CC BY
58
Т. V. Aghajanian
Prognostic estimation external environment of an enterprise
In this article are presented: enterprise external environment analisys and its prognostic estimation, defined role of an enterprise is determined in dynamically changing environment. There is shown prognostic estimation of adequate conditions corresponding with enterprise aims and prognostic monitoring of micro environment is offered. In addition there is prognostic approach to supplier.
УДК 658.1: 005.51
T.B. Агаджанян, acn., 89103023017
(Россия, Брянск, Брянский государственный технический университет)
МЕТОДЫ И МОДЕЛИ УПРАВЛЕНИЯ ПРЕДПРИЯТИЕМ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ ЕГО ДЕЯТЕЛЬНОСТИ
Представлены методы и модели прогнозирования показателей производственно-финансовой деятельности предприятия, применяемые для региенш задач стратегического планирования на среднесрочную и долгосрочную перспективу.
Ключевые слова: методы прогнозирования, производственно-финансовая деятельность, алгоритм построения моделей прогнозирования.
Современные условия развития национальной и мировой экономики, ужесточение конкурентной борьбы, ограниченность доступа к ресурсам и капиталу на мировых рынках определяют значимость прогнозирования в управлении предприятиями. Прогнозирование - один из наиболее эффективных инструментов менеджмента, активно используемый для определения наиболее вероятного хода развития событий и оценки возможных последствий принимаемых решений на всех уровнях управления: страны, регионов, отраслей, предприятий и организаций.
Невозможно отрицать, что прогнозирование является исходной предпосылкой для проектирования вообще и финансового, в частности. Производственно-финансовую деятельность в данном контексте можно рассматривать как прогнозную модель денежных потоков.
Динамическая прогнозная модель такого рода может быть построена на основе финансовой отчетности в среде экономических таблиц (EXCEL, Super CALK, Lotus ...). Основные тенденции динамики финансового состояния и результатов деятельности можно прогнозировать с определенной точностью, сочетая формализованные и неформализованные методы. В условиях крайней нестабильности экономической конъюнктуры финансовое прогнозирование может быть сведено к расчету вариабельного значения NPV либо другого критерия эффективности в зависимости от меняющихся значений ряда параметров: объем производства, состав и структура затрат по различным видам деятельности хозяйственного субъекта.
Прогнозирование основано на признании факта существования определенной зависимости (функции или константы) происходящих изменений показателей производственно-финансовой деятельности от одного отчетного периода к другому. Поскольку любая экономическая, а значит, и финансовая система обладает инерционностью развития, то данную предпосылку следует считать вполне реалистичной.
Следует отметить, что экономико-статистический анализ временных рядов производственных и финансовых процессов должен учитывать их отличия от простых статистических выборок, а именно:
- последовательные значения временных рядов этих процессов являются взаимозависимыми, и чем ближе они друг к другу, тем сильнее их корреляция;
- информационная ценность значений убывает по мере их удаления от текущего момента времени;
- с увеличением количества значений временного ряда точность статистических характеристик ряда не будет увеличиваться пропорционально числу наблюдений, а при появлении новых тенденций даже уменьшается.
Прогнозирование показателей производственно-финансовой деятельности осуществляется для решения задач стратегического планирования на среднесрочную и долгосрочную перспективы. Причем следует учитывать, что с увеличением лага прогнозирования возрастает и риск прогноза. Снизить его позволяет использование многовариантных имитационных расчетов с помощью ЭВМ.
Следует отметить, что методы статистического прогнозирования «осмысливают» лишь формализованную часть информации, тогда как большая её часть является слабо формализуемой, но очень важной для прогнозирования будущего состояния объекта, поэтому на практике эти методы следует рассматривать в сочетании с неформальными методами прогнозирования.
Прогнозирование представляет собой разработку на перспективу изменений производственно-финансовой деятельности объекта в целом и / или его различных частей. Прогнозирование - это частная специфическая функция субъекта управления. Особенностью прогнозирования является альтернативность в построении производственно-финансовых прогнозов, поскольку многовариантная имитация позволяет снизить риск прогноза. Прогнозирование может осуществляться как на основе экстраполяции прошлого в будущее, так и на основе прямого предвидения изменений, когда эти изменения недетерминированы предыдущим ходом событий и могут возникать неожиданно. Для второго варианта наиболее приемлемыми являются эвристические методы.
Анализ методов прогнозирования производственно-финансовой деятельности предприятия показывает, что целесообразно использование авторегрессионных зависимостей. Используя аппарат авторегрессионных
зависимостей, строят уравнение регрессии для прогнозирования параметра (объема реализации, цен на сырье и материалы, уровня инфляции и т. д.) на основании данных о динамике этого показателя. Уравнение регрессии строится в следующем виде:
¥, = Л0 + 4ГМ +Л2У,-2 +-+АкГ1-к, (1)
где У* - прогнозируемое значение параметра У в момент времени V, Лг - ¡-й коэффициент регрессии.
Коэффициенты регрессии данного уравнения могут быть найдены методом наименьших квадратов. Соответствующая система уравнений будет иметь вид:
ум + Ах ■ XгД, П-1 = Iг, • Ум, (2)
где ] - длина ряда динамики показателя 7, уменьшенная на единицу.
Для характеристики адекватности уравнения авторегрессионной зависимости можно использовать величину среднего относительного линейного отклонения V:
1 } \У; - У'|
(3)
} ы г>
где У/ - расчетная величина показателя У в момент времени /; Г - фактическая величина показателя У в момент времени г.
Если у<15%, считается, что уравнение авторегрессии может использоваться в прогнозных целях.
Однако существует ряд недостатков в регрессионном анализе:
- построенная модель не объясняет влияние каждого фактора в отдельности, а описывает зависимость функции от всех факторов вместе взятых;
- зачастую объяснить значения коэффициентов регрессии с экономической точки зрения не представляется возможным;
- несмотря на очевидную корреляцию некоторых факторов, их удаление влечёт за собой значительную потерю достоверности модели.
Регрессионный анализ может быть эффективно использован в инвестиционном проектировании, хотя его практическая реализация зачастую требует применения программных продуктов недоступных рядовому пользователю.
Для прогнозирования ключевых показателей деятельности предприятий (объем производства, объем продаж, уровень и темп инфляции, другие показатели макро- и микроэкономической конъюнктуры) при наличии временных рядов делается возможным использовать аддитивные и мультипликативные модели прогнозирования.
Аддитивные модели прогнозирования можно представить в виде
формулы:
Р = Т+Е, (4)
где /г- прогнозируемое значение; Т— тренд; Е - ошибка прогноза.
В случае прогнозирования производства, имеющего сезонные особенности, необходимо дополнительно использовать сезонную компоненту Б. Тогда аддитивная модель прогнозирования будет иметь следующий вид:
F = 7' + S + £, (5)
где ^ - прогнозируемое значение; Т - тренд; £ - сезонная компонента; Е - ошибка прогноза.
В этом случае алгоритм построения модели следующий:
1. Расчет значений сезонной компоненты. Влияние сезонной компоненты исключают методом скользящей средней.
2. Десезонализация данных. Она заключается в вычитании сезонной компоненты из фактических значений и расчете тренда на основе полученных десезонализированных данных. В качестве оптимального аппроксимирующего метода на данном этапе используют метод наименьших квадратов.
3. Расчет ошибок как разности между фактическими и трендовыми значениями.
4. Расчет среднего отклонения или среднеквадратической ошибки для сопоставления модели с реальной ситуацией или для выбора наилучшей модели.
Применение мультипликативных моделей прогнозирования обусловлено тем, что в некоторых временных рядах значение сезонной компоненты представляет собой определенную долю трендового значения. Мультипликативные модели можно представить формулой:
^ = (6)
Алгоритм построения модели аналогичен предыдущему.
На практике отличить аддитивную модель от мультипликативной можно по величине сезонной вариации. Аддитивной модели присуща практически постоянная сезонная вариация, тогда как у мультипликативной она возрастает или убывает, графически это выражается в изменении амплитуды колебания сезонного фактора, как это показано на рис. 1.
Для промышленных предприятий на основе вышеизложенного можно предложить положения по применению инструментария прогностики (инструмент "ПРОГНОЗ ПРОДАЖ"). Для прогнозирования объема продаж, имеющего сезонный характер, предлагается следующий алгоритм построения прогнозной модели:
1. Определяется тренд, наилучшим образом аппроксимирующий фактические данные.
Существенным моментом при этом является предложение использовать полиномиальный тренд, что позволяет сократить ошибку прогнозной модели (рис. 2).
отчётные периоды
Рис. 1. Аддитивная и мультипликативная модели прогнозирования
Промя (месяцы)
Рис. 2. Трендовые модели
2. Вычитая из фактических значений объёмов продаж значения тренда, определяют величины сезонной компоненты и корректируют таким образом, чтобы их сумма была равна нулю.
3. Рассчитываются ошибки модели как разности между фактическими значениями и значениями модели.
4. Строится модель прогнозирования:
Р = Т + Б±Е, (7)
где F - прогнозируемое значение; Т - тренд; Я - сезонная компонента; Е - ошибка модели.
5. На основе модели строится окончательный прогноз объёма продаж. Для этого необходимо использовать методы экспоненциального сглаживания, что позволяет учесть возможное будущее изменение экономических тенденций, на основе которых построена трендовая модель. Сущность данной поправки заключается в том, что она нивелирует недостаток адаптивных моделей, а именно, позволяет быстро учесть наметившиеся новые экономические тенденции:
Р„Р1 = а-Гф1.1 + (1~а)-Рм1, (7)
где ^пр I - прогнозное значение объёма продаж; ^- фактическое значение объёма продаж в предыдущем году; Рм , - значение модели; а - константа сглаживания.
Определить константу сглаживания можно как вероятность сохранения существующих экономических тенденций и предпосылок.
Данный метод характеризуется следующими его особенностями:
- для составления прогноза необходимо точно знать величину сезона;
- применение полиномиального тренда вместо линейного позволяет значительно сократить ошибку модели;
- при наличии достаточного количества данных метод даёт хорошую аппроксимацию и может быть эффективно использован при прогнозировании объема продаж.
Количественный анализ показателей производственно-финансовой деятельности требует огромных объемов информации, которую зачастую весьма трудно получить из технико-экономических расчетов и имеющейся статистики. Поэтому возникает необходимость прибегнуть к экспертным методам получения информации, особенно прогностической информации. Существование значительных диапазонов возможных будущих состояний объекта прогноза требует разработки не точечных, а интервальных экспертных прогнозов, которые можно использовать для прогнозирования ключевых показателей (объём, цена реализации и т. п.).
В этом случае алгоритм данной методики представлен следующими шагами.
На первом этапе определяется реально возможный диапазон (РВД) - полный интервал реально возможных значений, вероятность попадания в
который случайной величины близка к 1. Помимо крайних значений распределения определяются также возможные точки экстремума.
На втором этапе эксперт выбирает вид распределения случайной прогнозируемой величины в пределах установленного РВД. В общем случае предлагается руководствоваться четырьмя возможными вариантами распределения:
а) нормальное распределение предполагает, что варианты прогнозируемого параметра тяготеют к среднему значению. Значения параметра, существенно отличающиеся от среднего, т.е. находящиеся в "хвостах" распределения, имеют малую вероятность осуществления;
б) треугольное распределение представляет собой суррогат нормального и предполагает линейно нарастающее по мере приближения к моде распределение;
в) трапециевидное распределение предполагает наличие интервала значений с наибольшей вероятностью реализации (НВР) в пределах РВД;
г) равномерное распределение выбирается, когда предполагается, что все варианты прогнозируемого показателя имеют одинаковую вероятность реализации.
На третьем этапе определяется доверительная вероятность (ДВ), характеризующая вероятность реализации прогноза.
Таким образом, прогнозирование показателей производственно-финансовой деятельности предприятий позволяет получать более достоверные прогнозы и даёт возможность предприятиям принимать качественные и своевременные управленческие решения.
Библиографический список
1. Анфилатов B.C. Системный анализ в управлении. - М.: Финансы и статистика, 2009. - 368 с.
2. Экономико-математические методы и прикладные модели: учебное пособие для вузов / В.В. Федосеев [и др.]; под ред. В.В. Федосеева. -М.: ЮНИТИ-ДАНА, 2005. - 391 с.
3. Кугаенко А.А. Основы теории и практики динамического моделирования социально-экономических объектов и прогнозирование их развития. - М.: Вузовская книга, 1998.
Т. V. Aghajanian
Methods and models in management of an enterprise on a basis offorecasting its activity
The article presents methods and models offorecasting of productive and financial activity indicators of an enterprised to applied the issue of strategic long-term and short-term planning/ therefore, it is practicable to use autoregressive dependency.
