Статистический анализ деятельности монопольных компаний на российском рынке

Реферат

по дисциплине «Статистика»

«Статистический анализ деятельности монопольных компаний на российском рынке»

Санкт-Петербург

2012 г.

СОДЕРЖАНИЕ

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СТАТИСТИЧЕСКОГО АНАЛИЗА

1.1. Понятие статистического анализа

1.2. Методы статистического анализа

ГЛАВА 2. ЭКОНОМИКО-СТАТИСТИЧЕСКИЙ АНАЛИЗ КРУПНЕЙШИХ МОНОПОЛИЙ НА РОССИЙСКОМ РЫНКЕ

2.1. Анализ естественных монополий на Российском рынке

2.2. Экономико-стистический анализ деятельности естественных монополий и их вклад в развитие экономики России

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ВВЕДЕНИЕ

Любой критерий деятельности компании лучше всего позволит оценить правильная и достоверная статистика. Ведение статистических данных позволит выявить ключевые моменты в работе компании, существенно повысить эффективность работы.

Процесс учета статистических данных можно организовать по-разному. Как правило, статистика имеет под собой три уровня. Первый уровень отражает эффективность работы всех компаний второй – эффективность работы конкретной компании, а третий – качество работы отдельного сотрудника.

Статистика позволяет решить целый ряд проблем:

• Постоянное владение ситуацией в компании, отслеживание положительных и отрицательных тенденций в работе;

• Оценка любой операции по критериям ее успешности;

• Выработка дальнейшей стратегии развития предприятия на основе статистических данных;

• Чувство уверенности и безопасности;

• Оперирование только фактами, которые имеют достоверное происхождение;

• Определение четкого графика премирования сотрудников, а также точных критериев оценки их работы;

• Выделение областей, которым наиболее необходимы корректировка или улучшение;

Если не удается оценить какую-нибудь работы с точки зрения статистики, то скорее всего, ее важность можно подвергнуть большому сомнению.

В данной работе будет проведен экономико-статитический анализ крупнейших Российские монополии.

На совершенном конкурентном рынке действует достаточно продавцов и покупателей товара, и поэтому ни один продавец или покупатель в отдельности не может повлиять на цену товара. Цена определяется рыночными правилами предложения и спроса. Фирмы принимают рыночную цену как заданную, решая, сколько производить и продавать, а потребители принимают ее как заданную, решая, сколько купить.

В условиях больших расстояний, сурового климата и плановой экономики в нашей стране были созданы уникальные по масштабам и значению для России естественные монополии. Их инфраструктурный комплекс является связующим для всей  территории  страны,  ее населения и экономики.

Актуальность темы данной работы обусловлена тем, что проблема монополизма в стране является на сегодня стоит также остро, как и конкуренция на товарных рынках, монополии привлекают сегодня пристальное внимание не только специалистов, но и широких слоев населения.

Цель работы провести Статистический анализ деятельности монопольных компаний на Российском рынке.

В соответствии с поставленной целью необходимо решить ряд задач:

1. Рассмотреть теоретические основы статистического анализа;

2.Провести экономико-статистический анализ крупнейших монополий на Российском рынке.

Теоретической и методологической основой курсовой работы является диалектико-материалистический подход к изучению экономических процессов и явлений, общенаучные методы исследования, системный подход, анализ и синтез, статистические наблюдения, экспертные оценки.

Предмет данной работы – монополия. Фирма считается абсолютной монополией тогда, когда она является единственным поставщиком однородного товара, так что границы расширяются до масштабов отрасли.

Объект работы – предприятия и монополии, а субъект – отношения этих предприятий между собой, между монополистами и покупателями, а так же с государством. Нужно отметить, что в работе уделяется внимание истории монополий в России, для того чтобы проследить как же развивался монопольный рынок и какие условия  сложились к XXI веку для современных монополий.

Структура работы: работа состоит из содержания, введения, 2 глав, 4 параграфов, заключения и списка литературы.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СТАТИСТИЧЕСКОГО АНАЛИЗА

1.1. Понятие статистического анализа

Анализ (от греч. analysis — разложение) в широком понима­нии представляет собой научный метод мысленного или реаль­ного разложения, расчленения предмета, явления, процесса на составные элементы, признаки, свойства, отношения, которые затем исследуются в отдельности и во взаимосвязи с расчленен­ным целым в целях получения нового знания или систематиза­ции уже имеющихся знаний.[1]

В каждой науке анализ имеет свое специфическое и конкретное содержание (например, математический, логический, правовой анализ). Исходя из общенаучного определения, статистический анализ рассматривается вообще и применительно к юридическим дисциплинам в отдельности в более широком понимании. При этом следует иметь в виду, что юридическая наука и практика неоднородны. Криминология изучает преступность и другие фактические отношения, с ней связанные, гражданское или уголовное право изучают правовые отношения, но на основе несхожих категорий, понятий, норм и фактической деятельности. Все это отражается на характере статистического анализа.

Экономико-статистический анализ подразумевает анализ показателей предприятий. Полученные при анализе результаты позволяют сделать выводы о функционировании анализируемого объекта, осуществить контроль над его деятельностью и вовремя обнаруживать недостатки. Полученные результаты позволяют исследователю предложить обоснованные мероприятия по улучшению планирования и управления на предприятии или в каком-либо его подразделении.

Обеспечение эффективного функционирования организаций требует экономически грамотного управления их деятельностью, которое во многом определяется умением ее анализировать. Анализ хозяйственной деятельности предприятий является научной базой принятия управленческих решений в бизнесе. С его помощью вырабатываются стратегия и тактика развития предприятия, обосновываются планы и управленческие решения, осуществляется контроль за их выполнением, выявляются резервы повышения эффективности производства, оцениваются результаты деятельности предприятия, его подразделений и работников.

С помощью анализа изучаются тенденции развития, глубоко и системно исследуются факторы изменения результатов деятельности, обосновываются бизнес-планы и управленческие решения, осуществляется контроль за их выполнением, выявляются резервы повышения эффективности производства, оцениваются и прогнозируются результаты деятельности хозяйствующего субъекта, вырабатывается экономическая стратегия его развития.[2]

1.2. Методы статистического анализа

Объектом исследования в прикладной статистике являются статистические данные, полученные в результате наблюдений или экспериментов. Статистические данные – это совокупность объектов (наблюдений, случаев) и признаков (переменных), их характеризующих. Например, объекты исследования – страны мира и признаки, – географические и экономические показатели их характеризующие: континент; высота местности над уровнем моря; среднегодовая температура; место страны в списке по качеству жизни, доли ВВП на душу населения; расходы общества на здравоохранение, образование, армию; средняя продолжительность жизни; доля безработицы, безграмотных; индекс качества жизни и т.д.[3]

Существуют определенные методы статистического анализа.

Корреляционный анализ. Между переменными (случайными величинами) может существовать функциональная связь, проявляющаяся в том, что одна из них определяется как функция от другой. Но между переменными может существовать и связь другого рода, проявляющаяся в том, что одна из них реагирует на изменение другой изменением своего закона распределения. Такую связь называют стохастической. Она появляется в том случае, когда имеются общие случайные факторы, влияющие на обе переменные. В качестве меры зависимости между переменными используется коэффициент корреляции (r), который изменяется в пределах от –1 до +1. Если коэффициент корреляции отрицательный, это означает, что с увеличением значений одной переменной значения другой убывают. Если переменные независимы, то коэффициент корреляции равен 0 (обратное утверждение верно только для переменных, имеющих нормальное распределение). Но если коэффициент корреляции не равен 0 (переменные называются некоррелированными), то это значит, что между переменными существует зависимость. Чем ближе значение r к 1, тем зависимость сильнее. Коэффициент корреляции достигает своих предельных значений +1 или -1, тогда и только тогда, когда зависимость между переменными линейная. Корреляционный анализ позволяет установить силу и направление стохастической взаимосвязи между переменными (случайными величинами). Если переменные измерены, как минимум, в интервальной шкале и имеют нормальное распределение, то корреляционный анализ осуществляется посредством вычисления коэффициента корреляции Пирсона, в противном случае используются корреляции Спирмена, тау Кендала, или Гамма.

Регрессионный анализ. В регрессионном анализе моделируется взаимосвязь одной случайной переменной от одной или нескольких других случайных переменных. При этом, первая переменная называется зависимой, а остальные – независимыми. Выбор или назначение зависимой и независимых переменных является произвольным (условным) и осуществляется исследователем в зависимости от решаемой им задачи. Независимые переменные называются факторами, регрессорами или предикторами, а зависимая переменная – результативным признаком, или откликом.

Если число предикторов равно 1, регрессию называют простой, или однофакторной, если число предикторов больше 1 – множественной или многофакторной. В общем случае регрессионную модель можно записать следующим образом:

y = f(x1, x2, …, xn),

где y – зависимая переменная (отклик), xi (i = 1,…, n) – предикторы (факторы), n – число предикторов.

Канонический анализ. Канонический анализ предназначен для анализа зависимостей между двумя списками признаков (независимых переменных), характеризующих объекты. Канонический анализ является обобщением множественной корреляции как меры связи между одной переменной и множеством других переменных. Как известно, множественная корреляция есть максимальная корреляция между одной переменной и линейной функцией других переменных. Эта концепция была обобщена на случай связи между множествами переменных – признаков, характеризующих объекты. При этом достаточно ограничиться рассмотрением небольшого числа наиболее коррелированных линейных комбинаций из каждого множества. Пусть, например, первое множество переменных состоит из признаков у1, …, ур, второе множество состоит из – х1, …, хq, тогда взаимосвязь между данными множествами можно оценить как корреляцию между линейными комбинациями a1y1 + a2y2 + ... + apyp, b1x1 + b2x2 + ... + bqxq,, которая называется канонической корреляцией. Задача канонического анализа в нахождении весовых коэффициентов таким образом, чтобы каноническая корреляция была максимальной.

Методы сравнения средних. В прикладных исследованиях часто встречаются случаи, когда средний результат некоторого признака одной серии экспериментов отличается от среднего результата другой серии. Так как средние это результаты измерений, то, как правило, они всегда различаются, вопрос в том, можно ли объяснить обнаруженное расхождение средних неизбежными случайными ошибками эксперимента или оно вызвано определенными причинами. Если идет речь о сравнении двух средних, то можно применять критерий Стьюдента (t-критерий). Это параметрический критерий, так как предполагается, что признак имеет нормальное распределение в каждой серии экспериментов.

Наиболее общий метод сравнения средних дисперсионный анализ. Дисперсионный анализ можно определить как параметрический, статистический метод, предназначенный для оценки влияния различных факторов на результат эксперимента, а также для последующего планирования экспериментов. Поэтому в дисперсионном анализе можно исследовать зависимость количественного признака от одного или нескольких качественных признаков факторов. Если рассматривается один фактор, то применяют однофакторный дисперсионный анализ, в противном случае используют многофакторный дисперсионный анализ.

Частотный анализ. Таблицы частот, или как еще их называют одновходовые таблицы, представляют собой простейший метод анализа категориальных переменных. Таблицы частот могут быть с успехом использованы также для исследования количественных переменных, хотя при этом могут возникнуть трудности с интерпретацией результатов. Данный вид статистического исследования часто используют как одну из процедур разведочного анализа, чтобы посмотреть, каким образом различные группы наблюдений распределены в выборке, или как распределено значение признака на интервале от минимального до максимального значения.

Анализ соответствий. Анализ соответствий по сравнению с частотным анализом содержит более мощные описательные и разведочные методы анализа двухвходовых и многовходовых таблиц. Метод, так же, как и таблицы сопряженности, позволяет исследовать структуру и взаимосвязь группирующих переменных, включенных в таблицу. В классическом анализе соответствий частоты в таблице сопряженности стандартизуются (нормируются) таким образом, чтобы сумма элементов во всех ячейках была равна 1.

Одна из целей анализа соответствий – представление содержимого таблицы относительных частот в виде расстояний между отдельными строками и/или столбцами таблицы в пространстве более низкой размерности.

Кластерный анализ. Кластерный анализ – это метод классификационного анализа; его основное назначение – разбиение множества исследуемых объектов и признаков на однородные в некотором смысле группы, или кластеры. Это многомерный статистический метод, поэтому предполагается, что исходные данные могут быть значительного объема, т.е. существенно большим может быть как количество объектов исследования (наблюдений), так и признаков, характеризующих эти объекты.

Дискриминантный анализ. Дискриминантный анализ включает статистические методы классификации многомерных наблюдений в ситуации, когда исследователь обладает так называемыми обучающими выборками. Этот вид анализа является многомерным, так как использует несколько признаков объекта, число которых может быть сколь угодно большим. Цель дискриминантного анализ состоит в том, чтобы на основе измерения различных характеристик (признаков) объекта классифицировать его, т. е. отнести к одной из нескольких заданных групп (классов) некоторым оптимальным способом. При этом предполагается, что исходные данные наряду с признаками объектов содержат категориальную (группирующую) переменную, которая определяет принадлежность объекта к той или иной группе. Поэтому в дискриминантном анализе предусмотрена проверка непротиворечивости классификации, проведенной методом, с исходной эмпирической классификацией. Под оптимальным способом понимается либо минимум математического ожидания потерь, либо минимум вероятности ложной классификации. В общем случае задача различения (дискриминации) формулируется следующим образом. Пусть результатом наблюдения над объектом является построение k-мерного случайного вектора Х = (X1, X2, …, XК), где X1, X2, …, XК – признаки объекта. Требуется установить правило, согласно которому по значениям координат вектора Х объект относят к одной из возможных совокупностей i, i = 1, 2, …, n.

Факторный анализ. Факторный анализ – один из наиболее популярных многомерных статистических методов. Если кластерный и дискриминантный методы классифицируют наблюдения, разделяя их на группы однородности, то факторный анализ классифицирует признаки (переменные), описывающие наблюдения. Поэтому главная цель факторного анализа – сокращение числа переменных на основе классификация переменных и определения структуры взаимосвязей между ними. Сокращение достигается путем выделения скрытых (латентных) общих факторов, объясняющих связи между наблюдаемыми признаками объекта, т.е. вместо исходного набора переменных появится возможность анализировать данные по выделенным факторам, число которых значительно меньше исходного числа взаимосвязанных переменных.

Деревья классификации. Деревья классификации – это метод классификационного анализа, позволяющий предсказывать принадлежность объектов к тому или иному классу в зависимости от соответствующих значений признаков, характеризующих объекты.

Анализ главных компонентов и классификация. На практике часто возникает задача анализа данных большой размерности. Метод анализ главных компонент и классификация позволяет решить эту задачу и служит для достижения двух целей:

– уменьшение общего числа переменных (редукция данных) для того, чтобы получить «главные» и «некоррелирующие» переменные;

– классификация переменных и наблюдений, при помощи строящегося факторного пространства.

Многомерное шкалирование. Метод можно рассматривать как альтернативу факторному анализу, в котором достигается сокращение числа переменных, путем выделения латентных (непосредственно не наблюдаемых) факторов, объясняющих связи между наблюдаемыми переменными. Цель многомерного шкалирования – поиск и интерпретация латентных переменных, дающих возможность пользователю объяснить сходства между объектами, заданными точками в исходном пространстве признаков.

Моделирование структурными уравнениями (причинное моделирование). Наметившийся в последнее время прогресс в области многомерного статистического анализа и анализа корреляционных структур, объединенный с новейшими вычислительными алгоритмами, послужил отправной точкой для создания новой, но уже получившей признание техники моделирования структурными уравнениями (SEPATH).

Основная идея моделирования структурными уравнениями состоит в том, что можно проверить, связаны ли переменные Y и X линейной зависимостью Y = aX, анализируя их дисперсии и ковариации. Эта идея основана на простом свойстве среднего и дисперсии: если умножить каждое число на некоторую константу k, среднее значение также умножится на k, при этом стандартное отклонение умножится на модуль k. Например, рассмотрим набор из трех чисел 1, 2, 3. Эти числа имеют среднее, равное 2, и стандартное отклонение, равное 1. Если умножить все три числа на 4, то легко посчитать, что среднее значение будет равно 8, стандартное отклонение – 4, а дисперсия – 16. Таким образом, если есть наборы чисел X и Y, связанные зависимостью Y = 4X, то дисперсия Y должна быть в 16 раз больше, чем дисперсия X. Поэтому можно проверить гипотезу о том, что Y и X связаны уравнением Y = 4X, сравнением дисперсий переменных Y и X.

Временные ряды. Временные ряды – это наиболее интенсивно развивающееся, перспективное направление математической статистики. Под временным (динамическим) рядом подразумевается последовательность наблюдений некоторого признака Х (случайной величины) в последовательные равноотстоящие моменты t. Отдельные наблюдения называются уровнями ряда и обозначаются хt, t = 1, …, n. При исследовании временного ряда выделяются несколько составляющих:

xt=ut+yt+ct+et, t = 1, …, n,

где ut – тренд, плавно меняющаяся компонента, описывающая чистое влияние долговременных факторов (убыль населения, уменьшение доходов и т.д.); – сезонная компонента, отражающая повторяемость процессов в течение не очень длительного периода (дня, недели, месяца и т.д.); сt – циклическая компонента, отражающая повторяемость процессов в течение длительных периодов времени свыше одного года; t – случайная компонента, отражающая влияние не поддающихся учету и регистрации случайных факторов. Первые три компоненты представляют собой детерминированные составляющие. Случайная составляющая образована в результате суперпозиции большого числа внешних факторов, оказывающих каждый в отдельности незначительное влияние на изменение значений признака Х. Анализ и исследование временного ряда позволяют строить модели для прогнозирования значений признака Х на будущее время, если известна последовательность наблюдений в прошлом.

Нейронные сети. Нейронные сети представляют собой вычислительную систему, архитектура которой имеет аналогию с построением нервной ткани из нейронов. На нейроны самого нижнего слоя подаются значения входных параметров, на основании которых нужно принимать определенные решения.

Планирование экспериментов. Искусство располагать наблюдения в определенном порядке или проводить специально спланированные проверки с целью полного использования возможностей этих методов и составляет содержание предмета «планирование эксперимента». В настоящее время экспериментальные методы широко используются как в науке, так и в различных областях практической деятельности. Обычно основная цель научного исследования состоит в том, чтобы показать статистическую значимость эффекта воздействия определенного фактора на изучаемую зависимую переменную. Как правило, основная цель планирования экспериментов заключается в извлечении максимального количества объективной информации о влиянии изучаемых факторов на интересующий исследователя показатель (зависимую переменную) с помощью наименьшего числа дорогостоящих наблюдений. Целью методов планирования экспериментов является изучение влияния определенных факторов на исследуемый процесс и поиск оптимальных уровней факторов, определяющих требуемый уровень течения данного процесса.

Карты контроля качества. В условиях современного мира чрезвычайно актуальным является проблема качества не только выпускаемой продукции, но и услуг оказываемых населению. От успешного решения этой важной проблемы в значительной степени зависит благополучие любой фирмы, организации или учреждения. Качество продукции и услуг формируется в процессе научных исследований, конструкторских и технологических разработок, обеспечивается хорошей организацией производства и услуг. Но изготовление продукции и оказание услуг независимо от их вида всегда связано с определенным непостоянством условий производства и предоставления. Это приводит к некоторой вариабельности признаков их качества. Поэтому, актуальными являются вопросы разработки методов контроля качества, которые позволят своевременно выявить признаки нарушения технологического процесса или оказания услуг. При этом, для достижения и поддержания высокого уровня качества, удовлетворяющего потребителя нужны методы, направленные не на устранение дефектов готовой продукции и несоответствий услуг, а на предупреждение и прогнозирование причин их появления. Контрольная карта – это инструмент, позволяющий отслеживать ход протекания процесса и воздействовать на него (с помощью соответствующей обратной связи), предупреждая его отклонения от предъявленных к процессу требований.

Инструментарий карт контроля качества широко использует статистические методы, основанные на теории вероятностей и математической статистики. Применение статистических методов позволяет при ограниченных объемах анализируемых изделий с заданной степенью точности и достоверности судить о состоянии качества выпускаемой продукции. Обеспечивает прогнозирование, оптимальное регулирование проблем в области качества, принятие верных управленческих решений не на основе интуиции, а при помощи научного изучения и выявления закономерностей в накапливаемых массивах числовой информации. [4]

ГЛАВА 2. ЭКОНОМИКО-СТАТИСТИЧЕСКИЙ АНАЛИЗ КРУПНЕЙШИХ МОНОПОЛИЙ НА РОССИЙСКОМ РЫНКЕ

2.1. Анализ естественных монополий на Российском рынке

Естественная монополия означает такое состояние товарного рынка, при котором удовлетворение спроса на этом рынке эффективнее в отсутствие конкуренции в силу технологических особенностей производства, а товары, производимые субъектами естественной монополии, не могут быть заменены в потреблении другими товарами, в связи с чем спрос на данном товарном рынке на товары, производимые субъектами естественных монополий, в меньшей степени зависит от изменения цены на данный товар, чем спрос на другие виды товаров. В силу своего огромного значения для экономики в целом в России привлекают внимание три главные естественные монополии, которые продемонстрированы на рисунке 1:[5]

Рисунок 1 - Главные естественные монополии России

Государственный концерн "Газпром" - крупнейшая газовая компания в мире. Основной акционер - государство (50,002%).

В последние несколько лет крупнейшая газовая компания мира уделяет огромное внимание диверсификации своего бизнеса, активно скупая непрофильные активы и инвестируя средства в сферы, смежные с добычей газа. Естественная монополия направляет ресурсы на скупку активов в нефтяной и электроэнергетической отраслях, создает СП с производителем угля, инвестирует в медийную и спортивную сферы. В краткосрочной перспективе стратегия, направленная на покупку все еще недооцененных по мировым меркам активов в смежных областях, может быть успешной.

Ряд попыток реформирования концерна, предпринятых либеральным блоком правительства страны, до сих пор не привели к успеху. Издержки управления по-прежнему неповоротливой и все разрастающейся естественной монополией, помноженные на гигантские обязательства концерна (за счет низких цен на газ он все еще субсидирует российские промышленные предприятия), дают повод сомневаться в достижении синергии основного бизнеса концерна с новоприобретенными активами. Забота о строительстве новых магистральных газопроводов и покупка газораспределительных сетей в Европе отвлекают остаток инвестресурсов концерна. При этом для выполнения уже принятых "Газпромом" экспортных обязательств необходимы все возрастающие объемы сырья. Получить их пока неоткуда, и денег для развития сырьевой базы у концерна остается немного.

Тем не менее, пока перед Россией и "Газпромом" открываются радужные перспективы, поскольку мировые цены на энергоносители остаются высокими. В 2006 году по сравнению с 2005 годом выручка от продажи газа увеличилась на 35,5%, в основном, в связи с увеличением объемов и повышением цен на газ, продаваемый за пределами РФ.

Энергетические компании проявляют большой интерес к сотрудничеству с Газпромом по поставкам российского сжиженного газа на американский и европейский рынки. Подписаны Меморандумы о взаимопонимании с такими компаниями как Репсол, Петро-Канада, Бритиш Гэз, Иточу/Мицуи и Семпра Энерджи.[6]

В 2006 году "Газпром" вошёл в проект "Сахалин-2" в качестве мажоритарного акционера, через покупку 50% и одной акции компании Sakhalin Energy Investment Company Ltd. Проект ориентирован на поставки СПГ в страны АТР - наиболее динамично развивающийся рынок энергоресурсов, а также на западное побережье Северной Америки.

В 2009 г. стало ясно, что крупнейшей компании страны нужна помощь государства. В марте 2009 г. ОАО "Газпром" купило у итальянской Eni 20% акций ОАО "Газпром нефть". 2008 г. оказался для "Газпрома" самым удачным - продажи выросли на 45% до 3,52 трлн руб., чистая прибыль увеличилась на 13% до 742,9 млрд руб. В 2010 «Газпром» получил премию в области науки и техники. В результате проведенных «Газпромом» в 2011 году геологоразведочных работ прирост запасов природного газа достиг рекордного уровня — 686,4 млрд куб. м, превысив уровень добычи на 33,8%. Половину прироста запасов газа обеспечила геологоразведка на Востоке России (в том числе, на Сахалинском шельфе), где «Газпром» формирует новые центры газодобычи. При этом в отчетном году Группа «Газпром» по оперативным данным добыла 513,2 млрд куб. м газа, что на 4,6 млрд куб. м выше аналогичного показателя 2010 года — 508,6 млрд куб. м.

Российское открытое акционерное общество энергетики и электрификации «ЕЭС России» (ОАО РАО «ЕЭС России») — российская энергетическая компания, существовавшая в 1992—2008 годах. Монополист на рынке генерации и энерготранспортировки России. Компания объединяла практически всю российскую энергетику. Штаб-квартира РАО «ЕЭС России» находилась в Москве.

В России компании группы РАО «ЕЭС России» владели 72,1 % установленной мощности (69,8 % электроэнергии и 32,7 % теплоэнергии) и транспортировали практически всю (96 %) электроэнергию (2004). Установленная мощность компаний группы превышала 156 ГВт, что делало её по этому показателю крупнейшей энергокомпанией мира. Ближайшие конкуренты — SPCC (Китай), у которой установлено 151 ГВт и EDF (Франция) — 121 ГВт. Поскольку компании группы РАО «ЕЭС России» в настоящее время совмещают деятельность по передаче электрической и тепловой энергии и деятельность по оперативно-диспетчерскому управлению с деятельностью по генерации электроэнергии и сбыту ее конечнымпотребителям, в соответствии с федеральным законодательством (в частности ФЗ «Об электроэнергетике» и ФЗ «О естественных монополиях») цены на услуги компании устанавливались Федеральной службой по тарифам.