CC BY
25
АГРАРНА ШШНОШКА
УДК 658.511:631.1
Бердшкова T.M.,
к.е.н., завщувач кафедри менеджменту Нкопольського факультету, ДВНЗ "Запсрзький нацюнальний уыверситет"
HOBI П1ДХ0ДИ ДО ПРИЙНЯТТЯ УПРАВЛШСЬКИХ Р1ШЕНЬ В СУЧАСНОМУ МЕНЕДЖМЕНТ1
В умовах ентропн та асиметрй' ¡нформацн, зростання невизначеност та ризику, особливо в альськогосподарсько-му виробництвi, зниження достоверности облковоï ¡нформацн не мае можливосл приймати однознач^, з чЬкою виз-наченстю юльюсно-яюсних параметрiв, управлiнськi рiшення. До^дження показало, що негативний вплив вищезга-даних факторiв на об'ектив^сть аналiтичноï iнформацiï деякою мiрою нейтралiзуe метод нейронних мереж. Вiн дае змогу побудувати прогнозну систему очiкуваних показниюв, як взаемопов'язан та перетворюють вiдомi вюдн данi у вихiднi, як з певною ймовiрнiстю дають змогу розробляти управлiнськi рiшення щодо досягнення запланованих пози-тивних результалв.
Ключовi слова: фiнансовий результат, об'ективна аналiтична iнформацiя, нейронн мережi, управлнське рiшення.
В условиях энтропии и асимметрии информации, рост неопределенности и риска, особенно в сельскохозяйственном производстве, снижение достоверности учетной информации не имеет возможности принимать однозначные, с четкой определенностью количественно-качественных параметров, управленческие решения. Исследование показало, что негативное влияние вышеуказанных факторов на объективность аналитической информации в определенной степени нейтрализует метод нейронных сетей. Он позволяет построить прогнозную систему ожидаемых показателей, которые взаимосвязаны и превращают, известные входные данные в выходные, которые с определенной вероятностью позволяют принимать результативные управленческие решения.
Ключевые слова: финансовый результат, объективная аналитическая информация, нейронные сети, управленческое решение.
In the conditions of entropy and information asymmetry, increasing uncertainty and risk especially in agricultural production, reducing the reliability of accounting information is unable to make single-valued management decisions with clear certainty of quantity and quality parameters. The study has shown that the negative impact of the above factors on the objectivity of analytical information neutralizes the method of neural networks to some extent. It enables to build a forecasting system of expected interrelated indices turning the known incoming data into outgoing data that enable to make management decisions in achieving planned positive results.
Key words: financial results, impartial analytical information, neural network, management decision.
Постановка проблеми. У сучасних умовах господарювання велике значення мають точнють i оперативнють упра-влЫня, об'ективнють i наукова обфунтованють ршень, що приймаються. Вс управлшсью ршення, незалежно вщ строив, розмiрiв об'екта управлЫня i сфери застосування, мають бути економiчно обфунтоваы, оптимальн та вмотивоваы.
На практик виникають ситуаци, коли досить складно в сти^ строки вибрати з ктькох можливих варiантiв ршень найефективнший, найприйнятнший. Значну пщтримку в таюй ситуаци може надати аналiз, який забезпечуе гнучкють у пщготовц та прийнятт управлшських ршень, дозволяе адекватно реагувати на змЫи зовышнього i внутршнього сере-довища, окреслюе причинно-наслiдковi зв'язки та резерви, як можна оперативно використати для своечасного подо-лання негативних тенденцм пщ час дiяльностi. Його результати мають велике значення для тих виробництв, де пщ час дiяльностi доволi часто необхщно приймати ризикован ршення, що стосуеться i стьськогосподарських пщприемств.
© Бердшкова Т.М., 2011
Eкономiчний вюник университету | Випуск № 17/2
3
АГРАРНА ЕК0Н0М1КА
Виробничий цикл стьськогосподарських пщприемств, особливо це стосуеться галуз1 рослинництва, не дае можли-вост оцЫити ефективнють роботи, осктьки виробничий ¡ календарний рк не зб^аються, що унеможливлюе отриман-ня достов^них даних. Проведення аналюу за окремими контрактами (угодами) на реалюацю продукцп та невеликою Тх сукупнютю для отримання достов^них даних стосовно обсягу реалюаци, структури, цши реалЬацп та, особливо, собюартост реалюованоТ продукцп практично неможливо. Унеможливлення проведення оперативного аналюу фЫан-сових результат^ не дае змоги приймати ямсы управлЫсью ршення, що ускладнюе отримання оптимальних фшан-сових результат^.
Анал1з останых джерел \ публкацм. Досл1дженню проблеми аналюу фшансових результата значну увагу придтя-ють: Ф.Ф. Бутинець, 1.Д. Лазаришина, В.К. Савчук, Я.В. М.Г. Чумаченко, А.Д. Шеремет та ¡нш1 вченк Слщ зазначити, що до цього часу анал\тики зосереджували увагу на ретроспективному анал\з\ д\яльност\. Сл\дування результатам цих досл\джень призвело до значного звуження д\апазону анал\тичного мислення с\льськогосподарських спец\ал\ст\в.
Розвиток економ\ки в ринкових умовах вимагае впровадження ефективних метод\в анал\тичноТ роботи в кожному господарств\. В\д р\вня науково обфунтованих висновк\в анал\зу великою м\рою залежить ефективн\сть управл\ння \ конкурентоспроможн\сть п\дприемства.
Постановка завдання. Метою досл\дження е вивчення можливих шлях\в п\двищенн\ ефективност\ управл\ння прибут-ков\стю с\льськогосподарського виробництва за рахунок використання нов\тн\х метод\в анал\зу.
Виклад основного матер1алу. Як зазначае В.К. Савчук [1, с. 16], ефективна оц\нка умов д\яльност\ п\дприемства можлива лише при правильному застосуванн\ методу анал\зу господарськоТ д\яльност\. Методи анал\зу, пов'язан\ ¡з по-будовою л\н\йних моделей, для ряд\в з под\бною структурою е неефективними, що потребуе застосування спец\альних метод\в, яким е, наприклад, нейромережевий або фрактальний. Нейромережевий метод дозволяе зд\йснювати апрок-симац\ю складних законом\рностей в режим\ "чорного ящика", тобто не прид\ляючи уваги внутр\шн\м характеристикам модел\. Фрактальний метод (т.з. РБ-анал\з), дозволяе зробити висновки про фрактальну (самопод\бну) структуру дос-л\джуваного часового ряду.
Нейронн\ мереж\, як метод анал\зу дають можлив\сть побудувати прогнозну систему показник\в, як\ мають м\ж собою певний зв'язок та дають можлив\сть перетворити в\дом\ вх\дн\ дан\ у нев\дом\ вих\дн\. Для кожного п\дприемства найактуальн\шим питанням е визначення оч\куваного (прогнозованого) доходу на основ\ даних про витрати. Однак при використанн\ для анал\зу нейронних мереж треба забезпечити вимогу, а саме м\ж в\домими вх\дними значення-ми \ нев\домими виходами повинен бути т\сний зв'язок. Цей зв'язок може бути спотворений "шумом" (прогноз фшансових результат\в не може бути абсолютно точний, оск\льки на його величину впливають й ¡нш\ чинники, не представлен у вх\дному набор\ даних, \ кр\м того в задач\ присутн\й елемент випадковост\).
Тому на основ\ нейронних мереж доц\льно побудувати перспективы прогнози д\яльност\ с\льськогосподарських п\дприемств. У даних прогнозах сл\д використовувати показник ¡мов\рност\ виникнення ризику нестаб\льност\ факто-р\в впливу макросередовища на д\яльн\сть с\льськогосподарського п\дприемства. До таких фактор\в можна в\днести: природно-кл\матичн\, пол\тичн\, соц\ально-економ\чн\ тощо. Ступ\нь впливу цих фактор\в \ буде визначати ймов\рн\сть досягнення запланованих позитивних результат\в.
Можлив\сть застосування нейронних мереж (НМ) в якост\ моделюючоТ системи базуеться на Тх ун\версальних ап-роксимуючих властивостях. В\домо, що тришарова НМ ¡з нел\н\йними функц\ями передач\ спроможна апроксимува-ти дов¡льну багатовим¡рну функц¡ю ¡з заданою точн¡стю за умови достатньоТ к¡лькост¡ нейрон¡в у так званому "прихо-ваному шар¡" [2].
Побудова нейронноТ мереж¡ для розв'язання кожноТ прикладноТ задач¡ е неформальним процесом. Звичайно для розв'язання певних клаав математичних задач на НМ застосовують добре вивчен та заздалег¡дь визначен види НМ з доведеними властивостями спйкосп, зб¡жност¡ - так зван "нейромережев¡ парадигми". П¡сля вибору парадигми мережа або вже побудована ¡ треба задати лише деяк параметри - ктькють шар¡в, ктькють нейрон¡в у кожному шар¡, характер зв'язюв та чисельн¡ значення, або, кр^ цього, - провести навчання вагових коефщюнтю мереж¡. Такий тдхщ спро-щуе роботу та стандартизуе застосовуван¡ процедури, однак не дозволяе враховувати особливост конкретних задач.
Поряд ¡з ц¡eю методикою для достатньо широкого класу задач можна використовувати системний тдхщ, що представляв нейронна мережа та ТТ налагодження, тобто нейромережевий алгоритм як динамнну систему.
Для розв'язання конкретноТ прикладноТ задач¡ можна будувати мережу щоразу (фактично будуеться нова нейро-парадигма) вщповщно до наступного порядку:
1) сформулювати постановку задач¡ - ТТ вихщы дан¡ та необхщний результат;
2) визначити об'ект, що виступае в рол¡ вх¡дного сигналу нейронноТ мережк Це може бути елемент вхщних даних, початкове значення певних величин та ¡н.
3) визначити об'ект, що виступае в рол¡ вихщного сигналу нейронноТ мереж¡. Це може бути саме ршення або йо-го деяка характеристика;
4) визначити бажаний вихщний сигнал нейронноТ мереж^
5) визначити структуру нейронноТ мереж¡ - ктькють шар^, зв'язки м¡ж шарами; об'екти, що е ваговими коеф¡ц¡eн-тами; визначити функцю помилки системи, тобто функцю, що характеризуе в¡дхилення сигналу нейронноТ мереж¡ в¡д реального вхщного сигналу;
6) визначити критер¡й якосл системи та функц¡онал ТТ оптимЬаци, що залежить в¡д помилки;
7) визначити значення вагових коефМенлв. Залежно вщ задач¡ це можна зробити рюними шляхами: анал¡тично з постановки задачу за допомогою деяких чисельних метода, застосовуючи процедуру навчання вагових коефМенлв нейронноТ мереж¡.
Розв'язання задач¡ за допомогою нейронноТ мереж¡ полягае в застосуванн¡ обчислювальноТ процедури з конкрет-ними значеннями числових даних. Спочатку шукаы значення отримують своТ початков¡ наближення, пот¡м мережа за-
4
Економ¡чний □¡сник ун¡верситету | Випуск № 17/2
АГРАРНА EKOHOMIKA
пускаеться i видае результат за один крок, фксоване значения кроюв або за змЫну ктькють кроюв, що залежить вщ необхщно)' точност та/або конкретних числових значень параметрiв.
Для побудови i дослдаення нейромережевих прогнозних моделей сiльськогосподарських пщприемств Нко-польського району було використано спещальну програму - "Hейроаналiзатор", призначену для моделювання робо-ти штучно)' HM на задана навчальнiй множиы. У процесi дослiдження було створено нейромережевi моделi двох ви-дiв, перша з яких призначена для прогнозування часових рядiв методом занурення його значень в лаговий прослр, а друга - для апроксимаци функцп залежностi прибутку вiд факторiв, якi впливають на нього з подальшою екстраполя-цieю цих факторiв на прогнознi роки.
Навчальну множину для моделi першого виду було складено iз послiдовних значень ряду iз глибиною занурення h = 3; всього було отримано 5 навчальних i 2 контрольних прикладiв. Для прогнозування на 2012 рк було використано прогнозне значення 2011 року, отримане на HM, що вщповщае використовуваый ширин вкна прогнозування h. Для моделi другого виду навчальну множину було сформовано з 8 навчальних прикладiв (49 вхщних i 1 вихщне значення), яке вщповщае наявним даним про прибутки пщприемства за перюд вiд 2000 по 2010 р. та 2 контрольних приклади, на яких здмснювалась екстраполящя прибутку HM. Hейромережевi модели використовуванi для прогнозування, мiстили три шари нейронiв iз симгощною функщею активацiï в прихованому i лУйною функцieю активацiï у вихiдному шарк
В результатi побудови i застосування нейромережево)' моделi було отримано прогнозы значення прибутку пщприемства на 2011 i 2012 р.
Абсолютна похибка мiж прогнозними значеннями, отриманими за двома методами становить: Д2011 = 2184,115 - 2265,05 = -80,935 ;
À 2012 = 2491,886 - 2376,5 = 115,386.
Вщносна похибка:
82011 = 8°'935 • Ю0% = 3,7% ;
2011 2184,115
82012 = П5'386 • Ю0% = 4,6% .
2012 2491,886
Виявлена похибка показуе, що результати прогнозування е прийнятними, а прийнят на його основi ршення бу-дуть обфунтованими.
Висновки. Розвиток економки в ринкових умовах вимагае впровадження ефективних методiв анал™чно''' роботи в кожному господарствi, осктьки вiд рiвня науково обфунтованих висновюв аналiзу визначальною мiрою залежить ефек-тивнiсть управлiння конкурентоспроможнiстю пiдприeмства. Hа пiдставi дослiдження та з урахуванням особливостей стьськогосподарського виробництва доведено неможливють проведення достовiрного й об'ективного аналiзу фЫансо-вих результатiв за допомогою ттьки традицiйних методик. Hейроннi мережу як метод аналiзу, дае можливють побуду-вати прогнозну систему взаемопов'язаних показникiв. Для кожного пiдприeмства найактуальышим питанням е визна-чення оч^ваного (прогнозованого) прибутку на основi даних про витрати. Hа основi нейронних мереж можливо зпрог-нозувати результати дiяльностi сiльськогосподарських пiдприeмств. У даних прогнозах враховуеться показник ймовiрно-CTi виникнення ризику та нестабiльностi фактсрв макросередовища на дiяльнiсть сiльськогосподарського пщприемства. До таких факторiв можна вщнести: природно-клiматичнi, полiтичнi, економiчнi тощо. СтупЫь впливу цих факторiв буде визначати iмовiрнiсть досягнення запланованих позитивних результат.
Л^ература
1.Нейроматематика. Кн. 6: Учеб. пособ. для вузов / Агеев А. Д., Балухто А. В. и др. Общая ред. А. И. Галушкина. -М.: ИПРЖР, 2002. - 448 с.
2.Савчук В. К. Анализ господарсьш дяльност альськогосподарських п1дприемств: Навч. вид. - К.: Урожай, 1995. -326 с.
УДК 349.
Ирбах Л.В.,
викладач кафедри обл^, аудиту та контролЫгу, ДВHЗ "Переяслав-Хмельницький ДПУ iменi Григс^я Сковороди"
СУТН1СТЬ ЗАСТОСУВАННЯ АУТСОРСИНГУ В СФЕР1 АГРОПРОМИСЛОВОГО КОМПЛЕКСУ
У статтi визначено поняття аутсорсингу в АПК, зд/йснено обгрунтування концептуальних засад та особливостей застосування аутсорсингу в сльському господарствi.
Ключовi слова: аутсорсинг в АПК, методи управлiння, виробничий процес, взнес процес, ринок послуг, ефектив-нсть.
В статье определенно понятие аутсорсингу в АПК, осуществлено обоснование концептуальных принципов и особенностей применения аутсорсингу в сельском хозяйстве.
Ключевые слова: аутсорсинг в АПК, методы управления, производственный процесс, бизнес процесс, рынок услуг, эффективность.
In the article certainly concept of autsorsingu in APK, the ground of conceptual principles and features of application of autsorsingu is carried out in agriculture.
© Tip6ax Л.В., 2011
Eкономiчний вюник университету | Випуск № 17/2
5
