CC BY
14
УДК 519.866
ВОЗМОЖНОСТИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ СОВЕРШЕНСТВОВАНИЯ УПРАВЛЕНЧЕСКОГО УЧЕТА В СИСТЕМЕ ВНУТРИФИРМЕННОГО БЮДЖЕТИРОВАНИЯ
А.Н.Ильченко
Ивановский государственный химико-технологический университет
Д.И. Коровин Ивановский государственный университет
Рассматривается вопрос о роли нейросетевого моделирования в анализе системы управленческого учета внутрифирменного бюджетирования в многопрофильных предприятиях.
Система внутрифирменного бюджетирования в многопрофильных предприятиях (корпорациях, холдингах) предполагает ограниченную финансовую самостоятельность (в рамках утвержден-
ных локальных бюджетов) отдельных подразделений предприятия, так называемых центров ответственности, и их сбалансированную координацию в интересах единого собственника.
Рис. 1. Граф системы финансового менеджмента и-профильного холдинга с 3-уровневой иерархией управления
Структура системы финансового менеджмента может быть наглядно отображена конечным ориентированным графом (рис.1.). Здесь и00 - цент-
рализованные фонды холдинга; ип,...,иц,...иті - консолидированные бюджеты т дирекций (верхний уровень управления); и12,.,иі2,.ип] - локальные бюджеты п центров ответственности (нижний уровень). Направления одно-
уровневых финансовых потоков и взаимных платежей за поставку полуфабрикатов (услуг) внутри технологических процессов для простоты опущены.
Дифференциация направлений деятельности или многопрофильность предприятия, наряду с масштабом производства, являются инструментами снижения рыночного риска или нивелирования влияния случайных факторов внешней
среды (изменение биржевой конъюнктуры, инфляция, политические факторы, стихийные и т.д.). Поэтому величины потоков должны быть заранее регламентированы, их изменение должно происходить системно. Так что в целом систему на рис.1. можно считать детерминированной.
Другое дело - центры ответственности (производственные подразделения отдельных производств) и их локальные
бюджеты: ип,...,Щ2,...и„2. Каждый из
них - это производственная система, «сырье-продукт» со своей управляющей системой, непосредственными взаимосвязями с внешними рыночными структурами (рынки сырья, товаров, услуг, рабочей силы), которые в данном случае выступают как случайные факторы среды, влияние которых нельзя игнорировать (рис 2).
потоков и техно логических переменных Рис 2.Информационные потоки в управляемой производственной системе
Система финансового управления на уровне хозяйствующего субъекта неотделима от управления материальными
потоками, модельными отображениями которых является схема информационных потоков в управляемой производст-
венной системе. Даже поверхностный анализ схемы на рис 2 демонстрирует значительное усложнение характера взаимосвязей между элементами системы по сравнению с моделью на рис.1. (Добавим ещё негласно подразумеваемый динамический фактор: управление в реальном режиме времени.) Отсюда понятно стремление топ-менеджмента подключать средства информационных технологий (системы поддержки принятия управленческих решений) в общую технологию управления производством. Внедрение и использование систем управленческого учета на основе информационно-аналитических программных продуктов становится частым явлением на российских предприятиях. Автоматизированная система управленческого учета, исследуя затраты и доходы отдельных подразделений предприятия, способствует рациональному использованию средств внутри технологических производственных цепочек.
Для анализа деятельности центров ответственности устанавливаются аналитические показатели производственной деятельности, которые измеряются в денежном выражении. Выбор этих показателей должен отражать действительные затраты, производимые в реальном времени, и должен существовать набор правил, который по изменению значений этих показателей позволяет определять менеджерам выбор управления, приводящего производственную систему к оптимальному режиму.
Другой аспект аналитических исследований деятельности центров ответственности в следующем. Заинтересованными в отслеживании динамики ключевых показателей, относящихся к деятельности центов ответственности, оказываются акционеры. Действительно, постановка во главу угла для оценки успешности предприятия краткосрочных показателей, таких как, прибыль на акцию, рентабельность собственного капи-
тала, может привести к «выжиманию соков» из компании и её финансовой несостоятельности в будущем. Поэтому наиболее адекватным показателем, по-нашему мнению, является стоимость компании. При управлении стоимостью компании можно выделить две группы факторов: первая группа факторы, не подлежащие воздействию менеджмента (факторы внешней среды), вторая-совокупность показателей деятельности компании и её отдельных единиц -ключевые показатели. Позитивная динамика (определяющая увеличение стоимости бизнеса) указывает акционерам на эффективность вложений. Необходимо указать, что это определяет и качество менеджмента (наряду с наличием управленческих мероприятий, направленных на нивелирование негативных последствий проявлений неуправляемых факторов внешней среды).
Дадим содержательное описание задачи управления, схема которой изображена на рис 2.
Производственная система «сырье-продукт» наряду с материальными потоками, перерабатывает информационные: технологические входные показатели (сырья, ресурсов, трудозатрат, машиноза-трат и пр.) во входные производственнопродуктовые и финансовые характеристики. Первые из них обязательно подвергаются влиянию случайных факторов среды, нивелировать которые должно корректирующее управление (воздействие) на основе анализа выходных производственных характеристик и анализа внешней конъюктурной динамики.
Для ускорения анализа внутрихозяйственных показателей и обеспечения принятия управленческих решений в режиме реального времени (с учетом корректировки на априорные поправки из собственного неформализуемого опыта лица принимающего решения (ЛИР), показатели укрупняются (агрегируются) и приводятся к стоимостному выражению
(на рис 2. -«экономические параметры показатели»). Среди них выделяются несколько главных (ключевых), которые и определяют текущее финансово-экономическое положение производственной системы. Анализ этих ключевых показателей, наряду с производственной динамикой и рыночной конъюнктурой и служат базой для выработки управленческих решений (воздействий) на входные и внутрипроизводственные параметры.
В связи с такой постановкой задачи возникает следующая проблема. Значения показателей, очевидно, являются отражением качества протекающих процессов, а, следовательно, зависят от значений входных параметров. Изменение значений параметров управления должно определять необходимое менеджменту изменение значений ключевых показателей. Это достигается в том случае, если существует функциональная зависимость между набором управляемых параметров и набором ключевых показателей. Значения неуправляемых параметров в данной функциональной зависимости можно считать фиксированными, известными величинами, на основании которых менеджер будет производить свой выбор. В действительности входные неуправляемые параметры не являются строго детерминированными.
Причинами этого является то, что
1) точно определить неуправляемые параметры в некоторых случаях не представляется возможным физически;
2) часть параметров имеет характер случайных величин (процессов). Например, случайно время задержки при передачи полуфабрикатов из одного производственного подразделения в другое, случайны величины затрат на нейтрализацию брака при проведении выборочного контроля на промежуточных этапах производства и т.д.
Таким образом, в описательной модели входные параметры для большей адекватности реальному положению дел
будем считать случайными. Высокие дисперсии этих случайных величин может определять неуправляемость набора ключевых показателей. Следовательно, система ключевых показателей должна строиться таким образом, чтобы на различных режимах работы производственных подразделений (центров ответственности) выбор управления позволял адекватно оптимизировать процесс.
Постановка задачи
Актуальной становится следующая задача. В рассматриваемой системе управленческого учета необходимо построить модель, позволяющую изучать зависимость изменения ключевых показателей от изменения параметров управления в условиях флуктуации параметров производственной системы. Если влияние флуктуации существенно и изменение параметров управления слабо коррелирует с ожидаемым менеджером в таких условиях изменением ключевых показателей, то можно сделать вывод либо о неверном выборе режима управления, либо о выборе неадекватных ключевых показателей.
Решение задачи
Формализуем задачу. Рассмотрим процедуру получения набора ключевых показателей центром ответственности. Пусть Е;=(к;,у;)=Е;(и;,у;-1,Х;)-вектор-функ-ция, аргументами которой являются и - параметры управления, у¡-1 - технологические параметры, передаваемые из технологически связанных центров ответственности, хг производственные параметры данного центра ответственности. Здесь уг- технологические параметры, передаваемые из данного центра ответственности к другим центрам, кг- - набор ключевых показателей, связанных с деятельностью изучаемого центра ответственности.
Построение функциональных зависимостей для каждого центра ответственности является сложными задачами, которым должны предшествовать длительные исследования, проведение которых сводит эффективность рассматриваемого подхода к нулю. Для решения этой проблемы будем применять нейро-сетевые технологии.
Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют экономические процессы, ассоциируемые с процессами человеческого мозга. Эти структуры представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем является искусственный нейрон, названный по аналогии с биологическим прототипом. Математическая модель нейрона описывается соотношениями
п
^ = 2 +ь,
к=1
у = /,
где ^к-веса, значения которых находятся специально для решения конкретной задачи, Означение смещения, ^-результат суммирования, Хк-компонента входного сигнала, у-выходной сигнал, п-число входов, / - нелинейное преобразование (так называемая функция активации). Искусственная нейронная сеть это набор нейронов, соединенных между собой. Часть входов нейронов помечены как внешние входы сети (в нашей задачи на них будут подаваться значения переменных для функции ^г), некоторые выходы - как внешние выходы (значения вектор функции Г). Подавая набор числовых параметров на входы сети, мы получаем какой-то набор на выходах. Таким образом, искусственная нейронная сеть есть преобразователь входного вектора Х в вы-
ходной У, причем это преобразование задается весами сети. Процесс задания ве-сов-обучение сети описывается следующим образом. В процессе функционирования нейронная сеть формирует выходной сигнал У в соответствии с входным сигналом Х, реализуя некоторую функцию G: Y=G(X). Обучение состоит в поиске (синтезе) функции G, близкой к искомой функции Б, в смысле некоторой функции ошибки, определяемой на заданных парах входно-выходных данных (Х1^1),..., (ХкДк). Эта последовательность - множество обучающих примеров. Задание правила вычисления ошибки превращает процесс обучения нейронной сети в задачу многомерной оптимизации высокой размерности, при этом, так как функция ошибки имеет произвольный вид, то обучение в общем случае - невыпуклая задача оптимизации.
Теорема о полноте. Любая непрерывная функция на замкнутом ограниченном множестве может быть равномерно приближена функциями, вычисляемыми нейронными сетями, если функция активации нейрона дважды непрерывно дифференцируема.
Таким образом, использование для реализации необходимой нам функции (кьуО=Б1(иьум,хО нейронной сети позволяет с одной стороны, избежать длительного исследования технико-экономических свойств производственных операций, относящихся к одному центру ответственности, с другой стороны по уже известным из существующего документооборота управленческого учета данных (определяющих необходимые нам обучающих примеров) построить адекватную аппроксимирующую функцию ^¿.
Структурная схема модели приведена на рис. 3.
Рис.3. Пример нейросетевой модели управления ключевыми параметрами производственной системы
Для изучения свойств системы ключевых показателей к применим следующий метод.
На входы обученных сетей многократно подаем векторы у1(О), x1(j), Х2(о),.Хк(о), Ul(j), Щ0), ...щО), где О номер генерации. В каждой генерации значения некоторых выделенные входных векторов модифицируем, имитируя случайное аддитивное искажение с заданным распределением. В результате многократных генераций получаем совокупность значений ключевых показателей. Производим смену управления, которое предполагается для изменения (оптимизации) ключе-
вых показателей. Производим многократные генерации, с заданными распределениями искажений. Проверяем статистическую гипотезу об однородности двух совокупностей ключевых показателей - совокупности, полученной до смены управления и после. Если гипотеза подтверждается хотя бы на одной паре совокупностей управлений - то получаем, что система показателей неадекватна.
Подобная исследовательская система позволит анализировать системы управленческого учета и влиять на качество управления производственным объектом.
POSSIBILITIES OF NEURONETS MODELING FOR IMPROVEMENT OF MANAGEMENT ACCOUNT IN SYSTEM BUDGET OF COMPANY
A. Ilchenko, D. Korovin
The role of neuronets modeling in system analysis of management account budget of company in multiple-discipline enterprises is considered in the article.
