и безопасность. – 2019. – № 1. – c. 9-28. – doi: 10.18334/ppib.6.1.41380.
5. Сахарова Л.В., Стрюков М.Б., Пелипенко Б.Р. Комплексная оценка динамики финансово-экономического состояния IT-отрасли за 2017-2019 годы на основе теории нечетких множеств // Информатизация в цифровой экономике. – 2021. – № 4. – c. 129-140. – doi: 10.18334/ide.2.4.113392.
6. Фролов В.Г., Климова Е.З., Трофимов О.В. Апробация системной модели организационно-экономического механизма развития приоритетных высокотехнологичных отраслей промышленного производства Нижегородской области // Вопросы инновационной экономики. – 2020. – № 4. – c. 2115-2128. – doi: 10.18334/vinec.10.4.111202.
7. Фролов В.Г., Трофимов О.В., Климова Е.З. Разработка системной модели организационно-экономического механизма развития приоритетных высокотехнологичных отраслей промышленного производства в соответствии с концепцией Индустрия 4.0 // Вопросы инновационной экономики. – 2020. – № 1. – c. 71-84. – doi: 10.18334/vinec.10.1.100682.
8. Абраменко И.П., Саркисян А.Р., Чумакова В.Н., Щербина М.М. Инструменты интенсификации экономического развития на региональном уровне (на примере Ростовской области) // Экономические отношения. – 2019. – № 2. – c. 1281-1292. – doi: 10.18334/eo.9.2.40753.
9. Горочная В.В., Михайлов А.С., Михайлова А.А. Инновационная безопасность региона в условиях геоэкономической турбулентности: динамический подход к оценке на примере Ростовской и Калининградской областей // Вопросы инновационной экономики. – 2020. – № 1. – c. 291-306. – doi: 10.18334/vinec.10.1.41539.
10. Анализ финансово-экономических показателей предприятий сельского хозяйства в регионе на основе открытых источников данных. Сахарова Л.В., Сальников И.А. В сборнике: Информационные системы, экономика и управление. Ученые записки. Ростов-на-Дону, 2020. С. 117-124
11. Methods of assessing the effectiveness of reforestation based on the theory of fuzzy sets. Kuzminov A., Sakharova L., Stryukov M., Zolnikov V.K. В сборнике: IOP Conference Series: Earth and Environmental Science. International Forestry Forum. "Forest ecosystems as global resource of the biosphere: calls, threats, solutions". 2020. С. 012007
12. Fuzzy-multiple modification of the spectrum-point methodology for assessing the financial condition of the company (based on the Audit-it). Vovchenko N.G., Sakharova L.V., Epifanova T.V., Kokhanova V.S. Advances in Intelligent Systems and Computing (см. в книгах). 2020. Т. 1095. С. 275-283

Страница обновлена: 26.11.2024 в 12:58:22