Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Исследования мировой науки новые подходы и актуальные вопросы. Ч. VI. Монография
.pdf
CLIPSelf превосходит показатели по метрикам оригинальные модели при приме-
нении к обнаружению объектов из открытого словаря и сегментации изображения. Кроме того, исследователи проверяют перспективную применимость
CLIPSelf, исследуя локальные окна внимания за пределами простого ViT и реализуя CLIPSelf на веб-данных (CC3M). CLIPSelf служит простым, но эффективным решением для улучшения плотного
шающее значение для задач предсказания плотности открытого словаря.
Преимуществами модели являются:
– Мультимодальное обучение: CLIPSelf обучает модель на основе данных
изображений и текста, что позволяет ей понимать их взаимосвязь и контекст.
– Применимость к различным задачам: После предварительного обучения
CLIPSelf модель может быть успешно применена
как классификация изображений, поиск изображений по запросу или обнаружение объектов.
– Улучшенное обобщение: Благодаря контрастному обучению CLIPSelf
модель может обобщать на новые данные и сценарии, что делает ее более универсальной и применимой к разнообразным ситуациям.
– Не требует размеченных данных: Поскольку CLIPSelf использует метод
контрастного
ных для обучения, что снижает затраты на создание обучающего набора данных.
К недостаткам относятся:
– Вычислительная сложность: Обучение модели CLIPSelf может потребовать значительных вычислительных ресурсов, особенно при использовании
крупных наборов данных и сложных архитектур моделей.
– Сложность интерпретации: Интерпретация результатов модели CLIPSelf
может быть сложной из-за мультимодальности данных и внутренних представ-
лений модели.
– Возможность переобучения: С увеличением сложности модели и объема
данных существует риск переобучения, особенно если данные не разнообразны
или если модель недостаточно регуляризована.
– Зависимость от качества данных: Качество предварительного обучения
модели CLIPSelf напрямую зависит от качества и разнообразия
набора данных, что может потребовать дополнительных усилий по сбору и аннотации данных.
5. Мозаика контрастов языковых образов (Contrastive Language-Image
Mosaic, CLIM) [27] – это модель, которая эффективно использует крупномас-
штабные пары «изображение-текст» для выравнивания представлений регионов
и текста. CLIM объединяет несколько изображений в одно мозаичное и каждое
рассматривается как «псевдо-регион
кается и обучается так, чтобы быть похожим на соответствующее встраивание
текста, в то же время, отличаясь от других потерями контрастов, что позволяет
модели изучать выравнивание «регион-текст» без дорогостоящих аннотаций
блоков. В качестве общеприменимого подхода CLIM последовательно улучшает
различные способы обнаружения объектов из открытого словаря, которые
пользуют контроль подписей. Кроме того, CLIM может эффективно улучшать
обучения, ему не требуется большое количество размеченных дан-
представления CLIP ViT, что имеет ре-
к различным задачам, таким
обучающего
». Признак каждого псевдо-региона извле-
ис-
21
представление региона VLM, т. е., обеспечивая робастность для базовой модели
детекторов объектов из открытого словаря.
К преимуществам модели относятся:
– Усвоение семантических связей: CLIM позволяет модели усваивать семантические связи между изображениями и текстом, что помогает ей лучше понимать содержание изображений и текстовых описаний.
– Улучшенное обобщение: Благодаря контрастному
дель способна обобщать на новые данные и сценарии, что повышает ее универсальность и применимость к различным задачам.
– Мультимодальность: CLIM позволяет работать с мультимодальными
данными, объединяя информацию из изображений и текста для более полного
понимания контента.
– Не требует размеченных данных: Поскольку CLIM использует контрастное обучение, ему
обучения, что снижает затраты на подготовку обучающего набора данных.
Недостатками являются:
– Вычислительная сложность: Обучение модели CLIM может потребовать
значительных вычислительных ресурсов, особенно при использовании крупных
наборов данных и сложных архитектур моделей.
– Сложность интерпретации: Интерпретация результатов модели CLIM
может быть сложной из-за
лений модели.
– Риск переобучения: С увеличением сложности модели и объема данных
существует риск переобучения, особенно если данные недостаточно разнообразны или если модель недостаточно регуляризована.
– Зависимость от качества данных: Качество предварительного обучения
модели CLIM напрямую зависит от качества и разнообразия обучающего набора
данных, что
данных.
распознавания из открытого словаря по подсказке региона и предварительному сопоставлению привязки ( CLIP for Open-vocabulary detection by Region
prompting and Anchor pre-matching, CORA+) [28]. В CORA+ используется ар-
хитектура, основанная на трансформере обнаружения (Detection Transformer,
DETR [7]), которая адаптирует VLM для определения открытого словаря с помощью запроса региона (Region prompting) и предварительного сопоставления привязок (Аnchor pre-matching). Запрос региона уменьшает разрыв в распределении
по области объектов в целом за счет запроса характеристик из области объекта
для дальнейшей его классификации на основе VLM. Предварительное сопоставление привязок помогает изучить локализацию обобщаемых объектов с помощью механизма сопоставления с
живать объекты без ограничений предварительно заданным словарем классов,
что делает его более гибким и применимым к различным сценариям.
может потребовать дополнительных усилий по сбору и аннотации
6) Языковые образы, предварительно обученные на контрастах, для
Преимуществами являются:
– Универсальность классов объектов: CORA+ позволяет модели обнару-
не требуется большое количество размеченных данных для
мультимодальности данных и внутренних представ-
учетом классов.
обучению CLIM мо-
22
– Высокое качество обнаружения: За счет использования модели CLIP и
техник обработки изображений, таких как Region prompting и Anchor pre-
matching, CORA+ способен достигать высокого качества обнаружения объектов.
– Мультимодальность: CORA+ объединяет информацию изображений и
текста в общем пространстве признаков, что позволяет модели учиться извлекать
более информативные и различимые признаки.
– Улучшенное обобщение: Благодаря использованию метода CLIP
трастного обучения, CORA+ может обобщать на новые данные и сценарии, что
повышает его универсальность и применимость к различным задачам.
К недостаткам модели относятся:
– Вычислительная сложность: Обучение модели CORA+ может потребовать значительных вычислительных ресурсов, особенно при использовании
крупных наборов данных и сложных архитектур моделей.
– Сложность интерпретации: Интерпретация результатов модели
CORA+ может быть сложной из-за мультимодальности данных и внутренних
представлений модели.
– Риск переобучения: С увеличением сложности модели и объема данных
существует
разны или если модель недостаточно регуляризована.
модели CORA+ напрямую зависит от качества и разнообразия обучающего
набора данных, что может потребовать дополнительных усилий по сбору и аннотации данных.
(Detect Every Thing With Few Examples, DE-ViT) [29] – это детектор объектов
на основе многократного обучения (few-shot learning) без необходимости тонкой
настройки. В нем мультиклассовая классификация преобразовывается в несколько бинарных классификаций, так что бинарный классификатор может быть
обучен и использован для всех классов без тонкой настройки. DE-ViT обнаруживает объекты, используя только базовые элементы DINOv2 [30]. Поэтому DE-
ViT
легко интегрировать с базовыми сетями, отличными от DINOv2. При этом
одним из ограничений является то, что текущая архитектура представляет собой
смесь ViT и RCNN [31], в то время как полная сеть трансформера может быть
более масштабируемой и разблокировать больше возможных способностей и интеграции с другими модальностями. Другим ограничением является то, что текущая модель опирается на внешнюю сеть предложений регионов (region pro-
posal network, RPN [4]). Возможно обучение RPN поверх базовых DINOv2 с некоторыми инженерными усилиями.
на основе небольшого количества примеров изображений, что особенно полезно
в ситуациях, где доступ к размеченным данным ограничен.
обучения с малым количеством примеров, DE-ViT способен обобщать на новые
классы объектов или сценарии, несмотря на ограниченное количество
риск переобучения, особенно если данные недостаточно разнооб-
– Зависимость от качества данных: Качество предварительного обучения
7) Обнаружение каждой вещи с помощью нескольких примеров
К преимуществам модели относятся:
– Малое количество обучающих данных: DE-ViT позволяет обучать модель
– Высокая обобщающая способность: Благодаря использованию методов
и кон-
23
обучающих данных.
– Применимость к практическим задачам: DE-ViT может быть полезен в
приложениях, где требуется быстрое обучение модели для обнаружения объектов с небольшим количеством примеров, таких как разработка систем безопасности или обнаружение объектов на медицинских изображениях.
– Использование модели ViT: Модель ViT показала отличную производительность в задачах обработки
наследовать преимущества этой архитектуры.
Недостатками являются:
– Ограниченность данных: Несмотря на способность к обучению на малом
количестве данных, DE-ViT все еще может столкнуться с ограничениями в случае недостаточного разнообразия или представительности обучающего набора
данных, что может привести к переобучению или низкой обобщающей способности.
– Сложность обучения: Несмотря на преимущества методов обучения с
малым количеством
обучающих примеров может быть сложным и требовательным к ресурсам.
– Требования к вычислительным ресурсам: Обучение модели ViT может
быть вычислительно интенсивным процессом, особенно при обучении на больших изображениях или с использованием больших моделей.
– Ограниченная применимость: DE-ViT может быть менее эффективным
для задач
сложной структурой, требующей большого количества обучающих примеров
для успешного обучения.
ниям, требующим экспоненциально большего количества изображений для редких типов объектов. Задача обнаружения объектов, целью которой является обнаружение неизвестных объектов, является
проблемы. Чтобы улучшить распознавание редких или новых объектов используется метод распознавания с использованием предварительно обученной VLM,
которая выравнивает как признаки изображения, так и текстовые вставки, используя модифицированную голову семантического предсказания из одноэтапной системы обнаружения объектов, такой как YOLOv5.
вает значительное улучшение результатов без необходимости в дополнительных
изображениях или надписях. С этой целью предлагается метод адаптации традиционных одноэтапных сетей обнаружения для выполнения обнаружения с zeroshot путем извлечения знаний из обученной VLM. Чтобы получить векторные
представления из текстовых описаний, вводятся имена классов в текстовый кодировщик вместе со структурой подсказок
семантическими выводами модели, используя модифицированную потерю перекрестной энтропии. По сравнению с предыдущими работами, которые изучают
только выравнивание при встраивании текста, в ZSD-YOLO также рассматривается выравнивание при встраивании изображений. Подобное добавление вложений изображений к функции потерь обеспечивает значительное улучшение
с большим числом классов объектов или для обнаружения объектов с
8) Распознавание объектов в реальном времени приводит к распределе-
В ZSD-YOLO [32] используется метод самообучения, который
примеров, обучение модели на основе ограниченного числа
изображений, что означает, что DE-ViT может
одним из направлений решения этой
обеспечи-
, которые приведены в соответствие с
24
производительности модели. Чтобы получить встраиваемые изображения, обрезаются ограничивающие рамки и передаются через кодировщик изображений.
Выходные данные класса модели затем выравниваются с использованием функции потерь L1. Кроме того, используется операция постобработки, адаптированная к задаче OVD для моделей YOLO, чтобы лучше отфильтровывать видимые
экземпляры классов при обнаружении только невидимых классов. Еще одним
важным преимуществом, предоставляемым YOLO и другими моделями обнаружения, является их способность масштабироваться для выполнения вывода на
самых разных устройствах. Для этого используются стандартные операции масштабирования, применяемые к семейству моделей YOLO.
6) YOLO World. Детекторы серии You Only Look Once (YOLO) зарекомен-
довали себя как эффективные и практичные инструменты для детектирования и
распознавания объектов. Однако применение данных детекторов в
открытых
сценариях ограничено тем, что они зависит от заранее предопределенных и обученных категорий объектов. Как только категории объектов определены и маркированы, обученные детекторы могут обнаруживать только определенные категории, что ограничивает возможности и применимость открытых сценариев.
YOLO-World был разработан для устранения данной проблемы.
Целью YOLO-World является высокоэффективное обнаружение объектов
с использованием открытого словаря, и исследуем крупномасштабные схемы
предварительной подготовки, позволяющие адаптировать традиционные детекторы YOLO к новому миру открытых словарей.
По сравнению с предыдущими методами, YOLO-World отличается пора-
зительной эффективностью, высокой скоростью логического вывода и простотой развертывания для последующих приложений. В частности, YOLO-World
следует стандартной архитектуре YOLO [1] и использует предварительно обученный текстовый кодер CLIP [2] для кодирования входных текстов. Так же используется перенастраиваемая сеть агрегации визуальных языковых путей
(RepVL-PAN) для объединения текстовых функций и функций изображений для
улучшения визуально-семантического представления. В процессе вывода кодировщик текста может быть удален, а текстовые вложения могут быть повторно
параметризованы в соответствии с весами представления для эффективного развертывания.
В алгоритме YOLO-World применяется несвязанный блок с двумя конвер-
сиями 3×3 для регрессии ограничивающих рамок ሼܾ
ሼ݁
ሽ
, где K обозначает количество объектов. В алгоритме YOLO-World пред-
ୀଵ
ሽ
и вложений объектов
ୀଵ
ставлена текстовая контрастивная строка, чтобы получить объектно-текстовое
сходство ݏ
с помощью:
ǡ
ݏ
ൌߙήܮʹെܰݎ݉ሺ݁
ǡ
ሻ
ήܮʹെܰݎ݉൫߱
где ܮʹ െ ܰݎ݉ሺʉሻ – это нормализация L2, ߱
ୃ
ߚ, (1)
൯
אܹ – j-е вложение текста.
Кроме этого, добавляется аффинное преобразование с изучаемым коэффи-
циентом масштабирования α и коэффициентом сдвига β. Как нормы L2, так и
аффинные преобразования важны для стабилизации обучения «регион-текст».
25
Во время обучения с использованием онлайн-словаря создаетя онлайн-
Метрики
CFM
ViT
DITO
CLIPSelf
CORA+
ViT
-
YOLO
YOLO-
World-L
AP 0.5
(MSCOCO)
50.3
34.1
46.1
44.3
36.9
43.1
50
46.2
53.3
AP
(LVIS)
17.4
33.9
40.4
34.9
32.3
28.1
34.3
-
34.1
словарь T для каждой выборки мозаики, содержащей 4 изображения. В частности, отбираютя все положительные существительные, используемые в мозаичных изображениях, и случайным образом отбираются некоторые отрицательные
существительные из соответствующего набора данных. Словарь для каждого образца мозаики содержит не более M
существительных, и значение M по умолча-
нию равно 80.
На этапе логического вывода с помощью оффлайн-словаря использу-
ются стратегия «запрос-затем-обнаружение» с использованием оффлайн-словаря для повышения эффективности. Пользователь может задать ряд пользовательских запросов, слов, которые могут включать подписи или категории. Затем
используется текстовый кодировщик для кодирования
этих подсказок и получе-
ния оффлайн-словаря. Оффлайн-словарь позволяет избежать вычислений для
каждого ввода и обеспечивает гибкость при настройке словарного запаса по мере
необходимости.
В табл. 4 приведены результаты тестов методов на наборах данных
MSCOCO [33] и LVIS. В качестве метрик в исследованиях использовались метрики AP.
Таблица № 4.
Результаты тестов
на MSCOCO
-
CFM
CLIM
DE-
ZSD
1. Viola P. Rapid object detection using a boosted cascade of simple features / P.
2. Lowe D.G. Object Recognition from Local Scale-Invariant Features Computer
3. Freeman W.T. Orientation Histograms for Hand Gesture Recognition / W.T.
4. Ren S. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal
5. Li X. Feature Pyramid Network / X. Li, T. Lai, S. Wang, Q. Chen, C. Yang, R.
novel
Литература
Viola, M. Jones // Proceedings of the IEEE Computer Society Conference on
Computer Vision and Pattern Recognition. – 2001. – Т. 1.
Vision / D.G. Lowe // The Proceedings of the Seventh IEEE International
Conference. – 2011.
Freeman, M. Roth // Gesture. – 1994.
Networks / S. Ren, K. He, R. Girshick, J. Sun // IEEE Transactions on Pattern
Analysis and Machine Intelligence. – 2017. – Т. 39. – № 6.
Chen // Proceedings – 2019 IEEE Intl Conf on Parallel and Distributed Processing
26
with Applications, Big Data and Cloud Computing, Sustainable Computing and
Communications, Social Computing and Networking,
ISPA/BDCloud/SustainCom/SocialCom 2019. – 2019.
6. Neubeck A. Efficient non-maximum suppression / A. Neubeck, L. Van Gool //
Proceedings – International Conference on Pattern Recognition. – 2006. – Т. 3.
7. Carion N. End-to-End Object Detection with Transformers / N. Carion, F. Massa,
G. Synnaeve, N. Usunier, A. Kirillov, S. Zagoruyko // Lecture Notes in Computer
Science (including subseries Lecture Notes in Artificial Intelligence and Lecture
Notes in Bioinformatics). – 2020. – Т. 12346 LNCS.
8. Vaswani A. Attention is all you need [Электронный ресурс]. – URL:
https://arxiv.org/pdf/2010.13154.pdf (дата обращения: 30.04.2023).
9. Redmon J. You only look once: Unified, real-time object detection / J. Redmon,
S. Divvala, R. Girshick, A. Farhadi // Proceedings of the IEEE Computer Society
Conference on Computer Vision and Pattern Recognition. – 2016. – Тт. 2016December.
10. Zhu C. A Survey on Open-Vocabulary Detection and Segmentation: Past, Present,
and Future / C. Zhu, L. Chen. – 2023.
11. Murphy A.H. The Finley affair: A signal event in the history of forecast
verification. Т. 11 / A.H. Murphy. – 1996.
12. Rezatofighi H. Generalized intersection over union: A metric and a loss for
bounding box regression / H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. Reid,
S. Savarese // Proceedings of the IEEE Computer Society Conference on Computer
Vision and Pattern Recognition. – 2019. – Тт. 2019-June.
13. Joseph K.J. Towards Open World Object Detection / K.J. Joseph, S. Khan, F.S.
Khan, V.N. Balasubramanian // Proceedings of the IEEE Computer Society
Conference on Computer Vision and Pattern Recognition. – 2021.
14. Touvron H. LLaMA: Open and Efficient Foundation Language Models / H.
Touvron, T. Lavril, G. Izacard, X. Martinet, M.-A. Lachaux, T. Lacroix, B.
Rozière, N. Goyal, E. Hambro, F. Azhar, A. Rodriguez, A. Joulin, E. Grave, G.
Lample. – 2023.
15. Bharadwaj R. Enhancing Novel Object Detection via Cooperative Foundational
Models / R. Bharadwaj, M. Naseer, S. Khan, F.S. Khan. – 2023. – С. 1-10.
16. Radford A. Learning Transferable Visual Models From Natural Language
Supervision / A. Radford, J.W. Kim, C. Hallacy, A. Ramesh, G. Goh, S. Agarwal,
G. Sastry, A. Askell, P. Mishkin, J. Clark, G. Krueger, I. Sutskever // Proceedings
of Machine Learning Research. – 2021. – Т. 139. – С. 8748-8763.
17. Kuhn H.W. The Hungarian method for the assignment problem / H.W. Kuhn //
Naval Research Logistics Quarterly. – 1955. – Т. 2. – № 1-2.
18. Kirillov A. Segment Anything / A. Kirillov, E. Mintun, N. Ravi, H. Mao, C.
Rolland, L. Gustafson, T. Xiao, S. Whitehead, A.C. Berg, W.-Y. Lo, P. Dollár, R.
Girshick. – 2023.
19. Radford A. Learning Transferable Visual Models From Natural Language
Supervision / A. Radford, J.W. Kim, C. Hallacy, A. Ramesh, G. Goh, S. Agarwal,
G. Sastry, A. Askell, P. Mishkin, J. Clark, G. Krueger, I. Sutskever. – 2021.
20. Kim D. Contrastive Feature Masking Open-Vocabulary Vision Transformer / D.
27
Kim, A. Angelova, W. Kuo. – 2024. – С. 15556-15566.
21. Jia C. Scaling Up Visual and Vision-Language Representation Learning With
Noisy Text Supervision / C. Jia, Y. Yang, Y. Xia, Y.T. Chen, Z. Parekh, H. Pham,
Q. V. Le, Y. Sung, Z. Li, T. Duerig // Proceedings of Machine Learning Research.
– 2021. – Т. 139.
22. Ruan B.-K. Vision Transformers: State of the Art and Research Challenges / B.-
K. Ruan, H.-H. Shuai, W.-H. Cheng. – 2022. – № 2.
23. Dave A. Evaluating Large-Vocabulary Object Detectors: The Devil is in the
Details / A. Dave, P. Dollár, D. Ramanan, A. Kirillov, R. Girshick. – 2021.
24. Kim D. Detection-Oriented Image-Text Pretraining for Open-Vocabulary
Detection / D. Kim, A. Angelova, W. Kuo. – 2023. – С. 1-14.
25. Gupta A. Lvis: A dataset for large vocabulary instance segmentation / A. Gupta,
P. Dollar, R. Girshick // Proceedings of the IEEE Computer Society Conference
on Computer Vision and Pattern Recognition. – 2019. – Тт. 2019-June.
26. Wu S. CLIPSelf: Vision Transformer Distills Itself for Open-Vocabulary Dense
Prediction / S. Wu, W. Zhang, L. Xu, S. Jin, X. Li, W. Liu, C.C. Loy. – 2023. –
Т. 1. – С. 1-20.
27. Wu S. CLIM: Contrastive Language-Image Mosaic for Region Representation / S.
Wu, W. Zhang, L. Xu, S. Jin, W. Liu, C.C. Loy // Proceedings of the AAAI
Conference on Artificial Intelligence. – 2024. – Т. 38. – С. 6117-6125.
28. Wu X. CORA: Adapting CLIP for Open-Vocabulary Detection with Region
Prompting and Anchor Pre-Matching / X. Wu, F. Zhu, R. Zhao, H. Li. – 2023.
29. Zhang X. Detect Every Thing with Few Examples / X. Zhang, Y. Wang, A.
Boularias. – 2023.
30. Oquab M. DINOv2: Learning Robust Visual Features without Supervision / M.
Oquab, T. Darcet, T. Moutakanni, H. Vo, M. Szafraniec, V. Khalidov, P.
Fernandez, D. Haziza, F. Massa, A. El-Nouby, M. Assran, N. Ballas, W. Galuba,
R. Howes, P.-Y. Huang, S.-W. Li, I. Misra, M. Rabbat, V. Sharma, G. Synnaeve,
H. Xu, H. Jegou, J. Mairal, P. Labatut, A. Joulin, P. Bojanowski. – 2023.
31. Girshick R. Fast R-CNN / R. Girshick // Proceedings of the IEEE International
Conference on Computer Vision. – 2015. – Т. 2015 Inter. – С. 1440-1448.
32. Xie J. ZSD-YOLO: Zero-Shot YOLO Detection using Vision-Language
KnowledgeDistillation / J. Xie, S. Zheng // arXiv. – 2021.
33. Lin T.Y. Microsoft COCO: Common objects in context / T.Y. Lin, M. Maire, S.
Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollár, C.L. Zitnick // Lecture Notes
in Computer Science (including subseries Lecture Notes in Artificial Intelligence
and Lecture Notes in Bioinformatics). – 2014. – Т. 8693 LNCS.
28
РАЗДЕЛ 2. СОЦИАЛЬНО-ЭКОНОМИКО-ПРАВОВОЙ ЦИКЛ
Ключевые слова: финансовый потенциал, экономиче-
ский потенциал, устойчивое развитие, инвестиционная
привлекательность.
УДК 338.24
АНАЛИЗ ФИНАНСОВОГО ПОТЕНЦИАЛА ПРЕДПРИЯТИЯ КАК ДЕНЕЖНОЙ
ФОРМЫ ЭКОНОМИЧЕСКОГО ПОТЕНЦИАЛА
Гусев Ю.А.
Федеральное государственное бюджетное образовательное учреждение выс-
шего образования «Российский биотехнологический университет
(РОСБИОТЕХ)», г. Москва
Финансовый потенциал предприятия играет решающую роль в его способности к росту, конкурентоспособности и устойчивости на рынке. Он отражает
финансовые ресурсы, которые компания может мобилизовать для инвестиций,
развития и обеспечения своей деятельности. В условиях трансформационных
процессов, происходящих в современной экономике России, важность анализа
финансового потенциала предприятий обусловлена его ролью в
экономическом
развитии, так как финансовый потенциал определяет возможности предприятий
по повышению конкурентоспособности на мировом уровне, внедрению инноваций и созданию рабочих мест.
Согласно определению Ю.С. Валеевой и Н.С. Исаевой [1] «финансовый
потенциал предприятия является комплексным понятием и характеризуется системой показателей, отражающих наличие и размещение средств, реальные и
по-
тенциальные финансовые возможности». А.И. Бородин, О.С. Белокрылова и
Н.Н. Шаш [2] дополняют это определение указывая, что финансовый потенциал
отражает способность субъекта хозяйствования использовать финансовые ресурсы, что обеспечивает его устойчивое функционирование и развитие. Исследователи отмечают, что финансовый потенциал тесно связан с производственным, инновационным, трудовым и
другими видами потенциала предприятия.
А.В. Шекшуев [3] исследует взаимосвязи между видами потенциала и делает вы-
вод, что финансовый потенциал в широкой трактовке представляет «денежную
форму экономического потенциала предприятия».
В то же время основным направлением анализа финансового потенциала
остается оценка показателей рентабельности, ликвидности и кредитоспособности [4-6], что не всегда
позволяет в полной мере учесть потенциал компании по
привлечению нового капитала, ее инвестиционную привлекательность, а также
взаимосвязи с другими формами потенциала предприятия, что важно при рассмотрении финансового потенциала как денежной формы экономического потенциала. Кроме того, несмотря на то, что в современных условиях финансовый
потенциал все чаще рассматривается как фактор
устойчивого развития
29
предприятия [7,8], в существующих работах, посвященных методам анализа финансового потенциала, факторам устойчивого развития уделяется недостаточное
внимание. В связи с этим актуальной задачей представляется совершенствование
методологии анализа финансового потенциала предприятий, являющегося базой
для принятия управленческих решений [9].
Материалы и методы
В данной работе предлагается метод анализа финансового потенциала, основанный на
выделении несколько уровней его формирования (см. схему на Рисунке 1).
выделении и последовательной оценке его источников, а также на
Рисунок 1. Схема источников финансового потенциала предприятия
В рамках данной схемы первый уровень – это собственно финансовый
потенциал. На втором и третьем уровне выделены структурные источники финансового потенциала – это собственный капитал и заемный капитал. Основными источниками собственного капитала являются вклады акционеров и нераспределенная прибыль. Основными источниками заемного капитала являются
кредиторская задолженность, кредиты, а также долговые ценные бумаги.
На четвертом уровне расположены функциональные источники финансового
потенциала, то есть факторы, определяющие насколько легко компании привлекать и поддерживать уровень собственного или заемного капитала. На схеме
стрелками отражены некоторые взаимосвязи между факторами. Например:
x Величина вкладов акционеров зависит от исторической и ожидаемой до-
ходности акций, а также от инвестиционной привлекательности бизнеса
компании. В свою очередь инвестиционная привлекательность зависит
дивидендной политики (для многих инвесторов дивиденды – это
30
от
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]