CC BY
0Черняев И. О.
Санкт-Петербургский государственный архитектурно-строительный университет, заведующий
кафедрой «Техническая эксплуатация транспортных средств», доцент, кандидат технических наук.
Клименко Ю.В.
Петербургский государственный университет путей сообщения Императора Александра I, аспирант Корчагин В.А.
Тюменский государственный нефтегазовый университет, ассистент кафедры «Сервис автомобилей и технологических машин», кандидат технических наук
МЕТОДИКИ ВЫБОРА СТРАТЕГИЙ РАЗВИТИЯ ПРЕДПРИЯТИЙ НА РЫНКЕ МОРСКИХ
КОНТЕЙНЕРНЫХ ПЕРЕВОЗОК
THE TECHNIQUES FOR SELECTION OF DEVELOPMENT STRATEGIES IN THE CONTAINER SHIPPING MARKET
Chernyaev I. Head of the chair «Technical exploitation of transport means» of Saint-Petersburg State University of Architecture and Civil Engineering, PhD in engineering, associate professor
Klimenko Y. Postgraduate student of Emperor Alexander I St. Petersburg State Transport University
Kortchagin V. Assistant of the chair «Car service and technological machinery» of Tyumen state oil and gas university, PhD in engineering
АННОТАЦИЯ
В статье описаны задачи разработки методик выбора и корректировки стратегии развития предприятий в современных быстроизменяющихся и кризисных рыночных условиях. На примере рынка морских контейнерных перевозок рассмотрено обоснование перечня показателей, характеризующих работу предприятия, а также соответствие их значений определенным стратегиям развития. Более подробно освещены разработанные методики выбора стратегии по ключевым показателям и с использованием аппарата искусственных нейронных сетей. Дана оценка эффективности и границ применения разработанных методик.
ABSTRACT
The tasks of developing techniques for the strategy selection and adjustment of development strategy of enterprises in today's rapidly changing and crisis market conditions are described in the article. The case of container shipping market: the lust of indications characterizing enterprise performance rationale, and their compatibility with specific development strategies are considered. The developed technique of the strategy selection on key performance indicators, and using artificial neural networks are highlighted. Evaluation the effectiveness and applicability limits of the developed techniques is done.
Ключевые слова: искусственная нейронная сеть, стратегия развития предприятия, выбор стратегии
Keywords: artificial neural network, development strategy, strategy selection
Для любого предприятия, руководство которого планирует долгосрочное существование на рынке и устойчивое развитие, актуальным является вопрос выбора стратегии. Стратегия, как понятие, в управленческих науках определено многими авторами (Фалмер, 2002; Томсон, Стрикленд, 1998; Chandler, 1962). Сегодня можно говорить о том, что быстро и в некоторых случаях непредсказуемо изменяющиеся условия на рынке вынуждают предприятия корректировать свои цели, наборы методов управления и принятия решений, по сути, и составляющие стратегию, для достижения устойчивого развития. В этой связи интересно отметить описанный Ч. Макмилланом подход, использующийся в промышленности Японии, где «под стратегией понимается готовность к событиям, которые происходят за границами действенности системы управления» (1988).
События последних нескольких лет делают такой подход особенно актуальным для российских предприятий, деятельность которых непосредственно связано со спросом на товары и услуги, а ее результаты напрямую могут определяться его колебаниями. Примером таких предприятий явля-
ются компании, осуществляющие морские контейнерные перевозки. Падение покупательской способности населения, переориентация на новые виды товаров, появление и уход с рынка других игроков и связанные с этим факторы формируют потребность в коррекции системы управленческих мер вплоть до изменения стратегии.
Однако при принятии решения о выборе стратегии дальнейшего развития предприятия менеджеры объективно сталкиваются со следующими ограничениями:
- состояние предприятия характеризуется достаточно большим количеством показателей, значения которых влияют на выбор стратегии, что затрудняет принятие решения;
- в штате предприятия не всегда может находиться квалифицированный аналитик, способный на основе анализа набора значений показателей принять решение с минимальной ошибкой;
- цена ошибки при выборе стратегии для предприятия может быть достаточно весомой, вплоть до потери занимаемой ниши на рынке.
Данные ограничения делают актуальным формирование методик выбора стратегий развития в изменяющихся условиях, которые бы позволяли
учитывать значительное количество определяющих показателей, максимально бы исключали влияние на принятие решения человеческого фактора и при этом давали бы максимально безошибочный результат.
Примерами таких методик, разработанных на основе результатов проведенных исследований для предприятий на рынке морских контейнерных перевозок, являются:
- методика выбора стратегии по ключевым показателям;
- методика выбора стратегии с помощью аппарата искусственных нейронных сетей.
Показатели, характеризующие состояние предприятия
Необходимым условием реализации предложенных авторских методик на предприятиях является формирование информационной базы, обязательным элементом которой является массив показателей, характеризующих состояние предприятия.
В результате проведенных исследований (Клименко, 2014) был определен набор из 32 показателей. На основе обработки информации о динамике этих показателей менеджерами принимаются решения о выборе стратегии развития транспортного предприятия.
Таблица 1
Фрагмент матрицы эталонных наборов значений показателей_
Показатель Стратегия
Сокращение расходов Приспособление Бенчмаркинг Погоня за лидером Усиления позиций на рынке
количество новых привлеченных клиентов 4 Т4 - Т Т
портовые ставки на перевозки по направлениям 4 4 Т4 Т 4
число заявок на транспортировку 4 4 - Т Т4
стоимость оборотных фондов Т Т - 4 -
доля рынка, занимаемая транспортным предприятием 4 4 4 Т Т4
насыщенность рынка морских контейнерных перевозок и число конкурентов, предлагающих аналогичные услуги Т Т4 Т4 - 4
общее количество клиентов транспортного предприятия - 4 - Т Т
Другим результатом исследования явилось выделение 5 основных типов стратегий, которым может следовать предприятие на рынке морских контейнерных перевозок:
- сокращение расходов;
- приспособление;
- бенчмаркинг;
- погоня за лидером;
- усиление позиции на рынке.
Каждой стратегии был сопоставлен определенный набор значений показателей (эталонный набор). При этом применены не количественные, а качественные значения показателей, характеризующие их изменения, что позволяет применять данную систему оценки состояния предприятия независимо от его масштабов и результатов деятельности. Каждый из показателей может принимать одно из следующих 4 значений: уменьшение (обозначается 4); увеличение (|); любое изменение (Ц); постоянство, т.е. отсутствие существенных изменений (-).
Фрагмент матрицы эталонных наборов значений показателей, соответствующих приведенным выше стратегиям, представлен в таблице 1.
Методика выбора стратегии по ключевым показателям
В основу данной методики положена проверка совпадения набора показателей, характеризующих реальное состояние предприятия, с одним из эталонных наборов.
Для оценки этого совпадения предложен коэффициент совпадения, рассчитываемый по формуле:
n
Z к
совц
Kz =
совп
i=1
(1)
n
К
где совп - коэффициент совпадения по ьтому показателю (принимает значение 1, если значения показателя из произвольного набора совпадает со значением из нормативного работа, и 0 - если не совпадает).
п - количество показателей в наборе.
Очевидно, рассчитываемый по приведенной выше формуле коэффициент совпадения принимает значения от 0 до 1. Чем ближе значение к единице, тем о более полном совпадении с эталонным набором можно говорить. При оценке совпадения
произвольного набора с нормативными выбор стратегии будет определять тот нормативный набор, значение коэффициента совпадения для которого наибольшее.
Однако на практике могут возникнуть ситуации, когда значения коэффициента совпадения для разных нормативных наборов могут совпадать. Данная ситуация может возникнуть даже в случае использования при расчете весовых коэффициентов, определенных для каждого показателя. В связи с этим, для обеспечении возможности выбора приоритетной стратегии в случае одинаковых значений коэффициентов совпадения определены ключевые показатели для каждой стратегии.
Для определения ключевых показателей эталонные наборы сгруппированы по общности показателей в 3 основные смысловые группы:
- Группа 1 - показатели, отражающие состояние спроса и его потенциальный рост(рыночный статус предприятия);
Таким образом, методика выбора стратегии по ключевым показателям предполагает следующую последовательность действий.
1. Оценка реального состояния предприятия -определение набора из 32 значений показателей.
2. Расчет коэффициентов совпадений по формуле (1) для эталонных наборов.
3. Выбор стратегии, соответствующий эталонному набору с большим значением коэффициента совпадения.
4. При одинаковых значениях коэффициентов совпадения их расчет по формуле (1) для ключевых показателей, окончательный выбор стратегии.
Практика апробации методики показала, что она дает приемлемые результаты только при достаточно значительных совпадениях наборов значений показателей, характеризующих состояние предприятия, с одним из эталонных наборов (как правило, 70% и более). Можно говорить о минимальных ошибках результатов выбора стратегии только при значениях коэффициентов совпадения, находящихся в диапазоне от 0,7 до 1.
Точная количественная оценка ошибки при определении стратегии с использованием методики
- Группа 2 - показатели, характеризующие динамику экономических результатов деятельности предприятия;
- Группа 3 - показатели, определяющие успешность достижения целей, связанных с интересами отдельных категорий работников.
С целью оценки информативности показатели в каждой группе ранжированы по количеству совпадающих значений. Так, показатель «портовые ставки на перевозки по направлениям» принимает значение «уменьшение» для трех стратегий (см. табл. 1). После исключения из рассмотрения показателей с количеством совпадающих значений больше минимального, произведена оценка чувствительности остальных показателей. Для этого с учетом нормального распределения значений, рассчитана их дисперсия. С использованием принципа Парето (Кох, 2010) выделены ключевые показатели для каждой из групп, совпадение с которыми является определяющим при выборе стратегии, представленные в таблице 2.
Таблица 2
выбора по ключевым показателям на данный момент является задачей следующего этапа исследования. Однако для устранения указанного недостатка разработана альтернативная методика.
Методика выбора стратегии с помощью аппарата искусственных нейронных сетей
Данная методика основывается на моделировании процессов принятия решений, целью которых является выбор одного из нескольких вариантов на основе определенного набора исходных данных. Достаточно эффективно моделировать данные процессы позволяет аппарат искусственных нейронных сетей (ИНС).
Анализ опыта применения математического аппарата ИНС в задачах, сходных с рассматриваемой (Барский, 2004; Боровиков, 2008; Татузов, 2009), позволяет сделать следующие выводы:
- применение данного аппарата исключает необходимость систематического накопления больших объемов статистической информации как основу для принятия решений; необходим сравнительно небольшой обучающий массив данных, характеризующих достоверно принятые решения.
Ключевые показатели для выбора стратегий
Группа Ключевые показатели
1 насыщенность рынка морских контейнерных перевозок и число конкурентов, предлагающих аналогичные услуги
количество судоходных линий, имеющих собственные судоходные еженедельные сервисы, включая океанские,
число доступных альтернативных видов транспорта
2 производительность труда работников
количество повреждений грузов
величина кредиторской задолженности
среднее транзитное время на основных направлениях
3 наличие современных основных фондов
- благодаря способности к обучению и запоминанию, а также путем изменения адаптивных параметров искусственных нейронов, из которых состоит сеть, можно добиться высокой степени точности при принятии решений;
- проверка адекватности построенных на основе искусственной нейронной сети моделей проводится с использованием тестовых выборок, которые формируются из гарантированно правильно принятых решений, что обеспечивает высокую степень надежности моделей;
- можно добиться значительного снижения влияния человеческого фактора при принятии окончательного решения о выборе той или иной стратегии;
- для построения моделей ИНС можно использовать информацию, полученную на основе экспертных оценок и анализа ранее принятых эффективных решений.
Искусственный нейрон представляет собой узел ИНС, смоделированный по упрощенному принципу функционирования биологического нейрона. С математической точки зрения, искусственный нейрон представляет собой функцию от единственного аргумента - линейной комбинации всех сигналов на входе (данная функции получила название «активационная функция»), с помощью которой вырабатывается выходной сигнал нейрона. ИНС, как правило, строится из нескольких слоев:
- входного слоя, на нейроны которого подается вектор, содержащий исходную информацию для принятия решения;
- скрытых (промежуточных) слоев, которые реализуют вычисления;
- выходного слоя, формирующего вектор, содержащий информацию о принятом решении.
Для построения ИНС необходимо определить функцию активации, количество скрытых слоев и количество нейронов в каждом слое.
Исходя из анализа практической применимости ИНС для различных задач классификации (Барский, 2004; Боровиков, 2008; Татузов, 2009), можно сделать вывод, что в качестве активационной наиболее рациональным является применение сиг-моидальной функции. Ее применение снижает время вычислений, реализуемых ИНС, а также ускоряет процесс обучения.
Если взвешенную сумму входных сигналов нейрона можно описать выражением
* = 1-
(2)
i=1
где XI - значение на ьм входе нейрона; юi - вес ьго синапса,
то выходное значение нейрона при использовании сигмоидальной активационной функции приобретает следующий вид:
у =-!-
1 + е ^ .
Для наглядности иллюстрации вычислительных процессов, проходящих в искусственном нейроне, на рисунке 1 приведена его функциональная модель.
Рисунок 1. Функциональная модель искусственного нейрона
Входной вектор {х1, х2,..., xj} представляет собой сигналы, полученные от других нейронов предыдущего слоя. Выходной сигнал Y в свою очередь является входным для нейронов следующего слоя.
Анализ теоретических проработок вопроса об оптимальном количестве скрытых слоев (Барский, 2004; Боровиков, 2008; Татузов, 2009) позволяет утверждать, что использование более двух скрытых слоев при формировании ИНС чаще всего нецелесообразно. Для решения рассматриваемой задачи выбора стратегии, с учетом относительной простоты их классификации, достаточным будет один скрытый слой нейронов.
Количество нейронов во входном слое ИНС однозначно определяется количеством показателей, применяемых для оценки реального состояния предприятия. Для рассматриваемого случая для
предприятий на рынке морских контейнерных перевозок - 32.
Необходимо учитывать, что для работы ИНС рациональным является применение двоичной системы, в которой показатели задаются значениями 1, -1 и 0. Для этого произведена индексация значений показателей эталонных наборов, при которой значению «уменьшение» присвоено значение -1; увеличение - 1; любое изменение - как -1, так и 1; постоянство - 0. С учетом индексирования, эталонному набору, соответствующему, например, стратегии «Сокращение расходов» будет соответствовать входной вектор {-1;-1;-1;1;-1;1;0;1;1;1;1;-1;1;-1;-1;-1;1;1;1;-1;-1;-1;-1;-1;-1;-1;0;-1;1;0;-1;-1}.
Количество нейронов в выходном слое ИНС определяется исходя из количества вариантов принимаемых решений, т.е. исходя из количества стра-
тегий, выбор между которыми осуществляет предприятие. С учетом этого сформирован массив выходных векторов, сопоставленных каждой из пяти стратегий. Данный массив представлен в таблице 3.
Таблица 3
Соответствие выходных векторов ИНС стратегиям предприятия_
Стратегия Выходной вектор ИНС
Сокращение расходов {1;0;0;0;0}
Приспособление {0;1;0;0;0}
Бенчмаркинг {0;0;1;0;0}
Погоня за лидером {0;0;0;1;0}
Усиления позиций на рынке {0;0;0;0;1}
Количество нейронов в скрытом слое определено исходя из условия 100%-ного распознавания сетью тестовых наборов при обучении ИНС. При этом обучающие и тестовые выборки для формирования ИНС составлялись на основе эталонных наборов значений показателей.
Размер обучающей выборки определен, как произведение количества нейронов входного слоя, на количество нейронов выходного слоя (Боровиков, 2008). В рассматриваемом случае обучающую выборку должно составлять 160 различных пар векторов. Сформировать достаточную по величине обучающую выборку позволило описанное выше индексирование показателей, а именно сопоставление одному значению показателя «любое изменение» двух значений индексов {-1; 1}. С учетом присутствия в каждом из эталонных наборов нескольких показателей, имеющих значение «любое изменение», и количества возможных комбинаций их различных значений, максимальный объем обучающий выборки составил 33408 вариантов соответствия входных и выходных векторов, что позволило сформировать обучающую выборку нужного
120
100
80
к
S X
го ш го
S 60
о
С
О
го о.
40
20
0
1 2 3 4 5 6 7
количество нейронов
Рисунок 2.
Определение количества нейронов в срытом слое ИНС на основе точности распознавания выборок
размера, в которой все варианты стратегий оказались равнопредставленными.
Обучение ИНС происходило с использованием метода обратного распространения ошибки. Процесс обучения ИНС упрощенно можно представить в виде последовательной корректировки весов синапсов (значения ам в формуле (2)), которые бы обеспечивали точное соответствие заданного входного вектора заданному выходному для всех пар из обучающей выборки. Точность обучения проверялась на тестовой выборке. В качестве тестовых выборок в рассматриваемом случае использовались случайные комбинации вариантов соответствия входных и выходных векторов, неиспользованные при формировании обучающей выборки.
Зависимость точности распознавания обучающих и тестовых примеров формируемой ИНС от количества нейронов в скрытом слое приведенная на рисунке 2, позволяет сделать однозначный вывод о том, что скрытый слой должны составлять 3 нейрона.
1 'Vv / ^ / к ^^^ Обучающее множ ество
1 / / / / \ г \ Тестовое мно жество
/ / /
Таким образом, для решения задачи выбора стратегии развития предприятия в рассматриваемом случае сформирована ИНС 32х3х5. На рисунке 3 представлен граф ИНС, полученный при реализации ее работы в прикладном программном обеспечении Deductor Studio (достаточно распространенная аналитическая платформа, позволяющая реали-зовывать различные алгоритмы и методы анализа данных и прогнозирования, разработанная компанией BaseGroup Labs, Россия).
Итак, методика выбора стратегии с помощью аппарата искусственных нейронных сетей предполагает выполнение следующей последовательности действий.
1. Определение количества параметров, по которым оценивается деятельность предприятия, и количества стратегий, среди которых нужно сделать выбор. Данные значения определяют количества нейронов во входном и выходном слоях ИНС.
2. Формирование обучающей выборки, состоящей из равного количества примеров соответствия наборов значений параметров (входных векторов) выходным векторам, соответствующих каждой стратегии.
3. Формирование ИНС, заключающееся в определении оптимального количества нейронов в скрытом слое и обучении ИНС.
4. Использование ИНС для принятия решений при выборе стратегии - подача на вход вектора, соответствующего набору значений параметров, характеризующих работу реального предприятия и
сопоставление выходного вектора с возможными вариантами, соответствующими определенным стратегиям.
5. При появлении новых фактов эффективных принятий решения по выбору стратегии они могут быть добавлены в обучающую выборку и ИНС скорректирована в соответствии с п. 2 и 3.
С помощью последнего шага из предложенной последовательности действий может быть реализован учет эффективных управленческих решений, не поддающихся формальному расчету и обоснованию. Так, при достаточно продолжительном периоде использования данной методики со своевременным пополнением обучающей выборки реальными примерами эффективных решений и повторным обучением ИНС, точность ее работы будет повышаться.
Оценка точности выбора стратегии с использованием сформированной ИНС (см. рис. 3), выполненная с привлечением экспертов, задававших варианты наборов значений параметров, соответствовавших заранее известным состояниям предприятия, и оценивавших соответствие выходных векторов ИНС заранее известным наиболее эффективным решениям выбора стратегии, показала положительные результаты. В 87% случаев результаты работы ИНС совпадали с мнением экспертов даже при существенных отличиях наборов значений показателей от эталонных наборов (при значениях коэффициентов совпадения, рассчитанных по формуле 1, в пределах от 0.4 до 0.7).
Рисунок 3. Граф ИНС
Таким образом, предложенные выше две методики выбора стратегии развития предприятия могут быть признаны достаточно надежным инструментом для принятия решений (с учетом указанных ограничений). Для повышения эффективности их применения требуется количественная оценка точности результатов, но уже в представленном виде их результативность подтверждена.
Список литературы 1. Барский А (2004) Нейронные сети: распознавание, управление, принятие. Финансы и статистика, Москва, РФ.
2. Боровиков В (2008). Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. Горячая Линия - Телеком, Москва, РФ.
3. Клименко Ю (2014). Формализация показателей, используемых для оценки позиции предприятий морского транспорта. Вестник Санкт-Петербургского государственного экономического университета. Вып. 3 (70).
4. Кох Р Закон Парето или Принцип 80/20. Сокращённый перевод статьи с комментарием Скля-ревского Е. и фрагментом статьи Давыдова А. А. «Убывающие числовые последовательности в социологии: факты, объяснения, прогнозы» в качестве дополнения. См. http://www.arbuz.uz/t_pareto.html (дата обращения 26.10.2015)
5. Макмиллан Ч (1988) Японская промышленная система. Прогресс, Москва, РФ.
6. Фалмер Р (2002) Энциклопедия современного управления. ЮНИТИ, Москва, РФ.
7. Татузов, А (2009) Нейронные сети в задачах радиолокации. Радиотехника, Москва, РФ.
8. Томпсон А (ред.) (1988) Стратегический менеджмент. Искусство разработки и реализации стратегии. Банки и биржи, ЮНИТИ, Москва, РФ.
9. Chandler А (1962). Strategy and Structure: Chapters in the History of the American Industrial Enterprise. M.I.T. Press, Cambridge, USA.
Краснова 1.В.
к.е.н., доцент, професор кафедри менеджменту банювсько'1 dÍMMbHocmi, ДВНЗ «Кшвський нацюналь-
ний економiчний ymíверситет iменi Вадима Гетьмана»
Ф1НАНСОВ1 АКТИВИ: СУТН1СТЬ, КЛАСИФ1КАЦ1Я ТА НОВАЦП
FINANCIAL ASSETS: ESSENCE, CLASSIFICATION AND INNOVATIONS
Krasnova I.V., Ph.D., associate professor, professor of management banking, SHEE "Kyiv National Economic University"
АНОТАЦ1Я
У статп розглянуто сутнють дефшщп «фшансовий актив», визначено ii вщмшш та спшьш моменти з шшими спорщненими поняттями «фшансовий шструмент», «щнт папери». Для цього використано пра-вовий та економiчний тдходи. Зазначено, що фiнансовi активи е частин активiв компанп, що являють собою фшансовий ресурс. Фiнансовi активи продаються/купуються у формi фшансових шструменпв. Ак-центовано увагу на проблемi ощнки i вимiрювання рiзних категорш фшансових активiв з метою врахування 1х впливу на розвиток фшансових риншв i запобiгання кризових процеав. Розглянуто змiни щодо обл^ фiнансових активiв, що опублiкованi в нових стандартах МСФЗ (IFRS) 9.В статп вiдмiчаеться, що в наслщок випереджаючого розвитку фiнансових iнновацiй межи мгж традицiйними сегментами фшансового i товарного ринк1в поступово стираються, i товарнi активи трансформуються у рин-ковi.
ABSTRACT
In the article the essence of the definition of "financial assets", to its great moments and shared with other related concepts of "financial instrument", "securities". To this end, used legal and economic approaches. It is noted that the financial assets are part of the company's assets that are financial resources. Financial assets sold / purchased in the form of financial instruments. The attention on the problem of estimation and measurement of various categories of financial assets to take account of their impact on the development of financial markets and crisis prevention processes. Consider changes to the accounting for financial assets that are published in the new IFRS standards (IFRS) 9.V article observed that as a result of advanced development of financial innovation landmark between traditional segments of the financial and commodity markets gradually erased and commodity assets are transformed into market.
Ключовi слова: фiнансовi активи, фiнансовi шструменти, цшш папери, варпсна ощнка, фшансовий ринок, похщш фiнансовi шструменти, ф'ючерс.
Keywords: financial assets, financial instruments, securities valuation, financial market, financial derivatives, futures.
Сучасний економiчний проспр суттево змши-вся тд впливом фшансово1' штеграцп та глобал1за-ци, розвитку фшансових шновацш та шформацш-них технологш. Ц змши сприяли посиленню зна-чущостi фiнансовоï сфери та фшансового ринку, як
ïï складова, як1 у своему розвитку значно еволющо-нували. На даний час масштаби, форми, мехашзми, а також рiвень ïï впливу на свiтовi економiчнi та по-лггичш процеси значно посилився, та набув загроз-
