Таблица 7. Анализ вклада объясняющих переменных в двухфакторной модели

Фактор	Оценка	Эластичность	в	Доля фактора в общей вариации У, %
DEASCORE	0,732893
CLNS	-0,29822	-0,03819	-0,17034	25,53
AUTONOMY	0,20933	0,203513	0,341421	74,47

Коэффициенты эластичности и в-коэффициенты меньше 1, т.е. все факторы влияют незначительно на DEASCORE. Стоит отметить, что оценки ухудшились. Значимость на 5% уровне сохранил только коэффициент перед регрессором X6. Согласно таблице Приложения 15, двухфакторная регрессия объясняет лишь 18,3% колебаний У с помощью включённых в модель параметров. Множественный коэффициент корреляции R по шкале Чеддока также указывает на несильную связь - данная зависимость ниже, чем по модели с шестью факторами.

Качество уравнения регрессии для двухфакторной модели схематично показано в Приложении 17. Приложение 18 содержит общую характеристику моделей с разными комбинациями объясняющих переменных. Получаем, что по показателю R-квадрат лучше всего оставить в модели 5 факторов или шесть первоначальных (так как вклад OFR близок к нулю и его исключение из модели не сильно повышает качество оценивания). Дополнительно были построены модели с логарифмами зависимой и объясняющих переменных (Приложение 19), которые дали схожие обоснования значимости факторов, но сильно не улучшили R2 моделей.

Так как в имеющейся выборке доля объектов со значением коэффициента технической эффективности=1 составляет 30%, распределение является неравномерным и неслучайным. В случае DEA модели регрессия малоприменима, о чём свидетельствует незначимость вклада каждой из переменных в значение DEASCORE.

Удаление факторов значительно снижает величину R^2, что является неприемлемым. Для логарифмической регрессии R^2 выше, чем для регрессии в натуральных числах, но, тем не менее, всего лишь 32,4% колебаний Y объясняется изменениями факторов.

Построенная регрессия является попыткой генерализации результатов, но она не является надёжной (так как имеются проблемы с мультиколлинеарностью, гетероскедастичностью и автокорреляцией) и не может быть использована для формализации зависимости (так как DEA модель является непараметрической, этот вывод вполне оправдан в масштабах исследования) значения технической эффективности от параметров «затрат» и «выпуска».

Общий вывод построенной регрессионной модели заключается в том, что на кредитоспособность торговых компаний значимое влияние оказывают такие параметры, как CLNS и AUTONOMY. Рассмотрение данных переменных в отдельности значительно ухудшают модель (если в анализе не учитываются также FINLEV, FICA, ROS). Так, R2 adj для модели с двумя факторами составил лишь 0,167, а для модели с 6 факторами R2 adj= 0,189. Единственный параметр, который можно исключить из исследования - OFR, так как его вклад в расчетные значения DEASCORE незначим.

Данные выводы слабо согласованы с результатами самого непараметрического моделирования, так как оно показало, что в структуре коэффициента эффективность существенную роль играет низкая рентабельность продаж (ROS) и низкая степень концентрации собственного капитала (AUTONOMY), высокий объём текущих обязательств к выручке (CLNS) не оказывает существенного давления на финальный коэффициент эффективности.

Результаты DEA модели наглядно отразили ситуацию с кредитоспособностью в розничной торговле на 5-летнем временном интервале, позволили оценить динамику и долю неоптимальных значений каждого параметра. Также, полученные коэффициенты технической эффективности дали детальную характеристику представителям бизнеса, позволили выделить абсолютно эффективные компании, которые имеют стабильную стратегию развития, а также найти компании, которые имеют серьезные проблемы с кредитоспособностью. Являясь непараметрическим методом линейного программирования, параметры модели дополнительно были оценены линейной регрессионной моделью.

Результаты DEA модели показывают лишь сравнительную эффективность в пространстве торговых компаний, взятых для анализа. Данная модель, несмотря на комбинацию с регрессионным оцениванием вклада объясняющих переменных, не позволяет в будущем сделать достоверные выводы о положении дел рынка в целом путём генерализации результатов (так как построенная модель объясняет лишь 23,8% колебаний зависимой переменной DEASCORE по выборке).

Подтверждается теоретическая предпосылка о том, что для DEA модели невозможно подобрать обоснованную надежную функциональную форму, так как изначально данная модель является непараметрической. В связи с этим, необходим альтернативный анализ и получение результатов с помощью параметрических моделей с чёткой функциональной формой.

4.2 Описание результатов, полученных на базе построения SFA модели

Для построения SFA модели использовалась программа FRONTIER (Version 4.1c). Основной принцип построения данной модели заключается в:

1. выборе функциональной формы. Для данного исследования выбрана следующая функциональная форма:

Производственная граница имеет вид, заданный транслог-уравнением с предпосылкой об усеченном нормальном распределении:

Где NPTA, FINLEV, CLNS, FAOE, FICA определены ранее, Ui - остатки модели имеют усеченное к нулю нормальное распределение.

2. Выборе распределения остатков:

( распределены независимо друг от друга и от регрессоров)

3. Построении функции максимального правдоподобия для выборки размерностью I:

,

где , , Ф(.) - стандартная нормальная кумулятивная функция распределения. В функции правдоподобия происходит замена на

Логарифм функции правдоподобия позволяет протестировать форму SFA модели:

когда МНК функция издержек (то есть функция среднего отклика) без компоненты неэффективности.

Тест должен быть проведен с применением одностороннего обобщенного теста отношения правдоподобия, чтобы убедиться в правильности размера модели.

.

Файл-инструкция для построения модели содержится в приложении 20. Результаты построения модели содержатся в приложении 21. SFA модель не выявила по итогам пяти лет деятельности предприятий абсолютно эффективного набора компаний. Проанализируем аутпут SFA модели, построенной в программе на основе исполняемого файла, в котором модель - транслог-функция производства, зависимая переменная - NPTA - представлена в виде логарифма. Оценки МНК выглядят следующим образом:

Таблица 8. МНК-оценки

	coefficient	standard-error	t-ratio
beta 0	2.4	0.15	15.96
beta 1 (FINLEV)	0.22	0.07	3.08
beta 2 (CLNS)	-0.16	0.03	-5.82
beta 3 (FAOE)	-0.18	0.06	-3.11
beta 4 (FICA)	-0.35	0.06	-6.38

0.72610156E+00 ; log likelihood function = -0.69618140E+03

Все коэффициенты перед объясняющими переменными являются значимыми, так как t наблюдаемое>t критического (). Дальнейшие итерации (в том числе и последовательный отбор) проделаны с целью получить финальные оценки МНК:

Таблица 9. Функция правдоподобия

beta 0	3.26
beta 1	0.22
beta 2	-0.16
beta 3	-0.18
beta 4	-0.35

;

iteration = 0 func evals = 20 llf = -0.58059789E+03

0.32575194E+01 0.21722072E+00-0.15537177E+00-0.17926420E+00-0.35327237E+00

0.14476021E+01 0.79000000E+00

gradient step

iteration = 5 func evals = 43 llf = -0.56636904E+03

0.29885421E+01 0.34630631E-01-0.11006870E+00-0.93225877E-01-0.44233584E+00

0.17468386E+01 0.84368989E+00

iteration = 10 func evals = 94 llf = -0.56554145E+03

0.29201757E+01 0.18025271E-01-0.11942914E+00-0.90357762E-01-0.46686432E+00

0.19810354E+01 0.85621591E+00

iteration = 14 func evals = 159 llf = -0.56554125E+03

0.29206937E+01 0.17819520E-01-0.11959296E+00-0.90206449E-01-0.46662503E+00

0.19863716E+01 0.85660490E+00

Итак, получаем следующие результаты: log likelihood function = -0.56554125E+03; LR test of the one-sided error = 0.26128030E+03 with number of restrictions = 1.

Статистика для тестирования гипотезы имеет смешанное распределение ч². Табличное значение статистики на 5% у.з. (для DF=1, так как у модели всего одно ограничение) = 3,841. Значение LR-теста=261,28 > соответственно, ограничения отвергаются и предпочтение отдается длинной модели.

Таблица 10. Итоговые МНК-оценки

	coefficient	standard-error	t-ratio
beta 0	2.92	0.19	15.44
beta 1	0.02	0.09	0.20
beta 2	-0.12	0.03	-3.42
beta 3	-0.09	0.08	-1.10
beta 4	-0.47	0.06	-7.30
	1.99	0.30	6.68
	0.86	0.02	35.22

;

По аналогии с DEA моделью, методом случайного отбора выделим 100 компаний для регрессионного анализа полученных коэффициентов. В Приложении 22 детально описаны переменные, которые включены в модели. Для удобства, обозначим их через X:

Таблица

EFFSCORE	Y
DEASCORE	X1
FINLEV	X2
FICA	X3
CLNS	X4
AGE	X5
NPTA	X6
FAOE	X7
TRn	X8
Segment	X9
Share	X10

По матрице корреляции получаем, что только Х6 сильно коррелирует с У (0,67), близко к средней степени - Х4 (0,28), Х3 (0,25). Значения DEASCORE и EFFSCORE очень слабо коррелируют между собой, так как получены принципиально разными методами. Также, из модели можно будет исключить x1,x2,x5 и x8.

Таблица 11. Матрица корреляции переменных

	Y	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10
Y	1.00
X1	0.09	1.00
X2	-0.04	-0.15	1.00
X3	0.25	-0.17	-0.16	1.00
X4	0.28	-0.27	0.36	0.12	1.00
X5	-0.15	-0.11	-0.17	-0.07	-0.03	1.00
X6	0.67	0.24	0.23	-0.19	0.08	-0.20	1.00
X7	-0.21	-0.01	-0.28	-0.22	-0.24	0.41	-0.17	1.00
X8	0.10	-0.02	-0.02	-0.11	-0.04	0.04	0.07	0.17	1.00
X9	0.11	0.04	-0.01	0.17	0.04	-0.02	-0.08	-0.13	0.05	1.00
X10	0.10	0.06	-0.06	-0.18	-0.10	0.10	0.15	0.32	0.73	0.05	1.00

Построим модель множественной регрессии с 8 факторами без фиктивных переменных:



. Получается, что 69,24% колебаний Y объяснено включенными в модель параметрами. = 0,6654, то есть 66,54% изменений Y объясняется набором параметров регрессии.

На графике Приложения 23 видны выбросы по расчётным значениям Y, которые лежат за пределами интервала [0;1]:

APTECHNAYA SET FARMATSEVTICHESKIE PREPARATY и TDST IZOLYATSIYA (Y>1), а также EYEKRAFT OPTICAL NEW YORK LTD (Y<1).

Приложение 24 содержит агрегированную информацию по всем построенным линейным моделям. Уравнение с 8 факторами лучше, но несущественно. Исключим модели с наименее значимыми параметрами, оставив в конечной модели три переменные:

= 0,62)

Далее, последовательно добавим фиктивные переменные X9 и X10, которые несущественно улучшают оценки уравнения для 3 факторов. Все оценки факторов, за исключением фиктивных переменных статистически значимы по t-статистике. Можно отметить, что вклады ФП по доле незначительны (менее 0,3%), но в-коэффициент выше 1 (т.е. влияние существенно). В модели 3 фактора+ ФП Х9+Х10 сохраняется выброс для TDST IZOLYATSIYA (Y>1) (Приложение 25). Также, построим модель в логарифмах всех объясняющих переменных, чтобы модель была согласована с транслог-моделью построенной для получения самих коэффициентов технической эффективности. Матрица корреляции показывает сильную зависимость EFFSCORE от X6. Также, стоит проверить влияние X3,X4 и X5 при дальнейшем построении моделей:

Таблица 12. Матрица корреляции переменных

	EFFSCORE	DEASCORE	FINLEV	FICA	CLNS	AGE	NPTA	FAOE	TRn	Segment	Share
	lnY	lnX1	lnX2	lnX3	lnX4	lnX5	lnX6	lnX7	lnX8	lnX9	lnX10
lnY	1.00
lnX1	0.08	1.00
lnX2	0.06	-0.18	1.00
lnX3	0.26	-0.27	-0.39	1.00
lnX4	0.32	-0.31	0.67	0.10	1.00
lnX5	-0.19	-0.12	-0.17	-0.14	-0.04	1.00
lnX6	0.81	0.27	0.30	-0.23	0.21	-0.27	1.00
lnX7	-0.11	-0.15	-0.30	-0.24	-0.13	0.53	-0.24	1.00
lnX8	0.14	0.01	0.07	-0.17	-0.04	0.13	0.17	0.23	1.00
lnX9	0.19	0.06	-0.09	0.15	0.02	0.03	0.06	0.03	0.12	1.00
lnX10	0.11	0.07	-0.02	-0.18	-0.08	0.15	0.14	0.27	0.93	0.11	1.00

Выявлена сильная связь между X2 и X4, Х5 и Х7, Х8 и Х10. Фиктивные переменные в последующий анализ включены в модели в виде натуральных чисел, чтобы не утратить их экономический смысл разбиения на группы, а также в виде логарифмов с целью приведения модели к единой функциональной форме зависимости.

Построим логарифмическую модель зависимости 7 факторов без фиктивных переменных. В Приложении 26 видно, что ВСЕ расчетные значения У меньше 1 почти на всей совокупности. Это объясняется тем, что при логарифмировании происходит преобразование в логнормальное распределение (+1). Расчетные значения при обратном переводе не увеличиваются на 1. Соответственно для сравнения необходимо брать ИСХОДНЫЕ значения У (в натуральном выражении) и конструировать линейно-логарифмическую модель:

Сводная информация по данной и последующим моделям отражена в Приложении 27. 0,94. По t-статистике значимы переменные Х3, Х4, Х6, Х7. По вкладу фактора Х6 (86%) и Х3 (12%), по значимости влияния (больше 1) - Х6, Х3, Х7. В конце массива в данной модели присутствуют выбросы. Поскольку фактическое значение F = 205 > F_kp =2,11, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно. Поскольку F < F_kp = 4,08, то гипотеза об отсутствии гетероскедастичности принимается. Поскольку оценка DW 1,5 > 1,38 < 2,5, то автокорреляция остатков присутствует.

При построении регрессионного уравнения следует отобрать факторы x₃ (FICA), x₄ (CLNS), x₆ (NPTA), x₇ (FAOE).Получаем модель:



0,939. По t-статистике значимы все переменные Х3, Х4, Х6, Х7. По вкладу фактора Х6 (86%) и Х3 (12%), по значимости влияния (больше 1) - Х6, Х3, Х7. Далее, оставим 2 фактора:

0,871 (значение сократилось на 7,2%) По t-статистике значимы Х3, Х6. Вернем в модель X7:

0,93 (снижение на 1,0%) По t-статистике значимы все факторы. Вклад Х6 = 88,9%, Х3 =12,5%, Х7=-1,4%. Добавим в данную модель фиктивную переменную - Х9

0,932 . По t-статистике значимы все факторы. Влияние Х9 существенно (почти равно 1). Вклад (%) Х6 = 89,0, Х3 =12,5, Х7=-1,4, Х9=0,4. Заменим Х9 на Х10.

Y=1,370179431+0,41590757*lnX3+0,954217653*lnX6+0,109791321*lnX7-0,005667513*X10

- 0,93 (снижение на 1,0%). По t-статистике значимы все факторы, кроме Х10. Влияние Х10 несущественно (меньше 1). Вклад (%) Х6 = 89,0, Х3 =12,5, Х7=-1,4, Х10=-0,12. фактор Х10 можно не учитывать (сама оценка фактора всего лишь 0,006, а диапазон значений фактора 1-6). Включим Х9 и Х10:



0,932 . По t-статистике значимы все факторы, кроме Х10. Влияние Х9 и Х10 несущественно (меньше 1). Вклад (%) Х6 = 89,0, Х3 =12,5, Х7=-1,4, Х9=1, Х10=-0,2. С точки зрения корректного объяснения вклада каждого из факторов, для оценки результатов SFA модели следует оставить следующую регрессию:

Данная модель значима статистически, качество уравнения улучшилось после логарифмирования, отсутствует гетероскедастичность. Но, в данной модели сохранилась проблема автокорреляции остатков и выбросы, лежащие за пределами допустимых значений зависимой переменной. Вероятно, что при расширении анализа на выборку с большим количеством наблюдений, необходимо внимательнее собирать данные методом случайного отбора, а затем удалять наблюдения с пропущенными значениями. Это позволит повысить репрезентативность выборки и удовлетворить теоретические предпосылки.

Сам набор показателей теоретически верен и согласован с экономическими реалиями. Добавление фиктивных переменных Segment и Share практически не меняет качество оценок регрессии для трёх факторов (вклад переменной Segment=0,4%, вклад переменной Share=-0,2%). Попытка включения в модель группировки по сегментам ритейла и по рыночной доле компаний (аналогично банковской сегментации в зависимости от годовой выручки) не повысила качество прогнозирования. Для дальнейших исследований необходимо искать иные формы представления (более изменчивые) данных факторов. Но, результаты эконометрического моделирования, тем не менее, позволили дать ответы на исследовательские вопросы.

Построенные регрессии в целом имеют апроксимацию на уровне 13-14% (при критическом значении ошибки апроксимации=8%), это означает, что такие модели в чистом виде не пригодны для прогноза и их допустимо использовать лишь в качестве дополнения к основной методологии. Так как регрессии в данной работе были необходимы для того, чтобы оценить вклад факторов и протестировать ряд гипотез конкретно для исходной выборки. В контексте данного исследования нет необходимости повышать уровень апроксимации и бороться с проблемой выбросов и автокорреляции.

В целом, по SFA оценкам и их включению в эконометрические модели, получаем следующие выводы:

- техническая эффективность розничных торговых компаний находится на низком уровне;

- масштаб бизнеса оказывает значимое влияние на кредитоспособность, но его вклад довольно низкий и не является существенным;

- определяющий набор факторов при оценивании кредитоспособности ритейла выглядит следующим образом: FICA, NPTA, FAOE;

- принадлежность к тому или иному сегменту торгового рынка не оказывает серьезного влияния на кредитоспособность;

- возраст компании и её опыт на торговом рынке не является индикатором кредитоспособности, так как построенные модели не выявили значимой формы зависимости оценок от данного параметра.

4.3 Анализ результатов, полученных по двум моделям

Рассмотрим результаты моделей в совокупности. Коэффициенты технической эффективности по построенной DEA модели получились значительно выше оценок, полученных из SFA модели. Это обосновывается тем фактом, что первая непараметрическая модель не имеет чёткой функциональной зависимости факторов и изучает результаты деятельности компаний в моменте. Схема ниже отражает отклонение выборки от эффективной границы (которая достижима лишь в том случае, если все компании будут абсолютно эффективны) (Приложение 28).

Коэффициенты технической эффективности по двум моделям слабо коррелируют между собой, так как относятся к группам принципиально разных методов и используют отличные друг от друга предпосылки (корреляция на уровне 0,108).

Для оценки значимости переменных DEA модели было выбрано следующее уравнение регрессии:

Для изучения значимости параметров, включенных в SFA модель, выбрана линейно-логарифмическая форма зависимости:

По DEA модели, формированию эффективных позиций в рассматриваемом периоде препятствовали низкие значения финансового рычага (7.96% всех потенциальных улучшений, низкая концентрация собственного капитала (21.29% всех улучшений) и низкая рентабельность продаж (63.12% от всех возможных улучшений). Что касается значимости переменных, то по SFA модели на 5% уровне значимы коэффициенты перед FICA,NPTA,FAOE, а по DEA модели - перед CLNS и AUTONOMY.

Гипотеза о низком уровне технической эффективности розничных торговых предприятий в период с 2011 по 2015 год подтвердилась. На рынке функционирует небольшое число компаний-лидеров, которые смогли остаться технически эффективными, несмотря на усиленную конкуренцию и неблагоприятную экономическую конъюнктуру. По DEA модели порядка 60-62% компаний были абсолютно эффективными по каждому отдельно взятому году. Но, всего лишь 33,3% предприятий были абсолютно эффективными на всём рассматриваемом временном интервале. Конструирование SFA модели не выявило компаний с предельным значением технической эффективности, равным 1.

По модели SFA, средняя техническая эффективность составила 0.411, по модели DEA - 0.889. В выборке присутствует крайне мало компаний с критическим уровнем неэффективности ниже 0.3. С учётом того, что модель SFA оказалась более надёжной (), вывод о неэффективности более приближен к реальности. DEA модель в среднем дала результат более чем два раза выше результата SFA модели, так как в выборке присутствуют преимущественно крупные ритейлеры, а оценки технической эффективности получены внутри замкнутого ряда предприятий, и их результаты нельзя распространять на неохваченные исследованием компании.

Техническая эффективность по DEA модели отрицательно коррелирует с объёмом выручки компаний розничной торговли (-0.038), это может быть связано с тем, что модель ориентирована на оптимизацию затрат при заданном фиксированном выпуске. Техническая эффективность по SFA модели положительно зависит от выручки компаний (наблюдается корреляция на уровне 0.085). Прослеживается слабая взаимосвязь, так как целевая зависимая переменная модели - рентабельность активов, уже учитывает соотношение выручки и объёма активов компаний. Включенная в SFA модель фиктивная переменная Share, отражающая долю компании на рынке в зависимости от выручки (по аналогии с банковской сегментацией на лидеров, ведущих игроков, участников рынка и нишевых игроков) оказалась незначимой

Самые низкие результаты показали две группы ритейлеров - торговля одеждой и электроникой. Это может быть связано со спецификой работы таких компаний и колебаниями спроса на продукцию в период турбулентности экономики. Но, регресионный анализ показал незначимость фиктивной переменной Segment в оценке технической эффективности отрасли розничной торговли, в связи с чем данный вывод применим лишь к замкнутому набору из 111 ритейлеров, включеных в анализ.

Большинство компаний ритейла, несмотря на высокие операционные результаты, неэффективны с точки зрения вовлекаемых ресурсов, которые также оказывают значимое влияние на результаты деятельности. Схема в Приложении 29 подтверждает данную гипотезу, так как, несмотря на большой объём выручки и чистой прибыли ритейлеров, их финансовые коэффициенты и значения технической эффективности неоптимальны с точки зрения их экономического смысла.

Гипотеза о том, что возраст компании, выраженный через количество лет её присутствия на рынке, значимо влияет на техническую эффективность в сравнении с другими предприятиями, не подтвердилась, так как коэффициент перед объясняющей переменной AGE статистически незначим и близок к нулю.

Итак, SFA модель позволяет изучить состояние всего рынка розничной торговли и сформулировать общие предположения относительно кредитоспособности, так как параметры рассматриваются абстрагировано от конкретных компаний, а функциональная форма имеет обобщённый вид, который не учитывает специфику производственного процесса той или иной «бизнес-единицы». Модель подходит для формулирования общих выводов о финансовом состоянии отрасли и выявления основной тенденции поведения игроков. В случае кредитоспособности, модель показывает в целом, насколько банкам может быть рискованно выдавать кредиты предприятиям, деятельность которых связана с ритейлом и есть ли в принципе возможность у таких компаний получать финансирование от кредитных организаций. Модель согласована с логикой кредитного анализа банков, так как в нём изучается исторический период и смотрится динамика, на основании которой делается общий вывод.

DEA - модель приближена к реалиям рынка в том ключе, что банки проводят точечный анализ кредитоспособности отдельных компаний, сравнивая их также и с ближайшими конкурентами. Переговоры с корпоративными клиентами могут длиться несколько лет и сопровождаться несколькими отказами в финансировании, пока кредитный рейтинг не поднимется выше критической отметки, поэтому, получение оценок технической эффективности DEA модели, которые отразили кредитоспособность ритейлеров за каждый год в отдельности, позволяет отследить динамику и потенциал компаний. Особенно это актуально во времена экономической турбулентности, наличия внешних шоков, которые сопровождаются стагнацией российской экономики - именно эти проблемы обуславливают падение эффективности розничных торговых компаний и необходимость принятия мер по её повышению.

Так как в данной работе проведена апробация методов на предприятиях розничной торговли, в двух моделях была взята одинаковая выборка для сравнения полученных результатов. При формировании выборки было применено ограничение по выручке предприятий, чтобы повысить качество результатов DEA модели (в анализе были получены оценки наиболее значимых рыночных игроков, которые представлены в нескольких регионах страны). Но, данный отбор в итоге оказал влияние на SFA оценки - они получились недостаточно надёжными ввиду вмешательства ручного отбора компаний. В целом, при дальнейшем проведении расширенного анализа, необходимо использовать принципиально разный подход к формированию выборки:

1. для DEA модели необходимо брать ближайших конкурентов и изначально делить компании на торговые сегменты, чтобы понимать градацию оценок внутри отрасли - это позволяет повысить точность результатов;

2. для SFA модели необходимо расширить выборку и включать в неё компании разного масштаба бизнеса - это позволит провести аппроксимацию результатов на рынок в целом.

Исследование направлений повышения эффективности розничных торговых предприятий в современной быстро меняющейся конъюнктуре рынка предполагает необходимость внесения инноваций и новизны. Для этого, были построены такие модели, которые отличаются от предыдущих работ, но не уступают им в точности.

ЗАКЛЮЧЕНИЕ

В магистерской диссертации произведено комплексное исследование технической эффективности компаний розничной торговли с помощью инструментов непараметрической модели оболочечного анализа данных и параметрической модели анализа стохастической границы. Техническая эффективность рассматривается в работе через набор параметров, оказывающих влияние на кредитоспособность торговых предприятий.

Измерение технической эффективности дало возможность изучить кредитоспособность предприятий, их финансовое состояние и перспективы получения финансирования на развитие бизнеса.

Эмпирический анализ, основанный на математическом моделировании, позволил:

- выделить абсолютно эффективные компании среди ритейлеров, имеющих весомую долю на рынке (годовая выручка которых превышает 500 млн. руб.);

- выявить основные тренды на пятилетнем временном интервале (ретроспективный анализ проводился в период с 2011 по 2015 год);

- провести комбинированный анализ и получить оценки технической эффективности на базе DEA и SFA моделей;

- раскрыть потенциальные направления улучшения результатов и отразить слабые стороны деятельности компаний;

- оценить вклад параметров «затрат» и «выпуска», выраженных в основных финансовых показателях, которые оцениваются коммерческими банками при рассмотрении возможности финансирования той или иной организации;

- сформировать набор переменных, которые вносят статистически значимый вклад в конечное значение коэффициентов технической эффективности;

- проанализировать применимость моделей для изучения кредитоспособности ритейлеров;

- сделать выводы о специфике набора параметров, от которых зависит кредитоспособность отрасли с учётом дополнительных факторов, влияющих на кредитоспособность компаний рассматриваемого рынка.

Для интерполяции процесса рассмотрения банком розничного торгового предприятия в разрезе финансовых показателей, потенциально влияющих на кредитоспособность, методология анализа содержит комплекс параметров, трактовка которых максимально приближена к первичному банковскому анализу кредитоспособности заемщика.

Так, в DEA модель включены несколько финансовых индикаторов «затрат» (финансовый леверидж, соотношение текущих обязательств и выручки компании, относительная величина собственных средств и коэффициент закрепления оборотных активов) и выпуска (коэффициент автономии, чистая норма прибыли, показатель обеспеченности собственными оборотными активами).

В SFA модели в качестве зависимой переменной включена рентабельность активов, а объясняющими переменными выступили параметры «затрат», аналогичные модели DEA.

Проведённое исследование подтвердило тезис о том, что компании ритейла в России недостаточно эффективны ввиду экономических, социальных, политических, структурных и законодательных преобразований, но имеют потенциал к повышению результативности бизнеса в долгосрочной перспективе.

Низкая техническая эффективность препятствует получению финансирования, так как в среднем, данный показатель по выборке составил 0.89 по DEA модели и 0.41 по SFA модели (при идеальной для компании ситуации коэффициент должен равняться единице). Являясь непараметрическим методом анализа, результаты дополнительно были оценены линейной регрессионной моделью, но она смогла объяснить лишь 23,8% колебаний зависимой переменной - коэффициента технической эффективности. Расчетное уравнение регрессии можно считать статистически надежным, несмотря на наличие мультиколлинеарности, гетероскедастичности и автокорреляции остатков.

Результаты DEA модели отразили ситуацию с кредитоспособностью в розничной торговле на 5-летнем временном интервале, позволили оценить динамику и долю неоптимальных значений каждого параметра. Формированию эффективных позиций в рассматриваемом периоде препятствовали низкие значения финансового рычага (7.96% всех потенциальных улучшений, низкая концентрация собственного капитала (21.29% всех улучшений) и низкая рентабельность продаж (63.12% от всех возможных улучшений).

Построенная SFA модель позволила на основании выборки оценить среднее значение технической эффективности розничной торговли с использованием панельных данных в транслог модели, тест отношения правдоподобия которой показал статистическую значимость модели. По линейной регрессии с логарифмами объясняющих переменных получен вывод о том, что масштаб бизнеса оказывает значимое влияние на кредитоспособность, но его вклад довольно низкий и не является существенным. Не оказывает значимого влияния также и опыт компании на рынке (выраженный в количестве лет, прошедших с момента регистрации юридического лица). Принадлежность к тому или иному сегменту торгового рынка не оказывает серьезного влияния на кредитоспособность, соответственно, товарный ряд, предлагаемый ритейлером и спрос конечного потребителя незначимо влияет на техническую эффективность.

В линейно-логарифмической модели решена проблема гетероскедастичности, но выявлена автокорреляция остатков. Тем не менее, она позволила объяснить 93,2% колебаний зависимой переменной. Набор переменных, внёсших значимый вклад в оценку технической эффективности по SFA модели (FICA,NPTA,FAOE) несколько отличается от набора DEA модели (CLNS, AUTONOMY). Это объясняется различием в подходах и спецификациях моделей. Обобщая результаты, можно сказать о том, что для формирования устойчивых позиций на рынке, ритейлерам необходимо:

- решать проблему некачественного управления активами (ввиду выявленной низкой рентабельности продаж);

- пополнять объём собственных средств для покрытия рисков и финансирования обязательств (была выявлена проблема недостаточной автономии собственного капитала, часть которого уже вовлечена в покрытие кредиторской задолженности);

- наращивать обороты бизнеса при наличии заёмных средств (так как текущие обязательства занимают большую долю выручки компаний);

- снижать удельный вес иммобилизованных средств в собственном капитале (так как для покрытия большого объёма внеоборотных активов ритейлерам недостаточно собственных средств);

- сократить период реализации оборотных активов сроком до 1 года, так как они сдерживают возможность компании успешно расплатиться по заёмным обязательствам (показатель закрепления оборотных активов по выборке довольно высокий).

Обеспеченность собственными оборотными активами не оказывает влияния на кредитоспособность ритейлеров ввиду сильной корреляционной связи с такими параметрами, как рентабельность продаж и коэффициент закрепления оборотных активов.

В работе подтверждена практическая применимость выбранных инструментов исследования для анализа кредитоспособности компаний розничной торговли. С учётом специфики выбранного инструментария, можно сделать вывод о том, что непараметрический анализ подходит для изучения точечного сегмента рынка (небольшого набора компаний) в динамике и сравнительного анализа бизнес-единиц с целью изучения того, насколько положение дел компании лучше в сравнении с конкурентами. Параметрический анализ раскрывает центральную тенденцию технической эффективности на рынке ритейлеров и даёт агрегированный индекс для предсказания ситуации в отрасли в целом.

Сущность делового взаимодействия в торговле заключается в том, что конечные бенефициары стремятся получить большую прибыль наряду с оптимизацией или сокращением вовлечённых ресурсов. Построение моделей анализа технической эффективности позволило приблизить исследование к данным реалиям. Кроме того, в России представлено разнообразие компаний ритейла, а параметрические и непараметрические модели позволяют унифицировать анализ и адаптировать его под разный масштаб экономической деятельности того или иного предприятия, что позволяет сделать результаты построенных моделей максимально точными, что особенно актуально достичь для такой крупной индустрии.

Под влиянием внешних факторов и ввиду ухудшившейся ситуации в российской экономике, компаниям розничной торговли необходимо уделить особое внимание менеджменту ресурсов и их перераспределению, так как они заложены в финансовые показатели, определяющие кредитоспособность ритейлеров. Так, для того чтобы достичь существующих результатов или добиться повышения показателей, организациям, работающим в сегменте ритейла, следует улучшать эффективность внутренних бизнес-процессов, оптимизируя вложения в развитие бизнеса и сокращая затраты на ведение операционной деятельности. Данная работа являет собой один из способов анализа эффективности работы компаний с точки зрения кредитоспособности и качества управления имеющимися ресурсами.

Подтверждённая возможность использования моделей для изучения кредитоспособности - важный результат для совершенствования процессов работы коммерческих банков. Ввиду того, что на стабильность банка влияние оказывает в главной степени его кредитная политика, важно уметь максимально точно и грамотно анализировать рынок компаний, делая ставку на расширение клиентской базы, привлекая компании тех или иных перспективных отраслей. Так как в современном обществе двигателем прогресса являются информационные технологии и анализ больших данных, параметрические и непараметрические модели, позволяющие изучать большие массивы наблюдений (включая панельные данные), могут стать перспективным методом формирования банками стратегии укрепления своих позиций на рынке. Моделирование и получение оценок технической эффективности - универсальная методология, но, тем не менее, в ней можно сочетать индивидуальные характеристики, значимые для тех или иных кредитных организаций ввиду специфики бизнеса (банки с иностранным, государственным капиталом, каптивные банки, региональные и т.д.).

СПИСОК ЛИТЕРАТУРЫ

1. Потребительский рынок России: итоги 2014 года, перспективы на 2015 год: Ежегодный Доклад Торгово-Промышленной Палаты Российской Федерации и Комитета по развитию потребительского рынка // [электронный ресурс] - URL: http://tpprf.ru/ru/interaction/committee/komtorg/materials/ (Дата обращения: 17.11.2016).

2. Багомедов С. Г. Методические основы повышения эффективности функционирования предприятий розничной торговли в современных условиях: автореф. Дис. На соиск. уч. Степени / Дагестанский государственный технический университет. - Махачкала. - 2010. - 25 с.

3. Бахтин К. В. Оценка и сравнение технической эффективности российских промышленных и торговых компаний. / Препринт. - М.: Российская Экономическая Школа. - 2009. - 42 с.

4. Блинова А.О. Анализ Эффективности Коммерческих Банков В России: Бакалаврская Работа / НИУ ВШЭ. - СПБ. - 2015. - 107 с.

5. Галькова В. О. Развитие управленческого анализа в торговых организациях: автореф. Дис. На соиск. уч. Степени / Ростовский государственный экономический университет. - Ростов-на-Дону. - 2013. - 27 с.

6. Калинов С. И. Современные тенденции развития сетевого ритейла в России и за рубежом. / Всероссийский журнал научных публикаций. - 2012. - № 2(12). - с. 24-28.

7. Королева О.В. Особенности Становления И Развития Сетевой Торговли В России / Современная экономика: проблемы и решения. - 2011. - № 6(18). - с. 30-38.

8. Радаев В. В. Экономико-социологический анализ влияния изменений в системе налогообложения на поведение компаний на товарных рынках России: научный доклад / НИУ ВШЭ, ЛЭСИ. -- М.: Изд. дом Высшей школы экономики, 2014. -- 121 с.

9. Aigner, D.J., Lovell, C.A.K., Schmidt, P. Formulation and Estimation of Stochastic Frontier Production Function Models // Journal of Economics. - 1977. - Vol. 6. - p. 21-37.

10. Aigner, D.J., Chu, S.F. On Estimating the Industry Production Function // American Economic Review. - 1968. - Vol. 58. - p. 826-839.

11. Assaf, A., Barros, C., & Sellers-Rubio, R. Efficiency determinants in retail stores: a Bayesian framework. // Omega. - 2011. - Vol. 39(3). - P. 283-292.

12. Banker, R., Charnes, A., & Cooper, W. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. // Management Science. - 1984. - Vol. 30(9). - P. 1078-1092.

13. Battese, G.E., Coelli, T.J. A Model for Technical Efficiency Effects in a Stochastic Frontier Production Function for Panel Data // Empirical Economics. - 1995. - Vol. 20. - p. 325-332.

14. Beriha, G.,Patnaik,B.,Mahapatra,S. Safety performance evaluation of Indian organizations using data envelopment analysis. // Benchmarking: Int. J. - 1996. - Vol. 18(2). - P. 197-220.

15. Charnes, A., W.W. Cooper and E. Rhodes. Measuring efficiency of decision making units. // European Journal of Operational Research. - 1978. - Vol. 2. - P. 429 - 444.

16. Coelli T.J. A guide to DEAP Version 2.1: Data Envelopment Analysis (computer) program. // CEPA Working Paper. - 1996. - Vol. 96/08. - 384 P.

17. Coell Nimothy J., Rao D. S. Prasada., O'Donell Christopher J., Battese George E. An Introduction to Efficiency and Productivity Analysis. 2nd edition. // Springer Science + Business Media, Inc. - 2005. - 327 P.

18. Cooper, W. W., Seiford, L. M. and Tone, K. Data envelopment analysis: A comprehensive text with models, applications, references and DEA-solver software (Second edition). // Springer. -1996. - Vol. 5. - 513 P.

19. Cornwell, C., Schmidt, P., Sickles, R.C. Production Frontiers with Cross-Sectional and Time-Series Variation in Efficiency Levels // Journal of Econometrics. - 1990. - Vol. 46. - p. 185-200.

20. Debreu G. The coefficient of resource utilization. // Econometrica. - 1951. - Vol. 19. - P. 273-292.

21. Farrell, M. The Measurement of Productive Efficiency. // Journal of the Royal Statistical Society A, General. - 1957. - Vol. 120. - P. 253-281.

22. Hokkanen Topi. Estimating technical efficiency in Finnish industry: A stochastic frontier approach // Department of Economics Aalto University School of Business. - 2014. - 100 p.

23. Horrace, W. & Schmidt, P. Confidence statements for efficiency estimates from stochastic frontier models. // Journal of Productivity Analysis. - 1996. - Vol. 7(2-3). - p.257-282.

24. Huang, C.J., Liu, J.-T. Estimation of a Non-Neutral Stochastic Frontier Production Function // Journal of Productivity Analysis. - 1994. - Vol. 5. - p. 171-180.

25. Hwang, R., Siao, J., Chung, H. and Chu, C. Assessing bankruptcy prediction models via information content of technical inefficiency. // Journal of Productivity Analysis. - 2011. - Vol. 36(3). - p.263-273.

26. Jiang, P., & Balasubramanian, S. An empirical comparison of market efficiency: Electronic marketplaces vs. traditional retail formats. // Electronic Commerce Research And Applications. - 2014. - Vol. 13(2). - P. 98-109.

27. Koopmans, T.C. Analysis of production as an efficient combination of activities. //Act. Anal. Prod. Alloc. - 1951. - Vol. 13. - P. 33-37.

28. Kumbhakar, S.C. Production Frontiers, Panel Data and Time-Varying Technical Inefficiency // Journal of Econometrics. - 1990. - Vol. 46. - p. 201-212.

29. Kwok H. L. Measuring distribution efficiency of a retail network through data envelopment analysis // Int. J.ProductionEconomics. - 2013. - Vol. 146. - p. 598-611.

30. Lau, K. Measuring distribution efficiency of a retail network through data envelopment analysis. // International Journal Of Production Economics. - 2013. - Vol. 146(2). - P. 598-611.

31. Leibenstein, H. Allocative Efficiency vs. X-Efficiency // The American Economic Review. - 1966. - Vol. 56 (3). - p. 392-415.

32. Lockley, L. A Measure of Retail Efficiency. // Journal of Marketing. - 1951. - Vol. 15(4). - P.482.

33. Lu, W., & Hung, S. Exploring the efficiency and effectiveness in global e-retailing companies. // Computers & Operations Research. - 2011. - Vol. 38(9). - P. 1351-1360.

34. Manuel Xavier, J., Ferreira Moutinho, V., & Carrizo Moreira, A. An empirical examination of performance in the clothing retailing industry: A case study. // Journal Of Retailing And Consumer Services. - 2015. - Vol. 25. - P. 96-105.

35. Medina-Borja, A., Pasupathy, K. and Triantis, K. Large-scale data envelopment analysis (DEA) implementation: a strategic performance management approach. // J Oper Res Soc. - 2006. - Vol. 58(8). - P.1084-1098.

36. Meeusen, W. van Den Broeck, J. Efficiency Estimation from Cobb-Douglas Production Functions with Composed Error // International Economic Review. - 1977. - Vol. 18. - p. 435-444.

37. Mishra, R. Benchmarking Scheme for Retail Stores Efficiency. // IJMS. - 2009. - Vol. 1(2). - P. 38-47.

38. Parmeter, C. Efficiency Analysis: A Primer on Recent Advances. // Foundations and Trends® in Econometrics. - 2014. - Vol. 7(3-4). - p.191-385.

39. Pestana Barros, C. Efficiency measurement among hypermarkets and supermarkets and the identification of the efficiency drivers. // Intl J Of Retail & Distrib Mgt. - 2006. - Vol. 34(2). - p. 135-154.

40. Pitt, M.M., Lee, L.F. The Measurement and Sources of Technical Inefficiency in the Indonesian Weaving Industry // Journal of Development Economics. - 1981. - Vol. 9. - p. 43-64.

ПРИЛОЖЕНИЯ

Цикличность развития розничной торговли

Динамика роста ВВП в сопоставимых ценах 2008 года, % от предыдущего периода

Общий производственный процесс предприятия

Типовые производственные функции в анализе технической эффективности

Линейные
Функции Кобба-Дугласа
Квадратические функции
Нормальные квадратические функции
Транслог-функции
Обобщенные функции Леонтьева
Функции постоянной эластичности замещения

Группы методов оценки технической эффективности

Параметрические	Непараметрические
1. Stochastic Frontier Approach (метод стохастической производственной границы); 2. Distribution Free Approach (метод без спецификации распределения); 3. Thick Frontier Approach (метод широкой границы).	1. Data Envelopment Analysis (метод оболочечного анализа данных, или анализ среды функционирования); 2. Метод свободной оболочки - Free Disposal Hull (как частный случай метода оболочечного анализа данных).

Типы финансирования

Lending Revolving/ Финансирование на возобновляемой основе	Финансирование на возобновляемой основе: овердрафты и краткосрочные (до 3-х лет) кредиты и кредитные линии
Lending/ Финансирование	Финансирование на невозобновляемой основе, погашенные суммы не могут быть использованы снова
Guarantees Revolving/ Возобновляемый гарантийный Лимит	Возобновляемый лимит на предоставление гарантий для обеспечения кредитных обязательств
Guarantees/ Гарантии	Невозобновляемый лимит на предоставление гарантий для обеспечения кредитных обязательств
Leasing Revolving/ Лизинг на возобновляемой основе	Лимит на возобновляемой основе на финансирование сделок лизинга
Leasing/ Лизинг - Лимит на невозобновляемой основе	Лимит для финансирования разовой лизинговой сделки
Contingencies/ Условные обязательства	Лимит (возобновляемый или невозобновляемый) для всех типов условных обязательств (банковские гарантии, аккредитивы и т.п.)
Finance Underwriting/ Финансовый Андеррайтинг	Лимит на облигационную позицию первичного размещения
Secondary Credit Risk/ Лимиты вторичного кредитного риска	Лимит, устанавливаемый на клиента, по которому Банк не несет первичного кредитного риска, но такой риск может возникнуть по причине структуры отдельно взятых сделок или продуктов.

Шаблон кредитной заявки

Кредитный продукт	Наиболее частые запросы от компаний поступают на следующие типы финансирования: - Возобновляемая кредитная линия (пополнение оборотных средств) - Невозобновляемая кредитная линия (инвестиционные цели) - Овердрафт (покрытие кассовых разрывов) - Гарантии / аккредитивы (обеспечение обязательств клиента по контрактам) - Лимты казначейства (операции с валютой, деривативный лимит - обязательство клиента купить в будущем валюту по курсу установленному на момент договора)
Сумма (лимит)	Зависит от финансового положения Компании
Срок, мес.	Зависит от финансового положения Компании
Процентная ставка, год	Зависит от финансового положения Компании
Обеспечение	Зависит от финансового положения Компании
Порядок выдачи кредита	Согласно графику предоставления кредита или по запросу клиента
Порядок погашения	График погашения основного долга, процентов
Источники погашения	Собственные средства
Прочие условия	Возможность досрочного погашения и т.д.

Типы кредитного рейтинга компаний в зависимости от вероятности банкротства и взвешенности активов по риску

Corporate
Rating	PD	RW
1C	0.030%	15.310%
2A	0.035%	16.909%
2B	0.048%	20.327%
2C	0.065%	24.377%
3A	0.089%	29.367%
3B	0.120%	34.936%
3C	0.163%	41.622%
4A	0.222%	49.176%
4B	0.300%	57.674%
4C	0.406%	66.962%
5A	0.552%	77.109%
5B	0.747%	87.622%
5C	1.013%	98.324%
6A	1.372%	108.866%
6B	1.862%	119.309%
6C	2.528%	129.875%
7A	3.425%	141.334%
7B	4.622%	154.798%
7C	6.251%	171.705%
8A	8.452%	192.157%
8B	11.383%	214.515%
8C	15.561%	237.351%
9A	21.169%	255.288%
9B	28.726%	263.677%
9C	43.309%	247.803%
10	100.000%	0.000%
UNRATED	28.726%	263.677%

Обзор возможных параметров моделей в зависимости от целей исследования

Ресурс	Тип переменной	Переменная
Параметры затрат
Труд	Денежная (количественная)	Зарплата (ФОТ) Затраты на промо-акции Средний уровень зарплаты на одного работника
	Физическая	Количество сотрудников на полную ставку Количество человеко-часов Число сотрудников на единицу торговой площади Соотношение сотрудников на полной и неполной ставке Количество менеджеров
Капитал	Денежная (количественная)	Арендная плата Операционные расходы Расходы на маркетинг Суммарные издержки Инвестиции в активы Ценность активов Имущество компании
	Физическая	Торговая площадь
ICT (технологии)	Денежная (количественная)	Инвестиции в технологии
	Физическая	Количество техники (например, факсов, принтеров, терминалов, сканнеров)
Среда функционирования	Фиктивная	Расположение магазина (внутри торгового центра или нет)
	Качественная	Потенциал экономического роста в данной зоне Число домохозяйств Доходы домохозяйств Количество населения вблизи магазина
Опыт	Физическая	Возраст фирмы/магазина Давность контрактов с работниками Количество точек продаж
Параметры выпуска
Качество менеджмента и финансовый результат деятельности	Денежная (количественная)	Добавленная ценность Выручка (объём продаж) Рыночная стоимость Валовая прибыль Доход с одной акции Издержки Чистая прибыль Операционный результат
Бенчмаркинг и конкурентоспособность	Качественная (предпочтения потребителей)	Степень удовлетворённости потребителей

Анализ технической эффективности с точки зрения кредитоспособности и надёжности компании для финансирования

Параметр	Пояснение	Формула	Обозначение
Затраты
Финансовый леверидж	Соотношение заёмного и собственного капитала. С точки зрения кредитора, наиболее предпочтительной является ситуация, когда компания способна финансировать долг из собственных источников.	D/E=Debt/Equity	FINLEV
Показатель возможности генерировать денежный доход и оплачивать обязательства перед кредиторами	Соотношение текущих обязательств и выручки компании	CL/NS = Current liabilities / Net sales	CLNS
Относительная величина собственных средств	Отношение основных средств (внеоборотных активов) к собственному капиталу и резервам. В идеальной ситуации данное соотношение стремится к единице.	FA/OE=fixed assets / owners' equity.	FAOE
Показатель закрепления оборотных активов	Оценивает возможность и способность компании расплатиться по заемным средствам. Чем быстрее могут быть реализованы активы сроком до 1 года, тем более надежным заемщиком выступает компания.	Fixation of current assets= current assets/Net sales	FICA
Выпуск
Коэффициент концентрации собственного капитала (автономии)	соотношение собственного капитала к совокупным активам. Отражает меру риска основанную на объемах, которые могут быть профинансированы за счёт собственных средств equity - инвестированный и накопленный капитал	OE/TA=Equity / Total assets	AUTONOMY
Чистая норма прибыли	Чем выше рентабельность продаж, тем компании становится легче расплатиться по текущим обязательствам. Рентабельность продаж отражает, какую долю составляет чистая прибыль в общем объеме вырученных компанией средств. Данный показатель позволяет оценить ценовую политику и проследить объём издержек в структуре баланса.	ROS=Net profit/total sales	ROS
Показатель обеспеченности собственными оборотными активами	Чем выше данный показатель, тем большим запасом финансовой прочности обладает компания	Own funds ratio= (Equity-fixed assets)/current assets	OFR
Рентабельность продаж	Основной критерий качества управления активами	Performance of total assets=EBIT/total assets	NPTA

Схема производственного процесса компаний розничной торговли

Коэффициенты технической эффективности по DEA модели

	Input-Oriented CRS Efficiency
Company/Year	2011	2012	2013	2014	2015
GASTRONOM NOVYJ	0.121	0.287	0.252	0.311	0.467
PESHEHOD , LTD	0.298	0.291	1.000	0.314	0.711
GORODSKOI SUPERMARKET	0.354	0.627	0.576	0.255	0.477
JUVELIRTORG	0.355	0.298	0.621	0.371	0.316
STANDART	0.460	0.534	0.477	0.585	0.617
SPORTMASTER LTD.	0.467	1.000	0.977	0.937	0.873
Gruppa kompanii TSS	0.482	1.000	1.000	1.000	1.000
JOINT STOCK VENTURE TSUM TRADING HOUSE	0.525	1.000	0.465	0.371	0.438
TEHNOPOLIS 1 TOV	0.552	0.619	1.000	1.000	1.000
EKONOM	0.562	0.612	0.675	0.727	1.000
JOINT STOCK COMPANY ADEPT	0.650	0.685	0.623	0.505	1.000
NOVOZYBKOVSKOE RAIONNOE POTREBITELSKOE OBSHCHESTVO	0.651	0.779	0.840	0.524	0.532
FAMILY LEISURE CLUB BOOK CLUB DP	0.652	0.615	0.716	0.624	0.431
DOMODEDOVSKOE RAIONNOE POTREBITELSKOE OBSHCHESTVO	0.666	1.000	1.000	0.966	1.000
AKTSIONERNOE OBSHCHESTVO KURGANFARMATSIYA	0.671	0.657	0.573	0.655	0.486
STUPINSKOE RAIONNOE POTREBITELSKOE OBSHCHESTVO	0.697	0.511	0.832	0.832	1.000
LIMITED LIABILITY COMPANY PSKOVNEFTEPRODUCT.	0.718	0.663	0.615	0.847	1.000
CHIP & DIP	0.724	0.702	0.712	0.512	0.695
AROMALUXE CO. LTD.	0.751	1.000	1.000	1.000	1.000
KLINSKOE RAIONNOE POTREBITELSKOE OBSHCHESTVO	0.777	0.878	1.000	0.473	0.799
SUPER-BRIDER	0.823	1.000	1.000	0.810	1.000
TYUMEN-OIL	0.832	0.548	0.958	1.000	1.000
POCHINKOVSKOE RAIONNOE POTREBITELSKOE OBSHCHESTVO	0.833	0.789	0.748	0.845	0.897
AKTSIONERNOE OBSHCHESTVO RN-Moscow	0.837	0.861	1.000	1.000	0.898
KAPO DUTY FREE	0.841	1.000	1.000	1.000	1.000
AKTSIONERNOE OBSHCHESTVO SAMARANEFTEPRODUKT	0.851	0.797	0.939	1.000	1.000
SUNRISE	0.858	0.861	0.589	0.639	0.515
JOINT STOCK COMPANY ALMAZ	0.882	1.000	0.968	1.000	1.000
IPC-KAMCHATNEFTEPRODUCT JSC	0.884	1.000	0.743	0.924	1.000
OTKRYTOE AKTSIONERNOE OBSHCHESTVO BOLSHOI GOSTINYI DVOR	0.885	0.881	0.917	0.645	0.636
UKR MEDMARKET FIRMA PP	0.888	0.992	0.987	1.000	1.000
ALIKOVSKOE RAIONNOE POTREBITELSKOE OBSHCHESTVO CHUVASHPOTREBSOYUZA	0.896	1.000	1.000	1.000	0.974
OTKRYTOE AKTSIONERNOE OBSHCHESTVO ROSPECHAT KRASNODARSKOGO KRAYA

Подобные документы

• Стимулирование сбыта в торговой сети "Мария-Ра" в условиях экономического кризиса

  Изучение понятия розничной торговли. Тенденции развития и перспективы продуктового ритейла в России. Методы стимулирования сбыта в розничной торговле. Состояние рынка продуктового ритейла г. Барнаула. Разработка и продвижение собственной торговой марки.
  
  дипломная работа [532,1 K], добавлен 09.09.2010
  

• Особенности изменения торговых форматов розничных торговых предприятий

  Особенности российского ритейла. Классификация форматов магазинов розничной торговли. Характеристики крупнейших по обороту гипер- и супермаркетов, дискаунтеров РФ. Присутствие иностранных ритейлеров в России. Перспективы развития розничного рынка страны.
  
  курсовая работа [46,9 K], добавлен 16.03.2015
  

• Принципы и механизмы работы предприятия розничной торговли

  Особенности развития современного рынка продовольственных товаров и особенности современного продовольственного ритейла. Торгово-технологический процесс на розничных торговых предприятиях. Организационно-экономическая деятельность ООО "Агроторг".
  
  дипломная работа [2,4 M], добавлен 11.06.2011
  

• Структура и объем розничного товарооборота в России

  Понятие розничной торговли, система показателей. Методика статистического анализа розничной торговли. Анализ структуры розничной торговли в России. Прогнозирование величины оборота розничной торговли. Продвижение товара от производителя к потребителю.
  
  курсовая работа [146,2 K], добавлен 05.12.2014
  

• Особенности развития оптовой и розничной торговли в России

  Сущность и формы розничной торговли. Понятие оптовой торговли, виды предприятий, анализ ее состояния в России; недостатки и мероприятия по их устранению. Ритейл, новые тенденции; развитие противоположностей: дискаунтеры и торговля предметами роскоши.
  
  курсовая работа [1,1 M], добавлен 12.05.2011
  

• Организация розничной торговли овощами и фруктами

  Теоретические основы развития отрасли розничной торговли. Показатели эффективности деятельности предприятий, анализ состояния эффективности их функционирования и состояния отрасли торговли. Особенности организации розничной торговли овощами и фруктами.
  
  курсовая работа [111,7 K], добавлен 05.08.2012
  

• Продуктовый ритейл в России на примере продуктового магазина "60 метров от метро"

  Зарождение и перспективы продуктового ритейла. Сущность концепции маркетинга 4р. Расчет основных финансово-экономических показателей деятельности мелкорозничного продуктового магазина с целью оценки рентабельности, окупаемости и доходности бизнеса.
  
  курсовая работа [37,1 K], добавлен 14.04.2014
  

• Технологии сенсорного маркетинга и их влияние на потребителей в ритейле

  Современные тренды развития маркетинга: от традиционного к сенсорному. Исследование цвета и его влияния на человека. Внедрение комплекса сенсорного маркетинга (запах, звук, цвет) для ритейла в салоне "Full House", оценка эффективности применения.
  
  дипломная работа [4,7 M], добавлен 07.01.2016
  

• Социально-экономическая структура рынка крепкого алкоголя в России

  Современные социологические теоретико-методологические подходы к изучению структуры современного рынка. Анализ состояния рынка крепкого алкоголя в России на сегодняшний день. Роль государства в его регулировании. Оценка доли неформального сектора.
  
  дипломная работа [1,6 M], добавлен 08.07.2014
  

• Анализ и оценка экономической эффективности деятельности торгового предприятия ООО "Ак Барс Торг"

  Сущность розничной торговли в рыночных условиях. Функционирование розничной торговли. Анализ торгово-технологического процесса на торговом предприятии. Проблемы и факторы снижения эффективности торгового предприятия на примере ООО "Ак Барс Торг".
  
  дипломная работа [138,4 K], добавлен 16.02.2013
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам