научный журнал «Актуальные исследования» #5 (84), февраль '22

Анализ расходов на ИТ в крупных компаниях на основе методов эконометрического модерирования

В статье рассматривается анализ ИТ рынка, на основе методов эконометрического модерирования.

Аннотация статьи
эконометрика
эконометрические методы
эконометрический анализ
анализ затрат
информационные технологии
Ключевые слова

На сегодняшний день, в большинстве организаций наблюдается тесное переплетение бизнес-процессов и информационных технологий. Внедрение информационной системы часто влияет на различные сферы ее деятельности. Поэтому существует необходимость предварительной оценки стоимости ИТ.

Затраты на ИТ должны соответствовать предоставляемому качеству, которое определяет пропускную способность, доступность, техническую поддержку, производительность; стоимость и требования заказчика. Одним из важнейших направлений в деятельности любой компании является бюджетирование, в том числе и в сфере ИТ. С помощью составления бюджета вы можете спрогнозировать количество затрат и расходов компании [1, с. 200].

Целями данного исследования мы ставим:

  • анализ затрат в ИТ индустрии;
  • исследование рынка ИТ продуктов и услуг.

Методологической основой нашего исследования являются методы, разработанные эконометрической теорией. В частности, особенное внимание было сосредоточено на методе математического моделирования. Он предполагает построение графических, формализованных моделей, характеризующих отдельные экономические явления или процессы в упрощенном виде. С помощью данного метода мы проанализируем основные показатели ИТ рынка, путем построения таблиц, графиков, уравнений и эконометрических моделей.

В соответствии с целями и методами, задачи исследования были определены как:

  • сбор статистических данных, характеризующих ИТ рынок;
  • анализ данных, с помощью построения экономических моделей;
  • на основе данных за последние 10 лет, составление прогноза на будущие 5 лет.

Объектом является ИТ-рынок товаров и услуг, расходы на ИТ и другие данные, которые были собраны в ходе исследования.

Эконометрика – это сочетание экономической теории, математической экономики, а также экономической и математической статистики. Эконометрика выдвигает утверждения или гипотезы, которые в основном носят качественный характер. Таким образом, она постулирует негативную или положительную (обратную или прямую) связь между двумя факторами. Другими словами, эконометрика придает эмпирическое содержание большинству экономических теорий. Основная задача эконометрики состоит в том, чтобы выразить экономическую теорию в математической форме (уравнениях) без учета измеримости или эмпирической проверки теории.

Эконометрические методы и модели являются неотъемлемой частью любой современной системы принятия экономических и управленческих решений. Сегодня они используются для диагностики состояния предприятия, решения задач корпоративных финансов и управления рисками, оценки эффективности инвестиционной и инновационной деятельности, стоимости активов и бизнеса, анализа динамики цен и уровня жизни [2, с. 41].

Эконометрическая модель, представленная в виде уравнения, системы уравнений или неравенств, математическое отображение объекта, учитывающий все наиболее важные детали и особенного его деятельности, в соответствии с которыми возможно найти наилучшую опцию развития этого объекта. Чем более подробно будут рассмотренные сущность и содержание этого объекта и их влияние на конечный результат, тем более точным и приемлемым будет решение, примененное для реализации на практике.

Создание регрессионной модели – это процесс, направленный на поиск подходящих независимых переменных, для описания зависимой переменной, которую мы пытаемся смоделировать или понять. Используя инструмент регрессии, мы определяем, какие показатели являются эффективными предикторами [3, с. 39].

После тщательного исследования статистических данных, анализа официальных отчетов компаний, предоставляющих услуги и продукты на ИТ рынок, нами было отобрано 4 показателя (табл. 1).

Таблица 1

Показатели ИТ рынка

Год

y

x1

x2

x3

2010

3,4

49,27

17

82,115

2011

3,5

50,361

17

79,579

2012

3,6

51,082

17

84,552

2013

3,8

51,314

18

78,649

2014

3,7

51,932

17

88,952

2015

3,7

52,32

19

89,891

2016

3,4

52,01

20

87,606

2017

3,5

50,63

19

87,582

2018

3,6

45,97

19

87,333

2019

3,8

43,18

19

89,732

2020

3,9

41,97

19

85,117

2021

4,2

42,853

21

89,629

Y – расходы на ИТ по всему миру с 2010 по 2021 года (триллионы долларов США) [4], x– ежегодный доход IBM - крупнейшая мировая компания, специализирующаяся на создании и поставке аппаратного и программного обеспечения, а также консалтинговых услуг в сфере ИТ (миллиарды долларов США) [5], x2 – занятность и набор ИТ специалистов (%) [6], x3 – средняя по миру, годовая зарплата ИТ специалистов (в тысячах долларов США) [7].

Чтобы установить соответствие данных для последующего построения модели и прогнозирования, мы построили корреляционную матрицу для приведенных выше данных (табл.2). Она показывает, как одна переменная влияет на другую, то есть зависимость роста или снижения показателей одной переменной на другую. Полученные коэффициенты варьируются в диапазоне от -1 до 1. Позитивная корреляция (+1) значит, что оба показателя движутся в одном направлении. Отрицательная корреляция (-1) сообщает о том, что переменные имеют тенденцию двигаться в противоположных направлениях. При нулевой корреляции мы можем сделать вывод, что между показателями нет зависимой связи.

Таблица 2

Корреляционный анализ показателей

 

y

x1

x2

x3

y

1

     

x1

-0,645

1

   

x2

0,495

-0,481

1

 

x3

0,291

-0,252

0,582

1

Исходя из полученных данных, мы можем составить следующие выводы: показатель x– ежегодный доход IBM имеет отрицательную корреляцию равную -0,645, при увеличении ежегодных затрат на ИТ, прибыль компании снижается; коэффициент корреляции показателя x2 – занятность и набор ИТ специалистов составляет 0,495, что говорит об умеренной прямой зависимости между показателями; x3 – средняя по миру, годовая зарплата ИТ специалистов имеет коррекционный коэффициент равный 0,291, что свидетельствует о незначительной позитивной зависимости.

Ни один из показателей не имеет нулевой коэффициент, следовательно они пригодны для построения регрессионной модели и прогноза.

Взаимосвязь между величиной зависимой переменной y и несколькими независимыми переменными x может быть выражена в виде уравнения:

Y=b+b1x1+b2x2+…bpXp+e

где Y – зависимая переменная;

x1, x2, .... xp независимые переменные;

b, b1, b2, ... bp коэффициенты модели;

e – ошибка прогнозирования.

Для построения уравнение множественной линейной регрессии, нам нужно построить простые уравнения регрессии для каждой независимой переменной. Простая линейная модель выражается с помощью следующего уравнения:

Y=a+bx

где Y - зависимая переменная;

X – независимая переменная;

а – свободны член (сдвиг по оси OY);

b – угловой коэффициент [8, с. 192].

Для переменной x1 уравнение выглядит следующим образом: y=-0,0377x+5,5054R2=0,417

r = 0,645

Уравнение для переменной х2: y=0,0868x+2,0684R2=0,246 

r = 0,495

И для переменной x3: y=0,017x+2,2138R2=0,0849

r = 0,291

Мы построили регрессионную модель с каждой переменной, чтобы проанализировать данные (табл. 3)

Таблица 3

Показатели регрессионной статистики

1

Множественный R

0,998

2

R-квадрат

0,996

3

Нормированный R-квадрат

0,884

4

Стандартная ошибка

0,243

5

Наблюдения

12

Коэффициент детерминации (R2) определяет долю дисперсии зависимой переменной (y), объясняемую рассматриваемой моделью зависимости, и вычисляется для установления качества регрессионной модели. Для того, чтобы модель считалась приемлемой, величина коэффициента должна составлять как минимум 50%, модель считается хорошей, если коэффициент равен 80% [9, с. 60].

При данном наборе переменных коэффициент детерминации равен 0,996 или 99%, что характеризует модель как подходящую.

Дисперсионный анализ (ANOVA) используется для изучения влияния одной или нескольких качественных переменных на одну зависимую количественную переменную (табл. 4).

Таблица 4

ANOVA

#

Показатель

df

SS

MS

F

Значение F

1

Регрессия

3

162,115

54,038

909

1,797

2

Остаток

9

0,534

0,059

 

 

3

Итог

12

162,65

 

 

 

Коэффициент x1 имеет оценочную стандартную ошибку 0,015; t-статистика 0,157; p-значение 0,04;

для x2: стандартная ошибка составляет 0,071, t-статистика 1,265, p-значение 0,004;

x3: стандартная ошибка составляет 0,019, t-статистика 1,259, p-значение 0,02.

F-тест - 909.

Поскольку значение P меньше 0,05, мы не отвергаем нулевую гипотезу о том, что параметры регрессии равны 0 при уровне значимости 0,05. Проанализировав все показатели, мы пришли к выводу, что параметры в совокупности являются статистически значимыми.

Регрессионный анализ может быть использован для моделирования будущей зависимости переменных.

Используя собранные статистические данные (табл. 1), а также принимая во внимание результаты регрессионного анализа, мы составили прогноз затрат на ИТ на будущие 5 лет.

Таблица 5

Прогноз расходов на всемирном ИТ рынке, триллионы долларов

Год

y

Результаты прогноза y

Стандартная ошибка

2010

3,4

3,506

0,264

2011

3,5

3,541

0,237

2012

3,6

3,529

0,227

2013

3,8

3,596

0,259

2014

3,7

3,553

0,258

2015

3,7

3,563

0,239

2016

3,4

3,614

0,249

2017

3,5

3,678

0,233

2018

3,6

3,792

0,220

2019

3,8

3,856

0,240

2020

3,9

3,945

0,253

2021

4,2

3,921

0,254

2022

 

3,945

0,241

2023

 

3,987

0,250

2024

 

4,028

0,259

2025

 

4,070

0,269

2026

 

4,112

0,280

Расходы на ИТ будут расти неравномерно с периодическими отклонениями, и в 2026 году составят 4,1 триллиона долларов при стандартной ошибке 0,2. Показатели прогноза разнятся от ранних показателей, так как ИТ-индустрия подвержена влиянию уровня развития технологий, состояния мировой экономики и многих других факторов, которые невозможно проанализировать из-за непредсказуемости их возникновения.

Крупные предприятия готовы и желают инвестировать в свои технологии в предстоящих годах, будь то обновление или замена устаревших систем или продолжение развития своих ИТ-проектов. В целом расходы на ИТ увеличатся по сравнению с прошлыми несколькими годами, поскольку руководители сосредоточат свое внимание на технологиях, которые улучшают и развивают цифровую рабочую среду [10].

ИТ рынок, постоянно развивающаяся индустрия, расходы на которую растут и падают на протяжении всех исследуемых шестнадцати лет под влиянием многих экономических, политических и социальных факторов. Эти зависимости и их последствия трудно предсказать, но мы создали прогноз на ближайшие 5 лет, который показал постепенный рост рынка, отраженный в увеличении прогнозируемых показателей, что подтверждается восстановлением экономики в целом и повсеместным внедрением новейших технологий.

Текст статьи
  1. Специя В. Инвестиции в ИКТ и производительность // Журнал ОЭСР: Экономические исследования, 2013. №1. URL: www.oecd-ilibrary.org/economics/ict-investments-and-productivity_eco_studies-2012-5k8xdhj4tv0t (дата обращения 21.12. 2021).
  2. Догерти К. Введение в эконометрику. Пятое издание. Нью-Йорк: Издательство Оксфордского университета, 2016. 590 с.
  3. Идальго Б., Гудман М. Многомерная или Многомерная регрессия? // Американский журнал общественного здравоохранения. 2013. № 103(1). С. 39-40. URL: www.semanticscholar.org/paper/Multivariate-or-multivariable-regression-Hidalgo-Goodman/5d79eb537d7049189064517bafba70d8c4b5f899 (дата обращения: 23. 12. 2021).
  4. Gartner прогнозирует, что глобальные расходы на ИТ вырастут на 3,2 Процента в 2019 году. URL: www.gartner.com/en/newsroom/press-releases/2018-10-17-gartner-says-global-it-spending-to-grow-3-2-percent-in-2019 (дата обращения: 22.12.2021)
  5. Доходы IBM по всему миру с 1999 по 2020 год. URL: www.statista.com/statistics/265003/ibms-revenue-since-1999/ (дата обращения: 23.12.2021)
  6. Предприятия, которые нанимали или пытались нанять специалистов в области ИКТ. URL: ec.europa.eu/eurostat/databrowser/view/isoc_ske_itrcrn2/default/table?lang=en (дата обращения: 25.12.2021).
  7. Отчет о ИТ-навыках и заработной плате за 2010-2021 годы. URL: www.globalknowledge.com (дата обращения: 25.12.2021)
  8. Я. Синь. Линейный регрессионный анализ: теория и вычисления. Сипгапур: Мировя наука, 2016. 328 с.
  9. Елисеева И.И. Эконометрика. М: Юрайт, 2019. 449 с.
  10. Глобальные расходы на ИКТ - Прогноз на 2020 – 2023 годы. URL: https://www.idc.com/promo/global-ict-spending/forecast (дата обращения: 25.12.2021).
Список литературы