CC BY
105
УДК 338.27
О НЕКОТОРЫХ ПОДХОДАХ К ПРОГНОЗИРОВАНИЮ СПРОСА НА РЫНКЕ НЕФТЕПРОДУКТОВ
Аннотация. В статье представлены основные предпосылки внедрения систем прогнозирования спроса на нефтепродукты в РФ. Обосновано проведение автоматизации систем прогнозирования на нефтепродукты. Рассмотрены и систематизированы используемые методы прогнозирования в текущей практике нефтяных компаний. Изучена возможность использовать эти инструменты на примере некоторых нефтепродуктов в РФ. Предложен вариант улучшения точности системы с использованием метода экспертных оценок Delphi.
Ключевые слова: прогнозирование спроса на нефтепродукты, автоматизация системы прогнозирования, demand management, метод Delphi.
SOME APPROACHES TO OIL PRODUCTS DEMAND FORECASTING
Annotation. Main background for implementing the system of oil products demand forecasting in Russian Federation in the article are given. Necessity of oil products demand forecasting system automatization is proved. Actual forecasting methods in praxis of oil companies are considered and systematized. Possibility of applying this methods on different oil products in Russia is considered. Variation for improving accuracy of the system using expert method Delphi is proposed.
Keywords: oil products demand forecasting, forecast system automatization, demand management, Delphi method.
Топливно-энергетический комплекс (ТЭК) играет ключевую роль в развитии экономики нашей страны, он является не только элементом энергетической безопасности и катализатором эконо -мического развития государства, но и основным источником валютных поступлений. После развала Советского Союза и последующего за этим разделением единой энергетической системы между рес -публиками бывшего единого государства последовало не менее серьезное распределение активов между вновь образованными, приватизированными, частными предприятиями. В результате этого процесса бывшая единая плановая система оказалась невостребованной, уступив место планированию эффективного распределения ресурсов внутри каждого хозяйствующего субъекта в отдельности.
Одной из особенностей приватизации видится хаотичное объединение нефтедобывающих и нефтеперерабатывающих активов в рамках вертикально-интегрированных нефтяных компаний (ВИНК), которое впоследствии привело, с одной стороны, к дисбалансам в распределении ресурсов, а с другой стороны, к увеличению конкуренции между ВИНК, принесшим положительные тенденции в виде улучшения качества продукции и увеличения товаропроводящей сети. В этих обстоятельствах на передний план выходят задачи повышения эффективности распределения нефтепродуктов между различными регионами внутри страны и экспортными поставками как на макроуровне (в масштабах РФ), так и на микроуровне (отдельная компания).
Последние годы ознаменовались активным внедрением новейших практик в части организационной структуры сбыта нефтяных компаний, которые в большинстве своем предполагают выделение обособленных подразделений или дочерних структур, выделяя или различные каналы продаж (крупно- и мелкооптовые поставки, розничные поставки), или территориально обособленные кластеры (подразделения по территориальному признаку), или различные сегменты потребления (потребление физическими или юридическими лицами).
Внедрение подобных практик неизменно ведет к значительному усложнению организацион-
© Тоткало Г.В., Хрипунова А.С., 2015
Г.В. Тоткало А.С. Хрипунова
Grigory Totkalo Anna Khripunova
ной структуры компаний (каждое направление сбыта неизбежно требует отдельной системы планирования и прогнозирования, что зачастую ведет к несогласованности планов и целей внутри компании в целом), что влечет возрастание роли центрального аппарата компании в качестве главного координирующего центра сбыта. На этом этапе эффективное функционирование столь сложного механизма зависит от успешности внедрения систем оптимизационного планирования и прогнозирования спроса на нефтепродукты. Стоит отметить, что внедрение подобной системы невозможно без эффективного использования инструментов прогнозирования как основы любого долго- и среднесрочного планирования [3].
Стоит отметить, что в отличие от рынка нефти, который является весьма монолитным (несмотря на значительные качественные различия между сортами они являются взаимозаменяемыми, т.е. речь идет об одном продукте), не существует единого рынка нефтепродуктов, и факторы, влияющие на спрос на мазут, не действуют на рынке автобензина и т.д., т.е. речь идет о сотнях различных продуктов, каждый из которых имеет различных потребителей, различную сезонность потребления, различные факторы изменения спроса, различную географию реализации, различную товаропроводящую сеть, различную цену, маржинальность и пр.
Важно определиться с целевым горизонтом планирования рынков нефтепродуктов: в отличие от долгосрочного прогнозирования, которое внедрено и активно обновляется на государственном и региональном уровне, краткосрочное представляет для хозяйствующих субъектов не меньший интерес, так как от него зависит текущая деятельность предприятий.
От качества и точности прогнозов спроса зависит качество и точность остальных планов и, в конечном итоге, - успешность компании. Помимо очевидного влияния на экономическую эффектив-ность реализации товара, планирование спроса затрагивает также множество смежных областей. В частности, неудовлетворительное качество прогноза создает проблемы в работе (см. табл. 1).
Таблица 1
Проблемы, вызываемые низкой точностью прогнозов
Функциональная область Проблемы
Обслуживание клиентов - низкий уровень обслуживания клиентов - большое количество претензий
Планирование - большое количество корректировок и пересчетов плана
Управление запасами - повышенный объем запасов, низкая оборачиваемость - увеличенные затраты на хранение - моральный износ запасов
Перевозки - повышенные транспортные затраты
Производство - нарушение графика производства - увеличение количества переналадок - повышенный объем незавершенного производства
Складское хозяйство - увеличение складских издержек - снижение эффективности складских операций
Математические модели и методы, используемые на рынке нефтепродуктов, мало отличаются от общепринятых на других рынках при прогнозировании. Различия заключаются в основном в глубине внедрения подобных систем, географическом охвате и горизонте прогнозирования, а также степени внедрения систем автоматизации этого процесса.
При построении системы прогнозирования, в частности выборе статистического инструментария, принято руководствоваться следующими параметрами:
1) эффективность затрат. Затраты на управление процессом прогнозирования должны быть пропорциональны величине принимаемого решения;
2) единый прогноз. Множество прогнозов для одного и того же предмета порождают замешательство;
3) возможность настройки необходимых параметров: горизонта, детализации, точности и
т.д.
Исходя из вышесказанного, видно, что именно автоматизация системы прогнозирования является основной задачей при внедрении этого процесса в компаниях, так как положительно влияет на все названные параметры:
1. позволяет снизить затраты на внедрение сотни различных моделей и значительно сэкономить трудовые ресурсы на поддержание и обновление этих моделей;
2. единая автоматизированная прогнозная система позволяет хранить все данные в одном месте, доступ к которому обеспечен всем заинтересованным сторонам;
3. автоматизированный процесс управления позволяет оперативно менять параметры системы в зависимости от запроса [1].
Мировой опыт показывает, что в нефтеперерабатывающей отрасли сверхточное планирование спроса, в частности настройка сложных математических моделей, не приносит ожидаемого эффекта, и поэтому принято использовать стандартный статистический инструментарий. Существуют сложные методы, применение которых позволит дополнительно увеличить точность прогноза, однако временные и трудовые затраты на настройку и использование данных методов не соизмеримы с получаемыми преимуществами.
В современной практике можно выделить два основных подхода к построению прогностических моделей:
1) модели экстраполяции временных рядов;
2) методы прогнозирования на основе факторных регрессионных моделей и систем одновременных уравнений.
Все модели, используемые на практике, являются статистическими, т.е. параметры коэффициентов задаются на основании истории, а не аналитически.
Практически все методы экстраполяции временных рядов можно разбить на две большие группы: адаптивные методы сглаживания и аналитические методы сглаживания. Аналитические методы сглаживания предполагают подгонку под определенный тип кривой рыночных закономерностей, и оценка коэффициентов в данном случае требует статистической квалификации прогнозиста и достаточно затратна по времени, поэтому на практике применяется редко. Адаптивные методы прогнозирования временных рядов представляют из себя методы, цель которых заключается в построении самокорректирующихся (самонастраивающихся) экономико-математических моделей, которые способны отражать изменяющиеся во времени условия, учитывать информационную ценность различных членов временной последовательности и давать достаточно точные оценки будущих членов данного ряда. Такие модели предназначаются, прежде всего, как раз для краткосрочного прогнозирования. Чаще всего используются следующие методы:
1) методы, основывающиеся на экспоненциальном сглаживании:
- модель Брауна (простое экспоненциальное сглаживание);
- модель Хольта;
- модель Хольта-Винтерса;
2) методы Бокса-Дженкинса (АММА).
Особенность методов прогнозирования на основе факторных регрессионных моделей и систем одновременных уравнений состоит в том, что в отличие от моделей временных рядов с их помо-
щью удается не только уловить особенности процесса изменения динамического ряда, но также некоторым образом выявить его причинность. Последнее обстоятельство чрезвычайно важно как с точки зрения повышения качества прогноза и его информативности, так и для возможности обоснования и выработки альтернативных решений и стратегий.
Построение и оценка результатов факторной модели являются более сложной задачей, нежели простая экстраполяция тренда. Основными проблемами, стоящими перед прогнозистом, являются спецификация модели (отбор значимых переменных), выбор типа связи (в каких отношениях находятся входящие переменные с результирующим показателем и друг с другом) и оценка полученных результатов (практическая интерпретация, уровень статистической значимости модели, ограничения на применение). Среди огромного числа существующих факторных моделей на рынке нефтепродуктов чаще всего используются модели множественной линейной регрессии.
Самым распространенным подходом к прогнозированию спроса на нефтепродукты в текущей практике отечественных нефтяных компаний является использование интуитивных прогнозов на основе истории продаж и собственных ожиданий, при этом горизонт прогнозирования редко превышает два месяца. Этот подход прост и быстр при внедрении и в применении, однако зачастую не учитывает целый ряд факторов (например: развитие рынка, логистические ограничения, ценовое позиционирование, планы конкурентов и т.д.). При этом уровень автоматизации подобных прогнозов, как правило, очень низкий, что отрицательно сказывается на эффективности планирования. Для решения данной проблемы в нефтяных компаниях западных стран в большинстве случаев внедряется автоматизированная система под названием Demand Management, включающая в себя встроенный набор математических моделей, автоматически подбирающий все параметры и оперативно создающий прогноз. Основная цель внедрения системы - повышение эффективности продаж нефтепродуктов за счет централизованного прогнозирования объемов продаж и цен, а также за счет планирования продаж на основе накопленной и агрегированной информации от различных торговых подразделений компании по всем продуктам и каналам сбыта [2]. Подобная система могла бы значительно повысить эффективность сбыта нефтепродуктов отечественных нефтяных компаний, однако при ее внедрении стоит учесть множество особенностей различных нефтепродуктовых рынков. Для правильного внедрения системы в РФ следует вводить систему для каждого нефтепродукта в отдельности с учетом его специфики и особенностей реализации, а концентрация на статистических моделях может привести к неудовлетворительной точности, что мы рассмотрим на примере некоторых нефтепродуктов.
Исходя из масштабов производства и потребления следует выделить три основных группы нефтепродуктов, на которых стоит сконцентрироваться в первую очередь: автобензины, дизтоплива и мазуты. Рынок автобензина и дизельного топлива стабилен и не подвержен сильным колебаниям, за исключением масштабных макроэкономических кризисных явлений. Несмотря на то, что в последние годы произошли масштабные законодательные изменения в сфере оборота моторных топлив (введение Технического регламента, запретившее продажу моторных топлив низких экологических классов), влияние на спрос они оказали незначительно, а его рост не имел значительных скачков. Это позволяет сделать предположение, что при прогнозировании спроса на автобензины и дизтоплива оптимальным будет выбор многофакторной регрессионной модели на базе официальной макростатистики (например: грузооборот автотранспорта, расходы населения, оборот розничной торговли, перевозки грузов железнодорожным транспортом и пр.), которая должна обеспечить должный уровень точности. На примере этих продуктов функционал Demand Management потенциально покажет очень высокую точность и полностью применим, а автоматизация этого процесса приведет к значительному росту эффективности. На рынке мазута складывается совершенно другая картина, так как рынок нестабилен и в ближайшие годы будет подвержен значительным изменениям. Исторически мазут используется в качестве котельного топлива для электростанций или задействован в процессе
производства (металлургия, целлюлозно-бумажное производство и т.д.), а также в качестве бункеро-вочного топлива для судовых установок. В последние годы соотношение потребления заметно сместилось в пользу последнего ввиду активной газификации энергетики, роста энергоэффективности, активной модернизации промышленности, а также значительного ценового дисконта на бункеровку в портах РФ, кроме того, взрывной рост судового использования этого продукта. Заметим, что тренд на рост спроса на бункеровку потенциально сильно волатилен ввиду значительных изменений в международном законодательстве - постепенно вводятся серьезные ограничения на выбросы вредных веществ, что, теоретически, может привести к снижению спроса на мазут (Приложение VI к Международной конвенции по предотвращению загрязнения судов). Это означает большую вероятность смены тренда и резкое изменение рынка в целом. Подобная ситуация ставит в тупик все вышеназванные прогнозные модельные комплексы, которые не в состоянии спрогнозировать столь масштабные ко -лебания и изменения тренда и полностью нивелирует все достоинства внедрения автоматизированных прогнозных систем.
Исходя из этого в качестве подходящей прогнозной модели лучше всего подходит неиспользуемый в текущих модельных комплексах экспертный прогноз (например, методом Delphi), который предполагает заочность, многоуровневость и анонимность. Так как предсказать развитие ситуации не способен никто (нет четкого понимания как, будут развиваться события в подобной ситуации ни у судовладельцев, ни у государственных органов, ни у самих бункеровщиков), логичным видится рассылка одинакового опросного листа экспертам из всех вышеперечисленных групп. Только после обработки экспертных мнений может быть составлен надежный консенсус-прогноз развития рынка и использован при прогнозировании, в том числе через системы, подобные Demand Management.
Таким образом, на современном этапе развития отечественной нефтяной отрасли при значительном усложнении ее внутренней организационной структуры и широкой диверсификации деятельности логическим становится внедрение систем прогнозирования спроса как один из наиболее действенных инструментов повысить как эффективность сбыта, так и улучшить показатели смежных отраслей (производство, логистику, складское хозяйство и пр). Успешно внедренная во многих западных нефтяных компаниях система Demand Management имеет высокий потенциал для внедрения в отечественных компаниях, однако ее инструментарий требует некоторой доработки и расширения для адаптации к российскому рынку нефтепродуктов. Если при реализации массовых бензина и диз-топлива функционала системы вполне достаточно, то рынок мазута ожидают масштабные и плохо прогнозируемые изменения, которые стандартные возможности системы предусмотреть не способны, что предполагает внедрение дополнительных опций в виде экспертных прогнозных модельных комплексов и дополнительной аналитики.
Библиографический список
1. Аксенов, В. В. Автоматизация управления в отраслевых НИИ и КБ / В. В. Аксенов, В. С. Тырышкин, А. А. Титов. - Новосибирск : Наука, 1983. - 232 с.
2. Горелов, В. Л. Основы прогнозирования систем : учеб. пособ. / В. Л. Горелов, Е. Н. Мельникова. - М. : Высшая школа, 1986. - 288 с.
3. Байкова, О. В. Методика оценки эффективности организационно-экономических механизмов работы газовой отрасли / О. В. Байкова, Е. А. Милованова // Вестник Университета (Государственный университет управления). - 2014. - № 17. - С. 66-70.
