Računalne tehnologije i predviđanje. Informacijski sustavi i predviđanje

1

Provedena je studija o glavnim pravcima i problemima uvođenja suvremenih informacijsko-komunikacijskih tehnologija u praktično djelovanje organizacija. Identificirani su problemi i pravci stvaranja jedinstvenog informacijskog prostora. Provedena je analiza uvjeta i preduvjeta za praktično modeliranje te su analizirane značajke postupne izgradnje prognostičkih modela aktivnosti organizacija. Ukratko su opisane značajke korištenja različitih prognostičkih modela, a naglašena je važnost provjere primjerenosti prognostičkih modela. Proveden je pregled suvremenih informacijsko-analitičkih tehnologija za predviđanje aktivnosti organizacija. Daju se preporuke za korištenje rezultata predviđanja ključnih pokazatelja organizacije u praksi.

informacijske i analitičke tehnologije

modeliranje aktivnosti

analiza adekvatnosti modela

predviđanje aktivnosti organizacije

1. Golichev V.D., Golicheva N.D., Gusarova O.M. i dr. Smolenska zemlja i njezino stanovništvo (Povijesno-statistički pregled u brojkama i činjenicama). – Smolensk: Smolgortypography, 2013. – 152 str.

2. Gusarova O.M. Modeliranje kao način planiranja i upravljanja poslovnim rezultatima // Advances in modern science. – 2014. – Broj 11. – Str. 88–92.

3. Gusarova O.M. Modeliranje u upravljanju odlučivanjem // Znanost i obrazovanje: problemi i perspektive razvoja: zbornik znanstvenih radova na temelju materijala Međunarodnog znanstveno-praktičnog skupa. – Tambov: Ukom, 2014. – str. 41–42.

4. Gusarova O.M. Problemi integracije teorije i prakse modeliranja poslovnih rezultata // Ekonomija i obrazovanje: Izazovi i potraga za rješenjima: zbornik znanstvenih radova na temelju materijala II Sveruske (dopisne) znanstveno-praktične konferencije (Jaroslavlj, 15. travnja 2014) - Yaroslavl: Chancellor, 2014. - pp. 78–82.

5. Gusarova O.M. Procjena odnosa između regionalnih pokazatelja društveno-ekonomskog razvoja (na temelju materijala iz Središnjeg federalnog okruga Rusije) // Suvremeni problemi znanosti i obrazovanja. –2013. – br. 6. (Elektronički časopis).

6. Gusarova O.M., Zhuravleva M.A. Analiza i unapređenje djelatnosti dioničkih društava // Moderne znanstveno intenzivne tehnologije. – 2014. – Broj 7–3. – str. 10–12.

7. Gusarova O.M. Metode i modeli za predviđanje aktivnosti korporativnih sustava // Teorijska i primijenjena pitanja obrazovanja i znanosti: zbornik znanstvenih radova na temelju materijala Međunarodne znanstveno-praktične konferencije. – Tambov: Ukom, 2014. – str. 48–49.

8. Gusarova O.M. Računalne tehnologije za modeliranje društveno-ekonomskih procesa // Gospodarski rast i konkurentnost Rusije: trendovi, problemi i strateški prioriteti: zbirka znanstvenih članaka temeljenih na materijalima Međunarodne znanstvene i praktične konferencije. – M.: Jedinstvo-Dana, 2012. – P. 102–104.

9. Gusarova O.M. Proučavanje kvalitete kratkoročnih modela za predviđanje financijskih i ekonomskih pokazatelja. – M.: 1999. – 198 str.

10. Orlova I.V., Turundaevsky V.B. Multivarijantna statistička analiza u proučavanju ekonomskih procesa. Monografija. – M.: MESI, 2014. – Str. 190.

U kontekstu uvođenja gospodarskih sankcija, brojna ruska poduzeća traže učinkovite načine za osiguranje konkurentnosti svojih proizvoda i povećanje učinkovitosti organizacije. U teškim gospodarskim uvjetima potrebno je donositi odluke koristeći ne samo praktično iskustvo u organiziranju poslovanja u određenom području djelatnosti, već i suvremene pristupe planiranju aktivnosti poduzeća. Široko uvođenje u praksu informacijskih i analitičkih tehnologija za modeliranje i predviđanje ključnih pokazatelja poslovanja omogućuje brzo praćenje poslovnih rezultata i formuliranje strategije razvoja organizacije. Korištenje informacijskih i analitičkih tehnologija omogućuje vam stvaranje integriranih sustava za upravljanje poslovnim rezultatima, optimizaciju materijalnih i financijskih tokova, minimiziranje troškova financijskih i gospodarskih aktivnosti, maksimiziranje dobiti tvrtke i rješavanje niza drugih problema.

Procese informatizacije suvremenog društva i s njima usko povezane procese uvođenja informacijsko-komunikacijskih tehnologija u sva područja poslovanja karakterizira masovno širenje informacijsko-analitičkih tehnologija za analizu aktivnosti organizacija u različitim sferama i oblicima vlasništva. Suvremene informacijske tehnologije omogućuju automatizaciju niza sljedećih područja: istraživanje svojstava sustava (objekta), praćenje dinamike razvoja ključnih pokazatelja svih područja poslovanja, optimizacija parametara operativnog sustava, izrada integriranih sustava. za praćenje i upravljanje sustavom, planiranje i predviđanje perspektiva razvoja organizacije.

Strateški cilj uvođenja informacijsko-komunikacijskih tehnologija u sve sfere djelovanja suvremenog društva je stvaranje jedinstvenog informacijskog prostora namijenjenog rješavanju širokog spektra pitanja vezanih uz pristup jedinstvenim bazama podataka, brzo pružanje statističkih izvješća i stvaranje integrirani sustavi nadzora za različita područja djelovanja. Sve to doprinosi stvaranju temeljno novih mogućnosti za razvoj ljudske kognitivne kreativne djelatnosti: istraživačke, organizacijske i upravljačke, stručne, poduzetničke itd. Stvaranje jedinstvenog informacijskog prostora pomaže povećanju učinkovitosti i kvalitete praćenja aktivnosti organizacija, intenziviranju znanstvenih istraživanja u različitim područjima, smanjenju vremena obrade i pružanja informacija, učinkovitosti i djelotvornosti upravljanja sustavom, integraciji nacionalnih informacijskog sustava u međunarodne sustave pristupa informacijskim resursima u području znanosti, kulture i gospodarstva te drugim područjima djelatnosti.

Uvođenje informacijsko-komunikacijskih tehnologija u praktične aktivnosti organizacija karakterizira niz područja i problema:

● tehnička opremljenost organizacija informacijsko-komunikacijskim tehnologijama podrazumijeva pristup suvremenom softveru i ograničena je organizacijskim i ekonomskim čimbenicima. Tako je pristup “maloj informatizaciji” u nekim slučajevima neučinkovit, a pristup “velikoj” je skup i ne daje brz povrat.

● Obuka stručnjaka u području informacijskih i komunikacijskih tehnologija, posebno u području mrežnih tehnologija, trebala bi postati prioritetna zadaća, čije rješenje određuje učinkovitost aktivnosti organizacije u tom smjeru. Visoko kvalificirani IT stručnjak ponekad može dovršiti posao cijelog odjela organizacije. U tom smislu potrebno je sve više uvoditi discipline vezane uz informacijsku tehnologiju u aktivnosti obrazovnih organizacija i povećati njihovu praktičnu usmjerenost. Suvremeni obrazovni sustav treba se usmjeriti na fundamentalizaciju obrazovanja na svim razinama, široku primjenu metoda i tehnologija inovativnog obrazovanja, poboljšanje kvalitete i dostupnosti obrazovanja kroz razvoj sustava obrazovanja na daljinu te opremanje obrazovnog procesa suvremenim informacijskim i komunikacijske tehnologije.

● Stvaranje informacijskih baza podataka za sva područja djelovanja organizacije zahtijeva određeni napor, ali je važna karika u integraciji informacijskih tehnologija organizacije u jedinstven informacijski prostor.

Jedno od aktualnih područja uvođenja informacijsko-analitičkih tehnologija u praktično djelovanje organizacija je operativno praćenje ključnih pokazatelja poslovanja i predviđanje alternativnih mogućnosti razvoja poduzeća. Općenito, možemo razlikovati sljedeći slijed faza u predviđanju razvoja istraživačkog sustava (objekta).

● Postavljanjem ciljeva i zadataka studije utvrđuju se strateške smjernice i taktički pravci u proučavanju sustava, koji se mogu razjasniti i specificirati tijekom procesa istraživanja.

● Formulacija konceptualnog modela sustava uključuje ispitivanje sustava kako bi se identificirala njegova svojstva, dinamika i odnosi s čimbenicima vanjske i unutarnje okoline. Prikupljanje statističkih informacija o karakteristikama sustava pretpostavlja daljnje formuliranje verbalnog deskriptivnog modela sustava, podložnog pojašnjenju i formalizaciji. Formuliranje konceptualnog modela sustava pretpostavlja popis osnovnih pitanja formuliranih u smislu određenog područja istraživanja koja zadovoljavaju ciljeve studije, te skup hipoteza o svojstvima i karakteristikama objekta modeliranja.

● Formalizacija verbalno-deskriptivnog modela podrazumijeva konstrukciju matematičkog modela i numeričko određivanje njegovih parametara. Važna točka u tom smislu je ispravan izbor metoda za određivanje parametara matematičkog modela. Svaki sustav karakteriziraju vlastite značajke razvoja, a karakteristike modela kao što je primjerenost, tj. uvelike ovise o izboru metode za numeričko određivanje parametara modela. usklađenost formaliziranog modela sa značajkama stvarnih procesa koji karakteriziraju dinamiku istraživačkog sustava. Ovisno o specifičnostima istraživačkog sustava, mogu se prethodno odabrati različite klase modela predviđanja, na primjer, krivulje rasta koje karakteriziraju dinamiku sustava tijekom vremena, ekonometrijski modeli koji uspostavljaju i ocjenjuju odnos između različitih internih karakteristika sustava i niz vanjskih čimbenika, vrste adaptivnih modela koji se koriste za visokodinamične sustave sa sezonskim i cikličkim fluktuacijama, od najjednostavnijih do autoregresivnih modela s autokoreliranim i heteroskedastičnim rezidualima.

● Dobivanje i tumačenje rezultata modeliranja uključuje provjeru niza svojstava matematičkog modela, posebice provjeru primjerenosti i točnosti modela. Adekvatnost modela karakterizira stupanj bliskosti karakteristika izgrađenog modela karakteristikama i svojstvima stvarnog objekta (sustava). Zbog niza razloga, kao što su niz pretpostavki koje se javljaju tijekom modeliranja, nemogućnost uzimanja u obzir mnogih čimbenika koji određuju dinamiku razvoja predmeta proučavanja, niz tehničkih pogrešaka u fazi formaliziranja. model i brojne druge točke, prirodno dovode do razlika u karakteristikama modela i stvarnog objekta. Bitno je da te razlike nisu fundamentalne i da su unutar određenih granica (odstupanja). Veličina dopuštenih odstupanja određena je karakteristikama dinamike sustava istraživanja, razdobljem analize karakteristika sustava, kao i svrhom istraživanja. Indikatori točnosti modela, kao što je standardna devijacija broja reziduala, prosječna pogreška aproksimacije i prosječna relativna pogreška, karakteriziraju stupanj aproksimacije simuliranih podataka stvarnim opažanjima dobivenim kao rezultat prikupljanja statističkih informacija. U ovoj fazi provodi se dorada i konačni odabir modela koji će se u budućnosti koristiti za izradu prognoze. U tom slučaju provodi se proširena provjera primjerenosti modela, uključujući, osim testiranja hipoteza o ispunjenju niza statističkih svojstava rezidualne komponente, kao što su neovisnost, slučajnost, jednakost matematičkog očekivanja reziduale na nulu, ispunjenje zakona normalne distribucije, procjena niza takvih karakteristika modela kao što je koeficijent determinacije, koji karakterizira udio varijacije proučavane karakteristike pod utjecajem vanjskih i unutarnjih čimbenika, Fisherov koeficijent, koji procjenjuje statistička značajnost rezultirajućeg modela. Na temelju rezultata usporedbe karakteristika adekvatnosti i točnosti donosi se konačan izbor modela prognoze.

● Konstruiranje prognoza korištenjem formaliziranog modela i korištenje rezultata modeliranja u upravljanju sustavom uključuje dobivanje točkastih prognoza koje karakteriziraju izglede za razvoj istraživačkog sustava. Osim njih, mogu se konstruirati intervalne prognoze koje nose veću vjerojatnost dobivanja intervala u kojima karakteristike sustava mogu fluktuirati. Treba napomenuti da je predviđanje vjerojatnosne prirode i da će biti pouzdano samo ako tijekom uvodnog razdoblja djeluju isti obrasci razvoja kao oni koji su se dogodili u fazi istraživanja sustava.

Korištenje rezultata predviđanja u donošenju upravljačkih odluka kreativan je proces i zahtijeva ne samo teorijsko znanje u određenom području, već i praktično iskustvo u radu s istraživačkim sustavom. Trenutno su znanstvena istraživanja jako napredovala u razvoju informacijskih i analitičkih tehnologija za predviđanje aktivnosti organizacija. Na primjer, poznate su tehnologije predviđanja neuronske mreže, neizrazita logika, niz specijaliziranih višenamjenskih programa za analizu i prognoziranje, kao što su Statistica, SPSS, Stadia, VSTAT, Project Expert i niz drugih softverskih proizvoda. Za operativno praćenje i predviđanje rezultata funkcioniranja sustava, kao iu obrazovne svrhe, može se koristiti i MS Excel paket koji implementira trend i regresijsku analizu, a također omogućuje, na temelju tabličnog procesora, izračunavanje brojnih dodatnih sustava. karakteristike.

Na temelju rezultata studije sustava upravljanja (objekta) korištenjem informacijskih i analitičkih tehnologija predviđanja, mogu se formulirati preporuke za poboljšanje aktivnosti organizacije (sustava), na primjer, fokusiranje na postizanje određenih vrijednosti ključnih pokazatelja učinka koji provode strategiju razvoja organizacije, optimiziraju novčane tokove, razvijaju nova obećavajuća područja djelovanja. Korištenje suvremenih informacijskih i analitičkih tehnologija za modeliranje i predviđanje pomoći će u poboljšanju operativne učinkovitosti u svjetlu provedbe razvojne strategije i taktike organizacije.

Bibliografska poveznica

Gusarova O.M. INFORMACIJSKE I ANALITIČKE TEHNOLOGIJE ZA PREDVIĐANJE AKTIVNOSTI ORGANIZACIJA // International Journal of Applied and Fundamental Research. – 2015. – Broj 12-3. – Str. 492-495;
URL: https://applied-research.ru/ru/article/view?id=7962 (datum pristupa: 26.04.2019.). Predstavljamo vam časopise izdavačke kuće "Akademija prirodnih znanosti"

Prije pojave moderne informatike nije bilo širokih mogućnosti korištenja učinkovitih ekonomskih i matematičkih modela izravno u procesu gospodarske aktivnosti. Osim toga, korištenje postojećih prognostičkih modela u analitičke svrhe nije postavljalo tako visoke zahtjeve za njihovu informacijsku potporu.

Osnove tehnologija predviđanja

Prilikom izgradnje prediktivnog sustava od nule potrebno je riješiti niz organizacijskih i metodoloških pitanja. Prvi uključuju:

• - obučavanje korisnika metodama analize i interpretacije rezultata prognoze;
• - određivanje smjerova kretanja prognoznih informacija unutar poduzeća, na razini njegovih odjela i pojedinih zaposlenika, kao i strukture komunikacije s poslovnim partnerima i nadležnim tijelima;
• - određivanje vremena i učestalosti postupaka predviđanja;
• - razvoj načela povezivanja predviđanja s dugoročnim planiranjem i postupak odabira opcija za rezultate dobivene pri izradi plana razvoja poduzeća.

Metodološki problemi izgradnje prognostičkog podsustava su:

• - razvoj unutarnje strukture i mehanizma njezina funkcioniranja;
• - organizacija informacijske potpore;
• - razvoj matematičkog softvera.

Prvi problem je najteži, jer je za njegovo rješavanje potrebno izgraditi skup modela predviđanja, čiji je djelokrug sustav međusobno povezanih pokazatelja. Problem usustavljivanja i vrednovanja metoda predviđanja ovdje se pojavljuje kao jedan od središnjih, budući da je za odabir određene metode potrebno provesti njihovu komparativnu analizu. Varijanta klasifikacije metoda predviđanja, uzimajući u obzir karakteristike sustava znanja koji je u osnovi svake skupine, može se prikazati u agregatu kako slijedi: metode stručnih procjena; Metode logičkog modeliranja; matematičke metode.

Svaka grupa je prikladna za rješavanje određenog spektra problema. Stoga praksa postavlja sljedeće zahtjeve za metode koje se koriste: moraju biti usmjerene na određeni objekt prognoziranja, moraju se temeljiti na kvantitativnoj mjeri primjerenosti te se razlikovati po točnosti procjena i horizontu prognoze.

Glavni zadaci koji se javljaju u procesu stvaranja prediktivnog sustava dijele se na:

• - izgradnja sustava predviđenih procesa i pokazatelja;
• - razvoj aparata za ekonomsku i matematičku analizu predviđenih procesa i pokazatelja;
• - određivanje načina vještačenja, utvrđivanje pokazatelja za ispitivanje i dobivanje stručnih ocjena pojedinih predviđenih procesa i pokazatelja;
• - pokazatelji i procesi predviđanja koji pokazuju intervale pouzdanosti i točnosti;
• - razvoj metoda za interpretaciju i analizu dobivenih rezultata.

Posebnu pozornost zaslužuje rad na informacijskoj i matematičkoj potpori prognostičkog sustava. Proces izrade softvera može se predstaviti u sljedećim fazama:

• - razvoj metodologije za strukturnu identifikaciju objekta prognoze;
• - razvoj metoda za parametarsku identifikaciju prognoznog objekta;
• - razvoj metoda za predviđanje trendova;
• - razvoj metoda za predviđanje harmonijskih komponenti procesa;
• - razvoj metoda za ocjenu karakteristika slučajnih komponenti procesa;
• - stvaranje složenih modela za predviđanje pokazatelja koji čine međusobno povezani sustav.

Stvaranje prognostičkog sustava zahtijeva integrirani pristup rješavanju problema njegove informacijske podrške, što se obično shvaća kao skup početnih podataka koji se koriste za dobivanje prognoza, kao i metode, metode i sredstva koja osiguravaju prikupljanje, akumulaciju, pohranu , dohvaćanje i prijenos podataka tijekom rada prognostičkog sustava i njegove interakcije s drugim sustavima upravljanja poduzećem.

Informacijska podrška sustavu obično uključuje:

• - informacijski fond (baza podataka);
• - izvore formiranja informacijskog fonda, tokove i načine zaprimanja podataka;
• - način prikupljanja, pohranjivanja, ažuriranja i pretraživanja podataka koji čine informacijski fond;
• - metode, načela i pravila kruženja podataka u sustavu;
• - metode za osiguranje pouzdanosti podataka u svim fazama njihova prikupljanja i obrade;
• - metode analize i sinteze informacija;
• - metode za jednoznačan formalizirani opis ekonomskih podataka.

Stoga su sljedeće glavne komponente potrebne za provedbu procesa predviđanja:

• - izvore internih informacija, koji se temelje na upravljačkim i računovodstvenim sustavima;
• - izvori vanjskih informacija;
• - specijalizirani softver koji implementira algoritme predviđanja i analizu rezultata.

S obzirom na važnost rješavanja problema predviđanja za tržišne subjekte, preporučljivo je provjeriti kvalitetu predloženih metoda i algoritama, kao i tehnologija općenito, koristeći posebno odabrane (testne) izvorne podatke. Slična metoda verifikacije već se dugo koristi pri procjeni prikladnosti matematičkih alata dizajniranih za nelinearnu optimizaciju, na primjer, korištenjem Rosenbrockovih i Powellovih funkcija.

Potvrda (ili provjera) kvalitete i izvedbe tehnologije predviđanja obično se provodi usporedbom a priori poznatih podataka modela s njihovim predviđenim vrijednostima i procjenom statističkih karakteristika točnosti predviđanja. Razmotrimo ovu tehniku ​​u situaciji u kojoj su modeli procesa aditivna kombinacija trenda Tt, sezonskih (harmoničnih) i slučajnih komponenti.

Trenutno su široko rasprostranjeni razni softverski alati koji u jednoj ili drugoj mjeri omogućuju prikupljanje i analitičku obradu informacija. Neki od njih, primjerice MS Excel, opremljeni su ugrađenim statističkim funkcijama i alatima za programiranje. Drugi, posebno jeftini računovodstveni i upravljačko-računovodstveni programi, nemaju takve mogućnosti ili su analitičke mogućnosti u njima nedovoljno, a ponekad i pogrešno implementirane. No, to je, nažalost, svojstveno i nekim moćnijim i višenamjenskim sustavima upravljanja poduzećima. Ova situacija se očito objašnjava plitkom analizom od strane programera svojstava algoritama za predviđanje koje su odabrali i njihovom nekritičkom primjenom. Na primjer, sudeći prema dostupnim izvorima, prediktivni algoritmi često se temelje na eksponencijalnom izglađivanju nultog reda. Međutim, ovaj pristup vrijedi samo u odsutnosti trenda u procesu koji se proučava. Naime, ekonomski procesi su nestacionarni, a predviđanje uključuje korištenje složenijih modela od modela s konstantnim trendom.

Iz perspektive razmatrane teme zanimljivo je pratiti put razvoja domaćih automatiziranih bankovnih sustava. Rani bankarski sustavi temeljili su se na rigidnoj tehnologiji, stalno zahtijevajući promjene ili dodatni softver. To je potaknulo programere financijskog softvera, slijedeći načela otvorenosti, skalabilnosti i fleksibilnosti, da koriste industrijske DBMS-ove. Međutim, sami DBMS-ovi su se pokazali neprikladnima za rješavanje analitičkih problema visoke razine, što uključuje i problem predviđanja. Za to je bilo potrebno koristiti dodatne tehnologije za pohranu podataka i operativnu analitičku obradu, koje su osiguravale rad sustava za podršku odlučivanju financijskih institucija i izradu prognoza. Isti se pristup koristi u složenim sustavima upravljanja poduzećima.

Drugi smjer suvremene primijenjene uporabe informatičkih metoda predviđanja je rješavanje širokog spektra marketinških problema. Ilustracija je SAS Churn Management Solution za telekomunikacijski softver. Namijenjen je telekomunikacijskim operaterima i omogućuje, kako tvrde njegovi programeri, izradu prediktivnih modela i uz njihovu pomoć procjenu vjerojatnosti odljeva određenih kategorija korisnika. Osnovu ovog softvera čini poslužitelj distribuirane baze podataka Scalable Performance Data Server, alati za izgradnju i administriranje skladišta i podatkovnih martova, alati za rudarenje podataka Enterprise Miner, sustav za podršku odlučivanju SAS/MDDB Server, kao i pomoćni alati.

Kako bi se osigurala konkurentnost novih CRM sustava, popis njihovih proširenih mogućnosti, kao i za automatizirane bankarske sustave, uključuje funkcije izvješćivanja koje koriste OLAP tehnologije i omogućuju, u određenoj mjeri, predviđanje rezultata marketinga, prodaje i klijenata servis.

Postoji dosta specijaliziranih softverskih proizvoda koji omogućuju statističku obradu numeričkih podataka, uključujući pojedinačne elemente predviđanja. Takvi proizvodi uključuju SPSS, Statistica, itd. Ovi alati imaju i prednosti i nedostatke koji značajno ograničavaju opseg njihove praktične primjene. Ovdje treba napomenuti da procjena prikladnosti specijaliziranih matematičkih i statističkih softverskih alata za rješavanje problema predviđanja od strane običnih korisnika bez posebne obuke zahtijeva zasebno ozbiljno istraživanje i raspravu.

Međutim, rješavanje problema predviđanja za potrošače iz malog i srednjeg poduzetništva korištenjem moćnih i skupih informacijskih sustava i tehnologija gotovo je nemoguće, prvenstveno iz financijskih razloga. Stoga je vrlo obećavajući smjer razvoj analitičkih sposobnosti postojećih i rasprostranjenih jeftinih računovodstvenih i upravljačkih računovodstvenih sustava. Izrađena dodatna izvješća, koja se temelje na specifičnim poslovnim procesima i sadrže potrebne analitičke podatke za određenog korisnika, imaju visok omjer učinkovitosti i cijene.

Neki programeri softvera stvaraju cijele linije analitičkih alata. Primjerice, Korporacija Parus nudi rješenja Parus-Analytics i Triumph-Analytics za široki krug korisnika iz malog i srednjeg poduzetništva. Složeniji poslovi analitičke obrade prognoznih informacija integrirani su u sustav Parus u obliku tzv. situacijskog centra. Prema riječima Dmitrija Sudareva, voditelja razvoja cirkulacijskih rješenja, donesena je odluka o razvoju i implementaciji softverskih proizvoda koji nam omogućuju prijelaz s jednostavnog bilježenja činjenica u aktivnostima poduzeća na analizu informacija. Istodobno je planiran prijelaz s automatizacije rada računovođa i srednjih menadžera na obradu informacija za top menadžment. Uzimajući u obzir mogući raspon potrošača, Parus-Analitika i Triumph-Analitika nemaju posebne zahtjeve za softversko i hardversko okruženje, no rješenje Triumph-Analitike implementirano je na bazi MS SQL Servera koji mu omogućuje veće mogućnosti predviđanja procesa koji se proučavaju, posebno se uzima u obzir harmonijska komponenta prognoza.

Vrijednost prognoze višestruko se povećava kada se izravno koristi u upravljanju poduzećem. Stoga je važno područje integracija sustava za predviđanje sa sustavima kao što su Kasatka, MS Project Expert itd. Na primjer, softver Kasatka iz SBI-a pozicioniran je kao automatizirana radna stanica za voditelja i stručnjake odjela marketinga i namijenjen je razvoj menadžmenta, marketinga i strateškog planiranja. Ova svrha predodređuje potrebu identificiranja dugoročnih trendova i uzimanja u obzir pri planiranju. Horizont predviđanja određuje se na temelju relevantnih ciljeva organizacije.

Dugoročni razvojni izazovi s kojima se suočava rusko gospodarstvo zahtijevaju radikalno povećanje učinkovitosti upravljanja na različitim razinama. S ovim zadatkom u potpunosti se suočavaju domaće tvrtke. Potreba za njegovim rješavanjem aktualizira razvoj alata za predviđanje perspektive razvoja i procjenu utjecaja razvijenih strategija na održivost financijskog položaja poduzeća.

U izvješću se obrazlaže potreba prelaska s čisto analitičkih metoda opisivanja poduzeća na probabilistički opis putem simulacije novčanog toka. Time se osigurava implementacija sustavnog pristupa financijskom predviđanju i procjeni rizika razvoja poduzeća, što ga trenutno čini prioritetnim pristupom izgradnje financijskih modela u vodećim inozemnim tvrtkama.

Korištenje probabilističkih modela za predviđanje razvoja poduzeća uzimajući u obzir rizike, kao što je pokazalo iskustvo autora, povezano je s formuliranjem niza složenih problema općeteorijske i metodološke prirode, koji praktički nisu obuhvaćeni u domaća i strana stručna literatura. Bez njihovog rješenja nemoguće je široko uvesti suvremene metode financijskog strateškog upravljanja u ruske tvrtke. Takvi problemi, primjerice, uključuju problem formiranja cjelokupnog prostora opcija u modelu bez potrebe njihovog potpunog nabrajanja, što, bez ugrožavanja točnosti predviđanja temeljenog na analizi konvergencije, omogućuje smanjenje broja analiziranih kombinacija. parametara modela za nekoliko redova veličine.

■ razvijen je standardni višetrendovski financijski model koji omogućuje predviđanje dinamike novčanih tokova i procjenu njihovih fluktuacija, uključujući i vjerojatnost njihova odstupanja od minimalno dopuštenih vrijednosti. Naveden je primjer izračuna koji ilustrira predloženi mehanizam procjene rizika insolventnosti poduzeća;

■ predloženi su algoritmi za obradu početnih vremenskih nizova koji osiguravaju korištenje empirijskih distribucija vjerojatnosti uz standardne bez potrebe njihovog analitičkog opisa, što značajno pojednostavljuje implementaciju simulacijske metode u tvrtkama;

■ predložen je pristup strukturiranju financijskog modela, koji se temelji na njegovom sekvencijalnom detaljiziranju „odozgo prema dolje”, s različitim stupnjevima detalja koji su mogući ovisno o ciljevima analize i dostupnosti početnih informacija;

■ razvijeni su standardni alati za automatizaciju analize računovodstvenih podataka (dobivenih iz sustava 1C); statistička analiza vremenskih serija; konstruiranje grafikona i histograma, uključujući za intervale različitih duljina (tjedan, mjesec, kvartal). Sve zajedno, to omogućuje menadžerima poduzeća da pripreme početne podatke za model predviđanja;

■ analizirane značajke procjene rizika i predloženi alati za upravljanje razvojem poduzeća na tri razine (investicijski projekt, projektni portfelj, poduzeće u cjelini), vodeći računa o kontinuitetu prikupljanja, obrade i analize podataka koji dolaze kako izvana i generirani unutar poduzeća;

■ razmatra se mehanizam analize osjetljivosti uzimajući u obzir nelinearnost; kao i pristup procjeni ukupnog rizika projektnog portfelja, koji se temelji posebice na rezultatima simulacijskog modeliranja pojedinačnih investicijskih projekata;

Izvješće pokazuje mogućnost korištenja predloženog pristupa izgradnji modela predviđanja za procjenu perspektiva razvoja i rizika od insolventnosti ne samo od strane uprave poduzeća, već i od strane vanjskih struktura, uključujući organizacije na višoj razini (na primjer, unutar holding društava, državnih korporacija ), banke, investicijska i osiguravajuća društva .

Trendovi u predviđanju razvoja poduzeća uzimajući u obzir rizike

U suvremenim uvjetima poduzeća se za uspjeh u konkurenciji moraju stalno i kontinuirano razvijati. To zahtijeva ne samo redovito ažuriranje proizvoda, poboljšanje tehnoloških i poslovnih procesa, već i razvoj posebnih alata za financijsko predviđanje posljedica poduzetih radnji na razvoj poduzeća i dugoročne promjene njegove vrijednosti. Suvremeni alati uključuju modele financijskog predviđanja koji se temelje na modelima novčanog toka.

Međutim, u praksi se poduzeća suočavaju s nizom značajnih problema koji otežavaju redovito provođenje predviđanja. Oni su uzrokovani kako nedovoljnom razvijenošću holističke metodologije za financijsko predviđanje koja uzima u obzir rizike koja zadovoljava potrebe suvremenog poslovanja, tako i nedostatkom organizacijskih mehanizama i softverskih alata za prikupljanje i analizu upravljačkih informacija pri donošenju strateških financijskih odluka.

Trendovi ekonomskog razvoja uočeni u posljednjim desetljećima i informacijska revolucija koja se dogodila imaju značajan utjecaj na procese predviđanja u tvrtkama. Ovi trendovi promijenili su okruženje u kojem tvrtke posluju i transformirali zahtjeve za dizajniranje modela poslovnih predviđanja.

1.1. Opća gospodarska kretanja

Bitno obilježje današnjeg stupnja gospodarskog razvoja je usložnjavanje vanjskog okruženja i ubrzanje tržišnih promjena, kao i sve veći utjecaj globalnih gospodarskih procesa. Kao rezultat toga, današnje tvrtke suočavaju se sa znatno više tržišnih prilika i prijetnji. Sukladno tome, povećan je broj čimbenika koji mogu značajno utjecati na profitabilnost i financijsku održivost poduzeća, što zahtijeva uzimanje u obzir ovih čimbenika u modelima predviđanja. Pod tim uvjetima, sposobnost davanja probabilističkih prognoza i procjena rizika kao izlaznih podataka postaje ne samo dodatna karakteristika modela predviđanja, već njegova sastavna i obvezna komponenta.

Kako ističe R. Stulz, poduzeća se danas suočavaju s izazovom uzimanja u obzir čak i onih prijetnji čija se vjerojatnost procjenjuje kao beznačajna. Posebnu, ali sve značajniju vrstu takvih prijetnji čine ekonomske posljedice za poduzeća globalnih strateških rizika povezanih s iscrpljivanjem prirodnih resursa, klimatskim promjenama, pojavom katastrofa uzrokovanih ljudskim djelovanjem, kao i društveno-političkim čimbenicima. Unatoč objektivnoj složenosti procjene ovih rizika, zbog sve većeg razmjera štete od njih, raste i potreba poduzeća za razvojem mehanizama modeliranja rizika kao atributa modela predviđanja.

Konačno, sve veća volatilnost tržišnih uvjeta čini nužnim povećati fleksibilnost i prilagodljivost modela predviđanja. Tehnologija izrade prognostičkih modela treba osigurati mogućnost brzog uključivanja novih parametara (djelatnosti, pojedinih stavki prihoda i rashoda i dr.) u model. To zahtijeva istovremeno usavršavanje postupaka za izgradnju modela i mehanizama upravljanja za njihovu upotrebu u poduzećima, prijelaz na kontinuiranu analizu tekućih promjena kako u vanjskom tako i unutarnjem okruženju poduzeća.

1.2. Trendovi razvoja informacijskih tehnologija

Temeljna značajka sadašnjeg stupnja tehnološkog razvoja je stalno rastuća količina informacija koje ulaze u tvrtku.

Informatizacija je omogućila brzi pristup ogromnim količinama informacija, što je bilo nezamislivo kada su ti podaci bili pohranjeni na papiru, te je uzrokovala navalu sve veće upotrebe baza podataka u različite svrhe za ekonomski opis poslovnih aktivnosti.

Te su promjene zahtijevale prilagodbu metoda i procesa za izgradnju modela za prognozu i analizu rizika razvoja poduzeća.

Jedan od pravaca takve prilagodbe bilo je značajno kompliciranje analitičkih modela, što je potaknulo brzu matematizaciju ekonomske znanosti, koju mnogi znanstvenici smatraju negativnim čimbenikom njezina razvoja. Pojava ovog pravca bila je sasvim prirodna i logična, budući da je čak i prije sredine prošlog stoljeća zapravo jedini način za izračunavanje osnovnih ekonomskih pokazatelja i opisivanje odnosa među njima u modelima predviđanja bila uporaba analitičkih ovisnosti. Model koji nije davao eksplicitne analitičke formule smatran je beskorisnim. Karakteristična značajka takvih modela bila je njihova jednostavnost, koja se posebice očituje u hipotezi o potpunosti informacija i determiniranosti ekonomskih uvjeta kao jednoj od temeljnih postavki neoklasičnog smjera ekonomske teorije.

Ograničenja analitičkog opisa ekonomskih procesa očituju se uglavnom u nemogućnosti da se isključivo matematičkim sredstvima specificiraju stvarno promatrane ekonomske ovisnosti, od kojih je velika većina u ekonomiji probabilističke i nelinearne prirode.

Povećanje snage računala smanjilo je potrebu korištenja isključivo analitičkih alata za procjenu isplativosti upravljačkih odluka. Kako primjećuje D. Kolander, ako su se prije poduzeća smatrala relativno jednostavnim sustavima, čiji se opis mogao svesti na sustav jednadžbi s analitičkim rješenjima, onda je suvremeni trend da se poduzeća promatraju kao složeni sustavi, što čini njihov potpuni analitički opis. nemoguće. Sukladno tome, simulacijsko modeliranje trenutno postaje glavna metoda za opisivanje takvih sustava. Sposobnost izgradnje u okruženju proračunskih tablica pruža visoku svestranost i fleksibilnost u specificiranju ekonomskih ovisnosti, što otvara značajne mogućnosti za tvrtke u financijskom dizajnu i modeliranju ekonomskih procesa.

Razmotreni trendovi uvelike su odredili razvoj sistemskog pristupa u upravljanju, koji posebice uključuje stalno prikupljanje i obradu informacija s njihovom kasnijom transformacijom u organizacijsku bazu znanja.

Temeljna važnost koju informacije dobivaju u lancu vrijednosti u suvremenim poduzećima u potpunosti se očituje u konstrukciji modela financijskog predviđanja. Obavezne informacije potrebne za izradu točnih predviđanja uključuju statističke karakteristike glavnih ekonomskih parametara tvrtke (obujam prodaje, ključne stavke rashoda itd.) Stoga je organski element izrade modela predviđanja provođenje statističke analize.

Dakle, model financijskog predviđanja akumulira sve informacije koje su dostupne za formalizaciju u obliku novčanih tokova i potrebne su za donošenje strateških odluka. Odnosno, korištenje modela predviđanja osigurava povećanje sustavnog upravljanja poduzećem. I sami ovi modeli se prirodno mogu smatrati elementom strukturnog kapitala - podsustavom intelektualnog kapitala poduzeća.

Korištenjem simulacijskog modeliranja moguće je osigurati provedbu još jednog temeljnog principa sistemskog pristupa - razmatranja cjelokupnog prostora mogućih, prema mišljenju stručnjaka, opcija, što otvara put vjerojatnosnom opisu rezultirajućih novčanih tokova model.

Pritom naglašavamo da pojam “puni prostor opcija” treba shvatiti u statističkom smislu. Ne govorimo o mehaničkom pretraživanju svih teoretski mogućih kombinacija vrijednosti proučavanih parametara modela, što je u većini slučajeva tehnički nemoguće. Tijekom procesa modeliranja treba uzeti u obzir samo statistički značajne opcije (one s vjerojatnošću pojavljivanja većom od npr. 0,01%), određujući njihov optimalan broj na temelju algoritama analize konvergencije.

Izgradnja cjelovitog prostora opcija pri modeliranju rizika omogućuje da se za svaki korak izračuna modela (na primjer, četvrtina) utvrde vjerojatnosne karakteristike novčanih tokova poduzeća: matematičko očekivanje novčanog toka, njegove minimalne i maksimalne vrijednosti (Slika 1.1).

Takva analiza omogućuje identificiranje razdoblja u kojima je rezultirajući novčani tok poduzeća stabilan, kao i razdoblja njegova pada i uspona. Osim toga, tvrtka ima stvarnu priliku izračunati iznos rizika, koji se u ovom slučaju definira kao integralna vjerojatnost da će vrijednost rezultirajućeg novčanog toka napustiti raspon prihvatljivih vrijednosti (na primjer, postat će negativan).

Riža. 1.1. Modeliranje rizika omogućuje vam da predstavite novčani tok poduzeća u obliku koridora za njegovu moguću promjenu

Održavanje novčanog toka poduzeća u prihvatljivim okvirima doprinosi rastu njegove financijske stabilnosti. Osim toga, modeliranje rizika omogućuje analizu i odabir najučinkovitijih razvojnih strategija, povećavajući fleksibilnost upravljanja i povećavajući ukupnu konkurentnost tvrtke.

Dakle, provođenje probabilističke analize novčanih tokova poduzeća značajno proširuje količinu informacija koje se mogu uzeti u obzir u procesu donošenja strateških odluka. Rezultirajuće kvantitativne procjene rizika, po našem mišljenju, treba smatrati temeljnom karakteristikom razvoja poduzeća i jednim od najvažnijih pokazatelja koje treba uzeti u obzir pri donošenju odluka na različitim razinama upravljanja.

Složenost ekonomskih sustava diktira potrebu uzimanja u obzir takvog svojstva kao što je višerazinska priroda sustava pri izradi njihovih modela predviđanja. U odnosu na zadatak konstruiranja modela razvoja poduzeća mogu se razlikovati tri razine: zasebni investicijski projekt, portfelj projekata i poduzeće u cjelini. Iako su problemi i metode financijskog modeliranja na svakoj od ovih razina naširoko prikazani u znanstvenoj literaturi, treba priznati da je teorijska razrada ove problematike nedostatna. Značajke procjene razvojnih rizika na tri navedene razine analizirane su u trećem dijelu izvješća.

Analiza razmatranih problema pokazuje da se zadatak razvoja modela predviđanja razvoja ne smije svesti samo na konstrukciju financijskih modela i njihovu kvantitativnu, uključujući probabilističku analizu. Središnja uloga modela predviđanja u sustavu strateškog upravljanja poduzećem čini se temeljnom, u kojem on ne djeluje samo kao formalni financijski plan, već i kao glavni alat za procjenu isplativosti razvijenih razvojnih strategija, kao i kao rezultat akumulacija i obrada ogromnih količina informacija pohranjenih u poduzeću.

Stoga se može tvrditi da je za učinkovito korištenje modela predviđanja potrebno transformirati sustav upravljanja poduzećem tako da omogući akumulaciju informacija potrebnih za izradu prognoza i procjenu rizika. Čini se da se sposobnost, na temelju dostupnih statističkih i stručnih informacija, procjene rizika donesenih odluka može smatrati jednom od ključnih kompetencija menadžmenta svakog modernog poduzeća.

Zbog toga je nužno razviti upravljačku tehnologiju za predviđanje razvoja poduzeća, koja je podsustav za upravljanje njegovim strateškim razvojem. Važan element takve tehnologije trebala bi biti izgradnja sustava obuke osoblja, koji, iako zahtijeva značajna ulaganja u poboljšanje njihove kvalifikacije, uvelike određuje inovativni potencijal poduzeća, a time i njegovu konkurentnost.

1.3. Opća tehnologija za izradu modela za predviđanje razvoja poduzeća uzimajući u obzir rizike

Ključna uloga koju igra kvaliteta početnih podataka za točnost budućih predviđanja razvoja poduzeća diktira opću logiku izgradnje internog modela predviđanja (slika 1.2). Na temelju opsežnog proučavanja poslovnih procesa i statističke analize glavnih stavki prihoda i rashoda poduzeća, menadžeri određuju strukturu modela, postavljaju početne podatke i ovisnosti između glavnih čimbenika. Zatim se pomoću povijesnih podataka izrađuje preliminarni model kako bi se provjerilo podudara li se predviđanje dobiveno uz njegovu pomoć sa stvarnim novčanim tokovima tvrtke. Nakon debugiranja modela, on se prilagođava uzimajući u obzir stručne procjene i koristi za izradu prognoze za određeni broj razdoblja unutar horizonta planiranja. U budućnosti se provodi periodično praćenje razvoja poduzeća kako bi se uzele u obzir promjene u vanjskom i unutarnjem okruženju poduzeća.

Riža. 1.2. Opći dijagram procesa izgradnje modela za predviđanje razvoja poduzeća uzimajući u obzir rizike

Problemi pripreme početnih podataka za prognostički model

Kao što je poznato, odlučujuću ulogu u točnosti prognoza dobivenih pomoću bilo kojeg modela igra kvaliteta informacija koje se u njemu koriste. Stoga je priprema početnih podataka za model kritična zadaća, koja zahtijeva od tvrtke posebne analitičke alate i upravljačke procedure.

Priprema početnih podataka za model nemoguća je bez aktivne upotrebe statističke analize, osmišljene za prepoznavanje obrazaca i trendova u promjenama u glavnim stavkama prihoda i rashoda poduzeća.

U procesu provođenja statističke analize javlja se niz složenih problema, kao što su rad s atipičnim distribucijama vjerojatnosti, identificiranje trendova, osiguranje homogenosti podataka i drugi koji su nedovoljno ili uopće ne razmatrani u stručnoj literaturi.

Također napominjemo da statističku analizu ne treba promatrati samo kao skup formaliziranih postupaka za obradu serija podataka. Kako naglašava E.F Siegel, “Statistika je umjetnost i znanost prikupljanja i analiziranja podataka. Statističke metode treba promatrati kao važan dio procesa donošenja odluka, omogućujući razvoj informiranih strateških odluka koje kombiniraju stručnu intuiciju s pažljivom analizom dostupnih informacija. Korištenje statistike postaje sve značajnija konkurentska prednost." Stoga je statistička analiza podataka sredstvo za stjecanje dubljeg razumijevanja gospodarstva tvrtke - preduvjet za izgradnju točnog modela predviđanja.

2.1. Vrste izvornih podataka

U procesu analize izvornih podataka potrebno je uzeti u obzir njihove razlike u stupnju nesigurnosti i prirodi promjena tijekom razdoblja. Na temelju toga mogu se razlikovati tri vrste parametara:

1. Parametri čije su vrijednosti konstantne u svim razdobljima tijekom planskog horizonta (na primjer, porezne stope, iznajmljena površina);

2. Parametri čije vrijednosti ostaju konstantne unutar svakog pojedinog razdoblja (korak izračuna), ali se mogu mijenjati iz razdoblja u razdoblje (npr. cijene električne energije);

3. Parametri čije se vrijednosti nasumično mijenjaju unutar određenog razdoblja (na primjer, obujam prodaje). Istodobno, njihova matematička očekivanja za razdoblja mogu ostati konstantna ili se mijenjati u skladu s određenim trendom.

Iz gornje klasifikacije jasno je da su najteži parametri za analizu i prognozu parametri treće vrste, koji se nasumično mijenjaju, za njihovo ispravno modeliranje, potrebno je odrediti ne samo očekivane vrijednosti i trendove, već raspone promjene njihovih vrijednosti, kao i zakon distribucije vjerojatnosti. Stoga će se daljnja pozornost posvetiti parametrima treće vrste.

Kao što je vidljivo iz tablice 2.1., glavni izvor početnih informacija za statističku analizu parametara treće vrste su računovodstveni i upravljački računovodstveni podaci. Dobivanje ovih podataka obično ne uzrokuje fundamentalne poteškoće, budući da je njihovo prikupljanje i pohranjivanje u poduzećima obavezno, s obzirom na važnost ovih parametara.

Tablica 2.1. Primjeri čestih parametara izvornih podataka, obično nasumične prirode

Parametar	Procijenjena težina dobivanja podataka	Sposobnost automatizacije obrade vrijednosti pomoću softvera
Obim prodaje poduzeća u cjelini i po proizvodima	dostupno
Potraživanja poduzeća općenito i po proizvodima	dostupno	moguće, zahtijeva poseban program
Materijali tvrtke općenito i po proizvodima	lako nabaviti	moguće, zahtijeva poseban program
Obveze poduzeća općenito i po proizvodima	dostupno	moguće, zahtijeva poseban program

2.2. Problemi osiguranja relevantnosti i homogenosti izvornih podataka

Statističkom analizom početnih serija svakog analiziranog parametra identificiraju se njegove najznačajnije karakteristike, koje se zatim koriste u modeliranju prognoziranih vrijednosti.

U isto vrijeme, kako bi se osiguralo da model predviđanja uzima u obzir sve dostupne informacije, čini se razumnim koristiti u statističkoj analizi svakog proučavanog parametra modela cjelokupnu raspoloživu vremensku seriju ovog parametra u najdetaljnijem obliku (npr. , dnevne vrijednosti prodaje proizvoda za tri godine).

Budući da se novčani tokovi za različite stavke prihoda i rashoda javljaju različitom učestalošću (dnevno, tjedno, mjesečno itd.), postavlja se zadatak agregiranja vrijednosti svih proučavanih parametara u intervalima kako bi se osigurala njihova usklađenost s korakom izračuna. odabrani u modelu.

Da biste to učinili, izvorni niz je podijeljen u intervale koji odgovaraju potrebnom koraku izračuna. Na primjer, kada se zbrajaju novčani priljevi na tekući račun poduzeća po tromjesečjima, svi priljevi primljeni u razdoblju od 01. 04. do 30.06. tekuće godine bit će pripisani drugom tromjesečju. Tada se sve vrijednosti parametra koji se proučava unutar svakog intervala zamjenjuju (aproksimiraju) matematičkim očekivanjima (slika 2.1).

Riža. 2.1. Grafički prikaz aproksimacije niza vrijednosti njihovim matematičkim očekivanjima u intervalima

Riža. 2.2. Primjer grafikona novčanih primitaka na tekući račun poduzeća, agregiranih po intervalima(A - po tjednu; b - po mjesecu; V - po četvrtini). Izvor: autorski izračuni

Kao što se može vidjeti iz gornjih grafikona, kako se veličina intervala povećava, oscilacije se izglađuju, olakšavajući naknadno modeliranje parametra koji se proučava.

Tromjesečni grafikon također najpreciznije pokazuje prisutnost sezonske komponente, što se mora uzeti u obzir pri modeliranju trendova.

Osim toga, usporedba ovih grafikona pokazuje vrijednost analiziranja informacija što je moguće detaljnije. Na sl. 2.2a i 2.2b, skreće se pozornost na povećanje volatilnosti parametra, što nije vidljivo na grafikonu kvartalnih vrijednosti (slika 2.2c). Razlog povećanja je povećanje udjela velikih narudžbi u strukturi prodaje poduzeća, što je povećalo neravnomjernost novčanih priljeva.

Povećanje volatilnosti još je vidljivije u grafikonu potraživanja poduzeća (Slika 2.3).

Dakle, razmatrani primjer pokazuje vrijednost analize serije na svakoj razini agregacije podataka, što daje dodatne značajne informacije o parametru modela koji se proučava.

Riža. 2.2a i 2.2b ilustriraju još jedan temeljni problem koji se javlja u procesu statističke analize izvornih podataka – problem njihove heterogenosti. Pojava dodatnih čimbenika koji utječu na parametar koji se proučava ili promjena u odnosu između čimbenika često dovodi do promjene probabilističkih karakteristika niza (u ovom slučaju povećanja varijance).

Krajnji cilj pripreme početnih podataka je da se u modelu koristi maksimalna količina informacija koje su najrelevantnije u trenutku donošenja odluke. Značajne promjene u tehnologiji, situaciji na tržištu ili zakonodavnom okviru mogu dovesti do toga da neki od dostupnih podataka za prethodna razdoblja više nisu relevantni, a njihovo uključivanje u izradu modela može smanjiti točnost prognoze.

Riža. 2.3. Raspored potraživanja (po danu)

Riža. 2.4. Histogram gustoće vjerojatnosti obujma prodaje(A - Općenito, b — proizvod 1, V - proizvod 2)

Osiguravanje homogenosti postaje jedan od ključnih kriterija pri dekompoziciji parametara koji se proučavaju i određivanju optimalnog stupnja detalja modela. Kao primjer, razmotrite histogram obujma prodaje poduzeća (slika 2.4a).

Izražena bimodalnost ukupne distribucije, uzrokovana prisutnošću dvaju dominantnih čimbenika, uvelike se eliminira kada se podijeli na dva produkta (sl. 2.4b, 2.4c). To sugerira potrebu da se prodaja tvrtke razdvoji po proizvodima kako bi se dobila točnija raspodjela.

2.3. Problem identifikacije zakona distribucije vjerojatnosti

Jedan od najtežih problema u simulacijskom modeliranju je identificiranje tipa distribucije vjerojatnosti slučajnih varijabli. Nedovoljna pažnja koja se ovom problemu pridaje u stručnoj literaturi očito se može objasniti raširenom zabludom da distribucije ekonomskih pokazatelja odgovaraju ili se mogu svesti na standardne zakone distribucije (osobito normalni zakon). Ova pretpostavka dopušta korištenje dobro razvijenih matematičkih alata za analizu podataka.

Međutim, rad samo sa standardnim distribucijama u mnogim slučajevima dovodi do ignoriranja odstupanja u obliku stvarno promatranih distribucija, koje se očituju, posebice, u asimetriji i outlierima. Štoviše, kako pokazuju rezultati analize koju je proveo autor, distribucije većine financijskih pokazatelja koji odražavaju ekonomičnost poduzeća u realnom sektoru značajno se razlikuju od standardnih.

Distribucije proučavane u ovoj znanstvenoj studiji mogu se podijeliti u četiri skupine.

Prva grupa. Distribucije slične eksponencijalnoj:

Trošak jedne narudžbe;

Trošak materijala (po danu);

Priljev i odljev sredstava sa tekućeg računa (po danima);

Promet gotovine na tekućem računu (po danima).

Druga skupina. Distribucije slične Poissonovoj distribuciji:

Trošak sklopljenih naloga (tjedno);

Stanje tekućeg računa (po danima).

Treća skupina. Distribucije bliske simetričnim (uključujući normalne):

Promjena gotovine (uzimajući u obzir rezerve poduzeća (po danu);

Obveze (po danima);

Razlike između ukupnih obveza prema dobavljačima i potraživanja.

Četvrta skupina. Bimodalne i druge jasno nestandardne distribucije.

Ukupni prihod (po danu);

Stanje gotovine (uključujući rezerve poduzeća (po danu);

Potraživanja (po danu).

Brojni autori primjećuju neslaganje između distribucija mnogih ekonomskih veličina i normalnog zakona. Kao što je istaknuo, na primjer, A.I. Orlova, “u ekonometriji se distribucija rezultata ekonomskih i tehničko-ekonomskih promatranja gotovo uvijek razlikuje od normalne.”

Pokušaji ignoriranja odstupanja utvrđenih tijekom analize mogu rezultirati iskrivljenim procjenama očekivane varijabilnosti parametara modela predviđanja. Rezultat je gubitak značajnih informacija o distribuciji vjerojatnosti i, u konačnici, smanjenje točnosti predviđanja.

Vrlo uobičajena metoda pretvaranja nestandardnih distribucija u standardne je uzimanje logaritma izvornog niza vrijednosti, što obično eliminira ozbiljne asimetrije distribucije. Međutim, kao što je iskustvo modeliranja pokazalo, logaritmi imaju ozbiljna ograničenja. Nastaju zbog činjenice da se kod inverzne transformacije matematičkog očekivanja i standardne devijacije (iz logaritamske u izvornu) parametri serije dobiveni proračunom razlikuju od svojih stvarnih vrijednosti. To znatno otežava primjenu ove metode u praksi.

Riža. 2.9. Usporedba empirijske i normalne distribucije obveza poduzeća (— - empirijska distribucija; -- - normalna distribucija).

Po našem mišljenju, univerzalnije rješenje ovog metodološkog problema je korištenje tzv. empirijske distribucije, dobivene izravno analizom niza podataka bez njegovog analitičkog opisa (pod uvjetom da je stabilan).

Za ilustraciju mogućih izobličenja u distribuciji parametra kada se on umjetno reducira na standardni na Sl. Na slici 2.9 prikazana je usporedba stvarne empirijske distribucije obveza poduzeća (puna linija) i generirane normalne distribucije (isprekidana linija), koje imaju iste vrijednosti matematičkog očekivanja i standardne devijacije (izračunate tijekom analize originalna serija). Razlika između grafova ukazuje na to da je neispravno koristiti normalnu distribuciju umjesto stvarno promatrane.

Kako bi se prevladale poteškoće koje se javljaju pri radu s empirijskim distribucijama u usporedbi sa standardnim, potrebno je imati odgovarajuće alate za generiranje slučajnih brojeva, transformirati te distribucije uzimajući u obzir trendove u matematičkim očekivanjima i standardnim odstupanjima, te detaljnu statističku analizu početnih vrijednosti vremenskih serija.

2.4. Generiranje empirijskih distribucija

Metoda linearne aproksimacije s pravom se smatra najuniverzalnijom metodom za generiranje empirijske distribucije. Pomoću ove metode nasumični brojevi se generiraju u nekoliko faza:

1. Izvorni niz je podijeljen na h intervala (džepova) promjenjive ili konstantne duljine. Kada se koriste intervali promjenjive duljine, "dugi" intervali se dobivaju u područjima distribucije s malim brojem vrijednosti i "kratki" intervali u područjima s velikim brojem vrijednosti. To omogućuje ispravnije uzimanje u obzir složenog oblika distribucija, čime se povećava točnost generiranja.

2. Za svaki interval izračunava se učestalost pogodaka vrijednosti izvorne serije i odgovarajuća integralna vjerojatnost (vidi tablicu 2.3).

3. Potreban broj slučajnih brojeva generira se pomoću standardnog generatora jednolike distribucije.

4. Svaki od brojeva generiranih prema jedinstvenom zakonu transformira se korištenjem podataka sličnih onima danim u tablici 2.2 kako bi se dobile slučajne varijable sa željenom empirijskom distribucijom.

Tablica 2.2. Primjer tablice frekvencija empirijske razdiobe za intervale konstantne duljine

Donja granica intervala	Intervalna učestalost pogodaka	Kumulativni zbroj frekvencija	Integralna vjerojatnost, %

2.5. Metode za postavljanje trendova za empirijsku distribuciju

Predloženi pristup modeliranju trendova u empirijskim distribucijama razlikuje se od mehanizma za postavljanje trendova za standardne distribucije.

Podsjetimo, za standardne distribucije prvo se postavlja trend za parametre distribucije, kao što su matematičko očekivanje, standardna devijacija i drugi. Na temelju vrijednosti parametara distribucije izračunatih za svako razdoblje, generiraju se slučajni brojevi pomoću analitičkih formula za odgovarajuću distribuciju. U ovom slučaju, automatski se daje trend za sve točke tipične distribucije kroz razdoblja.

Budući da ne postoji analitički opis za empirijske distribucije, postavljanje trenda mora se provesti odmah za sve točke distribucije. Kao što će biti prikazano u nastavku, ovo osigurava traženi trend matematičkog očekivanja i disperzije (standardna devijacija).

U skladu s metodom linearne aproksimacije, pri modeliranju je dovoljno raditi ne s pojedinačnim vrijednostima, već s granicama intervala (slično onima danima u stupcu 1 tablice 2.2) i učestalosti vrijednosti koje padaju u formirane džepove .

Predloženi pristup nudi dva načina za postavljanje trenda za proizvoljnu distribuciju.

1. Samo se matematičko očekivanje niza mijenja iz razdoblja u razdoblje

Transformacija izvornog niza uzimajući u obzir trend provodi se dodavanjem istog broja A svakoj vrijednosti ovog niza. Tada se matematičko očekivanje razdoblja t+1 izračunava na sljedeći način:

gdje su M(X) t, M(X) t+1 matematička očekivanja parametra koji se proučava u razdobljima t i t+1; x t — i-ta vrijednost parametra u razdoblju t; n je ukupan broj generiranih slučajnih vrijednosti (isto za sva razdoblja).

Lako je ustanoviti da će, uzimajući u obzir (1), za ovaj slučaj disperzija parametra t+1 ostati nepromijenjena:

gdje su D t, D t+1 disperzije ispitivanog parametra u razdobljima t i t+1;

Grafički, ako postoji pozitivan trend, histogram vrijednosti parametara za period t+1 pomiče se duž X osi udesno za iznos A.

2. I matematičko očekivanje i standardna devijacija mijenjaju se od razdoblja do razdoblja

U ovom slučaju, transformacija izvorne serije uzimajući u obzir pozitivan trend provodi se množenjem svake vrijednosti ove serije s istim brojem k. Tada se matematičko očekivanje razdoblja t+1 izračunava pomoću formule:

Varijanca parametra t+1 izračunava se pomoću formule:

Sukladno tome, standardna devijacija a uzimajući u obzir trend u razdoblju t+1 izračunava se množenjem njegove vrijednosti u razdoblju t s k.

Koeficijent varijacije ovom metodom ostaje nepromijenjen.

2.6. Alati za automatizaciju prikupljanja i statističke analize izvornih podataka

Zbog zahtjevnosti postupaka obrade inicijalnih vremenskih nizova, u praksi bi se oni trebali provoditi automatski, korištenjem standardnih programskih alata.

Tablica 2.3. Primjer tablice faktura u 1C

		S kreditnih računa	Na teret računa
	Početak ravnoteža

Tablica 2.4. Prikaz pretvorene tablice za obradu u Excelu

	Dan u tjednu				Con. ravnoteža

Kod dobivanja izvornih serija iz različitih računalnih baza podataka javlja se problem objedinjavanja oblika davanja informacija za njihovu naknadnu analizu. Na primjer, za obradu podataka računa primljenih iz naširoko korištenog računovodstvenog sustava 1C (tablica 2.3), oni se pretvaraju u tablicu poput tablice. 2.4, koji služi kao osnova za formiranje početne vremenske serije.

Značajke procjene rizika razvoja na tri razine upravljanja u poduzeću

Kao što je gore navedeno, predviđanje razvoja poduzeća, uzimajući u obzir rizike, treba provoditi na tri razine: na razini pojedinačnog investicijskog projekta, portfelja projekata i poduzeća u cjelini. To je zbog razlike u zadacima na svakoj razini (tablica 3.1), koje određuju značajke razvijenih modela i algoritama analize.

Tablica 3.1. Razlika u zadacima koje treba riješiti na tri razine upravljanja investicijskim aktivnostima u poduzeću

3.1. Razina pojedinog investicijskog projekta

Značajan intenzitet znanja, dugotrajna transformacija uloženih sredstava u povećanje vrijednosti poduzeća, kao i velika neizvjesnost potencijalnih rezultata ukazuju na glavni oblik ulaganja u poduzeće - oblik investicijskog projekta. Investicijski projekti djeluju kao izvori stvaranja budućih konkurentskih prednosti. Stoga je u procesu razvoja svakog investicijskog projekta iznimno važno pravodobno dobiti što cjelovitiju informaciju o izgledima projekta, ne samo sa stajališta visine neto novčanog toka koji određeni projekt je sposoban generirati, ali i sa stajališta određivanja raspona mogućih fluktuacija u novčanom toku. Tehnike kvantitativne analize rizika projekta igraju ključnu ulogu u pružanju ovih informacija menadžmentu poduzeća.

Osnova za kvantitativnu procjenu rizika investicijskog projekta je model njegovih novčanih tokova. Prva faza njegovog razvoja je određivanje strukture prihoda i rashoda projekta, predviđanje njihovih vrijednosti, uzimajući u obzir dinamiku promjena u horizontu planiranja.

Model novčanog toka investicijskog projekta služi kao osnova za izračun njegovih pokazatelja uspješnosti: neto sadašnje vrijednosti (NPV), diskontiranog razdoblja povrata (DPP), indeksa profitabilnosti (PI) i drugih. Rezultirajuće vrijednosti ovih pokazatelja odražavaju predviđenu profitabilnost projekta za tvrtku u uvjetima kada svi parametri poprimaju svoje najvjerojatnije (osnovne) vrijednosti.

U sljedećoj fazi - prilikom provođenja analize osjetljivosti projekta - utvrđuju se parametri modela koji imaju najjači utjecaj na ekonomsku učinkovitost investicijskog projekta. U svom klasičnom obliku, analiza osjetljivosti svodi se na izračun bezdimenzionalnih koeficijenata osjetljivosti koji odražavaju elastičnost pokazatelja izvedbe projekta.

Međutim, u praksi, kada se provodi analiza osjetljivosti, potrebno je zapamtiti da se tradicionalni pristup temelji na pretpostavci linearnosti funkcija osjetljivosti. U stvarnosti, funkcije osjetljivosti za mnoge parametre modela novčanog toka projekta su nelinearne. Na primjer, kako pokazuju rezultati autorove analize funkcija osjetljivosti investicijskog projekta (tablica 3.2), od petnaest parametara modela, NPV funkcija osjetljivosti pokazala se nelinearnom za četiri parametra, PI za osam, a DPP za svih petnaest. Dobro poznati primjer nelinearne funkcije osjetljivosti, koji se naširoko raspravlja u literaturi, je funkcija promjena u NPV projekta kada se promijeni njegova diskontna stopa. Štoviše, kako je primijetio A.A. Kugaenko, pri modeliranju ekonomskih sustava, "linearne međuovisnosti praktički nedostaju."

Tablica 3.2. Primjer analize funkcija osjetljivosti parametara investicijskog projekta na nelinearnost

Naziv parametra	Vrsta funkcije osjetljivosti rezultirajućeg indikatora
	neto sadašnja vrijednost (NPV)	diskontirano razdoblje povrata (DPP)	indeks profitabilnosti (PI)
Obujam prodaje, kom.	nelinearni	nelinearni	nelinearni
Stopa promjene u obujmu prodaje	nelinearni	nelinearni	nelinearni
Prosječna cijena po jedinici proizvodnje, rub.	linearni	nelinearni	nelinearni
Cijena najma 1 m2, $	linearni	nelinearni	linearni
Cijena 1 litre benzina, rub.	linearni	nelinearni	linearni
Tečaj dolara, rub.	linearni	nelinearni	nelinearni
Stopa inflacije, %	nelinearni	nelinearni	nelinearni
Nominalna diskontna stopa, %	nelinearni	nelinearni	nelinearni

Provođenje analize osjetljivosti ima važnu ulogu u povećanju sustavne opravdanosti investicijskog projekta. Njegovi rezultati omogućuju određivanje koji parametri modela zahtijevaju obvezno razmatranje varijabilnosti njihovih vrijednosti.

Uključivanje u model novčanog tijeka svih mogućih varijanti vrijednosti ovih parametara, provedeno pomoću simulacijskog modeliranja, pretvara ga iz osnovnog u vjerojatnosni. Simulacijsko modeliranje investicijskog projekta provodi se u nekoliko faza korištenjem MS Excel tablica:

1. Odaberite početne parametre modela novčanog toka za koji će se provesti simulacijsko modeliranje. Za svaku od njih određuju se zakon raspodjele (jednolika, normalna, Poissonova itd.) i parametri raspodjele.

2. Za svaki parametar generira se m nasumičnih brojeva korištenjem standardnih Excel funkcija. Broj generiranih brojeva je isti za sve parametre i obično se kreće od 1000 do 50000.

3. Na temelju rezultata generiranja formira se m kombinacija slučajnih brojeva za odabrane parametre. Jedna kombinacija odgovara jednom retku Excel tablice.

4. Za svaku kombinaciju vrijednosti parametara izračunavaju se pokazatelji izvedbe projekta. Da biste to učinili, pomoću računalnog programa napisanog u Visual Basicu za aplikacije, sve kombinacije vrijednosti početnih parametara uzastopno se zamjenjuju u model novčanog toka. Rezultirajuće vrijednosti pokazatelja izvedbe za svaku kombinaciju smještene su u odgovarajući red Excel tablice.

5. U Excelu, redovi tablice slučajnih vrijednosti početnih podataka izračuna sortirani su prema povećanju pokazatelja učinkovitosti (na primjer, NPV).

6. Svakom retku tablice pridružuje se određena integralna vjerojatnost. Dakle, ako postoji 1000 redaka u nizu, tada će redovi i i i+1 odgovarati integralnim vjerojatnostima koje se razlikuju za 0,1%.

7. Izračunava se integralna vjerojatnost negativne NPV projekta. Da biste to učinili, broj redaka u kojima je NPV negativan podijeli se s ukupnim brojem redaka u tablici.

Razmatrani pristup provedbi simulacijskog modeliranja omogućuje ne samo izračunavanje očekivanih vrijednosti pokazatelja učinkovitosti investicijskog projekta, već i dobivanje dodatnog kriterija koji odražava rizik projekta: integralnu vjerojatnost da je vrijednost učinkovitosti indikator će biti u području neprihvatljivih vrijednosti.

Stoga je glavni zadatak financijskog modeliranja i kvantitativne procjene rizika na razini pojedinog investicijskog projekta što detaljnije proučavanje potencijala projekta za stvaranje tržišne vrijednosti za tvrtku i veličine mogućih odstupanja u njezinim novčanim tokovima. Međutim, kako bi se osiguralo da su investicijski projekti koji se razvijaju u skladu sa strateškim ciljevima tvrtke, potrebno ih je razmotriti na razini portfelja.

3.2. Razina portfelja investicijskih projekata

Od 1970-ih, kada je predložena matrica Boston Consulting Group, portfeljski pristup postao je raširen kao alat za planiranje konkurentskih strategija i raspodjelu kapitala između proizvoda (ili pojedinih linija poslovanja) tvrtki. Jednako je važno uzeti u obzir kao portfelj ukupnost investicijskih projekata koji se razvijaju, od kojih su mnogi, kao što je gore navedeno, osnova za buduće proizvode tvrtke koji tvore njezin novčani tok.

Sa stajališta upravljanja konkurentnošću poduzeća, portfelj investicijskih projekata može se smatrati portfeljem njegovih budućih konkurentskih prednosti. Stoga odluke koje se donose na razini portfelja, od kojih su najvažnije izbor investicijskih projekata i raspodjela kapitala među njima na temelju višekriterijalnog pristupa, uvelike određuju pravce povećanja konkurentnosti koje tvrtka za sebe odabire u razvoju. strategiju razvoja.

Budući da projekti imaju različite stupnjeve rizika, potrebno je kontrolirati ukupnu razinu rizika projekta kako se ne bi prekoračila njegova maksimalna vrijednost prihvatljiva za tvrtku.

Po našem mišljenju, najuniverzalniji pristup procjeni ukupnog rizika portfelja projekata je korištenje rezultata simulacijskog modeliranja provedenog za svaki od projekata uključenih u portfelj.

Početni podaci za izračun su distribucije vjerojatnosti NPV svakog od projekata. Postupak izračuna sastoji se od sljedećih koraka:

1. Formirano je N kombinacija NPV. Da biste to učinili, tablica slučajnih vrijednosti za svaki projekt razvrstava se uzlaznim redoslijedom NPV-a, nakon čega se stupac NPV vrijednosti prenosi u tablicu, čiji je opći oblik prikazan u tablici. 3.3.

2. Ukupni PV ostatka portfelja izračunava se za svaku kombinaciju.

3. Tablica 3.3 poredana je uzlaznim redoslijedom PV-a portfelja.

4. Svakoj kombinaciji dodijeljena je integralna vjerojatnost, određena dijeljenjem broja retka tablice u kojoj se ta kombinacija nalazi s ukupnim brojem kombinacija N.

5. Određuje se integralna vjerojatnost negativnog PV-a portfelja.

Imajte na umu da ova metoda pretpostavlja da je broj slučajnih NPV vrijednosti svih projekata isti.

U slučaju da simulacijsko modeliranje nije korišteno za procjenu rizika nekog od projekata poduzeća te su njihove vjerojatnosne karakteristike (M(X) i a) dobivene nekom drugom metodom, ti projekti također mogu biti uključeni u izračun. Da bi se to postiglo, NPV vrijednosti se generiraju na temelju specificiranih probabilističkih karakteristika i zakona distribucije NPV projekta.

Tablica 3.3. Opći prikaz tablice procjene rizika portfelja na temelju rezultata simulacijskog modeliranja projekata uključenih u portfelj

Broj linije	Investicijski projekti				PV ost portfelj	Integralna vjerojatnost
	NPV projekta 1	NPV projekta 2		Projekt NPV r
					PV ost portfelj< 0	P(PV portfelj ostatak<0) = h/N
					M(PV ostatak portfelja)
					PV ost portfelja max

Dakle, upravljanje portfeljem investicijskih projekata uzimajući u obzir rizike povećava ravnotežu portfelja i fleksibilnost donošenja strateških odluka, što daje značajan potencijal za rast konkurentnosti tvrtke. No, pri izradi strategije razvoja iznimno je važno znati procijeniti njezin utjecaj na financijski položaj i rizik poduzeća u cjelini.

3.3. Ukupna razina tvrtke

Trenutno zadatak razvoja tehnologije za kvantitativnu procjenu rizika razvoja ulaganja nadilazi okvire investicijske analize kako pojedinačnih projekata tako i portfelja. U današnjem dinamično promjenjivom vanjskom okruženju nameće se potreba za primjenom sustavnog pristupa analizi rizika i financijskom oblikovanju strateškog razvoja poduzeća u cjelini. To uključuje razvoj financijskog modela poduzeća, koji omogućuje predviđanje dinamike njegovih novčanih tokova uzimajući u obzir odabranu strategiju razvoja, vjerojatnost i opseg moguće štete u slučaju nepovoljnih promjena u tržišnom okruženju, kao i razviti mjere za smanjenje te štete.

Osnova za kvantitativnu procjenu rizika na ovoj razini je model predviđanja razvoja poduzeća temeljen na riziku. Omogućuje vam izračunavanje ukupnih novčanih tokova tvrtke i njihovu vjerojatnosnu analizu, procjenu utjecaja razvijenih razvojnih strategija i očekivanih promjena u konkurentskoj poziciji tvrtke. Model mora biti fleksibilan, stalno ga razvijati i poboljšavati menadžeri poduzeća uzimajući u obzir stalne promjene. Stoga je prilagodljivost prognostičkog modela jedan od ključnih uvjeta koji omogućuje njegovo učinkovito korištenje za kvantitativnu procjenu rizika na razini poduzeća.

Da bi se ova svojstva implementirala, model predviđanja kada se implementira u poduzeću mora biti implementiran u obliku programskog paketa koji automatizira postupke za konstrukciju višerazdobnog modela novčanog toka, generiranje slučajnih brojeva, simulacijsko modeliranje i statističku analizu rezultata predviđanja. To omogućuje brzo dobivanje rezultata pri modeliranju različitih razvojnih opcija i strategija.

Najvažniji element početnih podataka u prognostičkom modelu je opis kretanja varijabilnih parametara.

Najuniverzalnija i najfleksibilnija metoda za određivanje promjena parametara je izravan unos njihovih vrijednosti po razdoblju. To posebice omogućuje korištenje vremenskih ovisnosti u modelu (na primjer, planirane količine prodaje, promjene cijena proizvoda itd.) dobivenih kao rezultat marketinškog istraživanja. Ovakav način podešavanja također je neophodan za parametre koji se nepravilno mijenjaju (npr. trošak najma prostora, koji obično ostaje nepromijenjen tijekom cijele godine). U mnogim slučajevima, za opisivanje promjena u parametrima čije se vrijednosti mijenjaju u svakom razdoblju, mnogo je prikladnije postaviti trendove u obliku niza vrijednosti, koje su aritmetička ili geometrijska progresija.

Za parametre čije se vrijednosti nasumično mijenjaju potrebno je moći postaviti promjene vrijednosti standardne devijacije. Postoji nekoliko različitih načina za promjenu:

a) standardna devijacija ostaje konstantna za sva razdoblja, bez obzira na promjene u matematičkom očekivanju;

b) standardna devijacija se mijenja linearno;

c) standardna devijacija se mijenja na takav način da koeficijent varijacije, jednak omjeru standardne devijacije i matematičkog očekivanja, ostaje konstantan.

Kao što je iskustvo modeliranja pokazalo, uzimanje u obzir promjena standardne devijacije ima značajan utjecaj na rezultate procjene rizika od insolventnosti poduzeća, stoga je prisutnost različitih načina za postavljanje standardne devijacije važna za povećanje točnosti predviđanja.

Drugi značajan čimbenik koji treba uzeti u obzir pri određivanju početnih podataka je potreba da se naznače granične vrijednosti parametara, koje su određene njihovom ekonomskom prirodom. Na primjer, obujam prodaje ne može biti negativan niti premašiti maksimalni obujam tržišta. Slično tome, troškovi koji predstavljaju novčane odljeve ne mogu postati pozitivni kada im se smanji apsolutna vrijednost. Iz tog razloga distribucije vjerojatnosti parametara postaju skraćene.

Tijekom procesa simulacije, program identificira slučajne vrijednosti koje prelaze granične granice i ispravlja ih zamjenjujući ih graničnim vrijednostima. Automatizacija ovog postupka omogućuje ne samo povećanje točnosti rezultata modeliranja, već i kontrolu kvalitete ulaznih podataka pomoću posebnih brojača za broj promijenjenih vrijednosti za svaki parametar. Ako je broj promijenjenih vrijednosti dovoljno velik, na primjer, više od 10% svih vrijednosti, to ukazuje na potrebu promjene standardne devijacije ili prilagođavanja trenda vrijednosti ovog parametra.

U praksi, prilikom konstruiranja modela novčanog toka, često je potrebno uzeti u obzir odnose između parametara modela u obliku korelacijskih ovisnosti. Stoga je sposobnost specificiranja korelacije obavezan element pri razvoju modela. Opisani model daje mogućnost zadavanja korelacije u dva stupnja. U prvoj fazi utvrđuje se odnos između parametara koji imaju korelaciju u analitičkom ili tabelarnom obliku. U drugoj fazi, za postavljanje odstupanja, analizirana ovisnost se množi slučajnom varijablom, čije su karakteristike naznačene u izvornim podacima u skladu s gore opisanim algoritmom za parametre treće vrste.

3.4. Razvoj modela novčanog tijeka poduzeća

Najvažnije karakteristike modela novčanog toka su trajanje planskog horizonta, duljina obračunskog koraka i trenutak dovođenja novčanih tokova.

Odabir horizonta planiranja i duljine obračunskog koraka određen je prvenstveno mogućnošću dobivanja kvalitetnih prognoza glavnih stavki prihoda i rashoda poduzeća. Čini se da u ruskim uvjetima horizont planiranja za većinu tvrtki ne prelazi četiri godine. U ovom slučaju, četvrtina se može preporučiti kao duljina koraka izračuna. Tada broj razdoblja u modelu novčanog toka neće premašiti sedamnaest, uzimajući u obzir nulto razdoblje na koje se obično svode novčani tokovi. Pretpostavka je da svi tokovi nastaju na kraju razdoblja.

Razvoj modela novčanog tijeka je kreativan proces koji zahtijeva uzimanje u obzir karakteristika pojedine tvrtke. Pritom je preporučljivo pridržavati se standardne strukture modela prema kojoj se novčani tijekovi dijele u tri skupine: operativni (tijekovi iz tekućeg poslovanja), investicijski (koji se odnose na ulaganja u dugotrajnu imovinu i radni kapital), te financijski (vezan uz servisiranje kredita poduzeća). Kao konačni pokazatelj u modelu koji se razmatra koristi se diskontirani novčani tok za vlasnike. Primjer strukture modela novčanog toka prikazan je u tablici 3.4.

Tablica 3.4. Primjer strukture modela novčanog toka poduzeća

	Operativni novčani tokovi	Formula za izračun*
	PROIZVOD 1
	Prihod od prodaje 1
	Izravni varijabilni troškovi 1
	Izravni fiksni troškovi 1 (uključujući amortizaciju)*
	Bruto dobit proizvoda1
	PROIZVOD 2
	Prihod od prodaje 2
	Izravni varijabilni troškovi 2
	Izravni fiksni troškovi 2 (uključujući amortizaciju)*
	Bruto dobit proizvoda 2
	Ukupna bruto dobit
	OPĆI, KOMERCIJALNI I ADMINISTRACIJSKI TROŠKOVI
	Opći troškovi
	Ukupna amortizacija**
	Troškovi uredske energije
	Ukupni opći troškovi
	Prodajni i administrativni troškovi
	Platni spisak rukovodećeg osoblja
	UST za rukovodeće osoblje
	Ukupni administrativni i prodajni troškovi
	Dobit od prodaje (prodaje)	11 — 17 — 22
	Bilanca poslovnih prihoda/rashoda
	Bilanca izvanposlovnih prihoda i rashoda
	Dobit prije oporezivanja
	Porez na dohodak
	Neto dobit
	Amortizacija (izravna + ukupna)**
	Ukupni operativni novčani tok
	NOVČANI TIJEK ULAGANJA
	Ulaganja u dugotrajnu imovinu i nematerijalnu imovinu
	Promjena obrtnog kapitala za proizvod 1
	Promjena radnog kapitala za proizvod 2
	Ukupni novčani tok ulaganja
	Ukupni slobodni novčani tok
	FINANCIJSKI NOVČANI TIJEK
	Zajmovi primljeni
	Otplata glavnice prethodno danih kredita
	Plaćanje kamata na kredite
	Ukupni financijski tok novca
	Ukupni novčani tok za vlasnike
	Sniženi novčani tok za vlasnike	42 * 1/(1 + r)t

* “+” — novčani priljev; “-” — odljev novca; “=” je formula za izračun, gdje brojevi u formuli označavaju brojeve redaka u tablici.

** nije novčani tok, već se koristi za izračun poreza na dohodak.

Gornja struktura pokazuje opću logiku konstruiranja modela novčanog toka u skladu s financijskom teorijom. Međutim, specifičan skup stavki prihoda i rashoda individualan je za svako poduzeće i ovisi o profilu njegove djelatnosti i karakteristikama poslovnih procesa identificiranih tijekom statističke analize izvornih podataka.

Prema našem mišljenju, ovisnost strukture modela o početnim podacima je temeljne prirode, budući da, kao i druge faze tehnologije za izradu modela predviđanja, faza razvoja modela novčanog tijeka treba osigurati najpotpunije računovodstvo prikupljene informacije. To se može postići primjenom pristupa odozgo prema dolje. U skladu s njim najprije se gradi najopćenitiji model (temeljen na bilanci i računu dobiti i gubitka), koji se zatim detaljizira kako bi se uzeli u obzir svi značajni čimbenici, uključujući postavljanje višesmjernih trendova. Pri analizi rashodnih stavki poduzeća preporučljivo je kao kriterij detaljizacije koristiti udio svake stavke u ukupnim rashodima pojedine skupine. Na primjer, kod formiranja općih organizacijskih troškova u posebne retke izdvajaju se samo stavke koje čine najmanje 5% općih organizacijskih troškova, a svi ostali rashodi sažimaju se u jednom retku.

Pri analizi prihoda tvrtke (osobito ako ona u svom asortimanu ima desetke proizvoda) često se javlja problem grupiranja proizvoda u segmente. Ovdje je, osim principa “odozgo prema dolje”, također potrebno uzeti u obzir da formirani segmenti moraju zadržati svoju homogenost (za više detalja vidi paragraf 2.2).

Implementacija načela "odozgo prema dolje" povećava svestranost tehnologije izgradnje modela, budući da omogućuje primjenu alata za simulacijsko modeliranje na modele različitih stupnjeva detalja, ovisno o količini dostupnih informacija. Ova značajka predloženog metodološkog pristupa otvara mogućnosti za aktivnu upotrebu modela predviđanja u vanjskoj analizi, uključujući matične tvrtke, kao i banke i druge financijske institucije (za više detalja, vidi odjeljak 4).

3.5. Primjer korištenja modela predviđanja razvoja poduzeća

Ilustrirajmo primjenu razmatranog modela na primjeru poduzeća koje proizvodi dvije vrste proizvoda. Horizont planiranja je dvije godine; Četvrtina se koristi kao korak izračuna.

Kao što je vidljivo iz početnih podataka (tablica 3.5), obujam prodaje prvog proizvoda raste, dok prodaja drugog ima tendenciju pada. Osim toga, očekuje se povećanje niza rashodnih stavki. Kao rezultat toga, opći trend promjena matematičkih očekivanja rezultirajućeg novčanog toka poduzeća po razdobljima je negativan. Međutim, višesmjernost trendova i razlika u varijancama ključnih parametara modela ne dopušta nam procjenu varijabilnosti novčanih tokova bez posebnih alata.

Kako pokazuju rezultati modeliranja (tablica 3.6, slika 3.1), iako je rezultirajući novčani tok do kraja prve godine manji za manje od polovice, vjerojatnost da će u četvrtom razdoblju biti negativan značajno se povećava (do 4 %).

Tablica 3.5. Primjer specificiranja početnih podataka za model predviđanja razvoja poduzeća

Promjenjivi parametri modela	Početni podaci za prvo razdoblje				Trend matematičkog očekivanja (M.O.)		Vrsta funkcije promjene σ *	Granične vrijednosti
	Očekivana vrijednost		maksimum	Zakon raspodjele	Vrsta trenda	Značenje, %			maksimum
Proizvod 1
Obujam prodaje, kom.
cijena, utrljati.
Stopa troškova za sirovine, rub. po trljanju. prihod
Proizvod 2
Obujam prodaje, kom.
cijena, utrljati.
Stopa troškova za sirovine (rub.) Po rub. prihod
Norma troškova plaća, rub. po trljanju. prihod
Troškovi električne energije, rub. po trljanju. prihod
Generalorg, kom. i upravljanje troškovi
Platni spisak rukovodećeg osoblja, rub. * *
Tečaj dolara, rub.

* n – normalna raspodjela; e – empirijska distribucija k – konstantna standardna devijacija; c – konstantni koeficijent varijacije.

* * “/” - odljev novca

Tablica 3.6. Rezultati analize perspektive razvoja poduzeća

Razdoblje br.	matematika čekajući EqCFt	Vjerojatnost EqCF t< 0

Naknadno ubrzanje pada rezultirajućeg novčanog toka tvrtke dovodi do iznimno brzog, lavinskog porasta vjerojatnosti njegove negativne vrijednosti na 50% ili više. Ova značajka ukazuje na to da je tvrtka sposobna izgubiti financijsku stabilnost u prilično kratkom vremenskom razdoblju (u primjeru koji se razmatra - unutar tri četvrtine).

Sposobnost procjene dinamike novčanog toka i rizika od insolventnosti čini se iznimno važnom, jer pokazuje u kojem vremenskom razdoblju menadžeri poduzeća moraju razviti mjere za promjenu identificiranih negativnih trendova. U ovom primjeru ovo razdoblje iznosi pet kvartala.

Riža. 3.1. Dinamika promjena matematičkog očekivanja, minimalnog i maksimalnog EqCF pri analizi perspektive razvoja poduzeća.

Tablica 3.7. Rezultati utjecaja strategije na izglede razvoja poduzeća

Razdoblje br.	matematika čekajući EqCFt	Vjerojatnost EqCF t< 0	Minimum (M(EqCFt) 2 * lijevo σ)	Maksimalno (M(EqCF t) + 2 * desno σ)

Prilagodljivost modela, koja omogućuje modificiranje strukture novčanih tokova, omogućuje procjenu isplativosti različitih razvojnih strategija i njihov utjecaj na promjene u riziku insolventnosti poduzeća. To se može postići uključivanjem novčanih tokova iz novih investicijskih projekata i uzimanjem u obzir financijskih posljedica drugih odluka menadžmenta (primjerice, promjena strategije cijena) u razvojni model tvrtke.

Riža. 3.2. Dinamika promjena u EqCF-u tvrtke uzimajući u obzir izlazak novog proizvoda.

Kao primjer, razmotrimo rezultate autorove procjene investicijske strategije koja se razvija u poduzeću, a koja uključuje izdavanje novog visokoprofitabilnog proizvoda. Kao što se može vidjeti iz tablice 3.7 i slike 3.2, tijekom prvih šest razdoblja predviđalo se da će tvrtka imati konstantan pad novčanog toka prema vlasnicima (EqCF). Istodobno je vjerojatnost negativnog novčanog toka porasla na 12%, što odgovara kritičnoj razini rizika prema klasifikaciji koju tvrtka koristi. Kao što su rezultati modeliranja pokazali, puštanje nove vrste proizvoda povećat će novčani tok u dva razdoblja s 5 na 10 milijuna rubalja, smanjiti rizik od negativnog novčanog toka s 12 na 1%, a time i normalizirati financijski položaj tvrtke.

Dakle, korištenje modela predviđanja otvara široke mogućnosti tvrtkama za predviđanje dinamike novčanih tokova i njihove varijabilnosti, što omogućuje povećanje financijske stabilnosti poduzeća. Implementacija prognostičkog modela u obliku programskog paketa temeljenog na MS Excelu čini njegovu upotrebu dostupnom većini poduzeća kao učinkovitog alata za informacijsku potporu procesa strateškog upravljanja u fazama analize položaja poduzeća, komparativne procjene razvijenog razvoja strategije, donošenje investicijskih i financijskih odluka.

Neke druge primjene prognostičkog modela

Unatoč činjenici da su glavni ciljevi modela predviđanja procijeniti razvojne izglede poduzeća, isplativost razvijenih razvojnih strategija i rizik od insolventnosti (o čemu se detaljnije govori u prethodnom odjeljku), postoji niz drugih relevantni zadaci u kojima korištenje modela predviđanja može poboljšati učinkovitost strateškog upravljanja financijama.

Korištenje modela predviđanja za internu analizu

Kao što su pokazale posljedice globalne gospodarske krize, iznimno hitan zadatak za ruske tvrtke je procijeniti učinkovitost različitih shema kreditiranja. Model predviđanja omogućuje procjenu maksimalnog zaduženja poduzeća pri kojem rizik njegove nelikvidnosti neće prijeći granice prihvatljive za vlasnike poduzeća.

Model predviđanja omogućuje procjenu učinkovitosti sustava upravljanja rizicima tvrtke. Može se koristiti za procjenu različitih uvjeta osiguranja za ključne rizike poduzeća. U tu svrhu koriste se podaci o učestalosti pojavljivanja pojedinog rizika i vjerojatnosnoj distribuciji šteta povezanih s njim. Tijekom procesa modeliranja, kada se pojavi rizična situacija, šteta se odražava u obliku dodatnog odljeva novca. U sljedećoj fazi model uključuje novčane tokove povezane s isplatama osiguranja i isplatama u slučaju pojave rizika. Modelom se može izračunati ukupna šteta od sustava rizika i predvidjeti njihov zajednički utjecaj na promjene u riziku insolventnosti poduzeća.

Prilikom financijskog modeliranja razmatranih problema, menadžeri poduzeća imaju potpune interne informacije, tako da modeli novčanog tijeka koji se razvijaju mogu biti dosta detaljni i uzeti u obzir složene odnose između parametara.

Primjena prognostičkih modela u sklopu vanjske strateške analize

Istodobno, prognostički model može se koristiti i za eksternu stratešku analizu perspektiva i rizika razvoja poduzeća.

To je osobito relevantno pri provođenju strateške kontrole podružnica koje su dio strukture holdinga, financijskih i industrijskih grupa, državnih korporacija i drugih organizacijskih udruga. U te svrhe mogu se koristiti agregiraniji modeli koji odražavaju samo najznačajnije čimbenike u razvoju podružnica.

Osim toga, model vam omogućuje da uzmete u obzir izglede za razvoj ključnih partnera (na primjer, ključnih dobavljača i kupaca) tvrtke. Ova mogućnost faktor je povećanja stabilnosti poduzeća, posebice kod sklapanja dugoročnih ugovora, budući da bankrot jedne od ugovornih strana u nekim slučajevima nosi rizik prekida u proizvodnom procesu i može rezultirati značajnim financijskim poteškoćama.

Korištenje modela predviđanja također može poboljšati učinkovitost donošenja odluka o spajanjima i akvizicijama, jer omogućuje kvantificiranje nastalih sinergijskih učinaka i promjena u ukupnom riziku tvrtki koje sudjeluju u takvim transakcijama.

Primjena modela predviđanja u bankama i drugim financijskim institucijama

Analiza novčanog toka postaje sve važnija kada banke procjenjuju rizik nelikvidnosti potencijalnih zajmoprimaca pravnih osoba, posebice s obzirom na prednosti ove metode u odnosu na metode kreditne procjene temeljene na financijskim izvještajima (kao što je, primjerice, Altmanov kriterij). Predviđanje novčanih tokova pri formiranju profitabilnosti i rizika uravnoteženog kreditnog portfelja omogućuje procjenu veličine neočekivanih gubitaka na njemu (koji se, za razliku od očekivanih gubitaka, financiraju iz vlastitog kapitala banke). Potreba za probabilističkom analizom gubitaka kreditnog portfelja čini vrlo relevantnim korištenje simulacijskog modeliranja u tu svrhu, koje modelu za predviđanje razvoja poduzeća, uzimajući u obzir rizike, daje status korisnog dodatnog alata za kreditnu analizu. .

Korištenje modela predviđanja također može biti korisno u investicijskim društvima, budući da ti modeli omogućuju potpunije uzimanje u obzir dostupnih informacija i, prema tome, točniju procjenu razvojnih izgleda društava emitenata u usporedbi s korištenjem, na primjer, P/ E množitelj. Implementacija pristupa koji je predložio autor u okruženju proračunskih tablica značajno povećava brzinu donošenja odluka i prilagodljivost modela zbog jednostavnosti njihove prilagodbe kada se pojave novi čimbenici koji utječu na profitabilnost i rizike investicijskog portfelja.

Napominjemo da modeli predviđanja za potrebe kreditne i temeljne investicijske analize imaju značajne značajke vezane uz ograničene početne informacije, izbor horizonta planiranja i postupak izračuna rezultirajućeg novčanog toka s pozicije banaka i investicijskih društava. Kako bi se poboljšala točnost predviđanja, takvi modeli mogu aktivno koristiti industrijske prognoze.

Programu društveno-ekonomskog razvoja Rusije 2008-2016. Znanstveno izvješće. M.: Ekonomski institut RAS, 2008, str. 10-11 (prikaz, ostalo).

Stulz R. Neuspjesi upravljanja rizikom: što su i kada se događaju?//Radni dokument//SSRN, 2008. Listopad.

Khudokormov A.G. Glavni trendovi u najnovijoj ekonomskoj teoriji Zapada (znanstveni izvještaj). M.: Ekonomski institut RAS, 2008. str. 68-69.

Sholomitsky A.G. Teorija rizika. Izbor u uvjetima neizvjesnosti i modeliranje rizika. M.: Državno sveučilište-Viša ekonomska škola, 2005. Str. 317.

Colander D. Revolucija složenosti i budućnost ekonomije // Middlebury College Working Paper Series 0319 / Middlebury College, Department of Economics. 2003. str. 4.

Kleiner G.B. Strategija poduzeća. M.: Izdavačka kuća "Delo" ANKh, 2008. str. 174-175.

Stewart T.A. Intelektualni kapital. Novi izvor bogatstva za organizacije // M.: Generation, 2007. S. 93.

Sukladno klasifikaciji intelektualnog kapitala koju predlažu H. St. Onge i L. Edvisson, strukturni kapital uključuje baze podataka, računalne mreže, programe za potporu odlučivanju i druge komponente koje osiguravaju kodiranje znanja za njihovu daljnju upotrebu od strane zaposlenika poduzeća, kao i kao pravodoban pristup ovom znanju. Za više informacija pogledajte Stewart T.A. Intelektualni kapital. Novi izvor bogatstva za organizacije // M.: Generation, 2007. S. 93.

Scott M. Faktori troškova. Vodič za menadžere za prepoznavanje poluga stvaranja vrijednosti. M.: ZAO "Olymp-Business", 2005. Str. 243.

Siegel E.F. Praktična poslovna statistika. M.: Izdavačka kuća Williams, 2008. Str. 37.

Orlov A.I. Ekonometrija / Udžbenik. M.: Ispit, 2002.

Kao što je izračun Pearsonovog i Kolmogorovog kriterija dobrog pristajanja pokazao, vjerojatnost da je razlika između ove empirijske distribucije i normalne objašnjena slučajnim faktorima manja je od 0,001.

Terentjev N. Analiza osjetljivosti investicijskog projekta u uvjetima nelinearnosti i multifaktorijalnosti // Ulaganja u Rusiji. 2007. br. 4. str. 37.

Vidi, na primjer, Van Horne J.C., Wachowicz J.M. (Jr.). Osnove financijskog menadžmenta. 11. izd. M.: ID Williams, 2004. str. 454-455.

Kugaenko A.A. Osnove teorije i prakse dinamičkog modeliranja društveno-ekonomskih objekata i predviđanja njihova razvoja. Monografija. 2. izd. M.: Sveučilišna knjiga, 2005. S. 21.

Za više detalja, pogledajte, na primjer: Collis Montgomery S.A. Korporativna strategija. Resursni pristup. M.: ZAO "Olymp-Business", 2007. str. 25-28.

Preostala sadašnja vrijednost portfelja odnosi se na preostali iznos očekivanih neto novčanih tokova od projekata uključenih u portfelj. Za više informacija o rezidualnoj sadašnjoj vrijednosti projekta, pogledajte Valdaitsev S.V. Procjena poslovanja: udžbenik. džeparac. 2. izd. M.: TK Welby, Izdavačka kuća Prospekt, 2004. Str. 34.

Za više detalja, vidi Terentyev N.E. Multi-trend model za predviđanje razvoja poduzeća uzimajući u obzir rizike // Financije i poslovanje. 2008. br. 3. str. 78-92.

Sinkey J. Financijski menadžment u komercijalnom bankarstvu i industriji financijskih usluga / Trans. s engleskog M.: Alpina Business Books, 2007. Str. 477.

Za više detalja, vidi Terentyev N.E. Učinkovitost upravljanja kreditnim rizikom kao temelj dugoročne konkurentnosti poslovne banke // Suvremena konkurencija. 2008. br. 6. str. 81-91.

• Tutorial

Bavim se predviđanjem vremenskih serija više od 5 godina. Prošle godine sam obranio diplomski rad na temu “ Model predviđanja vremenskih serija korištenjem uzorkovanja s maksimalnom sličnošću“Međutim, nakon obrane ostalo je još dosta pitanja. Evo jednog od njih - opća klasifikacija metoda i modela predviđanja.

Uobičajeno, kako u domaćim tako iu radovima na engleskom jeziku, autori ne postavljaju pitanje klasifikacije metoda i modela predviđanja, već ih jednostavno navode. Ali čini mi se da je danas to područje toliko naraslo i proširilo se da je, makar i najopćenitije, klasifikacija nužna. Ispod je moja verzija opće klasifikacije.

Koja je razlika između metode predviđanja i modela predviđanja?

Metoda predviđanja predstavlja slijed radnji koje je potrebno izvršiti da bi se dobio prognostički model. Po analogiji s kuhanjem, metoda je slijed radnji prema kojima se jelo priprema - odnosno, pravi se prognoza.

Model predviđanja postoji funkcionalni prikaz koji adekvatno opisuje proučavani proces i temelj je za dobivanje njegovih budućih vrijednosti. U istoj kulinarskoj analogiji, model ima popis sastojaka i njihovih omjera potrebnih za naše jelo - prognozu.

Kombinacija metode i modela čini cjelovit recept!

Trenutno je uobičajeno koristiti engleske kratice za nazive i modela i metoda. Na primjer, postoji poznati model predviđanja autoregresijskog integriranog pomičnog prosjeka koji uzima u obzir vanjski čimbenik (prošireni auto regresijski integrirani pomični prosjek, ARIMAX). Ovaj model i njegova odgovarajuća metoda obično se nazivaju ARIMAX, a ponekad i Box-Jenkinsov model (metoda) prema autorima.

Prvo ćemo klasificirati metode

Ako pažljivo pogledate, brzo postaje jasno da koncept " metoda predviđanja"puno je širi od pojma" model predviđanja" U tom smislu, u prvoj fazi klasifikacije, metode se obično dijele u dvije skupine: intuitivne i formalizirane.

Ako se sjetimo naše kulinarske analogije, onda se svi recepti mogu podijeliti na formalizirane, odnosno zapisane po količini sastojaka i načinu pripreme, i intuitivne, odnosno nigdje zapisane i dobivene iz iskustva kuhara. Kada ne koristimo recept? Kada je jelo vrlo jednostavno: pržite krumpir ili skuhajte knedle, recept nije potreban. Kada još ne koristimo recept? Kada želimo izmisliti nešto novo!

Intuitivne metode predviđanja nositi se s prosudbama i ocjenama stručnjaka. Danas se često koriste u marketingu, ekonomiji i politici, budući da je sustav čije ponašanje treba predvidjeti ili vrlo složen i ne može se matematički opisati ili je vrlo jednostavan i ne treba takav opis. Pojedinosti o ovim vrstama metoda mogu se pronaći u.

Formalizirane metode— metode predviđanja opisane u literaturi, na temelju kojih se grade modeli predviđanja, odnosno utvrđuje matematički odnos koji omogućuje izračunavanje buduće vrijednosti procesa, odnosno izradu prognoze.

Po mom mišljenju, ovdje se može završiti opća klasifikacija metoda predviđanja.

Zatim ćemo napraviti opću klasifikaciju modela

Ovdje je potrebno prijeći na klasifikaciju prognostičkih modela. U prvoj fazi modele treba podijeliti u dvije skupine: modele domene i modele vremenskih serija.

Modeli domena- takvi matematički modeli predviđanja, za čiju se konstrukciju koriste zakonitosti predmetnog područja. Na primjer, model koji se koristi za izradu vremenske prognoze sadrži jednadžbe dinamike fluida i termodinamike. Prognoza razvoja populacije izrađuje se pomoću modela izgrađenog na diferencijalnoj jednadžbi. Predviđanje razine šećera u krvi osobe s dijabetesom izrađuje se na temelju sustava diferencijalnih jednadžbi. Ukratko, takvi modeli koriste ovisnosti specifične za određeno predmetno područje. Ovu vrstu modela karakterizira individualni pristup razvoju.

Modeli vremenskih serija— matematički modeli predviđanja koji nastoje pronaći ovisnost buduće vrijednosti o prošlosti unutar samog procesa i izračunati prognozu temeljenu na toj ovisnosti. Ovi modeli su univerzalni za različita tematska područja, odnosno njihov opći izgled ne mijenja se ovisno o prirodi vremenske serije. Možemo koristiti neuronske mreže za predviđanje temperature zraka, a zatim koristiti sličan model na neuronskim mrežama za predviđanje burzovnih indeksa. To su generalizirani modeli, poput kipuće vode, u koju ako bacite proizvod, on će se kuhati, bez obzira na njegovu prirodu.

Klasificiranje modela vremenskih serija

Čini mi se da nije moguće napraviti opću klasifikaciju domenskih modela: koliko ima domena, toliko i modela! Međutim, modeli vremenskih nizova lako su podložni jednostavnom dijeljenju. Modeli vremenskih serija mogu se podijeliti u dvije skupine: statističke i strukturne.

U statistički modeli ovisnost buduće vrijednosti o prošlosti dana je u obliku neke jednadžbe. To uključuje:

1. regresijski modeli (linearna regresija, nelinearna regresija);
2. autoregresivni modeli (ARIMAX, GARCH, ARDLM);
3. model eksponencijalnog izglađivanja;
4. model uzorkovanja s maksimalnom sličnošću;
5. itd.

U strukturni modeli Ovisnost buduće vrijednosti o prošlosti određena je u obliku određene strukture i pravila za prijelaz duž nje. To uključuje:

1. modeli neuronskih mreža;
2. modeli temeljeni na Markovljevim lancima;
3. modeli temeljeni na klasifikacijskim i regresijskim stablima;
4. itd.

Za obje skupine naznačio sam glavne, odnosno najčešće i detaljnije modele predviđanja. Međutim, danas već postoji ogroman broj modela predviđanja vremenskih serija, a za izradu prognoza počeli su se koristiti npr. modeli SVM (support vector machine), GA (genetic algorithm) modeli i mnogi drugi.

Opća klasifikacija

Tako smo dobili sljedeće klasifikacija modela i metoda predviđanja.

1. Tihonov E.E. Predviđanje u tržišnim uvjetima. Nevinnomyssk, 2006. 221 str.
2. Armstrong J.S. Predviđanje za marketing // Kvantitativne metode u marketingu. London: International Thompson Business Press, 1999. str. 92 – 119.
3. Jingfei Yang mr. sc. Kratkoročno predviđanje opterećenja elektroenergetskog sustava: doktorski rad. Njemačka, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 str.

UPD. 15.11.2016.
Gospodo, došlo je do ludila! Nedavno mi je poslan članak na recenziju za publikaciju VAK s poveznicom na ovaj unos. Napominjemo da niti u diplomama, niti u člancima, a još manje u disertacijama Ne možete se povezati s blogom! Ako želite link, koristite ovaj: Chuchueva I.A. MODEL PROGNOZIRANJA VREMENSKIH SERIJA UZORKOM NAJVEĆE SLIČNOSTI, disertacija... dr. sc. oni. Znanosti / Moskovsko državno tehničko sveučilište nazvano po. N.E. Bauman. Moskva, 2012.

Oznake: Dodajte oznake