Анализ конкурентоспособности предприятия на внешнем рынке с использованием нейросетевого моделирования Текст научной статьи по специальности «Экономика и бизнес»

30 (381) - 2014

Анализ конкурентоспособности

УДК 336.153.11

АНАЛИЗ КОНКУРЕНТОСПОСОБНОСТИ ПРЕДПРИЯТИЯ НА ВНЕШНЕМ РЫНКЕ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Е.Ю. ТРИФОНОВА,

доктор экономических наук, профессор, профессор кафедры экономики народного хозяйства E-mail: [email protected] Ю.В. ПРИКАЗЧИКОВА, ассистент кафедры экономики народного хозяйства E-mail: [email protected] Нижегородский государственный университет им. Н.И. Лобачевского — Национальный исследовательский университет

Обоснована целесообразность применения ней-росетевых технологий для оценки конкурентоспособности предприятия на внешнем рынке. Проведен анализ конкурентоспособности ОАО «ЛУКОЙЛ» на рынках Болгарии, Румынии и Италии с использованием нейросетевого моделирования. Выделены ключевые проблемы развития нефтеперерабатывающей отрасли России и обозначены возможные пути их решения.

Ключевые слова: конкурентоспособность, нейросетевая модель, нефтепереработка, внешний рынок, управленческие решения

В современных условиях весьма важное значение приобретает определение уровня конкурентоспособности предприятий, вовлеченных в международный бизнес. Осуществление внешнеэкономической деятельности (ВЭД) открывает огромные перспективы и возможности, используя которые компании могут достичь конкурентного преимущества (например, в издержках или дифференциации) или укрепить его. Однако конкурентная

борьба на зарубежных рынках сопровождается повышенными рисками и предъявляет гораздо более жесткие требования к разработке стратегии, чем соперничество на внутреннем рынке [10]. Очевидно, что в современном глобализующемся и технологически изменчивом мире предприятие не выдержит конкуренции, если не будет соответствовать рыночным требованиям, предъявляемым в международной среде, и осуществлять постоянные организационные преобразования используемых бизнес-процессов. Под конкурентоспособностью предприятия на внешнем рынке авторами понимается положение, занимаемое им в соответствии с рыночными международными факторами спроса и предложения [6].

Необходимость совмещения одновременно происходящих процессов принятия управленческих решений (оперативных, тактических, стратегических) в подавляющем большинстве случаев существенно затрудняет управление внешнеэкономической деятельностью предприятий. В таких

Рис. 1. Этапы построения нейросетевой модели

сложных условиях все большую актуальность приобретают гибкие системы поддержки принятия управленческих решений, основывающиеся на математических алгоритмах обработки значительных объемов информации. Использование математического моделирования с применением современного программного обеспечения позволяет обрабатывать большие массивы внешней и внутренней информации, характеризующей всю иерархию уровней функционирования предприятия.

В настоящее время технологии нейронных сетей успешно применяются в самых различных областях деятельности для решения задач прогнозирования, классификации, управления и др. [2-5, 9]. Такие характеристики этих технологий, как возможность нелинейного моделирования и сравнительная простота реализации, часто делают их незаменимыми при решении сложнейших многомерных задач.

Нейросетевые технологии для обработки сигналов используют явления, аналогичные тем, которые происходят в нейронах живых существ, являющихся одним из основных элементов нервной системы. Важнейшая особенность таких сетей состоит в параллельной обработке информации всеми звеньями, что позволяет значительно ускорить процесс обработки информации. Другим важным свойством нейронных сетей является способность обучения и обобщения накопленных знаний [2].

Алгоритмы нейросетевого моделирования могут быть использованы в том числе для оценки конкурентоспособности предприятия на внешнем рынке с последующей разработкой стратегии его развития.

Процесс построения математической модели на основе нейросетевых технологий можно представить в виде пяти этапов (рис. 1).

Первый этап. Определение цели построения математической модели. Целью построения математической модели в рассматриваемом случае является определение уровня (класса) конкурентоспособности предприятия на внешнем рынке.

Второй этап. Определение результативного (выходного) показателя. Исходя из заданной цели,

результативный (выходной) показатель определяем следующим образом:

к = X)

где К — результативный (выходной) показатель,

которым выступает уровень конкурентоспособности предприятия на внешнем рынке;

Хр..., Хп — входные переменные.

Третий этап. Определение входных переменных модели. Устанавливается набор входных переменных Хр..., X оказывающих влияние на результативный (выходной) показатель. В качестве входных переменных при оценке конкурентоспособности выступают экзогенные и эндогенные факторы, влияющие на занимаемую конкурентную позицию предприятия на внешнем рынке.

Оценку уровня конкурентоспособности предприятия на внешнем рынке предлагается проводить на основе соответствия факторам спроса и предложения.

Четвертый этап . Осуществление процедуры кодирования переменных модели. Для решения поставленной задачи переменные кодируются, что позволяет избежать проблемы несоответствия размерностей. Так, для определения уровня конкурентоспособности предприятия на внешнем рынке процедуру кодирования входных переменных предлагается осуществлять одним из двух способов.

При использовании первого способа одна номинальная переменная представляется несколькими числовыми переменными. Количество числовых переменных равно числу возможных значений номинальной переменной. При этом всякий раз одна из N переменных принимает ненулевое значение. Получаем следующие классы предприятий по уровню конкурентоспособности:

— {1;0;0} — первый класс по уровню конкурентоспособности (класс А);

— {0;1;0} — второй класс по уровню конкурентоспособности (класс В);

— {0;0;1} — третий класс по уровню конкурентоспособности (класс С).

Первый класс определяет высокий уровень конкурентоспособности предприятия, второй класс — средний уровень, третий класс — низкий уровень конкурентоспособности.

Второй способ предполагает следующее разделение на классы:

— первый класс по уровню конкурентоспособности (класс А) — 1;

— второй класс по уровню конкурентоспособности (класс В) — 2;

— третий класс по уровню конкурентоспособности (класс С) — 3.

Пятый этап . Выбор математической модели . Выбор модели зависит от задачи ее использования. Так, если модель направлена на определение классов переменных, как в нашем случае, ее построение осуществляют посредством задачи классификации, где сеть должна отнести каждое наблюдение к одному из нескольких классов.

Таким образом, по завершении процесса обучения искомая модель будет представлена в виде многослойной нейронной сети в виде задачи классификации, входами которой являются

Г1; 0; 0^

закодированные переменные Х1,...,Хп е

или X1,...,Хп е

а выходом - K е

0;1;0 0; 0; 1 1; 0; 0 0; 1; 0 0; 0; 1

или

K е

Сеть считается обученной, если делает допустимо малое число ошибок на выходе, т.е. соблюдается принцип минимизации числа ошибок (в ^ 0). Далее происходит наращивание слоев нейронной сети, пока для K = ДХр.. ,Хп) не будет выполнено условие (в ^ 0). Результаты будут тем достовернее, чем большее количество наблюдений будет участвовать в обучении.

Результаты нейросетевого моделирования позволят сформулировать рекомендации для принятия управленческих решений, выявить слабые места функционирования предприятия.

Опираясь на алгоритм разработки нейросете-вой модели (см. рис. 1), построим нейросетевую модель для оценки конкурентоспособности одной из крупнейших международных вертикально ин-

тегрированных нефтегазовых компаний — ОАО «ЛУКОЙЛ» — на рынках Болгарии, Румынии и Италии.

Выбор нефтеперерабатывающей отрасли определяется стратегической значимостью данной сферы деятельности для экономики страны [7, 8].

Нефтеперерабатывающая отрасль РФ имеет ряд проблем, которые постепенно могут быть решены, в том числе и за счет повышения эффективности деятельности за рубежом. Проанализируем ключевые проблемы.

1. Недостаточный уровень развития нефтеперерабатывающей промышленности РФ. Добыча нефти в РФ превышает возможности ее переработки на собственных мощностях (рис. 2). Это приводит к стремлению предприятий расширить свою нефтеперерабатывающую базу. В свою очередь создание производств по переработке нефти за рубежом будет способствовать повышению конкурентоспособности нефтеперерабатывающих предприятий. Международные требования стимулируют активную работу по модернизации и расширению нефтеперерабатывающих мощностей.

2. Неэффективность переработки нефти в РФ. В стране остро стоит проблема повышения глубины переработки нефти. Глубина переработки нефти в России (рис. 3) значительно ниже по сравнению с ведущими странами мира. Так, если в России глубина переработки составляет порядка 70%, то в США данный показатель находится на уровне 96%, в Европе — от 85 до 93%.

Если по объемам перерабатываемой нефти Россия занимает лидирующие позиции и входит в тройку мировых лидеров, уступая только США и Китаю, то по структуре производства нефтепродуктов и технической оснащенности заводов она до сих пор отстает от стран Запада. В США, например, где функционируют самые современные нефтеперерабатывающие заводы (НПЗ), выход бензина составляет примерно 50% всего ассортимента выпускаемой продукции, дизельного топлива — 27%, мазута — всего 4%. В странах ЕС выход бензина около 25%, дизельного топлива — 44%, мазута — 14%.

В структуре выпуска нефтепродуктов в России продолжает доминировать производство тяжелых и средних фракций, прежде всего мазута и дизельного топлива. В 2012 г. доля дизельного топлива в структуре производства нефтяных топлив и масел составила около 35,2%, мазута топочного — 37,6%, бен-

Добыча — —— Первичная переработка Источник: составлено авторами по данным [1].

Рис. 2. Динамика объема добычи и первичной переработки нефти в РФ, млн т 74

60 58

19901995 2000 20012002 2003 2004 2005 2 006 2 007 2008 2009 2010 2 0112012

Источник: составлено авторами по данным [1].

Рис. 3. Динамика глубины переработки нефти в России, %

0 2 4 6 8 10 12

Источник: составлено авторами по данным [11].

Рис. 4. Индекс Нельсона в 2012 г.

зина автомобильного — 19,3%, прочих нефтепродуктов (авиационного бензина, авиакеросина, масел и др.) — 7,9%. При этом доля высокооктанового бензина (АИ-92 и АИ-95) в общем объеме производства автомобильного бензина выросла с 89,5% в 2011 г. до 92,6% в 2012 г.

Российские НПЗ отстают по технологическому уровню от заводов Европы, США, стран Азиатско-Тихоокеанского региона. Так, коэффициент Нельсона, характеризующий сложность переработки, составляет для отечественных заводов в среднем 4,25, что существенно ниже значения в Европейских странах и США (рис. 4).

В результате структура и качество выпускаемой продукции не удовлетворяют современным требованиям конкурентоспособной экономики.

3. Неэффективность технологической схемы производства продукции. Нефтяная геополитика, характерная для индустриально развитых стран, строится на основе технологической цепочки, состоящей из пяти этапов: добыча — транспортировка — переработка — транспортировка — сбыт. В России же действует усеченная схема производства, включающая три этапа: добыча — транспортировка — сбыт. Используемая схема сужает возможности страны.

4. Несбалансированность спроса и предложения на нефтепродукты. Россия — единственная страна, которая добывает нефть в глубине континента, а потом для последующей переработки или на экспорт транспортирует ее на расстояние 2 500-3 000 км. Это, естественно, отражается и на стоимости продукции.

Справиться с перечисленными проблемами позволят, во-первых, инвестиционные вложения нефтеперерабатывающих компаний в модернизацию производства, во вторых — расширение нефтеперерабатывающих мощностей за пределами страны.

Строительство НПЗ за рубежом будет способствовать реконструкции мощностей и строительству новых установок, направленных на улучшение экологических характеристик топлива, на существенное увеличение глубины переработки нефти. Так, например, глубина переработки сырья в Румынии на предприятии ОАО «ЛУКОЙЛ» — НПЗ «Пет-ротел-ЛУКОЙЛ» — составляет 82%, что вполне соответствует европейскому уровню. Значение индекса Нельсона на этом заводе составляет 9,9, что является наибольшим показателем среди всех НПЗ ОАО «ЛУКОЙЛ».

Объем переработки на зарубежных НПЗ группы ЛУКОЙЛ в 2012 г. составил 21,6 млн т, что на 10,1% выше показателя 2011 г. Выход светлых нефтепродуктов вырос до 69,8% (в 2011 г. — 67,7%).

Капитальные затраты НПЗ ОАО «ЛУКОЙЛ» за рубежом составили в 2012 г. 418 млн долл. (в 2011 г. — 197 млн долл.). Такой рост свидетельствует о значительном увеличении вложений в техническую модернизацию заводов за рубежом для повышения их конкурентоспособности на зарубежных рынках.

Итак, целью построения нейросетевой модели является оценка конкурентоспособности НПЗ ОАО «ЛУКОЙЛ» на рынках Болгарии, Румынии и Италии. В качестве целевой функции выбран класс конкурентоспособности НПЗ ОАО «ЛУКОЙЛ» на указанных рынках.

Отметим, что рынок нефтепродуктов в Болгарии ввиду острого дефицита собственного топлива является весьма привлекательным для иностранных участников. В настоящее время на территории страны действует единственный НПЗ, который принадлежит ОАО «ЛУКОЙЛ». Так, ОАО «ЛУКОЙЛ Нефтохим Бургас» обеспечивает более 80% потребности болгарского рынка в моторных топливах. В Румынии ввиду избыточности рынка нефтепродуктов в целом наблюдается достаточно жесткая конкуренция между крупнейшими компаниями — производителями топлив. Страна обладает собственными запасами нефти, но при этом с середины 2000-х гг. потребление нефти Румынией примерно вдвое превышает ее собственное производство, что свидетельствует о привлекательности

рынка. В Италии ОАО «ЛУКОЙЛ» владеет крупным сицилийским нефтеперерабатывающим комплексом ISAB, состоящим из двух НПЗ. Мощность комплекса оценивается в 16 млн т сырья в год. Индекс Нельсона на ISAB составляет 9,3, что свидетельствует о высоком качестве производственной деятельности. Предприятие ориентировано на выпуск высоко-востребованных в Европе нефтепродуктов.

Отнесение НПЗ к определенному классу конкурентоспособности будем проводить на основе соответствия деятельности предприятия факторам спроса и предложения. В качестве входных переменных авторами было проанализировано 22 фактора спроса и 31 фактор предложения, по каждому из которых было осуществлено кодирование. Фрагменты перечней принятых во внимание факторов соответственно спроса и предложения, влияющих на конкурентоспособность предприятия на внешнем рынке, представлены в табл. 1, 2. Там же показаны присвоенные коды входным переменным согласно складывающейся ситуации на различных зарубежных рынках.

Для решения конкретной задачи классификации для определения класса конкурентоспособности НПЗ ОАО «ЛУКОЙЛ» на рынках Болгарии, Румынии и Италии авторами была использована программа нейросетевого моделирования Statistica Neural Networks, которая обеспечивает возможность работы с несколькими типами нейронных сетей: сигмоидных, Кохонена, вероятностных, MLP, RBF и др.

При определении класса конкурентоспособности с позиций факторов спроса программой было протестировано 24 сети. В результате было отобрано 10 сетей, среди которых далее осуществлялся поиск сети с наилучшими результатами. Лучшей сетью была признана трехслойная (входной слой, скрытый слой и выходной слой) нейронная сеть MLP с одним скрытым слоем, содержащим 12 нейронов. Она показала результат с нулевой ошибкой и хорошей производительностью в определении класса (табл. 3, рис. 5).

Таким образом, НПЗ ОАО «ЛУКОЙЛ» на рынках Болгарии и Румынии входят в класс А по уровню конкурентоспособности со стороны факторов спроса, на рынке Италии предприятие отнесено к классу В.

При определении класса конкурентоспособности со стороны факторов предложения программой было протестировано 24 сети. Лучшей сетью

Таблица 1

Фрагмент перечня кодируемых переменных — факторов спроса для НПЗ ОАО «ЛУКОЙЛ»

Фактор спроса Возможные позиции по переменной Кодирование переменной на рынке

Италии Болгарии Румынии

Соответствие вкусам и предпочтениям потребителей Полное соответствие. Частичное соответствие. Несоответствие 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Качество выпускаемой продукции Высокий уровень. Средний уровень. Низкий уровень 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Ожидания потребителей относительно доступности продукции в будущем Тенденция к увеличению. Тенденция неизменна. Тенденция к уходу компаний с рынка 2 / {0;1;0} 2 / {0;1;0} 2 / {0;1;0}

Рыночная доля > 50% 20-50% < 20% 3 / {0;0;1} 1 / {1;0;0} 2 / {0;1;0}

Время работы на внешнем рынке > 3 лет 1-3 года < 1 года 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Уровень развития брэнда (известность) Известность. Средняя степень известности. Неизвестность 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Удобство месторасположения (степень удаленности от потребителя) Низкая степень удаленности. Присутствует некоторая удаленность. Высокая степень удаленности 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Уровень развития каналов дистрибуции Многочисленное количество каналов. Меньшее количество каналов по сравнению с конкурентами. Нехватка каналов дистрибуции 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Изменение численности и структуры потребителей Увеличение потенциальных клиентов. Без изменения/незначительное увеличение. Снижение потенциальных клиентов 2 / {0;1;0} 2 / {0;1;0} 2 / {0;1;0}

Соответствие факторам спекулятивного спроса Существенный дефицит продукции на рынке. Небольшой дефицит продукции на рынке. Достаточность/избыток продукции на рынке 2 / {0;1;0} 1 / {1;0;0} 2 / {0;1;0}

Таблица 2

Фрагмент перечня кодируемых переменных — факторов предложения

для НПЗ ОАО «ЛУКОЙЛ»

Фактор предложения Возможные позиции по переменной Кодирование переменной на рынке

Италии Италии, Болгарии Румынии

Соответствие используемой технологии конкурентным требованиям Полное. Частичное. Несоответствие 1 /{1;0;0} 1 /{1;0;0} 1 /{1;0;0}

Достаточность производственных площадей для выпуска продукции Достаточность. Частичная нехватка. Существенная нехватка 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Уровень затрат на НИОКР Высокий. Средний. Низкий 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Доступ к глобальным ресурсам Высокая степень. Средняя степень. Низкая степень 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Ожидания производителей относительно будущей конкурентной ситуации на рынке Рост конкуренции. Сохранение тенденции. Снижение конкуренции 3 / {0;0;1} 2 / {0;1;0} 3 / {0;0;1}

Окончание табл. 2

Фактор предложения Возможные позиции по переменной Кодирование переменной на рынке

Италии Италии, Болгарии Румынии

Быстрота реакции на происходящие изменения во внутренней и внешней среде организации, степень адаптации организационных действий к национальным традициям и обычаям Высокая позиция. Средняя позиция. Низкая позиция 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Приспособление ресурсов организации к международным конкурентным требованиям Высокие позиции. Средние позиции. Низкие позиции 1 / {1;0;0} 1 / {1;0;0} 1 / {1;0;0}

Количество конкурентов на международном рынке Большое количество конкурентов. Среднее количество конкурентов. Мало конкурентов 2 / {0;1;0} 1 / {1;0;0} 2 / {0;1;0}

Занимаемая доля на рынке конкурентами Большая. Одинаковая. Меньшая 3 / {0;0;1} 1 / {1;0;0} 3 / {0;0;1}

Соответствие выпускаемой конкурентной продукции требованиям потребителей Полное. Частичное. Несоответствие 3 / {0;0;1} 1 / {1;0;0} 3 / {0;0;1}

Таблица 3

Итоги нейросетевого моделирования по определению класса конкурентоспособности

(со стороны факторов спроса)

Показатель Класс А Класс В Класс С

Общее количество классификационных позиций 2 1 -

Количество правильно классифицированных позиций 2 1 -

Количество неправильно классифицированных позиций 0 0 -

Количество неопределенных позиций 0 0 -

Рис. 5. Нейронная сеть по определению класса конкурентоспособности (со стороны факторов спроса)

Таблица 4

Итоги нейросетевого моделирования по определению класса конкурентоспособности

(со стороны факторов предложения)

Показатель Класс А Класс В Класс С

Общее количество классификационных позиций 1 2 -

Количество правильно классифицированных позиций 1 2 -

Количество неправильно классифицированных позиций 0 0 -

Количество неопределенных позиций 0 0 -

Рис. 6. Нейронная сеть по определению класса конкурентоспособности (со стороны факторов предложения)

признана сеть MLP с одним скрытым слоем, содержащим 25 нейронов. Сеть продемонстрировала результат с нулевой ошибкой и хорошей производительностью в определении класса.

Итоговые результаты по определению класса конкурентоспособности со стороны факторов предложения приведены в табл. 4 и на рис. 6.

По уровню конкурентоспособности со стороны факторов предложения НПЗ ОАО «ЛУКОЙЛ» на рынке Болгарии входят в класс А, а на рынках Румынии и Италии — в класс В .

Использование нейросетевых моделей для решения различного рода задач позволяет избежать ряда возникающих сложностей при осуществлении моделирования. Так, информационная закрытость, отсутствие необходимой статистической информации затрудняет построение надежных моделей. Положение усугубляется при осуществлении деятельности на внешних рынках. По предприятиям, осуществляющим деятельность в глобальном

масштабе, гораздо сложнее получить необходимую статистическую информацию. Получение всей необходимой информации также затрудняется неопределенностью внешней среды, в которой функционируют участники внешнеэкономической деятельности. Преимуществом построения нейросетевых моделей является то, что учитывать необходимо не весь набор факторных переменных, оказывающих влияние на тот или иной аспект деятельности предприятия на внешнем рынке, а самые важные, значимые из них. Следовательно, даже если не вся необходимая статистическая информация доступна руководству предприятия, достаточно ограничиться минимальным набором входных переменных для построения модели.

Таким образом, использование нейросетевого моделирования для решения различных задач, в том числе оценки конкурентоспособности предприятия, имеет существенные преимущества, к числу которых можно отнести:

— гибкость и адаптивность по сравнению с другими разновидностями математических моделей;

— возможность обрабатывать большие массивы информации и строить одновременно несколько моделей, выбирая среди них наиболее целесообразные с точки зрения полученного результата.

Список литературы 1. Информационное агентство РБК. URL: http://nn . rbc . ru .

2 . Кузнецов Ю.А., Перова В.И. Использование нейросетевого моделирования в анализе деятельности крупнейших компаний Российской Федерации // Экономический анализ: теория и практика.

2010. № 31. С. 32-42.

3 . КузнецовЮ.А., ПероваВ.И., ВоробьеваЕ.В. Нейросетевое моделирование финансово-экономической деятельности крупнейших компаний Поволжья // Экономический анализ: теория и практика.

2011. № 35. С. 25-36.

4. Кузнецов Ю.А., Перова В.И., Эйвазова Э.Н. Нейросетевое моделирование динамики инновационного развития регионов Российской Федерации // Региональная экономика: теория и практика. 2014. № 4.С. 18-28.

5. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного

анализа данных / под ред. В.П. Боровикова. М.: Телеком, 2008. 392 с.

6 . Приказчикова Ю.В. Методика оценки конкурентных позиций организации на внешнем рынке // Вестник Нижегородского университета им. Н.И. Лобачевского. 2013. № 3. С. 197-206.

7 . Трифонов Ю.В., Андрианова Е.П., Первуш-кина А.П. Конкурентоспособность предприятий Нижегородской области, осуществляющих внешнеэкономическую деятельность на сырьевых рынках // Вестник Нижегородского университета им. Н.И. Лобачевского. 2010. № 3. Вып. 2. С. 616-618.

8. ТрифоновЮ.В., АндриановаЕ.П., Первушки-на А.П. Оценка позиции предприятий Нижегородской области на мировом нефтяном рынке // Вестник Нижегородского университета им. Н.И. Лобачевского. 2011. № 3. Вып. 1. С. 211-215.

9. Трифонов Ю.В., Малыженков П.В., Ананьев Ф.Ю. Прогнозирование и планирование в экономических системах. Н. Новгород: ННГУ, 2004. 284 с.

10. Трифонова Е.Ю., ГорбуноваМ.Л. Проблемы развития стратегического планирования и управления внешнеэкономической деятельностью предприятий. Н. Новгород: ННГУ, 2008. 283 с.

11. Федеральная служба государственной статистики. URL: http://www. gks . ru .

Economic analysis: theory and practice Analysis of competitive ability

ISSN 2311-8725 (Online) ISSN 2073-039X (Print)

ANALYSIS OF THE ENTERPRISE'S COMPETITIVENESS IN THE INTERNATIONAL MARKET USING NEURAL NETWORK MODELING

Elena Yu. TRIFONOVA, Yuliya V. PRIKAZCHIKOVA

Abstract

The article substantiates the expediency of applying the artificial neural network technology to evaluate the enterprise's competitiveness in the international market . The authors carry out an analysis of competitiveness of the OJSC "Lukoil" in the markets of Bulgaria, Rumania and Italy using a neural network modelling. The authors highlight key problems of development of the oil refining industry of Russia and the possible solutions

Keywords: competitiveness, neural network model, oil refining, external market, management decisions

References

1. RBC news agency. Available at: http://nn.rbc. ru. (In Russ.)

2. Kuznetsov Yu.A., Perova V.I. Ispol'zovanie neirosetevogo modelirovaniya v analize deyatel'nosti krupneishikh kompanii Rossiiskoi Federatsii [The use of neural network modeling in the analysis of activity

Auaxw KOHKypeHmocnocoSnocmu

30 (381) - 2014

of the largest companies of the Russian Federation].

Ekonomicheskii analiz: teoriia i praktika — Economic analysis: theory and practice, 2010, no. 31, pp.32-42.

3. Kuznetsov Yu.A., Perova V.I., Vorob'eva E.V. Neirosetevoe modelirovanie finansovo-ekonomicheskoi deyatel'nosti krupneishikh kompanii Povolzh'ya [Con-nectionist modeling of financial-economic activities of the biggest companies in the Volga region]. Ekonom-icheskii analiz: teoriya ipraktika — Economic analysis: theory and practice, 2011, no. 35, pp. 25-36.

4. Kuznetsov Yu.A., Perova V.I., Eivazova E.N. Neirosetevoe modelirovanie dinamiki innovatsionnogo razvitiya regionov Rossiiskoi Federatsii [Connectionist modeling of the innovation development dynamics of the RF regions]. Regional'naia ekonomika: teoriya i praktika — Regional economics: theory and practice, 2014, no. 4, pp.18-28.

5 . Neironnye seti. STATISTICA Neural Networks: Metodologiya i tekhnologii sovremennogo analiza dannykh: uchebnik [Neural networks. STATISTICA Neural Networks: the methodology and technologies of contemporary data analysis: a manual]. Moscow, Telecom Publ., 2008, 392 p.

6. Prikazchikova Yu.V. Metodika otsenki konkurent-nykh pozitsii organizatsii na vneshnem rynke [The methodology for evaluating the organization's competitive positions in foreign markets]. Vestnik Nizhegorod-skogo Universiteta im. N.I. Lobachevskogo -Bulletin of Lobachevsky State University of Nizhny Novgorod, 2013, no.3, pp.197-206.

7. Trifonov Yu.V., Andrianova E.P., Pervushkina A . P. Konkurentosposobnost' predpriyatii Nizhegorod-skoi oblasti, osushchestvlyayushchikh vneshneeko-nomicheskuyu deyatel'nost' na syr'evykh rynkakh [Competitiveness of the Nizhny Novgorod region enterprises, carrying out foreign trade activities in com-

modity markets]. VestnikNizhegorodskogo Universiteta im. N.I. Lobachevskogo — Bulletin of Lobachevsky State University of Nizhny Novgorod, 2010, no. 3, vol. 2,pp.616-618.

8. Trifonov Yu.V., Andrianova E.P., Pervushkina A . P. Otsenka pozitsii predpriyatii Nizhegorodskoi oblasti na mirovom neftyanom rynke [Position assessment of the Nizhny Novgorod region enterprises in the world oil market]. Vestnik Nizhegorodskogo Universiteta im. N.I. Lobachevskogo — Bulletin of Lobachevsky State University of Nizhny Novgorod, 2011, vol. 1, no. 3, pp.211-215.

9. Trifonov Yu.V., Malyzhenkov P.V., Anan'ev F.Yu. Prognozirovanie i planirovanie v ekonomicheskikh sistemakh [Forecasting and planning in economic systems]. Nizhny Novgorod, NNSU Publ., 2004, 284 p.

10. Trifonova E.Yu., Gorbunova M.L. Problemy razvitiya strategicheskogo planirovaniya i upravleniya vneshneekonomicheskoi deyatel 'nost 'yu predpriyatii [Problems of the development of the strategic planning and management of foreign economic activities of enterprises]. Nizhny Novgorod, NNSU Publ., 2008, 283 p.

11. Federal State Statistics Service. Available at: http://www.gks.ru. (In Russ.)

Elena Yu. TRIFONOVA

Lobachevsky State University of Nizhny Novgorod — National Research University, Nizhny Novgorod, Russian Federation trifonova . elen@gmail . com Yuliya V. PRIKAZCHIKOVA Lobachevsky State University of Nizhny Novgorod — National Research University, Nizhny Novgorod, Russian Federation priyuliya@inbox . ru