Применение панельных данных в эконометрическом анализе товарооборота ритейлерской компании

В статье выполнен эконометрический анализ панельных данных о товарообороте ритейлерской компании с целью создания корпоративного организационно-экономического знания. Подчеркнута необходимость современных методов прикладного анализа в управлении бизнес-процессами. Автор стремится доказать целесообразность использования моделей панельных данных для выявления и измерения драйверов эффективности бизнес-процессов в когнитивном обеспечении управленческой деятельности. В статье предложен методический подход к измерению драйверов товарооборота ритейлерской компании на основе моделей панельных данных, с учетом индивидуальных отличий между территориальными рынками сбыта. Результаты выполненных с применением пакета программ Gretlэмпирических оценок подтвердили целесообразность их практического использования в управлении бизнес-процессами продаж в ритейлерской компании.

Ключевые слова: корпоративное знание, ритейлерство, товарооборот, бизнес-процесс, прикладной анализ, модели панельных данных с фиксированными эффектами, модели панельных данных со случайными эффектами.

1. Введение

У каждого исследователя есть свое мнение по поводу экономического роста, именно поэтому имеются разнообразные классификации критериев факторов роста. В современной экономике, основанной на знаниях, основными факторами развития становятся материальные и нематериальные интеллектуальные инвестиционные товары, производимые и эксплуатируемые человеческим капиталом инновационного характера [8,10]. Как следствие, допущение постоянных уровней технологии в неоклассической производственной функции F(K,L,T) в настоящее время ослабевает. Поэтому, согласно модели Солоу-Свэна [4], изменения в уровне технологии в виде сдвигов производственной функции смещают кривую валового инвестирования и воздействуют на величину подушевого потребления, подчеркивая, тем самым, необходимость использования инноваций в секторах экономики и видах экономической деятельности. В настоящее время вопрос эндогенных механизмов роста является одним из ключевых в углублении теорий роста. В современной экономической литературе согласно неоклассической производственной функции выделяют три основные группы ресурсов экономического роста: физические ресурсы, труд, знания и технологии [4]. Подчеркивается, что если первые два ресурса являются конкурентными, то важная отличительная особенность знания — то, что оно является неконкурентным товаром, поскольку два и более производителя могут использовать одну и ту же технологию одновременно. В свою очередь, каждый экономический субъект образует свое информационное подпространство и генерирует новые знания. В современной инновационной экономике информация и знания являются наиболее значимым стратегическим ресурсом, задают общие рамки для оценки и инкорпорирования нового опыта и информации и представляют собой то, что многие корпорации в большей мере производят, продают и приобретают [6]. Новые знания, являясь основополагающими факторами конечных результатов и конкурентоспособности любой организации, требуют создания новых эффективных инструментов управления жизненным циклом. Проведенные исследования и полученные результаты в сфере управления проектным корпоративным знанием направлены на повышение эффективности управленческой деятельности и применение инноваций в тех сферах, где это необходимо [5,7,9,10].Одним из инновационных способов создания нового корпоративного знания представляется нам эконометрическое моделирование — микроэконометрика [12]. Целью данной статьи является методический подход к анализу товарооборота на основе применения панельных данных в аналитической работе ритейлерской компании для создания и использования нового организационно-экономического знания об эффективности использования торговых площадей и маркетинговых мероприятий. Представленный в статье методический подход может стать полезным для совершенствования имеющихся знаний с целью принятия управленческих решений в области розничной торговли, направленных на повышение прибыли ритейлерской компании.

2. Материалы и методы

Объектом исследования является одна из крупнейших ритейлерских компаний на российской продуктовом рынке. В исследовании использованы панельные данные и в качестве переменных были использованы: годовой товарооборот (Y, млн. руб.); торговая площадь (Х1, тыс. кв. м), среднее число посетителей в день (Х2, тыс. чел.). По представленным в таблице 1 [12] панельным данным было решено построить регрессионную модель, отражающую зависимость товарооборота от соответствующих факторов. Методом наименьших квадратов и обобщенным методом наименьших квадратов соответственно оценены параметры моделей панельных данных с фиксированными эффектами и моделей панельных данных со случайными эффектами. Моделирование выполнено с использованием программного продукта Gretl 1.9.11.

Таблица 1

Панельные данные о товарообороте

3. Результаты и обсуждение

Статья стремится доказать необходимость совершенствования аналитической работы путем использования эконометрического анализа для создания и распространения организационно-экономических знаний. Основные преимущества панельных данных [2,11,12] позволяют строить более гибкие и содержательные модели и получать ответы на вопросы, которые недоступны только в рамках моделей, основанных на пространственных данных. Панельные данные представляют исследователю большое количество наблюдений, увеличивая число степеней свободы и снижая зависимость между объясняющими переменными, а, следовательно, стандартные ошибки оценок [1]. Еще одним существенным достоинством моделей панельных данных является то, что они дают возможность проследить индивидуальную эволюцию характеристик всех объектов выборки во времени. В силу специфики торговой деятельности, исследуемой компании, ее товарооборот зависит от торговой площади и от среднего количества посетителей [3]. В этой связи получаем следующую сводную таблицу моделей для панельных данных:

Таблица 2

Сводная таблица моделей для панельных данных

Линейная модель Y=3,96727+61,8251X1+0,383027X2 объясняет 91,4 % колебаний товарооборота вокруг своего среднего значения. Также линейная модель показывает, что с увеличением торговых площадей на 1 тыс. кв.м., товарооборот увеличивается на 61,825 млн. рублей, а с увеличением среднего числа посетителей на 1 тыс. чел. в день, выручка увеличивается на 0,38 млн. рублей.

На основе матрицы линейных коэффициентов парной корреляции между факторами сформирована модель панельных данных с фиксированными эффектами:

Yx= a₁i₁+ a₂i₂+ a₃i₃+ a₄i₄+b₁X₁+ b₂X₂,

где а1,а2,а3,а4 — МНК-оценки параметров моделей перед фиктивными переменными-фильтрами: а1- для г. Казань, а2 — для г. Москва, а3 — для г. Санкт-Петербург, а4 — для г. Краснодар.

b1,b2 — МНК-оценки параметров моделей перед независимыми переменными — регрессорами.

Для проверки нулевой гипотезы об отсутствии фиксированных групповых эффектов использованы случайные величины, имеющие распределение Фишера:

где: - коэффициент детерминации для модели без учета панельной структуры данных;

 — коэффициент детерминации для модели с фиксированными эффектами;v1,v2 — числа степеней свободы, v1=N-1, v2=NT-N-K;

N- количество панелей, T — периоды времени, K — количество параметров перед независимыми переменными.

F=8,002>F(0,05;3;22)=3,049. Значит, нулевую гипотезу об отсутствии фиксированных групповых эффектов следует отвергнуть.

Следовательно, уравнение:

Yx=-5,83222i₁+22,1200i₂+5,81748i₃+27,5720i₄+46,2157X₁+1,39950X₂ учитывающее групповые фиксированные эффекты, правомерно. Одной из главных причин этого, скорее всего является то, что на годовой товарооборот влияет различие в доходах населения в разных регионах. Также модель с фиксированными эффектами объясняет 99,7 % колебаний товарооборота вокруг своего среднего значения. С увеличением торговых площадей на 1 тыс. кв.м, товарооборот увеличивается на 46,216 млн. рублей, а с увеличением среднего числа посетителей на 1 тыс. чел. в день, выручка увеличивается на 1,399 млн. рублей. Параметры перед переменными-фильтрами i учитывают эффект гетерогенности товарооборота между городами и могут быть интерпретированы как отклонения от среднего товарооборота по совокупности городов. Поэтому можно предположить, что самое существенное отрицательное отклонение товарооборота наблюдается в городе Казани.

Модель со случайными эффектами Y=0,10838+46,326X1+1,3865X2:

объясняет почти 99 % товарооборота вокруг своего среднего значения. С увеличением торговых площадей на 1 тыс. кв.м, товарооборот увеличивается на 46,326 млн. рублей, а с увеличением среднего числа посетителей на 1 тыс. чел. в день, выручка увеличивается на 1,386 млн. рублей.

4. Выводы

Таким образом, выполненный эконометрический анализ подтвердил, что для увеличения товарооборота требуется:

1.         Увеличивать площадь торговых площадей. Это возможно за счет дополнительного привлечения инвестиций и за счет собственных средств.

2.         Привлечение дополнительных покупателей. Этому будет способствовать следующее: регулярное проведение акций, выдача дисконтных карт, улучшение качества обслуживания, расширение товарного ассортимента и т. д.

В этой связи, полученные знания позволяют сделать вывод, что у компании имеется достаточно резервов для увеличения товарооборота. Поэтому, необходимо предпринять такие управленческие решения, которые позволят это сделать максимально благоприятно как для компании, так и для покупателей.

5. Приложения

Приложение 5.1. Результаты оценивания модели 1.1 (с учётом панельной структуры данных)

Приложение 5.2. Результаты оценивания модели 1.1 (без учёта панельной структуры данных)

Приложение 5.3. Результаты оценивания модели 1.2 (без учёта панельной структуры данных)

Литература:

1.         Блинов А. О., Рудакова О. С. Реинжиниринг бизнес-процессов современных организаций // Экономика и управление: проблемы и решения. -2014. — № 2. — С. 68–75.

2.         Кадочникова Е. И. К вопросу о методах анализа многомерных данных // Путь науки. -2014. — № 5 (5). — С. 64–66.

3.         Трунова Е. В. Использование методов комплексной оценки в контроллинге бизнес-процессов // Экономика и управление: проблемы и решения. -2014. — № 10. — С. 110–117.

4.         Barro, R. J. Macroeconomics / R. J. Barro. — Cambridge, MA: MIT Press,1997. — PP. 87–135.

5.         Berg H. A. Three shapes of organisational knowledge // Journal of Knowledge Management. Vol. 17. — 2013. — № 2. P. 159–174.

6.         Drucker P. F. The new society of organizations // Harvard Business Review. Vol. 22. — 1995. — № 5. P. 95–104.

7.         Grant R. M. Towards a knowledge-based theory of the firm. Strategic Management Journal. Winter Special Issue.– 1993 — № 17.. P. 109–122.

8.         Grigoreva, E., Fesina, E. Economic Security as a Condition of Institutional Support of Economy Modernization // World Applied Sciences Journal. 31 (5). 2014. pp. 940–948.

9.         Nonaka I. The knowledge-creating company // Harvard Business Review. Vol. 69. — 1991. –№ 6. P. 96–105.

10.     Nonaka, I., Takeuchi, H.,. The knowledge — creating company. How Japanese companies create the dynamics of innovation. Oxford University Press. New York. Oxford. 1995 pp. 82–99.

11.     Wooldridge, J. Introductory Econometrics. A modern approach, 5th edition / J. Wooldridge. –Michigan State University: South-Western Cengage Learning, 2013. — 909 p.

12.     Wooldridge, J. Econometric Analysis of Gross Section and Panel Data / J. Wooldridge. — Cambridge, MA: MIT Press, 2002. –741 p.