Комп'ютерні технології та прогнозування

Необхідність прогнозування є об'єктивною. Майбутнє багатьох явищ невідоме, але дуже важливе для рішень, що приймаються зараз.

Необхідність прогнозування є об'єктивною. Майбутнє багатьох явищ невідоме, але дуже важливе для рішень, що приймаються зараз. До процесів, що вимагають застосування процедур прогнозування, належить і економічна діяльність. Проте всі етапи прогнозування, зокрема його організація, забезпечення та інтерпретація результатів далеко ще не тривіальні. І дуже суттєву допомогу в цьому можуть надати ІТ.

Прогнозування: успіхи та невдачі

На сьогодні проведено чимало досліджень та отримано вражаючі практичні розв'язання проблеми прогнозування у науці, техніці, економіці, демографії та інших галузях. Увага до цієї проблеми зумовлено зокрема масштабами сучасної економіки, потребами виробництва, динамікою розвитку суспільства, необхідністю вдосконалення планування на всіх рівнях управління, а також накопиченим досвідом. Прогнозування - один із вирішальних елементів ефективної організації управління окремими господарюючими суб'єктами та економічними спільнотами внаслідок того, що якість прийнятих рішень великою мірою визначається якістю прогнозування їх наслідків. Тому рішення, що приймаються сьогодні, повинні спиратися на достовірні оцінки можливого розвитку явищ, що вивчаються, і подій у майбутньому.

Удосконалення прогнозування багатьма фахівцями бачиться у розвитку відповідних інформаційних технологій. Необхідність їх застосування обумовлена низкою причин, серед яких:

зростання обсягів інформації;
складність алгоритмів розрахунку та інтерпретації результатів;
високі вимоги щодо якості прогнозів;
необхідність використання результатів прогнозування для вирішення завдань планування та управління.

Періодично з'являються відомості про позитивні результати, досягнуті тією чи іншою компанією. У ряді публікацій наголошується, що успішна оцінка тенденцій ринкової ситуації, попиту на товари чи послуги, а також інших економічних процесів та характеристик дозволяє отримати суттєвий приріст прибутку, покращити інші економічні показники. Механізм успіху на перший погляд простий і зрозумілий: припускаючи, що станеться в майбутньому, можна вчасно вжити ефективних заходів, використовуючи позитивні тенденції та компенсуючи негативні процеси та явища.

Проте є й негативні приклади. Як раніше зазначав журнал «Директор інформаційної служби», компанія Cisco, свого часу проголошена символом нової економіки, не тільки не змогла передбачити економічний спад 2001 року, а й виявилася навіть у гіршому становищі, ніж інші, оскільки вважала своє програмно-методичне забезпечення прогнозування попиту бездоганним. Менеджмент компанії не припускав, що однією з причин її кризи можуть бути методи та технології прогнозування. Внаслідок допущеної аналітичної помилки було списано товарів на 2,2 млрд. дол., звільнено близько 20% співробітників, а акції компанії подешевшали майже у шість разів. Таким чином, причина кризи Cisco не в затримках отримання або недостатньому обсязі вихідної інформації, необхідної для роботи аналітиків компанії. Труднощі виникли, очевидно, через методичні помилки та неадекватну оцінку одержуваних прогнозів. Можна припустити, що модель Cisco не забезпечувала необхідний рівень адаптації прогнозних оцінок до поточної зміни ринкової ситуації.

Забезпечення якості прогнозування

Точність, достовірність та оперативність, втім, як і інші складові якості прогнозування, забезпечуються низкою факторів, серед яких необхідно виділити:

програмне забезпечення, в основі якого лежать адекватні реальності економіко-математичні моделі; повноту охоплення та надійність джерел вихідної інформації, на якій заснована робота алгоритмів прогнозування;
оперативність обробки внутрішньофірмової та зовнішньої інформації;
вміння критично аналізувати прогнозні оцінки;
своєчасність внесення необхідних змін до методичного та інформаційного забезпечення прогнозування.

В основі спеціального програмного забезпечення лежать ретельно підібрані моделі, методи та методики. Їх реалізація вкрай важлива отримання якісних прогнозів під час вирішення завдань поточного і стратегічного планування. Аналіз ситуації, що склалася показує, що труднощі при впровадженні ІТ, що забезпечують прогнозування економічних процесів, носять не тільки технічний або методичний, а й організаційно-психологічний характер. Споживачі результатів часом не розуміють принципів моделей, їх формалізацію та об'єктивно існуючі обмеження. Це, як правило, породжує недовіру до отриманих результатів. Інша група проблем застосування пов'язана з тим, що прогнозуючі моделі нерідко мають замкнутий, автономний характер і тому їх узагальнення з метою розвитку та взаємної адаптації важко. Отже, компромісним рішенням може бути поетапний підхід із головних аналітичних завдань.

Однак готових тиражованих або корпоративних рішень, що забезпечують прогнозування для малих та середніх економічних суб'єктів на системному рівні з високою якістю та доступними за ціною, практично немає. Нині автоматизовані системи управління підприємством обмежуються переважно елементарними завданнями обліку та контролю. Причина цього у тому, що до появи сучасних ІТ був широких можливостей використовувати ефективні економіко-математичні моделі у процесі економічної діяльності. Крім того, застосування моделей прогнозування, що були, в аналітичних цілях не висували настільки високих вимог до їх інформаційного забезпечення.

Основи технологій прогнозування

При побудові прогнозуючої системи «з нуля» необхідно вирішити цілу низку організаційних та методологічних питань. До перших можна віднести:

навчання користувачів методам аналізу та інтерпретації результатів прогнозів;
визначення напрямків руху прогнозної інформації всередині підприємства, на рівні його підрозділів та окремих співробітників, а також структури комунікацій із діловими партнерами та органами влади;
визначення термінів та періодичності проведення процедур прогнозування;
розробку принципів ув'язування прогнозу з перспективним плануванням та порядок відбору варіантів отриманих результатів під час упорядкування плану розвитку підприємства.

Методологічними проблемами побудови підсистеми прогнозування є:

розробка внутрішньої структури та механізму її функціонування;
організація інформаційного забезпечення;
розробка математичного забезпечення.

Перша проблема найбільш складна, оскільки для її вирішення необхідно побудувати комплекс моделей прогнозування, сферою застосування яких є система взаємопов'язаних показників. Проблема систематизації та оцінки методів прогнозування виступає тут як одна з центральних, тому що для вибору конкретного методу необхідно проводити їхній порівняльний аналіз. Варіант класифікації методів прогнозування, що враховує особливості системи знань, що лежить в основі кожної групи, може бути представлений таким чином : методи експертних оцінок; методи логічного моделювання; математичні методи

Кожна група придатна на вирішення певного кола завдань. Тому практика висуває такі вимоги до використовуваних методів: вони мають бути орієнтовані на конкретний об'єкт прогнозування, повинні спиратися на кількісний захід адекватності, бути диференційованими за точністю оцінок та горизонтом прогнозування.

Основні завдання, що виникають у процесі створення прогнозуючої системи, поділяються на:

побудова системи прогнозованих процесів та показників;
розробку апарату економічного та математичного аналізу прогнозованих процесів та показників;
конкретизацію методу експертних оцінок, виділення показників для експертизи та отримання експертних оцінок деяких прогнозованих процесів та показників;
прогнозування показників та процесів із зазначенням довірчих інтервалів та точностей;
розробку методик інтерпретації та аналізу отриманих результатів.

На окрему увагу заслуговують роботи з інформаційного та математичного забезпечення прогнозуючої системи. Процес створення математичного забезпечення можна як наступних етапів :

розробка методики структурної ідентифікації об'єкта прогнозування;
розробка методів параметричної ідентифікації об'єкта прогнозування;
розробка методів прогнозування тенденцій;
розробка методів прогнозування гармонійних складових процесів;
розробка методів оцінки характеристик випадкових складових процесів;
створення комплексних моделей для прогнозування показників, що утворюють взаємозалежну систему.

Створення прогнозуючої системи вимагає комплексного підходу до вирішення проблеми її інформаційного забезпечення, під яким зазвичай розуміється сукупність вихідних даних, що використовуються для отримання прогнозів, а також методів, способів та засобів, що забезпечують збирання, накопичення, зберігання, пошук та передачу даних у процесі функціонування прогнозуючої системи. та її взаємодії з іншими системами управління підприємством.

Інформаційне забезпечення системи зазвичай включає:

Інформаційний фонд (база даних);

Джерела формування інформаційного фонду, потоки та способи надходження даних;

Методи накопичення, зберігання, оновлення та пошуку даних, що утворюють інформаційний фонд;

Методи, принципи та правила циркуляції даних у системі;

Методи забезпечення достовірності даних на всіх етапах їх збору та обробки;

Методи інформаційного аналізу та синтезу;

Способи однозначного формалізованого опису економічних даних.

Таким чином, для реалізації процесу прогнозування потрібні такі основні компоненти:

Джерела внутрішньої інформації, що ґрунтується на системах управлінського та бухгалтерського обліку;

Джерела зовнішньої інформації;

Спеціалізоване програмне забезпечення, що реалізує алгоритми прогнозування та аналіз результатів.

Крім зазначених компонентів, повинні використовуватися відповідні технології зберігання, обміну та подання інформації.

Підтвердження якості прогнозування

Враховуючи важливість вирішення завдання прогнозування для суб'єктів ринку, доцільно перевірку якості запропонованих методів та алгоритмів, а також технологій загалом здійснювати за спеціально підібраними (тестовими) вихідними даними. Аналогічний шлях верифікації досить давно використовується в оцінці адекватності математичних інструментів, призначених для нелінійної оптимізації, наприклад, за допомогою функцій Розенброка і Пауела.

Підтвердження (або верифікація) якості та працездатності технології прогнозування здійснюється зазвичай порівнянням апріорно відомих модельних даних з їх прогнозованими значеннями та оцінкою статистичних характеристик точності прогнозів. Розглянемо цей прийом у ситуації, коли моделі процесів є адитивною сукупністю тренду Tt, сезонної (гармонійної) і випадкової складових.

На рис. 1 як ілюстрації тенденції адитивної моделі представлений параболічний тренд другого порядку на рис. 2 – сезонна складова процесу з періодом 12 місяців, а на рис. 3 – випадковий компонент. Порівняння фактичної реалізації процесу з його прогнозом, здійсненим у рамках методології короткострокового прогнозування, наведено на рис. 4. Абсолютні помилки проілюстровані на рис. 5. Якість технології оцінюється за статистичними характеристиками похибок оцінок прогнозів.

Практика та перспективи розвитку прогнозування в тиражованих та корпоративних системах

В даний час поширення отримали різні програмні засоби, що забезпечують тією чи іншою мірою збір і аналітичну обробку інформації. Одні з них, наприклад MS Excel, оснащені вбудованими статистичними функціями та засобами програмування. Інші ж, особливо недорогі програми бухгалтерського та управлінського обліку, такі можливості не мають або аналітичні можливості реалізовані в них недостатньо, а іноді й некоректно. Втім, це властиво, на жаль, і деяким потужнішим і багатофункціональним системам управління підприємством, що знайшло підтвердження на минулих виставках «Аптека 2001» (листопад-грудень 2001 року) та «Бухгалтерський облік та аудит 2002» (січень 2). Таке становище пояснюється, мабуть, неглибоким аналізом із боку розробників властивостей обраних ними алгоритмів прогнозування та його некритичним застосуванням. Наприклад, судячи з доступних джерел, часто в основі прогнозованих алгоритмів використовується експонентне згладжування нульового порядку. Проте цей підхід правомочний лише за відсутності тенденції досліджуваного процесу. Насправді ж економічні процеси є нестаціонарними, і прогнозування передбачає використання складніших моделей, ніж моделі з постійним трендом.

Цікаво в ракурсі теми простежити шлях розвитку вітчизняних автоматизованих банківських систем. Перші банківські системи ґрунтувалися на жорсткій технології, постійно вимагаючи внесення змін чи додаткового програмного забезпечення. Це спонукало розробників фінансового програмного забезпечення, дотримуючись принципів відкритості, масштабованості та гнучкості, використовувати промислові СУБД. Однак самі собою ці СУБД виявилися непридатними для вирішення аналітичних завдань високого рівня, до яких належить проблема прогнозування. Для цього довелося використовувати додатково технології сховищ даних та оперативної аналітичної обробки, які забезпечили роботу систем підтримки прийняття рішень фінансово-кредитних установ та складання прогнозів. Такий самий підхід використовується і в комплексних системах управління підприємствами.

Іншим напрямком сучасного прикладного використання методів прогнозування на основі ІТ є розв'язання широкого кола маркетингових завдань. Ілюстрацією може бути програмне забезпечення SAS Churn Management Solution for Telecommunications. Воно призначене для телекомунікаційних операторів і дозволяє, як стверджується його розробниками, будувати прогностичні моделі та з їхньою допомогою оцінювати можливість відтоку окремих категорій клієнтів. Основою цього програмного забезпечення є сервер розподіленої бази даних Scalable Performance Data Server, засоби для побудови та адміністрування сховищ та вітрин даних, інструментарій інтелектуального аналізу даних Enterprise Miner, система підтримки прийняття рішень SAS/MDDB Server, а також допоміжні засоби. Для забезпечення конкурентоспроможності новомодних CRM-систем до списку їх розширених можливостей, так само як і для автоматизованих банківських систем, включені функції звітності, що використовують технології OLAP та дозволяють певною мірою здійснювати прогнозування результатів маркетингу, продажу та обслуговування клієнтів.

Існує чимало спеціалізованих програмних продуктів, які забезпечують статистичну обробку чисельних даних, включаючи окремі елементи прогнозування. До таких продуктів відносяться SPSS, Statistica та ін Ці засоби мають як переваги, так і недоліки, що істотно обмежують сферу їх практичного застосування. Тут слід зазначити, що оцінка пристосованості спеціалізованих математичних і статистичних програмних засобів на вирішення завдань прогнозування звичайними користувачами, які мають спеціальної підготовки, вимагає окремого серйозного дослідження та обговорення .

Проте вирішення завдань прогнозування для споживачів з малого та середнього бізнесу за допомогою потужних та дорогих інформаційних систем та технологій практично неможливе насамперед із фінансових міркувань. Тому дуже перспективним напрямом є розвиток аналітичних можливостей існуючих та поширених недорогих систем бухгалтерського та управлінського обліку. Додаткові звіти, що розробляються, засновані на конкретних бізнес-процесах і містять необхідну аналітичну інформацію для конкретного користувача, мають високе відношення «ефективність - вартість».

Деякі розробники програмного забезпечення створюють цілі лінійки аналітичних засобів. Наприклад, корпорація «Вітрило» пропонує для широкого кола користувачів з малого та середнього бізнесу рішення «Парус-Аналітика» та «Тріумф-Аналітика». Більш складні завдання аналітичної обробки прогнозної інформації інтегровані у систему «Парус» як так званого ситуаційного центру. За словами Дмитра Сударєва, менеджера з розвитку тиражних рішень, у 1997 році було прийнято рішення розробити та впровадити програмні продукти, що дозволяють перейти від простого обліку фактів у діяльності підприємства до аналізу інформації. При цьому було заплановано перехід від автоматизації роботи бухгалтерів та менеджерів середньої ланки до обробки інформації для вищого менеджменту. З урахуванням можливого кола споживачів «Вітрило-Аналітика» та «Тріумф-Аналітика» особливих вимог до програмно-апаратного оточення не пред'являють, проте рішення «Тріумф-Аналітика» реалізовано на базі MS SQL Server, що забезпечує йому більш широкі можливості щодо прогнозування досліджуваних процесів , зокрема, враховується гармонійна складова прогнозів

Цінність прогнозу багаторазово збільшується, що він безпосередньо використовується під час управління підприємством. Тому важливим напрямком є інтеграція прогнозуючих систем з такими системами, як «Касатка», MS Project Expert та ін. стратегічного планування Таке цільове призначення визначає необхідність виявлення довгострокових тенденцій та їхнього обліку при плануванні. Горизонт прогнозування у своїй визначається з відповідних цілей організації.

Висновок

Вибір технології прогнозування та засобів її реалізації повинен проводитись відповідно до цілей та завдань конкретного споживача, враховувати рівень інформаційного забезпечення, кваліфікацію користувачів та цілий ряд інших факторів. Ці причини потребують індивідуальної розробки або адаптації створеного спеціального програмного забезпечення.

Література

Баутов А. Н. Нотатки про статтю С. А. Кошечкіна "Алгоритм прогнозування продажів у MS Excel", Маркетинг у Росії та за кордоном, 2002. № 2.
Берінато С. Що сталося з Cisco? .
Бокс Дж., Дженкінс Г. Аналіз часових рядів. Прогноз та управління. М.: Мир, 1974. Боровиков У. П., Івченко Р. І. Прогнозування у системі Statistica серед Windows. М.: Фінанси та статистика. 2000.
Іванов П. Управління стихією . Computerwold Росія. 2001. № 18. Кільдішев Г. С., Френкель А. А. Аналіз тимчасових рядів та прогнозування. М: Статистика, 1973.
Раяцкас Р. Л. Система моделей планування та прогнозування. М: Економіка, 1976.
Редкозубов С. А. Статистичні методи прогнозування в АСУ. М: Енерговидав, 1981.
Тарасов І. У. Ви впевнені, що вам продають CRM? "Директор інформаційної служби". 2001. № 5-6 .
Шестопалова Н. В. Банківські стихії . Світ ПК. 1998. № 5 .

Глосарій

Прогнозування(в економічному плануванні) – науково-аналітичний етап процесу економічного планування. Головними завданнями прогнозування при розробці господарських планів є: науковий аналіз соціальних, економічних та науково-технічних процесів та тенденцій, об'єктивних зв'язків соціально-економічних явищ у конкретних умовах, оцінка ситуації та виявлення вузлових проблем господарського розвитку; оцінка розвитку цих тенденцій у майбутньому та передбачення нових економічних ситуацій, нових проблем, які потребують свого вирішення; виявлення можливих альтернатив розвитку для обґрунтованого вибору тієї чи іншої можливості та прийняття оптимального рішення.

Автоматизація управління- Використання органами управління підприємства методів та техніки автоматичної переробки інформації, у тому числі для вироблення оптимальних економічних рішень. Автоматизація управління пов'язана з впровадженням економіко-математичних методів та ІТ.

Інформаційне забезпечення системи- сукупність методів та засобів відбору, класифікації, зберігання, пошуку, оновлення та обробки інформації в системі. Інформаційне забезпечення включає: склад інформації (перелік інформаційних одиниць чи сукупностей); структуру інформації та закономірності її перетворення; характеристики руху інформації; характеристики якості інформації; методи обробки інформації. Інформаційне забезпечення може бути охарактеризовано у функціональному, структурному, трансформаційному та організаційно-методичному аспектах. Об'єктами трансформаційного аспекту є перетворення мови економічного управління за рівнями та етапами просування інформації в системі.

Лаг запізнення- проміжок часу між моментом виникнення реакції системи (ефектом) на прикладений до неї вплив та моментом його застосування. У соціально-економічних системах величини лагів відіграють істотну роль плануванні та управлінні. Особливо важливі запізнення віддачі інвестицій.

Тренд(Детермінована основа прогнозованого процесу) - загальна, основна тенденція зміни динамічного ряду (процесу) протягом досить тривалого періоду спостережень за ним. Вважається, що тренд визначається дією постійно діючих факторів.

Гармонійна складова прогнозованого процесу- Складова, дія якої визначається факторами, що мають періодичний характер. Окремий випадок - сезонна складова, яка визначається в основному кліматичними умовами та суспільними традиціями.

Випадкова складова прогнозованого процесу- Відхилення фактичних значень процесу від прогнозних, причини яких не встановлені і не можуть бути виявлені в рамках прийнятої моделі.

Економіко-математичні методи- умовна назва комплексу наукових та прикладних дисциплін на стику економіки та математики. Включають такі групи дисциплін: економіко-статистичні методи; економетрику; вивчення операцій на економіці; економічну кібернетику.

Експертні оцінки- оцінки процесів чи явищ, що не піддаються безпосередньому виміру. Експертні оцінки відіграють істотну роль при прийнятті рішень, у тому числі при прогнозуванні альтернатив та їх наслідків.

Евристичний метод прогнозування- використання думки фахівців у цій галузі; застосовується для прогнозування процесів, формалізації яких не можна здійснити на момент прогнозування. Є синонімом методу експертних оцінок.

Mатематичні методи прогнозуванняумовно поділяються на методи моделювання процесів розвитку та методи екстраполяції. В їх основі використовуються математичні інструменти.

Методи логічного прогнозування та аналізупов'язані перш за все з аналізом несуперечності ходу та результатів прогнозування. Служать як зворотний зв'язок у прогнозуючій системі. Методи логічного аналізу, крім того, дозволяють вирішувати самостійні завдання, наприклад, побудови морфологічних моделей, які надалі використовуються в основі формалізованих (математичних) моделей прогнозування.

Комбіновані методи прогнозування- спільне використання методів евристичного та математичного прогнозування з метою об'єднання властивих їм переваг та компенсації недоліків.

Інтервальний прогноз- область значень, яку із заданою ймовірністю потрапить прогнозоване значення при відомих параметрах процесу .

Критерії якості прогнозування- Основним критерієм якості є точність прогнозу. Крім того, можуть використовуватись критерії оперативності, достовірності тощо.

Помилки прогнозування- Відмінність поточного спостереження за об'єктом прогнозування від очікуваного значення. Помилки прогнозування викликаються різними причинами: - невизначеністю майбутньої ситуації; змінами у самому об'єкті прогнозування; впливом знову виникли факторів та ін.

Пророцтво- судження про майбутній стан об'єкта, що має в основному суб'єктивний характер.

Модель об'єкта прогнозування- Використання явища ізоморфізму (аналогії) для опису реального об'єкта прогнозування за допомогою математичних співвідношень та логічних висновків (у більш рідкісних випадках використовуються фізичні моделі). Модель являє собою деяку абстракцію від дійсності, що враховує тільки ті характеристики оригіналу, які становлять інтерес або істотно впливають на його розвиток. Проблема вибору моделі об'єкта прогнозування визначається низкою факторів: інформацією про процеси або об'єкти, подібні до прогнозованого; точністю інформації про цей процес (об'єкт); обсягом цієї інформації. В даний час існує безліч класифікацій моделей прогнозування.

Прогнозуюча система- Сукупність методів, способів та засобів збору вихідних даних, обробки інформації та подання прогнозів з необхідною якістю.

Джерела

Математика та кібернетика в економіці. Словник-довідник. 2-ге вид. , перероб. та дод. М: Економіка, 1975.
Чуєв Ю. В., Михайлов Ю. Б., Кузьмін В. І. Прогнозування кількісних характеристик процесів. М: Радянське радіо, 1975.
Кільдішев Г. С., Френкель А. А. Аналіз тимчасових рядів та прогнозування. М: Статистика, 1973.

Tutorial

Я займаюся прогнозуванням тимчасових лав уже понад 5 років. Минулого року мною була захищена дисертація на тему « Модель прогнозування тимчасових рядів щодо вибірки максимальної подоби», проте питань після захисту залишилося чимало. Ось один із них — загальна класифікація методів та моделей прогнозування.

Зазвичай у роботах як вітчизняних, і англомовних автори не задаються питанням класифікації методів і моделей прогнозування, а їх перераховують. Але мені здається, що на сьогоднішній день дана область так розрослася і розширилася, що найзагальніша, але класифікація необхідна. Нижче наведено мій власний варіант загальної класифікації.

У чому різниця між методом та моделлю прогнозування?

Метод прогнозуванняє послідовність дій, які потрібно зробити для отримання моделі прогнозування. За аналогією з кулінарії метод є послідовність дій, згідно з якою готується страва — тобто зробиться прогноз.

Модель прогнозуванняє функціональне уявлення, адекватно описує досліджуваний процес і є основою отримання його майбутніх значень. У тій же кулінарній аналогії модель є список інгредієнтів та їх співвідношення, необхідне нашій страві — прогнозу.

Сукупність методу та моделі утворюють повний рецепт!

Нині прийнято використовувати англійські абревіатури назв як моделей, і методів. Наприклад, існує знаменита модель прогнозування авторегресії проінтегрованого ковзного середнього з урахуванням зовнішнього фактора (AURIMAX). Цю модель і відповідний метод зазвичай називають ARIMAX, а іноді моделлю (методом) Бокса-Дженкінса на ім'я авторів.

Спочатку класифікуємо методи

Якщо подивитися уважно, то швидко з'ясовується, що метод прогнозуваннянабагато ширше поняття « модель прогнозування». У зв'язку з цим першому етапі класифікації зазвичай ділять методи дві групи: інтуїтивні і формализованные .

Якщо ми згадаємо нашу кулінарну аналогію, то й там можна розділити всі рецепти на формалізовані, тобто записані за кількістю інгредієнтів та способом приготування, та інтуїтивні, тобто ніде не записані та отримані з досвіду кулінара. Коли ми не користуємось рецептом? Коли страва дуже проста: посмажити картоплю чи зварити пельмені – тут рецепт не потрібен. Коли ми ще не користуємося рецептом? Коли хочемо винайти щось нове!

Інтуїтивні методи прогнозуваннямають справу з судженнями та оцінками експертів. На сьогоднішній день вони часто застосовуються в маркетингу, економіці, політиці, оскільки система, поведінку якої необхідно спрогнозувати, або дуже складна і не піддається математичному опису, або дуже проста і такого опису не потребує. Подробиці про такі методи можна глянути в .

Формалізовані методи— описані у літературі методи прогнозування, у яких будують моделі прогнозування, тобто визначають таку математичну залежність, яка дозволяє обчислити майбутнє значення процесу, тобто зробити прогноз.

На цьому загальна класифікація методів прогнозування, на мій погляд, може бути закінчена.

Далі зробимо загальну класифікацію моделей

Тут потрібно переходити до класифікації моделей прогнозування. На першому етапі моделі слід розділити на дві групи: моделі предметної області та моделі часових рядів.

Моделі предметної галузі- Такі математичні моделі прогнозування, для побудови яких використовують закони предметної галузі. Наприклад, модель, на якій роблять прогноз погоди, містить рівняння динаміки рідин та термодинаміки. Прогноз розвитку популяції виробляється моделі, побудованої на диференціальному рівнянні. Прогноз рівня цукру крові людини, хворої на діабет, робиться на підставі системи диференціальних рівнянь. Словом, у таких моделях використовуються залежності, властиві конкретній предметній області. Такі моделям властивий індивідуальний підхід у створенні.

Моделі часових рядів— математичні моделі прогнозування, які прагнуть знайти залежність майбутнього значення від минулого всередині самого процесу і в цій залежності вирахувати прогноз. Ці моделі універсальні для різних предметних областей, тобто їхній загальний вигляд не змінюється в залежності від природи тимчасового ряду. Ми можемо використовувати нейронні мережі для прогнозування температури повітря, а потім аналогічну модель на нейронних мережах застосувати для прогнозу біржових індексів. Це узагальнені моделі, як окріп, у яких якщо залишити товар, він звариться незалежно від його природи.

Класифікуємо моделі часових рядів

Мені здається, що скласти загальну класифікацію моделей предметної області неможливо: скільки областей, стільки і моделей! Однак моделі часових рядів легко піддаються простому поділу. Моделі часових рядів можна розділити на дві групи: статистичні та структурні.

В статистичних моделяхзалежність майбутнього значення від минулого задається у вигляді деякого рівняння. До них відносяться:

регресійні моделі (лінійна регресія, нелінійна регресія);
авторегресійні моделі (ARIMAX, GARCH, ARDLM);
модель експонентного згладжування;
модель з вибірки максимальної подоби;
і т.д.

В структурних моделяхзалежність майбутнього значення від минулого задається у вигляді деякої структури та правил переходу по ній. До них відносяться:

нейромережеві моделі;
моделі з урахуванням ланцюгів Маркова;
моделі на основі класифікаційно-регресійних дерев;
і т.д.

Для обох груп я вказала основні, тобто найбільш поширені та докладно описані моделі прогнозування. Однак на сьогоднішній день моделей прогнозування часових рядів є вже величезна кількість і для побудови прогнозів, наприклад, стали використовувати SVM (support vector machine) моделі, GA (genetic algorithm) моделі та багато інших.

Загальна класифікація

Таким чином ми отримали наступну класифікацію моделей та методів прогнозування.

Тихонов Е.Є. Прогнозування за умов ринку. Невинномиськ, 2006. 221 с.
Armstrong J.S. Forecasting for Marketing // Quantitative Methods in Marketing. London: International Thompson Business Press, 1999. P. 92 - 119.
Jingfei Yang M. Sc. Power System Short-term Load Forecasting: Thesis for Ph.d degree. Німеччина, Darmstadt, Elektrotechnik und Informationstechnik der Technischen Universitat, 2006. 139 p.

UPD. 15.11.2016.
Панове, дійшло до маразму! Нещодавно мені надіслали на рецензію статтю для ВАКівського видання із посиланням на цей запис. Звертаю увагу, що ні в дипломах, ні у статтях, ні тим більше у дисертаціях посилатися на блог не можна! Якщо хочете посилання, то використовуйте це: Чучуєва І.А. МОДЕЛЬ ПРОГНОЗУВАННЯ ТИМЧАСОВИХ РЯДІВ З ВИБІРКИ МАКСИМАЛЬНОГО ПОДОБИ, дисертація ... канд. тих. наук/Московський державний технічний університет ім. н.е. Баумана. Москва, 2012 року.

Теги: Додати теги

До появи сучасних ІТ був широких можливостей використовувати ефективні экономико-математические моделі у процесі економічної діяльності. Крім того, застосування наявних моделей прогнозування в аналітичних цілях не висувала таких високих вимог до їх інформаційного забезпечення.

Основи технологій прогнозування

- навчання користувачів методам аналізу та інтерпретації результатів прогнозів;
- визначення напрямків руху прогнозної інформації всередині підприємства, на рівні його підрозділів та окремих співробітників, а також структури комунікацій з діловими партнерами та органами влади;
- визначення термінів та періодичності проведення процедур прогнозування;
- Розробку принципів ув'язки прогнозу з перспективним плануванням та порядок відбору варіантів отриманих результатів при складанні плану розвитку підприємства.

Методологічними проблемами побудови підсистеми прогнозування є:

- розробка внутрішньої структури та механізму її функціонування;
- Організація інформаційного забезпечення;
- Розробка математичного забезпечення.

Перша проблема є найбільш складною, оскільки для її вирішення необхідно побудувати комплекс моделей прогнозування, сферою застосування яких є система взаємопов'язаних показників. Проблема систематизації та оцінки методів прогнозування виступає тут як одна з центральних, тому що для вибору конкретного методу необхідно проводити їхній порівняльний аналіз. Варіант класифікації методів прогнозування, що враховує особливості системи знань, що лежить в основі кожної групи, може бути представлений таким чином: методи експертних оцінок; методи логічного моделювання; математичні методи

Основні завдання, що виникають у процесі створення прогнозуючої системи, поділяються на:

- Побудова системи прогнозованих процесів та показників;
- розробку апарату економічного та математичного аналізу прогнозованих процесів та показників;
- конкретизацію методу експертних оцінок, виділення показників для експертизи та отримання експертних оцінок деяких прогнозованих процесів та показників;
- прогнозування показників та процесів із зазначенням довірчих інтервалів та точностей;
- розробку методик інтерпретації та аналізу отриманих результатів.

На окрему увагу заслуговують роботи з інформаційного та математичного забезпечення прогнозуючої системи. Процес створення математичного забезпечення можна представити у вигляді наступних етапів:

- Розробка методики структурної ідентифікації об'єкта прогнозування;
- Розробка методів параметричної ідентифікації об'єкта прогнозування;
- розробка методів прогнозування тенденцій;
- розробка методів прогнозування гармонійних складових процесів;
- розробка методів оцінки характеристик випадкових складових процесів;
- Створення комплексних моделей для прогнозування показників, що утворюють взаємопов'язану систему.

Інформаційне забезпечення системи зазвичай включає:

- Інформаційний фонд (базу даних);
- Джерела формування інформаційного фонду, потоки та способи надходження даних;
- методи накопичення, зберігання, оновлення та пошуку даних, що утворюють інформаційний фонд;
- методи, принципи та правила циркуляції даних у системі;
- методи забезпечення достовірності даних на всіх етапах їх збору та обробки;
- методи інформаційного аналізу та синтезу;
- способи однозначного формалізованого опису економічних даних.

Таким чином, для реалізації процесу прогнозування потрібні такі основні компоненти:

- джерела внутрішньої інформації, що ґрунтується на системах управлінського та бухгалтерського обліку;
- Джерела зовнішньої інформації;
- спеціалізоване програмне забезпечення, що реалізує алгоритми прогнозування та аналіз результатів.

В даний час поширення отримали різні програмні засоби, що забезпечують тією чи іншою мірою збір і аналітичну обробку інформації. Одні з них, наприклад MS Excel, оснащені вбудованими статистичними функціями та засобами програмування. Інші ж, особливо недорогі програми бухгалтерського та управлінського обліку, такі можливості не мають або аналітичні можливості реалізовані в них недостатньо, а іноді й некоректно. Втім, це властиво, на жаль, і деяким потужнішим і багатофункціональним системам управління підприємством. Таке становище пояснюється, мабуть, неглибоким аналізом із боку розробників властивостей обраних ними алгоритмів прогнозування та його некритичним застосуванням. Наприклад, судячи з доступних джерел, часто в основі прогнозованих алгоритмів використовується експонентне згладжування нульового порядку. Проте цей підхід правомочний лише за відсутності тенденції досліджуваного процесу. Насправді економічні процеси є нестаціонарними, і прогнозування передбачає використання складніших моделей, ніж моделі з постійним трендом.

Цікаво в ракурсі теми простежити шлях розвитку вітчизняних автоматизованих банківських систем. Перші банківські системи ґрунтувалися на жорсткій технології, постійно вимагаючи внесення змін чи додаткового програмного забезпечення. Це спонукало розробників фінансового програмного забезпечення, дотримуючись принципів відкритості, масштабованості та гнучкості, використовувати промислові СУБД. Проте самі собою ці СУБД виявилися непридатними для вирішення аналітичних завдань високого рівня, до яких належить проблема прогнозування. Для цього довелося використовувати додатково технології сховищ даних та оперативної аналітичної обробки, які забезпечили роботу систем підтримки прийняття рішень фінансово-кредитних установ та складання прогнозів. Такий самий підхід використовується і в комплексних системах управління підприємствами.

Для забезпечення конкурентоспроможності новомодних CRM-систем до списку їх розширених можливостей, так само як і для автоматизованих банківських систем, включені функції звітності, що використовують технології OLAP та дозволяють певною мірою здійснювати прогнозування результатів маркетингу, продажу та обслуговування клієнтів.

Деякі розробники програмного забезпечення створюють цілі лінійки аналітичних засобів. Наприклад, корпорація «Вітрило» пропонує для широкого кола користувачів з малого та середнього бізнесу рішення «Парус-Аналітика» та «Тріумф-Аналітика». Більш складні завдання аналітичної обробки прогнозної інформації інтегровані у систему «Парус» як так званого ситуаційного центру. За словами Дмитра Сударєва, менеджера з розвитку тиражних рішень, було прийнято рішення розробити та впровадити програмні продукти, що дозволяють перейти від простого обліку фактів у діяльності підприємства до аналізу інформації. При цьому було заплановано перехід від автоматизації роботи бухгалтерів та менеджерів середньої ланки до обробки інформації для вищого менеджменту. З урахуванням можливого кола споживачів «Вітрило-Аналітика» та «Тріумф-Аналітика» особливих вимог до програмно-апаратного оточення не пред'являють, проте рішення «Тріумф-Аналітика» реалізовано на базі MS SQL Server, що забезпечує йому більш широкі можливості щодо прогнозування досліджуваних процесів , зокрема, враховується гармонійна складова прогнозів.

Завдання довгострокового розвитку, що стоять перед російською економікою, вимагають радикального підвищення ефективності управління на різних рівнях. Повною мірою це завдання постає перед вітчизняними компаніями. Необхідність її вирішення актуалізує розробку інструментарію для прогнозування перспектив розвитку та оцінки впливу стратегій, що розробляються, на стійкість фінансового стану компаній.

У доповіді обґрунтовано необхідність переходу від суто аналітичних способів опису компанії до ймовірнісного опису за допомогою імітаційного моделювання грошових потоків. Це забезпечує реалізацію системного підходу до фінансового прогнозування та оцінки ризиків розвитку компанії, що робить його нині пріоритетним підходом до побудови фінансових моделей у провідних зарубіжних компаніях.

Застосування ймовірнісних моделей для прогнозування розвитку компанії з урахуванням ризиків, як показав досвід автора, пов'язане з постановкою цілого ряду складних проблем як загальнотеоретичного, так і методичного характеру, які практично не висвітлені у вітчизняній та зарубіжній спеціальній літературі. Без їх вирішення неможливе широке використання у російських компаніях сучасних методів фінансового стратегічного управління. До таких проблем, наприклад, відноситься проблема формування моделі всього простору варіантів без необхідності їх повного перебору, що без шкоди для точності прогнозування на основі аналізу збіжності дозволяє скоротити кількість аналізованих комбінацій параметрів моделі на кілька порядків.

■ розроблено типову багатотрендову фінансову модель, що дозволяє прогнозувати динаміку грошових потоків та оцінювати їх коливання, у тому числі ймовірності їх відхилень від мінімально допустимих значень. Наведено приклад розрахунку, що ілюструє запропонований механізм оцінки ризиків настання неплатоспроможності підприємства;

■ запропоновано алгоритми обробки вихідних часових рядів, що забезпечують використання поряд з типовими емпіричними розподілами ймовірностей без необхідності їх аналітичного опису, що суттєво спрощує впровадження імітаційного методу моделювання у компаніях;

■ запропонований підхід до структуризації фінансової моделі, заснований на її послідовній деталізації «згори донизу», при цьому можливий різний ступінь деталізації залежно від цілей аналізу та наявності вихідної інформації;

■ розроблено типові засоби автоматизації аналізу бухгалтерських даних (одержуваних із системи 1С); статистичного аналізу часових рядів; побудови графіків та гістограм, у тому числі для інтервалів різної довжини (тиждень, місяць, квартал). Спільно це дозволяє зробити доступною для менеджерів компаній підготовку вихідних даних для моделі прогнозування;

■ проаналізовано особливості оцінки ризиків та запропоновано інструменти з управління розвитком компанії на трьох рівнях (інвестиційного проекту, портфеля проектів, компанії в цілому) з урахуванням безперервності збору, обробки та аналізу даних, що надходять як ззовні, так і формуються всередині компанії;

■ розглянуто механізм аналізу чутливості з урахуванням нелінійності; а також підхід до оцінки сумарного ризику портфеля проектів, що базується, зокрема, на результатах імітаційного моделювання окремих інвестиційних проектів;

У доповіді показано можливість застосування запропонованого підходу до побудови моделей прогнозування для оцінки перспектив розвитку та ризику настання неплатоспроможності не тільки керівництвом компанії, а й зовнішніми структурами, зокрема вищими організаціями (наприклад, у рамках холдингів, держкорпорацій), банками, інвестиційними та страховими компаніями. .

Тенденції прогнозування розвитку компаній з урахуванням ризиків

У сучасних умовах для успіху в конкурентній боротьбі компанії мають постійно та безперервно розвиватися. Це вимагає як регулярного оновлення продукції, вдосконалення технологічних і бізнес-процесів, а й розробки спеціального інструментарію фінансового прогнозування наслідків дій у розвиток компанії, довгострокового зміни її вартості. Як сучасний інструментарій виступають фінансові моделі прогнозування, в основі яких лежать моделі грошових потоків.

Разом з тим на практиці перед компаніями виникає низка суттєвих проблем, що ускладнюють здійснення прогнозування на регулярній основі. Вони зумовлені як недостатньою розробленістю цілісної методології фінансового прогнозування з урахуванням ризиків, що відповідає потребам сучасного бізнесу, так і відсутністю організаційних механізмів та програмних засобів накопичення та аналізу управлінської інформації при прийнятті стратегічних фінансових рішень.

Значний вплив на процеси прогнозування в компаніях надають тенденції економічного розвитку, що спостерігаються в останні десятиліття, і що відбулася інформаційна революція. Ці тенденції змінили умови, в яких функціонують компанії, та трансформували вимоги до проектування моделей прогнозування розвитку бізнесу.

1.1. Загальноекономічні тенденції

Важливою особливістю поточного етапу економічного розвитку є ускладнення зовнішнього середовища та прискорення ринкових змін, а також посилення впливу світових економічних процесів. В результаті сьогодні компанії стикаються зі значною кількістю ринкових можливостей та загроз. Відповідно, відбулося збільшення кількості факторів, здатних вплинути на прибутковість і фінансову стійкість розвитку компаній, що вимагає врахування даних факторів у моделях прогнозування. У цих умовах здатність надавати на виході ймовірні прогнози та оцінки ризиків стає не просто додатковою характеристикою моделі прогнозування, але її невід'ємною та обов'язковою складовою.

Як зазначає Р. Штулз (R. Stulz), перед компаніями сьогодні постає завдання обліку навіть тих загроз, ймовірність яких оцінюється як незначна. До особливого, але все більш значущого типу таких загроз можна віднести економічні наслідки для компаній глобальних стратегічних ризиків, пов'язаних із виснаженням природних ресурсів, кліматичними змінами, виникненням техногенних катастроф, а також соціально-політичними факторами. Незважаючи на об'єктивну складність оцінки даних ризиків, у зв'язку зі зростаючим масштабом збитків від них збільшується потреба компаній у розробці механізмів моделювання ризиків як атрибуту моделей прогнозування.

Нарешті, посилення нестабільності ринкових умов робить необхідним підвищення гнучкості та адаптивності моделей прогнозування. Технологія побудови моделей прогнозування має передбачати можливість оперативного включення до моделі нових параметрів (напрямів діяльності, окремих статей доходів та витрат тощо). Це вимагає одночасного вдосконалення процедур побудови моделей та управлінських механізмів їх використання в компаніях, переходу до безперервності аналізу змін, що відбуваються і в зовнішньому, і у внутрішньому середовищі компанії.

1.2. Тенденції розвитку інформаційних технологій

Принциповою особливістю сучасного етапу технологічного розвитку є постійно зростаючий обсяг інформації, що надходить до компанії.

Комп'ютеризація забезпечила швидкий доступом до величезних обсягів інформації, що було неможливо, коли ці дані зберігалися на паперових носіях, і викликала сплеск дедалі активнішого використання баз даних різного призначення задля економічного описи господарську діяльність.

Дані зміни вимагали адаптації методів та процесів побудови моделей прогнозування та аналізу ризиків розвитку компаній.

Одним із напрямів такої адаптації стало суттєве ускладнення аналітичних моделей, що стимулювало стрімку математизацію економічної науки, яку багато вчених розглядали як негативний фактор її розвитку. Становлення цього напряму було цілком природним і логічним, оскільки ще до середини минулого століття, по суті, єдиним способом розрахунку основних економічних показників та опису зв'язків між ними у моделях прогнозування було використання аналітичних залежностей. Модель, яка не давала явних аналітичних формул, розглядалася як марна. Характерною особливістю таких моделей була їх спрощеність, що виявляється, зокрема, у гіпотезі про повноту інформації, детермінованість економічних умов як одного з базових припущень неокласичного напряму економічної теорії.

Обмеження аналітичного опису економічних процесів виявляються головним чином неможливості завдання з допомогою лише математичних засобів реально спостережуваних економічних залежностей, переважна більшість яких носить економіки ймовірнісний і нелінійний характер.

Збільшення потужностей комп'ютерів дозволило знизити потребу у застосуванні виключно аналітичних засобів оцінки вигідності управлінських рішень. Як зазначає Д. Коландер, якщо раніше компанії розглядалися як відносно прості системи, опис яких міг бути зведений до системи рівнянь, що мають аналітичні рішення, то сучасною тенденцією є розгляд компаній як складних систем, що унеможливлює їх повноцінний аналітичний опис. Відповідно, основним методом опису таких систем нині стає імітаційне моделювання. Можливість побудови в середовищі електронних таблиць забезпечує високу універсальність та гнучкість завдання економічних залежностей, що відкриває перед компаніями значні можливості щодо фінансового проектування та моделювання економічних процесів.

Розглянуті тенденції багато в чому зумовили розвиток системного підходу в менеджменті, який передбачає, зокрема, постійне накопичення та обробку інформації з подальшою її трансформацією в організаційну базу знань.

Фундаментальне значення, яке набуває інформація в ланцюжку створення вартості в сучасних компаніях, повною мірою проявляється при побудові фінансових моделей прогнозування. До обов'язкової інформації, необхідної для побудови точних прогнозів, відносяться статистичні характеристики основних економічних параметрів компанії (обсягу продажів, ключових статей витрат та ін.) Тому органічним елементом створення моделі прогнозування є проведення статистичного аналізу.

Таким чином, у фінансовій моделі прогнозування акумулюється вся доступна до формалізації у вигляді грошових потоків інформація, необхідна для ухвалення стратегічних рішень. Тобто застосування моделі прогнозування забезпечує підвищення системності керування компанією. А самі ці моделі можна закономірно розглядати як елемент структурного капіталу - підсистеми інтелектуального капіталу компанії.

Застосування імітаційного моделювання дозволяє забезпечити реалізацію іншого базового принципу системного підходу — розгляд всього простору можливих, на думку експертів, варіантів, що відкриває шлях для ймовірнісного опису результуючих грошових потоків моделі.

Водночас наголосимо, що термін «повний простір варіантів» слід розуміти у статистичному сенсі. Не йдеться про механічному переборі всіх теоретично можливих комбінацій значень досліджуваних параметрів моделі, що у більшості випадків неможливо технічно. У процесі моделювання слід враховувати лише статистично значущі варіанти (що мають можливість виникнення більше, наприклад, 0,01%), визначаючи їх оптимальне число на основі алгоритмів аналізу збіжності.

Побудова повного простору варіантів при моделюванні ризиків дозволяє кожному кроку розрахунку моделі (наприклад кварталу) визначати ймовірнісні характеристики грошових потоків підприємства: математичне очікування грошового потоку, його мінімальні і максимальні значення (рис. 1.1).

Такий аналіз дає можливість виявляти періоди, у яких результуючий грошовий потік компанії є стабільним, а також періоди його падіння та підйому. Крім того, у компанії з'являється реальний шанс розрахувати величину ризику, яка в даному випадку визначається як інтегральна ймовірність того, що значення результуючого грошового потоку вийде зі сфери допустимих значень (наприклад, стане негативним).

Рис. 1.1. Моделювання ризиків дозволяє уявити грошовий потік компанії у вигляді коридору його можливої зміни

Підтримка грошового потоку підприємства у допустимих межах сприяє зростанню її фінансової устойчивости. Крім того, моделювання ризиків дозволяє аналізувати та вибирати найбільш ефективні стратегії розвитку, посилюючи гнучкість управління та підвищуючи загальну конкурентоспроможність компанії.

Таким чином, проведення ймовірнісного аналізу грошових потоків компанії суттєво розширює обсяг інформації, який може бути врахований у процесі ухвалення стратегічних рішень. Отримані кількісні оцінки ризику, з погляду, слід як фундаментальну характеристику розвитку підприємства міста і одне з найважливіших показників, які підлягають обліку після прийняття рішень різних рівнях управління.

Складність економічних систем диктує необхідність при побудові моделей прогнозування брати до уваги таку властивість, як багаторівневість систем. Стосовно завдання побудови моделей розвитку компаній можна виділити три рівні: окремого інвестиційного проекту, портфеля проектів та компанії загалом. Хоча проблеми та методи фінансового моделювання на кожному з цих рівнів знайшли широке відображення у науковій літературі, слід визнати недостатню теоретичну розробленість цього питання. Особливості оцінки ризиків розвитку на трьох зазначених рівнях проаналізовано у третьому розділі доповіді.

Аналіз розглянутих проблем показує, що завдання розробки моделі прогнозування розвитку має зводитися лише до конструювання фінансових моделей та його кількісному, зокрема імовірнісному аналізу. Звісно ж важливою центральна роль моделі прогнозування у системі стратегічного управління фірмою, у якій вона виступає непросто як формальний фінансовий план, але як основний інструмент оцінки вигідності розроблюваних стратегій розвитку, і навіть як результат накопичення і обробки великих масивів інформації, що зберігається у компанії.

Тому можна стверджувати, що для ефективного застосування моделі прогнозування необхідна трансформація системи управління компанією для того, щоб вона дозволяла накопичувати інформацію, необхідну для розробки прогнозів та оцінки ризиків. Зрозуміло, що здатність на основі доступної статистичної та експертної інформації оцінювати ризики прийнятих рішень може розглядатися як одна з ключових компетенцій менеджменту будь-якої сучасної компанії.

Це робить необхідною розробку управлінської технології прогнозування розвитку компанії, що є підсистемою управління її стратегічним розвитком. Важливим елементом такої технології має бути побудова системи підготовки персоналу, хоча потребує вагомих інвестицій у підвищення його кваліфікації, але багато в чому визначальний інноваційний потенціал компанії, а отже, і її конкурентоспроможність.

1.3. Загальна технологія побудови моделі прогнозування розвитку компанії з урахуванням ризиків

Ключова роль, яку відіграє якість вихідних даних для точності майбутніх прогнозів розвитку компанії, диктує загальну логіку побудови внутрішньої моделі прогнозування (рис. 1.2). Спираючись на всебічне дослідження бізнес-процесів та статистичний аналіз основних статей доходів та витрат компанії, менеджери визначають структуру моделі, задають вихідні дані та залежності між основними факторами. Потім за ретроспективними даними будується попередня модель з метою перевірки відповідності отриманого за її допомогою прогнозу фактичних грошових потоків компанії. Після налагодження моделі її коригують з урахуванням експертних оцінок та використовують для побудови прогнозу на певну кількість періодів у межах горизонту планування. Надалі здійснюється періодичний моніторинг розвитку компанії з метою врахування зміни зовнішнього та внутрішнього середовища компанії.

Рис. 1.2. Загальна схема процесу побудови моделі прогнозування розвитку компанії з урахуванням ризиків

Проблеми підготовки вихідних даних для моделі прогнозування

Як відомо, визначальну роль точності прогнозів, одержуваних з допомогою будь-якої моделі, грає якість використовуваної у ній інформації. Тому підготовка вихідних даних для моделі є найважливішим завданням, що передбачає наявність у компанії як спеціального аналітичного інструментарію, так і управлінських процедур.

Підготовка вихідних даних для моделі неможлива без активного застосування статистичного аналізу, покликаного виявити закономірності та тенденції зміни основних статей доходів та витрат компанії.

У процесі проведення статистичного аналізу виникає ряд складних проблем, таких як робота з нетиповими розподілами ймовірностей, виявлення трендів, забезпечення однорідності даних та інших, які недостатньо або взагалі не розглядаються у спеціальній літературі.

Зазначимо також, що статистичний аналіз не слід розглядати лише як набір формалізованих процедур обробки рядів даних. Як підкреслює Е.Ф. Сігел, «статистика - це мистецтво та наука збору та аналізу даних. Статистичні методи слід розглядати як важливу частину процесу прийняття рішень, що дозволяє виробляти обґрунтовані стратегічні рішення, що поєднують інтуїцію фахівця з ретельним аналізом наявної інформації. Використання статистики стає дедалі значним перевагою у конкуренції» . Таким чином, статистичний аналіз даних є засобом глибшого розуміння економіки компанії – обов'язкової умови побудови точної моделі прогнозування.

2.1. Типи вихідних даних

У процесі аналізу вихідних даних необхідно враховувати їх відмінності за ступенем невизначеності та характером змін за періодами. Виходячи з цього можна виділити три типи параметрів:

1. Параметри, значення яких є константами у всіх періодах протягом горизонту планування (наприклад, ставки податків, площа, що орендується);

2. Параметри, значення яких залишаються постійними у межах кожного окремого періоду (кроку розрахунку), але можуть змінюватися від періоду до періоду (наприклад, ціни на електроенергію);

3. Параметри, значення яких у межах окремого періоду змінюються випадковим чином (наприклад обсяг продажу). При цьому їх математичні очікування за періодами можуть залишатися незмінними або змінюватися відповідно до певного тренду.

З наведеної класифікації ясно, що найважчими для аналізу та прогнозування є параметри третього типу, що змінюються випадковим чином. Для їх коректного моделювання в ході аналізу вихідних даних слід визначити не тільки очікувані значення та тренди, але діапазони зміни їх значень, а також закон розподілу ймовірності. Тому основна увага буде приділена саме параметрам третього типу.

Як видно з таблиці 2.1, основним джерелом вихідної інформації для статистичного аналізу параметрів третього типу виступають дані бухгалтерського та управлінського обліку. Отримання цих даних зазвичай не викликає принципових складнощів, оскільки їх збирання та зберігання в компаніях є обов'язковими, враховуючи важливість зазначених параметрів.

Таблиця 2.1. Приклади параметрів вихідних даних, що часто зустрічаються, зазвичай носять випадковий характер

Параметр	Передбачувана складність отримання даних	Можливість автоматизації обробки значень програмними засобами
Обсяг продажів компанії в цілому та за продуктами	доступні
Дебіторська заборгованість компанії в цілому та за продуктами	доступні	можлива, вимагає наявності спеціальної програми
Матеріали компанії в цілому та за продуктами	легко доступні	можлива, вимагає наявності спеціальної програми
Кредиторська заборгованість компанії в цілому та за продуктами	доступні	можлива, вимагає наявності спеціальної програми

2.2. Проблеми забезпечення релевантності та однорідності вихідних даних

Статистичний аналіз вихідного ряду кожного аналізованого параметра покликаний виявити найбільш значущі його характеристики, які потім використовуються при моделюванні прогнозних значень.

При цьому для забезпечення моделі прогнозування обліку всієї доступної інформації представляється обґрунтованим використовувати в статистичному аналізі кожного досліджуваного параметра моделі весь доступний тимчасовий ряд цього параметра в найбільш деталізованому вигляді (наприклад щоденні значення обсягу продажів продукту за три роки).

Оскільки грошові потоки за різними статтями доходів і витрат виникають з різною періодичністю (щодня, щотижня, щомісяця тощо), постає завдання агрегування значень усіх досліджуваних параметрів за інтервалами з метою їх відповідності обраному моделі кроку розрахунку.

Для цього вихідний ряд ділиться на інтервали, що відповідають необхідному етапу розрахунку. Наприклад, при агрегуванні по кварталах приток грошових коштів на розрахунковий рахунок компанії до другого кварталу будуть віднесені всі притоки, що надійшли за період з 01.04 до 30.06 поточного року. Потім всі значення досліджуваного параметра всередині кожного інтервалу замінюються (апроксимуються) математичними очікуваннями (рис. 2.1).

Рис. 2.1. Графічне подання апроксимації значень ряду їх математичними очікуваннями за інтервалами

Рис. 2.2. Приклад графіків приходу коштів на розрахунковий рахунок підприємства, агрегованого за інтервалами(а - по тижнях;б - по місяцях;в - По кварталах).Джерело: розрахунки автора

Як видно з наведених графіків, зі збільшенням розміру інтервалу відбувається згладжування коливань, що полегшує подальше моделювання досліджуваного параметра.

Поквартальний графік також найточніше показує наявність сезонної складової, яка повинна враховуватися при моделюванні трендів.

З іншого боку, зіставлення цих графіків демонструє цінність аналізу максимально деталізованої інформації. На рис. 2.2а і 2.2б привертає увагу збільшення волатильності параметра, яке непомітно на графіку квартальних значень (рис. 2.2в). Причиною такого збільшення стало підвищення частки великих замовлень у структурі продажів компанії, що посилило нерівномірність притоку грошових коштів.

Ще помітніше збільшення волатильності на графіку дебіторську заборгованість підприємства (рис. 2.3).

Таким чином, розглянутий приклад свідчить про цінність аналізу рядів на кожному з рівнів агрегування даних, що надає додаткову інформацію про досліджуваний параметр моделі.

Рис. 2.2а та 2.2б ілюструють ще одну принципову проблему, що виникає в процесі статистичного аналізу вихідних даних – проблему їхньої неоднорідності. Поява додаткових факторів, що впливають досліджуваний параметр, або зміна співвідношення між факторами часто призводять до зміни імовірнісних характеристик ряду (у даному випадку - збільшення дисперсії).

Кінцевою метою підготовки вихідних даних є використання моделі максимального обсягу інформації, найбільш релевантної на момент прийняття рішень. Істотні зміни технологій, ринкової ситуації чи законодавчої бази можуть призвести до того що частина наявних даних за попередні періоди перестають бути релевантними, та його облік при побудові моделі здатний знизити точність прогнозу.

Рис. 2.3. Графік дебіторської заборгованості (щодня)

Рис. 2.4. Гістограма щільності ймовірностей обсягу продажів(а - загальний,б - Продукту 1,в - Продукту 2)

Забезпечення однорідності стає одним із ключових критеріїв і при декомпозиції досліджуваних параметрів, визначенні оптимального ступеня деталізації моделі. Як приклад, розглянемо гістограму обсягу продажів компанії (рис. 2.4а).

Яскраво виражена бімодальність загального розподілу, викликана наявністю двох домінуючих факторів, значною мірою усувається при поділі на два продукти (рис. 2.4б, 2,4в). Це говорить про необхідність деталізації продажів компанії за продуктами для більш точних розподілів.

2.3. Проблема ідентифікації законів розподілу ймовірностей

Однією із найскладніших проблем імітаційного моделювання є ідентифікація типу розподілу ймовірностей випадкових величин. Недостатня увага, що приділяється цій проблемі у спеціальній літературі, мабуть, можна пояснити поширеною помилкою, що розподілу економічних показників відповідають або може бути зведені до типових законів розподілу (особливо до нормального закону). Це припущення дозволяє застосовувати для аналізу даних добре розроблений математичний інструментарій.

Однак робота лише з типовими розподілами в багатьох випадках призводить до ігнорування відхилень форми розподілів, що реально спостерігаються, що виявляються, зокрема, в асиметрії і викидах. Більше того, як показали результати проведеного автором аналізу, розподіл більшості фінансових показників, що відображають економіку компанії реального сектора, значно відрізняються від типових.

Вивчені під час цього наукового дослідження розподілу можна умовно поділити на чотири групи.

Перший гурт. Розподіли, схожі на експонентне:

Вартість одного замовлення;

Вартість матеріалів (щодня);

Приплив та відтік коштів за розрахунковим рахунком (щодня);

Оборот коштів на розрахунковому рахунку (щодня).

Друга група. Розподіли, схожі на розподіл Пуассона:

Вартість укладених замовлень (понеділок);

Сальдо розрахункового рахунку (щодня).

Третя група. Розподіли, наближені до симетричного (у тому числі нормального):

Зміна коштів (з урахуванням резервів підприємства (щодня);

Кредиторська заборгованість (щодня);

Різниці загальної кредиторської та дебіторської заборгованості.

Четверта група. Бімодальні та інші явно нестандартні розподіли.

Сумарна виручка (щодня);

Залишок коштів (з урахуванням резервів підприємства (щодня);

Дебіторська заборгованість (щодня).

Ряд авторів наголошує на невідповідності розподілів багатьох економічних величин нормальному закону. Як свідчить, наприклад, А.І. Орлов, «в економетриці розподіл результатів економічних та техніко-економічних спостережень практично завжди відрізняється від нормального».

Спроби ігнорувати відхилення, що виявляються в ході аналізу, можуть обернутися спотворенням оцінок очікуваної мінливості параметрів моделі прогнозування. Через війну відбувається втрата значної інформації про розподілі ймовірностей і, зрештою, зниження точності прогнозів.

Дуже поширеним методом перетворення нестандартних розподілів у типові є логарифмування вихідного ряду значень, що зазвичай усуває серйозну асиметрію розподілу. Проте, як показав досвід моделювання, логарифмування має серйозні обмеження. Вони зумовлені тим, що при зворотному перетворенні математичного очікування та середнього квадратичного відхилення (з логарифмічних у вихідні) отримані розрахунковим шляхом параметри ряду відрізняються від їх фактичних значень. Це ускладнює застосування цього методу практично.

Рис. 2.9. Порівняння емпіричного та нормального розподілу кредиторської заборгованості підприємства (- емпіричний розподіл; - нормальний розподіл).

На нашу думку, більш універсальним рішенням даної методичної проблеми є використання так званого емпіричного розподілу, який отримується безпосередньо на основі аналізу низки даних без його аналітичного опису (за умови його стійкості).

Для ілюстрації можливих спотворень розподілу параметра за його штучному зведенні до стандартного на рис. 2.9 наведено порівняння реального емпіричного розподілу кредиторської заборгованості компанії (суцільна лінія) та згенерованого нормального розподілу (пунктирна лінія), що мають одні й ті самі значення математичного очікування та середнього квадратичного відхилення (обчислені в ході аналізу вихідного ряду). Розбіжність графіків свідчить про некоректність використання нормального розподілу замість фактично спостерігається.

Для подолання труднощів, що виникають під час роботи з емпіричними розподілами порівняно з типовими, потрібна наявність відповідного інструментарію для генерації випадкових чисел, перетворення цих розподілів з урахуванням трендів математичних очікувань та середніх квадратичних відхилень, детального статистичного аналізу вихідних значень тимчасових рядів.

2.4. Генерація емпіричних розподілів

Найбільш універсальним методом генерації емпіричного розподілу справедливо вважається метод лінійної апроксимації. За цим методом генерація випадкових чисел проводиться у кілька етапів:

1. Початковий ряд розбивається на h інтервалів (кишень) змінної чи постійної довжини. При використанні інтервалів змінної довжини виходять довгі інтервали на ділянках розподілу з невеликою кількістю значень і короткі інтервали на ділянках з великим числом значень. Це дозволяє більш правильно враховувати складну форму розподілів, тим самим збільшуючи точність генерації.

2. Для кожного інтервалу розраховуються частоти влучень значень вихідного ряду та відповідна інтегральна ймовірність (див. табл. 2.3).

3. Виконується генерація необхідної кількості випадкових чисел із використанням стандартного генератора рівномірного розподілу.

4. Кожне з чисел, згенерованих за рівномірним законом, перетворюється з використанням даних, аналогічних наведеним у таблиці 2.2, для отримання випадкових величин, що мають емпіричний розподіл.

Таблиця 2.2. Приклад таблиці частот емпіричного розподілу для інтервалів постійної довжини

Нижня межа інтервалу	Частота влучення в інтервал	Накопичена сума частот	Інтегральна ймовірність, %

2.5. Способи завдання трендів для емпіричного розподілу

Пропонований підхід до моделювання трендів емпіричних розподілів відрізняється від механізму завдання трендів для типових розподілів.

Нагадаємо, що для типових розподілів спочатку здійснюється завдання тренду для параметрів розподілу, таких як математичне очікування, середнє відхилення квадратичне та інші. На основі обчислених кожного періоду значень параметрів розподілу проводиться генерація випадкових чисел з використанням аналітичних формул відповідного розподілу. При цьому автоматично забезпечується тренд для всіх точок типового розподілу за періодами.

Оскільки для емпіричних розподілів аналітичний опис відсутній, завдання тренду має здійснюватися відразу для всіх точок розподілу. Як буде показано нижче, забезпечується необхідний тренд математичного очікування і дисперсії (середнього квадратичного відхилення).

Відповідно до методу лінійної апроксимації при моделюванні достатньо працювати не з окремими значеннями, а з межами інтервалів (аналогічно наведеним у стовпці 1 табл. 2.2) та частотами влучення значень у сформовані кишені.

У пропонованому підході передбачено два способи завдання тренда для довільного розподілу.

1. Від періоду до періоду змінюється лише математичне очікування ряду

Перетворення вихідного ряду з урахуванням тренду проводиться шляхом додавання до кожного значення цього ряду того самого числа А. Тоді математичне очікування періоду t+1 розраховується таким чином:

де M(X) t , M(X) t+1 — математичні очікування досліджуваного параметра періодах t і t+1; x t - i-е значення параметра в періоді t; n - загальна кількість згенерованих випадкових значень (однакове для всіх періодів).

Неважко встановити, що з урахуванням (1), для цього випадку дисперсія параметра t+1 залишиться незмінною:

де D t , D t +1 - Дисперсії досліджуваного параметра в періодах t і t +1;

Графічно за наявності позитивного тренду гістограма значень параметра періоду t+1 зсувається по осі X вправо на величину A.

2. Від періоду до періоду змінюються як математичне очікування, і середнє квадратичне відхилення

У цьому випадку перетворення вихідного ряду з урахуванням позитивного тренду проводиться шляхом множення кожного значення цього ряду на те саме число k. Тоді математичне очікування періоду t+1 розраховується за такою формулою:

Дисперсія параметра t+1 обчислюється за такою формулою:

Відповідно, середнє квадратичне відхилення і з урахуванням тренда періоді t+1 обчислюється шляхом множення його величини періоді t на k.

Коефіцієнт варіації при цьому методі залишається постійним.

2.6. Засоби автоматизації збору та статистичного аналізу вихідних даних

З огляду на трудомісткості процедур обробки вихідних часових рядів, практично вони мають здійснюватися автоматизовано, з допомогою типових програмних засобів.

Таблиця 2.3. Приклад таблиці рахунку 1С

	З кредиту рахунків	У дебет рахунків
Поч. сальдо

Таблиця 2.4. Вид перетвореної таблиці для обробки засобами Excel

	День тиж.				Кін. сальдо

При отриманні вихідних рядів із різних комп'ютерних баз даних виникає проблема уніфікації форми надання інформації для подальшого аналізу. Наприклад, для обробки даних за рахунками, що отримуються з поширеної бухгалтерської системи 1С (табл. 2.3), вони перетворюються на таблицю виду табл. 2.4, яка є основою для формування вихідного часового ряду.

Особливості оцінки ризиків розвитку на трьох рівнях управління у компанії

Як зазначалося вище, прогнозування розвитку компанії з урахуванням ризиків має здійснюватися на трьох рівнях: рівні окремого інвестиційного проекту, портфеля проектів та компанії загалом. Це зумовлено відмінністю завдань кожному з рівнів (табл. 3.1), визначальних особливості розроблюваних моделей і алгоритмів аналізу.

Таблиця 3.1. Відмінність розв'язуваних завдань на трьох рівнях управління інвестиційною діяльністю у компанії

3.1. Рівень окремого інвестиційного проекту

Значна наукомісткість, тимчасова довжина перетворення вкладених ресурсів на приріст вартості компанії, і навіть висока невизначеність потенційних результатів позначають основну форму реалізації інвестицій у компанії - форму інвестиційного проекту. Інвестиційні проекти виступають як джерела формування майбутніх конкурентних переваг. Тому в процесі розробки кожного інвестиційного проекту вкрай важливо вчасно отримати максимально повну інформацію про перспективи проекту не лише з точки зору величини чистого грошового потоку, що здатний генерувати цей проект, але й з позиції визначення діапазону можливих коливань грошового потоку. Методи кількісного аналізу ризиків проекту грають ключову роль забезпеченні керівництва компанії цією інформацією.

Базою для кількісної оцінки ризиків інвестиційного проекту є модель його грошових потоків. Першим етапом її розробки є визначення структури доходів та видатків проекту, прогноз їх значень з урахуванням динаміки змін протягом горизонту планування.

Модель грошових потоків інвестиційного проекту є основою розрахунку показників його ефективності: чистої наведеної вартості (NPV), дисконтованого періоду окупності (DPP), індексу прибутковості (PI) та інших. Отримувані величини даних показників відображають прогнозовану вигідність проекту для компанії в умовах, коли всі параметри набувають найбільш ймовірних (базових) значень.

На наступному етапі - при проведенні аналізу чутливості проекту - визначаються параметри моделі, що найбільше впливають на економічну ефективність інвестиційного проекту. У своєму класичному вигляді аналіз чутливості зводиться до розрахунку безрозмірних коефіцієнтів чутливості, що відображають еластичність показників ефективності проекту.

Однак на практиці при проведенні аналізу чутливості необхідно пам'ятати про те, що в основі традиційного підходу лежить припущення про лінійність функцій чутливості. Насправді функції чутливості багатьох параметрів моделі грошових потоків проекту є нелінійними. Наприклад, як показали результати проведеного автором аналізу функцій чутливості інвестиційного проекту (табл. 3.2), з п'ятнадцяти параметрів моделі функція чутливості NPV виявилася нелінійною для чотирьох параметрів, PI для восьми, а DPP для всіх п'ятнадцяти. Загальновідомим прикладом нелінійної функції чутливості, широко розглянутим у літературі є функція зміни NPV проекту при зміні його ставки дисконтування. Понад те, як зазначає А.А. Кугаєнко, при моделюванні економічних систем «лінійні взаємозалежності практично відсутні».

Таблиця 3.2. Приклад аналізу функцій чутливості параметрів інвестиційного проекту на нелінійність

Назва параметра	Вид функції чутливості результуючого показника
Назва параметра	чистої наведеної вартості (NPV)	дисконтованого періоду окупності (DPP)	індексу прибутковості (PI)
Об'єм продажів, шт.	нелінійна	нелінійна	нелінійна
Темп зміни обсягу продажу	нелінійна	нелінійна	нелінійна
Середня вартість одиниці виробленої продукції, руб.	лінійна	нелінійна	нелінійна
Ціна оренди 1 м 2 , $	лінійна	нелінійна	лінійна
Ціна 1 л бензину, руб.	лінійна	нелінійна	лінійна
Курс долара, руб.	лінійна	нелінійна	нелінійна
Темп інфляції, %	нелінійна	нелінійна	нелінійна
Номінальна ставка дисконтування, %	нелінійна	нелінійна	нелінійна

Проведення аналізу чутливості грає значної ролі у підвищенні системності обгрунтування інвестиційного проекту. Його результати дозволяють визначити, які параметри моделі вимагають обов'язкового врахування мінливості значень.

Включення в модель грошових потоків всіх можливих варіантів значень цих параметрів, що здійснюється за допомогою імітаційного моделювання, перетворює її з базової на імовірнісну. Імітаційне моделювання інвестиційного проекту проводиться у кілька етапів із використанням електронних таблиць MS Excel:

1. Вибираються вихідні параметри моделі грошових потоків, котрим буде здійснюватися імітаційне моделювання. Для кожного з них визначається закон розподілу (рівномірний, нормальний, Пуассон та ін) і параметри розподілу.

2. Для кожного параметра генерується m випадкових чисел з використанням стандартних функцій Excel. Кількість чисел, що генеруються, однакова для всіх параметрів і зазвичай лежить в межах від 1000 до 50000.

3. На основі результатів генерації формується комбінацій m випадкових чисел для вибраних параметрів. Однією комбінації відповідає один рядок таблиці Excel.

4. Для кожної комбінації значень параметрів проводиться розрахунок показників ефективності проекту. Для цього за допомогою комп'ютерної програми, написаної Visual Basic for Applications, всі комбінації значень вихідних параметрів послідовно підставляються в модель грошових потоків. Значення показників ефективності для кожної комбінації поміщаються у відповідний рядок таблиці Excel.

5. У Excel проводиться сортування рядків таблиці випадкових значень вихідних даних розрахунку зростання показника ефективності (наприклад NPV).

6. Кожному рядку таблиці надається певна інтегральна можливість. Так, якщо в масиві 1000 рядків, то рядкам i та i+1 будуть відповідати інтегральні ймовірності, що відрізняються на величину 0,1%.

7. Обчислюється інтегральна можливість негативного NPV проекту. Для цього кількість рядків, NPV у яких негативна, поділяється на загальну кількість рядків у таблиці.

Розглянутий підхід до проведення імітаційного моделювання дозволяє не тільки розрахувати очікувані значення показників ефективності інвестиційного проекту, але й отримати додатковий критерій, що відображає ризик проекту: інтегральну ймовірність того, що показник показника ефективності опиниться в області неприпустимих значень.

Таким чином, основне завдання фінансового моделювання та кількісної оцінки ризиків на рівні окремого інвестиційного проекту полягає у максимально детальному дослідженні потенціалу створення проектом ринкової вартості для компанії та величини можливих відхилень його грошових потоків. Однак для забезпечення відповідності інвестиційних проектів, що розробляються, стратегічним цілям компанії необхідний їх розгляд на рівні портфеля.

3.2. Рівень портфеля інвестиційних проектів

Починаючи з 1970-х років, коли було запропоновано матрицю Boston Consulting Group, портфельний підхід набув поширення як інструмент планування конкурентних стратегій та розподілу капіталу між продуктами (або окремими напрямками бізнесу) компаній. Не менш важливим є розгляд як портфель сукупності розроблюваних інвестиційних проектів, багато з яких, як зазначалося вище, є основою майбутніх продуктів компанії, що формують її грошовий потік.

З погляду управління конкурентоспроможністю компанії портфель інвестиційних проектів можна як портфель її майбутніх конкурентних переваг. Тому рішення, прийняті лише на рівні портфеля, найважливішими у тому числі є відбір інвестиційних проектів і розподіл капіталу з-поміж них з урахуванням багатокритеріального підходу , багато чому визначають ті напрями зростання конкурентоспроможності, які обирає собі компанія розробки стратегії розвитку.

Оскільки проекти мають різний рівень ризикованості, необхідний контроль загального рівня ризику проекту, щоб не перевищити його максимально допустиме для компанії значення.

На думку, найбільш універсальним підходом до оцінки сумарного ризику портфеля проектів є використання результатів імітаційного моделювання, здійсненого кожного з проектів, які входять у портфель.

Вихідними даними для розрахунку є імовірнісні розподіли NPV кожного з проектів. Процедура розрахунку складається з наступних етапів:

1. Формується N комбінацій NPV. Для цього таблиця випадкових значень кожного проекту сортується за зростанням NPV, після чого стовпець значень NPV переноситься в таблицю, загальний вигляд якої представлений у таблиці. 3.3.

2. Обчислюється сумарна РV ост портфеля кожної комбінації.

3. Таблиця 3.3 сортується за зростанням РV ост портфеля.

4. Кожній комбінації надається інтегральна ймовірність, що визначається шляхом поділу номера рядка таблиці, в якій знаходиться ця комбінація, на загальну кількість комбінацій N.

5. Визначається інтегральна ймовірність негативного PV ост портфеля.

Зазначимо, що це метод передбачає, що кількість випадкових значень NPV всіх проектів однаково.

У тому випадку, якщо для оцінки ризиків деяких проектів компанії не використовувалося імітаційне моделювання та їх ймовірні характеристики (М(Х) і а) були отримані будь-яким іншим методом, ці проекти також можуть бути включені до розрахунку. Для цього проводиться генерація значень NPV на основі зазначених імовірнісних характеристик та закону розподілу NPV проекту.

Таблиця 3.3. Загальний вигляд таблиці оцінки ризику портфеля виходячи з результатів імітаційного моделювання проектів, які входять у портфель

Номер рядка	Інвестиційні проекти			PV зост портфеля	Інтегральна ймовірність
Номер рядка	NPV проекту 1	NPV проекту 2	NPV проекту r	PV зост портфеля	Інтегральна ймовірність
				PV зост портфеля< 0	P(PV ост портфеля<0) = h/N




				M(PV зуп портфеля)

				PV зост портфеля max

Таким чином, управління портфелем інвестиційних проектів з урахуванням ризиків підвищує збалансованість портфеля та гнучкість прийняття стратегічних рішень, що забезпечує суттєвий потенціал зростання конкурентоспроможності компанії. Однак при розробці стратегії розвитку дуже важливо мати можливість оцінити її вплив на фінансове становище та ризик компанії загалом.

3.3. Рівень компанії загалом

В даний час завдання розробки технології кількісної оцінки ризиків інвестиційного розвитку виходить за рамки інвестиційного аналізу як окремих проектів, так і портфеля. В умовах сучасного динамічно мінливого зовнішнього середовища виникає необхідність застосування системного підходу до аналізу ризиків та фінансового проектування стратегічного розвитку компанії в цілому. Це передбачає розробку фінансової моделі компанії, що дає можливість спрогнозувати динаміку її грошових потоків з урахуванням обраної стратегії розвитку, ймовірність та розмір можливої шкоди у разі несприятливих змін ринкового середовища, а також розробити заходи щодо мінімізації цієї шкоди.

Базою для кількісної оцінки ризиків цьому рівні служить модель прогнозування розвитку підприємства з урахуванням рисков. Вона дозволяє розрахувати сумарні грошові потоки компанії і провести їх ймовірнісний аналіз, оцінити вплив стратегій розвитку, що розробляються, і очікуваних змін конкурентних позицій компанії. Модель повинна мати гнучкість, постійно розвиватися і вдосконалюватися менеджерами компанії з урахуванням змін, що відбуваються. Таким чином, адаптивність моделі прогнозування є одним із ключових умов, що дають можливість її ефективного застосування для кількісної оцінки ризиків на рівні компанії.

Для реалізації зазначених властивостей модель прогнозування при впровадженні у компанії має бути реалізована у вигляді програмного комплексу, що автоматизує процедури побудови багатоперіодної моделі грошових потоків, проведення генерації випадкових чисел, імітаційного моделювання та статистичного аналізу результатів прогнозування. Це дозволяє забезпечити оперативність отримання результатів при моделюванні різних варіантів та стратегій розвитку.

Найважливішим елементом вихідних даних у моделі прогнозування є опис трендів змінюваних параметрів.

Найбільш універсальним і гнучким методом завдання змін параметрів є пряме введення їх значень за періодами. Це, зокрема, дає можливість використання моделі тимчасових залежностей (наприклад запланованих обсягів продажу, змін ціни продукції та інших.), отриманих у результаті маркетингових досліджень. Такий спосіб завдання також необхідний параметрів, які змінюються нерегулярно (наприклад вартість оренди приміщень, зазвичай залишається незмінною протягом року). У багатьох випадках для опису зміни параметрів, значення яких змінюються в кожному періоді, набагато зручніше задавати тренди у вигляді ряду значень, що є арифметичним або геометричним прогресом.

Для параметрів, значення яких змінюються випадковим чином, необхідно мати можливість визначати значення середнього квадратичного відхилення. Можна виділити кілька різних способів його зміни:

а) середнє квадратичне відхилення залишається постійним всім періодів, незалежно від зміни математичного очікування;

б) середнє квадратичне відхилення змінюється лінійно;

в) середнє квадратичне відхилення змінюється таким чином, що коефіцієнт варіації, що дорівнює відношенню середнього квадратичного відхилення до математичного очікування, залишається незмінним.

Як показав досвід моделювання, облік змін середнього квадратичного відхилення істотно впливає на результати оцінки ризику настання неплатоспроможності компанії, тому наявність різних способів завдання середнього квадратичного відхилення має важливе значення для підвищення точності прогнозування.

Ще одним істотним фактором, який слід враховувати при заданні вихідних даних, є необхідність вказати граничні значення параметрів, які обумовлені їх економічною природою. Наприклад, обсяг продажів може бути як негативним, і перевищувати величину максимального обсягу ринку. Аналогічно, витрати, що є грошовими відтоками, при їх зменшенні за модулем не можуть стати позитивними. З цієї причини розподілу ймовірностей параметрів набувають усіченого характеру.

У процесі імітаційного моделювання програма виявляє випадкові значення, що виходять за межі граничних, та коригує їх шляхом заміни на граничні значення. Автоматизація даної процедури дозволяє як підвищити точність результатів моделювання, а й проводити контроль якості завдання вихідних даних з допомогою спеціальних лічильників кількості змінених значень кожного параметра. Якщо кількість змінених значень досить велика, наприклад, більше 10% всіх значень, це свідчить про необхідність зміни середнього квадратичного відхилення або коригування тренду значень даного параметра.

Насправді при побудові моделей грошових потоків часто доводиться враховувати взаємозв'язку між параметрами моделі як кореляційних залежностей. Тому можливість завдання кореляції є обов'язковим елементом розробки моделі. У моделі, що описується, передбачається можливість завдання кореляції в два етапи. На першому етапі в аналітичному або табличному вигляді визначається залежність між параметрами кореляції. На другому етапі для завдання відхилень проводиться множення аналізованої залежності на випадкову величину, характеристики якої вказуються у вихідних даних відповідно до алгоритму, описаного вище для параметрів третього типу.

3.4. Розробка моделі грошових потоків компанії

Найважливішими характеристиками моделі грошових потоків є тривалість горизонту планування, довжина кроку розрахунку, і навіть момент приведення грошових потоків.

Вибір горизонту планування та довжини кроку розрахунку визначається насамперед можливістю отримання якісних прогнозів основних статей доходів та витрат компанії. Звісно ж, що у умовах горизонт планування більшість підприємств вбирається у чотирьох років. І тут як довжини кроку розрахунку можна рекомендувати квартал. Тоді кількість періодів моделі грошових потоків нічого очікувати перевищувати сімнадцяти з урахуванням нульового періоду, якого зазвичай наводяться грошові потоки. У цьому робиться припущення, що це потоки виникають наприкінці періоду.

Розробка моделі грошових потоків - творчий процес, що вимагає врахування особливостей конкретної компанії. Разом з тим доцільно дотримуватися типової структури моделі, відповідно до якої грошові потоки поділяються на три групи: операційні (потоки від поточної діяльності), інвестиційні (пов'язані з вкладеннями в основні засоби та оборотний капітал), а також фінансові (пов'язані з обслуговуванням, взятих компанією позик). Як підсумковий показник у аналізованої моделі використовується дисконтований грошовий потік для власників. Приклад структури моделі грошових потоків представлено таблиці 3.4.

Таблиця 3.4. Приклад структури моделі грошових потоків компанії

	Операційні грошові потоки	Формула розрахунку*
	ПРОДУКТ 1
	Виручка від реалізації 1
	Прямі перемінні витрати 1
	Прямі постійні витрати 1 (включаючи амортизацію)*
	Валовий прибуток продукту1
	ПРОДУКТ 2
	Виручка від реалізації 2
	Прямі перемінні витрати 2
	Прямі постійні витрати 2 (включаючи амортизацію)*
	Валовий прибуток товару 2
	Сукупний валовий прибуток
	ЗАГАЛЬНООРГАНІЗАЦІЙНІ, КОМЕРЦІЙНІ ТА УПРАВЛІНСЬКІ ВИТРАТИ
	Загальноорганізаційні витрати
	Амортизація загальна**

	Витрати на електроенергію офісу
	Разом загальногосподарські витрати
	Комерційні та управлінські витрати

	ФОП управлінського персоналу
	ЄСП управлінського персоналу
	Разом управлінські та комерційні витрати
	Прибуток від (продажів)	11 — 17 — 22
	Сальдо операційних доходів/витрат
	Сальдо позареалізаційних доходів та витрат
	Прибуток до оподаткування
	Податок на прибуток
	Чистий прибуток
	Амортизація (пряма + загальна)**
	Разом операційний грошовий потік
	ІНВЕСТИЦІЙНІ ГРОШОВІ ПОТОКИ
	Інвестиції в основні засоби та нематеріальні активи
	Зміна оборотного капіталу за продуктом 1
	Зміна оборотного капіталу за продуктом 2
	Разом інвестиційний грошовий потік
	Разом вільний грошовий потік
	ФІНАНСОВІ ГРОШІ ПОТОКИ
	Отримані позики
	Повернення основної суми позик, зроблених раніше
	Виплата відсотків за позиками
	Разом фінансовий грошовий потік
	Разом грошовий потік для власників
	Дисконтований грошовий потік для власників	42 * 1/(1 + r) t

* «+» - Приплив коштів; «-» - відтік коштів; "=" - Формула розрахунку, де числа у формулі означають номери рядків таблиці.

** не є грошовим потоком, але використовується для розрахунку податку на прибуток.

Наведена структура показує загальну логіку побудови моделі грошових потоків відповідно до фінансової теорії. Однак конкретний набір статей доходів і витрат є індивідуальним для кожної компанії і залежить від профілю її діяльності та особливостей бізнес-процесів, що виявляються під час статистичного аналізу вихідних даних.

На нашу думку, залежність структури моделі від вихідних даних має принциповий характер, оскільки, як і інші етапи технології побудови моделі прогнозування, етап розробки моделі грошових потоків має забезпечувати максимально повний облік зібраної інформації. Цього можна досягти шляхом застосування принципу «згори донизу». Відповідно до нього спочатку будується найбільш узагальнена модель (на основі бухгалтерського балансу та звіту про прибутки та збитки), яка потім деталізується для врахування всіх значущих факторів, у тому числі завдання різноспрямованих трендів. При аналізі статей витрат підприємства як критерію деталізації доцільно використовувати частку кожної статті у загальному обсягу витрат цієї групи. Наприклад, для формування загальноорганізаційних витрат окремими рядками виділяються лише статті, що становлять щонайменше 5% від загальноорганізаційних витрат, проте інші витрати підсумовуються у одному рядку.

При аналізі доходів підприємства (особливо за наявності у її асортименті десятків товарів) нерідко виникає проблема угруповання товарів за сегментами. Тут, крім принципу «згори вниз», також необхідно враховувати, що сегменти, що формуються, повинні зберігати свою однорідність (докладніше див. п. 2.2).

Реалізація принципу «згори донизу» підвищує універсальність технології побудови моделі, оскільки дозволяє застосовувати інструментарій імітаційного моделювання до моделей різного ступеня деталізації залежно від обсягу наявної інформації. Ця особливість запропонованого методичного підходу відкриває можливості для активного застосування моделей прогнозування та при зовнішньому аналізі, у тому числі вищими компаніями, а також банками та іншими фінансовими інституціями (див. розділ 4).

3.5. Приклад використання моделі прогнозування розвитку компанії

Проілюструємо застосування аналізованої моделі з прикладу підприємства, яка виробляє два види продукції. Обрій планування становить два роки; Як крок розрахунку використовується квартал.

Як видно з вихідних даних (табл. 3.5), обсяг продажів першого продукту зростає, тоді як продаж другого має тенденцію до зниження. Крім того, очікується підвищення низки статей витрат. Через війну загальний тренд зміни математичних очікувань результуючого грошового потоку підприємства у періоди є негативним. Проте різноспрямованість трендів і відмінність дисперсій ключових параметрів моделі неможливо без спеціального інструментарію оцінити мінливість грошових потоків.

Як показують результати моделювання (табл. 3.6, рис. 3.1), хоча результуючий грошовий потік до кінця першого року скорочується менш ніж у два рази, ймовірність того, що у четвертому періоді він виявиться негативним, суттєво зростає (до 4%).

Таблиця 3.5. Приклад завдання вихідних даних для моделі прогнозування розвитку компанії

Параметри моделі, що змінюються	Вихідні дані для першого періоду			Тренд математичного очікування (М.О.)		Тип функції зміни σ *	Граничні значення
Параметри моделі, що змінюються	Математичне очікування	максимум	Закон розподілу	Тип тренду	Значення, %	Тип функції зміни σ *		максимум
Продукт 1
Об'єм продажів, шт.
Ціна, руб.
Норма витрат за сировину, крб. на руб. виручки


Продукт 2
Об'єм продажів, шт.
Ціна, руб.
Норма витрат за сировину (руб.) на руб. виручки
Норма витрат за ФОП, крб. на руб. виручки
Норма витрат за електроенергію, крб. на руб. виручки
Загальноріг, кім. та кер. витрати
ФОП управлінського персоналу, руб. * *
Курс долара, руб.

* н - нормальний розподіл; е – емпіричний розподіл до – постійне середнє квадратичне відхилення; в – постійний коефіцієнт варіації.

* * «/» - відтік коштів

Таблиця 3.6. Результати аналізу перспектив розвитку компанії

№ періоду	Матем. очікування EqCFt	Можливість EqCF t< 0

Наступне прискорення зниження результуючого грошового потоку компанії призводить до вкрай швидкого, лавиноподібного наростання ймовірності його негативного значення до 50% і більше. Дана особливість свідчить про те, що компанія здатна втратити фінансову стійкість протягом досить короткого періоду часу (у прикладі - за три квартали).

Можливість оцінки динаміки грошового потоку та ризику настання неплатоспроможності є вкрай важливою, оскільки показує, який часовий проміжок є у менеджерів підприємства для розробки заходів щодо зміни виявлених негативних тенденцій. У цьому прикладі такий період становить п'ять кварталів.

Рис. 3.1. Динаміка зміни математичного очікування, мінімуму та максимуму EqCF при аналізі перспектив розвитку компанії.

Таблиця 3.7. Результати впливу стратегії на перспективи розвитку компанії

№ періоду	Матем. очікування EqCFt	Можливість EqCF t< 0	Мінімум (M(EqCFt) 2 * ліве σ)	Максимум (M(EqCF t) + 2* праве σ)

Адаптивність моделі, що дозволяє видозмінювати структуру грошових потоків, дає можливість оцінити вигідність різних стратегій розвитку, їх вплив на зміну ризику настання неплатоспроможності підприємства. Це може бути досягнуто шляхом включення в модель розвитку компанії грошових потоків від нових інвестиційних проектів та обліку фінансових наслідків інших управлінських рішень (наприклад, зміни цінової стратегії).

Рис. 3.2. Динаміка зміни компанії EqCF з урахуванням випуску нового продукту.

Як приклад розглянемо результати проведеної автором оцінки інвестиційної стратегії, що розробляється в компанії, що передбачає випуск нового високоприбуткового продукту. Як видно з таблиці 3.7 та малюнку 3.2, протягом перших шести періодів у компанії прогнозувалося постійне падіння грошового потоку для власників (EqCF). При цьому ймовірність негативного грошового потоку збільшилася до 12%, що відповідає критичному рівню ризику класифікації, що використовується в компанії. Як показали результати моделювання, випуск нового виду продукції збільшить грошовий потік за два періоди з 5 до 10 млн руб., Знизить ризик негативного грошового потоку з 12 до 1% і тим самим дозволить нормалізувати фінансове становище компанії.

Таким чином, застосування моделі прогнозування відкриває перед компаніями широкі можливості прогнозування динаміки грошових потоків та їх мінливості, що дозволяє підвищити фінансову стійкість компанії. Реалізація моделі прогнозування у вигляді програмного комплексу на базі MS Excel робить її застосування доступним більшості компаній як ефективний інструмент інформаційної підтримки процесу стратегічного управління на етапах аналізу становища компанії, порівняльної оцінки стратегій розвитку, що розробляються, прийняття інвестиційних і фінансових рішень.

Деякі інші галузі застосування моделі прогнозування

Незважаючи на те, що основними завданнями моделі прогнозування є оцінки перспектив розвитку компанії, вигідності стратегій розвитку, що розробляються, і ризику настання неплатоспроможності (розглянуті докладніше в попередньому розділі), існує ряд інших актуальних завдань, при вирішенні яких застосування моделі прогнозування може підвищити ефективність стратегічного фінансового менеджменту.

Застосування моделей прогнозування для внутрішнього аналізу

Як показали наслідки світової економічної кризи, надзвичайно актуальним завданням для російських компаній є оцінка ефективності різних схем кредитування. Модель прогнозування дає можливість оцінити максимальне боргове навантаження компанії, коли він ризик настання її неплатоспроможності не вийде межі прийнятних для власників компанії значень.

Модель прогнозування дозволяє оцінювати ефективність системи управління ризиками у компанії. З її допомогою може здійснюватись оцінка різних умов страхування ключових ризиків компанії. Для цього використовуються дані про частоту наступу кожного ризику та ймовірнісний розподіл пов'язаного з ним збитку. У процесі моделювання у разі ситуації ризику збитки відбивається як додаткового грошового відтоку. На наступному етапі в модель включаються грошові потоки, пов'язані зі страховими виплатами та платежами у разі реалізації ризиків. Модель може використовуватися для розрахунку сукупної шкоди від системи ризиків і прогнозувати їх спільний вплив на зміну ризику настання неплатоспроможності компанії.

При фінансовому моделюванні розглянутих завдань менеджери компанії мають всю повноту внутрішньої інформації, тому моделі грошових потоків, що розробляються, можуть бути досить детальними, враховувати складні взаємозв'язки між параметрами.

Застосування моделей прогнозування у рамках зовнішнього стратегічного аналізу

Водночас модель прогнозування може використовуватися і для зовнішнього стратегічного аналізу перспектив та ризиків розвитку компанії.

Це особливо актуально при здійсненні стратегічного контролю дочірніх компаній, що входять до структури холдингів, фінансово-промислових груп, держкорпорацій та інших організаційних об'єднань. Для зазначених цілей можуть використовуватися найбільш агреговані моделі, що відображають лише найважливіші фактори розвитку дочірніх компаній.

Крім того, модель дозволяє враховувати перспективи розвитку ключових контрагентів (наприклад, ключових постачальників та замовників) компанії. Така можливість є фактором підвищення стійкості компанії, особливо при укладанні довгострокових контрактів, оскільки банкрутство будь-кого з контрагентів часом несе в собі ризик перерв у виробничому процесі і може обернутися виникненням істотних фінансових труднощів.

Застосування моделей прогнозування може також підвищити ефективність прийняття рішень про злиття і поглинання, оскільки дозволяє кількісно оцінити синергетичні ефекти, що виникають, і зміна сукупного ризику компаній-учасників подібних угод.

Застосування моделей прогнозування у банках та інших фінансових організаціях

Аналіз грошових потоків набуває все більшого значення при оцінці банками ризику настання неплатоспроможності потенційних корпоративних позичальників, особливо з огляду на переваги даного методу порівняно з методами оцінки кредитоспроможності, заснованих на даних бухгалтерської звітності (таких як, наприклад, критерій Альтмана). Прогнозування грошових потоків при формуванні збалансованого за прибутковістю та ризиком портфеля позичок дозволяє оцінювати розмір непередбачених втрат за ним (які, на відміну від очікуваних втрат, фінансуються за рахунок власного капіталу банку). Необхідність імовірнісного аналізу втрат по портфелю позик робить дуже актуальним використання цієї мети імітаційного моделювання, що надає моделі прогнозування розвитку компанії з урахуванням ризиків статус корисного додаткового інструменту кредитного аналізу .

Використання моделей прогнозування може бути корисним і в інвестиційних компаніях, так як зазначені моделі дають можливість більш повного обліку наявної інформації і, отже, точнішої оцінки перспектив розвитку компаній-емітентів порівняно із застосуванням, наприклад, мультиплікатора P/E. Реалізація запропонованого автором підходу у середовищі електронних таблиць значно підвищує швидкість прийняття рішень та адаптивність моделей завдяки легкості їх коригування з появою нових факторів, що впливають на прибутковість та ризики інвестиційного портфеля.

Зазначимо, що моделі прогнозування з метою кредитного та фундаментального інвестиційного аналізу мають суттєві особливості, пов'язані з обмеженістю вихідної інформації, вибором горизонту планування, порядком розрахунку результуючого грошового потоку з позиції банків та інвестиційних компаній. Для підвищення точності прогнозування у таких моделях можуть активно використовуватися галузеві прогнози.

До програми соціально-економічного розвитку Росії 2008–2016. Наукова доповідь. М: ІЕ РАН, 2008, с. 10-11.

Stulz R. Risk Management Failures: What Are They and When Do They Happen?//Working paper//SSRN, 2008. October.

Худокорми А.Г. Основні тенденції у новій економічній теорії Заходу (наукова доповідь). М: ІЕ РАН, 2008. С. 68-69.

Шоломіцький О.Г. Теорія ризику. Вибір при невизначеності та моделювання ризику. М: ГУ-ВШЕ, 2005. С. 317.

Colander D. Складова революція та майбутня економіка // Середня освіта робіт 0319 / Середня академія, відділ економіки. 2003. P. 4.

Клейнер Г.Б. Стратегія підприємства. М: Видавництво «Справа» АНХ, 2008. С. 174-175.

Стюарт Т.О. Інтелектуальний капітал Нове джерело багатства організацій// М.: Покоління, 2007. С. 93.

Відповідно до класифікації інтелектуального капіталу, запропонованої Х. Сент-Онжем та Л. Едвіссоном, до структурного капіталу належать бази даних, комп'ютерні мережі, програми підтримки прийняття рішень та інші компоненти, що забезпечують кодування знань для їх використання надалі співробітниками компанії, а також своєчасний доступ до цих знань. Докладніше див. Стюарт Т.А. Інтелектуальний капітал Нове джерело багатства організацій// М.: Покоління, 2007. С. 93.

Скотт М. Чинники вартості. Керівництво для менеджерів із виявлення важелів створення вартості. М: ЗАТ «Олімп-Бізнес», 2005. С. 243.

Сігел Е.Ф. Практична бізнес-статистика. М: Видавничий дім «Вільямс», 2008. С. 37.

Орлов А.І. Економетрика/Підручник. М.: Іспит, 2002.

Як показав розрахунок критеріїв згоди Пірсона та Колмогорова, ймовірність того, що невідповідність даного емпіричного розподілу нормальному пояснюється випадковими факторами, менша за 0,001.

Терентьєв Н. Аналіз чутливості інвестиційного проекту в умовах нелінійності та багатофакторності // Інвестиції у Росії. 2007. № 4. С. 37.

Див, напр., Ван Хорн Дж ~ К., Ваховіч Дж. М. (мл.). Основи фінансового управління. 11-те вид. М: ІД Вільямс, 2004. С. 454-455.

Кугаєнко А.А. Основи теорії та практики динамічного моделювання соціально-економічних об'єктів та прогнозування їх розвитку. Монографія. 2-ге вид. М: Вузовська книга, 2005. С. 21.

Докладніше див., наприклад: Колліс Монтгомері С.А. Корпоративна стратегія Ресурсний підхід М: ЗАТ «Олімп-Бізнес», 2007. С. 25-28.

Під залишковою наведеною вартістю портфеля розуміється сума очікуваних чистих грошових потоків від проектів, що входять в портфель. Докладніше про залишкову наведену вартість проекту див. Валдайцев С.В. Оцінка бізнесу: навч. посібник. 2-ге вид. М: ТК Велбі, Изд-во Проспект, 2004. З. 34.

Детальніше див. Терентьєв Н.Є. Багатотрендова модель прогнозування розвитку компанії з урахуванням ризиків // Фінанси та бізнес. 2008. №3. З. 78-92.

Синки Дж Фінансовий менеджмент у комерційному банку та в індустрії фінансових послуг / Пер. з англ. М: Альпіна Бізнес Букс, 2007. С. 477.

Детальніше див. Терентьєв Н.Є. Ефективність управління кредитними ризиками як основа довгострокової конкурентоспроможності комерційного банку// Сучасна конкуренція. 2008. № 6. С. 81-91.

Надіслати свою гарну роботу до бази знань просто. Використовуйте форму, розташовану нижче

Студенти, аспіранти, молоді вчені, які використовують базу знань у своєму навчанні та роботі, будуть вам дуже вдячні.

Подібні документи

Теоретичні основи прогнозування та його основні методи, етапи та типи прогнозів. Методи прогнозування ділового середовища. Аналіз практичного використання методу "дерева" рішень у прийнятті управлінських рішень на прикладі компанії "Чита-Спецбуд".

курсова робота , доданий 05.05.2011

Сутність економічного прогнозування, характеристика основних форм передбачення. Передбачення внутрішніх та зовнішніх умов діяльності. Види прогнозів та технологія прогнозування. Методи прогнозування: експертні, статистичні, комбіновані.

курсова робота , доданий 22.12.2009

Точність під час прийняття рішень. Основи прогнозування, статистичного та регресійного аналізу за допомогою програмного забезпечення на прикладі продажу палива на автоматичній АЗС. Трендове прогнозування та прогнозування методом авторегресії.

курсова робота , доданий 04.06.2015

Методи прогнозування розробки управлінських решений. Роль прогнозування у регіональних соціально-економічних управлінських процесах. Шляхи вдосконалення планово-прогностичної діяльності в управлінні сталим розвитком регіону.

курсова робота , доданий 10.04.2014

Процес управління підприємством – розробка на основі аналізу ситуації управлінських рішень. Методи прогнозування у створенні: завдання, доцільність застосування, результати. Експертні оцінки у прийнятті планових рішень, екстраполяція трендів.

курсова робота , доданий 02.03.2012

Еволюція, поняття та сутність прогнозування та планування діяльності підприємства. Структура економічного передбачення. Відмінні риси методу сценаріїв, а також технологічного, експертного, розвідувального, нормативного методу прогнозування.

реферат, доданий 15.04.2011

Сутність та класифікація ризиків. Прийоми розробки та вибору управлінських рішень за умов ризику. Основна характеристика туристичної фірми. Ризик при прийнятті управлінських рішень у туристичній фірмі ТОВ "Туристична Компанія Романової Ольги".

курсова робота , доданий 21.01.2014

Прогнозування в інноваційній діяльності, класифікація прогнозів за часом та масштабом дії. Прогнозування забезпечення інновацій, їхніх соціальних та екологічних наслідків. Визначення та оцінка інноваційного потенціалу проекту, його параметрів.

курсова робота , доданий 24.07.2009

Прогнозування: успіхи та невдачі

Забезпечення якості прогнозування

Основи технологій прогнозування

Підтвердження якості прогнозування

Практика та перспективи розвитку прогнозування в тиражованих та корпоративних системах

Висновок

Література

Глосарій

Джерела

У чому різниця між методом та моделлю прогнозування?

Спочатку класифікуємо методи

Далі зробимо загальну класифікацію моделей

Класифікуємо моделі часових рядів

Загальна класифікація

Тенденції прогнозування розвитку компаній з урахуванням ризиків

1.1. Загальноекономічні тенденції

1.2. Тенденції розвитку інформаційних технологій

1.3. Загальна технологія побудови моделі прогнозування розвитку компанії з урахуванням ризиків

Проблеми підготовки вихідних даних для моделі прогнозування

2.1. Типи вихідних даних

2.2. Проблеми забезпечення релевантності та однорідності вихідних даних

2.3. Проблема ідентифікації законів розподілу ймовірностей

2.4. Генерація емпіричних розподілів

2.5. Способи завдання трендів для емпіричного розподілу

2.6. Засоби автоматизації збору та статистичного аналізу вихідних даних

Особливості оцінки ризиків розвитку на трьох рівнях управління у компанії

3.1. Рівень окремого інвестиційного проекту

3.2. Рівень портфеля інвестиційних проектів

3.3. Рівень компанії загалом

3.4. Розробка моделі грошових потоків компанії

3.5. Приклад використання моделі прогнозування розвитку компанії

Деякі інші галузі застосування моделі прогнозування

Застосування моделей прогнозування для внутрішнього аналізу

Застосування моделей прогнозування у рамках зовнішнього стратегічного аналізу

Застосування моделей прогнозування у банках та інших фінансових організаціях

Надіслати свою гарну роботу до бази знань просто. Використовуйте форму, розташовану нижче

Подібні документи

Читайте також