Савенков Л.Д. Методика формирования индексов оценки стратегического потенциала предприятий металлургической промышленности

Научная статья
УДК 311:65
https://doi.org/10.24158/tipor.2025.10.20

Методика формирования индексов оценки стратегического потенциала

предприятий металлургической промышленности

 
Леонид Дмитриевич Савенков
Тольяттинский государственный университет, Тольятти, Россия,
leonidsavenkov89@yandex.ru, https://orcid.org/0009-0002-4226-5165

Аннотация. Актуальной задачей современной науки является статистическая оценка стратегического потенциала предприятий металлургической промышленности на основе набора различных показателей. При этом существует несколько подходов к данному процессу. Автором разработана система универсальных и отраслевых статистических индикаторов, отражающих структуру стратегического потенциала предприятий металлургического комплекса, которая состоит из обобщающего показателя и шести частных, которые характеризуют финансово-экономическую, экологическую, кадровую, инвестиционно-инновационную, производственно-технологическую, организационно-управленческую составляющие стратегического потенциала. Обобщающий и частные показатели определяются по исходным значениям с использованием анализа основных компонент (РСА). Полученные результаты подтверждают наличие отраслевого кризиса стратегического потенциала в 2021–2023 гг. на предприятиях металлургической промышленности России, сопровождающегося общей тенденцией к снижению интегральных значений по всем компаниям.
Ключевые слова: метод анализа главных компонент (PCA), стратегический потенциал, предприятия металлургической промышленности, частные обобщающие индексы, финансово-экономический потенциал, экологический потенциал, инвестиционно-инновационный потенциал, многомерные индикаторы, устойчивое развитие, интегральная оценка
Финансирование: инициативная работа.
Для цитирования: Савенков Л.Д. Методика формирования индексов оценки стратегического потенциала предприятий металлургической промышленности // Теория и практика общественного развития. 2025. № 10. С. 182–189. https://doi.org/10.24158/tipor.2025.10.20.

Original article

Methodology for the Formation of Indices for Assessing the Strategic Potential

of Enterprises in the Metallurgical Industry

Leonid D. Savenkov
Tolyatti State University, Tolyatti, Russia,
leonidsavenkov89@yandex.ru, https://orcid.org/0009-0002-4226-5165
 
Abstract. A pressing task in modern science is the statistical assessment of the strategic potential of enterprises in the metallurgical industry based on a set of various indicators. Several approaches to assessing strategic potential exist. The author has developed a system of universal and industry-specific statistical indicators reflecting the structure of the strategic potential of metallurgical enterprises. This system consists of a general indicator and six sub-indicators characterizing the financial and economic, environmental, human resources, investment and innovation, production and technological, and organizational and managerial components of strategic potential. The general and sub-indicators are determined based on initial values using principal component analysis (PCA). The obtained results confirm the presence of an industry-wide crisis of strategic potential in 2021–2023 at Russian metallurgical enterprises, accompanied by a general trend toward declining integral values across all companies.
Keywords: principal component analysis (PCA), strategic potential, metallurgical industry enterprises, private general indices, financial and economic potential, environmental potential, investment and innovation potential, multidimensional indicators, sustainable development, integrated assessment
Funding: Independent work.
For citation: Savenkov, L.D. (2025) Methodology for the Formation of Indices for Assessing the Strategic Potential of Enterprises in the Metallurgical Industry. Theory and Practice of Social Development. (10), 182–189. Available from: doi:10.24158/tipor.2025.10.20 (In Russian).

© Савенков Л.Д., 2025

Список источников:
 
Buss R., Silva R., Siqueira G., Leiva J., Oliveira O., França V. Spatial and Multivariate Analysis of Soybean Productivity and Soil Physical-Chemical Attributes // Revista Brasileira De Engenharia Agrícola E Ambiental. 2019. Vol. 23, iss. 6. P. 446–453. https://doi.org/10.1590/1807-1929/agriambi.v23n6p446-453.
Chasekwa B., Maluccio J., Ntozini R., Moulton L., Wu F., Smith L., Matare C.R., Stoltzfus R.J., Mbuya M.N.N., Tielsch J.M., Martin S.L., Jones A.D., Humphrey J.H., Fielding K. Measuring Wealth in Rural Communities: Lessons from the Sanitation, Hygiene, Infant Nutrition Efficacy (Shine) Trial // Plos One. 2018. Vol. 13, iss. 6. P. e0199393. https://doi.org/10.1371/journal.pone.0199393.
Geng X., Wang L. NPSA: Nonorthogonal Principal Skewness Analysis // Ieee Transactions on Image Processing. 2020. Vol. 29. P. 6396–6408. https://doi.org/10.1109/tip.2020.2984849.
Jolliffe I., Cadima J. Principal Component Analysis: a Review and Recent Developments // Philosophical Transactions of the Royal Society a Mathematical Physical and Engineering Sciences. 2016. Vol. 374, iss. 2065. P. 20150202. https://doi.org/10.1098/rsta.2015.0202.
Ma J., Amos C.I. Theoretical Formulation of Principal Components Analysis to Detect and Correct for Population Stratification // PLoS ONE. 2010. Vol. 5, iss. 9. P. e12510. https://doi.org/10.1371/journal.pone.0012510.
Mannocci P., Giannone E., Ielmini D. In-Memory Principal Component Analysis by Analogue Closed-Loop Eigendecomposition // Ieee Transactions on Circuits & Systems Ii Express Briefs. 2024. Vol. 71, iss. 4. P. 1839–1843. https://doi.org/10.1109/tcsii.2023.3334958.
Vyas S., Kumaranayake L. Constructing Socio-Economic Status Indices: How to Use Principal Components Analysis // Health Policy and Planning. 2006. Vol. 21, iss. 6. P. 459–468. https://doi.org/10.1093/heapol/czl029.
 
References:
 
Buss, R., Silva, R., Siqueira, G., Leiva, J., Oliveira, O. & França, V. (2019) Spatial and Multivariate Analysis of Soybean Productivity and Soil Physical-Chemical Attributes. Revista Brasileira De Engenharia Agrícola E Ambiental. 23 (6), 446–453. Available from: doi:10.1590/1807-1929/agriambi.v23n6p446-453.
Chasekwa, B., Maluccio, J., Ntozini, R., Moulton, L., Wu, F., Smith, L., Matare, C.R., Stoltzfus, R.J., Mbuya, M. N. N., Tielsch, J. M., Martin, S. L., Jones, A. D., Humphrey, J. H. & Fielding, K. (2018) Measuring Wealth in Rural Communities: Lessons from the Sanitation, Hygiene, Infant Nutrition Efficacy (Shine) Trial. Plos One. 13 (6), e0199393. Available from: doi:10.1371/journal.pone.0199393.
Geng, X. & Wang, L. (2020) NPSA: Nonorthogonal Principal Skewness Analysis. Ieee Transactions on Image Processing. 29, 6396–6408. Available from: doi:10.1109/tip.2020.2984849.
Jolliffe, I. & Cadima, J. (2016) Principal Component Analysis: a Review and Recent Developments. Philosophical Transactions of the Royal Society a Mathematical Physical and Engineering Sciences. 374 (2065), 20150202. Available from: doi:10.1098/rsta.2015.0202.
Ma, J. & Amos, C. I. (2010) Theoretical Formulation of Principal Components Analysis to Detect and Correct for Population Stratification. PLoS ONE. 5 (9), e12510. Available from: doi:10.1371/journal.pone.0012510.
Mannocci, P., Giannone, E. & Ielmini, D. (2024) In-Memory Principal Component Analysis by Analogue Closed-Loop Eigendecomposition. Ieee Transactions on Circuits & Systems Ii Express Briefs. 71 (4), 1839–1843.  Available from: doi:10.1109/tcsii.2023.3334958.
Vyas, S. & Kumaranayake, L. (2006) Constructing Socio-Economic Status Indices: How to Use Principal Components Analysis. Health Policy and Planning. 21 (6), 459–468. Available from: doi:10.1093/heapol/czl029.