Рыночная экономика в системе межхозяйственных связей и финансовых отношений

Метод называют еще методом ближайшего соседа, так как расстояние между двумя кластерами определяется как расстояние между двумя наиболее близкими объектами в различных кластерах. Это правило «нанизывает» объекты для формирования кластеров. Недостатком данного метода является образование слишком больших продолговатых кластеров [15].

- Правило complete Linkage (полных связей). Данный метод позволяет устранить недостаток, присущий методу одиночной связи. Суть правила в том, что два объекта, принадлежащих одной и той же группе (кластеру), имеют коэффициент сходства, который меньше некоторого порогового значения S. В терминах евклидова расстояния это означает, что расстояние между двумя точками (объектами) кластера не должно превышать некоторого порогового значения d. Таким образом, d определяет максимально допустимый диаметр подмножества, образующего кластер. Этот метод называют еще методом наиболее удаленных соседей, так как при достаточно большом пороговом значении d расстояние между кластерами определяется наибольшим расстоянием между любыми двумя объектами в различных кластерах [15, 10].

- Правило unweighted pair-group average (невзвешенного попарного среднего). В данном методе расстояние между двумя кластерами определяется как среднее расстояние между всеми парами объектов в них. Метод эффективен, когда объекты в действительности формируют различные группы, однако он работает одинаково хорошо и в случаях протяженных (цепочного типа) кластеров [15, 11].

- Weighted pair-group average (взвешенное попарное среднее). Метод идентичен предыдущему, за исключением того, что при вычислении размеры соответствующих кластеров используются в качестве весовых коэффициентов. Желательно этот метод использовать, когда предполагается неравные размеры кластеров [15].

- Unweighted pair-group centroid (невзвешенный центроидный). Расстояние между двумя кластерами определяется как расстояние между их центрами тяжести [15].

- Weighted pair-group centroid (взвешенный центроидный). Идентичен предыдущему, за исключением того, что при вычислениях используют веса для учета разности между размерами кластеров. Поэтому, если имеются (или подозреваются) значительные отличия в размерах кластеров, этот метод оказывается предпочтительнее предыдущего [15].

- Ward's method (метод Уорда). В этом методе в качестве целевой функции применяют внутригрупповую сумму квадратов отклонений, которая есть не что иное, как сумма квадратов расстояний между каждой точкой (объектом) и средней по кластеру, содержащему этот объект. На каждом шаге объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, то есть внутригрупповой суммы квадратов отклонений. Этот метод направлен на объединение близко расположенных кластеров. Замечено, что метод Уорда приводит к образованию кластеров примерно равных размеров и имеющих форму гиперсфер [15,11].

Выше описаны методы кластерного анализа, но часто при кластеризации получаются интересные результаты. В модуле «Кластерный анализ» существует двухвходовая процедура, с помощью которой можно кластеризовать и по наблюдениям, и по переменным.

К примеру, если есть гипотезы относительно числа m кластеров. Значит можно с помощью программы создать m кластеров таких, чтобы они максимально отличались друг от друга. Для решения таких задач существует метод k-means (k- средних). Гипотеза может базироваться на результатах предшествующих исследований, догадке или на теоретических соображениях. При выполнении пошагового разбиения на кластеры, можно сравнивать качество получаемых решений. Обычно начинают анализ с разбития на два кластера, а затем увеличивают количество кластеров. Программа начинает работу с m рандомно выбранных кластеров, потом меняет принадлежность объектов к ним, для того чтобы изменчивость внутри кластера была минимальной, а изменчивость между кластерами - максимальной. Центры будущих кластеров выбираются алгоритмом случайно. Затем вычисляет расстояние между центрами кластеров и каждым объектом, и объект приписывается к тому кластеру, к которому он ближе всего. Завершив приписывание, алгоритм вычисляет среднее значение для каждого кластера [1].

Этих средних будет столько, сколько используется переменных для проведения анализа, - k штук. Координаты нового положения центра кластера - это набор средних. Алгоритм вновь вычисляет расстояние от каждого объекта до центов кластеров и приписывает объекты к ближайшему кластеру. Вновь вычисляются центры тяжести кластеров, и этот процесс повторяется до тех пор, пока центры тяжести не перестанут «мигрировать» в пространстве [10].

Наиболее известный метод представления матрицы расстояний или сходства основан на идее дендограммы, или диаграммы дерева. Дендограмму можно определить как графическое изображение результатов процесса последовательной кластеризации, которая осуществляется в терминах матрицы расстояний. С помощью дендограммы можно графически или геометрически изобразить процедуру кластеризации при условии, что эта процедура оперирует только с элементами матрицы расстояний или сходств. Существует много способов построения дендограмм. В дендограмме объекты располагаются вертикально слева, результаты кластеризации - справа. Значения расстояний или сходств, отвечающих строению новых кластеров, изображаются над горизонтальной прямой поверх дендограмм. Вид дендограммы зависит от выбора меры сходства или расстояния между объектом и кластером и метода кластеризации [11].

Алгоритмы кластерного анализа имеют хорошую программную реализацию в пакете STATISTICA, которая позволяет решить задачи самой большой размерности.

2.2 Нейросетевая кластеризация

В последнее время вырос интерес к нейронным сетям, которые применяются во многих областях - медицине, бизнесе, физике. Нейронные сети STATISTICA Neural Networks - единственный в мире программный продукт для нейросетевых исследований, полностью переведенный на русский язык. Нейронные сети используются везде, где нужно решать вопросы прогнозирования, классификации. Весомые преимущества использования сетей:

1 Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости.

2 Простота в использовании. Нейронные сети учатся на примерах. Пользователь подбирает представительные данные, и запускает алгоритм обучения. Он воспринимает структуру данных. Однако, пользователь должен обладать определенными знаниями при отборе данных, их подготовки для обучения сети, при выборе архитектуры сети, интерпретации полученного результата.

Нейронные сети привлекают тем, что они созданы на примитивной биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже "простые" нейронные сети, которые строит система ST Neural Networks , являются мощным оружием в арсенале специалиста по прикладной статистике [10].

2.2.1 Многослойный персептрон (MPL)

Многослойный персептрон - одна их популярных и часто используемых нейронных сетей. Была предложена в работе Rumelhart, McClelland (1986). Многослойный персептрон осуществляет работу в дух режимах - режим обучения и режим тестирования (обучение модели). Количество входных и выходных элементов в персептроне определяется условиями задачи. Для начала работы можно взять один промежуточный слой, а число нейронов в нем положить равным полу сумме числа входных и выходных элементов. Количество промежуточных слоев можно увеличивать для более продуктивной работы сети [18].

В процессе обучения подбираются веса связей. Процесс преобразования входных величин идет по направлению связей сигнального графа. На входном слое каждая входная величина расходится по связям (по каждой исходящей из вершины входного слоя дуге идет “сигнал” равный входной величине), умножается на вес дуги и суммируется на скрытом слое, а далее преобразуется передаточной функцией нейрона. На выходном слое обычно сигнал только суммируется [19].

Смысл обучения состоит в решении задачи подбора весов связей для минимизации функции ошибки. Причем из всех обучающих примеров часть используется только для контроля.

После определения числа слоев и элементов в каждом промежуточном слое, необходимо вычислить значение для весов и порогов сети, с помощью которых удалось ошибку прогноза сделать минимальной. Именно для таких целей и существуют алгоритмы обучения. С использованием собранных исторических данных веса и пороговые значения автоматически корректируются с целью минимизировать эту ошибку. В принципе, этот процесс представляет собой подгонку модели, реализованную сетью, к имеющимся обучающим данным. Ошибка для конкретной конфигурации сети определяется путем прогона через сеть всех имеющихся наблюдений и сравнения реально выдаваемых выходных значений с желаемыми (целевыми) значениями. Все такие разности суммируются в так называемую функцию ошибок, значение которой и есть ошибка сети. В качестве функции ошибок чаще всего берется сумма квадратов ошибок, т.е. когда все ошибки выходных элементов для всех наблюдений возводятся в квадрат и затем суммируются. При работе с пакетом ST Neural Networks пользователю выдается так называемая среднеквадратичная ошибка (RMS) - описанная выше величина нормируется на число наблюдений и переменных, после чего из нее извлекается квадратный корень - это очень хорошая мера ошибки, усредненная по всему обучающему множеству и по всем выходным элементам [13].

Для обучения используют различные известные алгоритмы. Самый известный алгоритм обучения нейронной сети - это алгоритм обратного распространения. Этот способ обучения самый простой и преимущественный. В алгоритме обратного распространения вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому если мы "немного" продвинемся по нему, ошибка уменьшится. Последовательность таких шагов (замедляющаяся по мере приближения к дну) в конце концов приведет к минимуму того или иного типа. Трудностью в этом алгоритме является то, что неизвестно какую нужно брать длину шагов. При большой длине шага сходимость будет более быстрой, но имеется опасность перепрыгнуть через решение или (если поверхность ошибок имеет особо вычурную форму) уйти в неправильном направлении. Таким образом, алгоритм действует итеративно, и его шаги принято называть эпохами. На каждой эпохе на вход сети поочередно подаются все обучающие наблюдения, выходные значения сети сравниваются с целевыми значениями и вычисляется ошибка. Значение ошибки, а также градиента поверхности ошибок используется для корректировки весов, после чего все действия повторяются. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается либо когда пройдено определенное количество эпох, либо когда ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться (пользователь может сам выбрать нужное условие остановки) [14, 15].

Для некоторых задач целесообразней использовать методы нелинейной оптимизации. В пакете ST Neural Networks реализованы два подобных метода: методы спуска по сопряженным градиентам и Левенберга-Маркара, представляющие собой очень удачные варианты реализации двух типов алгоритмов: линейного поиска и доверительных областей [11].

Суть метода спуска по сопряженным градиентам заключается в том, что когда мы находим точку минимума вдоль некоторой прямой, производная по этому направлению равна нулю. Сопряженное направление выбирается таким образом, чтобы эта производная и дальше оставалась нулевой - в предположении, что поверхность имеет форму параболоида. Если это условие выполнено, то для достижения точки минимума достаточно будет N эпох. На сложно устроенных поверхностях по мере хода алгоритма условие сопряженности портится, но все же такой алгоритм требует меньшего числа шагов, чем метод обратного распространения, и дает лучшую точку минимума [2].

Метод сопряженных градиентов проводят вычисления на всем наборе данных, поэтому при увеличении числа наблюдений продолжительность одной эпохи сильно растет, но при этом совсем не обязательно улучшается результат, достигнутый на этой эпохе (в частности, если данные избыточны; если же данные редкие, то добавление новых данных улучшит обучение на каждой эпохе). Кроме того, обратное распространение не уступает другим методам в ситуациях, когда данных мало, поскольку в этом случае недостаточно данных для принятия очень точного решения (более тонкий алгоритм может дать меньшую ошибку обучения, но контрольная ошибка у него, скорее всего, не будет меньше) [8].

2.2.2 Сеть Кохонена

Сеть Кохонена сильно отличается от всех других типов сетей, реализованных в пакете ST Neural Networks. В то время как все остальные сети предназначены для задач с управляемым процессом обучения, сети Кохонена главным образом рассчитаны на неуправляемое обучение (Kohonen, 1982; Haykin, 1994; Patterson, 1996; Fausett, 1994) [2].

При управляемом обучении наблюдения, составляющие обучающие данные, вместе с входными переменными содержат также и соответствующие им выходные значения, и сеть должна восстановить отображение, переводящее первые во вторые. В случае же неуправляемого обучения обучающие данные содержат только значения входных переменных. На первый взгляд это может показаться странным. Как сеть может чему-то научиться, не имея выходных значений? Ответ заключается в том, что сеть Кохонена учится понимать саму структуру данных [10].

Применение таких сетей носит разведочный характер. Сеть Кохонена может данные разбивать по кластерам, устанавливать близость классов. Это служит для улучшения понимания пользователя структуры данных уточнения нейросетевой модели. Если в данных определенны классы, то их можно обозначить, после чего сеть сможет решать задачи классификации. Сети Кохонена можно применять к тем задачам, где классы уже определенны. В таком случаи, будет преимущество в том, что сеть сможет выявить сходство между различными классами [11].

Также сеть применяется для поиска новых явлений. Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с новыми образцами, не похожими на распознанные кластеры, то она выявит новый набор.

Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов (выходной слой называют также слоем топологической карты). Элементы топологической карты располагаются в некотором пространстве, как правило, двумерном (в пакете ST Neural Networks реализованы также одномерные сети Кохонена) [7].

Обучение сети Кохонена происходит с помощью метода последовательных приближений. Сначала случайным образом выбирается начальное расположение центов, алгоритм постепенно улучшает его так, чтобы улавливать кластеризацию обучающих данных. В некотором отношении эти действия похожи на алгоритмы выборки из выборки и Передних, которые используются для размещения центров в сетях RBF и GRNN, и действительно, алгоритм Кохонена можно использовать для размещения центров в сетях этих типов. Однако данный алгоритм работает и на другом уровне [8].

В результате такой процедуры обученная сеть формируется таким образом, что элементы, соответствующие центрам, расположены близко друг к другу. На топологической карте все это представляется графически. Топологический слой сети можно представить как двумерную решетку, которую нужно так отобразить в N-мерное пространство входов, чтобы по возможности сохранить исходную структуру данных. Конечно же, при любой попытке представить N-мерное пространство на плоской будут потеряны многие детали; однако, такой прием иногда полезен, так как он позволяет пользователю визуализировать данные, которые никаким иным способом понять невозможно [11].

Основной алгоритм Кохонена заключается в последовательных эпохах, на каждой из которых нужно обработать каждый из обучающих примеров и выполнить определенный набор операций:

1) Выбрать нейрон, который ближе всего расположен к входному примеру;

2) Скорректировать выигравший нейрон так, чтобы он стал более похож на этот входной пример (взяв взвешенную сумму прежнего центра нейрона и обучающего примера).

В алгоритме при вычислении суммы применяется постепенно убывающий коэффициент скорости обучения. Это нужно чтобы в новой эпохе коррекция становилась более тонкой. Результатом будет установление положения центра в определенной позиции, удовлетворяющей представлению наблюдений, для которых данный нейрон оказался выигравшим [20].

Свойство топологической упорядоченности достигается в алгоритме с помощью дополнительного использования понятия окрестности. Окрестность - это несколько нейронов, окружающих выигравший нейрон. Подобно скорости обучения, размер окрестности убывает со временем, так что вначале к ней принадлежит довольно большое число нейронов (возможно, почти вся топологическая карта); на самых последних этапах окрестность становится нулевой (т.е. состоящей только из самого выигравшего нейрона). На самом деле в алгоритме Кохонена корректировка применяется не только к выигравшему нейрону, но и ко всем нейронам из его текущей окрестности [7].

Результатом такого изменения окрестностей является то, что изначально довольно большие участки сети «перетягиваются» - и притом заметно - в сторону обучающих примеров. Сеть формирует грубую структуру топологического порядка, при которой схожие наблюдения активируют группы близко лежащих нейронов на топологической карте. На каждой новой эпохе скорость обучения и размер окрестности уменьшаются, т.е. внутри участков карты выявляются более тонике различия, и в итоге происходит тонкая настройка каждого нейрона. Зачастую обучение может быть разбито на две стати: короткую, с большой скоростью обучения и большими окрестностями, и длинную с малой скоростью и нулевыми или почти нулевыми окрестностями [10].

После обучения сети распознаванию структуры данных, ее можно использовать как средство визуализации при анализе данных. С помощью данных, выводимых в окне Частоты выигрышей - Win Frequencies, где для каждого нейрона подсчитывается, сколько раз он выигрывал при обработке обучающих примеров, можно определить, разбивается ли карта на отдельные кластеры. Также можно смотреть отдельное наблюдение, и следить за изменениями топологической карты. С помощью этого можно понять имеют ли кластеры какой-то содержательный смысл. После выявления кластеров, нейрон можно отметить соответствующей меткой. Когда топологическая карта построена, то на вход можно подавать новые наблюдения. Если выигравший при этом нейрон был ранее помечен именем класса, то сеть осуществляет классификацию. В противном случае считается, что сеть не приняла никакого решения [7].

При решении задач классификации в сети Кохонена используется порог доступа. Ввиду того, что в такой сети уровень активации нейрона есть расстояние от него до входного примера, порог доступа играет роль максимального расстояния, на котором происходит распознавание. Если уровень активации выигравшего нейрона превышает это пороговое значение, то сеть считается не принявшей никакого решения. Поэтому, когда все нейроны помечены, а пороги установлены на нужном уровне, сеть Кохонена может служить детектором новых явлений (она сообщает о непринятии решения только в том случае, если поданное ей на вход наблюдение значительно отличается от всех радиальных элементов) [8].

Идея сети Кохонена аналогична некоторым свойствам человеческого мозга. Кора головного мозга представляет собой большой плоский лист площадью около 0,5 кв. м. с известными топологическими свойствами. Например, участок, ответственный за кисть руки, примыкает к участку, ответственному за движения всей руки, и таким образом все изображение человеческого тела непрерывно отображается на эту двумерную поверхность [7].

В сети Кохонена существуют такие недостатки как то, что сеть можно использовать для кластерного анализа только тогда, когда заранее известно число кластеров.

Преимущество заключается в том, что сеть способна функционировать в условиях помех, потому что число классов фиксировано, веса модифицируются медленно, настройка весов заканчивается после обучения.

Подводя итоги данной главы можно сделать следующие выводы:

- многомерный статистический анализ используется для понимания данных путем выявления кластерной структуры, разбиение выборки на группы схожих объектов позволяет упростить дальнейшую обработку данных и принятия решений, применяя к каждому кластеру свой метод анализа, сжатие данных, обнаружение новизны (выделяются нетипичные объекты, которые не удаётся присоединить ни к одному из кластеров);

- нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления;

- одно из главных преимуществ многослойного персептрона, это возможность решать алгоритмически неразрешимые задачи или задачи, для которых алгоритмическое решение неизвестно, но для которых возможно составить репрезентативный набор примеров с известными решениями;

- самоорганизующиеся карты Кохонена могут использоваться для решения таких задач, как моделирование, прогнозирование, поиск закономерностей в больших массивах данных, выявление наборов независимых признаков и сжатие информации. Наиболее распространенное применение сетей Кохонена - решение задачи классификации без учителя, т.е. кластеризации [7].

строительный отрасль кластерный статистический диагностика

3. Многомерные статистические методы диагностики финансово - экономической оценки состояния предприятия

Многомерный статистический анализ является одним из классических методов классификации и прогнозирования. Принятие даже двухвариантного решения «кризис» или «некризис» требует охвата большого числа показателей деятельности предприятия и влечет за собой необходимость использования многомерных статистических методов, так как, во-первых, данные показатели являются случайными величинами; во-вторых, показателей большое число; в-третьих, показатели могут быть связаны между собой любым образом в любых сочетаниях.

Отнесение объекта к тому или иному классу (кризисных или некризисных предприятий) включает три этапа:

1 Формирование признакового пространства;

2 Создание обобщенных портретов классов для снятия неопределенности с помощью выборки обучающих предприятий;

3 Отнесение предприятия к одному из классов ( некризисных, кризисных предприятий) [8].

3.1 Коэффициентный анализ финансово-экономического состояния предприятия

Одним из распространенных методов анализа является использование финансовых коэффициентов. Этот метод возник в середине 19 века вместе с развитием корпораций. Толчком послужило требование банков предоставлять финансовую отчетность при кредитовании. В России этот метод активно вошел в практику лишь с начала 90-х годов 20 века [23].

Финансовые коэффициенты - относительные показатели. Они рассчитываются в виде отношений отдельных статей финансовой отчетности или их комбинаций. Анализ, как правило, сводится к изучении динамики в конкретной фирме и в межфирменных сравнениях. Недостатки этому анализу присуще такие, как и в кластерном анализе. При межфирменных сравнениях следует быть особенно аккуратным, так как необходимо учитывать финансовую политику каждого предприятия [17].

В настоящее время вошло в правило использовать при коэффициентном анализе сравнение с некими обобщенными ориентирами. Они пришли к нам из западной практики и не адаптированы к российским условиям. Такой подход сравнения не правильный [20].

Необходимо заметить также, что в настоящее время предлагается большое число финансовых коэффициентов, иногда некоторые одни и те же коэффициенты выступают под разными именами. Подобное положение затрудняет взаимодействие аналитиков внутри страны и с зарубежными партнерами, приводит к разночтениям и недопониманию при решении практических вопросов [22].

В данной работе для проведения анализа состояния предприятий возьмем количественные финансовые показатели (Рисунок 3.1).

Выбор именно таких показателей основан на исследовании [15], в ходе которого были проанализированы бухгалтерские отчетности 400 российских предприятий, были построены гистограммы исследуемых факторов и получены общие закономерности, которым подчиняются финансовые показатели российских предприятий.

Рисунок 3.1 - Количественные финансовые показатели, исследуемые при анализе состояния предприятия исходных и нормированных данных

Анализ диагностики кризисного состояния предприятия с оценкой её гарантированной достоверности проводится для 28 строительных предприятий Краснодарского края, данные взяты за разные годы и кварталы. Для каждого из предприятий формируется пространство, состоящее из 15 наиболее информативных признаков, разбитых на четыре группы (Рисунок 3.1). Необходимо отметить, что данные по выручке, себестоимости и чистой прибыли используются российской финансовой отчетности нарастающим итогом от начала финансового года. Понятно, что при росте накопленной выручки и прибыли статьи баланса не изменяются тем же темпом. Поэтому, остальные финансовые коэффициенты рентабельности и деловой активности, оказываются совершенно несопоставимыми между собой в поквартальном разрезе. Исключение составляют те коэффициенты (R1 и R4), где и прибыль в числителе, а выручка в знаменателе, т.е. сопоставимость сохраняется.

Коэффициентный анализ для оценки состояния предприятий используем для нормированных данных. Суть метода нормирования исходных данных заключается в том, что исходными данными являются совершенно разнородные величины и результаты кластеризации не должны зависеть от единиц измерения этих величин. Поэтому все исходные данные должны быть приведены к единому масштабу. Масштабирование желательно, чтобы привести данные в допустимый диапазон. Воспользуемся следующим способом нормирования:

После такого преобразования каждый коэффициент нормируется так, что все значения лежат в диапазоне от -1 до 1. При этом истинные значения утрачиваются (Рисунок 3.2).

Рисунок 3.2 - Нормированные данные предприятий по основным финансовым показателям

После нормализации делим все исходные предприятия на шесть кластеров: кризисное, катастрофическое, успешное, преуспевающее, некризисное, предкризисное. В ходе множества построенных анализов, аналитиками выявлены самые общие закономерности, которым подчиняются финансовые показатели всех российских предприятий (Рисунок 3.3).

Рисунок 3.3 Градации факторов модели по пенташкале [6]

По каждому показателю в наших данных находим результирующее значение (Рисунок 3.4). Это среднее значение по каждому показателю в отдельном кластере.

Рисунок 3.4 - Результирующие значения по каждому показателю

На основе пенташкалы и результирующих значений получаем коэффициентный анализ с определяющим итогом:

Рисунок 3.5 - Коэффициентный анализ предприятий

Таким образом, по итогам коэффициентного анализа первый кластер можно характеризовать как катастрофический. К этому кластеру относятся предприятия такие как: ОАО "Домостроитель" 2кв 2005, ОАО "Домостроитель" 2кв 2006, ОАО "Домостроитель" 3кв 2006, ОАО "Домостроитель" 4кв 2006, ОАО "Домостроитель" 3кв 2007, ООО "Белореченскстрой" 2кв 2010, ООО "Белореченскстрой" 4кв 2010, ООО "Белореченскстрой" 1пол 2011, ООО "Белореченскстрой" 2пол 2011, ООО "Воджилстрой" 2010, ООО "Воджилстрой" 2011, ОАО "Южстальконструкция" 2008.

Второй кластер - кризисные предприятия: ЗАО "ДСУ-4" 2кв 2005, ЗАО "ДСУ-4" 1кв 2006, ЗАО "ДСУ-4" 1кв 2008, ЗАО "ДСУ-4" 2кв 2008, ЗАО "ДСУ-4" 3кв 2008, ОАО "ДЭП-114" 1кв 2005, ОАО "ДЭП-114" 1кв 2006, ОАО "ДЭП-114" 2кв 2006, ОАО "ДЭП-114" 1кв 2007, ОАО "ДЭП-114" 2кв 2007, ОАО "ДЭП-114" 1кв 2008, ОАО "Домостроитель" 1кв 2005, ОАО "Домостроитель" 3кв 2005, ОАО "Домостроитель" 1кв 2006, ОАО "Домостроитель" 1кв 2007, ОАО "Домостроитель" 2кв 2007, ОАО "Домостроитель" 4кв 2007, ООО ППСО "Исток" 4кв 2005, ООО ППСО "Исток" 4кв 2006, ООО ППСО "Исток" 4кв 2007, ООО "Анапаагрострой" 2009, ООО "Белореченскстрой" 1кв 2010, ООО "Белореченскстрой" 3кв 2010, ООО "Воджилстрой" 2009, ОАО "Касог" 2010, ОАО "Краснодарская монтажно-строительная компания" 2010, ОАО "КРАСНОДАРСТРОЙ" 2кв 2009, ОАО "Медведовское Стоительное Общество" 2010.

Третий кластер - предкризисное. В него попали следующие предприятия: ЗАО "ДСУ-4" 2кв 2006, ЗАО "ДСУ-4" 1кв 2007, ЗАО "ДСУ-4" 2кв 2007, ЗАО "ДСУ-4" 3кв 2007, ЗАО "ДСУ-4" 4кв 2007, ОАО "ДЭП-114" 2кв 2005, ОАО "ДЭП-114" 4кв 2005, ОАО "ДЭП-114" 2кв 2008, ОАО "ДЭП-114" 3кв 2008, ОАО "ДЭП-114" 1кв 2009, ОАО "Домостроитель" 4кв 2005, ООО "Юскк" 2009, ООО "Девелопмент - Юг" 4кв 2009, ООО "Белореченскстрой" 1пол 2012, ООО "Белореченскстрой" 2пол 2012, ОАО"Головное проектное бюро" 2009, ОАО"Домостроитель" 2009, ОАО "Краснодаравтомост" 2009, ОАО "Краснодаравтомост" 2010, ОАО "КРАСНОДАРСТРОЙ" 3кв 2009, ОАО "КРАСНОДАРСТРОЙ" 1кв 2010, ОАО "Новострой" 2010.

К четвертому кластеру - некризисному, относятся: ЗАО "ДСУ-4" 1кв 2005, ЗАО "ДСУ-4" 3кв 2005, ЗАО "ДСУ-4" 4кв 2005, ЗАО "ДСУ-4" 3кв 2006, ЗАО "ДСУ-4" 4кв 2008, ОАО "ДЭП-114" 3кв 2007, ОАО "ДЭП-114" 4кв 2007, ООО "Девелопмент - Юг" 4кв 2008, ООО "Девелопмент - Юг" 1кв 2009, ООО "Девелопмент - Юг" 2кв 2009, ООО "Девелопмент - Юг" 3кв 2009, ООО "Девелопмент - Юг" 2кв 2010, ООО "Девелопмент - Юг" 3кв 2010, ООО "Белореченскстрой" 2008, ОАО"Головное проектное бюро" 2010, ОАО"Домостроитель" 2010, ОАО "Карасунское инженерное управление" 2009, ОАО "КРАСНОДАРСТРОЙ" 1кв 2009, ОАО "КРАСНОДАРСТРОЙ" 2кв 2010, ОАО "КРАСНОДАРСТРОЙ" 3кв 2010, ОАО "КРАСНОДАРСТРОЙ" 1кв 2011, ОАО "КРАСНОДАРСТРОЙ" 2кв 2011, ОАО "КРАСНОДАРСТРОЙ" 3кв 2011, ОАО "Кубаньпромстройпроект" 2010, ОАО "Новострой" 2009, ОАО "ГК Олимпстрой" 2009, ОАО "ГК Олимпстрой" 2010, ОАО "Югмонтажстрой" 2010, ОАО "Южстальконструкция" 2009, ОАО "КРАСНОДАРГРАЖДАНПРОЕКТ" 2010, ОАО "КРАСНОДАРГРАЖДАНПРОЕКТ" 2009, ОАО "Кубанский Строительный Холдинг" 2010, ОАО "Кубанский Строительный Холдинг" 2009, ОАО "Кубаньпромстройпроект" 2010.

В пятый кластер - преуспевающие предприятия входят: ОАО "ДЭП-114" 4кв 2008, ООО "Девелопмент - Юг" 1кв 2008, ООО "Девелопмент - Юг" 3кв 2008, ООО "Девелопмент - Юг" 1 кв 2010, ООО "Анапагоргаз" 2010, ОАО "Карасунское инженерное управление" 2010, ОАО "Кубаньпромстройпроект" 2011, ОАО "Медведовское Стоительное Общество" 2009, ОАО "Наследие Кубани" 2010.

Шестой кластер - успешные предприятия: ЗАО "ДСУ-4" 4кв 2006, ОАО "ДЭП-114" 3кв 2005, ОАО "ДЭП-114" 3кв 2006, ОАО "ДЭП-114" 4кв 2006, ООО "Девелопмент - Юг" 2кв 2008, ООО "Анапаагрострой" 2010.

Так как реальное состояние мы знать не можем, так как имеется только финансовая отчетность, то результаты коэффициентного анализа берем за реальное состояние предприятий. Это необходимо для итогового сопоставительного анализа результатов.

Далее переходим к кластерному анализу и затем делаем промежуточный сравнительный анализ.

3.2 Многомерный статистический кластерный анализ финансово - экономического состояния предприятия

Многомерный кластерный анализ пользуется популярностью в экономических исследованиях, но между тем его возможности для исследования состояния предприятия используются не достаточно.

Многомерный кластерный анализ позволяет разбивать множество исследуемых объектов и признаков на однородные группы по ряду признаков произвольной природы. Алгоритмы кластерного анализа подразделяются на иерархические (древовидные) и неиерархические, агломеративные и итеративные дивизивные процедуры [9].

Задача многомерного кластерного анализа заключается в том, чтобы на основании данных разбить строительные предприятия на кластеры таким образом, чтобы предприятия, принадлежащее одному и тому же кластеру были схожи между собой, в то время как другие предприятия, принадлежащие разным кластерам, были различны, и выявить финансово-экономическое состояние предприятий [20].

Для решения задачи оценки финансово-экономического состояния предприятия методом кластерного анализа загрузим в пакет STATISTICA исходные данные предприятий по основным показателям.

Рисунок 3.6 - Нормированные данные предприятий по основным финансовым показателям

Проведем анализ для нормированных данных методом k-средних. Результаты кластеризации исходных данных предприятий представлены на рисунках 3.7 - 3.9.

Рисунок 3.7 - Среднее значения по каждому кластеру

Рисунок 3.8 - Евклидовы расстояние между кластерами

Рисунок 3.9 - Таблица дисперсионного анализа

На рисунке 3.9 приведены значения межгрупповых и внутригрупповых дисперсий признаков. Чем меньше значение внутригрупповой дисперсии и больше значение межгрупповой дисперсии, тем лучше признак характеризует принадлежность объектов к кластеру и тем качественнее кластеризация. Параметры F и p также характеризуют вклад признака в разделение объектов на группы. Лучшей кластеризации соответствуют большие значения первого и меньшие значения второго параметра. Признаки с большими значения p (например, больше 0,05) можно из процедуры кластеризации исключить [1].

Из рисунка 3.9 можно сделать выводы, что признак коэффициент покрытия запасов (L3) менее информативен для процесса кластеризации, чем все остальные. Но все равно значение показателя p не больше 0,05, следовательно, его нельзя исключать из процедуры. Наибольшие вклад в процедуру кластеризации вносят такие признаки как: коэффициент финансовой зависимости (F2), общая рентабельность (R1), рентабельность активов (R2), рентабельность собственного капитала (R3), рентабельность продукции (продаж) (R4).

Рисунок 3.10 - Средние значения кластеров

Среднее значение для каждого кластера приведены на рисунке 3.10. Легко заметить, что в некоторых кластерах средние параметров находятся рядом, а в некоторых случаях и пересекаются. Это связанно с неудовлетворительным разбиением на группы, а может некоторые характеристики слабо различимы для разных групп.

Построим таблицы распределения предприятий по кластерам (Рисунок 3.11). Анализируя данные в таблицах, получаем следующую оценку состояний предприятий.

Рисунок 3.11 - Таблица распределения предприятий по кластерам

Таким образом, получаем, что к первому кластеру, катастрофическому, относятся ООО "Белореченскстрой" 2кв 2010, ООО "Белореченскстрой" 4кв 2010, ООО "Белореченскстрой" 1пол 2011, ООО "Белореченскстрой" 2пол 2011, ООО "Воджилстрой" 2010, ООО "Воджилстрой" 2011, ОАО "Домостроитель" 2кв 2005, ОАО "Домостроитель" 2кв 2006, ОАО "Домостроитель" 4кв 2006, ОАО "Домостроитель" 3кв 2007, ОАО "Южстальконструкция" 2008.

Ко второму, кризисному: ЗАО "ДСУ-4" 1кв 2005, ЗАО "ДСУ-4" 1кв 2006, ЗАО "ДСУ-4" 2кв 2006, ЗАО "ДСУ-4" 3кв 2006, ЗАО "ДСУ-4" 1кв 2007, ЗАО "ДСУ-4" 2кв 2007, ЗАО "ДСУ-4" 1кв 2008, ЗАО "ДСУ-4" 2кв 2008, ЗАО "ДСУ-4" 3кв 2008, ОАО "ДЭП-114" 3кв 2005, ОАО "ДЭП-114" 1кв 2006, ОАО "ДЭП-114" 2кв 2006, ОАО "ДЭП-114" 3кв 2006, ОАО "ДЭП-114" 4кв 2006, ОАО "ДЭП-114" 1кв 2007, ОАО "ДЭП-114" 2кв 2007, ОАО "ДЭП-114" 1кв 2008, ОАО "ДЭП-114" 2кв 2008, ОАО "ДЭП-114" 1кв 2009, ОАО "Домостроитель" 1кв 2005, ОАО "Домостроитель" 3кв 2005, ОАО "Домостроитель" 1кв 2006, ОАО "Домостроитель" 3кв 2006, ОАО "Домостроитель" 1кв 2007, ОАО "Домостроитель" 2кв 2007, ОАО "Домостроитель" 4кв 2007, ООО ППСО "Исток" 4кв 2005, ООО ППСО "Исток" 4кв 2006, ООО ППСО "Исток" 4кв 2007, ООО "Анапаагрострой" 2009, ООО "Белореченскстрой" 1кв 2010, ООО "Белореченскстрой" 3кв 2010, ООО "Воджилстрой" 2009, ОАО "КРАСНОДАРСТРОЙ" 2кв 2009, ОАО "Касог" 2010, ОАО "Краснодарская монтажно-строительная компания" 2010, ОАО "Медведовское Строительное Общество" 2010.

К третьему, предкризисному, относятся такие предприятия как: ООО "Юскк" 2009, ОАО "ДЭП-114" 2кв 2005, ОАО "ДЭП-114" 3кв 2008, ЗАО "ДСУ-4" 2кв 2005, ЗАО "ДСУ-4" 3кв 2007, ЗАО "ДСУ-4" 4кв 2007, ОАО "Домостроитель" 4кв 2005, ООО "Девелопмент - Юг" 4кв 2009, ООО "Белореченскстрой" 2пол 2012, ОАО "Новострой" 2010, ООО "Белореченскстрой" 1пол 2012, ОАО"Домостроитель" 2009, ОАО "Краснодаравтомост" 2009, ОАО "Краснодаравтомост" 2010, ОАО "КРАСНОДАРСТРОЙ" 3кв 2009, ОАО "КРАСНОДАРСТРОЙ" 1кв 2010, ОАО "Медведовское Стоительное Общество" 2009, ОАО "Наследие Кубани" 2010, ОАО "ГК Олимпстрой" 2010.

К четвертому, некризисному, относятся: ЗАО "ДСУ-4" 4кв 2005, ОАО "ДЭП-114" 1кв 2005, ЗАО "ДСУ-4" 3кв 2005, ОАО "ДЭП-114" 4кв 2005, ЗАО "ДСУ-4" 4кв 2008, ОАО "ДЭП-114" 3кв 2007, ОАО "ДЭП-114" 4кв 2007, ООО "Девелопмент - Юг" 4кв 2008, ООО "Девелопмент - Юг" 1кв 2009, ООО "Девелопмент - Юг" 3кв 2009, ООО "Девелопмент - Юг" 2кв 2010, ООО "Девелопмент - Юг" 3кв 2010, ООО "Белореченскстрой" 2008, ОАО"Головное проектное бюро" 2010, ОАО"Домостроитель" 2010, ОАО "Карасунское инженерное управление" 2009, ОАО "КРАСНОДАРСТРОЙ" 1кв 2009, ОАО "Югмонтажстрой" 2010, ОАО "КРАСНОДАРСТРОЙ" 3кв 2011, ОАО "КРАСНОДАРСТРОЙ" 2кв 2010, ОАО "КРАСНОДАРСТРОЙ" 3кв 2010, ОАО "КРАСНОДАРСТРОЙ" 1кв 2011, ОАО "КРАСНОДАРСТРОЙ" 2кв 2011, ОАО "Кубаньпромстройпроект" 2010, ОАО "ГК Олимпстрой" 2009, ОАО "Южстальконструкция" 2009, ОАО "Краснодаргражданпроект" 2009, ОАО "КРАСНОДАРГРАЖДАНПРОЕКТ" 2010, ОАО "Кубанский Строительный Холдинг" 2010, ОАО "Кубаньпромстройпроект" 2010.

К пятому, преуспевающему: ЗАО "ДСУ-4" 4кв 2006, ОАО "ДЭП-114" 4кв 2008, ООО "Девелопмент - Юг" 1кв 2008, ООО "Девелопмент - Юг" 2кв 2008, ООО "Девелопмент - Юг" 3кв 2008, ООО "Девелопмент - Юг" 2кв 2009, ООО "Девелопмент - Юг" 1 кв 2010, ООО "Анапаагрострой" 2010, ООО "Анапагоргаз" 2010, ОАО "Карасунское инженерное управление" 2010, ОАО "Кубаньпромстройпроект" 2011.

К шестому кластеру, успешному, относятся: ОАО "Новострой" 2009, ОАО "Кубанский Строительный Холдинг" 2009, ОАО"Головное проектное бюро" 2009.

Более точное разбиение по кластерам получим с помощью кластеризации сетями Кохонена.

3.3 Нейросетевая кластеризация сетям Кохонена состояния предприятий строительной отрасли

Сети Кохонена главным образом рассчитаны на неуправляемое обучение. Сеть Кохонена может распознавать кластеры в данных, а также устанавливать близость классов [7].

Для визуализации данных о состояниях предприятий построим сеть с помощью сетей Кохонена (рисунок 3.13). В сетях Кохонена происходит неуправляемое обучение (без учителя): сеть учится распознавать кластеры среди неразмеченных обучающих данных, содержащих только входные значения [7].

Используем тот же набор данных (Рисунок 3.6).

Рисунок 3.13 - Построение сети с помощью сетей Кохонена

Число слоев в сети равно двум: входной и выходной слой - топологическая карта размером 15x15 (рисунок 3.14). Берем Units = 225,а Width = 15.

Для обучения сети Кохонена воспользуемся значениями основных параметров:

а) Два этапа по 50 эпох, что позволяет получить достаточную эффективность;

б) На первом этапе зададим уменьшение параметра скорости обучения с 0,5 до 0,1, а размер окрестности равным 1;

в) На втором этапе скорость обучения будет постоянной и равной 0,1, а размер окрестности равным 0.

Рисунок 3.14 - Структура топологической карты

Рисунок 3.15 - График сети Кохонена

Рисунок 3.16 - Гистограмма общей ошибки обучения сети Кохонена

После того, как зафиксировано распределение центров кластеров можно протестировать сеть с целью выяснить смысла кластеров с помощью топологической карты. Топологическая карта позволяет также представить полученную информацию в простой и наглядной форме (Рисунок 3.17).

Анализ полученного рисунка позволяет увидеть, как расположены объекты в пространстве, причем легко заметить участки, где объекты группируются (сгущения). Распределение объектов таким образом означает, что у них схожи параметры, значит, и сами эти объекты принадлежат одной группе. Предприятия классифицированы на 6 состояния: кризисное, предкризисное, катастрофическое, некризисное, успешное, преуспевающее.

Рисунок 3.17 - Топологическая карта

К первому кластеру «катастрофическое» предприятий относятся: ОАО "Домостроитель" 2кв 2005, ОАО "Домостроитель" 4кв 2006, ОАО "Домостроитель" 2кв 2007, ОАО "Домостроитель" 3кв 2007, ОАО "Домостроитель" 4кв 2007, ООО "Белореченскстрой" 2кв 2010, ООО "Белореченскстрой" 4кв 2010, ООО "Белореченскстрой" 1пол 2011, ООО "Белореченскстрой" 2пол 2011, ООО "Воджилстрой" 2010, ООО "Воджилстрой" 2011, ОАО "Краснодарская монтажно-строительная компания" 2010, ОАО "Южстальконструкция" 2008.

Ко второму кластеру «кризисное» предприятий относятся: ЗАО "ДСУ-4" 2кв 2005, ЗАО "ДСУ-4" 1кв 2006, ЗАО "ДСУ-4" 2кв 2006, ЗАО "ДСУ-4" 1кв 2007, ЗАО "ДСУ-4" 1кв 2008, ЗАО "ДСУ-4" 2кв 2008, ЗАО "ДСУ-4" 3кв 2008, ОАО "ДЭП-114" 1кв 2006, ОАО "ДЭП-114" 2кв 2006, ОАО "ДЭП-114" 1кв 2007, ОАО "ДЭП-114" 2кв 2007, ОАО "ДЭП-114" 1кв 2008, ОАО "ДЭП-114" 2кв 2008, ОАО "ДЭП-114" 1кв 2009, ОАО "Домостроитель" 1кв 2005, ОАО "Домостроитель" 3кв 2005, ОАО "Домостроитель" 1кв 2006, ОАО "Домостроитель" 2кв 2006, ОАО "Домостроитель" 3кв 2006, ОАО "Домостроитель" 1кв 2007, ООО ППСО "Исток" 4кв 2005, ООО ППСО "Исток" 4кв 2006, ООО ППСО "Исток" 4кв 2007, ООО "Анапаагрострой" 2009, ООО "Белореченскстрой" 1кв 2010, ООО "Белореченскстрой" 3кв 2010, ООО "Воджилстрой" 2009, ОАО "Касог" 2010, ОАО "КРАСНОДАРСТРОЙ" 2кв 2009, ОАО "Медведовское Стоительное Общество" 2009, ОАО "Медведовское Стоительное Общество" 2010, ОАО "Наследие Кубани" 2010, ОАО "ГК Олимпстрой" 2010, ОАО "Югмонтажстрой" 2010.

К третьему кластеру «предкризисное» относятся: ЗАО "ДСУ-4" 2кв 2007, ЗАО "ДСУ-4" 3кв 2007, ЗАО "ДСУ-4" 4кв 2007, ОАО "ДЭП-114" 2кв 2005, ОАО "Домостроитель" 4кв 2005, ООО "Юскк" 2009, ООО "Девелопмент - Юг" 4кв 2009, ООО "Белореченскстрой" 1пол 2012, ООО "Белореченскстрой" 2пол 2012, ОАО"Головное проектное бюро" 2009, ОАО"Домостроитель" 2009, ОАО "Краснодаравтомост" 2009, ОАО "Краснодаравтомост" 2010, ОАО "КРАСНОДАРСТРОЙ" 3кв 2009, ОАО "КРАСНОДАРСТРОЙ" 1кв 2010.

К четвертому - «не кризисное» относятся: ЗАО "ДСУ-4" 1кв 2005, ЗАО "ДСУ-4" 3кв 2005, ЗАО "ДСУ-4" 4кв 2005, ЗАО "ДСУ-4" 3кв 2006, ЗАО "ДСУ-4" 4кв 2008, ОАО "ДЭП-114" 1кв 2005, ОАО "ДЭП-114" 3кв 2007, ОАО "ДЭП-114" 4кв 2007, ОАО "ДЭП-114" 3кв 2008, ООО "Девелопмент - Юг" 1кв 2009, ООО "Девелопмент - Юг" 3кв 2009, ООО "Девелопмент - Юг" 2кв 2010, ООО "Девелопмент - Юг" 3кв 2010, ООО "Белореченскстрой" 2008, ОАО"Головное проектное бюро" 2010, ОАО"Домостроитель" 2010, ОАО "Карасунское инженерное управление" 2009, ОАО "КРАСНОДАРСТРОЙ" 1кв 2009, ОАО "КРАСНОДАРСТРОЙ" 2кв 2010, ОАО "КРАСНОДАРСТРОЙ" 3кв 2010, ОАО "КРАСНОДАРСТРОЙ" 1кв 2011, ОАО "КРАСНОДАРСТРОЙ" 2кв 2011, ОАО "КРАСНОДАРСТРОЙ" 3кв 2011, ОАО "Кубаньпромстройпроект" 2010, ОАО "Новострой" 2009, ОАО "ГК Олимпстрой" 2009, ОАО "Южстальконструкция" 2009, ОАО "КРАСНОДАРГРАЖДАНПРОЕКТ" 2010, ОАО "КРАСНОДАРГРАЖДАНПРОЕКТ" 2009, ОАО "Кубанский Строительный Холдинг" 2010, ОАО "Кубанский Строительный Холдинг" 2009, ОАО "Кубаньпромстройпроект" 2010.

К пятому кластеру «преуспевающее» относятся: ООО "Девелопмент - Юг" 1кв 2008, ООО "Девелопмент - Юг" 3кв 2008, ООО "Девелопмент - Юг" 4кв 2008, ООО "Девелопмент - Юг" 2кв 2009, ООО "Девелопмент - Юг" 1 кв 2010, ООО "Анапагоргаз" 2010, ООО "Анапаагрострой" 2010, ОАО "Карасунское инженерное управление" 2010, ОАО "Кубаньпромстройпроект" 2011, ОАО "Новострой" 2010.

К шестому - «успешному» относятся: ЗАО "ДСУ-4" 4кв 2006, ОАО "ДЭП-114" 3кв 2005, ОАО "ДЭП-114" 4кв 2005, ОАО "ДЭП-114" 3кв 2006, ОАО "ДЭП-114" 4кв 2006, ОАО "ДЭП-114" 4кв 2008, ООО "Девелопмент - Юг" 2кв 2008.

3.4 Сравнительный анализ

Проведем сравнительный анализ результатов исследований коэффициентным анализом, кластерным методом и кластеризации сетями Кохонена. Для этих анализов использовали 28 предприятий за разные годы т кварталы (111 выборок) по 15 показателям. Анализ проходил по нормированным данным. В таблице 3.4 приведены результаты каждого анализа и окончательный столбец выходных данных.

Таблица 3.4 - Сравнение результатов исследования проведенных с помощью коэффициентного анализа, кластерного и кластеризации сетями Кохонена и окончательный столбец выходных данных

№	Предприятия	Коэфф. анализ	Кластер. Анализ	Класт.сетями Кохонена	Оконч.столбец
1	ЗАО "ДСУ-4" 1кв 2005	Некриз	Кризис	Некриз	Некриз
2	ЗАО "ДСУ-4" 2кв 2005	Кризис	Кризис	Кризис	Кризис
3	ЗАО "ДСУ-4" 3кв 2005	Некриз	Некриз	Некриз	Некриз
4	ЗАО "ДСУ-4" 4кв 2005	Некриз	Некриз	Некриз	Некриз
5	ЗАО "ДСУ-4" 1кв 2006	Кризис	Кризис	Кризис	Кризис
6	ЗАО "ДСУ-4" 2кв 2006	Предкр	Кризис	Кризис	Кризис
7	ЗАО "ДСУ-4" 3кв 2006	Некриз	Кризис	Некриз	Некриз
8	ЗАО "ДСУ-4" 4кв 2006	Успеш	Преусп	Успешн	Успешн
9	ЗАО "ДСУ-4" 1кв 2007	Предкр	Кризис	Кризис	Кризис
10	ЗАО "ДСУ-4" 2кв 2007	Предкр	Предкр	Предкр	Предкр
11	ЗАО "ДСУ-4" 3кв 2007	Предкр	Предкр	Предкр	Предкр
12	ЗАО "ДСУ-4" 4кв 2007	Предкр	Преусп	Предкр	Предкр
13	ЗАО "ДСУ-4" 1кв 2008	Кризис	Кризис	Кризис	Кризис
14	ЗАО "ДСУ-4" 2кв 2008	Кризис	Кризис	Кризис	Кризис
15	ЗАО "ДСУ-4" 3кв 2008	Кризис	Кризис	Кризис	Кризис
16	ЗАО "ДСУ-4" 4кв 2008	Некриз	Некриз	Некриз	Некриз
17	ЗАО "ДСУ-4" 1кв 2005	Кризис	Кризис	Некриз	Кризис
18	ОАО "ДЭП-114" 2кв 2005	Предкр	Предкр	Предкр	Предкр
19	ОАО "ДЭП-114" 3кв 2005	Успеш	Некриз	Успешн	Успешн
20	ОАО "ДЭП-114" 4кв 2005	Предкр	Кризис	Успешн	Некриз
21	ОАО "ДЭП-114" 1кв 2006	Кризис	Кризис	Кризис	Кризис
22	ОАО "ДЭП-114" 2кв 2006	Кризис	Кризис	Кризис	Кризис
23	ОАО "ДЭП-114" 3кв 2006	Успеш	Некриз	Успешн	Успешн
24	ОАО "ДЭП-114" 4кв 2006	Успеш	Некриз	Успешн	Успешн
25	ОАО "ДЭП-114" 1кв 2007	Кризис	Кризис	Кризис	Кризис
26	ОАО "ДЭП-114" 2кв 2007	Кризис	Кризис	Кризис	Кризис
27	ОАО "ДЭП-114" 3кв 2007	Некриз	Некриз	Некриз	Некриз
28	ОАО "ДЭП-114" 4кв 2007	Некриз	Некриз	Некриз	Некриз
29	ОАО "ДЭП-114" 1кв 2008	Кризис	Кризис	Кризис	Кризис
30	ОАО "ДЭП-114" 2кв 2008	Предкр	Кризис	Кризис	Кризис
31	ОАО "ДЭП-114" 3кв 2008	Предкр	Предкр	Некриз	Предкр
32	ОАО "ДЭП-114" 4кв 2008	Преусп	Преусп	Успешн	Преусп
33	ОАО "ДЭП-114" 1кв 2009	Предкр	Кризис	Кризис	Кризис
34	ОАО "Домостроитель" 1кв 2005	Кризис	Кризис	Кризис	Кризис
35	ОАО "Домостроитель" 2кв 2005	Катаст	Катаст	Катастр	Катастр
36	ОАО "Домостроитель" 3кв 2005	Кризис	Кризис	Кризис	Кризис
37	ОАО "Домостроитель" 4кв 2005	Предкр	Предкр	Предкр	Предкр
38	ОАО "Домостроитель" 1кв 2006	Кризис	Кризис	Кризис	Кризис
39	ОАО "Домостроитель" 2кв 2006	Катаст	Катаст	Кризис	Кризис
40	ОАО "Домостроитель" 3кв 2006	Катаст	Кризис	Кризис	Кризис
41	ОАО "Домостроитель" 4кв 2006	Катаст	Катастр	Катастр	Катастр
42	ОАО "Домостроитель" 1кв 2007	Кризис	Кризис	Кризис	Кризис
43	ОАО "Домостроитель" 2кв 2007	Кризис	Кризис	Катастр	Кризис
44	ОАО "Домостроитель" 3кв 2007	Катаст	Катастр	Катастр	Катастр
45	ОАО "Домостроитель" 4кв 2007	Кризис	Кризис	Катастр	Кризис
46	ООО ППСО "Исток" 4кв 2005	Кризис	Кризис	Кризис	Кризис
47	ООО ППСО "Исток" 4кв 2006	Кризис	Кризис	Кризис	Кризис
48	ООО ППСО "Исток" 4кв 2007	Кризис	Кризис	Кризис	Кризис
49	ООО "Юскк" 2009	Предкр	Предкр	Предкр	Предкр
50	ООО"Девелопмент-Юг"1кв2008	Преусп	Преусп	Преусп	Преусп
51	ООО"Девелопмент-Юг"2кв2008	Успеш	Преусп	Успешн	Успешн
52	ООО"Девелопмент-Юг"3кв2008	Преусп	Преусп	Преусп	Преусп
53	ООО"Девелопмент-Юг"4кв2008	Некриз	Некриз	Преусп	Некриз
54	ООО"Девелопмент-Юг"1кв2009	Некриз	Некриз	Некриз	Некриз
55	ООО"Девелопмент-Юг"2кв2009	Некриз	Преусп	Успешн	Преусп
56	ООО"Девелопмент-Юг"3кв2009	Некриз	Некриз	Некриз	Некриз
57	ООО"Девелопмент-Юг"4кв2009	Предкр	Предкр	Предкр	Предкр
58	ООО"Девелопмент-Юг"1кв2010	Преусп	Преусп	Преусп	Преусп
59	ООО"Девелопмент-Юг"2кв2010	Некриз	Некриз	Некриз	Некриз
60	ООО"Девелопмент-Юг"3кв2010	Некриз	Некриз	Некриз	Некриз
61	ООО "Анапаагрострой" 2009	Кризис	Кризис	Кризис	Кризис
62	ООО "Анапаагрострой" 2010	Успеш	Преусп	Кризис	Преусп
63	ООО "Анапагоргаз" 2010	Преусп	Преусп	Преусп	Преусп
64	ООО "Белореченскстрой" 2008	Некриз	Некриз	Некриз	Некриз
65	ООО"Белореченскстрой"1кв2010	Кризис	Кризис	Кризис	Кризис
66	ООО"Белореченскстрой"2кв2010	Катаст	Катаст	Катастр	Катастр
67	ООО"Белореченскстрой"3кв2010	Кризис	Кризис	Кризис	Кризис
68	ООО"Белореченскстрой"4кв2010	Катаст	Катастр	Катастр	Катастр
69	ООО"Белореченскстрой"1п 2011	Катаст	Катастр	Катастр	Катастр
70	ООО"Белореченскстрой"2п 2011	Катаст	Катастр	Катастр	Катастр
71	ООО"Белореченскстрой"1п2012	Предкр	Предкр	Предкр	Предкр
72	ООО"Белореченскстрой"2п2012	Предкр	Предкр	Предкр	Предкр
73	ООО "Воджилстрой" 2009	Кризис	Кризис	Кризис	Кризис
74	ООО "Воджилстрой" 2010	Катастр	Катастр	Катастр	Катастр
75	ООО "Воджилстрой" 2011	Катастр	Катастр	Катастр	Катастр
76	ОАО"Головное проектное бюро" 2009	Предкр	Успешн	Предкр	Предкр
77	ОАО"Головное проектное бюро" 2010	Некриз	Некриз	Некриз	Некриз
78	ОАО"Домостроитель" 2009	Предкр	Предкр	Предкр	Предкр
79	ОАО"Домостроитель" 2010	Некриз	Некриз	Некриз	Некриз
80	ОАО "Карасунское инженерное управление" 2009	Некриз	Некриз	Некриз	Некриз
81	ОАО "Карасунское инженерное управление" 2010	Преусп	Преусп	Преусп	Преусп
82	ОАО "Касог" 2010	Кризис	Кризис	Кризис	Кризис
83	ОАО "Краснодаравтомост" 2009	Предкр	Предкр	Предкр	Предкр
84	ОАО "Краснодаравтомост" 2010	Предкр	Предкр	Предкр	Предкр
85	ОАО "Краснодарская монтажно-строительная компания" 2010	Кризис	Кризис	Катастр	Кризис
86	ОАО"Краснодарстрой"1кв 2009	Некриз	Некриз	Некриз	Некриз
87	ОАО"Краснодарсрой"2кв 2009	Кризис	Кризис	Кризис	Кризис
88	ОАО"Краснодарстрой"3кв2009	Предкр	Предкр	Предкр	Предкр
89	ОАО"Краснодарстрой"1кв2010	Предкр	Предкр	Предкр	Предкр
90	ОАО"Краснодарстрой"2кв2010	Некриз	Некриз	Некриз	Некриз
91	ОАО"Краснодарстрой"3кв2010	Некриз	Некриз	Некриз	Некриз
92	ОАО"Краснодарстрой"1кв2011	Некриз	Некриз	Некриз	Некриз
93	ОАО"Краснодарстрой"2кв2011	Некриз	Некриз	Некриз	Некриз
94	ОАО"Краснодарстрой"3кв2011	Некриз	Некриз	Некриз	Некриз
95	ОАО"Кубаньпромстройпроект" 2010	Некриз	Некриз	Некриз	Некриз
96	ОАО"Кубаньпромстройпроект" 2011	Преусп	Преусп	Преусп	Преусп
97	ОАО "Медведовское Стоительное Общество" 2009	Преусп	Предкр	Кризис	Предкр
98	ОАО "Медведовское Стоительное Общество" 2010	Кризис	Кризис	Кризис	Кризис
99	ОАО "Наследие Кубани" 2010	Преусп	Предкр	Кризис	Предкр
100	ОАО "Новострой" 2009	Некриз	Успешн	Некриз	Преусп
101	ОАО "Новострой" 2010	Предкр	Предкр	Преусп	Некриз
102	ОАО "ГК Олимпстрой" 2009	Некриз	Некриз	Некриз	Некриз
103	ОАО "ГК Олимпстрой" 2010	Некриз	Предкр	Кризис	Предкр
104	ОАО "Югмонтажстрой" 2010	Некриз	Некриз	Кризис	Некриз
105	ОАО"Южстальконструкция"2008	Катаст	Катастр	Катастр	Катастр
106	ОАО"Южстальконструкция"2009	Некриз	Некриз	Некриз	Некриз
107	ОАО "Краснодаргражданпроект" 2010	Некриз	Некриз	Некриз	Некриз
108	ОАО "Краснодаргражданпроект" 2009	Некриз	Некриз	Некриз	Некриз
109	ОАО "Кубанский Строительный Холдинг" 2010	Некриз	Некриз	Некриз	Некриз
110	ОАО "Кубанский Строительный Холдинг" 2009	Некриз	Успешн	Некриз	Преусп
111	ОАО"Кубаньпромстройпроект" 2010	Некриз	Некриз	Некриз	Некриз

Таким образом, из таблицы 3.4, видно какие предприятия к какому кластеру относятся. Далее мы строим дискриминантный и регрессионный анализы, а затем проводим классификацию предприятий строительной отрасли многослойным персептроном.

3.5 Дискриминантный анализ предприятий

Дискриминантный анализ наиболее ярко отражает черты многомерного анализа в классификации. Он как раздел многомерного статистического анализа включает статистические методы классификации многомерных наблюдений в ситуации, когда исследователь обладает так называемыми обучающими выборками [15].