2.2 Обработка информации

Процесс преобразования информации является заключительной стадией создания информационного обеспечения экономического анализа. Ему предшествуют этапы регистрации, сбора и передачи данных. Организация способов осуществления указанных операций оказывают заметное влияние на организацию, содержание и сроки проведения экономического анализа.

Регистрация, сбор и передача информации могут осуществляться на человек - читаемых документах, на машинных носителях, информации и на документах смешанного типа.

Применение человек - читаемых документов повышает трудоемкость подготовки данных к обработке, т.к. предварительно требуется их перенос на машинные носители, в котором высок удельный вес ручного труда, а также необходимы операции контроля и сортировки. В результате снижается оперативность анализа, зачастую сокращается программа его проведения из-за недостатка времени.

С точки зрения скорости протекания, операция по подготовке и информации к обработке и сокращения периода времени, необходимого для этих целей, предпочтительнее машинные носители - магнитные ленты, диски и др. Особенно эффективными являются специальные системы регистрации и сбора данных, предназначенные для автоматизированного формирования массивов информации. Такие системы исключают перфорацию, контроль, сортировку и другие подготовительные операции, осуществляют однократную запись данных и обеспечивают их многократное использование с помощью ЭВМ.

Использование ЭВМ в процессах обработки экономической информации существенно расширяют возможности анализа хозяйственной деятельности предприятий и объединений. Повышается его оперативность, расширяется база для подготовки различных вариантов управленческих решений, возрастает качество самого анализа за счет проведения более детального факторного анализа, расширения факторных моделей и использования (в случаях необходимости) экономико-математических методов и т.д.

Обработка данных, подготовка их к анализу служит одновременно одним из первых его этапов. Следовательно, процессы преобразования экономической информации должны строиться с учетом требований анализа хозяйственной деятельности. Практически это означает формирование программ не только на основе фиксации, нормативно-плановых и отчетных данных, но и выявление абсолютных и относительных отклонений, исчисление средних величин, индексов динамики, удельных показателей и т.д. Конкретное содержание программы преобразования информации определяется в зависимости от целей и задач, видов и программ экономического анализа.

Экономические явления и процессы выражаются обычно в абсолютных и относительных показателях. Абсолютный показатель характеризует количественные размеры явления безотносительно к размеру других явлений. Относительные показатели отражают соотношение величины изучаемого явления с величиной других явлений или с величиной этого явления, но взятой за другой период времени. Относительный показатель получают делением одной величины на другую.

В экономическом анализе используют следующие виды относительных величин:

• относительная величина планового задания (плановый показатель текущего года/фактический величина прошлого года);

• относительная величина выполнения плана (фактическая величина показателя за отчетный год/плановая величина показателя за отчетный год);

• относительная величина динамики (фактический показатель текущего периода/величина показателя за предшествующий период).

Относительные величины динамики = темпы роста:

• цепные темпы роста - показатель последующего года сравнивают с предыдущим;

• базисные - каждый показатель сравнивают с показателем базисного года (базисным годом можно считать первый год деятельности предприятия).

• показатель структуры (удельный вес) - показывают относительную долю составного элемента исследуемого показателя от общей суммы (рассчитывается в процентах);

• относительная величина координации - соотношение частей целого между собой. Примером может служить соотношение в пассиве баланса предприятия собственного и заемного капитала.

Помимо абсолютных и относительных величин в анализе хозяйственной деятельности используются средние величины. Они применяются для обобщенной характеристики группы однородных явлений по количественному признаку, то есть одним числом характеризуют всю группу объектов.

Группировка информации - деление изучаемой совокупности объектов на однородные группы по соответствующим признакам. В зависимости от целей анализа используют структурные типологические и аналитические группировки. Структурные группировки позволяют изучить внутреннее строение показателя и соотношение в нем отдельных частей. Например, с помощью структурной группировки можно изучить состав рабочих по профессиям, стажу работы, по возрасту и т.д. Примером типологической группировки могут быть группы населения по роду деятельности; или группировка предприятий по видам деятельности или по формам собственности. Аналитические группировки используются для определения связей между отдельными изучаемыми объектами. Группировки подразделяются по сложности построения:

- простые (с помощью которых изучается взаимосвязь между объектами, структурированными по определенному признаку);

- комбинированные (сначала делятся по одному признаку, а потом внутри каждой подгруппы происходит деление по другим признакам.

Результаты анализа, как правило, излагаются в виде таблиц. Таблица - наиболее рациональная и удобная для восприятия форма анализа. Существует три вида таблиц:

- простые таблицы (где перечисляются элементы характеризуемого объекта);

- групповые таблицы (данные объединяются в группы по однородному признаку);

- комбинированные (данные разбиваются на группы и подгруппы по нескольким признакам).

Групповые и комбинированные таблицы предназначены для установления связи между изучаемыми явлениями, а простые таблицы просто дают перечень информации об изучаемом объекте. Из графического представления информации наибольшее распространение в анализе хозяйственной деятельности получили диаграммы.

Одним из наиболее мощных аналитических методов исследования является разделение ("разбиение") данных на группы для сравнения структуры получившихся подмножеств. Эти методы широко применяются при проверке гипотез и известны под разными названиями (классификация, группировка, категоризация, разбиение, расслоение и пр.).

Для количественного описания различий между группами наблюдений разработаны многочисленные вычислительные методы, основанные на группировке данных. Однако графические средства дают особые преимущества и позволяют выявить закономерности, которые трудно поддаются количественному описанию и которые весьма сложно обнаружить с помощью вычислительных процедур (например, сложные взаимосвязи, исключения или аномалии). В этих случаях графические методы предоставляют уникальные возможности многомерного аналитического исследования данных.

Матричные графики состоят из нескольких графиков; однако здесь каждый из них основывается (или может основываться) на одном и том же множестве наблюдений, и графики строятся для всех комбинаций переменных из одного или двух списков. Для категоризованных графиков требуется такой же выбор переменных, как и для некатегоризованных графиков соответствующего типа (например, две переменных для диаграммы рассеяния). В то же время для категоризованных графиков необходимо указать по крайней мере одну группирующую переменную (или способ разбиения наблюдений на категории), где содержалась бы информация о принадлежности каждого наблюдения к определенной подгруппе. Группирующая переменная не будет непосредственно изображена на графике (т.е. не будет построена), однако она будет служить критерием для разделения всех анализируемых наблюдений на отдельные подгруппы. Как показано выше, для каждой группы (категории), определяемой группирующей переменной, будет построен один график.

Гистограммы используются для изучения распределений частот значений переменных. Такое частотное распределение показывает, какие именно конкретные значения или диапазоны значений исследуемой переменной встречаются наиболее часто, насколько различаются эти значения, расположено ли большинство наблюдений около среднего значения, является распределение симметричным или асимметричным, многомодальным (т.е. имеет две или более вершины) или одномодальным.

Категоризованные гистограммы представляют собой наборы гистограмм, соответствующих различным значениям одной или нескольких категоризующих переменных или наборам логических условий категоризации

Частотные распределения могут представлять интерес по двум основным причинам.

· По форме распределения можно судить о природе исследуемой переменной (например, бимодальное распределение позволяет предположить, что выборка не является однородной и содержит наблюдения, принадлежащие двум различным множествам, которые в свою очередь нормально распределены).

· Многие статистики основываются на определенных предположениях о распределениях анализируемых переменных; гистограммы позволяют проверить, выполняются ли эти предположения.

Двумерные диаграммы рассеяния используются для визуализации взаимосвязей между двумя переменными X и Y (например, весом и ростом). На этих диаграммах отдельные точки данных представлены маркерами на плоскости, где оси соответствуют переменным. Две координаты (X и Y), определяющие положение точки, соответствуют значениям переменных. Если между переменными существует сильная взаимосвязь, то точки на графике образуют упорядоченную структуру (например, прямую линию или характерную кривую). Если переменные не взаимосвязаны, то точки образуют "облако".

С помощью диаграмм рассеяния можно исследовать и нелинейные взаимосвязи между переменными. При этом не существует каких-либо "автоматических" или простых способов оценки нелинейности. Стандартный коэффициент корреляции Пирсона r позволяет оценить только линейность связи, а некоторые непараметрические корреляции, например, Спирмена R, дают возможность оценить нелинейность, но только для монотонных зависимостей. На диаграммах рассеяния можно изучить структуру взаимосвязей, чтобы затем с помощью преобразования привести данные к линейному виду или выбрать подходящую нелинейную подгонку.

Существует три типа категоризованных вероятностных графиков: нормальные, полунормальные и с исключенным трендом. Нормальные вероятностные графики - это быстрый способ визуальной проверки степени соответствия данных нормальному распределению.

В свою очередь категоризованные вероятностные графики дают возможность исследовать близость к нормальному распределению различных подгрупп данных.

На линейных графиках отдельные точки данных соединяются линиями. Это простой способ визуального представления последовательности значений (например, цены на фондовом рынке за несколько дней торгов).

На диаграммах размаха (этот термин был впервые использован Тьюки в 1970 году) представлены диапазоны значений выбранной переменной (или переменных) для отдельных групп наблюдений. Для выделения этих групп используются от одной до трех категориальных (группирующих) переменных или набор логических условий выбора подгрупп.

Одним из наиболее широко используемых типов графического представления данных являются круговые диаграммы, на которых показаны пропорции или сами значения переменных. Категоризованные графики этого типа состоят из нескольких круговых диаграмм, где данные разделены по группам с помощью одной или нескольких группирующих переменных или категоризованы согласно логическим условиям выбора подгрупп.

Трехмерные диаграммы рассеяния (пространственные, спектральные, трассировочные и диаграммы отклонений), карты линий уровня и поверхности также можно построить для подгрупп наблюдений, заданных с помощью выбранной категориальной переменной или логических условий выбора. Основная задача этих графиков - упростить сравнение взаимосвязей между тремя и более переменными для различных групп или категорий наблюдений.

Закрашивание является одним из первых и, по-видимому, наиболее широко распространенных методов, известных как графический разведочный анализ данных. Этот метод позволяет интерактивно выделять на экране отдельные точки или подмножества данных и задавать их характеристики, или исследовать их влияние на взаимосвязи между переменными (например, на матрицах диаграмм рассеяния) и идентифицировать выбросы(например, с помощью меток). 

На пиктографиках каждое наблюдение представлено в виде многомерного символа, что позволяет использовать эти типы графического представления данных в качестве не очень простого, но мощного исследовательского инструмента. Главная идея такого метода анализа основана на человеческой способности "автоматически" фиксировать сложные связи между многими переменными, если они проявляются в последовательности элементов.