Pobierz - mikroekonomia.net

Marek Kunasz
ROZDZIAŁ 12
PRZYKŁAD ZASTOSOWANIA METOD WAP DO ANALIZY
PROCESÓW GOSPODAROWANIA ZASOBAMI LUDZKIMI W
PRZEDSIĘBIORSTWIE
1. Wprowadzenie
Celem głównym niniejszego opracowania jest przedstawienie wybranych metod
liniowego porządkowania i grupowania obiektów oraz przykładu praktycznego zastosowania
metod do analizy procesów gospodarowania zasobami ludzkimi w przedsiębiorstwie.
Opracowanie ma charakter teoretyczno-empiryczny. Wykorzystywane źródła to
istniejący materiał teoretyczny zawarty w literaturze dotyczącej poruszanej problematyki.
Podstawowym źródłem danych empirycznych są przeprowadzone przez autora w połowie
2004 roku badania systemów szkolenia i doskonalenia zawodowego na grupie
przedsiębiorstw notowanych na Giełdzie Papierów Wartościowych w Warszawie, obejmujące
lata 1998-2003.
2. Wielowymiarowa analiza porównawcza – procedura porządkowania liniowego i
grupowania obiektów
Wielowymiarowa analiza porównawcza (WAP) jest dyscypliną naukową zajmującą
się porównywaniem obiektów za pomocą wielu cech diagnostycznych, czyli analizą zjawisk
złożonych opisywanych za pomocą przynamniej dwóch lub większej liczby zmiennych. Przez
obiekty należy rozumieć jednostki badania (np. przedsiębiorstwa, produkty, konsumentów),
cechy diagnostyczne są zaś właściwościami jednostek badanego zbioru rozpatrywanymi z
punktu widzenia zjawiska będącego kryterium porównywania obiektów1.
Metody wielowymiarowej analizy porównawczej stosuje się w celu transformacji
wielowymiarowej przestrzeni zmiennych diagnostycznych do jednowymiarowej przestrzeni
zmiennej syntetycznej, umożliwiającej uporządkowanie podmiotów ze względu na poziom
badanego zjawiska.
W ramach metod WAP wyróżniamy tzw. metody taksonomiczne, umożliwiające
rozwiązywanie następujących zagadnień:
• badanie podobieństw obiektów w zakresie poziomu zjawiska złożonego (metody
grupowania),
• uszeregowanie obiektów pod względem poziomu zjawiska złożonego (metody
porządkowania liniowego)
W dalszej części zostaną zaprezentowane wybrane metody z drugiej grupy zagadnień.
Niezależnie od przyjętej miary syntetycznej konieczne jest wyróżnienie w zbiorze
cech diagnostycznych: stymulant, destymulant i nominant. Stymulantami są nazywane takie
zmienne, których rosnące wartości świadczą o wzroście poziomu badanego zjawiska,
Destymulantami są nazywane takie zmienne, których spadek wartości świadczy o wzroście
1
A.Jankiewicz-Siwek, Syntetyczne miary oceny zdolności kredytowej przedsiębiorstw (propozycja dla banków),
w: Ekonometryczne modelowanie danych finansowo-księgowych, (red.) E.Nowak, M.Urbanek, UMCS, Lublin
1996, s. 23.
132
Marek Kunasz
poziomu badanego zjawiska. Nominantą nazywamy takie zmienne, których określony poziom
(np. w pewnym przedziale) świadczy o wysokiej wartości badanego zjawiska, zaś wartości
mniejsze i większe świadczą o niższym poziomie zjawiska2. Jeżeli w zbiorze cech
diagnostycznych występują destymulanty i nominanty to należy je przekształcić w
stymulanty3.
Nie wszystkie cechy są jednakowo istotne z punktu widzenia przedmiotu badań i nie
wszystkie powinny być w dalszych analizach uwzględniane, a wyboru zmiennych do zbioru
cech diagnostycznych należy dokonywać posługując się kryterium4:
• uniwersalności – cechy diagnostyczne powinny mieć uznaną powszechnie wagę i
znaczenie,
• zmienności – cechy diagnostyczne powinny wykazywać dostateczną zmienność
przestrzenną, czyli być nośnikiem informacji różnicującej badane obiekty, w tym celu
oblicza się dla analizowanych cech według wzoru współczynnik zmienności, zaś
eliminacji podlegają te, dla których ów współczynnik osiąga wartość mniejszą od
arbitralnie zadanej małej liczby dodatniej ε, często przyjmuje się jako granicę ε=0,1.
• stopnia skorelowania – zbyt silne powiązanie dwóch analizowanych cech powoduje, iż są
one nośnikami podobnych informacji, dlatego przyjmuje się, iż w przypadku identyfikacji
zbyt wysokiej wartości wskaźnika korelacji pomiędzy analizowanymi cechami należy
dokonać wyboru reprezentanta, zazwyczaj kierując się przesłankami merytorycznymi; za
progowy poziom współczynnika korelacji przyjmuje się zazwyczaj r*=0,75.
• ważności – za cechy ważne uznaje się takie, które trudno osiągają wysokie wartości; w
celu eliminacji cech nieważnych oblicza się najczęściej współczynnik asymetrii, według
wzoru (); jeżeli rozkład zmiennej charakteryzuje się silną asymetrią lewostronną, można
uznać, iż analizowana cecha nie różnicuje obiektów, bowiem większość z nich osiąga
wysoki stopień nasycenia.
Zgromadzone zmienne wyjściowe są zazwyczaj wyrażone w różnych jednostkach
miary, mają również różne obszary zmienności, nie jest zatem możliwe bezpośrednie
wykonywanie na nich operacji arytmetycznych ani też ich porównywanie. Przeprowadzenie
operacji normalizacji zmiennych zapewnia eliminację wymienionych ograniczeń formalnych i
trudności interpretacyjnych6. W praktyce stosuje się procedury określane mianem7:
• standaryzacji,
• unitaryzacji,
2
Ekonometria – metody i analiza problemów ekonomicznych, (red.) K.Jajuga, Akademia Ekonomiczna we
Wrocławiu, Wrocław 1999, s. 37.
3
szerzej na temat metod przekształcania nominanty na stymulantę, zob. G. Kowalewski, Nominanty
niesymetryczne w wielowymiarowej analizie sytuacji finansowej jednostek gospodarczych, Przegląd
Statystyczny 2002, Zeszyt 2; K.Kukuła, Metoda unitaryzacji zerowanej, PWN, Warszawa 2000, J.Batóg,
Klasyfikacja obiektów w przypadku agregacji danych, Zeszyty Naukowe Uniwersytetu Szczecińskiego,
Szczecin 2003.
4
Statystyczne metody analizy danych, (red.) W. Ostasiewicz, Akademia Ekonomiczna we Wrocławiu, Wrocław
1998, s.116; A.Malina, A.Zieliaś, Taksonomiczna analiza przestrzennego zróżnicowania jakości życia ludności
w Polsce w 1994 r., w: Ekonometryczne modelowanie danych finansowo-księgowych, (red.) E.Nowak,
M.Urbaniak, UMCS, Lublin 1996, s. 85-89.
5
E. Nowak, Metody taksonomiczne w klasyfikacji obiektów społeczno-gospodarczych, PAN, Warszawa 1990.
6
T. Borys, Metody normowania cech w statystycznych badaniach porównawczych, Przegląd Statystyczny 1978,
nr 2.
7
W obrębie każdej z procedur podstawą normalizacji mogą być różne miary, np. średnia arytmetyczna,
odchylenie standardowe, wartość minimalna i maksymalna bądź rozstęp. W pracy podano procedury najczęściej
stosowane, szerzej zob. A.Bąk, Wykorzystanie metod wielowymiarowej analizy porównawczej w analizie
finansowej, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 811, Wrocław 1999, s. 52; W.Bijak,
M.Smętek, Metody wielowymiarowej analizy porównawczej w systemie wczesnego ostrzegania PUNU, w:
Inwestycje finansowe i ubezpieczenia – tendencje światowe a polski rynek, (red.) K.Jajuga, W. RonkaChmielowiec, Akademia Ekonomiczna we Wrocławiu, Wrocław 2002, s. 217-218.
Przykład zastosowania metod WAP do analizy procesów gospodarowania ...
133
•
przekształceń ilorazowych.
W przypadku standaryzacji następuje wyrównanie dyspersji oraz poziomu wartości
cechy, bowiem wariancje zmiennych diagnostycznych są równe 1 a średnie arytmetyczne – 0,
w związku z tym każda ze zmiennych w jednakowym stopniu wpływa na finalne wyniki
prowadzonej analizy8. Unitaryzacja oraz przekształcenia ilorazowe pozwalają na zachowanie
zróżnicowanej wariancji cech i proporcji między wartościami znormalizowanymi oraz
pierwotnymi, a dzięki temu nadanie im zróżnicowanego znaczenia.
Od sposobu normalizacji uzależniony jest wybór formuły agregującej, przy czym
procedury wyznaczania miernika syntetycznego możemy podzielić na dwie grupy:
• metody bezwzorcowe,
• metody wzorcowe.
W przypadku metod bezwzorcowych w celu uzyskania miernika syntetycznego
oblicza się wartości średnie zbiorów opisujących poszczególne cechy9 według następującego
wzoru:
1 p
(1)
∑ xij (i = 1,...,m)
p j =1
Uzyskane miary są unormowane w przedziale <0;1>. Otrzymane wyniki można
interpretować jako wartość przeciętna wartości optymalnych osiąganych przez każdy obiekt,
zatem tym wyższą pozycję w tworzonym rankingu osiąga obiekt, im wyższą wartość osiąga
miara syntetyczna.
W metodach wzorcowych10 przyjmuje się istnienie tzw. „obiektu wzorcowego” (z0),
który reprezentuje najlepsze (maksymalne) wartości dla każdej zmiennej:
z0 = [z01 z02 ... z0j ... z0m]
gdzie:
zi =
max z ij , gdy zmienna Zj jest stymulantą
z0 j = 
min z ij , gdy zmienna Zj jest destymulantą
Według poniższego wzoru wyznacza się odległość11 poszczególnych obiektów12 od
wzorca rozwoju (di0):
d i0 =
m
∑ (z
j =1
ij
− z oj ) 2
(i = 1,...,m j = 1,...,k)
(2)
Wartości wskaźnika nie są unormowane w przedziale <0;1>, zatem konieczne jest
zbudowanie względnego miernika rozwoju (zi), z wykorzystaniem następującego wzoru:
zi = 1 −
8
di0
d0
(i = 1,...,m)
(3)
W.Pluta, Wielowymiarowa analiza porównawcza w modelowaniu ekonometrycznym, PWN, Warszawa 1986,
s. 117.
9
wartości znormalizowane za pośrednictwem procedur unitaryzacji lub przeszksztaceń ilorazowych.
10
w tej grupie metod najczęściej stosowaną w praktyce miarą syntetyczną jest miara Hellwiga zwana również
miarą rozwoju, praktyczny sposób wykorzystania tej metody został przedstawiony w pracach W.Tarczyńskiego,
który zbudował taksonomiczną miarę atrakcyjności inwestycji (TMAI). Zob. W.Tarczyński, Rynki kapitałowe,
vol. I, Placet, Warszawa 2001; W.Tarczyński, Taksonomiczna miara atrakcyjności inwestycji w papiery
wartościowe, Przegląd Statystyczny 1994, nr 3.
11
najczęściej oblicza się odległość euklidesową, jednakże istnieje możliwość zastosowania innych procedur
obliczeniowych, szerzej zob. A, Bąk, Wykorzystanie ..., op. cit., s. 54.
12
wartości zestandaryzowane.
134
Marek Kunasz
przy czym odległość wzorcową do wyznacza się ze wzoru:
d 0 = d + 2sd
(4)
gdzie:
d - przeciętna odległość między obiektami a wzorcem rozwoju,
sd - odchylenie standardowe,
wyznaczane ze wzorów:
d=
1 n
d i 0 ; s d = 1 ∑ (d i 0 − d )
∑
n i =1
n
2
(5; 6)
do może być wyznaczona również według wzoru (4.12) jako odległość między wzorcem
rozwoju i antywzorcem (z-0), czyli obserwacją abstrakcyjną o „najgorszych” (minimalnych)
wartościach każdej zmiennej:
z-0 = [z-01 z-02 ... z-0j ... z-0m]
gdzie:
min z ij , gdy zmienna Zj jest stymulantą
z −0 j = 
max z ij , gdy zmienna Zj jest destymulantą
d0 =
m
∑ (z
j =1
oj
− z − oj ) 2 (i = 1,...,m j = 1,...,k)
(7)
Im wartości miernika obliczonego miernika syntetycznego są bliższe jedności, tym
dany obiekt mniej różni się od wzorca rozwoju.
Posługując się kryterium malejącej wartości miernika systematycznego można
sporządzić ranking badanych podmiotów. Następnie na bazie uporządkowanych wartości
może zostać przeprowadzony podział tychże podmiotów ze względu na poziom badanego
zjawiska na cztery grupy typologiczne (bardzo dobre, dobre, słabe, bardzo słabe). Granice
przedziałów zmiennej wyznacza się w oparciu o obliczone wartości: średniej arytmetycznej
i odchylenia standardowego miernika syntetycznego. Zatem zbiór badanych obiektów może
zostać podzielony na grupy obejmujące obiekty o wartościach zmiennej syntetycznej z
następujących przedziałów13.
(8)
• grupa I (bardzo dobre): z i ≥ z + s z ,
(9)
• grupa II (dobre):
z + s z > zi ≥ z,
(10)
• grupa III (słabe):
z > zi ≥ z − s z ,
(11)
• grupa IV (bardzo słabe):
zi < z − s z
3. Procedura porządkowania liniowego i grupowania badanych podmiotów
Wykorzystując metody wielowymiarowej analizy porównawczej dokonano
uporządkowania liniowego badanych podmiotów ze względu na intensywność prowadzonych
inwestycji w rozwój kapitału intelektualnego pracowników a także przyporządkowania ich do
czterech heterogenicznych grup przedsiębiorstw: bardzo dobrych, dobrych, słabych i bardzo
słabych ze względu na poziom badanego zjawiska. Postępowanie, wynikiem którego było
obliczenie miernika syntetycznego oraz przyporządkowanie badanych przedsiębiorstw do
grup typologicznych przebiegało według powyżej opisanej procedury.
Za zmienne diagnostyczne przyjęto wskaźniki analizowane w poprzednim punkcie dla
próby:
13
Bardziej szczegółowy podział można uzyskać przyjmując szerokość przedziału 0,5 sz .Zbiór obiektów zostanie
podzielony wówczas na 8 grup typologicznych.
Przykład zastosowania metod WAP do analizy procesów gospodarowania ...
135
x1 - odsetek przeszkolonych pracowników,
x2 - wskaźnik inwestycji szkoleniowych,
x3 - zmiana średniego stopnia edukacji,
x4 - odsetek pracowników kształcących się.
Przyjęte cechy diagnostyczne:
• wykazują dostateczną zmienność przestrzenną i są nośnikiem informacji różnicującej
badane obiekty, bowiem obliczone dlań współczynniki zmienności osiągają wartości
większe od arbitralnie zadanej ε=0,1,
• nie są ze sobą silnie skorelowane, bowiem obliczone dlań współczynniki korelacji
Pearsona nie przekraczają poziomu progowego r* = 0,7,
• spełniają również postulat ważności i trudno osiągają wysokie wartości, bowiem
obliczone dlań współczynniki asymetrii wskazują na asymetrię prawostronną rozkładu
badanych zmiennych,
Wszystkie zmienne mają charakter stymulant, w związku z tym nie podejmowano
działań w zakresie zamiany destymulant i nominat na stymulanty. Do normalizacji
statystycznej zmiennych zastosowano procedurę unitaryzacji według wzoru:
x ij
(i = 1,...,m j = 1,...,k)
(8)
z ij =
max x ij
W wyniku odpowiednich przekształceń uzyskano niemianowane unormowane
wartości wskaźników z przedziału <0;1>, z zachowaniem zróżnicowanej wariancji cech.
Następnie dokonano agregacji danych metodą bezwzorcową (wzór 1). Wynikiem końcowym
zastosowanej procedury obliczeniowej jest ranking badanych podmiotów sporządzony
według kryterium malejącej wartości miernika syntetycznego.
Następnie w oparciu o obliczone wartości miernika syntetycznego przeprowadzono
procedurę grupowania, czyli przyporządkowania badanych podmiotów do czterech grup
typologicznych według kryteriów zawartych we wzorach 8 – 11. W efekcie przedsiębiorstwa
zostały podzielone ze względu na osiągane wyniki na: bardzo dobre, dobre, słabe i bardzo
słabe. Obliczono miary niezbędne do przeprowadzenia procedury grupowania:
•
= 0,2111; sz = 0,1363; vz = 0,6457; + sz = 0,3474; - sz = 0,0748.
Do poszczególnych grup typologicznych zaliczono zatem przedsiębiorstwa, dla
których obliczone mierniki syntetyczne przyjmują wartości z następujących przedziałów:
z
z
z
• grupa I (bardzo dobre): zi ≥ 0,3474,
• grupa II (dobre): 0,3474 > zi ≥ 0,1363,
• grupa III (słabe): 0,1363 > zi ≥ 0,0748,
• grupa IV (bardzo słabe): zi < 0,0748.
Histogram udziału przedsiębiorstw z wyodrębnionych grup typologicznych w ogóle
badanych podmiotów zawiera wykres 1:
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
43,5%
23,9%
17,4%
15,2%
Grupa I
bardzo dobre
Grupa II
dobre
Grupa III
słabe
Grupa IV
bardzo słabe
136
Marek Kunasz
Wykres 1. Histogram udziału przedsiębiorstw z wyodrębnionych grup typologicznych w
ogóle badanych podmiotów
Źródło: opracowanie własne na podstawie wyników badań.
W skład grupy pierwszej wchodzi 17,4 % badanych podmiotów, przedsiębiorstwa z
grupy drugiej reprezentują 23,9 % ogółu, najliczniejsza jest grupa trzecia, w jej skład wchodzi
bowiem 43,5 % badanych podmiotów, zaś najmniej liczną jest grupa czwarta, którą tworzy
15,2 % przedsiębiorstw.
Analizie poddano strukturę wyodrębnionych grup, ze względu na przyjęte kryteria
podziału populacji (wykresy 2 i 3):
• makrosektor (przedsiębiorstwa przemysłowe, finansowe i usługowe),
• wielkość przedsiębiorstwa (przedsiębiorstwa małe, średnie i duże).
Grupa I
przemysł
37,5 %
finanse
37,5 %
25,0 %
usługi
36,4 %
przemysł
Grupa II
18,2 %
finanse
45,5 %
usługi
przemysł
Grupa III
89,5 %
finanse
10,5 %
usługi
przemysł
Grupa IV
85,7 %
finanse
14,3 %
usługi
0,0
10,0
20,0
30,0
40,0
50,0
60,0
70,0
80,0
90,0
Wykres 2. Struktura wyodrębnionych grup – kryterium podziału: makrosektor
Źródło: opracowanie własne na podstawie wyników badań.
25,0 %
małe
Grupa I
12,5 %
średnie
62,5 %
duże
9,1 %
małe
Grupa II
średnie
45,5 %
duże
45,5 %
małe
Grupa III
5,0 %
15,0 %
średnie
80,0 %
duże
małe
Grupa IV
0,0 %
28,6 %
średnie
71,4 %
duże
0,0
10,0
20,0
30,0
40,0
50,0
60,0
Wykres 3. Struktura wyodrębnionych grup – kryterium podziału: wielkość pb.
Źródło: opracowanie własne na podstawie wyników badań.
70,0
80,0
Przykład zastosowania metod WAP do analizy procesów gospodarowania ...
137
W grupie przedsiębiorstw bardzo dobrych i dobrych (grupa I i II) dominują podmioty
z sektora finansowego oraz usługowego (głównie handel i TMT). W pierwszej z
wymienionych grup reprezentują 62,5 %, a w drugiej 63,6 % przyporządkowanych spółek.
Należy zwrócić uwagę na fakt, iż instytucje finansowe wchodzą jedynie w skład dwóch
pierwszych (najlepszych) grup. W grupie podmiotów słabych i bardzo słabych (grupa III i IV)
dominują przedsiębiorstwa przemysłowe (ze wszystkich sektorów poza przemysłem
chemicznym, reprezentowanym przeważnie w grupach I i II). Stanowią odpowiednio 89,5 % i
85,7 % ogółu przyporządkowanych spółek, resztę tworzą przedsiębiorstwa usługowe
(głównie z sektora usługi-inne).
Analizując dane zawarte na wykresie 3, należy zwrócić uwagę na fakt, iż większość
przedsiębiorstw małych została przyporządkowana do grup I i II. Przedsiębiorstwa duże,
najliczniej reprezentowane w badanej populacji, stanowią zazwyczaj większość podmiotów z
każdej z grup, jednakże w grupach I i II ich udział jest relatywnie mniejszy i kształtuje się
odpowiednio na poziomie 62,5 % i 45,5 %. W grupach spółek słabych i bardzo słabych
dominacja przedsiębiorstw dużych jest bardziej widoczna, a ilustrują to wyższe wskaźniki
struktury, które ukształtowały się na poziomie 80,0 % dla podmiotów z grupy III i 71,4 % - z
grupy IV. Analiza danych nie daje podstaw do tak jednoznacznych stwierdzeń dla spółek
średniej wielkości, gdyż podmioty te w porównaniu z przedsiębiorstwami dużymi i małymi,
były relatywnie proporcjonalnie reprezentowane w ramach poszczególnych grup. Zanotowano
największy udział tychże podmiotów w strukturze grup: II i IV (odpowiednio 45,5 % i
28,6 %).
Dla wszystkich grup typologicznych obliczono średnie wartości przyjętych do analizy
wskaźników (zmiennych diagnostycznych). Wyniki obliczeń zaprezentowano w tabeli 1.
Tabela 1
Grupa
Grupa I
Grupa II
Grupa III
Grupa IV
Grupa I
Grupa II
Grupa III
Grupa IV
Grupa I
Grupa II
Grupa III
Grupa IV
Grupa I
Grupa II
Grupa III
Grupa IV
Średnie wartości przyjętych zmiennych diagnostycznych
1998
1999
2000
2001
2002
2003
x1 – odsetek przeszkolonych pracowników
1,01
1,26
1,51
1,79
2,03
2,75
0,69
0,76
1,15
0,81
0,82
0,91
0,35
0,4
0,42
0,39
0,39
0,54
0,16
0,17
0,15
0,11
0,11
0,14
x2 – wskaźnik inwestycji szkoleniowych
536,7
694,6 1047,5 1087,9 1096,9 1349,5
351,7
363,7
393,9
440,3
409,3
411,3
149,2
163,7
178,7
153,8
162
183,4
61,2
61,6
63
55,5
56,6
68,2
x3 – zmiana średniego stopnia edukacji
0,021
0,025
0,018
0,019
0,012
0,013
0,023
0,019
0,007
0,01
0,006
0,007
0,005
-0,001
0,01
0,004
x4 - odsetek pracowników kształcących się
2,9
3,2
3,4
3,6
3,9
2
2,7
2,5
2,7
3,2
1,4
1,5
1,6
1,7
1,5
0,7
0,8
0,9
1
1,1
Źródło: opracowanie własne na podstawie wyników badań.
0,018
0,019
0,007
0,009
4,1
2,5
1,4
1
138
Marek Kunasz
Analizując dane zawarte w tabeli 1 należy stwierdzić, iż przedsiębiorstwa określane
mianem bardzo dobrych (grupa I) bardzo intensywnie inwestowały w rozwój kapitału
intelektualnego swoich pracowników, bowiem szkolił się w nich największy odsetek
pracowników a także ponosiły najwyższe wydatki szkoleniowe na zatrudnionego, należy
zwrócić również uwagę na fakt wysokiej dynamiki zmian wskaźników obrazujących te
procesy. Tylko dla przedsiębiorstw z tej grupy wskaźnik odsetka przeszkolonych
pracowników przyjmował wartości powyżej jedności, co oznacza, iż na jednego
zatrudnionego średnio przypadał więcej niż jeden przeszkolony. W 1998 roku średnia wartość
wskaźnika oscylowała wokół jedności, zaś w ciągu badanego okresu nastąpił wzrost odsetka
przeszkolonych pracowników o 172 %, zatem w 2003 r. średnio każdy pracownik w tej
grupie przedsiębiorstw brał już udział w prawie trzech szkoleniach w ciągu roku. W latach
1998 – 2003 w tej grupie nastąpił 151 % wzrost wydatków przypadających na zatrudnionego
(z 536,7 zł do 1349,5). Średnio z budżetu szkoleniowego na zatrudnionego wydatkowano
1067,7 zł. O skali ponoszonych inwestycji szkoleniowych w tej grupie niech zaświadczy fakt,
iż w przedsiębiorstwach określonych mianem dobrych (grupa II) wydatki te kształtowały się
na średnim poziomie 401,6 zł, a wskaźnik odsetka przeszkolonych pracowników nie osiągnął
nawet jedności, zwiększając swój poziom w badanym okresie z 0,69 do 0,91.
Należy również stwierdzić, iż przedsiębiorstwa z grupy I i II w większym zakresie niż
pozostałe dbały o potencjał kwalifikacyjny swoich pracowników. Świadczą o tym:
• utrzymująca się stała tendencja zmian średniego stopnia edukacji dla przedsiębiorstw z
obu grup rocznie średnio o 1,9 %,
• wysoki odsetek pracowników uzupełniających swoje kwalifikacje14 - wyższy dla
przedsiębiorstw z grupy I średnio 3,5 % zatrudnionych w tej grupie w stosunku do 2,6 %
załogi w przedsiębiorstwach z grupy porównywanej (II).
Przedsiębiorstwa określane mianem „słabych” i „bardzo słabych” wydatkowały
znacznie mniejsze kwoty (przypadające na zatrudnionego) na inwestycje w rozwój kapitału
ludzkiego, w efekcie również mniejszy odsetek pracowników otrzymywał szansę
uczestnictwa w organizowanych szkoleniach. Przedsiębiorstwa z grupy III (słabe) na cele
szkoleniowe przeznaczały średnio 162,9 zł na zatrudnionego. W przypadku spółek z grupy IV
(bardzo słabych) kwota ta stopniała do 61,4 zł (w porównaniu np. z kwotą 1067,7 zł w grupie
I). W konsekwencji podmioty słabe przeszkoliły średnio 39,5 % ogółu zatrudnionych, zaś
bardzo słabe - tylko 14,5 %, z dynamiką ujemną (spadek wartości wskaźnika z 0,16 w 1998 r.
do 0,14 2003 r. przy wysokiej dodatniej dynamice zmian w skali całej populacji).
Przedsiębiorstwa słabe i bardzo słabe w mniejszym zakresie rozwijały również
potencjał kwalifikacyjny kadr. Zmiany średniego stopnia edukacji, chociaż w kierunku
pożądanym i zgodnym z ogólną tendencją, zachodziły mniej dynamicznie, w przypadku
przedsiębiorstw z grupy III średnio w ciągu roku o 0,7 %, zaś z grupy IV – 0,5 %. Podobnych
wniosków dostarcza analiza odsetka pracowników uzupełniających wykształcenie. W
przedsiębiorstwach słabych grupę taką tworzyło 1,5 % zatrudnionych, zaś w bardzo słabych –
1 %.
Można zatem stwierdzić, iż analiza porównawcza danych na szczeblu
wyodrębnionych grup typologicznych wskazuje zatem na wyraźne zróżnicowanie pod
względem prowadzonych inwestycji w rozwój kapitału ludzkiego.
4. Podsumowanie
W opracowaniu przedstawiono przykład zastosowania procedur wielowymiarowej
analizy porównawczej w analizie procesów gospodarowania zasobami ludzkimi w
14
przy wsparciu finansowym przedsiębiorstwa.
Przykład zastosowania metod WAP do analizy procesów gospodarowania ...
139
przedsiębiorstwie. Praktyczne zastosowanie metod taksonomicznych pozwoliło na dokonanie
transformacji wielowymiarowej przestrzeni zmiennych diagnostycznych opisujących procesy
inwestycji w rozwój kapitału ludzkiego do jednowymiarowej przestrzeni zmiennej
syntetycznej, co pozwoliło na liniowe uporządkowanie badanych podmiotów i wyróżnienie
czterech heterogenicznych grup przedsiębiorstw, które można uznać za bardzo dobre, dobre,
słabe i bardzo słabe ze względu na poziom badanego zjawiska. Widoczne jest wyraźne
zróżnicowanie podmiotów wchodzących w skład poszczególnych grup typologicznych.
Wprowadzony podział może stanowić podstawę dalszych analiz.
SPIS LITERATURY:
1. Batóg J., Klasyfikacja obiektów w przypadku agregacji danych, Zeszyty Naukowe
Uniwersytetu Szczecińskiego, Szczecin 2003.
2. Bąk A., Wykorzystanie metod wielowymiarowej analizy porównawczej w analizie
finansowej, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 811, Wrocław
1999.
3. Bijak W., Smętek M., Metody wielowymiarowej analizy porównawczej w systemie
wczesnego ostrzegania PUNU, w: Inwestycje finansowe i ubezpieczenia – tendencje
światowe a polski rynek, (red.) K.Jajuga, W. Ronka-Chmielowiec, Akademia
Ekonomiczna we Wrocławiu, Wrocław 2002.
4. Borys T., Metody normowania cech w statystycznych badaniach porównawczych,
Przegląd Statystyczny 1978, nr 2.
5. Ekonometria – metody i analiza problemów ekonomicznych, (red.) K.Jajuga, Akademia
Ekonomiczna we Wrocławiu, Wrocław 1999.
6. Jankiewicz-Siwek A., Syntetyczne miary oceny zdolności kredytowej przedsiębiorstw
(propozycja dla banków), w: Ekonometryczne modelowanie danych finansowoksięgowych, (red.) E.Nowak, M.Urbanek, UMCS, Lublin 1996.
7. Kowalewski G., Nominanty niesymetryczne w wielowymiarowej analizie sytuacji
finansowej jednostek gospodarczych, Przegląd Statystyczny 2002, Zeszyt 2.
8. Kukuła K., Metoda unitaryzacji zerowanej, PWN, Warszawa 2000.
9. Malina A., Zieliaś A., Taksonomiczna analiza przestrzennego zróżnicowania jakości życia
ludności w Polsce w 1994 r., w: Ekonometryczne modelowanie danych finansowoksięgowych, (red.) E.Nowak, M.Urbaniak, UMCS, Lublin 1996.
10. Nowak E., Metody taksonomiczne w klasyfikacji obiektów społeczno-gospodarczych,
PAN, Warszawa 1990.
11. Pluta W., Wielowymiarowa analiza porównawcza w modelowaniu ekonometrycznym,
PWN, Warszawa 1986.
12. Statystyczne metody analizy danych, (red.) W. Ostasiewicz, Akademia Ekonomiczna we
Wrocławiu, Wrocław 1998.
13. Tarczyński W., Rynki kapitałowe, vol. I, Placet, Warszawa 2001.
14. Tarczyński W., Taksonomiczna miara atrakcyjności inwestycji w papiery wartościowe,
Przegląd Statystyczny 1994, nr 3.