УДК 330.1
doi :10.18720/SPBPU/2/id20-142
Песиков Эдуард Борисович,
д-р техн. наук, профессор, профессор
ОЦЕНКА И УПРАВЛЕНИЕ РИСКОМ МАРКЕТИНГОВОЙ СТРАТЕГИИ ПРЕДПРИЯТИЯ НА ОСНОВЕ СИСТЕМНОГО АНАЛИЗА И ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
Санкт-Петербургский государственный университет телекоммуникаций
им. проф. М.А. Бонч-Бруевича, Санкт-Петербург, Россия, ed_pesikov@mail.ru
Аннотация. Рассматриваются вопросы построения аналитической системы оценки и управления рисками маркетинговых стратегий предприятия с использованием методологии системного анализа и статистического моделирования. Обсуждаются результаты вычислительных экспериментов по оценке риска стратегий поведения предприятия на рынке с использованием системы имитационного моделирования "Arena".
Ключевые слова: производственная система, маркетинг, стратегия, риск, управление риском, имитационная модель, метод Монте-Карло.
Eduard Pesikov,
Professor, Doctor of Technical Sciences
RISK ASSESSMENT AND MANAGEMENT OF AN ENTERPRISE'S MARKETING STRATEGY BASED ON SYSTEM ANALYSIS AND SIMULATION
Saint Petersburg state University of telecommunications named after prof. M.A. Bonch-Bruevich, Saint Petersburg, Russia, ed_pesikov@mail.ru
Аbstract. The article deals with the issues of building an analytical system for evaluating and managing the risks of marketing strategies of an enterprise using the methodology of system analysis and statistical modeling. The results of computational experiments on risk assessment of enterprise behavior strategies in the market using the "Arena" simulation system are discussed.
Keywords: production system, marketing, strategy, risk, risk management, simulation model, Monte Carlo method.
Введение
Анализ существующих подходов к построению аналитического инструментария маркетинга предприятия показывает, что современная
теория стратегического маркетинга не располагает моделями и методами, которые носили бы комплексный характер, учитывали альтернативность и неполноту информации, присущие процессам принятия маркетинговых решений, обеспечивали оценивание эффективности и степени риска принимаемых решений [1, 2]. Известные методы количественного анализа управленческих решений не соответствуют требованиям обеспечения необходимой в практическом маркетинге точности и надежности оценок эффективности и степени риска стратегий для производственных систем.
Предлагается метод оценки и управления рисками стратегий с использованием статистической имитационной модели функционирования предприятия, при построении которой использовалась методология системного анализа [3], а также учитывались стохастичность параметров производственной системы и внешней среды, воздействие рекламы на объемы продаж и влияние факторов конкурентной среды.
1. Методы оценки эффективности и степени риска маркетинговых стратегий
При формировании маркетинговых стратегий предприятия в условиях неполной информации могут использоваться такие количественные методы оценки риска, как методы стохастического программирования, "дерева решений", теории игр и статистических решений, с использованием неравенства Чебышева. Перечисленные методы количественного анализа решений не соответствуют требованиям обеспечения необходимой в практическом маркетинге точности и надежности оценок эффективности и степени риска стратегий для производственных систем. Наиболее точная оценка эффективности и риска может быть получена при известном распределении вероятности случайных параметров внешней среды и производственной системы. Распределение можно получить на основании статистических данных о функционировании производственной системы и состояниях внешней среды в предыдущие временные периоды. Если предприятие не располагает такой статистикой или она недостаточна для надежной оценки параметров распределения исследуемых показателей, то целесообразно использовать метод Монте-Карло [4,
5].
Схема использования метода Монте-Карло в количественном анализе эффективности и рисков включает в себя построение математической модели выходного показателя функционирования системы как функции входных переменных и параметров системы. Основная логика процедуры построения модели заключается в определении включаемых в модель входных и выходных переменных, установлении границ диапазона изменения риск - переменных
(факторов риска), в выборе вида закона распределения, которому подчиняются случайные входные переменные, и оценке его числовых характеристик, определении взаимосвязи (функциональной и вероятностной зависимости между переменными) [6].
Математическая модель системы имеет вид:
у=/(х, а),
где у- выходной показатель функционирования системы;
/ - функция, устанавливающая связь между выходным показателем и входными переменными через параметры системы;
х= (х],..., хп) - п-мерный вектор риск - переменных (случайных величин);
а= (аь...,ат) - т-мерный вектор параметров системы (детерминированных величин).
Далее математическая модель пересчитывается при каждом новом имитационном эксперименте, в рамках которого значения случайных переменных выбираются на основе генерации псевдослучайных чисел, подчиненных заданным законам распределения вероятностей. Результаты всех имитационных экспериментов объединяются в выборку и анализируются с помощью статистических методов с целью получения распределения вероятностей выходного показателя и расчета основных показателей (измерителей) риска стратегии. Реализуемый при применении метода Монте - Карло комплексный подход к оценке риска заключается в том, что для аналитика представляется возможным анализировать различные измерители риска: распределение вероятностей, оценки математического ожидания, среднеквадратического отклонения и коэффициента вариации, вероятности попадания значения выходного показателя в заданный интервал.
2. Модели управления рисками. Имитационное моделирование по методу Монте - Карло может быть использовано для управления рисками стратегий, для построения оптимизационных моделей управления рисками с целью выбора минимального уровня риска при заданной эффективности стратегии или максимальной эффективности стратегии при заданном предельном уровне риска. Очевидно, что проведение любых антирисковых мероприятий сопряжено с дополнительными затратами, снижающими эффективность стратегии. Поэтому для управления рисками могут быть применены также и оптимизационные модели, основанные на минимизации затрат на антирисковые мероприятия для заданного уровня риска или минимизации уровня риска при заданной предельно допустимой величине затрат на антирисковые мероприятия [7].
Оптимизационные модели имеют следующий вид:
Модель 1. Найти min (Cost of risk-management)
при условии
P (G < G*) < r,
где Cost of risk - management - затраты на антирисковые мероприятия,
G- показатель эффективности маркетинговой стратегии,
G* -заданный уровень показателя эффективности маркетинговой стратегии,
P (G < G*) - вероятность не достижения заданного уровня целевого показателя,
r - заданный предельно допустимый уровень риска стратегии.
Модель 2. Найти min P(G < G*) при условии
Cost of risk - management < C ,
Г* "
где C - предельно допустимый уровень затрат на антирисковые мероприятия.
3. Оценка риска маркетинговой стратегии на основе метода статистических испытаний
В настоящее время к отечественным программным продуктам, позволяющим проводить количественную оценку риска маркетинговых стратегий с помощью метода Монте-Карло, следует отнести аналитические системы "Project Expert" и "Marketing Expert". Однако в этих системах реализованы методы оценки риска стратегий с использованием имитационных моделей с ограниченными возможностями:
•узкий спектр используемых видов распределений вероятностей случайных параметров исследуемой производственной системы и внешней среды,
• отсутствие учета действий основных конкурентов и поставщиков,
• не учитываются параметры рынка (эластичность спроса) и воздействие рекламы на объемы продаж.
Предлагается подход к оценке риска стратегии, основанный на применении более мощной по своим возможностям имитационной модели и позволяющий повысить точность оценок риска за счет повышения адекватности математического описания исследуемой производственной системы [8].
Разработанная имитационная модель, позволяет:
- включать в рыночную структуру предприятия поставщиков материалов и комплектующих;
- учесть ценовые стратегии конкурентов;
- учесть такие параметры рынка как коэффициенты эластичности спроса по цене товара, доходу потребителей и перекрестной эластичности;
- учесть воздействие рекламы на объем продаж продукции с помощью модели Видаля - Вольфа [9];
- строить модель случайного параметра системы с помощью широкого спектра известных распределений вероятностей (нормальное, равномерное, треугольное, экспоненциальное, Вейбулла, Джонсона, бета, гамма и др.);
- учесть случайный характер любого параметра системы.
Математическое ожидание, минимальное и максимальное значения
выходного показателя определялись с помощью гистограммы частот (или относительных частот) распределения, построенной на основе результатов имитационного моделирования. Вероятность не достижения заданного уровня целевого показателя вычислялась с помощью построенной кривой кумулятивной вероятности. Вероятности попадания целевого показателя (случайной величины) в заданные интервалы могут быть определены с помощью оценки относительной частоты попадания в эти интервалы значений, полученных в результате моделирования. Однако, если интервалы слишком малы, то частоты в них могут обнаруживать незакономерные колебания, что приводит к снижению точности оценок. Поэтому применялся более точный метод оценки вероятности, основанный на вычислении определенного интеграла:
в
P(a < y < в) = F( в) - F( а) = J f (y)dy, (1)
а
где a, /- соответственно нижняя и верхняя границы интервала;
F(y) - функция распределения случайной величины "y";
f (y) - функция плотности распределения случайной величины "y".
При справедливости гипотезы о нормальном распределении случайной величины "y" выражение (1) принимает вид:
1 3 (y-my)2 P(a < y < в) =-j= J е-V-dy,
о y V2n a 2sy z
где Шу, S y - математическое ожидание и дисперсия величины "y".
На примере предприятия, занимающегося производством и реализацией определенного продукта, были проведены расчеты по анализу эффективности и степени риска маркетинговых стратегий с помощью программы "Arena 3.0", разработанной компанией "Systems Modeling Corporation" и реализующей метод дискретно-событийного имитационного моделирования [10].
В рамках контрольного примера исследовалась следующая деловая ситуация. Задана рыночная структура предприятия (3 поставщика пяти расходных материалов, 2 территории, 2 канала сбыта для каждой территории, для каждого канала сбыта 2 целевых сегмента потребительского рынка, для каждого сегмента 6 наименований продукта, 3 конкурента на каждом сегменте). Известны виды и параметры распределений входных переменных производственной системы. Руководство предприятия определило желаемый уровень прибыли в планируемом периоде. Сформирован набор возможных вариантов маркетинговой стратегии предприятия. Требуется провести анализ рисков различных вариантов маркетинговой стратегии. Для этой цели необходимо для каждого варианта стратегии оценить математическое ожидание величины прибыли предприятия; границы интервала возможных значений прибыли; вероятность попадания прибыли в заданный интервал и степень риска маркетинговых стратегий (вероятность не достижения заданного уровня прибыли).
Вычислительные эксперименты заключались в определении для любого элемента исследуемой производственной системы законов и параметров распределения вероятностей выходных показателей, а также наиболее вероятных значений показателей и границ ненулевой вероятности. Дополнительно был проведен сравнительный анализ эффективности и степени риска двух вариантов маркетинговой стратегии (без рекламы и с проведением рекламной кампании). В процессе моделирования было произведено две серии по 5000 испытаний, соответствующие двум вариантам стратегий. На рисунке 1 представлены полученные с помощью системы "Arena" гистограммы распределения прибыли предприятия для двух вариантов маркетинговой стратегии.
Вариант 1 С OptionButtonl
Вариант 2
Рис. 1. Гистограммы и графики кумулятивной вероятности величины прибыли предприятия для двух вариантов стратегии
Сравнительный анализ оценок рисков для двух вариантов стратегии дает возможность сделать вывод о предпочтительности первого варианта, позволяющего снизить степень риска в 6,2 раза.
Заключение
В работе рассмотрена аналитическая система оценки риска маркетинговых стратегий предприятия с использованием методологии системного анализа и статистического моделирования. Построена имитационная модель функционирования предприятия, основанная на применении широкого спектра распределений случайных риск-факторов, на учете действий поставщиков ресурсов и предприятий-конкурентов, а также воздействия рекламы на объемы продаж продукции с помощью модели Видаля - Вольфа. Предлагаемая статистическая модель позволяет повысить эффективность формируемых на ее основе маркетинговых стратегий и точность оценок риска. Алгоритм реализации на ПК имитационной модели функционирования предприятия в конкурентной среде основан на методе статистических испытаний и эвристических процедурах принятия решений. Оценка риска стратегии сводится к вычислению вероятности попадания значений целевого (выходного) показателя в заданный интервал на основе плотности распределения вероятностей, получаемой с помощью имитационной модели производственной системы. Приводятся результаты анализа вычислительных экспериментов по статистическому моделированию стратегий поведения предприятия на рынке и оценки их риска с помощью системы имитационного моделирования "Arena".
Проведенные расчеты подтвердили корректность принятых допущений и ограничений при построении имитационной модели функционирования предприятия и показали работоспособность и пригодность для практических целей алгоритмического и программного обеспечения предлагаемой методики оценки эффективности и степени риска маркетинговых стратегий с помощью статистического моделирования.
Список литературы
1. Ламбен Ж.Ж. Стратегический маркетинг. Европейская перспектива. СПб.: Наука, 1996. 589 с.
2. Клейнер Г.Б., Тамбовцев В.Л., Качалов Р.М. Предприятие в нестабильной экономической среде: риски, стратегии, безопасность. - М.: Экономика, 1997. 288 с.
3. Системный анализ и принятие решений: Словарь-справочник / Под ред. В. Н. Волковой, В. Н. Козлова. М.: Высшая школа, 2004. 616 с.
4. Metropolis N., Ulam S. The Monte Carlo method //J. Amer. Statistical assoc., 1949, 44, N 247, pp. 335-341.
5. Шеннон Р. Имитационное моделирование систем. - Искусство и наука. Пер. с англ. М.: Мир, 1978. 418 с.
6. Грачева М.В. Риск-анализ инвестиционного проекта Под ред. Грачевой М.В.: ЮНИТИ-ДАНА, 2001. 350 с.
7. Грачева М.В., Секерин А.Б. Риск-менеджмент инвестиционного проекта [Электронный ресурс]: учебник для студентов вузов, обучающихся по экономическим специальностям / Под ред. М.В. Грачевой, А.Б. Секерина. М.: ЮНИТИ- ДАНА, 2012. 544 с.
8. Pesikov E., Fomichev M., Zaikin O. Stochastic simulation modeling in strategic marketing planning of manufacturing systems //Proceedings of 3 Conference Francophone de MOdelisation et Simulation' Conception, Analyse et Gestion des Systemes Industriales MOSIM'Ol. -Troyes, France, 2001, pp.317-324.
9. Бове К.Л., Аренс У.Ф. Современная реклама. Тольятти: Издательский дом "Довгань", 1995. 661 с.
10. Kelton W.D., Sadowski R., Sadowski D. Simulation with Arena. Fifth Edition, McGraw-Hill, 2010. 636 p.
УДК 330+004
doi:10.18720/SPBPU/2/id20-143
Хубаев Георгий Николаевич,
д-р экон. наук, профессор, профессор кафедры Информационных систем и прикладной информатики
КАК ГОСУДАРСТВО МОЖЕТ СОДЕЙСТВОВАТЬ ВЫПОЛНЕНИЮ «УСЛОВИЙ ДОСТИЖЕНИЯ СОВЕРШЕННОГО РЫНКА»: МЕТОДЫ И ИНСТРУМЕНТЫ
Ростовский государственный экономический университет (РИНХ),
Ростов-на-Дону, Россия, gkhubaev@mail.ru
Аннотация. Установлено, что только государство, не вмешиваясь в процессы функционирования рынка, может усилить позитивное взаимовлияние участников рыночных отношений и повысить «прозрачность» рынка и «осведомленность» его субъектов; показано, как это осуществить с помощью оригинальных методов и инструментов
Ключевые слова: государство и рынок, субъекты рынка, взаимовлияние участников, совершенный рынок, методы и инструменты
Georgy N. Khubaev,
Doctor of Economic Sciences, Professor, Professor, Department of Information systems and applied Informatics,
HOW THE STATE CAN CONTRIBUTE TO THE IMPLEMENTATION OF THE "CONDITIONS FOR ACHIEVING A PERFECT MARKET": METHODS AND TOOLS