Научная статья на тему 'Сравнительный анализ моделей прогнозирования инвестиционной привлекательности НИОКР на современном этапе'

Сравнительный анализ моделей прогнозирования инвестиционной привлекательности НИОКР на современном этапе Текст научной статьи по специальности «Экономика и бизнес»

CC BY
715
210
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ПРОГНОЗИРОВАНИЕ / МОДЕЛЬ / НИОКР / ИНВЕСТИЦИИ / СРАВНИТЕЛЬНЫЙ АНАЛИЗ / FORECASTING / MODEL / RESEARCH AND DEVELOPMENT / INVESTMENTS / COMPARATIVE ANALYSIS

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Ломакин М. И., Стреха П. А.

В статье произведен сравнительный анализ ряда наиболее широко распространенных групп моделей прогнозирования инвестиционной привлекательности НИОКР на основе экспертной оценки набора количественно-качественных критериев, присущих в определенной степени каждой из групп моделей.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по экономике и бизнесу , автор научной работы — Ломакин М. И., Стреха П. А.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

COMPARATIVE ANALYSIS OF MODELS FOR FORECASTING INVESTMENT ATTRACTIVENESS OF RESEARCH AND DEVELOPMENT ACTIVITIES IN THE MODERN STAGE OF DEVELOPMENT

The article provides a comparative analysis of a number of most wide-spread groups of models for forecasting investment attractiveness of research and development activities in the modern stage of development based on expert evaluation of a number of quantitative and qualitative criteria immanent to a certain degree to each group of models.

Текст научной работы на тему «Сравнительный анализ моделей прогнозирования инвестиционной привлекательности НИОКР на современном этапе»

исторические факты, литературные произведения и другие художественные приемы, которые создают историко-архитектурный образ города, формируют у туриста проекты маршрутов и перечень необходимых мест посещения. Одним из наиболее удачных примеров эффективного легендирования дестинации является произведения Дена Брауна, а также Джоан Роулинг. Большую помощь в продвижении бренда Ростовской области может сыграть чемпионат мира по футболу 2018 года. Однако для этого потребуется целый комплекс мероприятий по развитию инфраструктуры, который рассмотрен далее.

В рамках развития объектов показа большое внимание уделяется формированию и размещению музейных фондов, экспозиции запасников. Очень важно приведение в порядок не только основных достопримечательностей, но и других историко-культурных памятников. Развитие сети разнообразных музеев является основой программы посещения многих регионов, поэтому формирование музейной культуры является одной из главных задач. Наряду с музеями в систему объектов показа для групп и индивидуальных туристов входят достопримечательности.

Практика показывает, что достаточно существенную часть туристского бюджета любого региона составляют средства, выделяемые на реконструкцию объектов и поддержание их в пригодном для посещения и осмотра виде. Общее представление о дестинации создается у туриста, в том числе, на смотровых площадках. В Ростовской области существует масса мест для потенциального размещения смотровых площадок с прекрасными видами на города и

окрестности. В этом вопросе интересен следующий опыт:

° опыт Парижа - Эйфелева башня, башня Монпарнас, церковь Сакре-Кер на горе Монмартр, крыши больших магазинов на бульваре;

° опыт Лондона - колесо-обозрения;

° опыт Рима - Кастл Сан Анжело, Пьяццо дель Попполо.

Очень важную роль играют рекреационные зоны, в которых туристы и жители региона могут отдохнуть от повседневной суеты, что благотворно влияет на общую атмосферу жизни региона - снижается уровень эмоциональной напряженности, повышается потенциал толерантности. Во многих регионах существуют специальные пешеходные зоны с большим количеством туристских объектов. Информирование туристов о близлежащих объектах туристской инфраструктуры и объектах показа является неотъемлемым элементом культуры приема туристов. Достаточно существенную роль в организации путешествия играет система ориентирования, которая позволяет туристу выбирать наиболее подходящий для себя маршрут передвижения между объектами посещения. Наряду с техническими средствами ориентирования (картами, планами, схемами), очень важную роль играют карты гостя, предоставляющие право пакетного доступа к объектами показа («транспорт, памятники», «транспорт, музеи», «музеи, памятники» и т.д.).

Литература:

1. UNWTO Tourism Highlights. 2013 Edition. [Электронный]. Режим доступа: www.unwto.org/pub

сравнительный анализ моделей прогнозирования

инвестиционной привлекательности ниокр на современном

этапе

Ломакин М.И., д.э.н., профессор Стреха П.А., аспирант, ФГУП «СТАНДАРТИНФОРМ»

В статье произведен сравнительный анализ ряда наиболее широко распространенных групп моделей прогнозирования инвестиционной привлекательности НИОКР на основе экспертной оценки набора количественно-качественных критериев, присущих в определенной степени каждой из групп моделей.

Ключевые слова: прогнозирование, модель, НИОКР, инвестиции, сравнительный анализ.

comparative analysis of models for forecasting investment

attractiveness of research and development activities in the

modern stage of development

Lomakin M., doctorate degree of economic sciences, professor Strekha P., the post-graduate student at FSUE «STANDARTINFORM»

The article provides a comparative analysis of a number of most wide-spread groups of models for forecasting investment attractiveness of research and development activities in the modern stage of development based on expert evaluation of a number of quantitative and qualitative criteria immanent to a certain degree to each group of models.

Keywords: forecasting, model, research and development, investments, comparative analysis.

Прогнозирование какого-либо явления или объекта возможно с использованием определенного метода, подхода или модели, наиболее точно описывающего данный объект или явление. Однако если сам объект или явление еще не существует или только зарождается, то с предсказанием развития будущей ситуации возникают сложности, связанные с отсутствием необходимых данных или невозможностью аппроксимации вероятности какого-либо его элемента. Примером этого могут являться различные исследования и разработки (НИОКР, от англ. R&D - research and development), управление которыми подразумевает анализ и прогнозирование весьма значительного количества факторов, критериев и переменных - как качественных, так и количественных. В современной экономической литературе существует большое количество моделей различной степени сложности и глубины анализа, позволяющие получить прогноз влияния результатов тех или иных НИОКР на функционирование хозяйствующего субъекта, в интересах которого они выполняются. Так, разработкой данной проблемы занимались B.C. Бард, Дж. Бейли, Й.Т. Балабанов, С.В. Валдайцев, В.В. Ковалев, Ю.П. Морозов, Е.С. Стоянова, М.А. Федотова, П. Фишер,

Дж. Хорн, У. Шарп, Г.Я. Гольдштейн, В.М. Власова, И.В. Журавкова, Э.И. Крылов, Л.В. Тычинский и другие отечественные и зарубежные исследователи.

Прогноз (от греч. рсьгнщуйт - предвидение, предсказание) -[1] основанное на специальном исследовании заключение о предстоящем развитии и исходе чего-либо, т.е. в общем смысле некая информация о будущем состоянии объекта или системы, описанная до определенной степени глубины и с определенной степенью достоверности. Прогнозирование, в свою очередь, [2] - это разработка прогноза; в узком значении - специальное научное исследование конкретных перспектив развития какого-либо процесса. Если говорить об экономике, то зачастую прогнозирование (планирование) является ее сущностью и содержанием, что обусловливает несомненную важность дальнейшего исследования и развития методов прогнозирования для экономической науки.

Однако при всей важности трудов указанных ученых существуют вопросы, которые на данном этапе недостаточно разработаны и требуют дополнительного анализа. В данной работе предлагается рассмотреть вопрос сравнительного анализа ряда наиболее широко

распространенных групп моделей прогнозирования инвестиционной привлекательности на основе критериев, учитывающих такие факторы как:

1) характер модели;

2) время на проведение анализа;

3) влияние человеческого фактора;

4) затраты на оценку;

5) необходимость внешней экспертизы;

6) использование персонала хозяйствующего субъекта;

7) необходимость выделения затрат на НИОКР в учетной политике хозяйствующего субъекта;

8) объем дополнительных данных;

9) тип оценки;

10) степень поддержки принятия решения;

11) сложность применения модели.

Данные критерии требуют развернутого описания.

1. Под характером модели подразумевается, формирует ли модель «снимок состояния» инвестиционной привлекательности НИОКР (статическая модель) или же модель создает систему анализа и прогнозирования ряда НИОКР, что в свою очередь, означает перспективу получения многоразовых прогнозов от единовременного применения модели, которое, однако, требует значительных временных, материальных и человеческих ресурсов. Примером последней модели может являться система сбалансированных показателей (от англ. Balanced Score Card, BSC) [3, 4], ключевые показатели эффективности которой настроены под ИР.

2. Время, отведенное на проведение анализа, является одним из ключевых факторов при выборе той или иной модели прогнозирования, т.к. в отведенный временной период необходимо произвести не только формирование перечня недостающих данных и их сбор, но и анализ полученных данных. Так, процесс прогнозирования инвестиционной привлекательности ряда НИОКР может производиться от одной недели до 6 месяцев и более в зависимости от выбранной модели и имеющихся ресурсов.

3. Несомненно, применение каждой из этих моделей невозможно без учета влияния человеческого фактора, что обусловливает некоторую степень погрешности. Однако модели прогнозирования существенно различаются по степени включения субъективного суждения человека на этапах прогнозирования. Так, например, при применении моделей, основанных на финансово-вероятностных количественных данных математического ожидания чистой приведенной стоимости (eNPV) от НИОКР, привлечение экспертов происходит только на этапе установки вероятностей получения денежного потока на этапах прогнозирования. По сравнению со скоринговыми моделями, где участие человека-эксперта максимально, влияние человеческого фактора на eNPV модели оценки инвестиционной привлекательности НИОКР имеет более ограниченный характер.

4. Ценность, формируемая при прогнозировании инвестиционной привлекательности НИОКР, может быть точно определена количественно, в виде затрат на соответствующую деятельность. Этот фактор также немаловажен, т.к. применение некоторых моделей не требует больших финансовых ресурсов (затратные подходы - cost-based approaches, CBA; eNPV; реальные опционы), а применение других требует затрат весьма значительных средств (BSC).

5. Одним из элементов оценки инвестиционной привлекательности НИОКР является необходимость привлечения внешней экспертизы для выявления наиболее важных критериев эффективности тех или иных НИОКР. Данный критерий влияет как на время для проведения прогнозирования, так и на величину затрат.

6. Вовлеченность персонала определенной квалификации хозяйствующего субъекта подразумевает количество сотрудников, занятых в процессе прогнозирования, и тем самым отвлеченных от выполнения операционных обязанностей, что, в свою очередь, является повышением стоимости оценки инвестиционной привлекательности НИОКР.

7. При проведении НИОКР хозяйствующий субъект может производить специализированную группировку затрат на деятельность, связанную с НИОКР, что во многом облегчает проведение оценки инвестиционной привлекательности. Если же учетная политика хозяйствующего субъекта не подразумевает выделение таких групп затрат, то необходимо произвести сбор дополнительных данных.

8. Тот объем данных, который возможно собрать в отведенное время с использованием выделенного объема средств, - основополагающий фактор при выборе модели прогнозирования и точности ее применения, т.е. - прогноза. Для большинства предприятий отече-

ственной экономики вопрос получения дополнительных данных, в т.ч. исторических, является камнем преткновения, т.к. практика учета деятельности НИОКР такого рода никогда не велась, либо только начинается.

9. Учет количественных и качественных факторов также является одним из показателей, разграничивающих модели. Так, например, группы моделей CBA, eNPV, модели реальных опционов для НИОКР [5] могут производить анализ только количественных (финансовых) данных, а модели BSC - как количественных, так и качественных.

10. Результатом применения моделей прогнозирования инвестиционной привлекательности НИОКР является прогноз будущего состояния хозяйствующего субъекта после проведения тех или иных НИОКР. Другими словами, каждая модель в качестве вывода предлагает определенный объем информации, на основе которой лицо, принимающее решение, должно планировать и осуществлять свои дальнейшие действия. Таким образом, степень поддержки принятия решения о будущем развитии того или иного НИОКР - также немаловажный фактор при выборе модели.

11. Учитывая все вышеперечисленное, закономерно предположить, что есть сравнительно легкие в применении модели, и модели, требующие серьезного вложения ресурсов.

Для проведения сравнительного анализа по данным критериям были отобраны такие широко используемые группы моделей как:

■ затратные подходы к оценке инвестиционной привлекательности НИОКР (cost-based approaches, CBA);

■ модели оценки математического ожидания чистой приведенной стоимости НИОКР (expected Net Present Value, eNPV) [6];

■ модели реальных опционов Блэка-Шоулза, основанные на теории нечетких множеств [7];

■ группа скоринговых моделей;

■ модели, основанные на методе бенчмаркинга [8];

■ модели основанные на теории многокритериальной оптимизации (Multi-Attribute Utility Theory, MAUT) [9];

■ модели, основанные на многокритериальном методе TOPSIS (The Technique for Order of Preference by Similarity to Ideal Solution) [10];

■ эконометрические (исторические) модели;

■ модели сетевой аналитики НИОКР [11];

■ модели, основанные на сбалансированной системе показателей, настроенной для НИОКР [4].

Следуя методике сравнительного анализа, после выбора основ для анализа (критериев) и определения элементов анализа (модели прогнозирования инвестиционной привлекательности НИОКР) была произведена экспертная оценка каждой из моделей по соответствующим критериям. Большинство критериев ранжировались от минимума к максимуму (от 1 до 5 соответственно), однако, некоторые критерии имели дихотомическую шкалу оценки (да/нет или 1/2) как, например, критерий, описывающий характер модели (1 - статическая; 2 - динамическая), или тип оценки (1 - количественная, 2 - количественная и качественная) (да/нет). Результаты данной оценки представлены в таблице 1.

В связи с тем, что характер каждого из критериев был описан ранее, для более полного раскрытия исследуемого вопроса проанализируем результаты сравнительного анализа из таблицы 1 в разрезе каждой группы моделей (по столбцам).

Затратные подходы к оценке инвестиционной привлекательности НИОКР (CBA). Данная группа моделей предполагает расчет общего объема затрат на проведение каждого из видов деятельности НИОКР на протяжении периода прогнозирования. Проекты с наибольшей маржой выручки получают предпочтение перед менее рентабельными проектами. В рамках сравнительного анализа данная группа моделей может быть охарактеризована как статическая (предлагающая снимок текущей перспективы ИР), обладающая минимальным влиянием человеческого фактора (допускается только техническая ошибка, ошибка в расчетах), и имеющая минимальные затраты на применение, которое в свою очередь не является сложным и может быть выполнено за короткий срок. Крупным недостатком данного подхода является невозможность учета стоимости денег во времени и, соответственно, данный подход может сделать только грубый прогноз инвестиционной привлекательности. Данный подход предлагает минимальный уровень поддержки принятия инвестиционного решения.

Модели оценки математического ожидания чистой приведенной стоимости НИОКР (eNPV). Данная группа моделей является универсальным инструментом прогноза, который используется при оценке

Таблица 1. Сравнительный анализ моделей прогнозирования инвестиционной привлекательности ИР

№ п/п Критерий\Группа моделей СНА eNPV Optio п Score Bench МАИ т ТОР SIS Eco-nom ANP BSC

1 Характер модели 1 1 1 1 1 1 1 2 2 5

J Время на проведение аналнча (минимум, че-10веко-часов) 40-80 40-80 80 160240 [60240 80120 60-80 40-80 180 от 960

3 Влияние человеческого фактора (мин - 1; макс - 5) 1 3 3 5 5 2 2 1 3 3

4 Затраты на оценку [мин - 1; макс - 5) 1 1 2 5 3 3 2 2 3 5

5 Необходимость внешней экспертизы нет нет нет да да да/нет да/нет нет нет да

6 Задействованность персонала компании (мни - 1; макс - 5) 1 2 2 2 2 3 3 1 4 5

7 Необходимость выделений эатрат на НИОКР к Учетной политике да да да нет нет нет нет да да да

S Объем дополнительных данных [мин - 1; маке - 5) 1 1 2 5 5 3 3 5 5 5

9 Гип оценки 1 1 1 2 2 2 1 1 2 2

И) Степень поддержки принятия решения (мин - 1: макс - 5) 1 2 2 5 4 5 3 2 5 5

11 Сложность применения (мин - 1: макс - 5) 1 1 3 2 2 4 2 3 2 5

будущей инвестиционной привлекательности НИОКР почти каждым управляющим НИОКР хозяйствующим субъектом. Модели eNPV подразумевают обширное прогнозирование будущих финансовых показателей каждого из НИОКР проектов c учетом их вероятности, а также влияние данных проектов на хозяйствующих субъект в целом. Данные модели учитывают стоимость материальных ресурсов во времени либо на основе прогноза средне-взвешенной стоимости капитала, либо инфляции, либо ставки реинвестирования прибыли. Проведение анализа и прогнозирования инвестиционной привлекательности НИОКР с использованием данной модели может быть выполнено в короткий срок (1-2 недели) с привлечением минимальных ресурсов. Оно сравнительно несложно, однако, как и в случае с CBA-моделями, требует выделения группы затрат на НИОКР в учетной политике хозяйствующего субъекта, либо, если таковая отсутствует, повышения стоимости анализа за счет сбора дополнительной информации. Степень поддержки принятия решения данного подхода находится на низком уровне, однако, используя подход eNPV, ЛПР получит больше данных и сможет принять более адекватное решение, чем используя подход CBA.

Модели реальных опционов Блэка-Шоулза, основанные на теории нечетких множеств (Option). Данная группа моделей позволяет максимально точно спрогнозировать будущую стоимость НИОКР при ряде условии: 1) руководство принимает верные управленческие решения при наличии новой информации; 2) вероятность получения новой информации велика; 3) NPV данных НИОКР отрицателен или близок к 0. Последнее условие во многом присуще проведению НИОКР, вследствие чего использование данной группы моделей с учетом теории нечетких множеств (возможно применение «биноминальных деревьев» [7, с. 4] для структуризации дорожной карты НИОКР) зачастую является обоснованным. Данная статическая группа моделей может быть применена в относительно короткий срок, не требует привлечения внешней экспертизы и на выходе предлагает только количественную оценку НИОКР. Такая оценка по степени поддержки принятия решения для ЛПР сравнима с выводом группы моделей eNPV, однако раскрывает инвестиционные альтернативы не только в измерениях прибыльно/неприбыльно (как это делает eNPV), но и в количественных измерениях конкретных принимаемых решений (опционов: продолжить, продать, приостановить и т.д.). Для того, чтобы корректно применить данную модель необходимо привлекать персонал компании, а также дополнительные ресурсы на сбор точных данных по анализируемым инвестиционным альтернативам НИОКР. Применение данной группы моделей имеет среднюю сложность.

Группа скоринговых моделей (Score). Данная группа моделей в общем случае может быть определена следующим рядом этапов, присущих любой скоринговой модели: 1) этап анализа хозяйствующего субъекта и инфраструктуры его НИОКР; 2) выделение ключевых факторов эффективности (коммерциализации, поддер-

жания и роста конкурентного преимущества) НИОКР, на основе которых создается рейтинговая модель; 3) экспертное определение веса (значимости) каждого критерия; 4) ранжирование НИОКР с использованием разработанной модели, приоритезация НИОКР; 5) принятие инвестиционного решение ЛПР. Очевидно, что данная статическая модель требует весьма высокого уровня затрат (как материальных, так и временных) на привлечение сторонних экспертов, сбор дополнительных данных и проведение анализа. В связи с этим субъективность человеческого суждения оказывает значительное влияние на вывод данной группы моделей. Преимуществом данной группы моделей (помимо представления как количественной, так и качественной оценки) является очень высокая степень поддержки принятия решения: в итоге лицо, принимающее решение, получает ранжированный список альтернатив НИОКР с рекомендациями по каждой альтернативе, что значительно облегчает выбор наиболее приемлемого варианта НИОКР. Данная группа моделей может наиболее эффективно применяться для прогнозирования инвестиционной привлекательности НИОКР в рамках хозяйствующих субъектов малого и среднего размера [12].

Модели, основанные на методе бенчмаркинга. Метод бенчмар-кинга (от англ. bench - место, marking - отметить) представляет собой способ изучения деятельности хозяйствующих субъектов, прежде всего своих конкурентов, с целью использования и положительного опыта при проведении собственных НИОКР. Он включает в себя комплекс средств, позволяющих систематически находить, оценивать и организовывать использование всех положительных достоинств чужого опыта при проведении собственных НИОКР. Применительно к НИОКР, бенчмаркинг означает изучение инфраструктуры НИОКР других хозяйствующих субъектов с целью выявления основополагающих характеристик для разработки своей политики в области НИОКР и принятия решений о проведении конкретных типов НИОКР. Применение данной группы моделей требует сравнительно большого времени и материальных затрат. На выходе данная группа моделей предлагает прогноз ряда инвестиционных альтернатив НИОКР аналогичных разрабатываемым конкурентами или опережающих их (в зависимости от уровня привлечения внешней экспертизы и доступа к данным о внешних ИР). Стоит отметить, что в таблице 1, данные модели получили практически одинаковые оценки. Отличие данной группы моделей от группы скоринговых моделей состоит в том, что скоринговые модели зачастую основываются на ключевых факторах успеха НИОКР, разрабатываемых внутри хозяйствующего субъекта, и на всей инфраструктуре НИОКР хозяйствующего субъекта, а модели бенчмаркинга - на лучших практиках конкурентов, т.е. - на внешней среде. Обе модели сопоставимы по уровню поддержки принятия решения (весьма высокий уровень) относительно легки в применении.

Модели, основанные на теории многокритериальной оптимизации (MAUT). Многокритериальная оптимизация или програм-

мирование (англ. Multi-objective optimization), — это процесс одновременной оптимизации двух или более конфликтующих целевых функций в заданной области определения. Применительно к НИ-ОКР под многокритериальной оптимизацией понимается процесс формирования ряда целевых функций основанных на переменных, которые являются приоритетными для хозяйствующего субъекта в целом и ЛПР в частности. В общем случае такими переменными могут быть такие как: затраты, выделенные на НИОКР; общий уровень рентабельности всего хозяйствующего субъекта; доля рынка; поддержание и развитие конкретного преимущества и другие. В результате математического программирования с использованием группы MAUT модели лицо, принимающее решение , получает не только приоритезированный список альтернатив НИОКР, от-ранжированный по прогнозируемому уровню инвестиционной привлекательности ( или комбинации любых других переменных), а так же предполагаемое распределение инвестиционных ресурсов среди анализируемых альтернатив НИОКР. Таким образом преимуществом данной модели является максимальный уровень поддержки принятия решений по сравнению с другими анализируемыми группами моделей. Наряду с этим данная группа моделей обладает повышенной сложностью применения в связи с необходимостью выделения критериев, формирование целевых функций и проведения математического программирования. Преимуществом данной группы моделей является сценарный характер процесса получения вывода: при необходимости ЛПР имеет возможность задать любую комбинацию критериев и на основе этого разработать более гибкую инвестиционную стратегию в сфере НИОКР.

Модели, основанные на многокритериальном методе TOPSIS. Метод TOPSIS (от англ. The Technique for Order of Preference by Similarity to Ideal Solution - технология приоритезации по сходству с идеальным решением) Является методом для многокритериальной поддержки принятий решения в виде количественной оценки. Сущность данного метода отражает определение евклидовых расстояний от существующих альтернатив (представленных на n-размерном критериальном пространстве) до идеальной и антиидеальной. Применительно к НИОКР данный метод можно модифицировать с целью установления более адекватного для НИОКР характера определения идеальной и анти-идеальной точки путем количественной стандартизации лингвистических характеристик используемых критериев и внедрение не четких множеств в описание характеристик критериев, выраженных лингвистическими переменными. Анализируя данную группу моделей можно отметить, что она не так сложна в применении (и, соответственно занимает меньше времени) как группа MAUT-моделей, но предлагает только количественную оценку. Отличительной особенностью данной группы модели является уровень затрат на проведение оценки, сопоставимый с уровнем затрат для группы моделей, основанных на методе реальных опционов.

Эконометрические (исторические) модели (Score). Данная группа моделей основана на проведении эконометрического (регрессионного, факторного, главных компонент и др.) анализа базы исторических данных о существующих и проведенных ранее НИОКР. Методы такого анализа в рамках формируемых экономе-трических моделей позволяют динамически выделять зависимости между атрибутами НИОКР и характеристиками хозяйствующего субъекта (если таковые имеются). Важно отметить, что хотя этот метод и занимает незначительное время и ресурсы на проведение самого анализа, а также предоставляет динамически корректируемый прогноз уровня инвестиционной привлекательности НИОКР, он не только требует дополнительных знаний на его применение, но и, что не маловажно, наличие экстенсивного объема количественных данных о характеристиках всех НИОКР, что в значительной степени затрудняет применение данной группы моделей в условиях отечественной экономики.

Модели сетевой аналитики НИОКР (ANP). Данная группа моделей основана на применение процесса аналитической сети (analytical network process, ANP) - многокритериального подхода к принятию решений, который позволяет преобразовывать качественные значения в количественные и проводить их анализ. ANP является относительно простым, интуитивным подходом, который может быть использован менеджерами и другими лицами, принимающими решения. Подход ANP для отбора альтернатив НИОКР подразумевает структурирование всех элементов хозяйствующего субъекта в разрезе исследовательской деятельности. Таким образом, уровнями такой структуры в общем случае являются такие категории как: 1)

активные элементы (руководство, маркетинг, исследовательский персонал), 2) фазы исследования (основная, прикладная разработка), 3) категории (техническая, рыночная, организационная), 4) критерии (компетенции, жизненный цикл НИОКР, безопасность и др.), 5) альтернативы. Сравнивая данную группу моделей с другими многокритериальными подходами, данный подход обладает возможностью как количественной, так и качественной оценки, а так же предлагает высокую степень поддержки принятия решений за счет активного использования персонала компании и построение четкой иерархии приоритетов при выборе ряда альтернатив НИОКР. Недостатками данного подхода являются высокий уровень временных затрат а так же большой объем дополнительных данных необходимых для проведения анализа.

Модели, основанные на сбалансированной системе показателей, настроенной для НИОКР. Сбалансированная система показателей (ССП) (англ. — Balanced Scorecard (BSC)) - концепция переноса и декомпозиции стратегических целей для планирования операционной деятельности и контроля их достижения. Применительно к НИОКР это механизм взаимосвязи стратегических замыслов и решений с ежедневными задачами, способ направить деятельность всей компании (или группы) на их достижение. Таким образом, хозяйствующий субъект определяет набор точек контроля (ключевых показателей эффективности) которые позволяют ему динамически прогнозировать инвестиционную привлекательность каждого из ведущихся НИОКР и незамедлительно реагировать на понижение, какого либо показателя. К недостаткам данного подхода относится максимально возможное время и затраты на единовременную установку такой системы которую в свою очередь невозможно произвести без привлечения экспертов. Эта группа моделей отличается необходимостью получения большого объема дополнительных данных и исключительной сложностью разводки и внедрения. Однако при успешном применении данного подхода не только НИОКР но и вся инфраструктура хозяйствующего субъекта начинает функционировать максимально эффективно, тем самым обеспечивая высокий уровень инвестиционной привлекательности будущих НИОКР.

Таким образом, мы произвели сравнительный анализ нескольких групп моделей инвестиционной привлекательности НИОКР хозяйствующего субъекта. Исходя из анализа, можно поделить все модели на следующие классы: по характеру прогнозирования (статические, динамические); по типу оценки (только количественная, количественная и качественная); по необходимости внешней оценки и другие. Однако зачастую краеугольным камнем при выборе модели является объем и качество данных, который возможно получить и проанализировать за определенное время. В связи с этим становится актуальной проблема разработки алгоритма выбора модели прогнозирования из предопределенного пула моделей, наиболее точно описывающей эти данные.

Литература:

1. Ожегов С.И., Шведова Н.Ю. Толковый словарь русского языка (онлайн версия). Режим доступа: URL: http://www.classes.ru/ all-russian7russian-dictionary-0zhegov-term-27084.htm

2. Кандаурова Г.В., Борисевич В.А. Прогнозирование и планирование экономики. Учебное пособие. - М.: Современная школа, 2005. - 480 с.

3. Нортон Д., Каплан Р. Сбалансированная система показателей. От стратегии к действию. - М.: Олимп-Бизнес, 2010. - 320 с.

4. Eilat Harel, Golany Boaz,Avraham Shtub R&Dproject evaluation:An integrated DEA and balanced scorecard approach. International Journal of Management Science Omega, 2008. - № 36. - Pp. 895-912.

5. Zhang Huan Ran. Application of real options valuation to R&D investments in pharmaceutical companies. Магистерская диссертация. Режим доступа: http://edissertations.nottingham.ac.uk/458/1/06MA_ Finance_and_Investment_lixhrz.pdf

6. De Reyckc Bert. Using Decision Analysis to Value R&D Projects. Режим доступа: URL: http://www.qfinance.com/contentFiles/QF02/ g9l6zjv5/16/0/using-decision-analysis-to-value-r-and-d-projects.pdf

7. Ramadan Z.M. A fuzzy model for R&D project selection with multi-criteria decision making. International Institute for Energy Conservation Bulletin, 2004. - № 2. - Pp. 34-42.

8. Boxwell Robert. Benchmarking for Competitive Advantage., New York: McGraw-Hill. 1994. p. 225. ISBN 0-07-006899-2.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

9. Wang Z., Zhang S., Kuang J. A Dynamic MAUT Decision Model for R&D Project Selection. Computing, Control and Industrial

Engineering (CCIE), 2010. - p. 4237-427.

10. Markovi Z. Modification of Topsis method for solving of multicriteria tasks. Yugoslav Journal of Operations Research, 2010. - № 20. - p. 117-143.

11. Meade L. M. and Presley A.. R&D Project Selection Using

the Analytic Network Process. IEEE Transactions on engineering management, VOL. 49, №. 1, 2002. - p.59 - 66.

12. Стреха П.А. Модель формирования инвестиционного решения для оценки НИОКР малых и средних предприятий // Транспортное дело России, 2013. - № 1. - С. 143-146.

основные методы совершенствования процессов обеспечения

функционирования средств связи

Бакасов С.Р.

В статье рассмотрены основные методы совершенствования процессов обеспечения функционирования средств связи: статистические, параметрические, физико-статистические, структурные; дана их краткая характеристика и особенности.

Ключевые слова: функционирование, средства связи, надежность, долговечность, затраты.

basic methods of software process improvement of

communication

Bakasov S.

The article describes the main methods to improve the operation of the processes of communication: statistical, parametric, physical, statistical, structural, given their brief description and characteristics.

Keywords: operation, communication, reliability, durability and cost.

Процессы обеспечения функционирования сложных технических систем основаны на целенаправленных и организованных действияхсоответствующего персонала.Потенциальная возможность совершенствования процессов обеспечения средств связи (СС) вытекает из особенностей их организации и базируется на соответствующих методах анализа. Наибольшее распространение для совершенствования процессов обеспечения функционирования СС получили статистические, параметрические, физико-статистические, структурные методы. Эти методы позволяют определять и оптимизировать технико-экономические показатели функционирования СС, такие как: долговечность функционирования, затраты на функционирование и др.

Статистические методы1 используют в качестве исходной информации результаты функционирования до предельного состояния некоторой группы однотипных объектов (лидерной группы). При этом вычисляются значения показателей долговечности объектов данной выборки тем или иным методом статистической обработки результатов наблюдений, и далее полученные результаты экстраполируются на всю генеральную совокупность объектов.

Статистические методы характеризуются относительной простотой процедур сбора исходных данных (требуется только регистрация наступления событий перехода в предельное состояние и не требуется применять методы приборного контроля состояния объектов) и хорошо развитым математическим аппаратом статистической обработки результатов наблюдений.

Однако точность и достоверность статистических оценок существенно зависят от объёма выборки объектов лидирующей группы. Сформировать достаточно представительную выборку в целом ряде случаев не представляется возможным по следующим причинам:

вследствие высокой надёжности элементной базы современных СС, применения различных видов резервирования и развитой системы восстановления работоспособности фактические значения наработок до предельного состояния у большинства объектов выходят за практически приемлемые рамки продолжительности испытаний и, в ряде случаев, сравнимы со сроками морального старения или превышают их;

задача совершенствования процессов обеспечения функционирования, как правило, ставится и решается для объектов, которые,

с одной стороны, выполняют сложные и ответственные задачи, с другой стороны, их замена или полное восстановление ресурса чрезвычайно ресурсоёмки и занимают длительное время (например, стартовые комплексы космического назначения). Такие объекты уникальны и для них в принципе невозможно сформировать выборку наработок до предельного состояния;

статистическая выборка должна быть однородной, т.е. объекты лидерной группы должны функционировать до предельного состояния в примерно идентичных условиях и режимах применения, что не всегда соблюдается для малосерийных объектов, функционирующих в особых, часто также уникальных условиях.

Применительно к узлам связи, например, статистический подход может быть использован для отдельных составных частей однотипного оборудования массового или крупносерийного производства, обладающих ограниченной степенью контролепригодности и ремонтопригодности при относительно невысокой стоимости замены и малой цене отказа.

К таким объектам относятся, например, некоторые элементы системы электроснабжения (переключатели, распределительные устройства, защитные автоматы), некоторые узлы и агрегаты общепромышленного назначения технических систем (электродвигатели) и часть контрольно-проверочного оборудования в блочно-модульном исполнении.

Параметрические методы2основаны на измерении и обработке значений изменяющихся во времени параметров объекта, характеризующих фактический запас его долговечности в конкретных условиях функционирования. То есть речь идет о подходе, связанным с отказом от представления объекта в виде «черного ящика», характерного для статистического подхода. Методологической основой решения проблемы оценивания долговечности в данном случае являются методы прогнозирования случайных процессов.

Если модели развития случайных процессов строятся на глубоком анализе физических процессов, приводящих к изменению параметров, то выделяют группу физико-статистических методов3 параметрического оценивания показателей долговечности. Когда по каким либо причинам такой анализ невозможен, применяют методы формального статистического исследования закономерностей изменения случайных процессов, называемые методами стохасти-

1См. например: Андерсон Т. Статистический анализ временных рядов / Пер. с англ. - М.: Мир, 1976; Барлоу Р., Прошан Ф. Статическая теория надежности и испытания на безотказность. / пер. с англ. - М.: Наука, Главная редакция физ.-мат. литературы, 1984; Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление: Пер. с англ. - Вып. 1. - М.: Мир, 1974.

2См. например:Басовский Л.Е. Прогнозирование и планирование в условиях рынка. - М.: ИНФРА-М, 1999; Лейфер Л.А. Методы прогнозирования остаточного ресурса машин и их программное обеспечение. - М.: Знание , 1988; Миронов А.Н. Теоретические основы и методы многомодельного прогнозирования долговечности сложных военно-технических систем космического назначения. - МО РФ, 2000.-

3См. например: Управление наземной космической инфраструктурой на основе мониторинга ее состояния: монография / А.Н. Перми-нов.- СПб. 2005; Барзилович Е.Ю., Воскобоев В.Ф. Эксплуатация авиационных систем по состоянию. - М.: Транспорт, 1981.

i Надоели баннеры? Вы всегда можете отключить рекламу.