Počítačová technika a prognóza

Potreba prognózovania je objektívna. Budúcnosť mnohých fenoménov je neznáma, no je veľmi dôležitá pre rozhodnutia, ktoré sa v súčasnosti robia.

Potreba prognózovania je objektívna. Budúcnosť mnohých fenoménov je neznáma, no je veľmi dôležitá pre rozhodnutia, ktoré sa v súčasnosti robia. Medzi procesy, ktoré si naliehavo vyžadujú použitie prognostických postupov, patrí ekonomická činnosť. Všetky fázy prognózovania, vrátane jeho organizácie, poskytovania a interpretácie výsledkov, však nie sú ani zďaleka triviálne. A IT môže veľmi pomôcť.

Prognóza: úspechy a neúspechy

K dnešnému dňu sa uskutočnilo množstvo výskumov a získali sa pôsobivé praktické riešenia problému prognózovania vo vede, technike, ekonómii, demografii a iných oblastiach. Pozornosť na tento problém je okrem iného spôsobená rozsahom modernej ekonomiky, potrebami výroby, dynamikou rozvoja spoločnosti, potrebou zlepšiť plánovanie na všetkých úrovniach riadenia, ako aj nahromadenými skúsenosťami. Prognózovanie je jedným z rozhodujúcich prvkov efektívneho riadenia jednotlivých podnikateľských subjektov a ekonomických spoločenstiev vzhľadom na to, že kvalita prijímaných rozhodnutí je do značnej miery determinovaná kvalitou predpovedania ich dôsledkov. Preto by dnes rozhodnutia mali byť založené na spoľahlivých odhadoch možného vývoja skúmaných javov a udalostí v budúcnosti.

Zlepšenie prognózovania mnohými odborníkmi sa prejavuje vo vývoji vhodných informačných technológií. Potreba ich použitia je spôsobená niekoľkými dôvodmi, vrátane:

rast objemu informácií;
zložitosť algoritmov na výpočet a interpretáciu výsledkov;
vysoké požiadavky na kvalitu predpovedí;
potreba využívať výsledky prognózovania na riešenie problémov plánovania a kontroly.

Z času na čas sa objavia informácie o pozitívnych výsledkoch, ktoré konkrétna spoločnosť dosiahla. Množstvo publikácií poznamenáva, že úspešné hodnotenie trendov v situácii na trhu, dopyte po tovare alebo službách, ako aj iných ekonomických procesov a charakteristík vám umožňuje dosiahnuť výrazné zvýšenie ziskov, zlepšiť ďalšie ekonomické ukazovatele. Mechanizmus úspechu je na prvý pohľad jednoduchý a jasný: za predpokladu, čo sa stane v budúcnosti, možno včas prijať účinné opatrenia s využitím pozitívnych trendov a kompenzáciou negatívnych procesov a javov.

Nájdu sa však aj negatívne príklady. Ako už skôr poznamenal magazín CIO, Cisco, kedysi vychvaľované ako symbol novej ekonomiky, nielenže nedokázalo predvídať hospodársky pokles v roku 2001, ale bolo ešte horšie ako ostatné, pretože považovalo svoj softvér a metodologické predpovedanie dopytu za dokonalé. Vedenie spoločnosti nepredpokladalo, že jednou z príčin jej krízy môžu byť používané prognostické metódy a technológie. V dôsledku analytickej chyby bol odpísaný tovar v hodnote 2,2 miliardy USD, približne 20 % zamestnancov bolo prepustených a akcie spoločnosti klesli takmer šesťkrát. Príčina krízy Cisco teda nespočíva v omeškaniach pri získavaní alebo nedostatočnom množstve prvotných informácií potrebných pre prácu analytikov spoločnosti. Ťažkosti vznikli, samozrejme, v dôsledku metodických chýb a nedostatočného hodnotenia prijatých prognóz. Dá sa predpokladať, že model používaný spoločnosťou Cisco neposkytoval potrebnú mieru prispôsobenia odhadov prognóz aktuálnej zmene situácie na trhu.

Zabezpečenie kvality predpovedí

Presnosť, spoľahlivosť a efektívnosť, ako aj ďalšie zložky kvality prognóz, však zabezpečuje množstvo faktorov, medzi ktorými je potrebné vyzdvihnúť:

softvér založený na ekonomických a matematických modeloch adekvátnych realite, n úplnosť pokrytia a spoľahlivosť zdrojov prvotných informácií, na ktorých je založená práca prognostických algoritmov;
Efektívnosť spracovania interných a externých informácií;
schopnosť kriticky analyzovať odhady prognóz;
včasnosť vykonania potrebných zmien v metodickej a informačnej podpore prognózovania.

Špeciálny softvér je založený na starostlivo vybraných modeloch, metódach a technikách. Ich implementácia je mimoriadne dôležitá pre získanie kvalitných prognóz pri riešení problémov súčasného a strategického plánovania. Analýza súčasného stavu ukazuje, že ťažkosti pri zavádzaní IT, ktoré zabezpečujú prognózovanie ekonomických procesov, nie sú len technického či metodického, ale aj organizačného a psychologického charakteru. Spotrebitelia výsledkov niekedy nerozumejú princípom použitých modelov, ich formalizácii a objektívne existujúcim obmedzeniam. To spravidla vyvoláva nedôveru k dosiahnutým výsledkom. Ďalšia skupina implementačných problémov súvisí s tým, že prediktívne modely sú často uzavreté, autonómne, a preto je ich zovšeobecnenie za účelom vývoja a vzájomného prispôsobovania náročné. Kompromisné riešenie sa preto môže ukázať ako postupný prístup s pridelením hlavných analytických úloh.

Prakticky však neexistujú hotové replikované alebo podnikové riešenia, ktoré by poskytovali prognózovanie pre malé a stredné ekonomické subjekty na systémovej úrovni s vysokou kvalitou a dostupnými cenami. V súčasnosti sa automatizované systémy riadenia podniku obmedzujú najmä na základné úlohy účtovníctva a kontroly. Dôvodom tohto stavu je, že pred nástupom moderných IT neexistovali široké možnosti využitia efektívnych ekonomických a matematických modelov priamo v procese ekonomickej činnosti. Okrem toho používanie existujúcich prognostických modelov na analytické účely nekladie také vysoké požiadavky na ich informačnú podporu.

Základy prognostických technológií

Pri budovaní prediktívneho systému od nuly je potrebné vyriešiť množstvo organizačných a metodických problémov. Medzi prvé patria:

školenie používateľov v metódach analýzy a interpretácie výsledkov prognóz;
určenie smerov pohybu prediktívnych informácií v rámci podniku, na úrovni jeho divízií a jednotlivých zamestnancov, ako aj štruktúry komunikácie s obchodnými partnermi a úradmi;
určenie načasovania a frekvencie prognostických postupov;
vypracovanie zásad prepojenia prognózy s dlhodobým plánovaním a postup výberu možností pre dosiahnuté výsledky pri zostavovaní plánu rozvoja podniku.

Metodologické problémy budovania prognostického subsystému sú:

vývoj vnútornej štruktúry a mechanizmu jej fungovania;
organizovanie informačnej podpory;
vývoj matematického softvéru.

Prvý problém je najťažší, pretože na jeho vyriešenie je potrebné vybudovať súbor prognostických modelov, ktorých náplňou je systém vzájomne prepojených ukazovateľov. Problém systematizácie a hodnotenia prognostických metód je tu jedným z ústredných, pretože na výber konkrétnej metódy je potrebné vykonať ich komparatívnu analýzu. Variant klasifikácie metód prognózovania, berúc do úvahy osobitosti znalostného systému, ktorý je základom každej skupiny, možno zhrnúť takto: metódy expertného hodnotenia; metódy logického modelovania; matematické metódy.

Každá skupina je vhodná na riešenie určitého okruhu úloh. Prax preto kladie na používané metódy tieto požiadavky: musia byť zamerané na konkrétny prognostický objekt, musia byť založené na kvantitatívnom meradle primeranosti a musia byť diferencované z hľadiska presnosti odhadov a horizontu prognózy.

Hlavné úlohy, ktoré vznikajú v procese vytvárania prediktívneho systému, sú rozdelené na:

budovanie systému predvídateľných procesov a ukazovateľov;
Vývoj prístrojov na ekonomickú a matematickú analýzu predpovedaných procesov a ukazovateľov;
konkretizácia spôsobu expertných hodnotení, výber indikátorov na skúmanie a získanie odborných hodnotení niektorých predikovaných procesov a indikátorov;
predpovedanie ukazovateľov a procesov s uvedením intervalov spoľahlivosti a presnosti;
vývoj metód na interpretáciu a analýzu získaných výsledkov.

Osobitnú pozornosť si zasluhuje práca na informačnej a matematickej podpore prognostického systému. Proces vytvárania softvéru možno znázorniť ako nasledujúce kroky:

vývoj metódy na štrukturálnu identifikáciu objektu prognózovania;
vývoj metód pre parametrickú identifikáciu prognostického objektu;
vývoj metód na predpovedanie trendov;
vývoj metód na predpovedanie harmonických zložiek procesov;
vývoj metód hodnotenia charakteristík náhodných zložiek procesov;
vytváranie komplexných modelov predikcie ukazovateľov, ktoré tvoria vzájomne prepojený systém.

Vytvorenie prognostického systému si vyžaduje integrovaný prístup k riešeniu problému jeho informačnej podpory, ktorý sa zvyčajne chápe ako súbor počiatočných údajov slúžiacich na získanie prognóz, ako aj metód, metód a nástrojov, ktoré zabezpečujú zber, akumuláciu, uchovávanie , vyhľadávanie a prenos dát v procese fungovania prognostického systému a jeho interakcie s inými systémami riadenia podniku.

Informačná podpora systému zvyčajne zahŕňa:

Informačný fond (databáza);

Zdroje tvorby informačného fondu, toky a spôsoby prijímania údajov;

Metódy zhromažďovania, uchovávania, aktualizácie a vyhľadávania údajov, ktoré tvoria informačný fond;

Metódy, princípy a pravidlá obehu údajov v systéme;

Metódy zabezpečenia spoľahlivosti údajov vo všetkých fázach ich zberu a spracovania;

Metódy analýzy a syntézy informácií;

Metódy pre jednoznačný formalizovaný popis ekonomických údajov.

Na implementáciu procesu prognózovania sú teda potrebné tieto hlavné komponenty:

Zdroje interných informácií, ktoré sú založené na manažérskych a účtovných systémoch;

Zdroje externých informácií;

Špecializovaný softvér, ktorý implementuje prognostické algoritmy a analýzu výsledkov.

Okrem týchto komponentov by sa mali používať vhodné technológie na uchovávanie, výmenu a prezentáciu informácií.

Potvrdenie kvality prognózy

Vzhľadom na dôležitosť riešenia problému prognózovania pre účastníkov trhu je vhodné skontrolovať kvalitu navrhovaných metód a algoritmov, ako aj technológií vo všeobecnosti, pomocou špeciálne vybraných (testovacích) počiatočných údajov. Podobný spôsob overovania sa už dlhší čas používa pri posudzovaní primeranosti matematických nástrojov určených na nelineárnu optimalizáciu, napríklad pomocou funkcií Rosenbrock a Powell.

Potvrdenie (alebo overenie) kvality a výkonu prognostickej technológie sa zvyčajne vykonáva porovnaním a priori známych údajov modelu s ich predpokladanými hodnotami a vyhodnotením štatistických charakteristík presnosti predpovedí. Uvažujme o tomto triku v situácii, keď modely procesov sú aditívnym súborom trendu Tt, sezónnych (harmonických) a náhodných komponentov.

Na obr. 1, ako ilustrácia trendu aditívneho modelu, je prezentovaný parabolický trend druhého rádu, na obr. 2 - sezónna zložka procesu s obdobím 12 mesiacov a na obr. 3 - náhodná zložka. Porovnanie skutočnej realizácie procesu s jeho prognózou, realizované v rámci metodiky krátkodobého prognózovania, je na obr. 4. Absolútne chyby sú znázornené na obr. 5. Kvalita technológie sa hodnotí podľa štatistických charakteristík chýb v odhadoch prognóz.

Prax a perspektívy rozvoja prognózovania v replikovaných a podnikových systémoch

V súčasnosti sa rozšírila široká škála softvérových nástrojov, ktoré v tej či onej miere poskytujú zber a analytické spracovanie informácií. Niektoré z nich, ako napríklad MS Excel, sú vybavené vstavanými štatistickými funkciami a programovacími nástrojmi. Iné, najmä lacné účtovnícke a manažérske účtovné programy, takéto schopnosti nemajú alebo v nich nie sú dostatočne a niekedy nesprávne implementované analytické schopnosti. To je však, žiaľ, súčasťou niektorých výkonnejších a multifunkčnejších systémov riadenia podniku, čo bolo potvrdené na minulých výstavách „Apteka 2001“ (november – december 2001) a „Účtovníctvo a audit 2002“ (január 2002). Túto situáciu zrejme vysvetľuje plytká analýza zo strany vývojárov vlastností prognostických algoritmov, ktoré si zvolili, a ich nekritickej aplikácie. Napríklad, súdiac podľa dostupných zdrojov, exponenciálne vyhladzovanie nultého rádu sa často používa ako základ pre prediktívne algoritmy. Tento prístup je však platný len vtedy, ak v skúmanom procese neexistuje žiadny trend. V skutočnosti sú ekonomické procesy nestacionárne a prognózovanie zahŕňa použitie zložitejších modelov ako modely s konštantným trendom.

Je zaujímavé sledovať cestu vývoja domácich automatizovaných bankových systémov z pohľadu skúmanej témy. Prvé bankové systémy boli založené na rigidnej technológii, ktorá si neustále vyžadovala zmeny alebo dodatočný softvér. To podnietilo vývojárov finančného softvéru, ktorí dodržiavali princípy otvorenosti, škálovateľnosti a flexibility, aby používali priemyselné DBMS. Tieto DBMS sa však samy o sebe ukázali ako nevhodné na riešenie analytických problémov na vysokej úrovni, medzi ktoré patrí problém prognózovania. K tomu bolo potrebné využiť ďalšie technológie na ukladanie dát a operatívne analytické spracovanie, ktoré zabezpečovali fungovanie systémov na podporu rozhodovania pre finančné a úverové inštitúcie a na tvorbu prognóz. Rovnaký prístup sa používa v zložitých podnikových riadiacich systémoch.

Ďalším smerom moderného aplikovaného využitia prognostických metód na báze IT je riešenie širokého spektra marketingových úloh. Ilustráciou je softvér SAS Churn Management Solution for Telecommunications. Je určený pre telekomunikačných operátorov a umožňuje, ako tvrdia jeho vývojári, zostavovať prediktívne modely a pomocou nich posudzovať pravdepodobnosť odlivu určitých kategórií zákazníkov. Základom tohto softvéru je distribuovaný databázový server Scalable Performance Data Server, nástroje na budovanie a správu dátových skladov a dátových trhov, sada nástrojov na dolovanie údajov Enterprise Miner, systém na podporu rozhodovania SAS / MDDB Server, ako aj pomocné nástroje. Na zabezpečenie konkurencieschopnosti nových CRM systémov v zozname ich pokročilých funkcií, ako aj pre automatizované bankové systémy, sú zahrnuté reportovacie funkcie, ktoré využívajú technológie OLAP a umožňujú do určitej miery predpovedať výsledky marketingu, predaja a zákaznícky servis.

Špecializovaných softvérových produktov, ktoré poskytujú štatistické spracovanie číselných údajov vrátane jednotlivých prvkov prognózovania, je pomerne veľa. Medzi tieto produkty patria SPSS, Statistica atď. Tieto nástroje majú výhody aj nevýhody, ktoré výrazne obmedzujú rozsah ich praktického použitia. Tu treba poznamenať, že posúdenie vhodnosti špecializovaných matematických a štatistických softvérových nástrojov na riešenie prognostických problémov bežnými používateľmi, ktorí nemajú špeciálne vzdelanie, si vyžaduje samostatnú serióznu štúdiu a diskusiu.

Riešenie prognostických problémov pre spotrebiteľov z radov malých a stredných podnikov pomocou výkonných a drahých informačných systémov a technológií je však prakticky nemožné, predovšetkým z finančných dôvodov. Veľmi sľubným smerom je preto rozvoj analytických schopností existujúcich a rozšírených nízkonákladových účtovných a manažérskych účtovných systémov. Vyvinuté dodatočné reporty založené na špecifických obchodných procesoch a obsahujúce potrebné analytické informácie pre konkrétneho užívateľa majú vysoký pomer „efektívnosť – náklady“.

Niektorí vývojári softvéru vytvárajú celé rady analytických nástrojov. Napríklad Parus Corporation ponúka riešenia Parus-Analytics a Triumph-Analytics pre široký okruh používateľov z radov malých a stredných podnikov. Zložitejšie úlohy analytického spracovania predpovedných informácií sú integrované do systému Parus vo forme tzv. situačného centra. Podľa Dmitrija Sudareva, manažéra pre vývoj obehových riešení, sa v roku 1997 rozhodlo vyvinúť a implementovať softvérové produkty, ktoré umožňujú prejsť od jednoduchého účtovania faktov v činnostiach podniku k informačnej analýze. Zároveň sa plánoval prechod od automatizácie práce účtovníkov a stredných manažérov na spracovanie informácií pre vrcholový manažment. Berúc do úvahy možný okruh spotrebiteľov, Parus-Analytics a Triumph-Analytics nekladú špeciálne požiadavky na softvérové a hardvérové prostredie, avšak riešenie Triumph-Analytics je implementované na báze MS SQL Server, ktorý mu poskytuje vyššiu príležitosti na predpovedanie skúmaných procesov, zohľadňuje sa najmä harmonická zložka prognóz.

Hodnota prognózy sa mnohonásobne zvyšuje, keď sa priamo využíva pri riadení podniku. Preto je dôležitým smerom integrácia prognostických systémov so systémami ako Kasatka, MS Project Expert a pod. strategické plánovanie. Takýto účel predurčuje potrebu identifikovať dlhodobé trendy a zohľadňovať ich pri plánovaní. Horizont prognózovania sa určuje na základe relevantných cieľov organizácie.

Záver

Výber predpovednej technológie a prostriedkov jej implementácie by sa mal vykonávať v súlade s cieľmi a zámermi konkrétneho spotrebiteľa, zohľadňovať úroveň informačnej podpory, kvalifikáciu používateľov a množstvo ďalších faktorov. Tieto dôvody vyžadujú individuálny vývoj alebo prispôsobenie predtým vytvoreného špeciálneho softvéru.

Literatúra

Bautov A. N. Poznámky k článku S. A. Koshechkina „Algoritmus predpovedania predaja v MS Excel“, Marketing v Rusku a zahraničí, 2002. č. 2.
Berinato S. Čo sa stalo Cisco? .
Box J., Jenkins G. Analýza časových radov. Prognóza a manažment. M.: Mir, 1974. Borovikov V. P., Ivchenko G. I. Prognózovanie v systéme Statistica v prostredí Windows. M.: Financie a štatistika. 2000.
Ivanov P. Elementárna kontrola . Computerwold Rusko. 2001. Číslo 18. Kildishev G.S., Frenkel A.A. Analýza časových radov a prognóz. M.: Štatistika, 1973.
Rayackas RL Systém plánovacích a prognostických modelov. M.: Ekonomika, 1976.
Redkozubov S. A. Metódy štatistického predpovedania v automatizovaných riadiacich systémoch. Moskva: Energoizdat, 1981.
Tarasov I.V. Ste si istý, že predávate CRM? Riaditeľ informačnej služby. 2001. č. 5-6 .
Shestopalova N.V. bankové prvky . PC svet. 1998. Číslo 5 .

Slovník pojmov

Predpovedanie(v ekonomickom plánovaní) - vedecká a analytická fáza procesu ekonomického plánovania. Hlavnými úlohami prognózovania vo vývoji hospodárskych plánov sú: vedecký rozbor spoločenských, ekonomických a vedecko-technických procesov a trendov, objektívne vzťahy sociálno-ekonomických javov v konkrétnych podmienkach, hodnotenie súčasného stavu a identifikácia kľúčových problémov ekonomického vývoja. rozvoj; hodnotenie vývoja týchto trendov v budúcnosti a predvídanie nových ekonomických situácií, nových problémov, ktoré je potrebné riešiť; identifikácia možných alternatív rozvoja pre rozumný výber jednej alebo druhej príležitosti a prijatie najlepšieho rozhodnutia.

Ovládanie automatizácie- používanie metód a techník automatického spracovania informácií riadiacimi orgánmi podniku, vrátane rozvoja optimálnych ekonomických rozhodnutí. Automatizácia riadenia je spojená so zavádzaním ekonomických a matematických metód a IT.

Informačná podpora systému- súbor metód a prostriedkov na výber, triedenie, ukladanie, vyhľadávanie, aktualizáciu a spracovanie informácií v systéme. Informačná podpora zahŕňa: skladbu informácií (zoznam informačných jednotiek alebo agregátov); štruktúra informácie a vzorce jej premeny; charakteristiky pohybu informácií; charakteristiky kvality informácií; spôsoby spracovania informácií. Informačnú podporu možno charakterizovať z funkčného, štrukturálneho, transformačného a organizačného a metodologického hľadiska. Predmetom transformačného aspektu je transformácia jazyka ekonomického riadenia podľa úrovní a stupňov informačného napredovania v systéme.

Lag lag- časový interval medzi okamihom výskytu reakcie (účinku) systému na akciu, ktorá sa naň vzťahuje, a okamihom jeho aplikácie. V sociálno-ekonomických systémoch zohrávajú hodnoty oneskorenia významnú úlohu pri plánovaní a riadení. Dôležité sú najmä oneskorenia návratnosti investícií.

trend(deterministický základ predpovedaného procesu) - všeobecný, hlavný trend zmeny dynamického radu (procesu) počas dostatočne dlhého obdobia jeho pozorovania. Všeobecne sa uznáva, že trend je určený pôsobením trvalých faktorov.

Harmonická zložka predpovedaného procesu- zložka, ktorej pôsobenie určujú faktory periodickej povahy. Osobitným prípadom je sezónna zložka, ktorá je daná najmä klimatickými podmienkami a spoločenskými tradíciami.

Náhodná zložka predpovedaného procesu- odchýlky skutočných hodnôt procesu od predpovedaných, ktorých príčiny neboli stanovené a nemožno ich identifikovať v rámci prijatého modelu.

Ekonomické a matematické metódy- podmienený názov komplexu vedných a aplikovaných disciplín na priesečníku ekonómie a matematiky. Zahŕňajú tieto skupiny odborov: ekonomické a štatistické metódy; ekonometria; výskum operácií v hospodárstve; ekonomická kybernetika.

Odborné posudky- hodnotenie procesov alebo javov, ktoré nemožno priamo merať. Odborné hodnotenia zohrávajú významnú úlohu pri rozhodovaní, vrátane predpovedania alternatív a ich dôsledkov.

Heuristická metóda predpovedania- využitie názoru odborníkov v danej oblasti; sa používa na predpovedanie procesov, ktoré nie je možné formalizovať v čase prognózovania. Je synonymom metódy peer review.

Metódy matematického predpovedania podmienečne rozdelené na metódy modelovania vývojových procesov a metódy extrapolácie. Sú založené na matematických nástrojoch.

Metódy logického predpovedania a analýzy spojené predovšetkým s analýzou konzistentnosti priebehu a výsledkov prognózovania. Slúži ako spätná väzba v prediktívnom systéme. Metódy logickej analýzy navyše umožňujú riešiť samostatné problémy, napríklad vytváranie morfologických modelov, ktoré sa neskôr používajú ako základ formalizovaných (matematických) prognostických modelov.

Kombinované metódy prognózovania- spoločné využívanie metód heuristického a matematického predpovedania s cieľom spojiť ich prirodzené výhody a kompenzovať nedostatky.

Intervalová predpoveď- rozsah hodnôt, do ktorých bude s danou pravdepodobnosťou pri známych procesných parametroch spadať predpokladaná hodnota.

Kritériá kvality prognózy- hlavným kritériom kvality je presnosť prognózy. Okrem toho môžu byť použité kritériá pre rýchlosť, spoľahlivosť atď.

Chyby predpovede- rozdiel medzi aktuálnym pozorovaním predpovedaného objektu a očakávanou hodnotou. Chyby v predpovediach sú spôsobené rôznymi dôvodmi: neistota budúcej situácie; zmeny v samotnom objekte prognózy; vplyv novovznikajúcich faktorov atď.

Predpoveď- úsudok o budúcom stave predmetu, ktorý je väčšinou subjektívny.

Predikčný objektový model- využitie fenoménu izomorfizmu (analógia) na popis reálneho predpovedného objektu pomocou matematických vzťahov a logických záverov (v zriedkavejších prípadoch sa používajú fyzikálne modely). Model je určitým druhom abstrakcie od reality, berie do úvahy iba tie charakteristiky originálu, ktoré sú zaujímavé alebo majú významný vplyv na jeho vývoj. Obtiažnosť výberu modelu predpovedného objektu je určená množstvom faktorov: informáciami o procesoch alebo objektoch podobných tým, ktoré sa predpovedajú; presnosť informácií o danom procese (objekte); množstvo týchto informácií. V súčasnosti existuje veľa klasifikácií prognostických modelov.

Prediktívny systém- súbor metód, metód a prostriedkov zberu prvotných údajov, spracovania informácií a prezentácie prognóz v požadovanej kvalite.

Zdroje

Matematika a kybernetika v ekonómii. Odkaz na slovník. 2. vyd. , revidované a dodatočné M.: Ekonomika, 1975.
Chuev Yu.V., Michailov Yu.B., Kuzmin VI Predpovedanie kvantitatívnych charakteristík procesov. M.: Sovietsky rozhlas, 1975.
Kildishev G.S., Frenkel A.A. Analýza časových radov a prognóz. M.: Štatistika, 1973.

tutoriál

Predpovedaniu časových radov sa venujem viac ako 5 rokov. Minulý rok som obhájil dizertačnú prácu na tému „ Model predpovedí časových radov zo vzorky maximálnej podobnosti“, po obhajobe však ostalo dosť otáznikov. Tu je jeden z nich - všeobecná klasifikácia prognostických metód a modelov.

Väčšinou si v dielach domácich aj anglicky hovoriacich autorov otázku klasifikácie prognostických metód a modelov nekladú, ale jednoducho ich vymenúvajú. Ale zdá sa mi, že dnes sa táto oblasť natoľko rozrástla a rozšírila, že aj tá najvšeobecnejšia, no klasifikácia je nevyhnutná. Nižšie je moja vlastná verzia všeobecnej klasifikácie.

Aký je rozdiel medzi metódou prognózy a modelom?

Predikčná metóda predstavuje postupnosť akcií, ktoré je potrebné vykonať na získanie prognostického modelu. Analogicky s varením je metóda postupnosťou akcií, podľa ktorých sa jedlo pripravuje - to znamená, že sa robí predpoveď.

Predikčný model je funkčná reprezentácia, ktorá adekvátne popisuje skúmaný proces a je základom pre získanie jeho budúcich hodnôt. V rovnakej kulinárskej analógii má model zoznam zložiek a ich pomer, ktorý je potrebný pre naše jedlo - predpoveď.

Kombinácia metódy a modelu tvorí kompletný recept!

Teraz je zvykom používať anglické skratky pre názvy modelov aj metód. Napríklad existuje známy model predpovedí ARIMAX (autoregresný integrovaný kĺzavý priemer). Tento model a jemu zodpovedajúca metóda sa zvyčajne nazývajú ARIMAX a niekedy aj Box-Jenkinsov model (metóda) podľa autorov.

Najprv klasifikujeme metódy

Ak sa pozriete pozorne, rýchlo vám bude jasné, že pojem „ prognostická metóda"oveľa širší pojem" prediktívny model". V tomto ohľade sú metódy v prvej fáze klasifikácie zvyčajne rozdelené do dvoch skupín: intuitívne a formalizované.

Ak si spomenieme na našu kulinársku analógiu, tak aj tam môžeme všetky recepty rozdeliť na formalizované, teda napísané počtom ingrediencií a spôsobom prípravy, a intuitívne, teda nikde nezaznamenané a získané zo skúseností kulinárskeho špecialistu. Kedy nepoužívame recept? Keď je jedlo veľmi jednoduché: opečte zemiaky alebo uvarte knedle, nepotrebujete recept. Kedy inokedy recept nepoužijeme? Keď chceme vymyslieť niečo nové!

Intuitívne metódy predpovedania zaoberať úsudkami a hodnoteniami znalcov. Dodnes sa často používajú v marketingu, ekonomike, politike, keďže systém, ktorého správanie treba predvídať, je buď veľmi zložitý a nedá sa matematicky opísať, alebo veľmi jednoduchý a takýto popis nepotrebuje. Podrobnosti o takýchto metódach nájdete v .

Formalizované metódy- metódy predpovedania opísané v literatúre, v dôsledku ktorých sa vytvárajú predpovedné modely, to znamená, že určujú takú matematickú závislosť, ktorá vám umožňuje vypočítať budúcu hodnotu procesu, to znamená urobiť predpoveď.

Na tomto možno podľa môjho názoru dokončiť všeobecnú klasifikáciu metód prognózovania.

Ďalej urobíme všeobecnú klasifikáciu modelov

Tu je potrebné pristúpiť ku klasifikácii prognostických modelov. V prvej fáze by sa modely mali rozdeliť do dvoch skupín: doménové modely a modely časových radov.

Modely domén- také matematické prognostické modely, na konštrukciu ktorých sa využívajú zákonitosti predmetnej oblasti. Napríklad model používaný na predpovede počasia obsahuje rovnice dynamiky tekutín a termodynamiky. Prognóza vývoja populácie sa robí na modeli postavenom na diferenciálnej rovnici. Predpoveď hladiny cukru v krvi človeka s cukrovkou sa robí na základe systému diferenciálnych rovníc. Stručne povedané, takéto modely používajú závislosti, ktoré sú špecifické pre konkrétnu oblasť. Takéto modely sa vyznačujú individuálnym prístupom k rozvoju.

Modely časových radov- matematické prognostické modely, ktoré sa v rámci samotného procesu snažia nájsť závislosť budúcej hodnoty od minulosti a na základe tejto závislosti vypočítať prognózu. Tieto modely sú univerzálne pre rôzne tematické oblasti, to znamená, že ich všeobecná podoba sa nemení v závislosti od charakteru časového radu. Môžeme použiť neurónové siete na predpovedanie teploty vzduchu a potom aplikovať podobný model na neurónové siete na predpovedanie akciových indexov. Ide o zovšeobecnené modely, ako je vriaca voda, do ktorej ak hodíte výrobok, uvarí sa bez ohľadu na jeho povahu.

Klasifikácia modelov časových radov

Zdá sa mi, že nie je možné urobiť všeobecnú klasifikáciu doménových modelov: koľko domén, toľko modelov! Modely časových radov sa však dajú ľahko rozdeliť. Modely časových radov možno rozdeliť do dvoch skupín: štatistické a štrukturálne.

AT štatistické modely závislosť budúcej hodnoty od minulosti je daná formou nejakej rovnice. Tie obsahujú:

regresné modely (lineárna regresia, nelineárna regresia);
autoregresné modely (ARIMAX, GARCH, ARDLM);
exponenciálny model vyhladzovania;
model založený na vzorke maximálnej podobnosti;
atď.

AT štrukturálne modely závislosť budúcej hodnoty od minulosti je daná vo forme určitej štruktúry a pravidiel pohybu po nej. Tie obsahujú:

modely neurónových sietí;
modely založené na Markovových reťazcoch;
modely založené na klasifikačno-regresných stromoch;
atď.

Pre obe skupiny som uviedol hlavné, teda najbežnejšie a najpodrobnejšie predpovedné modely. V súčasnosti však už existuje veľké množstvo modelov predpovedí časových radov a na tvorbu predpovedí sa začali používať napríklad modely SVM (support vector machine), modely GA (genetický algoritmus) a mnohé ďalšie.

Všeobecná klasifikácia

Tak sme dostali nasledovné klasifikácia modelov a prognostických metód.

Tichonov E.E. Prognóza v trhových podmienkach. Nevinnomyssk, 2006. 221 s.
Armstrong J.S. Prognózy pre marketing // Kvantitatívne metódy v marketingu. Londýn: International Thompson Business Press, 1999, s. 92–119.
Jingfei Yang M. Sc. Krátkodobá prognóza záťaže energetického systému: Diplomová práca pre doktorandské štúdium. Nemecko, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 s.

UPD. 15.11.2016.
Páni, dosiahlo to šialenstvo! Nedávno mi bol zaslaný článok do edície VAK s odkazom na tento záznam na recenziu. Upozorňujem na to, že ani v diplomovkách, ani v článkoch a ešte viac v dizertačných prácach nemôžem vytvoriť odkaz na blog! Ak chcete odkaz, použite tento: Chuchueva I.A. MODEL PREDPOVEDANIA ČASOVÉHO RADU NA VÝBER MAXIMÁLNEJ PODOBNOSTI, dizertačná práca... kand. tie. vedy / Moskovská štátna technická univerzita. N.E. Bauman. Moskva, 2012.

Štítky: Pridajte štítky

Pred nástupom moderného IT neexistovali široké možnosti využitia efektívnych ekonomických a matematických modelov priamo v procese ekonomickej činnosti. Okrem toho používanie existujúcich prognostických modelov na analytické účely nekladie také vysoké požiadavky na ich informačnú podporu.

Základy prognostických technológií

Pri budovaní prediktívneho systému od nuly je potrebné vyriešiť množstvo organizačných a metodických problémov. Medzi prvé patria:

- školenie používateľov v metódach analýzy a interpretácie výsledkov prognóz;
- určenie smerov pohybu prognózovaných informácií v rámci podniku, na úrovni jeho divízií a jednotlivých zamestnancov, ako aj štruktúry komunikácie s obchodnými partnermi a úradmi;
- určenie načasovania a frekvencie prognostických postupov;
- vypracovanie zásad prepojenia prognózy s dlhodobým plánovaním a postupu pri výbere možností pre dosiahnuté výsledky pri zostavovaní plánu rozvoja podniku.

Metodologické problémy budovania prognostického subsystému sú:

- vývoj vnútornej štruktúry a mechanizmu jej fungovania;
- organizácia informačnej podpory;
- vývoj softvéru.

Hlavné úlohy, ktoré vznikajú v procese vytvárania prediktívneho systému, sú rozdelené na:

- budovanie systému predvídateľných procesov a ukazovateľov;
- vývoj prístroja na ekonomickú a matematickú analýzu predpovedaných procesov a ukazovateľov;
- konkretizácia spôsobu expertných hodnotení, výber indikátorov na skúmanie a získanie odborných hodnotení niektorých predikovaných procesov a indikátorov;
- predpovedanie ukazovateľov a procesov s uvedením intervalov spoľahlivosti a presnosti;
- vývoj metód na interpretáciu a analýzu získaných výsledkov.

Osobitnú pozornosť si zasluhuje práca na informačnej a matematickej podpore prognostického systému. Proces vytvárania softvéru možno znázorniť ako nasledujúce kroky:

- vývoj metodiky pre štrukturálnu identifikáciu objektu prognózovania;
- vývoj metód pre parametrickú identifikáciu prognostického objektu;
- vývoj metód na predpovedanie trendov;
- vývoj metód na predpovedanie harmonických zložiek procesov;
- vývoj metód hodnotenia charakteristík náhodných zložiek procesov;
- tvorba komplexných modelov na predikciu ukazovateľov, ktoré tvoria vzájomne prepojený systém.

Informačná podpora systému zvyčajne zahŕňa:

- informačný fond (databáza);
- zdroje tvorby informačného fondu, toky a spôsoby prijímania údajov;
- spôsoby zhromažďovania, uchovávania, aktualizácie a vyhľadávania údajov, ktoré tvoria informačný fond;
- metódy, princípy a pravidlá obehu údajov v systéme;
- metódy na zabezpečenie spoľahlivosti údajov vo všetkých fázach ich zberu a spracovania;
- metódy analýzy a syntézy informácií;
- spôsoby jednoznačného formalizovaného popisu ekonomických údajov.

Na implementáciu procesu prognózovania sú teda potrebné tieto hlavné komponenty:

- zdroje interných informácií, ktoré sú založené na manažérskych a účtovných systémoch;
- zdroje externých informácií;
- špecializovaný softvér, ktorý implementuje prognostické algoritmy a analýzu výsledkov.

Vzhľadom na dôležitosť riešenia problému prognózovania pre účastníkov trhu je vhodné skontrolovať kvalitu navrhovaných metód a algoritmov, ako aj technológií vo všeobecnosti, pomocou špeciálne vybraných (testovacích) počiatočných údajov. Podobná verifikačná metóda sa už dlhší čas používa pri posudzovaní primeranosti matematických nástrojov určených na nelineárnu optimalizáciu, napríklad pomocou Rosenbrockovej a Powellovej funkcie.

V súčasnosti sa rozšírila široká škála softvérových nástrojov, ktoré v tej či onej miere poskytujú zber a analytické spracovanie informácií. Niektoré z nich, ako napríklad MS Excel, sú vybavené vstavanými štatistickými funkciami a programovacími nástrojmi. Iné, najmä lacné účtovnícke a manažérske účtovné programy, takéto schopnosti nemajú alebo v nich nie sú dostatočne a niekedy nesprávne implementované analytické schopnosti. To je však, žiaľ, vlastné niektorým výkonnejším a multifunkčným podnikovým riadiacim systémom. Túto situáciu zrejme vysvetľuje plytká analýza zo strany vývojárov vlastností prognostických algoritmov, ktoré si zvolili, a ich nekritickej aplikácie. Napríklad, súdiac podľa dostupných zdrojov, exponenciálne vyhladzovanie nultého rádu sa často používa ako základ pre prediktívne algoritmy. Tento prístup je však platný len v prípade absencie trendu v skúmanom procese. V skutočnosti sú ekonomické procesy nestacionárne a prognózovanie zahŕňa použitie zložitejších modelov ako modely s konštantným trendom.

Na zabezpečenie konkurencieschopnosti nových CRM systémov v zozname ich pokročilých funkcií, ako aj pre automatizované bankové systémy, sú zahrnuté reportovacie funkcie, ktoré využívajú technológie OLAP a umožňujú do určitej miery predpovedať výsledky marketingu, predaja a zákaznícky servis.

Niektorí vývojári softvéru vytvárajú celé rady analytických nástrojov. Napríklad Parus Corporation ponúka riešenia Parus-Analytics a Triumph-Analytics pre široký okruh používateľov z radov malých a stredných podnikov. Zložitejšie úlohy analytického spracovania predpovedných informácií sú integrované do systému Parus vo forme tzv. situačného centra. Podľa Dmitrija Sudareva, manažéra pre vývoj obehových riešení, bolo rozhodnuté vyvinúť a implementovať softvérové produkty, ktoré umožnia prechod od jednoduchého účtovania faktov v podnikových aktivitách k informačnej analýze. Zároveň sa plánoval prechod od automatizácie práce účtovníkov a stredných manažérov na spracovanie informácií pre vrcholový manažment. Berúc do úvahy možný okruh spotrebiteľov, Parus-Analytics a Triumph-Analytics nekladú špeciálne požiadavky na softvérové a hardvérové prostredie, avšak riešenie Triumph-Analytics je implementované na báze MS SQL Server, ktorý mu poskytuje vyššiu príležitosti na predpovedanie skúmaných procesov, zohľadňuje sa najmä harmonická zložka prognóz.

Úlohy dlhodobého rozvoja, pred ktorými stojí ruská ekonomika, si vyžadujú radikálne zvýšenie efektívnosti riadenia na rôznych úrovniach. Tejto úlohe plne čelia domáce firmy. Potreba jeho riešenia aktualizuje vývoj nástrojov na prognózovanie perspektív vývoja a hodnotenie vplyvu vypracovaných stratégií na stabilitu finančnej pozície podnikov.

Správa odôvodňuje potrebu prejsť od čisto analytických metód opisu spoločnosti k pravdepodobnostnému popisu prostredníctvom simulácie peňažných tokov. Tým je zabezpečená implementácia systematického prístupu k finančnému prognózovaniu a hodnoteniu rizík vývoja spoločnosti, čo z nej v súčasnosti robí prioritný prístup k budovaniu finančných modelov v popredných zahraničných spoločnostiach.

Využitie pravdepodobnostných modelov na predikciu vývoja podniku s prihliadnutím na riziká, ako ukázali skúsenosti autora, je spojené s formulovaním množstva zložitých problémov všeobecného teoretického aj metodologického charakteru, ktoré prakticky nie sú pokryté. v domácej a zahraničnej odbornej literatúre. Bez ich riešenia nie je možné široko zaviesť moderné metódy finančného strategického riadenia v ruských spoločnostiach. Medzi takéto problémy patrí napríklad problém sformovania celého priestoru variantov v modeli bez potreby ich úplného enumerácie, čo bez ohrozenia presnosti prognóz na základe konvergenčnej analýzy umožňuje znížiť počet analyzovaných kombinácie parametrov modelu o niekoľko rádov.

■ bol vyvinutý štandardný multitrendový finančný model, ktorý umožňuje predpovedať dynamiku peňažných tokov a vyhodnocovať ich výkyvy vrátane pravdepodobnosti ich odchýlok od minimálnych prípustných hodnôt. Uvádza sa príklad výpočtu, ktorý ilustruje navrhovaný mechanizmus hodnotenia rizík platobnej neschopnosti spoločnosti;

■ Navrhujú sa algoritmy na spracovanie počiatočných časových radov, ktoré zabezpečujú použitie empirických rozdelení pravdepodobnosti spolu so štandardnými bez potreby ich analytického popisu, čo výrazne zjednodušuje implementáciu simulačnej metódy v podnikoch;

■ navrhuje sa prístup k štruktúrovaniu finančného modelu na základe jeho konzistentného detailovania „zhora nadol“, s možným rôznym stupňom detailovania v závislosti od cieľov analýzy a dostupnosti počiatočných informácií;

■ boli vyvinuté štandardné nástroje na automatizáciu analýzy účtovných údajov (získaných zo systému 1C); štatistická analýza časových radov; vytváranie grafov a histogramov, a to aj pre intervaly rôznej dĺžky (týždeň, mesiac, štvrťrok). Celkovo to umožňuje manažérom spoločností pripraviť počiatočné údaje pre model prognózy;

■ analyzovali vlastnosti hodnotenia rizík a navrhli nástroje na riadenie rozvoja spoločnosti na troch úrovniach (investičný projekt, portfólio projektov, spoločnosť ako celok), pričom zohľadnili kontinuitu zberu, spracovania a analýzy prichádzajúcich dát. zvonku aj generované v rámci spoločnosti;

■ mechanizmus analýzy citlivosti sa posudzoval s prihliadnutím na nelinearitu; ako aj prístup k hodnoteniu celkového rizika portfólia projektov, založený najmä na výsledkoch simulačného modelovania jednotlivých investičných projektov;

Správa ukazuje možnosť uplatnenia navrhovaného prístupu k budovaniu prognostických modelov na hodnotenie perspektív vývoja a rizika platobnej neschopnosti nielen zo strany manažmentu spoločnosti, ale aj externých štruktúr, vrátane vyšších organizácií (napríklad v rámci holdingov, štátnych korporácií), resp. banky, investičné a poisťovne .

Trendy v prognózovaní vývoja firiem zohľadňujúce riziká

V dnešnom prostredí sa firmy, aby uspeli v konkurenčnom boji, musia neustále a neustále rozvíjať. To si vyžaduje nielen pravidelné aktualizácie produktov, zlepšovanie technologických a obchodných procesov, ale aj vývoj špeciálnych nástrojov na finančné prognózovanie dôsledkov prijatých opatrení na rozvoj firmy, dlhodobé zmeny jej hodnoty. Modely finančného prognózovania založené na modeloch peňažných tokov fungujú ako moderné nástroje.

V praxi však spoločnosti čelia mnohým závažným problémom, ktoré sťažujú pravidelné vykonávanie prognóz. Sú spôsobené nedostatočným vývojom holistickej metodológie finančného prognózovania, ktorá zohľadňuje riziká, ktoré zodpovedajú potrebám moderného podnikania, ako aj nedostatkom organizačných mechanizmov a softvérových nástrojov na zhromažďovanie a analýzu manažérskych informácií pri strategických finančných rozhodnutiach. .

Trendy ekonomického vývoja pozorované v posledných desaťročiach a prebiehajúca informačná revolúcia majú významný vplyv na prognostické procesy v podnikoch. Tieto trendy zmenili prostredie, v ktorom spoločnosti pôsobia, a zmenili požiadavky na navrhovanie modelov podnikových prognóz.

1.1. Všeobecné ekonomické trendy

Dôležitou črtou súčasnej etapy ekonomického rozvoja je komplikovanie vonkajšieho prostredia a akcelerácia trhových zmien, ako aj narastajúci vplyv svetových ekonomických procesov. V dôsledku toho dnes spoločnosti čelia výrazne väčšiemu počtu trhových príležitostí a hrozieb. V súlade s tým sa zvýšil počet faktorov, ktoré môžu mať významný vplyv na ziskovosť a finančnú stabilitu rozvoja spoločností, čo si vyžaduje, aby sa tieto faktory zohľadňovali v prognostických modeloch. Za týchto podmienok sa schopnosť poskytovať pravdepodobnostné predpovede a hodnotenia rizík na výstupe stáva nielen doplnkovou charakteristikou prognostického modelu, ale jeho integrálnou a povinnou súčasťou.

Ako upozorňuje R. Stulz, firmy dnes stoja pred úlohou brať do úvahy aj tie hrozby, ktorých pravdepodobnosť je hodnotená ako nevýznamná. Medzi osobitný, no čoraz významnejší typ takýchto hrozieb patria ekonomické dôsledky pre spoločnosti globálnych strategických rizík spojených s vyčerpávaním prírodných zdrojov, klimatickými zmenami, výskytom katastrof spôsobených ľudskou činnosťou, ako aj sociálno-politických faktorov. Napriek objektívnej zložitosti hodnotenia týchto rizík, vzhľadom na narastajúci rozsah škôd z nich, narastá aj potreba firiem rozvíjať mechanizmy modelovania rizík ako atribút prognostických modelov.

Napokon, zvyšujúca sa volatilita trhových podmienok si vyžaduje zvýšenie flexibility a adaptability prognostických modelov. Technológia budovania prognostických modelov by mala poskytovať možnosť rýchleho zaradenia nových parametrov do modelu (rady činností, jednotlivé položky príjmov a výdavkov a pod.). To si vyžaduje súčasné zdokonaľovanie postupov pri budovaní modelov a riadiacich mechanizmov pre ich využitie v podnikoch, prechod na kontinuálnu analýzu prebiehajúcich zmien vo vonkajšom aj vnútornom prostredí podniku.

1.2. Trendy rozvoja informačných technológií

Hlavnou črtou súčasnej etapy technologického rozvoja je neustále narastajúci objem informácií vstupujúcich do spoločnosti.

Počítačová automatizácia poskytla rýchly prístup k obrovskému množstvu informácií, čo bolo nemysliteľné, keď boli tieto údaje uložené na papieri, a spôsobila prudký nárast využívania databáz na rôzne účely na ekonomický popis ekonomickej činnosti.

Tieto zmeny si vyžiadali prispôsobenie metód a procesov budovania prognostických modelov a analýzy rizík rozvoja spoločnosti.

Jedným zo smerov takejto adaptácie bola výrazná komplikácia analytických modelov, ktorá podnietila rýchlu matematizáciu ekonomickej vedy, ktorú mnohí vedci považujú za negatívny faktor jej rozvoja. Vznik tohto smeru bol celkom prirodzený a logický, keďže ešte pred polovicou minulého storočia bolo v skutočnosti jediným spôsobom, ako vypočítať hlavné ekonomické ukazovatele a opísať vzťahy medzi nimi v prognostických modeloch, použiť analytické závislosti. Model, ktorý neposkytoval explicitné analytické vzorce, sa považoval za zbytočný. Charakteristickou črtou takýchto modelov bolo ich zjednodušenie, prejavujúce sa najmä v hypotéze úplnosti informácií, determinizmu ekonomických podmienok ako jedného zo základných predpokladov neoklasického smerovania ekonomickej teórie.

Obmedzenia analytického popisu ekonomických procesov sa prejavujú najmä v nemožnosti stanoviť pomocou iba matematických prostriedkov skutočne pozorované ekonomické závislosti, z ktorých veľká väčšina je v ekonómii pravdepodobnostná a nelineárna.

Zvýšenie výkonu počítačov umožnilo znížiť potrebu používania výlučne analytických nástrojov na hodnotenie ziskovosti manažérskych rozhodnutí. Ako poznamenáva D. Colander, ak boli skoršie spoločnosti považované za relatívne jednoduché systémy, ktorých popis by sa dal zredukovať na sústavu rovníc s analytickými riešeniami, potom je súčasným trendom považovať spoločnosti za komplexné systémy, čo znemožňuje plne opísať ich analyticky. V súlade s tým sa simulačné modelovanie v súčasnosti stáva hlavnou metódou na opis takýchto systémov. Schopnosť stavať v tabuľkovom prostredí poskytuje vysokú všestrannosť a flexibilitu pri nastavovaní ekonomických závislostí, čo firmám otvára významné možnosti pri finančnom navrhovaní a modelovaní ekonomických procesov.

Uvažované trendy do značnej miery determinovali rozvoj systematického prístupu v riadení, čo znamená najmä neustále hromadenie a spracovanie informácií s ich následnou transformáciou na organizačnú znalostnú bázu.

Zásadný význam, ktorý získavajú informácie v hodnotovom reťazci v moderných spoločnostiach, sa naplno prejavuje aj pri konštrukcii modelov finančného prognózovania. Povinné informácie potrebné na zostavenie presných predpovedí zahŕňajú štatistické charakteristiky hlavných ekonomických parametrov spoločnosti (objem predaja, kľúčové nákladové položky atď.), Preto je štatistická analýza organickým prvkom pri tvorbe prognostického modelu.

V modeli finančného prognózovania sa teda hromadia všetky informácie dostupné na formalizáciu vo forme peňažných tokov, ktoré sú potrebné na prijímanie strategických rozhodnutí. To znamená, že použitie prognostického modelu poskytuje zvýšenie systematického riadenia spoločnosti. A tieto modely samotné možno prirodzene považovať za prvok štrukturálneho kapitálu – subsystému intelektuálneho kapitálu podniku.

Využitie simulačného modelovania umožňuje zabezpečiť implementáciu ďalšieho základného princípu systematického prístupu - zváženia celého priestoru možných, podľa odborníkov, možností, čo otvára cestu k pravdepodobnostnému popisu výsledných peňažných tokov tržieb. Model.

Zároveň zdôrazňujeme, že pojem „úplný priestor variantov“ treba chápať v štatistickom zmysle. Nehovoríme o mechanickom vyčíslení všetkých teoreticky možných kombinácií hodnôt študovaných parametrov modelu, čo je vo väčšine prípadov technicky nemožné. V procese modelovania by sa mali brať do úvahy len štatisticky významné varianty (s pravdepodobnosťou výskytu vyššou ako napr. 0,01 %), pričom ich optimálny počet sa určí na základe algoritmov konvergenčnej analýzy.

Vybudovanie úplného priestoru možností pri modelovaní rizík umožňuje pre každý krok výpočtu modelu (napríklad štvrťrok) určiť pravdepodobnostné charakteristiky peňažných tokov spoločnosti: matematické očakávania peňažných tokov, ich minimálne a maximálne hodnoty. (obr. 1.1).

Takáto analýza umožňuje identifikovať obdobia, v ktorých je výsledný peňažný tok podniku stabilný, ako aj obdobia jeho poklesu a vzostupu. Okrem toho má spoločnosť reálnu šancu vypočítať výšku rizika, ktoré je v tomto prípade definované ako integrálna pravdepodobnosť, že hodnota výsledného peňažného toku sa dostane mimo akceptovateľný rozsah (napríklad bude záporná).

Ryža. 1.1. Modelovanie rizík umožňuje prezentovať cash flow firmy ako koridor jeho možnej zmeny

Udržiavanie cash flow spoločnosti v prijateľných medziach prispieva k rastu jej finančnej stability. Modelovanie rizík vám navyše umožňuje analyzovať a vyberať najefektívnejšie stratégie rozvoja, čím sa zvyšuje flexibilita riadenia a zvyšuje sa celková konkurencieschopnosť spoločnosti.

Vykonávanie pravdepodobnostnej analýzy peňažných tokov spoločnosti tak výrazne rozširuje množstvo informácií, ktoré je možné brať do úvahy v procese strategických rozhodnutí. Získané kvantitatívne hodnotenia rizík je podľa nášho názoru potrebné považovať za základnú charakteristiku rozvoja spoločnosti a jeden z najdôležitejších ukazovateľov, ktoré treba brať do úvahy pri rozhodovaní na rôznych úrovniach riadenia.

Zložitosť ekonomických systémov diktuje potrebu brať do úvahy takú vlastnosť, akou sú viacúrovňové systémy pri vytváraní modelov na ich prognózovanie. Vzhľadom na úlohu budovania modelov rozvoja firiem možno rozlíšiť tri úrovne: samostatný investičný projekt, portfólio projektov a podnik ako celok. Aj keď sú problémy a metódy finančného modelovania na každej z týchto úrovní vo vedeckej literatúre široko reflektované, treba uznať nedostatočnú teoretickú rozvinutosť tejto problematiky. Vlastnosti hodnotenia rizika rozvoja na troch uvedených úrovniach sú analyzované v tretej časti správy.

Analýza uvažovaných problémov ukazuje, že úloha vývoja modelu prognózovania vývoja by sa nemala zredukovať len na konštrukciu finančných modelov a ich kvantitatívnu, vrátane pravdepodobnostnej analýzy. Zdá sa, že je to základná ústredná úloha prognostického modelu v systéme strategického riadenia spoločnosti, v ktorom pôsobí nielen ako formálny finančný plán, ale ako hlavný nástroj na hodnotenie ziskovosti vypracovaných rozvojových stratégií, a tiež ako výsledkom akumulácie a spracovania obrovského množstva informácií uložených v podniku.

Preto možno tvrdiť, že pre efektívnu aplikáciu prognostického modelu je potrebné transformovať systém riadenia podniku tak, aby umožňoval akumuláciu informácií potrebných pre tvorbu prognóz a hodnotenie rizík. Zdá sa, že schopnosť posúdiť riziká rozhodnutí prijímaných na základe dostupných štatistických a odborných informácií možno považovať za jednu z kľúčových kompetencií manažmentu každej modernej spoločnosti.

Preto je potrebné vyvinúť manažérsku technológiu na predpovedanie vývoja podniku, ktorá je subsystémom riadenia jeho strategického rozvoja. Dôležitým prvkom takejto technológie by malo byť vybudovanie systému vzdelávania personálu, ktorý si síce vyžaduje značné investície do zvyšovania jeho kvalifikácie, no v mnohých ohľadoch určuje inovačný potenciál podniku, a tým aj jeho konkurencieschopnosť.

1.3. Všeobecná technológia na vybudovanie modelu predpovedania vývoja podniku s prihliadnutím na riziká

Kľúčovú úlohu, ktorú zohráva kvalita počiatočných údajov pre presnosť prognóz budúceho vývoja spoločnosti, určuje všeobecnú logiku budovania interného prognostického modelu (obr. 1.2). Na základe komplexnej štúdie podnikových procesov a štatistickej analýzy hlavných položiek príjmov a výdavkov spoločnosti manažéri určia štruktúru modelu, nastavia počiatočné údaje a závislosti medzi hlavnými faktormi. Z historických údajov sa potom zostaví predbežný model, aby sa overilo, či prognóza získaná pomocou neho zodpovedá skutočným peňažným tokom spoločnosti. Po odladení modelu sa opraví s prihliadnutím na odborné odhady a použije sa na zostavenie prognózy na určitý počet období v rámci horizontu plánovania. V budúcnosti sa vykonáva periodické sledovanie vývoja spoločnosti s cieľom zohľadniť zmeny vo vonkajšom a vnútornom prostredí spoločnosti.

Ryža. 1.2. Všeobecná schéma procesu budovania modelu na predpovedanie vývoja podniku s prihliadnutím na riziká

Problémy prípravy počiatočných údajov pre prognostický model

Ako je známe, kvalita informácií v ňom použitých zohráva rozhodujúcu úlohu pri presnosti predpovedí získaných pomocou akéhokoľvek modelu. Preto je príprava počiatočných údajov pre model najdôležitejšou úlohou, ktorá si vyžaduje, aby spoločnosť mala špeciálne analytické nástroje a postupy riadenia.

Príprava počiatočných údajov pre model nie je možná bez aktívneho využitia štatistickej analýzy, určenej na identifikáciu vzorcov a trendov v hlavných položkách príjmov a výdavkov spoločnosti.

V procese štatistickej analýzy vzniká množstvo zložitých problémov, ako je práca s netypickými rozdeleniami pravdepodobnosti, identifikácia trendov, zabezpečenie homogenity údajov a iné, ktoré nie sú dostatočne alebo vôbec neuvažované v odbornej literatúre.

Upozorňujeme tiež, že štatistická analýza by sa nemala považovať len za súbor formalizovaných postupov na spracovanie sérií údajov. Ako zdôraznil E.F. Siegel, „štatistika je umenie a veda o zbere a analýze údajov. Štatistické metódy by sa mali považovať za dôležitú súčasť rozhodovacieho procesu, ktorý umožňuje vypracovať informované strategické rozhodnutia, ktoré spájajú intuíciu špecialistu s dôkladnou analýzou dostupných informácií. Využívanie štatistík sa stáva čoraz výraznejšou konkurenčnou výhodou. Štatistická analýza dát je teda nástrojom na hlbšie pochopenie ekonomiky podniku – predpokladom pre vybudovanie presného prognostického modelu.

2.1. Typy vstupných údajov

V procese analýzy počiatočných údajov je potrebné vziať do úvahy ich rozdiely, pokiaľ ide o mieru neistoty a charakter zmien v priebehu období. Na základe toho možno rozlíšiť tri typy parametrov:

1. Parametre, ktorých hodnoty sú konštantné vo všetkých obdobiach počas horizontu plánovania (napríklad daňové sadzby, prenajímateľná plocha);

2. Parametre, ktorých hodnoty zostávajú konštantné v rámci každého jednotlivého obdobia (krok výpočtu), ale môžu sa z obdobia na obdobie meniť (napríklad ceny elektriny);

3. Parametre, ktorých hodnoty sa v určitom období náhodne menia (napríklad objem predaja). Zároveň ich matematické očakávania v priebehu období môžu zostať konštantné alebo sa môžu meniť v súlade s určitým trendom.

Z vyššie uvedenej klasifikácie je zrejmé, že najťažšie parametre na analýzu a prognózu sú parametre tretieho typu, ktoré sa náhodne menia.Pre ich správne modelovanie v priebehu analýzy počiatočných údajov je potrebné určiť nielen očakávané hodnoty a trendy, ale aj rozsahy ich hodnôt, ako aj zákon o rozdelení pravdepodobnosti. Preto bude ďalšia pozornosť venovaná parametrom tretieho typu.

Ako je zrejmé z tabuľky 2.1, hlavným zdrojom počiatočných informácií pre štatistickú analýzu parametrov tretieho typu sú údaje z účtovníctva a manažérskeho účtovníctva. Získavanie týchto údajov zvyčajne nespôsobuje zásadné ťažkosti, keďže ich zber a uchovávanie vo firmách je vzhľadom na dôležitosť týchto parametrov povinné.

Tabuľka 2.1. Príklady bežných parametrov vstupných údajov, zvyčajne náhodného charakteru

Parameter	Odhadovaná náročnosť získavania údajov	Schopnosť automatizovať spracovanie hodnôt softvérom
Objem predaja spoločnosti ako celku a podľa produktov	k dispozícii
Pohľadávky spoločnosti ako celku a podľa produktov	k dispozícii	možné, vyžaduje špeciálny program
Materiály spoločnosti ako celku a podľa produktov	ľahko získať	možné, vyžaduje špeciálny program
Záväzky spoločnosti ako celku a podľa produktov	k dispozícii	možné, vyžaduje špeciálny program

2.2. Výzvy pri zabezpečovaní relevantnosti a homogenity zdrojových údajov

Štatistická analýza počiatočného radu každého analyzovaného parametra je navrhnutá tak, aby identifikovala jeho najvýznamnejšie charakteristiky, ktoré sa potom používajú pri modelovaní prediktívnych hodnôt.

Zároveň, aby sa zabezpečilo, že prognostický model zohľadní všetky dostupné informácie, zdá sa rozumné použiť celý dostupný časový rad tohto parametra v čo najpodrobnejšej forme pri štatistickej analýze každého študovaného parametra modelu ( napríklad denné hodnoty predaja produktov za tri roky).

Keďže peňažné toky pre rôzne položky príjmov a výdavkov sa vyskytujú v rôznych intervaloch (denne, týždenne, mesačne atď.), vzniká problém agregovať hodnoty všetkých študovaných parametrov podľa intervalov tak, aby zodpovedali kroku výpočtu zvolenému v model.

Na tento účel sa pôvodný rad rozdelí na intervaly zodpovedajúce požadovanému kroku výpočtu. Napríklad pri agregovaní peňažných príjmov na zúčtovací účet spoločnosti podľa štvrťrokov sa všetky prijaté príjmy za obdobie od 01.04 do 30.06 bežného roka priradia k druhému štvrťroku. Potom sú všetky hodnoty študovaného parametra v rámci každého intervalu nahradené (aproximované) matematickými očakávaniami (obr. 2.1).

Ryža. 2.1. Grafické znázornenie aproximácie sériových hodnôt ich matematickými očakávaniami v intervaloch

Ryža. 2.2. Príklad harmonogramov príjmu prostriedkov na bežný účet spoločnosti, agregovaných podľa intervalov(a - po týždňoch; b - podľa mesiacov; v - štvrťročne). Zdroj: autorove výpočty

Ako vidno z grafov, s nárastom veľkosti intervalu sa fluktuácie vyhladzujú, čo uľahčuje následné modelovanie skúmaného parametra.

Štvrťročný graf tiež najpresnejšie zobrazuje prítomnosť sezónnej zložky, ktorá by sa mala brať do úvahy pri modelovaní trendov.

Okrem toho porovnanie týchto grafov ukazuje hodnotu analýzy tých najpodrobnejších informácií. Na obr. Obrázky 2.2a a 2.2b upozorňujú na nárast volatility parametra, ktorý je na grafe štvrťročných hodnôt neviditeľný (obr. 2.2c). Dôvodom tohto nárastu bol nárast podielu veľkých zákaziek v štruktúre odbytu spoločnosti, čím sa zvyšovala nerovnomernosť peňažných tokov.

Nárast volatility je ešte výraznejší v grafe pohľadávok spoločnosti (obrázok 2.3).

Uvažovaný príklad teda svedčí o hodnote sériovej analýzy na každej z úrovní agregácie dát, ktorá poskytuje ďalšie významné informácie o študovanom parametri modelu.

Ryža. 2.2a a 2.2b ilustrujú ďalší zásadný problém, ktorý vzniká v procese štatistickej analýzy počiatočných údajov - problém ich heterogenity. Výskyt ďalších faktorov ovplyvňujúcich skúmaný parameter alebo zmena pomeru medzi faktormi často vedie k zmene pravdepodobnostných charakteristík série (v tomto prípade k zvýšeniu rozptylu).

Konečným cieľom prípravy počiatočných údajov je použiť v modeli maximálne množstvo informácií, ktoré sú v čase rozhodovania najrelevantnejšie. Významné zmeny v technológii, situácii na trhu alebo právnom rámci môžu viesť k tomu, že niektoré dostupné údaje za predchádzajúce obdobia už nie sú relevantné a ich zahrnutie do konštrukcie modelu môže znížiť presnosť prognózy.

Ryža. 2.3. Harmonogram pohľadávok (podľa dní)

Ryža. 2.4. Histogram pravdepodobnosti hustôt objemu predaja(a - všeobecný, b - produkt 1, v - produkt 2)

Zabezpečenie homogenity sa stáva jedným z kľúčových kritérií pri rozklade skúmaných parametrov, určujúcich optimálnu mieru detailu modelu. Ako príklad si predstavte histogram tržieb spoločnosti (obrázok 2.4a).

Výrazná bimodalita celkovej distribúcie, spôsobená prítomnosťou dvoch dominantných faktorov, je do značnej miery eliminovaná pri rozdelení na dva produkty (obr. 2.4b, 2.4c). To naznačuje potrebu rozčleniť tržby spoločnosti podľa produktov, aby sa získali presnejšie distribúcie.

2.3. Problém identifikácie zákonov rozdelenia pravdepodobnosti

Jedným z najťažších problémov simulačného modelovania je identifikácia typu rozdelenia pravdepodobnosti náhodných premenných. Nedostatočnú pozornosť venovanú tomuto problému v odbornej literatúre možno zjavne vysvetliť rozšírenou mylnou predstavou, že rozdelenia ekonomických ukazovateľov zodpovedajú typickým zákonitostiam rozdelenia (najmä normálnemu zákonu), alebo ich možno na ne redukovať. Tento predpoklad umožňuje použitie dobre vyvinutých matematických nástrojov na analýzu údajov.

Práca len s typickými rozdeleniami však v mnohých prípadoch vedie k ignorovaniu odchýlok v podobe skutočne pozorovaných rozdelení, ktoré sa prejavujú najmä asymetriami a odľahlými hodnotami. Navyše, ako ukázali výsledky analýzy vykonanej autorom, rozdelenia väčšiny finančných ukazovateľov odrážajúcich hospodárenie spoločnosti v reálnom sektore sa výrazne líšia od typických.

Distribúcie študované v priebehu tejto vedeckej štúdie možno rozdeliť do štyroch skupín.

Prvá skupina. Rozdelenia podobné exponenciálnym:

Cena jednej objednávky;

Náklady na materiál (podľa dní);

Prílev a odliv prostriedkov na bežnom účte (po dňoch);

Obrat prostriedkov na bežnom účte (po dňoch).

Druhá skupina. Distribúcie podobné Poissonovmu rozdeleniu:

Náklady na uzavreté objednávky (týždenne);

Zostatok na bežnom účte (po dňoch).

Tretia skupina. Rozdelenia blízke symetrickému (vrátane normálneho):

Zmena hotovosti (s prihliadnutím na rezervy spoločnosti (po dňoch);

Splatné účty (podľa dní);

Rozdiely medzi celkovými záväzkami a pohľadávkami.

Štvrtá skupina. Bimodálne a iné zjavne neštandardné distribúcie.

Celkový príjem (podľa dní);

Hotovostný zostatok (berúc do úvahy rezervy spoločnosti (podľa dní);

Pohľadávky (podľa dní).

Viacerí autori poznamenávajú, že rozdelenia mnohých ekonomických veličín nezodpovedajú normálnemu zákonu. Ako poukázal napríklad A.I. Orlov, „v ekonometrii sa rozdelenie výsledkov ekonomických a technických a ekonomických pozorovaní takmer vždy líši od normálneho“.

Pokusy ignorovať odchýlky zistené počas analýzy môžu viesť k skresleniu odhadov očakávanej variability parametrov prognostického modelu. V dôsledku toho dochádza k strate významných informácií o rozdelení pravdepodobnosti a v konečnom dôsledku k zníženiu presnosti prognóz.

Veľmi bežnou metódou prevodu neštandardných rozdelení na typické je logaritmus pôvodného radu hodnôt, ktorý zvyčajne eliminuje vážnu skreslenosť rozdelenia. Ako však ukázali skúsenosti s modelovaním, logaritmus má vážne obmedzenia. Sú spôsobené tým, že pri spätnej transformácii matematického očakávania a štandardnej odchýlky (z logaritmickej na počiatočnú) sa parametre radu získané výpočtom líšia od svojich skutočných hodnôt. To výrazne komplikuje aplikáciu tejto metódy v praxi.

Ryža. 2.9. Porovnanie empirického a normálneho rozdelenia záväzkov spoločnosti (- - empirické rozdelenie; -- - normálne rozdelenie).

Podľa nášho názoru univerzálnejším riešením tohto metodologického problému je použitie tzv. empirického rozdelenia získaného priamo z analýzy série údajov bez ich analytického popisu (za predpokladu, že je stabilná).

Pre ilustráciu možných skreslení rozloženia parametra pri jeho umelom znížení na štandardné na obr. Obrázok 2.9 porovnáva skutočné empirické rozdelenie záväzkov spoločnosti (plná čiara) a vygenerované normálne rozdelenie (prerušovaná čiara), ktoré majú rovnaké hodnoty matematického očakávania a smerodajnej odchýlky (vypočítané počas analýzy pôvodnej série). Rozpor medzi grafmi poukazuje na nesprávnosť použitia normálneho rozdelenia namiesto skutočne pozorovaného.

Na prekonanie ťažkostí, ktoré vznikajú pri práci s empirickými rozdeleniami v porovnaní s typickými rozdeleniami, je potrebné mať vhodné nástroje na generovanie náhodných čísel, transformáciu týchto rozdelení s prihliadnutím na trendy matematických očakávaní a štandardných odchýlok a podrobnú štatistickú analýzu počiatočných hodnoty časových radov.

2.4. Generovanie empirických rozdelení

Za najuniverzálnejšiu metódu na generovanie empirického rozdelenia sa právom považuje metóda lineárnej aproximácie. Podľa tejto metódy sa generovanie náhodných čísel uskutočňuje v niekoľkých fázach:

1. Pôvodná séria je rozdelená na h intervaly (vrecká) premenlivej alebo konštantnej dĺžky. Zásobníky s premenlivou dĺžkou vedú k "dlhým" zásobníkom v distribučných regiónoch s malým počtom hodnôt a "krátkym" zásobníkom v distribučných regiónoch s veľkým počtom hodnôt. To umožňuje správnejšie zohľadniť komplexnú formu distribúcie, čím sa zvyšuje presnosť generovania.

2. Pre každý interval sa vypočítajú frekvencie zásahov hodnôt pôvodnej série a zodpovedajúca integrálna pravdepodobnosť (pozri tabuľku 2.3).

3. Požadovaný počet náhodných čísel sa vygeneruje pomocou štandardného generátora rovnomerného rozdelenia.

4. Každé z čísel vygenerovaných podľa jednotného zákona sa transformuje pomocou údajov podobných tým, ktoré sú uvedené v tabuľke 2.2, aby sa získali náhodné premenné s požadovaným empirickým rozdelením.

Tabuľka 2.2. Príklad empirickej distribučnej frekvenčnej tabuľky pre intervaly konštantnej dĺžky

Dolná hranica intervalu	Frekvencia zasiahnutia intervalu	Akumulovaný súčet frekvencií	integrálna pravdepodobnosť, %

2.5. Spôsoby špecifikácie trendov pre empirickú distribúciu

Navrhovaný prístup k modelovaniu trendov v empirických rozdeleniach sa líši od mechanizmu stanovovania trendov pre typické rozdelenia.

Pripomeňme, že pre typické rozdelenia sa najskôr nastaví trend pre parametre rozdelenia, ako je matematické očakávanie, smerodajná odchýlka a iné. Na základe hodnôt distribučných parametrov vypočítaných pre každé obdobie sa pomocou analytických vzorcov zodpovedajúceho rozdelenia generujú náhodné čísla. V tomto prípade sa trend automaticky poskytuje pre všetky body typického rozloženia podľa období.

Keďže neexistuje žiadny analytický popis pre empirické rozdelenia, trend sa musí nastaviť okamžite pre všetky body rozdelenia. Ako bude ukázané nižšie, poskytuje to požadovaný trend matematického očakávania a rozptylu (štandardná odchýlka).

V súlade s metódou lineárnej aproximácie pri modelovaní stačí nepracovať s jednotlivými hodnotami, ale s hranicami intervalov (podobné tým, ktoré sú uvedené v stĺpci 1 tabuľky 2.2) a frekvenciami padajúcich hodnôt. do vytvorených vreciek.

Navrhovaný prístup poskytuje dva spôsoby, ako nastaviť trend pre ľubovoľnú distribúciu.

1. Z obdobia na obdobie sa mení iba matematické očakávanie série

Transformácia pôvodného radu s prihliadnutím na trend sa vykoná tak, že ku každej hodnote tohto radu sa pripočíta rovnaké číslo A. Potom sa matematické očakávanie periódy t + 1 vypočíta takto:

kde M(X)t, M(X)t+1 sú matematické očakávania sledovaného parametra v obdobiach t a t+1; x t — i-tá hodnota parametra v perióde t; n je celkový počet vygenerovaných náhodných hodnôt (rovnaký pre všetky obdobia).

Je ľahké určiť, že pri zohľadnení (1) v tomto prípade zostane rozptyl parametra t + 1 nezmenený:

kde Dt, Dt+1 sú disperzie študovaného parametra v periódach t a t+1;

Graficky, v prítomnosti pozitívneho trendu, sa histogram hodnôt parametrov pre obdobie t+1 posunie pozdĺž osi X doprava o A.

2. Z obdobia na obdobie sa matematické očakávanie aj štandardná odchýlka menia

V tomto prípade sa transformácia pôvodného radu, berúc do úvahy pozitívny trend, vykoná vynásobením každej hodnoty tohto radu rovnakým číslom k. Potom sa matematické očakávanie periódy t+1 vypočíta podľa vzorca:

Disperzia parametra t+1 sa vypočíta podľa vzorca:

V súlade s tým sa štandardná odchýlka a, berúc do úvahy trend v období t + 1, vypočíta vynásobením jej hodnoty v období t hodnotou k.

Variačný koeficient v tejto metóde zostáva nezmenený.

2.6. Nástroje na automatizáciu zberu a štatistickej analýzy počiatočných údajov

Vzhľadom na zložitosť postupov spracovania počiatočných časových radov by sa v praxi mali vykonávať automaticky pomocou štandardného softvéru.

Tabuľka 2.3. Príklad tabuľky účtov v 1C

	Z úverových účtov	Na debetné účty
Začiatok rovnováhu

Tabuľka 2.4. Pohľad na prevedenú tabuľku na spracovanie pomocou Excelu

	všedný deň				Con. rovnováhu

Pri získavaní počiatočných sérií z rôznych počítačových databáz vzniká problém zjednotenia formy poskytovania informácií pre ich následnú analýzu. Napríklad na spracovanie údajov o účtoch získaných z rozšíreného účtovného systému 1C (tabuľka 2.3) sa tieto prevedú do tabuľky vo forme Tabuľka. 2.4, ktorý slúži ako základ pre tvorbu počiatočného časového radu.

Vlastnosti hodnotenia rizík rozvoja na troch úrovniach riadenia v spoločnosti

Ako bolo uvedené vyššie, prognózovanie vývoja spoločnosti, berúc do úvahy riziká, by sa malo vykonávať na troch úrovniach: na úrovni jednotlivého investičného projektu, portfólia projektov a spoločnosti ako celku. Je to spôsobené rozdielom v úlohách na každej úrovni (tabuľka 3.1), ktoré určujú vlastnosti vyvinutých modelov a analytických algoritmov.

Tabuľka 3.1. Rozdiel medzi úlohami, ktoré je potrebné riešiť na troch úrovniach riadenia investícií v podniku

3.1. Úroveň individuálneho investičného projektu

Značná vedomostná náročnosť, časové rozpätie premeny investovaných zdrojov na zvýšenie hodnoty podniku, ako aj vysoká neistota potenciálnych výsledkov naznačujú hlavnú formu investície do podniku - formu investičného projektu. Investičné projekty pôsobia ako zdroje vytvárania budúcich konkurenčných výhod. Preto je v procese vývoja každého investičného projektu mimoriadne dôležité včas získať čo najúplnejšie informácie o perspektívach projektu, a to nielen z hľadiska výšky čistého cash flow, ktoré je tento projekt schopný generovať, ale aj z hľadiska jeho možností. aj z pozície určenia rozsahu možných fluktuácií peňažných tokov. Metódy kvantitatívnej analýzy rizík projektu zohrávajú kľúčovú úlohu pri poskytovaní týchto informácií manažmentu spoločnosti.

Základom pre kvantitatívne hodnotenie rizika investičného projektu je model jeho peňažných tokov. Prvou etapou jeho vývoja je určenie štruktúry príjmov a výdavkov projektu, prognóza ich hodnôt s prihliadnutím na dynamiku zmien v horizonte plánovania.

Model peňažných tokov investičného projektu slúži ako základ pre výpočet jeho výkonnostných ukazovateľov: čistá súčasná hodnota (NPV), diskontovaná doba návratnosti (DPP), index ziskovosti (PI) a iné. Výsledné hodnoty týchto ukazovateľov odrážajú predpokladanú ziskovosť projektu pre spoločnosť v podmienkach, keď všetky parametre nadobúdajú svoje najpravdepodobnejšie (základné) hodnoty.

V ďalšej fáze, pri vykonávaní analýzy citlivosti projektu, sa určia parametre modelu, ktoré majú najväčší vplyv na ekonomickú efektívnosť investičného projektu. Vo svojej klasickej forme je analýza citlivosti redukovaná na výpočet bezrozmerných koeficientov citlivosti, ktoré odrážajú elasticitu ukazovateľov výkonnosti projektu.

V praxi však pri vykonávaní analýzy citlivosti treba pamätať na to, že tradičný prístup je založený na predpoklade, že funkcie citlivosti sú lineárne. V skutočnosti sú funkcie citlivosti pre mnohé parametre modelu cash flow projektu nelineárne. Napríklad, ako ukazujú výsledky analýzy funkcií citlivosti investičného projektu, ktorú vykonal autor (tabuľka 3.2), z pätnástich parametrov modelu sa funkcia citlivosti NPV ukázala ako nelineárna pre štyri parametre, PI pre osem a DPP pre všetkých pätnásť. Dobre známym príkladom nelineárnej funkcie citlivosti, ktorá sa v literatúre často zvažuje, je funkcia zmeny NPV projektu so zmenou jeho diskontnej sadzby. Navyše, ako A.A. Kugaenko, pri modelovaní ekonomických systémov „lineárne vzájomné závislosti prakticky chýbajú“ .

Tabuľka 3.2. Príklad analýzy funkcií citlivosti parametrov investičného projektu na nelinearitu

Názov parametra	Typ funkcie citlivosti výsledného indikátora
Názov parametra	čistá súčasná hodnota (NPV)	zľavnená doba návratnosti (DPP)	index ziskovosti (PI)
Objem predaja, ks.	nelineárne	nelineárne	nelineárne
Miera zmeny objemu predaja	nelineárne	nelineárne	nelineárne
Priemerná jednotková cena, rub.	lineárne	nelineárne	nelineárne
Cena prenájmu 1 m 2, $	lineárne	nelineárne	lineárne
Cena 1 litra benzínu, rub.	lineárne	nelineárne	lineárne
Výmenný kurz dolára, rub.	lineárne	nelineárne	nelineárne
Miera inflácie, %	nelineárne	nelineárne	nelineárne
Nominálna diskontná sadzba, %	nelineárne	nelineárne	nelineárne

Vykonanie analýzy citlivosti zohráva dôležitú úlohu pri zlepšovaní konzistentnosti odôvodnenia investičného projektu. Jeho výsledky umožňujú určiť, ktoré parametre modelu vyžadujú povinné zohľadnenie variability ich hodnôt.

Zahrnutie všetkých možných možností hodnôt týchto parametrov do modelu peňažných tokov, ktoré sa vykonáva pomocou simulácie, ho mení zo základného na pravdepodobnostný. Simulačné modelovanie investičného projektu sa vykonáva v niekoľkých fázach pomocou tabuliek MS Excel:

1. Vyberú sa počiatočné parametre modelu peňažných tokov, pre ktoré sa vykoná simulačné modelovanie. Pre každý z nich je určený distribučný zákon (rovnomerné, normálne, Poissonovo atď.) a distribučné parametre.

2. Pre každý parameter sa pomocou štandardných funkcií Excelu vygeneruje m náhodných čísel. Počet vygenerovaných čísel je rovnaký pre všetky parametre a zvyčajne sa pohybuje od 1000 do 50000.

3. Na základe výsledkov generovania sa pre zvolené parametre vytvorí m kombinácií náhodných čísel. Jedna kombinácia zodpovedá jednému riadku excelovej tabuľky.

4. Pre každú kombináciu hodnôt parametrov sa vypočítajú ukazovatele výkonnosti projektu. Na tento účel sa pomocou počítačového programu napísaného vo Visual Basic for Applications všetky kombinácie hodnôt počiatočných parametrov postupne nahradia do modelu peňažných tokov. Výsledné hodnoty ukazovateľov výkonnosti pre každú kombináciu sú umiestnené v príslušnom riadku tabuľky Excel.

5. V Exceli sú riadky tabuľky náhodných hodnôt údajov počiatočného výpočtu zoradené vo vzostupnom poradí podľa ukazovateľa účinnosti (napríklad NPV).

6. Každému riadku tabuľky je priradená určitá integrálna pravdepodobnosť. Ak je teda v poli 1 000 riadkov, potom riadky i a i + 1 budú zodpovedať integrálnym pravdepodobnostiam, ktoré sa líšia o 0,1 %.

7. Vypočíta sa integrálna pravdepodobnosť zápornej NPV projektu. Na tento účel sa počet riadkov, v ktorých je NPV záporná, vydelí celkovým počtom riadkov v tabuľke.

Uvažovaný prístup k simulačnému modelovaniu umožňuje nielen vypočítať očakávané hodnoty ukazovateľov výkonnosti investičného projektu, ale aj získať dodatočné kritérium, ktoré odráža riziko projektu: integrálnu pravdepodobnosť, že hodnota ukazovateľa výkonnosti bude v oblasti neprijateľných hodnôt.

Hlavnou úlohou finančného modelovania a kvantitatívneho hodnotenia rizika na úrovni individuálneho investičného projektu je teda čo najpodrobnejšie preštudovanie potenciálu projektu vytvárať trhovú hodnotu pre podnik a veľkosti možných odchýlok jeho peňažných tokov. Aby sa však zabezpečilo, že pripravované investičné projekty sú v súlade so strategickými cieľmi spoločnosti, je potrebné ich prehodnotiť na úrovni portfólia.

3.2. Úroveň portfólia investičných projektov

Od 70. rokov 20. storočia, kedy bola navrhnutá matica Boston Consulting Group, sa portfóliový prístup rozšíril ako nástroj na plánovanie konkurenčných stratégií a alokáciu kapitálu medzi produkty (alebo jednotlivé línie podnikania) spoločností. Rovnako dôležité je považovať za portfólio súbor pripravovaných investičných projektov, z ktorých mnohé, ako je uvedené vyššie, sú základom budúcich produktov spoločnosti, ktoré tvoria jej peňažný tok.

Portfólio investičných projektov možno z hľadiska riadenia konkurencieschopnosti podniku vnímať ako portfólio jeho budúcich konkurenčných výhod. Rozhodnutia na úrovni portfólia, z ktorých najdôležitejšie je výber investičných projektov a rozdelenie kapitálu medzi nimi na základe multikriteriálneho prístupu, preto do značnej miery určujú oblasti rastu konkurencieschopnosti, ktoré si spoločnosť pri vývoji vyberie. rozvojovú stratégiu.

Keďže projekty majú rôznu mieru rizikovosti, je potrebné kontrolovať celkovú rizikovosť projektu, aby nebola prekročená jeho maximálna prijateľná hodnota pre spoločnosť.

Podľa nášho názoru najuniverzálnejším prístupom k hodnoteniu celkového rizika portfólia projektov je využitie výsledkov simulačného modelovania realizovaného pre každý z projektov zaradených do portfólia.

Počiatočnými údajmi pre výpočet sú rozdelenia pravdepodobnosti NPV pre každý z r projektov. Postup výpočtu pozostáva z nasledujúcich krokov:

1. Vzniká N kombinácií NPV. Na tento účel je tabuľka náhodných hodnôt každého projektu zoradená vo vzostupnej NPV, po ktorej sa stĺpec hodnôt NPV prenesie do tabuľky, ktorej všeobecný pohľad je uvedený v tabuľke. 3.3.

2. Celková PV zvyšku portfólia sa vypočíta pre každú kombináciu.

3. Tabuľka 3.3 je zoradená vzostupne podľa PV zvyšku portfólia.

4. Každej kombinácii je priradená integrálna pravdepodobnosť, ktorá sa určí vydelením čísla riadku tabuľky, v ktorej sa táto kombinácia nachádza, celkovým počtom kombinácií N.

5. Stanoví sa integrálna pravdepodobnosť negatívneho PV rezídua portfólia.

Upozorňujeme, že táto metóda predpokladá, že počet náhodných hodnôt NPV všetkých projektov je rovnaký.

V prípade, že na posúdenie rizík niektorých projektov spoločnosti nebolo použité simulačné modelovanie a ich pravdepodobnostné charakteristiky (M(X) a a) boli získané inou metódou, možno do výpočtu zahrnúť aj tieto projekty. Na tento účel sa generujú hodnoty NPV na základe špecifikovaných pravdepodobnostných charakteristík a zákona o rozdelení NPV projektu.

Tabuľka 3.3. Celkový pohľad na tabuľku hodnotenia rizika portfólia na základe výsledkov simulačného modelovania projektov zaradených do portfólia

Poradové číslo	Investičné projekty			PV zvyšok portfólia	Kumulatívna pravdepodobnosť
Poradové číslo	NPV projektu 1	Projekt NPV 2	Projekt NPV r	PV zvyšok portfólia	Kumulatívna pravdepodobnosť
				PV zvyšok portfólia< 0	P (PV zvyšok portfólia<0) = h/N




				M (PV zvyšok portfólia)

				PV zvyšok portfólia max

Riadenie portfólia investičných projektov s prihliadnutím na riziká tak zvyšuje vyváženosť portfólia a flexibilitu strategických rozhodnutí, čo poskytuje významný potenciál pre zvýšenie konkurencieschopnosti spoločnosti. Pri tvorbe rozvojovej stratégie je však mimoriadne dôležité vedieť posúdiť jej vplyv na finančnú situáciu a riziko podniku ako celku.

3.3. Úroveň spoločnosti ako celku

V súčasnosti úloha vývoja technológie na kvantitatívne hodnotenie rizík investičného rozvoja presahuje investičnú analýzu jednotlivých projektov a portfólia. V podmienkach dnešného dynamicky sa meniaceho externého prostredia je nevyhnutné uplatňovať systematický prístup k analýze rizík a finančnému návrhu strategického rozvoja spoločnosti ako celku. Ide o vypracovanie finančného modelu spoločnosti, ktorý umožňuje predpovedať dynamiku jej peňažných tokov s prihliadnutím na zvolenú stratégiu rozvoja, pravdepodobnosť a výšku možnej škody v prípade nepriaznivých zmien trhového prostredia. a tiež vypracovať opatrenia na minimalizáciu týchto škôd.

Základom pre kvantitatívne hodnotenie rizika na tejto úrovni je model prognózovania rozvoja spoločnosti založený na riziku. Umožňuje vám vypočítať celkové peňažné toky spoločnosti a vykonať ich pravdepodobnostnú analýzu, zhodnotiť vplyv vypracovaných stratégií rozvoja a očakávaných zmien v konkurenčnej pozícii spoločnosti. Model musí byť flexibilný, neustále vyvíjaný a zdokonaľovaný manažérmi spoločnosti s prihliadnutím na prebiehajúce zmeny. Adaptabilita prognostického modelu je teda jednou z kľúčových podmienok, ktoré umožňujú jeho efektívnu aplikáciu pre kvantitatívne hodnotenie rizík na úrovni podniku.

Na implementáciu týchto vlastností musí byť prognostický model, keď je implementovaný v spoločnosti, implementovaný vo forme softvérového balíka, ktorý automatizuje postupy pre zostavenie modelu cash flow s viacerými obdobiami, generovanie náhodných čísel, simulačné modelovanie a štatistickú analýzu prognózovania. výsledky. To umožňuje zabezpečiť efektívnosť získavania výsledkov pri modelovaní rôznych možností a stratégií rozvoja.

Najdôležitejším prvkom počiatočných údajov v prognostickom modeli je popis trendov meniacich sa parametrov.

Najuniverzálnejšou a najflexibilnejšou metódou na špecifikáciu zmien parametrov je priame zadávanie ich hodnôt podľa obdobia. To predovšetkým umožňuje využiť časové závislosti v modeli (napríklad plánované objemy predaja, zmeny cien produktov a pod.) získané ako výsledok marketingového prieskumu. Tento spôsob nastavenia je potrebný aj pri parametroch, ktoré sa nepravidelne menia (napríklad náklady na prenájom priestorov, ktoré väčšinou zostávajú počas roka nezmenené). V mnohých prípadoch je na opísanie zmeny parametrov, ktorých hodnoty sa menia v každom období, oveľa pohodlnejšie nastaviť trendy vo forme série hodnôt, čo je aritmetický alebo geometrický postup.

Pre parametre, ktorých hodnoty sa menia náhodne, je potrebné mať možnosť nastaviť zmeny v hodnote smerodajnej odchýlky. Existuje niekoľko rôznych spôsobov, ako to zmeniť:

a) štandardná odchýlka zostáva konštantná pre všetky obdobia bez ohľadu na zmenu matematického očakávania;

b) štandardná odchýlka sa mení lineárne;

c) smerodajná odchýlka sa mení tak, že variačný koeficient, ktorý sa rovná pomeru smerodajnej odchýlky k matematickému očakávaniu, zostáva konštantný.

Ako ukázali skúsenosti s modelovaním, zohľadnenie zmien štandardnej odchýlky má významný vplyv na výsledky hodnotenia rizika platobnej neschopnosti spoločnosti, takže dostupnosť rôznych spôsobov nastavenia štandardnej odchýlky je dôležitá pre zlepšenie presnosti prognóz.

Ďalším významným faktorom, ktorý by sa mal brať do úvahy pri nastavovaní počiatočných údajov, je potreba uviesť hraničné hodnoty parametrov, ktoré sú dané ich ekonomickým charakterom. Napríklad objem predaja nemôže byť záporný alebo prekročiť hodnotu maximálneho objemu trhu. Podobne náklady, ktoré sú peňažnými tokmi, sa nemôžu stať kladnými, ak sa znížia v absolútnej hodnote. Z tohto dôvodu sa rozdelenia pravdepodobnosti parametrov skrátia.

V procese simulačného modelovania program zisťuje náhodné hodnoty, ktoré presahujú limitné hodnoty, a opravuje ich nahradením limitnými hodnotami. Automatizácia tohto postupu umožňuje nielen zlepšiť presnosť výsledkov simulácie, ale aj kontrolovať kvalitu vstupných údajov pomocou špeciálnych počítadiel pre počet zmenených hodnôt pre každý parameter. Ak je počet zmenených hodnôt dostatočne veľký, napríklad viac ako 10% všetkých hodnôt, znamená to potrebu zmeniť štandardnú odchýlku alebo upraviť trend hodnôt tohto parametra.

V praxi je pri budovaní modelov peňažných tokov často potrebné brať do úvahy vzťah medzi parametrami modelu vo forme korelačných závislostí. Preto je schopnosť nastaviť koreláciu povinným prvkom pri vývoji modelu. Opísaný model poskytuje možnosť nastavenia korelácie v dvoch stupňoch. V prvej fáze sa v analytickej alebo tabuľkovej forme určuje závislosť medzi parametrami, ktoré majú koreláciu. V druhej fáze, na nastavenie odchýlok, sa analyzovaná závislosť vynásobí náhodnou premennou, ktorej charakteristiky sú uvedené v počiatočných údajoch v súlade s algoritmom opísaným vyššie pre parametre tretieho typu.

3.4. Vývoj modelu peňažných tokov spoločnosti

Najdôležitejšími charakteristikami modelu peňažných tokov sú trvanie plánovacieho horizontu, dĺžka výpočtového kroku, ako aj moment prinesenia peňažných tokov.

Voľba horizontu plánovania a dĺžka kroku výpočtu je daná predovšetkým možnosťou získania kvalitných prognóz hlavných položiek príjmov a výdavkov spoločnosti. Zdá sa, že v ruských podmienkach horizont plánovania pre väčšinu spoločností nepresahuje štyri roky. V tomto prípade možno ako dĺžku kroku výpočtu odporučiť štvrtinu. Potom počet období v modeli peňažných tokov nepresiahne sedemnásť, berúc do úvahy nulové obdobie, ku ktorému sú peňažné toky zvyčajne dané. To predpokladá, že všetky toky sa vyskytnú na konci obdobia.

Vývoj modelu peňažných tokov je kreatívny proces, ktorý si vyžaduje zohľadnenie charakteristík konkrétnej spoločnosti. Zároveň je vhodné dodržať typickú štruktúru modelu, podľa ktorej sa peňažné toky delia do troch skupín: prevádzkové (toky z bežnej činnosti), investičné (spojené s investíciami do investičného majetku a prevádzkového kapitálu), peňažné toky sú rozdelené do troch skupín. a finančné (spojené so servisom úverov spoločnosti). Ako konečný ukazovateľ v uvažovanom modeli sa používa diskontovaný peňažný tok pre vlastníkov. Príklad štruktúry modelu peňažných tokov je uvedený v tabuľke 3.4.

Tabuľka 3.4. Príklad štruktúry modelu peňažných tokov spoločnosti

	Prevádzkové peňažné toky	Vzorec na výpočet*
	PRODUKT 1
	Tržby z predaja 1
	Priame variabilné náklady 1
	Priame fixné náklady 1 (vrátane odpisov)*
	Produkt Hrubý zisk1
	PRODUKT 2
	Tržby z predaja 2
	Priame variabilné náklady 2
	Priame fixné náklady 2 (vrátane odpisov)*
	Hrubá marža produktu 2
	Súhrnný hrubý zisk
	VŠEOBECNÉ NÁKLADY NA PREDAJ A SPRÁVU
	Firemné výdavky
	Všeobecné odpisy**

	Náklady na energie v kancelárii
	Celkové všeobecné výdavky
	Náklady na predaj a správu

	Mzdy pre riadiacich pracovníkov
	UST pre riadiacich pracovníkov
	Celkové náklady na správu a predaj
	Zisk z predaja (predaj)	11 — 17 — 22
	Zostatok prevádzkových výnosov/nákladov
	Zostatok neprevádzkových výnosov a nákladov
	Zisk pred zdanením
	daň z príjmu
	Čistý zisk
	Odpisy (priame + celkové)**
	Celkový prevádzkový cash flow
	INVESTIČNÉ PEŇAŽNÉ TOKY
	Investície do dlhodobého a nehmotného majetku
	Zmena pracovného kapitálu podľa produktov 1
	Zmena pracovného kapitálu podľa produktov 2
	Celkový investičný peňažný tok
	Celkový voľný peňažný tok
	FINANČNÉ PEŇAŽNÉ TOKY
	Prijaté pôžičky
	Splatenie istiny skôr poskytnutých úverov
	Platba úrokov z pôžičiek
	Celkový finančný cash flow
	Celkový peňažný tok pre vlastníkov
	Zvýhodnený peňažný tok pre vlastníkov	42 * 1/(1 + r) t

* "+" - peňažný tok; "-" - odliv hotovosti; "=" je vzorec výpočtu, kde čísla vo vzorci znamenajú čísla riadkov tabuľky.

** nie je peňažný tok, ale slúži na výpočet dane z príjmov.

Vyššie uvedená štruktúra ukazuje všeobecnú logiku budovania modelu peňažných tokov v súlade s finančnou teóriou. Špecifický súbor príjmových a nákladových položiek je však individuálny pre každú spoločnosť a závisí od profilu jej činností a charakteristík obchodných procesov identifikovaných v priebehu štatistickej analýzy počiatočných údajov.

Podľa nášho názoru má závislosť štruktúry modelu na počiatočných údajoch zásadný charakter, pretože podobne ako ostatné štádiá technológie vytvárania prognostického modelu by štádium vývoja modelu peňažných tokov malo poskytnúť čo najúplnejší prehľad zozbieraných údajov. informácie. Dá sa to dosiahnuť uplatnením princípu zhora nadol. V súlade s ním sa najskôr zostaví najvšeobecnejší model (na základe súvahy a výkazu ziskov a strát), ktorý sa následne podrobne zohľadní, aby zohľadnil všetky významné faktory vrátane stanovenia viacsmerných trendov. Pri analýze nákladových položiek spoločnosti je vhodné použiť ako podrobné kritérium podiel každej položky na celkovej výške nákladov tejto skupiny. Napríklad pri tvorbe podnikových nákladov sa ako samostatné riadky vyčleňujú len položky, ktoré tvoria aspoň 5 % podnikových nákladov a všetky ostatné výdavky sa zhrnú do jedného riadku.

Pri analýze tržieb firmy (najmä ak má v sortimente desiatky produktov) často vzniká problém zoskupovania produktov do segmentov. Tu je okrem princípu „zhora nadol“ potrebné vziať do úvahy aj to, že vytvorené segmenty si musia zachovať svoju homogenitu (podrobnejšie pozri odsek 2.2).

Implementácia princípu „zhora nadol“ zvyšuje všestrannosť technológie budovania modelov, pretože umožňuje použitie nástrojov simulačného modelovania pre modely rôzneho stupňa detailov v závislosti od množstva dostupných informácií. Táto vlastnosť navrhovaného metodického prístupu otvára možnosti aktívneho využívania prognostických modelov v externej analýze, a to aj zo strany materských spoločností, ako aj bánk a iných finančných inštitúcií (bližšie v časti 4).

3.5. Príklad použitia modelu prognózovania rozvoja spoločnosti

Aplikáciu uvažovaného modelu ilustrujme na príklade firmy vyrábajúcej dva typy produktov. Plánovací horizont je dva roky; Ako krok výpočtu sa používa štvrťrok.

Ako je zrejmé z počiatočných údajov (tabuľka 3.5), objem predaja prvého produktu sa zvyšuje, zatiaľ čo predaj druhého produktu má tendenciu klesať. Okrem toho sa očakáva nárast množstva výdavkových položiek. V dôsledku toho je všeobecný trend zmeny v matematických očakávaniach výsledného peňažného toku spoločnosti podľa období negatívny. Viacsmerné trendy a rozdielnosť rozptylov kľúčových parametrov modelu však neumožňujú posúdiť variabilitu peňažných tokov bez špeciálnych nástrojov.

Ako ukazujú výsledky simulácie (tabuľka 3.6, obrázok 3.1), aj keď sa výsledný peňažný tok do konca prvého roka zníži o menej ako polovicu, pravdepodobnosť, že sa v štvrtom období ukáže ako negatívny, sa výrazne zvyšuje (zvýšenie na 4 %).

Tabuľka 3.5. Príklad nastavenia počiatočných údajov pre model prognózy rozvoja spoločnosti

Upraviteľné parametre modelu	Počiatočné údaje za prvé obdobie			Trend očakávaní (M.O.)		Typ funkcie zmeny σ *	Limitné hodnoty
Upraviteľné parametre modelu	Očakávaná hodnota	maximálne	distribučný zákon	trendový typ	Význam, %	Typ funkcie zmeny σ *		maximálne
Produkt 1
Objem predaja, ks.
cena, rub.
Sadzba nákladov na suroviny, rub. na rub. výnosov


Produkt 2
Objem predaja, ks.
cena, rub.
Sadzba nákladov na suroviny (ruble) za rub. výnosov
Sadzba mzdových nákladov, rub. na rub. výnosov
Norma výdavkov na elektrinu, rub. na rub. výnosov
General org, com. a manažment výdavky
Mzdy riadiacich pracovníkov, rub. * *
Výmenný kurz dolára, rub.

* n – normálne rozdelenie; e – empirické rozdelenie k – konštantná smerodajná odchýlka; c – konštantný variačný koeficient.

* * "/" - odliv hotovosti

Tabuľka 3.6. Výsledky analýzy perspektív rozvoja spoločnosti

číslo obdobia	Mat. čakanie na EqCFt	Pravdepodobnosť EqCF t< 0

Následné zrýchlenie poklesu výsledného cash flow spoločnosti vedie k extrémne rýchlemu, lavínovitému zvýšeniu pravdepodobnosti jeho zápornej hodnoty až na 50 % a viac. Táto vlastnosť naznačuje, že spoločnosť je schopná stratiť finančnú stabilitu v pomerne krátkom čase (v uvažovanom príklade tri štvrtiny).

Schopnosť posúdiť dynamiku cash flow a riziko platobnej neschopnosti je mimoriadne dôležitá, pretože ukazuje, aké časové obdobie majú manažéri spoločnosti na vypracovanie opatrení na zmenu identifikovaných negatívnych trendov. V tomto príklade je toto obdobie päť štvrťrokov.

Ryža. 3.1. Dynamika zmien matematického očakávania, minima a maxima EqCF pri analýze vyhliadok rozvoja spoločnosti.

Tabuľka 3.7. Výsledky vplyvu stratégie na perspektívy rozvoja firmy

číslo obdobia	Mat. čakanie na EqCFt	Pravdepodobnosť EqCF t< 0	Minimum (M(EqCFt) 2 * vľavo σ)	Maximum (M(EqCF t) + 2 * vpravo σ)

Adaptabilita modelu, ktorý umožňuje modifikovať štruktúru peňažných tokov, umožňuje posúdiť ziskovosť rôznych stratégií rozvoja, ich vplyv na zmenu rizika platobnej neschopnosti podniku. Dá sa to dosiahnuť zahrnutím peňažných tokov z nových investičných projektov do modelu rozvoja spoločnosti a zohľadnením finančných dôsledkov iných rozhodnutí manažmentu (napríklad zmeny cenovej stratégie).

Ryža. 3.2. Dynamika zmien v EqCF spoločnosti, berúc do úvahy uvedenie nového produktu.

Ako príklad uveďme výsledky autorovho hodnotenia investičnej stratégie vyvíjanej v spoločnosti, ktorá zahŕňa uvedenie nového vysoko ziskového produktu. Ako je možné vidieť v tabuľke 3.7 a obrázku 3.2, počas prvých šiestich období sa predpokladalo, že spoločnosť zažije stály pokles peňažného toku k vlastníkom (EqCF). Zároveň sa zvýšila pravdepodobnosť negatívneho cash flow na 12 %, čo zodpovedá kritickej úrovni rizika podľa klasifikácie používanej spoločnosťou. Ako ukázali výsledky simulácie, uvoľnenie nového typu produktu zvýši peňažný tok za dve obdobia z 5 na 10 miliónov rubľov, zníži riziko negatívneho peňažného toku z 12 na 1 %, a tým znormalizuje finančnú situáciu spoločnosti. .

Využitie prognostického modelu teda otvára spoločnostiam široké možnosti predpovedať dynamiku peňažných tokov a ich volatilitu, čo umožňuje zvýšiť finančnú stabilitu spoločnosti. Implementácia prognostického modelu vo forme softvérového balíka na báze MS Excel sprístupňuje jeho využitie väčšine spoločností ako efektívny nástroj informačnej podpory procesu strategického riadenia vo fázach analýzy pozície firmy, komparatívneho hodnotenia vývoja stratégie a prijímanie investičných a finančných rozhodnutí.

Niektoré ďalšie aplikácie prediktívneho modelu

Napriek tomu, že hlavnými úlohami prognostického modelu je posúdiť vyhliadky rozvoja spoločnosti, ziskovosť vypracovaných stratégií rozvoja a riziko platobnej neschopnosti (podrobnejšie popísané v predchádzajúcej časti), existuje množstvo iných naliehavých úloh, pri ktorých môže využitie prognostického modelu zvýšiť efektívnosť strategického finančného riadenia.

Aplikácia prediktívnych modelov pre internú analýzu

Ako ukázali dôsledky svetovej hospodárskej krízy, mimoriadne naliehavou úlohou ruských spoločností je zhodnotiť efektívnosť rôznych úverových schém. Prognostický model umožňuje odhadnúť maximálne dlhové zaťaženie spoločnosti, pri ktorom riziko jej insolventnosti nepresiahne hodnoty akceptovateľné pre vlastníkov spoločnosti.

Prognostický model umožňuje vyhodnotiť efektívnosť systému riadenia rizík v podniku. Môže sa použiť na vyhodnotenie rôznych podmienok poistenia kľúčových rizík spoločnosti. Na tento účel sa používajú údaje o frekvencii výskytu každého rizika a rozdelení pravdepodobnosti súvisiacej škody. V procese modelovania, keď nastane riziková situácia, sa škoda prejaví vo forme dodatočného odlivu hotovosti. V ďalšej fáze model zahŕňa peňažné toky spojené s platbami poistenia a platbami v prípade realizácie rizika. Pomocou modelu je možné vypočítať celkovú škodu zo systému rizík a predpovedať ich spoločný vplyv na zmenu rizika platobnej neschopnosti spoločnosti.

Pri finančnom modelovaní uvažovaných úloh majú manažéri spoločnosti k dispozícii všetku úplnosť interných informácií, takže vyvinuté modely peňažných tokov môžu byť dosť podrobné a zohľadňujú zložité vzťahy medzi parametrami.

Aplikácia prognostických modelov v rámci externej strategickej analýzy

Zároveň je možné prognostický model použiť aj na externú strategickú analýzu perspektív a rizík rozvoja spoločnosti.

Je to dôležité najmä pri vykonávaní strategickej kontroly nad dcérskymi spoločnosťami, ktoré sú súčasťou štruktúry holdingov, finančných a priemyselných skupín, štátnych podnikov a iných organizačných združení. Na tieto účely možno použiť viac agregovaných modelov, ktoré odrážajú len najvýznamnejšie faktory vývoja dcérskych spoločností.

Okrem toho model umožňuje zohľadniť vyhliadky rozvoja kľúčových protistrán (napríklad kľúčových dodávateľov a zákazníkov) spoločnosti. Táto možnosť je faktorom zvyšovania stability spoločnosti, najmä pri uzatváraní dlhodobých zmlúv, keďže bankrot jednej z protistrán v niektorých prípadoch prináša riziko prerušenia výrobného procesu a môže mať za následok značné finančné ťažkosti.

Použitie prognostických modelov môže tiež zlepšiť efektívnosť rozhodovania o fúziách a akvizíciách, pretože umožňuje kvantifikovať vznikajúce synergie a zmeny v celkovom riziku spoločností zúčastňujúcich sa na takýchto transakciách.

Aplikácia prognostických modelov v bankách a iných finančných inštitúciách

Analýza cash flow sa stáva čoraz dôležitejšou pri hodnotení rizika platobnej neschopnosti potenciálnych korporátnych dlžníkov zo strany bánk, najmä vzhľadom na výhody tejto metódy v porovnaní s metódami hodnotenia bonity na základe účtovných údajov (ako je napríklad Altmanovo kritérium). Prognóza peňažných tokov pri tvorbe portfólia úverov vyvážených z hľadiska ziskovosti a rizika umožňuje odhadnúť výšku nepredvídaných strát na ňom (ktoré sú na rozdiel od očakávaných strát financované z vlastného kapitálu banky). Potreba pravdepodobnostnej analýzy strát pre portfólio úverov spôsobuje, že na tento účel je veľmi dôležité použiť simulačné modelovanie, ktoré dáva modelu prognózovania rozvoja spoločnosti založenému na riziku status užitočného dodatočného nástroja úverovej analýzy.

Použitie prognostických modelov môže byť užitočné aj v investičných spoločnostiach, keďže tieto modely umožňujú lepšie zohľadňovať dostupné informácie, a teda presnejšie posúdiť vyhliadky vývoja emitujúcich spoločností v porovnaní s použitím napr. P/E multiplikátor. Implementácia prístupu navrhovaného autorom v prostredí tabuľkového procesora výrazne zvyšuje rýchlosť rozhodovania a adaptabilitu modelov vďaka jednoduchosti ich úpravy pri objavení sa nových faktorov, ktoré ovplyvňujú ziskovosť a riziká investičného portfólia.

Je potrebné poznamenať, že prognostické modely na účely úverovej a fundamentálnej investičnej analýzy majú významné črty spojené s obmedzenými počiatočnými informáciami, voľbou horizontu plánovania a postupom výpočtu výsledného cash flow z pohľadu bánk a investičných spoločností. . Na zlepšenie presnosti predpovedí v takýchto modeloch je možné aktívne využívať predpovede odvetvia.

K programu sociálno-ekonomického rozvoja Ruska 2008-2016. Vedecká správa. M.: IE RAN, 2008, s. 10-11.

Stulz R. Zlyhania riadenia rizík: Čo sú a kedy sa stávajú?//Pracovný dokument//SSRN, 2008. Október.

Khudokormov A.G. Hlavné trendy v najnovšej ekonomickej teórii Západu (vedecká správa). M.: IE RAN, 2008. S. 68-69.

Sholomitsky A.G. teória rizika. Voľba pri modelovaní neistoty a rizika. M.: GU-VSHE, 2005. S. 317.

Colander D. The Complexity Revolution and the Future of Economics // Séria pracovných dokumentov Middlebury College 0319 / Middlebury College, Katedra ekonómie. 2003. S. 4.

Kleiner G.B. Podniková stratégia. M .: Vydavateľstvo "Delo" ANKh, 2008. S. 174-175.

Stuart T.A. intelektuálny kapitál. Nový zdroj bohatstva pre organizácie // M.: Generation, 2007. S. 93.

V súlade s klasifikáciou intelektuálneho kapitálu, ktorú navrhli H. Saint-Onge a L. Edvisson, štrukturálny kapitál zahŕňa databázy, počítačové siete, programy na podporu rozhodovania a ďalšie komponenty, ktoré kódujú poznatky pre ďalšie využitie zamestnancami spoločnosti, ako aj včasný prístup k toto poznanie. Podrobnosti nájdete v Stuartovi T.A. intelektuálny kapitál. Nový zdroj bohatstva pre organizácie // M.: Generation, 2007. S. 93.

Scott M. Nákladové faktory. Príručka pre manažérov na identifikáciu hodnotových faktorov. M.: CJSC "Olimp-Business", 2005. S. 243.

Siegel E.F. Praktická obchodná štatistika. M.: Williams Publishing House, 2008. S. 37.

Orlov A.I. Ekonometria / Učebnica. M.: Skúška, 2002.

Ako ukázal výpočet Pearsonových a Kolmogorovových testov dobrej zhody, pravdepodobnosť, že nesúlad medzi týmto empirickým rozdelením a normálnym rozdelením je vysvetlený náhodnými faktormi, je menšia ako 0,001.

Terentiev N. Analýza citlivosti investičného projektu v rámci nelinearity a multifaktoriality // Investície v Rusku. 2007. Číslo 4. S. 37.

Pozri napríklad Van Horn, J. K., Vakhovich, J. M. (Jr.). Základy finančného manažmentu. 11. vyd. M.: ID Williams, 2004. S. 454-455.

Kugaenko A.A. Základy teórie a praxe dynamického modelovania sociálno-ekonomických objektov a prognózovanie ich vývoja. Monografia. 2. vyd. M.: Vuzovskaya kniga, 2005. S. 21.

Podrobnejšie pozri napríklad: Collis Montgomery S.A. Firemná stratégia. zdrojový prístup. M.: CJSC "Olimp-Business", 2007. S. 25-28.

Zostatková súčasná hodnota portfólia je zostávajúca suma očakávaných čistých peňažných tokov z projektov v portfóliu. Viac informácií o zostatkovej súčasnej hodnote projektu nájdete na stránke Valdaytsev S.V. Oceňovanie podniku: učebnica. príspevok. 2. vyd. M.: TK Velby, Vydavateľstvo Prospect, 2004. S. 34.

Viac podrobností nájdete v Terentiev N.E. Multitrendový model predpovedania vývoja spoločnosti s prihliadnutím na riziká // Financie a podnikanie. 2008. Číslo 3. s. 78-92.

Sinki J. Finančný manažment v komerčnej banke a v odvetví finančných služieb / Per. z angličtiny. M.: Obchodné knihy Alpina, 2007. S. 477.

Viac podrobností nájdete v Terentiev N.E. Efektívnosť riadenia úverového rizika ako základ pre dlhodobú konkurencieschopnosť komerčnej banky // Moderná konkurencia. 2008. Číslo 6. S. 81-91.

Odoslanie dobrej práce do databázy znalostí je jednoduché. Použite nižšie uvedený formulár

Študenti, postgraduálni študenti, mladí vedci, ktorí pri štúdiu a práci využívajú vedomostnú základňu, vám budú veľmi vďační.

Podobné dokumenty

Teoretické základy prognózovania a jeho hlavné metódy, štádiá a typy prognóz. Metódy predikcie podnikateľského prostredia. Rozbor praktického využitia „stromovej“ metódy rozhodovania pri manažérskych rozhodnutiach na príklade firmy „Chita-Spetsstroy“.

ročníková práca, pridaná 5.5.2011

Podstata ekonomického prognózovania, charakteristika hlavných foriem prognózovania. Predvídanie vnútorných a vonkajších podmienok činnosti. Typy predpovedí a technológie predpovedí. Prognostické metódy: expertné, štatistické, kombinované.

ročníková práca, pridaná 22.12.2009

Presnosť v rozhodovaní. Základy prognózovania, štatistickej a regresnej analýzy pomocou softvéru na príklade predaja PHM na automatickej čerpacej stanici. Predpovedanie trendov a prognózovanie autoregresnou metódou.

semestrálna práca, pridané 06.04.2015

Prognostické metódy vo vývoji manažérskych rozhodnutí. Úloha prognózovania v procesoch regionálneho socioekonomického riadenia. Spôsoby zlepšenia plánovacích a prognostických činností pri riadení trvalo udržateľného rozvoja regiónu.

semestrálna práca, pridaná 4.10.2014

Proces riadenia podniku - rozvoj založený na analýze stavu manažérskych rozhodnutí. Prognostické metódy v organizácii: úlohy, účelnosť aplikácie, výsledky. Odborné hodnotenia pri prijímaní plánovaných rozhodnutí, extrapolácia trendov.

ročníková práca, pridaná 3.2.2012

Vývoj, koncepcia a podstata prognózovania a plánovania podnikovej činnosti. Štruktúra ekonomického predvídania. Charakteristické znaky metódy scenára, ako aj technologickej, expertnej, prieskumnej, normatívnej metódy prognózovania.

abstrakt, pridaný 15.04.2011

Podstata a klasifikácia rizík. Techniky rozvoja a výberu manažérskych rozhodnutí pod rizikom. Hlavná charakteristika cestovnej kancelárie. Riziko pri manažérskych rozhodnutiach v cestovnej spoločnosti LLC Romanova Oľga Travel Company.

semestrálna práca, pridaná 21.01.2014

Prognózovanie v inovačnej aktivite, klasifikácia prognóz podľa času a rozsahu pôsobenia. Prognózovanie poskytovania inovácií, ich sociálnych a environmentálnych dôsledkov. Stanovenie a vyhodnotenie inovačného potenciálu projektu, jeho parametrov.

ročníková práca, pridaná 24.07.2009

Prognóza: úspechy a neúspechy

Zabezpečenie kvality predpovedí

Základy prognostických technológií

Potvrdenie kvality prognózy

Prax a perspektívy rozvoja prognózovania v replikovaných a podnikových systémoch

Záver

Literatúra

Slovník pojmov

Zdroje

Aký je rozdiel medzi metódou prognózy a modelom?

Najprv klasifikujeme metódy

Ďalej urobíme všeobecnú klasifikáciu modelov

Klasifikácia modelov časových radov

Všeobecná klasifikácia

Trendy v prognózovaní vývoja firiem zohľadňujúce riziká

1.1. Všeobecné ekonomické trendy

1.2. Trendy rozvoja informačných technológií

1.3. Všeobecná technológia na vybudovanie modelu predpovedania vývoja podniku s prihliadnutím na riziká

Problémy prípravy počiatočných údajov pre prognostický model

2.1. Typy vstupných údajov

2.2. Výzvy pri zabezpečovaní relevantnosti a homogenity zdrojových údajov

2.3. Problém identifikácie zákonov rozdelenia pravdepodobnosti

2.4. Generovanie empirických rozdelení

2.5. Spôsoby špecifikácie trendov pre empirickú distribúciu

2.6. Nástroje na automatizáciu zberu a štatistickej analýzy počiatočných údajov

Vlastnosti hodnotenia rizík rozvoja na troch úrovniach riadenia v spoločnosti

3.1. Úroveň individuálneho investičného projektu

3.2. Úroveň portfólia investičných projektov

3.3. Úroveň spoločnosti ako celku

3.4. Vývoj modelu peňažných tokov spoločnosti

3.5. Príklad použitia modelu prognózovania rozvoja spoločnosti

Niektoré ďalšie aplikácie prediktívneho modelu

Aplikácia prediktívnych modelov pre internú analýzu

Aplikácia prognostických modelov v rámci externej strategickej analýzy

Aplikácia prognostických modelov v bankách a iných finančných inštitúciách

Odoslanie dobrej práce do databázy znalostí je jednoduché. Použite nižšie uvedený formulár

Podobné dokumenty

Prečítajte si tiež