نکاتی پیرامون تحلیل داده‌های مالی و اقتصادی

در مدیریت کسب‌وکار بسیار پیش می‌آید که مدیران باید اطلاعات و داده‌های مالی و اقتصادی را تحلیل کنند. همین‌طور کسانی که در سطوح کارشناسی بر روی مدل‌سازی‌های ریاضی در حوزه علوم اقتصادی و مدیریت کار می‌کنند، معمولاً با داده‌های مالی و اقتصادی سروکار دارند. من در این مقاله به نکات مهمی اشاره می‌کنم که هنگام تحلیل بر مبنای آمار و ارقام اقتصادی باید به آن توجه شود. نادیده گرفتن این نکات ممکن است به نتایج گمراه‌کننده‌ای ختم شود.

۱- همواره به واحد متغیرها توجه کنید. برای مثال تولید ناخالص داخلی (GDP) ایران در سال ۲۰۱۲ برابر ۵۸۷٫۲ میلیارد دلار گزارش شده است. به نظر واحد این متغیر “میلیارد دلار” است درحالی‌که واحد اصلی آن “میلیارد دلار بر اساس سال پایه ۲۰۱۵” است. به‌عنوان نمونه دیگر، اگر ۵۰ هزار نفر در طی یک سال هرکدام ۲۰۰۰ ساعت کار می‌کنند، نرخ کار انجام‌شده ۱۰۰ میلیون نفر-ساعت بر سال است.

۲- مقایسه متغیرهایی مانند درآمد، هزینه و قیمت در زمان‌های مختلف زمانی معنی‌دار است که ارزش زمانی پول در تحلیل آن‌ها در نظر گرفته شده باشد. برای نمونه قیمت اسمی متوسط نفت خام آمریکا در سال ۱۹۸۵ برابر ۲۶٫۹۲ دلار در هر بشکه بوده است. در سال ۲۰۱۷ این رقم برابر ۴۲٫۶۳ دلار در هر بشکه شده است. قیمت اسمی هر بشکه نفت خام در سال ۱۹۸۵ از سال ۲۰۱۷ کمتر است. اما اگر با استفاده از شاخص قیمت مصرف‌کننده (CPI) اثر تورم را خارج کنیم، قیمت متوسط هر بشکه نفت خام به قیمت‌های پایه سال ۲۰۱۷ برابر ۶۱٫۲۶ دلار می‌شود.

۳- در تحلیل افزایش یا کاهش یک متغیر در طول زمان، اثر رشد سایر متغیرها را نیز در نظر بگیرید. برای مثال تولید گندم ایران از حدود ۴ میلیون تن در سال ۱۹۷۰ به ۱۱ میلیون تن در سال ۲۰۱۶ رسیده است. این مقایسه وقتی بیشتر معنی پیدا می‌کند که میزان رشد جمعیت را نیز لحاظ کنیم. جمعیت ایران در سال ۱۹۷۰ تقریباً ۳۰ میلیون نفر بوده و در سال ۲۰۱۶ به ۸۰ میلیون نفر رسیده است. اگر فقط تناژ تولید را در نظر بگیرید نزدیک ۱۷۵ درصد رشد را شاهد بودیم درحالی‌که افزایش تولید گندم به ازای هر نفر تنها ۳ درصد بوده است.

۴- در برخی موارد بهتر است میزان نرخ رشد یک متغیر را با نرخ رشد همان متغیر ولی برای مجموعه‌ای دیگر مقایسه کنید. برای مثال تعداد کاربران اینترنت در ایران در سال ۲۰۰۰ برابر ۵۸۵ هزار نفر بوده است. در سال ۲۰۱۷ این رقم به ۵۶ میلیون و ۷۰۰ هزار نفر رسیده است. یعنی تعداد کاربران اینترنت تقریباً ۹۶۰۰ درصد رشد داشته است. به‌جای مقایسه اعداد خام یک روش این است که رشد جمعیت را نیز در نظر بگیریم تا به تصویر بهتری برسیم (به این شاخص ضریب نفوذ اینترنت می‌گویند). در سال ۲۰۰۰، تنها ۰٫۹ درصد جمعیت ایران به اینترنت دسترسی داشتند و در سال ۲۰۱۷ این رقم به ۶۹٫۱ درصد رسیده است. روش دیگر این است که میزان رشد تعداد کاربران اینترنت را با رشد همین شاخص در جهان و منطقه خاورمیانه در همان بازه زمانی مقایسه کنیم. در بازه زمانی مذکور رشد جمعیت کاربران اینترنت در جهان ۱۰۵۲ درصد و در خاورمیانه ۴۸۹۳ درصد بوده است.

۵- در بررسی اثر یک پدیده، سهم آن را از کل در نظر بگیرید. برای نمونه، مقاله‌ای خبری-‌تحلیلی دریکی از خبرگزاری‌های ایران با عنوان “خطر افزایش واردات گوشت قرمز”، با تکیه‌بر نمودار شکل-۱، هشدار می‌دهد در سالیان گذشته واردات گوشت قرمز به شکل بی‌سابقه‌ای افزایش یافته است که این امر می‌تواند امنیت اقتصادی کشور را به خطر بیندازد. نمودار در وهله اول بسیار نگران‌کننده به نظر می‌رسد و ممکن است مخاطب با نویسنده مقاله هم‌نظر شود.

شکل-۱

من با استفاده از داده‌های بانک مرکزی ایران حجم تولید و واردات گوشت قرمز را در یک نمودار رسم کرده‌ام (شکل-۲). همان‌طور که از نمودار مشخص است حجم واردات در سالیان اخیر افزایش داشته ولی سهم واردات در مقایسه با میزان تولید داخلی ناچیز است و نمی‌توان ادعا کرد خطر بزرگی امنیت اقتصادی کشور را تهدید می‌کند.

شکل-۲

۶- وقتی صحبت از رشد در یک بازه زمانی می‌شود، نرخ رشد متوسط سالیانه (یا ماهیانه) را نیز محاسبه کنید. در برخی موارد وقتی رشد یک متغیر را در یک بازه زمانی طولانی محاسبه می‌کنید، مقدار بزرگی می‌شود که درک آن دشوار است. برای نمونه جمعیت ایران در سال ۱۹۵۶ نزدیک ۱۸ میلیون نفر بوده و در سال ۲۰۱۶ به ۸۰ میلیون نفر رسیده است. یعنی در طول ۶۰ سال ۳۴۴ درصد رشد کرده است. این عدد شاید بزرگ به نظر برسد، ولی اگر نرخ رشد متوسط سالیانه را حساب کنیم ۲٫۵ درصد می‌شود. توجه کنید در محاسبه نرخ رشد متوسط باید از میانگین هندسی استفاده کنید.

۷- در کار با سری‌های زمانی توجه کنید مقادیر یک متغیر ممکن است تحت تأثیر تغییرات فصلی باشد. برای مثال انتظار این است که تقاضا برای بستنی در ماه‌های گرم سال خیلی بیشتر از ماه‌های سرد سال باشد. حال وقتی به داده‌های سری زمانی میزان فروش نگاه می‌کنید نمی‌توان از کاهش فروش در فصل پاییز حتماً این‌طور نتیجه‌گیری کرد که عملکرد فروش شرکت بد بوده است. در این‌ موارد باید داده‌ها را با روش‌های ریاضی به‌گونه‌ای تغییر داد تا اثر فصلی را خنثی کند (Seasonally Adjusted Data). تنها پس‌ازاین تغییر است که ارقام میزان فروش قابل‌مقایسه هستند. در شکل-۳ نمودار آبی داده‌ها را به شکل خام و نمودار سبز داده‌ها را پس‌ازآنکه اثر فصلی در نظر گرفته شده نمایش می‌دهد. خط روند نشان می‌دهد واقعاً داده‌ها به‌صورت افزایشی حرکت کرده‌اند.

شکل-۳

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *