Klassificering av metoder och modeller för prognoser. Tillämpning av informationsteknik i ekonomiska och matematiska prognoser

Behovet av prognoser är objektivt. Framtiden för många fenomen är okänd, men den är mycket viktig för de beslut som fattas för tillfället.

Behovet av prognoser är objektivt. Framtiden för många fenomen är okänd, men den är mycket viktig för de beslut som fattas för tillfället. De processer som brådskande kräver användning av prognosförfaranden inkluderar ekonomisk aktivitet. Alla stadier av prognoser, inklusive dess organisation, tillhandahållande och tolkning av resultaten, är dock långt ifrån triviala. Och IT kan hjälpa mycket.

Prognos: framgångar och misslyckanden

Hittills har mycket forskning utförts och imponerande resultat har uppnåtts. praktiska lösningar prognostiseringsproblem inom vetenskap, teknik, ekonomi, demografi och andra områden. Uppmärksamheten på detta problem beror bland annat på omfattningen av den moderna ekonomin, produktionens behov, dynamiken i samhällets utveckling, behovet av att förbättra planering på alla nivåer av ledning, såväl som den samlade erfarenheten. Prognos är en av de avgörande delarna effektiv organisation ledning av enskilda affärsenheter och ekonomiska gemenskaper på grund av att kvaliteten på fattade beslut till stor del bestäms av kvaliteten på att förutse deras konsekvenser. Därför bör beslut som fattas idag baseras på tillförlitliga uppskattningar av den möjliga utvecklingen av de studerade fenomenen och händelserna i framtiden.

Förbättringen av prognoser av många experter ses i utvecklingen av lämpliga informationsteknik. Behovet av deras användning beror på ett antal skäl, inklusive:

• tillväxt av informationsvolymer;
• komplexiteten hos algoritmerna för att beräkna och tolka resultaten;
• höga krav på kvaliteten på prognoser;
• behovet av att använda prognosresultat för att lösa planerings- och kontrollproblem.

Då och då finns det information om de positiva resultat som uppnåtts av ett visst företag. Ett antal publikationer noterar att en framgångsrik bedömning av trender i marknadssituationen, efterfrågan på varor eller tjänster, såväl som andra ekonomiska processer och egenskaper gör att du kan få en betydande ökning av vinsten, förbättra andra ekonomiska indikatorer. Vid första anblicken är framgångsmekanismen enkel och tydlig: om man antar vad som kommer att hända i framtiden kan effektiva åtgärder vidtas i tid, genom att använda positiva trender och kompensera för negativa processer och fenomen.

Men det finns också negativa exempel. Som tidningen CIO tidigare noterat, misslyckades Cisco, som en gång hyllades som en symbol för den nya ekonomin, inte bara att förutse den ekonomiska nedgången 2001, utan var även värre än andra eftersom det ansåg att dess mjukvara och metodologiska efterfrågeprognoser var oklanderliga. Bolagets ledning antog inte att en av orsakerna till krisen kunde vara de prognosmetoder och tekniker som användes. Som ett resultat av ett analytiskt fel skrevs varor av för 2,2 miljarder dollar, cirka 20 % av de anställda sparkades och företagets aktier sjönk nästan sex gånger. Orsaken till Ciscos kris ligger alltså inte i förseningarna med att erhålla eller den otillräckliga mängden initial information som krävs för företagets analytikers arbete. Svårigheter uppstod uppenbarligen på grund av metodfel och otillräcklig utvärdering av de mottagna prognoserna. Det kan antas att den modell som Cisco använde inte gav den nödvändiga nivån av anpassning av prognosuppskattningar till den aktuella förändringen i marknadssituationen.

Säkerställa kvaliteten på prognoserna

Noggrannhet, tillförlitlighet och effektivitet, såväl som andra komponenter i kvaliteten på prognoser, tillhandahålls av ett antal faktorer, bland vilka det är nödvändigt att lyfta fram:

• programvara, som är baserad på ekonomiska och matematiska modeller som är lämpliga för verkligheten, n fullständig täckning och tillförlitlighet för källor till initial information som arbetet med prognosalgoritmer bygger på;
• Effektivitet i behandlingen av intern och extern information;
• förmågan att kritiskt analysera prognosuppskattningar;
• aktualiteten i att göra nödvändiga förändringar i metod- och informationsstödet för prognoser.

Specialprogramvara är baserad på noggrant utvalda modeller, metoder och tekniker. Deras genomförande är oerhört viktigt för att få högkvalitativa prognoser när man löser problem med nuvarande och strategisk planering. En analys av nuläget visar att svårigheterna med att införa IT, som ger prognostisering av ekonomiska processer, inte bara är tekniska eller metodologiska, utan också organisatoriska och psykologiska. Konsumenter av resultaten förstår ibland inte principerna för de använda modellerna, deras formalisering och objektivt existerande begränsningar. Detta ger som regel upphov till misstro mot erhållna resultat. En annan grupp av implementeringsproblem är relaterad till det faktum att prediktiva modeller ofta är slutna, autonoma, och därför är deras generalisering i utvecklingssyfte och ömsesidig anpassning svår. Därav, kompromisslösning det kan visa sig vara ett steg-för-steg tillvägagångssätt där de viktigaste analytiska uppgifterna lyfts fram.

Det finns dock praktiskt taget inga färdiga replikerade eller företagslösningar som ger prognoser för små och medelstora ekonomiska enheter på systemnivå med hög kvalitet och överkomliga priser. För närvarande automatiserade system företagsledning begränsas huvudsakligen till elementära uppgifter som redovisning och kontroll. Anledningen till denna situation är att före tillkomsten av modern IT fanns det inga stora möjligheter att använda effektiva ekonomiska och matematiska modeller direkt i den ekonomiska aktivitetsprocessen. Användningen av befintliga prognosmodeller för analytiska ändamål ställde dessutom inte så höga krav på deras informationsstöd.

Grunderna för prognosteknik

När man bygger ett prediktivt system från grunden är det nödvändigt att lösa ett antal organisatoriska och metodologiska frågor. De första inkluderar:

• användarutbildning i metoder för analys och tolkning av prognosresultat;
• bestämma riktningarna för förflyttning av prediktiv information inom företaget, på nivån för dess divisioner och enskilda anställda, såväl som strukturen för kommunikation med affärspartners och myndigheter;
• bestämma tidpunkten och frekvensen för prognosprocedurer;
• utveckling av principer för att koppla prognosen med planering framåt och förfarandet för att välja alternativ för de resultat som erhålls när en företagsutvecklingsplan upprättas.

De metodologiska problemen med att bygga ett prognosdelsystem är:

• utveckling intern struktur och mekanismen för dess funktion;
• organisation av informationsstöd;
• utveckling av matematisk programvara.

Det första problemet är det svåraste, eftersom för att lösa det är det nödvändigt att bygga en uppsättning prognosmodeller, vars omfattning är ett system med inbördes relaterade indikatorer. Problemet med systematisering och utvärdering av prognosmetoder framstår här som ett av de centrala, eftersom det är nödvändigt att genomföra dem för att välja en specifik metod. jämförande analys. En variant av klassificeringen av prognosmetoder, med hänsyn till särdragen hos det kunskapssystem som ligger till grund för varje grupp, kan sammanfattas enligt följande: metoder för expertbedömningar; metoder för logisk modellering; matematiska metoder.

Varje grupp är lämplig för att lösa ett visst antal uppgifter. Därför ställer praxis följande krav på de metoder som används: de måste vara inriktade på ett specifikt prognosobjekt, måste baseras på ett kvantitativt mått på adekvansen och vara differentierade i termer av uppskattningars noggrannhet och prognoshorisont.

De viktigaste uppgifterna som uppstår i processen att skapa ett prediktivt system är indelade i:

• bygga ett system av förutsägbara processer och indikatorer;
• utveckling av en apparat för ekonomisk och matematisk analys av förutspådda processer och indikatorer;
• konkretisering av metoden för expertbedömningar, urval av indikatorer för granskning och erhållande av expertbedömningar av några förutspådda processer och indikatorer;
• prognostiseringsindikatorer och processer som indikerar konfidensintervall och noggrannhet;
• utveckling av metoder för att tolka och analysera erhållna resultat.

Arbetet med prognossystemets information och matematiska stöd förtjänar särskild uppmärksamhet. Processen att skapa programvara kan representeras som följande steg:

1. utveckling av en metod för strukturell identifiering av prognosobjektet;
2. utveckling av metoder för parametrisk identifiering av prognosobjektet;
3. utveckling av metoder för att förutsäga trender;
4. utveckling av metoder för att förutsäga de harmoniska komponenterna i processer;
5. utveckling av metoder för att bedöma egenskaperna hos slumpmässiga komponenter i processer;
6. skapa komplexa modeller för att förutsäga indikatorer som bildar ett sammankopplat system.

Skapandet av ett prognossystem kräver ett integrerat tillvägagångssätt för att lösa problemet med dess informationsstöd, vilket vanligtvis förstås som en uppsättning initiala data som används för att erhålla prognoser, såväl som metoder, metoder och verktyg som säkerställer insamling, ackumulering, lagring , sökning och överföring av data i processen för att prognostisera systemet och dess interaktion med andra företagsledningssystem.

Informationsstöd för systemet inkluderar vanligtvis:

Informationsfond (databas);

Källor för bildandet av informationsfonden, flöden och metoder för datamottagning;

Metoder för ackumulering, lagring, uppdatering och hämtning av data som utgör informationsfonden;

Metoder, principer och regler för datacirkulation i systemet;

Metoder för att säkerställa tillförlitligheten hos data i alla stadier av deras insamling och bearbetning;

Metoder informationsanalys och syntes;

Metoder för en entydig formaliserad beskrivning av ekonomisk data.

Följande huvudkomponenter krävs därför för att implementera prognosprocessen:

Källor till intern information, som är baserad på lednings- och redovisningssystem;

Källor för extern information;

Specialiserad programvara som implementerar prognostiseringsalgoritmer och analys av resultat.

Utöver dessa komponenter bör lämplig teknik för lagring, utbyte och presentation av information användas.

Bekräftelse av prognoskvalitet

Med tanke på vikten av att lösa problemet med prognoser för marknadsaktörer, är det tillrådligt att kontrollera kvaliteten på de föreslagna metoderna och algoritmerna, såväl som tekniker i allmänhet, med hjälp av speciellt utvalda (test) initiala data. En liknande verifieringsmetod har använts under lång tid för att bedöma lämpligheten hos matematiska verktyg utformade för olinjär optimering, till exempel genom att använda funktionerna Rosenbrock och Powell.

Bekräftelse (eller verifiering) av prognosteknikens kvalitet och prestanda utförs vanligtvis genom att a priori jämföra kända modelldata med deras förutspådda värden och utvärdera de statistiska egenskaperna för prognosnoggrannhet. Låt oss överväga detta trick i en situation där processmodellerna är en additiv uppsättning av trenden Tt, säsongsbetonade (harmoniska) och slumpmässiga komponenter.

På fig. 1, som en illustration av trenden för additivmodellen, presenteras en andra ordningens parabolisk trend, i fig. 2 - säsongsbetonad del av processen med en period av 12 månader, och i fig. 3 - slumpmässig komponent. En jämförelse av det faktiska genomförandet av processen med dess prognos, utförd inom ramen för metodiken för kortsiktiga prognoser, visas i fig. 4. Absoluta fel illustreras i fig. 5. Teknikens kvalitet bedöms utifrån de statistiska egenskaperna hos fel i prognosuppskattningar.

Praxis och framtidsutsikter för utveckling av prognoser i replikerade och företagssystem

För närvarande har en mängd olika programvaruverktyg blivit utbredda och tillhandahåller, i en eller annan grad, insamling och analytisk bearbetning av information. Vissa av dem, som MS Excel, är utrustade med inbyggda statistiska funktioner och programmeringsverktyg. Andra, särskilt billiga redovisnings- och redovisningsprogram, har inte sådana möjligheter eller analytiska möjligheter är inte implementerade i dem tillräckligt, och ibland felaktigt. Detta är dock tyvärr inneboende i några mer kraftfulla och multifunktionella företagsledningssystem, vilket bekräftades vid de tidigare utställningarna "Apteka 2001" (november-december 2001) och "Redovisning och revision 2002" (januari 2002). Denna situation förklaras tydligen av en ytlig analys från utvecklarnas sida av egenskaperna hos de prognosalgoritmer som de har valt och deras okritiska tillämpning. Till exempel att döma av tillgängliga källor, nollordningens exponentiell utjämning används ofta som grund för prediktiva algoritmer. Detta tillvägagångssätt är dock endast giltigt om det inte finns någon trend i den process som studeras. I själva verket är ekonomiska processer icke-stationära, och prognoser innebär användning av mer komplexa modeller än modeller med en konstant trend.

Det är intressant att spåra utvecklingen av inhemska automatiserade banksystem utifrån det aktuella ämnets perspektiv. De första banksystemen var baserade på rigid teknologi, som ständigt krävde förändringar eller ytterligare programvara. Detta fick utvecklare av finansiell mjukvara, enligt principerna om öppenhet, skalbarhet och flexibilitet, att använda industriellt DBMS. Men i sig visade sig dessa DBMS vara olämpliga för att lösa analytiska problem på hög nivå, som inkluderar prognosproblem. För att göra detta var det nödvändigt att använda ytterligare teknik för datalagring och operationell analytisk bearbetning, vilket säkerställde driften av beslutsstödssystem för finans- och kreditinstitut och för att göra prognoser. Samma tillvägagångssätt används i komplexa företagsledningssystem.

En annan riktning för modern tillämpad användning av prognosmetoder baserade på IT är lösningen av ett brett utbud av marknadsföringsuppgifter. En illustration är programvaran SAS Churn Management Solution for Telecommunications. Den är avsedd för teleoperatörer och tillåter, som dess utvecklare hävdar, att bygga prediktiva modeller och använda dem för att bedöma sannolikheten för ett utflöde av vissa kategorier av kunder. Grunden för denna mjukvara är den distribuerade databasservern Scalable Performance Data Server, verktyg för att bygga och administrera datalager och datamarts, Enterprise Miner data mining toolkit, SAS / MDDB Server beslutsstödssystem, samt hjälpmedel. För att säkerställa konkurrenskraften hos nymodiga CRM-system i listan över deras avancerade funktioner, såväl som för automatiserade banksystem, ingår rapporteringsfunktioner som använder OLAP-teknologier och som i viss utsträckning gör det möjligt att förutsäga resultaten av marknadsföring, försäljning och kundservice.

Det finns en hel del specialiserade mjukvaruprodukter som tillhandahåller statistisk bearbetning av numeriska data, inklusive enskilda delar av prognoser. Dessa produkter inkluderar SPSS, Statistica, etc. Dessa verktyg har både fördelar och nackdelar som avsevärt begränsar deras omfattning. praktisk applikation. Det bör noteras här att bedömningen av lämpligheten hos specialiserade matematiska och statistiska mjukvaruverktyg för att lösa prognosproblem av vanliga användare som inte har specialutbildning kräver en separat seriös studie och diskussion.

Att lösa prognosproblem för konsumenter från små och medelstora företag med hjälp av kraftfulla och dyra informationssystem och teknologier är dock praktiskt taget omöjligt, främst av ekonomiska skäl. Därför är en mycket lovande riktning utvecklingen av den analytiska förmågan hos befintliga och utbredda billiga redovisnings- och förvaltningssystem. Utvecklade ytterligare rapporter baserade på specifika affärsprocesser och som innehåller nödvändig analytisk information för en viss användare har ett högt förhållande mellan "effektivitet - kostnad".

Vissa mjukvaruutvecklare skapar hela rader av analytiska verktyg. Till exempel erbjuder Parus Corporation Parus-Analytics och Triumph-Analytics-lösningar för ett brett spektrum av användare från små och medelstora företag. Mer komplexa uppgifter med analytisk bearbetning av prognosinformation integreras i Parus-systemet i form av ett så kallat situationscentrum. Enligt Dmitry Sudarev, utvecklingschef för cirkulationslösningar, beslutades 1997 att utveckla och implementera mjukvaruprodukter, så att du kan gå från en enkel redovisning av fakta i företagets verksamhet till analys av information. Samtidigt planerades en övergång från att automatisera revisorers och mellanchefers arbete till att bearbeta information för högsta ledningen. Med hänsyn till den möjliga kretsen av konsumenter ställer Parus-Analytics och Triumph-Analytics inga särskilda krav på mjukvaru- och hårdvarumiljön, däremot implementeras Triumph-Analytics-lösningen på basis av MS SQL Server, vilket ger den större möjligheter att förutsäga de processer som studeras, särskilt den harmoniska komponenten i prognoser beaktas.

Värdet på prognosen ökar många gånger när den används direkt i ledningen av företaget. Därför är en viktig riktning integrationen av prediktiva system med system som Kasatka, MS Project Expert, etc. Till exempel är Kasatka-mjukvaran från SBI positionerad som en automatiserad arbetsplats chef och specialister för marknadsavdelningen och är avsedd för utveckling av komplex av ledning, marknadsföring och strategisk planering. Ett sådant syfte förutbestämmer behovet av att identifiera långsiktiga trender och ta hänsyn till dem i planeringen. Prognoshorisonten bestäms utifrån de relevanta målen för organisationen.

Slutsats

Valet av prognosteknik och medel för dess genomförande bör utföras i enlighet med målen och målen för en viss konsument, ta hänsyn till nivån på informationsstöd, användarnas kvalifikationer och ett antal andra faktorer. Dessa skäl kräver individuell utveckling eller anpassning av tidigare skapad specialmjukvara.

Litteratur

Ordlista

Prognoser(i ekonomisk planering) - det vetenskapliga och analytiska skedet av den ekonomiska planeringsprocessen. Huvuduppgifterna för prognoser i utvecklingen av ekonomiska planer är: vetenskaplig analys av sociala, ekonomiska och vetenskapliga och tekniska processer och trender, objektiva relationer mellan socioekonomiska fenomen under specifika förhållanden, bedömning av den aktuella situationen och identifiering av centrala ekonomiska problem. utveckling; bedömning av utvecklingen av dessa trender i framtiden och förutse nya ekonomiska situationer, nya problem som måste lösas; identifiera möjliga utvecklingsalternativ för ett rimligt val av en eller annan möjlighet och fatta det bästa beslutet.

Styrautomation- Användning av metoder och tekniker för automatisk behandling av information av företagets ledningsorgan, inklusive för att utveckla optimala ekonomiska beslut. Management automation är förknippat med införandet av ekonomiska och matematiska metoder och IT.

Informationsstöd av systemet- en uppsättning metoder och medel för att välja, klassificera, lagra, söka, uppdatera och bearbeta information i systemet. Informationsstöd inkluderar: sammansättning av information (lista över informationsenheter eller aggregat); informationens struktur och mönstren för dess omvandling; egenskaper hos informationsförflyttningen; informationskvalitetsegenskaper; sätt att behandla information. Informationsstöd kan karaktäriseras i funktionella, strukturella, transformerande och organisatoriska och metodologiska aspekter. Transformationsaspektens objekt är transformationen av språket ekonomisk förvaltning efter nivåer och stadier av informationsutveckling i systemet.

Laglag- Tidsintervallet mellan det ögonblick då systemets reaktion (effekt) inträffar till den åtgärd som tillämpas på det och tidpunkten för dess tillämpning. I socioekonomiska system spelar eftersläpningsvärden en betydande roll i planering och förvaltning. Avkastningseftersläpningar är särskilt viktiga.

trend(deterministisk grund för den förutspådda processen) - den allmänna, huvudsakliga trenden i förändringen i den dynamiska serien (processen) under en tillräckligt lång period av observation av den. Det är allmänt accepterat att trenden bestäms av inverkan av permanenta faktorer.

Harmonisk komponent i den förutsagda processen- komponent, vars verkan bestäms av faktorer av periodisk karaktär. Ett specialfall är säsongskomponenten, som främst bestäms av klimatförhållanden och sociala traditioner.

Slumpmässig komponent i den förutsagda processen- avvikelser av de faktiska värdena för processen från de förutspådda, vars orsaker inte har fastställts och inte kan identifieras inom ramen för den antagna modellen.

Ekonomiska och matematiska metoder- villkorligt namn på ett komplex av vetenskapliga och tillämpade discipliner i skärningspunkten mellan ekonomi och matematik. De omfattar följande grupper av discipliner: ekonomiska och statistiska metoder; ekonometri; forskning om verksamheter i ekonomin; ekonomisk cybernetik.

Expertbedömningar- utvärdering av processer eller fenomen som inte kan mätas direkt. Expertbedömningar spelar en viktig roll i beslutsfattande, inklusive förutsägelse av alternativ och deras konsekvenser.

Heuristisk prognosmetod- använda yttranden från experter på området. används för att förutsäga processer som inte kan formaliseras vid tidpunkten för prognosen. Det är synonymt med peer review-metoden.

Matematiska prognosmetoder villkorligt indelade i metoder för att modellera utvecklingsprocesser och metoder för extrapolering. De är baserade på matematiska verktyg.

Metoder för logisk prognostisering och analys kopplat främst till analysen av förloppets konsistens och resultat av prognoser. Fungera som respons i det prediktiva systemet. Metoderna för logisk analys tillåter dessutom att lösa oberoende problem, till exempel att bygga morfologiska modeller, som senare används som grund för formaliserade (matematiska) prognosmodeller.

Kombinerade prognosmetoder- gemensam användning av metoder för heuristiska och matematiska prognoser för att kombinera deras inneboende fördelar och kompensera för brister.

Intervallprognos- intervallet av värden där det förutsagda värdet kommer att falla med en given sannolikhet med kända processparametrar.

Prognoskvalitetskriterier- Huvudkriteriet för kvalitet är prognosens noggrannhet. Dessutom kan kriterier för snabbhet, tillförlitlighet etc. användas.

Prognosfel- skillnaden mellan den aktuella observationen av prognosobjektet och det förväntade värdet. Prognosfel orsakas av olika orsaker: osäkerheten om den framtida situationen; förändringar i själva prognosobjektet; påverkan av nya faktorer, etc. .

Förutsägelse- en bedömning av ett objekts framtida tillstånd, vilket mestadels är subjektivt.

Förutsägelseobjektmodell- Användningen av fenomenet isomorfism (analogi) för att beskriva det verkliga prognosobjektet med hjälp av matematiska samband och logiska slutsatser (i mer sällsynta fall används fysiska modeller). Modellen är någon form av abstraktion från verkligheten, och tar bara hänsyn till de egenskaper hos originalet som är av intresse eller har en betydande inverkan på dess utveckling. Svårigheten att välja en prognosobjektmodell bestäms av ett antal faktorer: information om processer eller objekt som liknar den som förutsägs; riktigheten av information om denna process(objekt); mängden av denna information. För närvarande finns det många klassificeringar av prognosmodeller.

Prediktivt system- en uppsättning metoder, metoder och medel för att samla in initiala data, bearbeta information och presentera prognoser med erforderlig kvalitet.

Källor

En studie gjordes av de huvudsakliga inriktningarna och problemen med implementeringen i praktiska aktiviteter organisationer för modern informations- och kommunikationsteknik. Problemen och riktningarna för att skapa en enhetlig informationsutrymme. Analysen av villkoren och förutsättningarna för praktisk modellering utförs, funktionerna i den stegvisa konstruktionen av prediktiva modeller för organisationers aktiviteter analyseras. Dana en kort beskrivning av drag i användningen av olika prognosmodeller betonas vikten av att kontrollera prognosmodellernas tillräcklighet. En genomgång av modern informations- och analysteknik för att förutsäga organisationers verksamhet har gjorts. Rekommendationer ges om användningen i praktiken av resultaten av att prognostisera organisationens nyckelindikatorer.

informations- och analysteknik

aktivitetsmodellering

modelltillräcklighetsanalys

förutsäga organisationens verksamhet

1. Golichev V.D., Golicheva N.D., Gusarova O.M. Smolensks land och dess befolkning (Historisk och statistisk översikt i siffror och fakta). - Smolensk: Smolgortypography, 2013. - 152 sid.

2. Gusarova O.M. Modellering som ett sätt att planera och hantera affärsresultat // Modern naturvetenskaps framgångar. - 2014. - Nr 11. - S. 88–92.

3. Gusarova O.M. Modellering i acceptans ledningsbeslut// Vetenskap och utbildning: problem och utvecklingsmöjligheter: insamling vetenskapliga artiklar baserad på material från den internationella vetenskaplig-praktiska konferensen. - Tambov: Yukom, 2014. - S. 41-42.

4. Gusarova O.M. Problem med integration av teori och praktik för att modellera affärsresultat // Ekonomi och utbildning: Utmaningar och sökande efter lösningar: en samling vetenskapliga artiklar baserade på materialet från den II allryska (korrespondens) vetenskapliga och praktiska konferensen (Yaroslavl, april 15, 2014) - Yaroslavl: Kansler, 2014. - s. 78–82.

5. Gusarova O.M. Bedömning av förhållandet mellan regionala indikatorer för socioekonomisk utveckling (på material från Central federalt distrikt Ryssland) // Samtida frågor vetenskap och utbildning. -2013. - Nr 6. (Elektronisk journal).

6. Gusarova O.M., Zhuravleva M.A. Analys och förbättring av aktiviteter aktiebolag// Modern vetenskapsintensiv teknik. - 2014. - Nr 7–3. – S. 10–12.

7. Gusarova O.M. Metoder och modeller för aktivitetsprognoser företagssystem// Teoretiska och tillämpade frågor om utbildning och vetenskap: en samling vetenskapliga artiklar baserade på materialet från den internationella vetenskapliga och praktiska konferensen. – Tambov: Yukom, 2014. – S. 48–49.

8. Gusarova O.M. Datorteknik för modellering av socioekonomiska processer // Rysslands ekonomiska tillväxt och konkurrenskraft: trender, problem och strategiska prioriteringar: en samling vetenskapliga artiklar baserade på material från den internationella vetenskapliga och praktiska konferensen. – M.: Unity-Dana, 2012. – S. 102–104.

9. Gusarova O.M. Studie av kvaliteten på kortsiktiga prognosmodeller för finansiella och ekonomiska indikatorer. – M.: 1999. – 198 sid.

10. Orlova I.V., Turundaevsky V.B. Multivariat statistisk analys i studiet av ekonomiska processer. Monografi. – M.: MESI, 2014. – S. 190.

I samband med införandet av ekonomiska sanktioner letar ett antal ryska företag efter effektiva sätt att säkerställa konkurrenskraften för sina produkter och förbättra organisationens effektivitet. Under svåra ekonomiska förhållanden är det nödvändigt att använda inte bara praktisk erfarenhet av att organisera ett företag inom ett visst verksamhetsområde, utan också moderna tillvägagångssätt till affärsplanering. Det utbredda införandet av informations- och analytisk teknik för modellering och prognostisering av viktiga affärsindikatorer i utövandet av aktiviteter möjliggör operativ övervakning av affärsresultat och bildandet av en organisations utvecklingsstrategi. Användningen av informations- och analytisk teknik gör att du kan skapa integrerade affärsresultathanteringssystem, optimera material- och finansiella flöden, minimera kostnaderna för finansiella och ekonomiska aktiviteter, maximera företagets vinster och lösa ett antal andra uppgifter.

Processerna för informatisering av det moderna samhället och processerna för implementering av informations- och kommunikationsteknik inom alla affärsområden som är nära relaterade till dem kännetecknas av den massiva spridningen av informations- och analytisk teknik för att analysera organisationers verksamhet. olika områden och ägandeformer. Modern informationsteknik gör det möjligt att automatisera ett antal av följande områden: studera egenskaperna hos ett system (objekt), övervaka dynamiken i utvecklingen av nyckelindikatorer inom alla affärsområden, optimera parametrarna för det fungerande systemet, skapa integrerade system för att övervaka och hantera systemet, planera och prognostisera utsikterna för utvecklingen av organisationen.

Det strategiska målet med att införa informations- och kommunikationsteknik inom alla verksamhetsområden i det moderna samhället är att skapa ett enda informationsutrymme utformat för att lösa ett brett spektrum av frågor relaterade till tillgång till enhetliga databaser, snabb tillhandahållande av statistisk rapportering och skapandet av integrerade övervakningssystem för olika verksamheter. Allt detta bidrar till skapandet av fundamentalt nya möjligheter för utveckling av kognitiv kreativ aktivitet hos en person: forskning, organisatorisk och ledningsmässig, expert, entreprenör, etc. Skapandet av ett enda informationsutrymme hjälper till att öka effektiviteten och kvaliteten på övervakningen av organisationers verksamhet, intensifiera vetenskaplig forskning inom olika områden, minska handläggningstiden och tillhandahålla information, effektiviteten och effektiviteten i systemhanteringen, integrationen av den nationella informationen system till internationella system för tillgång till informationsresurser inom vetenskap, kultur, näringsliv och andra verksamhetsområden.

Införandet av informations- och kommunikationsteknik i organisationers praktiska verksamhet kännetecknas av ett antal områden och problem:

● Organisationers tekniska utrustning med hjälp av informations- och kommunikationsteknik innebär tillgång till modern programvara och är begränsad av organisatoriska och ekonomiska faktorer. Så tillgång till "liten informatisering" är i vissa fall ineffektiv, och till "stor" - dyr och ger ingen snabb avkastning.

● Utbildning av specialister inom området informations- och kommunikationsteknik, särskilt inom området nätverksteknik, bör bli en prioriterad uppgift, på vars lösning effektiviteten av organisationens verksamhet i denna riktning beror. En högutbildad IT-proffs kan ibland utföra arbetsbördan för en hel avdelning i en organisation. I detta avseende är det nödvändigt att alltmer införa discipliner relaterade till informationsteknologi i utbildningsorganisationernas verksamhet och öka deras praktiska orientering. Modernt system utbildning bör fokusera på fundamentalisering av utbildning på alla dess nivåer, utbredd användning av innovativa utbildningsmetoder och teknologier, förbättring av utbildningens kvalitet och tillgänglighet genom utveckling av ett system Distans utbildning och att utrusta utbildningsprocessen med modern informations- och kommunikationsteknik.

● Skapande informationsbaser data inom alla områden av organisationens verksamhet kräver viss ansträngning, men är en viktig länk i integrationen av organisationens informationsteknologier i ett enda informationsutrymme.

Ett av de aktuella områdena för att introducera informations- och analytisk teknik i organisationers praktiska verksamhet är den operativa övervakningen av viktiga affärsindikatorer och prognostisering av alternativa alternativ för företagets utveckling. I det allmänna fallet kan följande sekvens av steg i att förutsäga utvecklingen av ett forskningssystem (objekt) särskiljas.

● Att sätta upp mål och mål för studien bestämmer de strategiska riktlinjerna och taktiska riktningarna i studiet av systemet, som under studiens gång kan förfinas och konkretiseras.

● Formuleringen av systemets konceptuella modell innefattar granskning av systemet för att identifiera dess egenskaper, egenskaper hos dynamik och inbördes samband med faktorer i den yttre och inre miljön. Insamlingen av statistisk information om systemets egenskaper innebär vidare utformning av en verbal beskrivande modell av systemet, som är föremål för förtydligande och formalisering. Formuleringen av systemets konceptuella modell förutsätter en lista över huvudfrågor formulerade i termer av ett givet studieområde som uppfyller målen för studien, och en uppsättning hypoteser om egenskaperna och egenskaperna hos modelleringsobjektet.

● Formalisering av en verbal deskriptiv modell innebär konstruktion av en matematisk modell och numerisk bestämning av dess parametrar. En viktig punkt samtidigt är rätt val metoder för att bestämma parametrarna för den matematiska modellen. Varje system har sina egna egenskaper för utveckling, och en sådan egenskap hos modellen som adekvathet, dvs. den formaliserade modellens överensstämmelse med egenskaperna hos verkliga processer som kännetecknar dynamiken i forskningssystemet. Beroende på forskningssystemets särdrag kan olika klasser av prognosmodeller preliminärt väljas ut, till exempel tillväxtkurvor som kännetecknar systemets dynamik över tid, ekonometriska modeller som etablerar och utvärderar sambandet mellan olika interna egenskaper hos systemet och ett antal externa faktorer, varianter av adaptiva modeller som används för högdynamiska system med säsongs- och cykliska fluktuationer, från de enklaste till autoregressiva modeller med autokorrelerade och heteroskedastiska residualer.

● Att erhålla och tolka simuleringsresultat innefattar kontroll av ett antal egenskaper hos den matematiska modellen, i synnerhet kontroll av modellens tillräcklighet och noggrannhet. Modellens lämplighet kännetecknar graden av närhet av egenskaperna hos den konstruerade modellen till egenskaperna och egenskaperna hos ett verkligt objekt (system). På grund av ett antal skäl, såsom ett antal antaganden som äger rum i modellering, oförmågan att ta hänsyn till många faktorer som bestämmer dynamiken i utvecklingen av studieobjektet, ett antal tekniska fel i modellstadiet formalisering och ett antal andra punkter, leder naturligtvis till en skillnad i egenskaperna hos modellen och det verkliga objektet. Det är viktigt att dessa skillnader inte är av grundläggande karaktär och ligger inom vissa gränser (avvikelser). Värdet på tillåtna avvikelser bestäms av egenskaperna hos forskningssystemets dynamik, analysperioden av systemets egenskaper samt syftet med studien. Modellnoggrannhetsindikatorer, såsom standardavvikelsen för en serie av residualer, det genomsnittliga approximationsfelet, det genomsnittliga relativa felet, karakteriserar graden av approximation av de simulerade data till de faktiska observationer som erhållits som ett resultat av insamling av statistisk information. I detta skede genomförs förfining och slutval av den modell som används i framtiden för att bygga prognosen. Samtidigt genomförs en utökad verifiering av modellens adekvathet, inklusive, förutom att testa hypoteser om uppfyllandet av ett antal statistiska egenskaper hos restkomponenten, såsom oberoende, slumpmässighet, det matematiskas likvärdighet. förväntan av residualerna till noll, uppfyllandet av normalfördelningslagen, utvärderingen av ett antal sådana egenskaper hos modellen som bestämningskoefficienten som kännetecknar andelen variation av den studerade egenskapen under påverkan av externa och interna faktorer, Fishers koefficient, som utvärderar den statistiska signifikansen för den resulterande modellen. Baserat på resultaten av att jämföra egenskaperna för adekvans och noggrannhet görs det slutliga valet av den prediktiva modellen.

● Att bygga på en formaliserad modell av prognoser och använda resultaten av modellering i systemförvaltningen innebär att man skaffar punktprognoser som kännetecknar utsikterna för utvecklingen av forskningssystemet. Utöver dessa kan intervallprognoser konstrueras som har en högre sannolikhet att erhålla intervall där systemets egenskaper kan fluktuera. Det bör noteras att prognoser är av probabilistisk karaktär och kommer att vara tillförlitliga endast om samma utvecklingsmönster fungerar under den upptaktsperiod som ägde rum i systemforskningsstadiet.

Användningen av prognostiserade resultat för att fatta ledningsbeslut är en kreativ process och kräver inte bara teoretiska kunskaper i särskilt område, men också praktisk erfarenhet om att arbeta med forskningssystemet. För närvarande har den vetenskapliga forskningen kommit långt i utvecklingen av informations- och analytisk teknik för att förutsäga organisationers aktiviteter. Till exempel är tekniker för neurala nätverksprognoser, fuzzy logic, ett antal specialiserade multifunktionella analys- och prognosprogram, såsom Statistica, SPSS, Stadia, VSTAT, Project Exspert och ett antal andra mjukvaruprodukter kända. För operativ övervakning och prognostisering av resultaten av systemets funktion, samt för utbildningsändamål, kan även MS Excel-paketet användas, som implementerar trend- och regressionsanalys, och även möjliggör beräkning av ett antal ytterligare systemegenskaper utifrån en kalkylbladsprocessor.

Enligt resultaten av studien av ledningssystemet (objektet) med hjälp av informations- och analytiska prognostekniker, kan rekommendationer formuleras för att förbättra verksamheten i organisationen (systemet), till exempel genom att fokusera på att uppnå vissa värden för nyckelprestandaindikatorer som implementerar organisationens utvecklingsstrategi, optimering pengaflöde, utveckling av nya perspektiv verksamhetsriktningar . Användningen av modern informations- och analytisk teknik för modellering och prognoser kommer att bidra till att öka effektiviteten av aktiviteter i ljuset av genomförandet av strategin och taktiken för organisationens utveckling.

Bibliografisk länk

• handledning

Jag har gjort tidsserieprognoser i över 5 år. Förra året disputerade jag på ämnet " Tidsserieprognosmodell från Maximum Similarity Sample”, men efter försvaret var det en del frågor kvar. Här är en av dem - allmän klassificering av prognosmetoder och modeller.

Vanligtvis, i verk av både inhemska och engelsktalande författare, ställer de sig inte frågan om klassificeringen av prognosmetoder och modeller, utan listar dem helt enkelt. Men det verkar för mig att detta område idag har vuxit och expanderat så mycket att även den mest allmänna, men klassificering är nödvändig. Nedan är min egen version av den allmänna klassificeringen.

Vad är skillnaden mellan en prognosmetod och en modell?

Förutsägelsemetod representerar en sekvens av åtgärder som måste utföras för att erhålla en prognosmodell. I analogi med matlagning är en metod en sekvens av åtgärder enligt vilka en maträtt tillagas - det vill säga en prognos görs.

Förutsägelsemodellär en funktionell representation som adekvat beskriver den process som studeras och som ligger till grund för att erhålla dess framtida värden. I samma kulinariska analogi har modellen en lista över ingredienser och deras förhållande, vilket är nödvändigt för vår maträtt - en prognos.

Kombinationen av metod och modell bildar ett komplett recept!

Det är numera brukligt att använda engelska förkortningar för namn på både modeller och metoder. Till exempel finns det den berömda autoregression-integrerade prognosmodellen för förlängt glidande medelvärde (ARIMAX). Denna modell och dess motsvarande metod brukar kallas ARIMAX, och ibland Box-Jenkins modellen (metoden) efter författarna.

Först klassificerar vi metoderna

Om man tittar noga blir det snabbt tydligt att begreppet " prognosmetoden"mycket bredare begrepp" prediktiv modell". I detta avseende, i det första stadiet av klassificering, delas metoder vanligtvis in i två grupper: intuitiva och formaliserade.

Om vi ​​minns vår kulinariska analogi, så kan vi även där dela upp alla recept i formaliserade, det vill säga nedskrivna efter antalet ingredienser och beredningsmetoden, och intuitiva, det vill säga inte registreras någonstans och erhållits från erfarenheten av den kulinariska specialisten. När använder vi inte ett recept? När rätten är väldigt enkel: stek potatis eller koka dumplings, du behöver inget recept. När annars använder vi inte receptet? När vi vill uppfinna något nytt!

Intuitiva prognosmetoder behandla experters bedömningar och bedömningar. Hittills används de ofta inom marknadsföring, ekonomi, politik, eftersom systemet, vars beteende måste förutsägas, antingen är mycket komplext och inte kan beskrivas matematiskt, eller mycket enkelt och inte behöver en sådan beskrivning. Detaljer om sådana metoder finns i.

Formaliserade metoder- prognosmetoder som beskrivs i litteraturen, som ett resultat av vilka prognosmodeller byggs, det vill säga de bestämmer ett sådant matematiskt beroende som gör att du kan beräkna det framtida värdet av processen, det vill säga göra en prognos.

På detta kan den allmänna klassificeringen av prognostiseringsmetoder, enligt min mening, kompletteras.

Därefter gör vi en allmän klassificering av modeller

Här är det nödvändigt att gå vidare till klassificeringen av prognosmodeller. I det första skedet bör modellerna delas in i två grupper: domänmodeller och tidsseriemodeller.

Domänmodeller- sådana matematiska prognosmodeller, för vilkas konstruktion ämnesområdets lagar används. Till exempel innehåller en modell som används för att göra en väderprognos ekvationerna för vätskedynamik och termodynamik. Prognosen för befolkningsutvecklingen görs på en modell byggd på en differentialekvation. Förutsägelsen av blodsockernivån hos en person med diabetes görs på basis av ett system av differentialekvationer. Kort sagt, sådana modeller använder beroenden som är specifika för ett visst ämnesområde. Sådana modeller kännetecknas av ett individuellt förhållningssätt till utveckling.

Tidsseriemodeller- matematiska prognosmodeller som söker hitta det framtida värdets beroende av det förflutna inom själva processen och beräkna prognosen på detta beroende. Dessa modeller är universella för olika ämnesområden, det vill säga deras allmänna form förändras inte beroende på tidsseriernas karaktär. Vi kan använda neurala nätverk för att förutsäga lufttemperatur och sedan tillämpa en liknande modell på neurala nätverk för att förutsäga aktieindex. Dessa är generaliserade modeller, som kokande vatten, i vilka om du kastar en produkt, kommer den att koka, oavsett dess natur.

Klassificering av tidsseriemodeller

Det verkar för mig att komponera allmänna klassificeringen domänmodeller är inte möjligt: ​​hur många områden, så många modeller! Tidsseriemodeller lämpar sig dock lätt för enkel uppdelning. Tidsseriemodeller kan delas in i två grupper: statistiska och strukturella.

PÅ statistiska modeller det framtida värdets beroende av det förflutna ges i form av någon ekvation. Dessa inkluderar:

1. regressionsmodeller (linjär regression, icke-linjär regression);
2. autoregressiva modeller (ARIMAX, GARCH, ARDLM);
3. exponentiell utjämningsmodell;
4. modell baserad på det maximala likhetsprovet;
5. etc.

PÅ strukturella modeller det framtida värdets beroende av det förflutna ges i form av en viss struktur och regler för att förflytta sig längs det. Dessa inkluderar:

1. neurala nätverksmodeller;
2. modeller baserade på Markov-kedjor;
3. modeller baserade på klassificerings-regressionsträd;
4. etc.

För båda grupperna har jag angett de huvudsakliga, det vill säga de vanligaste och mest detaljerade prognosmodellerna. Men idag finns det redan ett stort antal tidsserieprognosmodeller, och för att göra prognoser har till exempel SVM-modeller (support vector machine), GA-modeller (genetisk algoritm) och många andra börjat användas.

Allmänna klassificeringen

Därmed fick vi följande klassificering av modeller och prognosmetoder.

1. Tikhonov E.E. Prognoser i marknadsförhållanden. Nevinnomyssk, 2006. 221 sid.
2. Armstrong J.S. Prognos för marknadsföring // Kvantitativa metoder inom marknadsföring. London: International Thompson Business Press, 1999, s. 92–119.
3. Jingfei Yang M. Sc. Power System Kortsiktig lastprognoser: Examensarbete för doktorsexamen. Tyskland, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 s.

UPD. 2016-11-15.
Mina herrar, det har nått vansinne! Nyligen fick jag en artikel för VAK-upplagan med en länk till detta inlägg för granskning. Jag uppmärksammar er på det faktum att varken i diplom, eller i artiklar, och ännu mer i avhandlingar kan inte länka till bloggen! Om du vill ha en länk använd denna: Chuchueva I.A. MODELL FÖR FÖRUTSÄTTNING AV TIDSERIER OM VAL AV MAXIMAL LIKHET, avhandling... cand. de där. Vetenskaper / Moscow State Technical University. N.E. Bauman. Moskva, 2012.

Taggar: Lägg till taggar

Före tillkomsten av modern IT fanns det inga stora möjligheter att använda effektiva ekonomiska och matematiska modeller direkt i den ekonomiska aktivitetsprocessen. Användningen av befintliga prognosmodeller för analytiska ändamål ställde dessutom inte så höga krav på deras informationsstöd.

Grunderna för prognosteknik

När man bygger ett prediktivt system från grunden är det nödvändigt att lösa ett antal organisatoriska och metodologiska frågor. De första inkluderar:

• - Utbildning av användare i metoder för analys och tolkning av prognosresultat;
• - fastställande av riktningar för rörelsen av prognosinformation inom företaget, på nivån för dess divisioner och enskilda anställda, såväl som strukturen för kommunikation med affärspartners och myndigheter;
• - Fastställande av tidpunkten och frekvensen för prognosförfaranden.
• - utveckling av principer för att koppla prognosen till långsiktig planering och förfarandet för att välja alternativ för de resultat som erhålls när en företagsutvecklingsplan upprättas.

De metodologiska problemen med att bygga ett prognosdelsystem är:

• - utveckling av den interna strukturen och dess funktionsmekanism;
• - organisation av informationsstöd.
• - utveckling av mjukvara.

Det första problemet är det svåraste, eftersom för att lösa det är det nödvändigt att bygga en uppsättning prognosmodeller, vars omfattning är ett system med inbördes relaterade indikatorer. Problemet med systematisering och utvärdering av prognosmetoder är ett av de centrala här, eftersom det är nödvändigt att göra en jämförande analys för att välja en specifik metod. En variant av klassificeringen av prognosmetoder, med hänsyn till särdragen hos det kunskapssystem som ligger till grund för varje grupp, kan sammanfattas enligt följande: metoder för expertbedömningar; metoder för logisk modellering; matematiska metoder.

Varje grupp är lämplig för att lösa ett visst antal uppgifter. Därför ställer praxis följande krav på de metoder som används: de måste vara inriktade på ett specifikt prognosobjekt, måste baseras på ett kvantitativt mått på adekvansen och vara differentierade i termer av uppskattningars noggrannhet och prognoshorisont.

De viktigaste uppgifterna som uppstår i processen att skapa ett prediktivt system är indelade i:

• - Bygga upp ett system med förutsägbara processer och indikatorer;
• - utveckling av en apparat för ekonomisk och matematisk analys av förutspådda processer och indikatorer;
• - Konkretisering av metoden för expertbedömningar, urval av indikatorer för granskning och inhämtning av expertbedömningar av vissa förutsedda processer och indikatorer;
• - Prognosindikatorer och processer med indikering av konfidensintervall och noggrannhet;
• - utveckling av metoder för tolkning och analys av erhållna resultat.

Arbetet med prognossystemets information och matematiska stöd förtjänar särskild uppmärksamhet. Processen att skapa programvara kan representeras som följande steg:

• - Utveckling av en metod för strukturell identifiering av prognosobjektet;
• - utveckling av metoder för parametrisk identifiering av prognosobjektet;
• - utveckling av metoder för att förutsäga trender;
• - utveckling av metoder för att förutsäga de harmoniska komponenterna i processer;
• - Utveckling av metoder för att bedöma egenskaperna hos slumpmässiga komponenter i processer;
• - Skapande av komplexa modeller för att förutsäga indikatorer som bildar ett sammankopplat system.

Skapandet av ett prognossystem kräver ett integrerat tillvägagångssätt för att lösa problemet med dess informationsstöd, vilket vanligtvis förstås som en uppsättning initiala data som används för att erhålla prognoser, såväl som metoder, metoder och verktyg som säkerställer insamling, ackumulering, lagring , sökning och överföring av data i processen för att prognostisera systemet och dess interaktion med andra företagsledningssystem.

Informationsstöd för systemet inkluderar vanligtvis:

• - Informationsfond (databas).
• - Källor för bildandet av informationsfonden, flöden och metoder för datamottagning.
• - Metoder för ackumulering, lagring, uppdatering och hämtning av data som utgör informationsfonden;
• - metoder, principer och regler för datacirkulation i systemet;
• - Metoder för att säkerställa tillförlitligheten hos uppgifter i alla skeden av deras insamling och bearbetning.
• - Metoder för informationsanalys och -syntes;
• - sätt att entydig formaliserad beskrivning av ekonomiska data.

Följande huvudkomponenter krävs därför för att implementera prognosprocessen:

• - Källor för intern information, som är baserad på förvaltnings- och redovisningssystem;
• - Källor för extern information.
• - specialiserad programvara som implementerar prognostiseringsalgoritmer och analys av resultat.

Med tanke på vikten av att lösa problemet med prognoser för marknadsaktörer, är det tillrådligt att kontrollera kvaliteten på de föreslagna metoderna och algoritmerna, såväl som tekniker i allmänhet, med hjälp av speciellt utvalda (test) initiala data. En liknande verifieringsmetod har använts under lång tid för att bedöma lämpligheten hos matematiska verktyg utformade för olinjär optimering, till exempel genom att använda funktionerna Rosenbrock och Powell.

Bekräftelse (eller verifiering) av prognosteknikens kvalitet och prestanda utförs vanligtvis genom att a priori jämföra kända modelldata med deras förutspådda värden och utvärdera de statistiska egenskaperna för prognosnoggrannhet. Låt oss överväga detta trick i en situation där processmodellerna är en additiv uppsättning av trenden Tt, säsongsbetonade (harmoniska) och slumpmässiga komponenter.

För närvarande har en mängd olika programvaruverktyg blivit utbredda och tillhandahåller, i en eller annan grad, insamling och analytisk bearbetning av information. Vissa av dem, som MS Excel, är utrustade med inbyggda statistiska funktioner och programmeringsverktyg. Andra, särskilt billiga redovisnings- och redovisningsprogram, har inte sådana möjligheter eller analytiska möjligheter är inte implementerade i dem tillräckligt, och ibland felaktigt. Detta är dock, tyvärr, inneboende i vissa mer kraftfulla och multifunktionella företagsledningssystem. Denna situation förklaras tydligen av en ytlig analys från utvecklarnas sida av egenskaperna hos de prognosalgoritmer som de har valt och deras okritiska tillämpning. Till exempel, att döma av tillgängliga källor, används ofta nollordningens exponentiell utjämning som grund för prediktiva algoritmer. Detta tillvägagångssätt är emellertid endast giltigt i avsaknad av en trend i den process som studeras. I själva verket är ekonomiska processer icke-stationära, och prognoser innebär användning av mer komplexa modeller än modeller med en konstant trend.

Det är intressant att spåra utvecklingen av inhemska automatiserade banksystem utifrån det aktuella ämnets perspektiv. De första banksystemen var baserade på rigid teknologi, som ständigt krävde förändringar eller ytterligare programvara. Detta fick utvecklare av finansiell mjukvara, enligt principerna om öppenhet, skalbarhet och flexibilitet, att använda industriellt DBMS. Men i sig visade sig dessa DBMS vara olämpliga för att lösa analytiska problem på hög nivå, som inkluderar prognosproblem. För att göra detta var det nödvändigt att använda ytterligare teknik för datalagring och operationell analytisk bearbetning, vilket säkerställde driften av beslutsstödssystem för finans- och kreditinstitut och för att göra prognoser. Samma tillvägagångssätt används i komplexa företagsledningssystem.

En annan riktning för modern tillämpad användning av prognosmetoder baserade på IT är lösningen av ett brett utbud av marknadsföringsuppgifter. En illustration är programvaran SAS Churn Management Solution for Telecommunications. Den är avsedd för teleoperatörer och tillåter, som dess utvecklare hävdar, att bygga prediktiva modeller och använda dem för att bedöma sannolikheten för ett utflöde av vissa kategorier av kunder. Grunden för denna mjukvara är den Scalable Performance Data Server-distribuerade databasservern, verktyg för att bygga och administrera datalager och datamarts, Enterprise Miner-datautvinningsverktyg, SAS/MDDB Server-beslutsstödssystem, såväl som hjälpverktyg.

För att säkerställa konkurrenskraften hos nymodiga CRM-system i listan över deras avancerade funktioner, såväl som för automatiserade banksystem, ingår rapporteringsfunktioner som använder OLAP-teknologier och som i viss utsträckning gör det möjligt att förutsäga resultaten av marknadsföring, försäljning och kundservice.

Det finns en hel del specialiserade mjukvaruprodukter som tillhandahåller statistisk bearbetning av numeriska data, inklusive enskilda delar av prognoser. Dessa produkter inkluderar SPSS, Statistica, etc. Dessa verktyg har både fördelar och nackdelar, vilket avsevärt begränsar omfattningen av deras praktiska tillämpning. Det bör noteras här att bedömningen av lämpligheten hos specialiserade matematiska och statistiska mjukvaruverktyg för att lösa prognosproblem av vanliga användare som inte har specialutbildning kräver en separat seriös studie och diskussion.

Att lösa prognosproblem för konsumenter från små och medelstora företag med hjälp av kraftfulla och dyra informationssystem och teknologier är dock praktiskt taget omöjligt, främst av ekonomiska skäl. Därför är en mycket lovande riktning utvecklingen av den analytiska förmågan hos befintliga och utbredda billiga redovisnings- och förvaltningssystem. Utvecklade ytterligare rapporter baserade på specifika affärsprocesser och som innehåller nödvändig analytisk information för en viss användare har ett högt förhållande mellan "effektivitet - kostnad".

Vissa mjukvaruutvecklare skapar hela rader av analytiska verktyg. Till exempel erbjuder Parus Corporation Parus-Analytics och Triumph-Analytics-lösningar för ett brett spektrum av användare från små och medelstora företag. Mer komplexa uppgifter med analytisk bearbetning av prognosinformation integreras i Parus-systemet i form av ett så kallat situationscentrum. Enligt Dmitry Sudarev, chef för utveckling av cirkulationslösningar, beslutades det att utveckla och implementera mjukvaruprodukter som gör det möjligt att gå från enkel redovisning av fakta i företagets verksamhet till informationsanalys. Samtidigt planerades en övergång från att automatisera revisorers och mellanchefers arbete till att bearbeta information för högsta ledningen. Med hänsyn till den möjliga kretsen av konsumenter ställer Parus-Analytics och Triumph-Analytics inga särskilda krav på mjukvaru- och hårdvarumiljön, däremot implementeras Triumph-Analytics-lösningen på basis av MS SQL Server, vilket ger den större möjligheter att förutsäga de processer som studeras, särskilt den harmoniska komponenten i prognoser beaktas.

Värdet på prognosen ökar många gånger när den används direkt i ledningen av företaget. Därför är en viktig riktning integrationen av prognossystem med system som Kasatka, MS Project Expert, etc. strategisk planering. Ett sådant syfte förutbestämmer behovet av att identifiera långsiktiga trender och ta hänsyn till dem i planeringen. Prognoshorisonten bestäms utifrån de relevanta målen för organisationen.

Uppgifterna för den långsiktiga utvecklingen som den ryska ekonomin står inför kräver en radikal ökning av förvaltningseffektiviteten på olika nivåer. Denna uppgift är fullt ut inhemska företag. Behovet av att lösa det aktualiserar utvecklingen av verktyg för att prognostisera utvecklingsutsikter och bedöma effekten av de utvecklade strategierna på stabiliteten i företagens finansiella ställning.

Rapporten underbygger behovet av att gå från rent analytiska metoder för att beskriva ett företag till en probabilistisk beskrivning genom simulering av kassaflöden. Detta ger genomförandet systemtillvägagångssätt till finansiell prognos och riskbedömning av företagets utveckling, vilket gör det till ett prioriterat tillvägagångssätt för att bygga idag finansiella modeller i ledande utländska företag.

Användningen av probabilistiska modeller för att förutsäga utvecklingen av ett företag med hänsyn till risker, som författarens erfarenhet har visat, är förknippat med formuleringen av ett antal komplexa problem, både av generell teoretisk och metodisk karaktär, som praktiskt taget inte täcks i inhemsk och utländsk facklitteratur. Utan deras lösning är det omöjligt att i stor utsträckning införa moderna metoder för ekonomisk förvaltning i ryska företag. strategisk ledning. Bland sådana problem är till exempel problemet med att bilda hela utrymmet av varianter i modellen utan behov av deras fullständiga uppräkning, vilket, utan att kompromissa med noggrannheten i prognoser baserade på konvergensanalys, gör det möjligt att minska antalet analyserade kombinationer av modellparametrar i flera storleksordningar.

■ en standard multitrend finansiell modell utvecklades som gör det möjligt att förutsäga dynamiken i kassaflöden och utvärdera deras fluktuationer, inklusive sannolikheten för deras avvikelser från de lägsta tillåtna värdena. Ett exempel på en beräkning ges som illustrerar den föreslagna mekanismen för att bedöma riskerna för ett företags insolvens;

■ Algoritmer för bearbetning av initiala tidsserier föreslås, som säkerställer användningen av empiriska sannolikhetsfördelningar tillsammans med standardfördelningar utan behov av deras analytiska beskrivning, vilket avsevärt förenklar implementeringen av simuleringsmetoden i företag;

■ ett tillvägagångssätt för att strukturera den finansiella modellen baserat på dess konsekventa "top-down"-detaljering föreslås, med en annan grad av detaljering möjlig beroende på målen för analysen och tillgången på initial information;

■ standardverktyg för att automatisera analysen av redovisningsdata (erhållna från 1C-systemet) utvecklades; statistisk analys av tidsserier; plotta grafer och histogram, inklusive för intervall av olika längder (vecka, månad, kvartal). Sammantaget gör detta det möjligt för företagsledare att förbereda initiala data för en prognosmodell;

■ analyserat funktionerna i riskbedömning och föreslagna verktyg för att hantera utvecklingen av företaget på tre nivåer (investeringsprojekt, projektportfölj, företaget som helhet), med hänsyn till kontinuiteten i insamlingen, bearbetningen och analysen av data som kommer både utifrån och genererade inom företaget;

■ mekanismen för känslighetsanalys övervägdes med hänsyn till icke-linjäritet; samt ett tillvägagångssätt för att bedöma den totala risken för en projektportfölj, särskilt baserat på resultaten av simuleringsmodellering av individuella investeringsprojekt;

Rapporten visar möjligheten att tillämpa det föreslagna tillvägagångssättet för att bygga prognosmodeller för att bedöma utvecklingsutsikter och risken för insolvens inte bara av företagets ledning, utan även av externa strukturer, inklusive högre organisationer (till exempel inom innehav, statliga företag). banker, investerings- och försäkringsbolag .

Trender i att prognostisera företagens utveckling med hänsyn tagen till risker

PÅ moderna förhållanden för att lyckas i konkurrenskampen måste företagen ständigt och kontinuerligt utvecklas. Detta kräver inte bara regelbundna produktuppdateringar, förbättring av tekniska och affärsprocesser, utan också utveckling av speciella verktyg för ekonomisk prognoser av konsekvenserna av åtgärder som vidtas för utvecklingen av företaget, långsiktiga förändringar i dess värde. Finansiella prognosmodeller baserade på kassaflödesmodeller fungerar som moderna verktyg.

Men i praktiken står företagen inför ett antal betydande problem som gör det svårt att göra prognoser på regelbunden basis. De beror på både otillräcklig utveckling av en holistisk riskbaserad finansiell prognosmetodik som möter behoven modern verksamhet, och avsaknaden av organisatoriska mekanismer och mjukvaruverktyg för ackumulering och analys av ledningsinformation vid strategiska finansiella beslut.

De trender för ekonomisk utveckling som observerats under de senaste decennierna och den informationsrevolution som har ägt rum har en betydande inverkan på prognosprocesserna i företagen. Dessa trender har förändrat miljön där företag verkar och har förändrat kraven för att utforma affärsprognosmodeller.

1.1. Allmänna ekonomiska trender

Ett viktigt inslag i det nuvarande skedet av ekonomisk utveckling är komplikationen av den yttre miljön och accelerationen av marknadsförändringar, såväl som det ökande inflytandet av världsekonomiska processer. Som ett resultat står företag idag inför betydande stor kvantitet marknadsmöjligheter och hot. Följaktligen har det skett en ökning av antalet faktorer som kan ha en betydande inverkan på lönsamheten och den finansiella stabiliteten i företagens utveckling, vilket kräver att dessa faktorer beaktas i prognosmodeller. Under dessa förhållanden blir förmågan att tillhandahålla probabilistiska prognoser och riskbedömningar vid utgången inte bara en ytterligare egenskap hos prognosmodellen, utan dess integrerade och obligatoriska komponent.

Som R. Stulz påpekar står företag idag inför uppgiften att ta hänsyn till även de hot, vars sannolikhet bedöms som obetydlig. Bland en speciell, men allt mer betydelsefull typ av sådana hot är de ekonomiska konsekvenserna för företag av globala strategiska risker förknippade med utarmning av naturresurser, klimatförändringar, förekomsten av katastrofer orsakade av människor, såväl som sociopolitiska faktorer. Trots den objektiva komplexiteten att bedöma dessa risker, på grund av den växande omfattningen av skador från dem, ökar också behovet för företag att utveckla riskmodelleringsmekanismer som ett attribut för prognosmodeller.

Slutligen, ökande volatilitet i marknadsförhållandena gör det nödvändigt att öka flexibiliteten och anpassningsförmågan hos prognosmodeller. Tekniken för att bygga prognosmodeller bör ge möjlighet att snabbt inkludera nya parametrar i modellen (verksamhetslinjer, enskilda inkomster och utgifter etc.). Detta kräver en samtidig förbättring av rutinerna för att bygga modeller och ledningsmekanismer för deras användning i företag, övergången till en kontinuerlig analys av pågående förändringar i både den externa och interna miljön i företaget.

1.2. Informationsteknologiutvecklingstrender

Den huvudsakliga egenskapen modern scen teknologisk utvecklingär den ständigt ökande mängden information som kommer in i företaget.

Datoriseringen har gett snabb tillgång till stora mängder information, vilket var otänkbart när denna data lagrades på pappersmedia, och orsakade en ökning av den allt mer aktiva användningen av databaser för olika ändamål för ekonomisk beskrivning av ekonomisk verksamhet.

Dessa förändringar krävde anpassning av metoder och processer för att bygga prognosmodeller och analysera riskerna med företagsutveckling.

En av riktningarna för sådan anpassning var en betydande komplikation av analytiska modeller, vilket stimulerade den snabba matematiseringen av ekonomisk vetenskap, som av många forskare anses vara en negativ faktor i dess utveckling. Bildandet av denna riktning var ganska naturligt och logiskt, eftersom redan före mitten av förra seklet faktiskt det enda sättet att beräkna de viktigaste ekonomiska indikatorerna och beskriva relationerna mellan dem i prognosmodeller var att använda analytiska beroenden. En modell som inte gav explicita analytiska formler ansågs värdelös. Ett karakteristiskt kännetecken för sådana modeller var deras förenkling, vilket visar sig i synnerhet i hypotesen om fullständig information, determinism ekonomiska förhållanden som ett av grundantagandena i den neoklassiska riktningen för ekonomisk teori.

Begränsningarna i den analytiska beskrivningen av ekonomiska processer manifesteras främst i omöjligheten att, med hjälp av endast matematiska medel, ställa in faktiskt observerade ekonomiska beroenden, varav den stora majoriteten är probabilistiska och icke-linjära inom ekonomin.

Ökningen av datorernas kraft gjorde det möjligt att minska behovet av att använda enbart analytiska verktyg för att bedöma lönsamheten i förvaltningsbeslut. Som D. Colander noterar, om tidigare företag betraktades som relativt enkla system, vars beskrivning kunde reduceras till ett system av ekvationer med analytiska lösningar, så är den nuvarande trenden att betrakta företag som komplexa system, vilket gör det omöjligt att helt beskriv dem analytiskt. Följaktligen håller simuleringsmodellering för närvarande på att bli huvudmetoden för att beskriva sådana system. Möjligheten att bygga i en kalkylarksmiljö ger hög mångsidighet och flexibilitet i att sätta ekonomiska beroenden, vilket öppnar betydande möjligheter för företag inom finansiell design och modellering av ekonomiska processer.

De övervägda trenderna avgjorde till stor del utvecklingen av ett systematiskt tillvägagångssätt inom förvaltningen, vilket i synnerhet innebär ständig ackumulering och bearbetning av information med dess efterföljande omvandling till en organisatorisk kunskapsbas.

Den grundläggande betydelse som information får i värdekedjan i moderna företag manifesteras också fullt ut i konstruktionen av finansiella prognosmodeller. Den obligatoriska information som krävs för att bygga korrekta prognoser inkluderar de statistiska egenskaperna för företagets huvudsakliga ekonomiska parametrar (försäljningsvolym, viktiga utgiftsposter etc.) Därför är statistisk analys ett organiskt element i att skapa en prognosmodell.

I den finansiella prognosmodellen ackumuleras alltså all information som finns tillgänglig för formalisering i form av kassaflöden, som är nödvändig för att fatta strategiska beslut. Det vill säga att användningen av en prognosmodell ger en ökning av den systematiska styrningen av företaget. Och dessa modeller i sig kan naturligtvis betraktas som en del av strukturkapitalet - ett delsystem av företagets intellektuella kapital.

Användningen av simuleringsmodellering gör det möjligt att säkerställa implementeringen av en annan grundläggande princip för ett systematiskt tillvägagångssätt - övervägande av hela utrymmet för möjliga, enligt experter, alternativ, vilket öppnar vägen för en probabilistisk beskrivning av de resulterande kassaflödena för modell.

Samtidigt betonar vi att begreppet ”komplett utrymme av varianter” ska förstås i statistisk mening. Vi talar inte om en mekanisk uppräkning av alla teoretiskt möjliga kombinationer av värdena för de studerade parametrarna i modellen, vilket i de flesta fall är tekniskt omöjligt. I modelleringsprocessen bör endast statistiskt signifikanta varianter (som har en sannolikhet för förekomst som är större än t.ex. 0,01%) tas med i beräkningen, för att fastställa deras optimala antal baserat på konvergensanalysalgoritmer.

Att bygga ett komplett utrymme av alternativ vid modellering av risker gör det möjligt för varje beräkningssteg av modellen (till exempel en fjärdedel) att bestämma de probabilistiska egenskaperna hos företagets kassaflöden: den matematiska förväntningen av kassaflödet, dess lägsta och maximala värden (Fig. 1.1).

En sådan analys gör det möjligt att identifiera perioder där det resulterande kassaflödet för företaget är stabilt, såväl som perioder av dess nedgång och uppgång. Dessutom har företaget en reell chans att beräkna riskbeloppet, vilket i detta fall definieras som den integrerade sannolikheten att värdet av det resulterande kassaflödet kommer att gå utanför det acceptabla intervallet (till exempel bli negativt).

Ris. 1.1. Riskmodellering låter dig presentera företagets kassaflöde som en korridor för dess möjliga förändring

Att hålla bolagets kassaflöde inom acceptabla gränser bidrar till tillväxten av dess finansiella stabilitet. Dessutom låter riskmodellering dig analysera och välja de mest effektiva utvecklingsstrategierna, vilket förbättrar flexibiliteten i ledningen och ökar företagets övergripande konkurrenskraft.

Genom att genomföra en probabilistisk analys av företagets kassaflöden utökas således mängden information som kan tas i beaktande i processen att fatta strategiska beslut. De erhållna kvantitativa riskbedömningarna bör enligt vår uppfattning ses som en grundläggande egenskap för företagets utveckling och en av de viktigaste indikatorerna att ta hänsyn till vid beslut på olika ledningsnivåer.

Komplexiteten hos ekonomiska system dikterar behovet av att ta hänsyn till en sådan egenskap som flernivåsystemen när man bygger modeller för deras prognoser. När det gäller uppdraget att bygga modeller för utveckling av företag kan tre nivåer urskiljas: ett separat investeringsprojekt, en portfölj av projekt och företaget som helhet. Även om problemen och metoderna för finansiell modellering på var och en av dessa nivåer återspeglas i stor utsträckning i den vetenskapliga litteraturen, bör man inse den otillräckliga teoretiska utvecklingen av denna fråga. Dragen av utvecklingsriskbedömning på de tre angivna nivåerna analyseras i rapportens tredje avsnitt.

En analys av de övervägda problemen visar att uppgiften att utveckla en utvecklingsprognosmodell inte bör reduceras enbart till konstruktionen av finansiella modeller och deras kvantitativa, inklusive probabilistiska analyser. Prognosmodellens centrala roll i systemet för strategisk ledning av ett företag verkar vara grundläggande, där den inte bara fungerar som en formell finansiell plan, men som huvudverktyget för att bedöma lönsamheten för de utvecklade utvecklingsstrategierna, såväl som som ett resultat av ackumulering och bearbetning av enorma mängder information som lagras i företaget.

Därför kan det hävdas att för en effektiv tillämpning av prognosmodellen är det nödvändigt att omvandla företagets ledningssystem så att det möjliggör ackumulering av information som krävs för utveckling av prognoser och riskbedömning. Det förefaller som om förmågan att bedöma riskerna med beslut som fattas på grundval av tillgänglig statistisk och expertinformation kan anses vara en av de kärnkompetenser ledning av alla moderna företag.

Det gör det nödvändigt att utvecklas ledningsteknik prognostisera utvecklingen av företaget, som är ett delsystem för att hantera dess strategiska utveckling. En viktig del av en sådan teknik bör vara konstruktionen av ett personalutbildningssystem, även om det kräver betydande investeringar för att förbättra dess kvalifikationer, men i många avseenden bestämmer det företagets innovativa potential och därmed dess konkurrenskraft.

1.3. Allmän teknik för att bygga en modell för att förutsäga ett företags utveckling, med hänsyn tagen till risker

Den nyckelroll som kvaliteten på de initiala uppgifterna spelar för riktigheten av företagets framtida utvecklingsprognoser dikterar den allmänna logiken i att bygga en intern prognosmodell (Fig. 1.2). Baserat på en omfattande studie av affärsprocesser och statistisk analys av företagets huvudsakliga inkomster och kostnader, bestämmer chefer modellens struktur, ställer in initiala data och beroenden mellan huvudfaktorerna. En preliminär modell byggs sedan upp från de historiska data för att verifiera att prognosen som erhålls med hjälp av den motsvarar företagets faktiska kassaflöden. Efter felsökning av modellen korrigeras den med hänsyn till expertuppskattningar och används för att bygga en prognos för ett visst antal perioder inom planeringshorisonten. I framtiden genomförs periodisk övervakning av företagets utveckling för att ta hänsyn till förändringar i företagets externa och interna miljö.

Ris. 1.2. Det allmänna schemat för processen att bygga en modell för att förutsäga utvecklingen av ett företag, med hänsyn till risker

Problem med att förbereda initiala data för en prognosmodell

Som bekant spelar kvaliteten på informationen som används i den en avgörande roll för noggrannheten av prognoser som erhålls med hjälp av vilken modell som helst. Därför är utarbetandet av initialdata för modellen den viktigaste uppgiften, vilket kräver att företaget har både speciella analysverktyg och ledningsprocedurer.

Förberedelse av initiala data för modellen är omöjligt utan aktiv användning av statistisk analys, utformad för att identifiera mönster och trender i företagets huvudsakliga inkomster och utgifter.

I processen för statistisk analys uppstår ett antal komplexa problem, som att arbeta med icke-typiska sannolikhetsfördelningar, identifiera trender, säkerställa datahomogenitet och annat som inte beaktas tillräckligt eller inte alls i speciallitteraturen.

Vi noterar också att statistisk analys inte bara bör betraktas som en uppsättning formaliserade procedurer för bearbetning av dataserier. Som framhållits av E.F. Siegel, "statistik är konsten och vetenskapen att samla in och analysera data. Statistiska metoder bör betraktas som en viktig del av beslutsprocessen, vilket möjliggör utveckling av informerade strategiska beslut som kombinerar en specialists intuition med en grundlig analys av tillgänglig information. Användningen av statistik blir en allt mer betydande konkurrensfördel. Således är statistisk analys av data ett sätt att få en djupare förståelse av ett företags ekonomi − obligatoriskt villkor bygga en korrekt modell för dess förutsägelse.

2.1. Indatatyper

I processen för att analysera de initiala uppgifterna är det nödvändigt att ta hänsyn till deras skillnader när det gäller graden av osäkerhet och karaktären av förändringar över perioder. Baserat på detta kan tre typer av parametrar särskiljas:

1. Parametrar vars värden är konstanta under alla perioder under planeringshorisonten (till exempel skattesatser, uthyrningsbar yta);

2. Parametrar vars värden förblir konstanta inom varje enskild period (beräkningssteg), men kan ändras från period till period (till exempel elpriser);

3. Parametrar vars värden ändras slumpmässigt inom en viss period (till exempel försäljningsvolym). Samtidigt kan deras matematiska förväntningar över perioderna förbli konstanta eller förändras i enlighet med en viss trend.

Från klassificeringen ovan är det tydligt att de svåraste parametrarna för analys och prognoser är parametrarna av den tredje typen, som ändras slumpmässigt. För deras korrekta modellering under analysen av de initiala uppgifterna är det nödvändigt att bestämma inte bara förväntade värden och trender, men också intervallen för deras värden, såväl som sannolikhetsfördelningslagen. Därför kommer ytterligare uppmärksamhet att ägnas åt parametrarna för den tredje typen.

Som framgår av tabell 2.1 är den huvudsakliga källan till initial information för den statistiska analysen av parametrar av den tredje typen redovisnings- och förvaltningsredovisningsdata. Att erhålla dessa uppgifter orsakar vanligtvis inga grundläggande svårigheter, eftersom insamling och lagring av dem i företag är obligatoriska med tanke på hur viktiga dessa parametrar är.

Tabell 2.1. Exempel på vanliga indataparametrar, vanligtvis slumpmässiga

2.2. Utmaningar för att säkerställa relevans och homogenitet hos källdata

Statistisk analys av den initiala serien av varje analyserad parameter är utformad för att identifiera dess mest signifikanta egenskaper, som sedan används vid modellering av prediktiva värden.

Samtidigt, för att säkerställa att prognosmodellen tar hänsyn till all tillgänglig information, verkar det rimligt att använda hela den tillgängliga tidsserien för denna parameter i den mest detaljerade formen i den statistiska analysen av varje studerad parameter i modellen ( till exempel dagliga värden för produktförsäljning under tre år).

Eftersom kassaflöden för olika inkomst- och utgiftsposter sker med olika intervall (dagligen, veckovis, månadsvis, etc.) uppstår problemet med att aggregera värdena för alla studerade parametrar efter intervall för att motsvara det beräkningssteg som valts i modellen.

För att göra detta delas originalserien in i intervaller som motsvarar det erforderliga beräkningssteget. Till exempel, när man aggregerar kassainflöden till företagets byteskonto per kvartal, kommer alla inflöden som tas emot för perioden 01.04 till 30.06 innevarande år att hänföras till det andra kvartalet. Sedan ersätts alla värden för den studerade parametern inom varje intervall (ungefärligt) av matematiska förväntningar (Fig. 2.1).

Ris. 2.1. Grafisk representation av approximationen av serievärden genom deras matematiska förväntningar över intervall

Ris. 2.2. Ett exempel på scheman för mottagande av medel till företagets löpande konto, aggregerade efter intervall(a - efter veckor; b - efter månader; i - kvartals). Källa: författarens beräkningar

Som framgår av graferna, med en ökning av storleken på intervallet, jämnas fluktuationerna ut, vilket underlättar den efterföljande modelleringen av den studerade parametern.

Kvartalsdiagrammet visar också mest exakt förekomsten av en säsongskomponent, som bör beaktas vid modellering av trender.

Dessutom visar jämförelsen av dessa grafer värdet av att analysera den mest detaljerade informationen. På fig. Figurerna 2.2a och 2.2b uppmärksammar ökningen av volatiliteten för parametern, vilket är osynligt i diagrammet över kvartalsvärden (Fig. 2.2c). Orsaken till denna ökning var ökningen av andelen stora order i bolagets försäljningsstruktur, vilket ökade ojämnheten i kassaflöden.

Ökningen av volatilitet är ännu mer märkbar i bolagets fordringsdiagram (Figur 2.3).

Således vittnar det övervägda exemplet om värdet av serieanalys på var och en av nivåerna av dataaggregation, vilket ger ytterligare betydande information om den studerade parametern i modellen.

Ris. 2.2a och 2.2b illustrerar ett annat grundläggande problem som uppstår i processen för statistisk analys av initiala data - problemet med deras heterogenitet. Uppkomsten av ytterligare faktorer som påverkar parametern som studeras, eller en förändring i förhållandet mellan faktorerna leder ofta till en förändring av seriens probabilistiska egenskaper (i detta fall en ökning av variansen).

Det slutliga målet med att förbereda initiala data är att i modellen använda den maximala mängd information som är mest relevant vid tidpunkten för beslutsfattande. Betydande förändringar i tekniken, marknadssituationen eller det rättsliga ramverket kan leda till att en del av de tillgängliga uppgifterna för tidigare perioder inte längre är relevanta, och att de tas med i konstruktionen av modellen kan minska prognosens noggrannhet.

Ris. 2.3. Kundreskontraschema (efter dagar)

Ris. 2.4. Histogram över sannolikhetstätheter för försäljningsvolym(a - allmänt, b - produkt 1, i - produkt 2)

Att säkerställa homogenitet blir ett av nyckelkriterierna vid nedbrytningen av de studerade parametrarna, vilket bestämmer modellens optimala detaljgrad. Som ett exempel, betrakta ett histogram över ett företags försäljning (Figur 2.4a).

Den uttalade bimodaliteten av den totala fördelningen, orsakad av närvaron av två dominerande faktorer, elimineras i stort sett när den delas upp i två produkter (Fig. 2.4b, 2.4c). Detta indikerar behovet av att dela upp företagets försäljning per produkt för att få en mer exakt fördelning.

2.3. Problemet med identifiering av sannolikhetsfördelningslagar

Ett av de svåraste problemen vid simuleringsmodellering är identifieringen av typen av sannolikhetsfördelning av slumpvariabler. Otillräcklig uppmärksamhet på detta problem i den specialiserade litteraturen kan tydligen förklaras av en vanlig missuppfattning att fördelningarna av ekonomiska indikatorer motsvarar eller kan reduceras till typiska distributionslagar (särskilt till normallagen). Detta antagande tillåter användning av välutvecklade matematiska verktyg för dataanalys.

Att endast arbeta med typiska fördelningar leder dock i många fall till att man ignorerar avvikelser i form av faktiskt observerade fördelningar, som framför allt visar sig i asymmetrier och extremvärden. Dessutom, som resultaten av analysen som utförts av författaren har visat, skiljer sig fördelningarna av de flesta finansiella indikatorer som återspeglar ekonomin i ett verkligt sektorföretag avsevärt från de typiska.

De fördelningar som studerats under denna vetenskapliga studie kan delas in i fyra grupper.

Första gruppen. Fördelningar som liknar exponentiella:

Kostnaden för en beställning;

Materialkostnad (per dagar);

Inflöde och utflöde av medel på byteskontot (efter dagar);

Omsättning av medel på löpande konto (dagar).

Andra gruppen. Fördelningar som liknar Poisson-fördelningen:

Kostnaden för avslutade beställningar (veckovis);

Löpande kontosaldo (efter dagar).

Tredje gruppen. Fördelningar nära symmetriska (inklusive normal):

Förändring i kontanter (med hänsyn till företagets reserver (efter dagar);

Leverantörsskulder (per dagar);

Skillnader mellan totala leverantörsskulder och kundfordringar.

Fjärde gruppen. Bimodala och andra uppenbart icke-standardiserade distributioner.

Totala intäkter (per dagar);

Kassabehållning (med hänsyn till företagets reserver (efter dagar);

Kundfordringar (per dagar).

Ett antal författare noterar att fördelningarna av många ekonomiska storheter inte motsvarar normallagen. Som påpekats av exempelvis A.I. Orlov, "inom ekonometrin skiljer sig fördelningen av resultaten av ekonomiska och tekniska och ekonomiska observationer nästan alltid från det normala".

Försök att ignorera de avvikelser som identifierats under analysen kan resultera i en förvrängning av uppskattningarna av den förväntade variabiliteten av parametrarna i prognosmodellen. Som ett resultat av detta sker en förlust av betydande information om sannolikhetsfördelningen och i slutändan en minskning av noggrannheten i prognoserna.

En mycket vanlig metod för att konvertera icke-standardiserade distributioner till typiska är logaritmen för den ursprungliga värdeserien, vilket vanligtvis eliminerar en allvarlig distributionsskevhet. Men som modelleringserfarenhet har visat har logaritmen allvarliga begränsningar. De beror på det faktum att under den omvända transformationen av den matematiska förväntan och standardavvikelsen (från logaritmisk till initial), skiljer sig parametrarna för serien som erhålls genom beräkning från deras faktiska värden. Detta komplicerar avsevärt tillämpningen av denna metod i praktiken.

Ris. 2.9. Jämförelse av den empiriska och normala fördelningen av företagets leverantörsskulder (- - empirisk fördelning; -- - normalfördelning).

Enligt vår mening en mer universell lösning på detta metodologiska problemär användningen av den så kallade empiriska fördelningen som erhålls direkt från analysen av en serie data utan dess analytiska beskrivning (förutsatt att den är stabil).

För att illustrera möjliga förvrängningar av fördelningen av parametern när den är artificiellt reducerad till standarden i fig. Figur 2.9 jämför den faktiska empiriska fördelningen av företagets leverantörsskulder (heldragen linje) och den genererade normalfördelningen (streckad linje), som har samma värden på matematisk förväntan och standardavvikelse (beräknat under analysen av den ursprungliga serien). Diskrepansen mellan graferna indikerar felaktigheten i att använda normalfördelningen istället för den faktiskt observerade.

För att övervinna de svårigheter som uppstår när man arbetar med empiriska fördelningar jämfört med typiska, är det nödvändigt att ha lämpliga verktyg för att generera slumpmässiga tal, transformera dessa fördelningar med hänsyn till trenderna för matematiska förväntningar och standardavvikelser, och detaljerad statistisk analys av den initiala värden för tidsserier.

2.4. Generering av empiriska distributioner

Mest universell metod generering av en empirisk fördelning anses med rätta vara metoden för linjär approximation. Enligt denna metod utförs genereringen av slumptal i flera steg:

1. Originalserien är uppdelad i h-intervall (fickor) med variabel eller konstant längd. Fack med variabel längd resulterar i "långa" fack i distributionsregioner med få värden och "korta" fack i distributionsregioner med ett stort antal värden. Detta gör det möjligt att ta hänsyn till den komplexa formen av distributioner mer korrekt och därigenom öka genereringsnoggrannheten.

2. För varje intervall beräknas träfffrekvenserna för värdena för den ursprungliga serien och motsvarande integralsannolikhet (se tabell 2.3).

3. Det erforderliga antalet slumptal genereras med hjälp av en vanlig enhetlig distributionsgenerator.

4. Vart och ett av de siffror som genereras enligt den enhetliga lagen transformeras med hjälp av data som liknar de som ges i Tabell 2.2 för att erhålla slumpvariabler med den önskade empiriska fördelningen.

Tabell 2.2. Ett exempel på en empirisk distributionsfrekvenstabell för intervall med konstant längd

2.5. Sätt att specificera trender för en empirisk distribution

Den föreslagna metoden för att modellera trender i empiriska distributioner skiljer sig från mekanismen för att sätta trender för typiska distributioner.

Kom ihåg att för typiska distributioner sätts först en trend för distributionsparametrarna, såsom matematisk förväntan, standardavvikelse och andra. Baserat på värdena för fördelningsparametrarna som beräknas för varje period, genereras slumptal med hjälp av de analytiska formlerna för motsvarande fördelning. I det här fallet tillhandahålls en trend automatiskt för alla punkter i en typisk periodfördelning.

Eftersom det inte finns någon analytisk beskrivning för empiriska fördelningar måste trenden sättas omedelbart för alla distributionspunkter. Som kommer att visas nedan ger detta den erforderliga trenden för den matematiska förväntan och varians (standardavvikelse).

I enlighet med metoden för linjär approximation, vid modellering, är det tillräckligt att arbeta inte med individuella värden, utan med gränserna för intervallen (liknande de som anges i kolumn 1 i tabell 2.2) och frekvenserna för de fallande värdena i de formade fickorna.

Det föreslagna tillvägagångssättet ger två sätt att sätta en trend för en godtycklig fördelning.

1. Endast den matematiska förväntan av serien ändras från period till period

Omvandlingen av den ursprungliga serien, med hänsyn till trenden, utförs genom att lägga till samma nummer A till varje värde i denna serie. Sedan beräknas den matematiska förväntan av perioden t + 1 enligt följande:

där M(X)t, M(X)t+1 är de matematiska förväntningarna på parametern som studeras i perioderna t och t+1; x t — i-te värdet parameter i period t; n är det totala antalet genererade slumpmässiga värden (samma för alla perioder).

Det är lätt att fastställa att, med hänsyn till (1), i detta fall kommer spridningen av parametern t + 1 att förbli oförändrad:

där Dt, Dt+1 är dispersioner av den studerade parametern i perioderna t och t+1;

Grafiskt, i närvaro av en positiv trend, skiftar histogrammet av parametervärden för period t+1 längs X-axeln till höger med A.

2. Från period till period ändras både den matematiska förväntan och standardavvikelsen

I detta fall utförs omvandlingen av den ursprungliga serien, med hänsyn till den positiva trenden, genom att multiplicera varje värde i denna serie med samma nummer k. Sedan beräknas den matematiska förväntan för perioden t+1 med formeln:

Spridningen av parametern t+1 beräknas med formeln:

Följaktligen beräknas standardavvikelsen a, med hänsyn till trenden i period t + 1, genom att multiplicera dess värde i period t med k.

Variationskoefficienten i denna metod förblir oförändrad.

2.6. Verktyg för att automatisera insamling och statistisk analys av initiala data

På grund av komplexiteten i förfarandena för bearbetning av de första tidsserierna bör de i praktiken utföras automatiskt med standardprogramvara.

Tabell 2.3. Ett exempel på en kontotabell i 1C

Tabell 2.4. Vy över den konverterade tabellen för bearbetning med hjälp av Excel

När man hämtar inledande serier från olika datordatabaser uppstår problemet med att förena formen för att tillhandahålla information för dess efterföljande analys. Till exempel, för att bearbeta uppgifter om konton som erhållits från det utbredda redovisningssystemet 1C (tabell 2.3), omvandlas de till en tabell i formen Tabell. 2.4, som fungerar som grund för bildandet av den initiala tidsserien.

Drag av utvecklingsriskbedömning på tre ledningsnivåer i företaget

Som nämnts ovan bör prognoser för ett företags utveckling, med hänsyn till risker, utföras på tre nivåer: nivån för ett enskilt investeringsprojekt, en portfölj av projekt och företaget som helhet. Detta beror på skillnaden i uppgifter på var och en av nivåerna (tabell 3.1), som bestämmer egenskaperna hos de utvecklade modellerna och analysalgoritmerna.

Tabell 3.1. Skillnaden mellan de uppgifter som ska lösas på tre nivåer av investeringsförvaltning i företaget

3.1. Individuell investeringsprojektnivå

Betydande kunskapsintensitet, tidsspannet för omvandlingen av investerade resurser till en ökning av företagets värde, såväl som den höga osäkerheten om potentiella resultat, indikerar den huvudsakliga investeringsformen i företaget - formen av ett investeringsprojekt. Investeringsprojekt fungerar som källor till framtidsbildning konkurrensfördel. Därför, i processen att utveckla varje investeringsprojekt, är det extremt viktigt att få den mest fullständiga informationen om projektets framtidsutsikter i tid, inte bara när det gäller mängden nettokassaflöde som detta projekt kan generera, utan även från positionen att bestämma intervallet för möjliga kassaflödesfluktuationer. Kvantitativa metoder för projektriskanalys spelar en nyckelroll för att förse företagsledningen med denna information.

Grunden för kvantitativ riskbedömning av ett investeringsprojekt är modellen för dess kassaflöden. Det första steget i dess utveckling är att bestämma strukturen för projektets inkomster och utgifter, förutse deras värden, med hänsyn till dynamiken i förändringar under planeringshorisonten.

Kassaflödesmodellen för ett investeringsprojekt fungerar som grund för att beräkna dess resultatindikatorer: nuvärde (NPV), diskonterad återbetalningstid (DPP), lönsamhetsindex (PI) och andra. De resulterande värdena för dessa indikatorer återspeglar projektets förväntade lönsamhet för företaget under förhållanden när alla parametrar tar sina mest sannolika (grundläggande) värden.

I nästa steg, när man gör en känslighetsanalys av projektet, bestäms de modellparametrar som har störst inverkan på investeringsprojektets ekonomiska effektivitet. I sin klassiska form reduceras känslighetsanalys till beräkning av dimensionslösa känslighetskoefficienter som återspeglar elasticiteten hos projektprestandaindikatorer.

Men i praktiken, när man utför känslighetsanalys, måste man komma ihåg att det traditionella tillvägagångssättet bygger på antagandet att känslighetsfunktionerna är linjära. I verkligheten är känslighetsfunktionerna för många parametrar i projektets kassaflödesmodell icke-linjära. Till exempel, som framgår av resultaten av analysen av investeringsprojektets känslighetsfunktioner som utförts av författaren (tabell 3.2), av modellens femton parametrar, visade sig känslighetsfunktionen NPV vara icke-linjär för fyra parametrar, PI för åtta och DPP för alla femton. Ett välkänt exempel på en icke-linjär känslighetsfunktion, allmänt betraktad i litteraturen, är funktionen att ändra NPV för ett projekt med en förändring i dess diskonteringsränta. Dessutom, som A.A. Kugaenko, när han modellerar ekonomiska system, är "linjära ömsesidiga beroenden praktiskt taget frånvarande".

Tabell 3.2. Ett exempel på analys av känslighetsfunktioner för investeringsprojektparametrar för icke-linjäritet

Att genomföra en känslighetsanalys spelar viktig roll att öka konsekvensen i motiveringen av investeringsprojektet. Dess resultat gör det möjligt att bestämma vilka modellparametrar som kräver obligatorisk hänsyn till variabiliteten av deras värden.

Inkluderingen i kassaflödesmodellen av alla möjliga alternativ för värdena på dessa parametrar, utförda med hjälp av simulering, förvandlar den från en grundläggande till en probabilistisk. Simuleringsmodellering av ett investeringsprojekt utförs i flera steg med hjälp av MS Excel-kalkylblad:

1. De initiala parametrarna för kassaflödesmodellen väljs, för vilka simuleringsmodellering kommer att utföras. För var och en av dem bestäms distributionslagen (uniform, normal, Poisson, etc.) och fördelningsparametrar.

2. För varje parameter genereras m slumptal med vanliga Excel-funktioner. Antalet genererade nummer är detsamma för alla parametrar och varierar vanligtvis från 1000 till 50000.

3. Baserat på genereringsresultaten bildas m kombinationer av slumptal för de valda parametrarna. En kombination motsvarar en rad i Excel-tabellen.

4. För varje kombination av parametervärden beräknas projektprestandaindikatorerna. För att göra detta, använd datorprogram skrivet i Visual Basic for Applications, ersätts alla kombinationer av indataparametervärden sekventiellt i kassaflödesmodellen. De resulterande prestationsindikatorvärdena för varje kombination placeras i motsvarande rad i Excel-kalkylarket.

5. I Excel sorteras raderna i tabellen med slumpmässiga värden för de initiala beräkningsdata i stigande ordning efter effektivitetsindikatorn (till exempel NPV).

6. Varje rad i tabellen tilldelas en viss integralsannolikhet. Så, om det finns 1000 rader i arrayen, kommer raderna i och i + 1 att motsvara integralsannolikheter som skiljer sig med 0,1 %.

7. Integralsannolikheten för en negativ NPV för projektet beräknas. För att göra detta divideras antalet rader där NPV är negativt med det totala antalet rader i tabellen.

Det övervägda tillvägagångssättet för simuleringsmodellering gör det inte bara möjligt att beräkna de förväntade värdena för investeringsprojektets resultatindikatorer, utan också att erhålla ett ytterligare kriterium som återspeglar projektets risk: den integrerade sannolikheten att värdet av resultatindikatorn kommer att vara i området med oacceptabla värden.

Sålunda är huvuduppgiften för finansiell modellering och kvantitativ riskbedömning på nivån för ett enskilt investeringsprojekt den mest detaljerade studien av potentialen för att skapa marknadspris för företaget och storleken på eventuella avvikelser i dess kassaflöden. Men för att säkerställa att investeringsprojekt som utvecklas ligger i linje med företagets strategiska mål behöver de ses över på portföljnivå.

3.2. Portföljnivå för investeringsprojekt

Sedan 1970-talet, när Boston Consulting Group-matrisen föreslogs, har portföljansatsen blivit utbredd som ett verktyg för att planera konkurrenskraftiga strategier och allokera kapital mellan produkter (eller enskilda branscher) av företag. Det är lika viktigt att betrakta som en portfölj en uppsättning investeringsprojekt under utveckling, av vilka många, som nämnts ovan, är grunden för företagets framtida produkter som utgör dess kassaflöde.

Ur synvinkel att hantera företagets konkurrenskraft kan en portfölj av investeringsprojekt ses som en portfölj av dess framtida konkurrensfördelar. Därför bestämmer beslut som fattas på portföljnivå, av vilka de viktigaste är valet av investeringsprojekt och fördelningen av kapital mellan dem baserat på ett multikriterier, till stor del de områden för konkurrenskraftstillväxt som ett företag väljer själv när det utvecklar en utvecklingsstrategi.

Eftersom projekt har olika grad av risk, är det nödvändigt att kontrollera projektets övergripande risknivå för att inte överskrida dess maximala acceptabla värde för företaget.

Enligt vår uppfattning är det mest universella tillvägagångssättet för att bedöma den totala risken för en portfölj av projekt att använda resultaten av simuleringsmodeller som utförts för vart och ett av projekten som ingår i portföljen.

De initiala uppgifterna för beräkningen är sannolikhetsfördelningarna av NPV för vart och ett av de r projekten. Beräkningsproceduren består av följande steg:

1. N kombinationer av NPV bildas. För att göra detta sorteras tabellen med slumpmässiga värden för varje projekt i stigande NPV, varefter kolumnen med NPV-värden överförs till tabellen, vars allmänna vy presenteras i Tabell. 3.3.

2. Den totala PV-resten av portföljen beräknas för varje kombination.

3. Tabell 3.3 är sorterad i stigande ordning efter PV resten av portföljen.

4. Varje kombination tilldelas en integralsannolikhet, bestämd genom att dividera radnumret i tabellen där denna kombination finns med det totala antalet kombinationer N.

5. Integralsannolikheten för en negativ PV-rest av portföljen bestäms.

Anteckna det den här metoden antar att antalet slumpmässiga NPV-värden för alla projekt är detsamma.

I det fall att simuleringsmodellering inte använts för att bedöma riskerna med vissa av företagets projekt och deras probabilistiska egenskaper (M(X) och a) erhållits med någon annan metod, kan även dessa projekt ingå i beräkningen. För att göra detta genereras NPV-värden baserat på de angivna probabilistiska egenskaperna och projektets NPV-distributionslagstiftning.

Tabell 3.3. Allmän form tabeller för portföljriskbedömning baserade på resultaten av simuleringsmodellering av projekt som ingår i portföljen

Att hantera en portfölj av investeringsprojekt med hänsyn till risker ökar således balansen i portföljen och flexibiliteten att fatta strategiska beslut, vilket ger en betydande potential för att öka företagets konkurrenskraft. Men när man tar fram en utvecklingsstrategi är det oerhört viktigt att kunna bedöma dess inverkan på den finansiella ställningen och risken för företaget som helhet.

3.3. Företagsnivå som helhet

I dagsläget går uppdraget att utveckla en teknik för kvantitativ bedömning av investeringsutvecklingsrisker utöver investeringsanalysen av både enskilda projekt och portföljen. I dagens dynamiskt föränderliga yttre miljö blir det nödvändigt att tillämpa ett systematiskt tillvägagångssätt för riskanalys och finansiell utformning av företagets strategiska utveckling som helhet. Detta involverar utvecklingen av en finansiell modell för företaget, som gör det möjligt att förutsäga dynamiken i dess kassaflöden, med hänsyn till den valda utvecklingsstrategin, sannolikheten och mängden av möjlig skada i händelse av negativa förändringar i marknadsmiljön , och även att utveckla åtgärder för att minimera denna skada.

Grunden för kvantitativ riskbedömning på denna nivå är en riskbaserad modell för företagsutvecklingsprognos. Det låter dig beräkna företagets totala kassaflöden och genomföra deras probabilistiska analys, bedöma effekten av de utvecklade utvecklingsstrategierna och förväntade förändringar i företagets konkurrenskraft. Modellen ska vara flexibel, ständigt utvecklad och förbättrad av företagets chefer med hänsyn till de pågående förändringarna. Prognosmodellens anpassningsförmåga är således en av nyckelvillkoren som möjliggör effektiv tillämpning av den för kvantitativ riskbedömning på företagsnivå.

För att implementera dessa egenskaper måste prognosmodellen, när den implementeras i ett företag, implementeras i form av ett mjukvarupaket som automatiserar procedurerna för att bygga en flerperiods kassaflödesmodell, generera slumptal, simuleringsmodellering och statistisk analys av prognoser resultat. Detta gör det möjligt att säkerställa effektiviteten i att erhålla resultat vid modellering av olika alternativ och utvecklingsstrategier.

Den viktigaste delen av de initiala uppgifterna i prognosmodellen är beskrivningen av trenderna för de förändrade parametrarna.

Den mest universella och flexibla metoden för att specificera parameterändringar är den direkta inmatningen av deras värden med perioder. Detta gör det i synnerhet möjligt att använda tidsberoende i modellen (till exempel planerade försäljningsvolymer, produktprisförändringar etc.) som erhålls som ett resultat av marknadsundersökningar. Detta sätt att ställa in är också nödvändigt för parametrar som ändras oregelbundet (till exempel kostnaden för att hyra lokaler, som vanligtvis förblir oförändrad under hela året). I många fall, för att beskriva förändringen i parametrar vars värden ändras under varje period, är det mycket bekvämare att sätta trender i form av en serie värden, vilket är en aritmetisk eller geometrisk progression.

För parametrar vars värden ändras slumpmässigt är det nödvändigt att kunna ställa in förändringar i värdet på standardavvikelsen. Det finns flera olika sätt att ändra det:

a) standardavvikelsen förblir konstant för alla perioder, oavsett förändringen i den matematiska förväntan;

b) standardavvikelsen varierar linjärt;

c) standardavvikelsen ändras på ett sådant sätt att variationskoefficienten, lika med förhållandet mellan standardavvikelsen och den matematiska förväntan, förblir konstant.

Som modelleringserfarenhet har visat har att ta hänsyn till förändringar i standardavvikelsen en betydande inverkan på resultatet av att bedöma risken för ett företags insolvens, så tillgången på olika sätt att ställa standardavvikelsen är viktig för att förbättra prognostiseringsnoggrannheten.

En annan viktig faktor som bör beaktas vid inställning av de initiala uppgifterna är behovet av att specificera parametrarnas gränsvärden, som beror på deras ekonomiska natur. Till exempel får försäljningsvolymen inte vara negativ eller överstiga värdet av den maximala marknadsvolymen. På samma sätt kan kostnader, som är kassautflöden, inte bli positiva om de reduceras i absolut värde. Av denna anledning trunkeras sannolikhetsfördelningarna för parametrarna.

I processen med simuleringsmodellering upptäcker programmet slumpmässiga värden som går utöver gränsvärdena och korrigerar dem genom att ersätta dem med gränsvärden. Automatisering av denna procedur tillåter inte bara att förbättra noggrannheten i simuleringsresultaten, utan också att kontrollera kvaliteten på indata med hjälp av speciella räknare för antalet ändrade värden för varje parameter. Om antalet ändrade värden är tillräckligt stort, till exempel mer än 10% av alla värden, indikerar detta behovet av att ändra standardavvikelsen eller justera trenden för värdena för denna parameter.

I praktiken, när man bygger modeller av kassaflöden, är det ofta nödvändigt att ta hänsyn till sambandet mellan modellparametrar i form av korrelationsberoenden. Därför är förmågan att sätta korrelationen ett obligatoriskt inslag i utvecklingen av modellen. Den beskrivna modellen ger möjligheten att ställa in korrelationen i två steg. I det första steget, i analytisk eller tabellform, bestäms beroendet mellan de parametrar som har en korrelation. I det andra steget, för att ställa in avvikelser, multipliceras det analyserade beroendet med en slumpvariabel, vars egenskaper indikeras i de initiala uppgifterna i enlighet med algoritmen som beskrivs ovan för parametrar av den tredje typen.

3.4. Utveckling av ett företags kassaflödesmodell

De viktigaste egenskaperna hos kassaflödesmodellen är planeringshorisontens varaktighet, längden på beräkningssteget samt tidpunkten för att ta fram kassaflödena.

Valet av planeringshorisont och längden på beräkningssteget bestäms främst av möjligheten att få högkvalitativa prognoser för företagets huvudsakliga inkomster och utgifter. Det verkar som om planeringshorisonten för de flesta företag under ryska förhållanden inte överstiger fyra år. I detta fall kan en fjärdedel rekommenderas som längd på beräkningssteget. Då kommer antalet perioder i kassaflödesmodellen inte att överstiga sjutton, med hänsyn tagen till nollperioden, till vilken kassaflöden vanligtvis ges. Detta förutsätter att alla flöden sker i slutet av perioden.

Utvecklingen av en kassaflödesmodell är en kreativ process som kräver att man tar hänsyn till egenskaperna hos ett visst företag. Samtidigt är det tillrådligt att hålla sig till modellens typiska struktur, enligt vilken kassaflöden är indelade i tre grupper: drift (flöden från löpande aktiviteter), investeringar (förknippade med investeringar i anläggningstillgångar och rörelsekapital), och finansiellt (i samband med service av företagets lån). Som en sista indikator i den övervägda modellen används det diskonterade kassaflödet för ägare. Ett exempel på kassaflödesmodellens struktur presenteras i tabell 3.4.

Tabell 3.4. Ett exempel på strukturen för ett företags kassaflödesmodell

* "+" - kassainflöde; "-" - kassautflöde; "=" är beräkningsformeln, där siffrorna i formeln betyder tabellens radnummer.

** är inte ett kassaflöde, utan används för att beräkna inkomstskatt.

Ovanstående struktur visar den allmänna logiken i att bygga en kassaflödesmodell i enlighet med finansiell teori. En specifik uppsättning inkomst- och kostnadsposter är dock individuella för varje företag och beror på profilen för dess verksamhet och egenskaperna hos affärsprocesser som identifierats under den statistiska analysen av de initiala uppgifterna.

Enligt vår uppfattning är beroendet av modellstrukturen av de initiala uppgifterna av grundläggande karaktär, eftersom, liksom andra stadier av tekniken för att bygga en prognosmodell, steget för att utveckla en kassaflödesmodell bör ge den mest fullständiga redogörelsen för de insamlade information. Detta kan uppnås genom att tillämpa top-down-principen. I enlighet med den byggs först den mest generaliserade modellen (baserad på balans- och resultaträkningen), som sedan detaljeras för att ta hänsyn till alla viktiga faktorer, inklusive fastställande av flerriktade trender. När man analyserar företagets utgiftsposter är det tillrådligt att använda varje posts andel av den totala kostnadsbeloppet för denna grupp som ett detaljerat kriterium. Till exempel, när man bildar företagskostnader, pekas endast poster som utgör minst 5 % av företagets utgifter ut som separata rader, och alla andra utgifter sammanfattas på en rad.

När man analyserar ett företags intäkter (särskilt om det finns dussintals produkter i dess sortiment) uppstår ofta problemet med att gruppera produkter i segment. Här, förutom "top-down"-principen, är det också nödvändigt att ta hänsyn till att de bildade segmenten måste behålla sin homogenitet (för mer information, se avsnitt 2.2).

Implementeringen av "top-down"-principen ökar mångsidigheten hos modellbyggnadstekniken, eftersom den tillåter användning av simuleringsmodelleringsverktyg för modeller med varierande detaljeringsgrad, beroende på mängden tillgänglig information. Denna egenskap hos det föreslagna metodiska tillvägagångssättet öppnar möjligheter för aktiv användning av prognosmodeller i extern analys, inklusive av moderbolag, såväl som banker och andra finansiella institutioner (för mer information, se avsnitt 4).

3.5. Ett exempel på att använda en modell för företagsutvecklingsprognos

Låt oss illustrera tillämpningen av den övervägda modellen på exemplet med ett företag som producerar två typer av produkter. Planeringshorisonten är två år; Kvartal används som beräkningssteg.

Som framgår av de initiala uppgifterna (tabell 3.5) ökar försäljningsvolymen för den första produkten, medan försäljningen av den andra produkten tenderar att minska. Dessutom väntas ett antal utgiftsposter öka. Som ett resultat är den allmänna trenden för förändring av de matematiska förväntningarna på företagets resulterande kassaflöde per period negativ. De multiriktade trenderna och skillnaden i varianserna mellan nyckelparametrarna i modellen tillåter dock inte att bedöma variabiliteten i kassaflöden utan specialverktyg.

Som simuleringsresultaten visar (tabell 3.6, figur 3.1), även om det resulterande kassaflödet minskar med mindre än hälften i slutet av det första året, ökar sannolikheten att det kommer att visa sig vara negativt under den fjärde perioden avsevärt (uppåt). till 4 %).

Tabell 3.5. Ett exempel på inställning av initial data för en företagsutvecklingsprognosmodell

* n – normalfördelning; e – empirisk fördelning k – konstant standardavvikelse; c – konstant variationskoefficient.

* * "/" - kassautflöde

Tabell 3.6. Resultaten av analysen av företagets utvecklingsmöjligheter

Den efterföljande accelerationen av minskningen av företagets resulterande kassaflöde leder till en extremt snabb, lavinliknande ökning av sannolikheten för dess negativa värde upp till 50% eller mer. Denna funktion indikerar att företaget kan förlora finansiell stabilitet inom en ganska kort tidsperiod (i det aktuella exemplet, tre fjärdedelar).

Förmågan att bedöma dynamiken i kassaflödet och risken för insolvens är extremt viktig, eftersom den visar vilken tidsperiod företagets chefer har på sig att utveckla åtgärder för att ändra de identifierade negativa trenderna. I det här exemplet är denna period fem kvartal.

Ris. 3.1. Dynamiken i förändringar i den matematiska förväntningen, minimum och maximum av EqCF när man analyserar utsikterna för företagets utveckling.

Tabell 3.7. Resultaten av strategins inverkan på företagets utvecklingsmöjligheter

Modellens anpassningsförmåga, som gör det möjligt att modifiera strukturen för kassaflöden, gör det möjligt att bedöma lönsamheten för olika utvecklingsstrategier, deras inverkan på att förändra risken för ett företags insolvens. Detta kan uppnås genom att inkludera kassaflöden från nya investeringsprojekt i företagets utvecklingsmodell och ta hänsyn till de ekonomiska konsekvenserna av andra förvaltningsbeslut (till exempel förändringar i prisstrategi).

Ris. 3.2. Dynamiken i förändringar i företagets EqCF, med hänsyn till lanseringen av en ny produkt.

Som ett exempel, överväg resultatet av författarens utvärdering av investeringsstrategin som utvecklas i företaget, vilket innebär att en ny mycket lönsam produkt släpps. Som framgår av tabell 3.7 och figur 3.2, beräknades företaget under de första sex perioderna uppleva en stadig nedgång i kassaflödet till ägarna (EqCF). Samtidigt ökade sannolikheten för negativt kassaflöde till 12 %, vilket motsvarar den kritiska risknivån enligt den klassificering som företaget använder. Som simuleringsresultaten visade kommer lanseringen av en ny typ av produkt att öka kassaflödet under två perioder från 5 till 10 miljoner rubel, minska risken för negativt kassaflöde från 12 till 1% och därigenom normalisera företagets finansiella ställning .

Användningen av en prognosmodell öppnar alltså stora möjligheter för företag att förutsäga dynamiken i kassaflöden och deras volatilitet, vilket gör det möjligt att öka företagets finansiella stabilitet. Implementeringen av prognosmodellen i form av ett mjukvarupaket baserat på MS Excel gör användningen tillgänglig för de flesta företag som ett effektivt verktyg för informationsstöd av den strategiska ledningsprocessen i stadierna av analys av företagets position, jämförande bedömning av utvecklingen strategier som utvecklas och fatta investerings- och finansiella beslut.

Några andra tillämpningar av den prediktiva modellen

Trots att prognosmodellens huvudsakliga uppgifter är att bedöma utsikterna för företagets utveckling, lönsamheten i de utvecklade utvecklingsstrategierna och risken för insolvens (behandlas närmare i föregående avsnitt) finns det ett antal av andra angelägna uppgifter där användningen av prognosmodellen kan öka effektiviteten i den strategiska ekonomistyrningen.

Tillämpa prediktiva modeller för intern analys

Som konsekvenserna av den globala ekonomiska krisen har visat är en ytterst brådskande uppgift för ryska företag att utvärdera effektiviteten hos olika utlåningssystem. Prognosmodellen gör det möjligt att uppskatta företagets maximala skuldbörda, där risken för dess insolvens inte går utöver de acceptabla värdena för företagets ägare.

Prognosmodellen låter dig utvärdera effektiviteten av riskhanteringssystemet i företaget. Den kan användas för att utvärdera olika förutsättningar för att försäkra företagets viktigaste risker. För detta används uppgifter om frekvensen av förekomsten av varje risk och sannolikhetsfördelningen för den skada som är förknippad med den. I modelleringsprocessen, när en risksituation uppstår, återspeglas skadan i form av ett ytterligare kassautflöde. I nästa steg inkluderar modellen kassaflöden kopplade till försäkringsutbetalningar och utbetalningar vid riskrealisering. Modellen kan användas för att beräkna den totala skadan från systemet av risker och förutsäga deras gemensamma inverkan på förändringen av risken för företagets insolvens.

I den finansiella modelleringen av de övervägda uppgifterna har företagets chefer all fullständigheten av intern information, så de utvecklade kassaflödesmodellerna kan vara ganska detaljerade, ta hänsyn till komplexa relationer mellan parametrar.

Tillämpning av prognosmodeller inom ramen för extern strategisk analys

Samtidigt kan prognosmodellen även användas för extern strategisk analys av utsikterna och riskerna med företagets utveckling.

Detta är särskilt relevant när man utövar strategisk kontroll över dotterbolag som ingår i strukturen för innehav, finansiella och industriella koncerner, statliga företag och andra organisatoriska föreningar. För dessa ändamål kan mer aggregerade modeller användas som endast återspeglar de viktigaste faktorerna i utvecklingen av dotterbolag.

Dessutom tillåter modellen att ta hänsyn till utsikterna för utvecklingen av viktiga motparter (till exempel nyckelleverantörer och kunder) till företaget. Denna möjlighet är en faktor för att öka stabiliteten i företaget, särskilt vid ingående av långtidskontrakt, eftersom en av motparternas konkurs i vissa fall medför risk för avbrott i produktionsprocessen och kan leda till betydande ekonomiska svårigheter.

Användningen av prognosmodeller kan också förbättra effektiviteten i beslutsfattandet om fusioner och förvärv, eftersom det gör det möjligt att kvantifiera framväxande synergier och förändringar i den totala risken för företag som deltar i sådana transaktioner.

Tillämpning av prognosmodeller i banker och andra finansiella institutioner

Kassaflödesanalys blir allt viktigare för att bedöma risken för bankers potentiella företagslåntagares insolvens, särskilt med tanke på fördelarna med denna metod jämfört med metoder för att bedöma kreditvärdighet baserat på redovisningsdata (som till exempel Altman-kriteriet). Att prognostisera kassaflöden vid bildandet av en portfölj av lån balanserade i termer av lönsamhet och risk gör det möjligt att uppskatta mängden oförutsedda förluster på den (som till skillnad från förväntade förluster finansieras av bankens eget kapital). Behovet av en probabilistisk analys av förluster för en portfölj av lån gör det mycket relevant att använda simuleringsmodeller för detta ändamål, vilket ger den riskbaserade föstatus som ett användbart ytterligare kreditanalysverktyg.

Användningen av prognosmodeller kan också vara användbar i investeringsbolag, eftersom dessa modeller gör det möjligt att ta hänsyn till tillgänglig information mer fullständigt och därför mer exakt bedöma utvecklingsmöjligheterna för emitterande företag jämfört med att använda t.ex. P/E-multiplikator. Implementeringen av det tillvägagångssätt som föreslagits av författaren i kalkylbladsmiljön ökar avsevärt hastigheten för beslutsfattande och modellernas anpassningsförmåga på grund av att de är lätta att anpassa när nya faktorer dyker upp som påverkar investeringsportföljens lönsamhet och risker.

Det bör noteras att prognosmodeller för kredit- och fundamental investeringsanalys har betydande egenskaper förknippade med den begränsade initiala informationen, valet av planeringshorisont och förfarandet för att beräkna det resulterande kassaflödet från bankers och investeringsbolags synvinkel . För att förbättra prognosernas noggrannhet i sådana modeller kan industriprognoser användas aktivt.

Till programmet för socioekonomisk utveckling i Ryssland 2008-2016. Vetenskaplig rapport. M.: IE RAN, 2008, sid. 10-11.

Stulz R. Risk Management Failures: Vad är de och när händer de?//Arbetspapper//SSRN, 2008. Oktober.

Khudokormov A.G. De viktigaste trenderna i västvärldens senaste ekonomiska teori (vetenskaplig rapport). M.: IE RAN, 2008. S. 68-69.

Sholomitsky A.G. riskteori. Val under osäkerhet och riskmodellering. M.: GU-VSHE, 2005. S. 317.

Durkslag D. The Complexity Revolution and the Future of Economics // Middlebury College Working Paper Series 0319 / Middlebury College, Department of Economics. 2003. S. 4.

Kleiner G.B. Företagsstrategi. M .: Förlaget "Delo" ANKh, 2008. S. 174-175.

Stuart T.A. intellektuellt kapital. En ny källa till välstånd för organisationer // M.: Generation, 2007. S. 93.

I enlighet med klassificeringen av intellektuellt kapital som föreslagits av H. Saint-Onge och L. Edvisson omfattar strukturkapital databaser, datornätverk, beslutsstödsprogram och andra komponenter som kodar kunskap för vidare användning av företagets anställda, samt tillgång i tid till denna kunskap. Se Stuart T.A. för detaljer. intellektuellt kapital. En ny källa till välstånd för organisationer // M.: Generation, 2007. S. 93.

Scott M. Kostnadsfaktorer. En guide för chefer för att identifiera värdedrivare. M.: CJSC "Olimp-Business", 2005. S. 243.

Siegel E.F. Praktisk företagsstatistik. M.: Williams Publishing House, 2008. S. 37.

Orlov A.I. Ekonometri / Lärobok. M.: Examen, 2002.

Som beräkningen av Pearsons och Kolmogorovs goodness-of-fit-test visade, är sannolikheten att diskrepansen mellan denna empiriska fördelning och den normala förklaras av slumpmässiga faktorer mindre än 0,001.

Terentiev N. Känslighetsanalys av ett investeringsprojekt under olinjäritet och multifaktoralitet // Investeringar i Ryssland. 2007. Nr 4. S. 37.

Se till exempel Van Horn, J~K., Vakhovich, J.M. (Jr.). Grunderna för ekonomisk förvaltning. 11:e uppl. M.: ID Williams, 2004. S. 454-455.

Kugaenko A.A. Grunderna i teorin och praktiken för dynamisk modellering av socioekonomiska objekt och prognostisering av deras utveckling. Monografi. 2:a uppl. M.: Vuzovskaya kniga, 2005. S. 21.

För mer information, se till exempel: Collis Montgomery S.A. Företagsstrategi. resursstrategi. M.: CJSC "Olimp-Business", 2007. S. 25-28.

Det återstående nuvärdet av en portfölj är det återstående beloppet av förväntade nettokassaflöden från projekt i portföljen. För mer information om det återstående nuvärdet av projektet, se Valdaytsev S.V. Företagsvärdering: lärobok. ersättning. 2:a uppl. M.: TK Velby, Prospect Publishing House, 2004. S. 34.

För mer information, se Terentiev N.E. Multitrendmodell för att prognostisera företagets utveckling med hänsyn till risker // Finans och affärer. 2008. Nr 3. sid. 78-92.

Sinki J. Ekonomistyrning i affärsbank och i finansbranschen / Per. från engelska. M.: Alpina Business Books, 2007. S. 477.

För mer information, se Terentiev N.E. Effektivitet i kreditriskhanteringen som grund för en affärsbanks långsiktiga konkurrenskraft // Modern konkurrens. 2008. Nr 6. S. 81-91.