Новости
01.01.2022
Поздравляем Вас с Новым годом и Рождеством!
06.03.2021
Поздравляем с Международным женским днем!
23.02.2021
Поздравляем с Днем защитника Отечества!
Оплата онлайн
При оплате онлайн будет
удержана комиссия 3,5-5,5%








Способ оплаты:

С банковской карты (3,5%)
Сбербанк онлайн (3,5%)
Со счета в Яндекс.Деньгах (5,5%)
Наличными через терминал (3,5%)

ОЦЕНКА ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПРЕДПРИЯТИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Авторы:
Город:
Архангельск
ВУЗ:
Дата:
11 марта 2020г.

Осуществляемые в настоящее время в России экономические реформы возродили интерес к методам оценке и подходам при определении эффективности деятельности предприятия в условиях рыночной экономики. Целью исследования является изучение возможности применения современных методов имитационного моделирования в этой области. В дальнейшем, под эффективностью мы будем понимать соотношение полученного результата (эффекта) и затрат. Эффект отражает конечный результат производства, при этом следует различать экономический и социальный эффекты. Первый характеризует величину произведенных товаров и услуг, а второй – достигнутый уровень благосостояния общества в целом. При этом, несмотря на определенное сходство методик их оценки [1], в данном исследовании основное внимание уделяется экономической составляющей результата производства.

На основе анализа современных научных исследований в области экономики и управления производством при определении соотношения достигнутого результата и понесенных затрат необходимо выделить два основных подхода к формированию оценочных показателей, которые являются основным инструментом для оценки экономической эффективности предприятия [2, 3].

Если первый подход связан с определением математической разности между результатом и затратами, то второй характеризуется тем, что связь между результатами и затратами представляется в виде отношения результатов деятельности к затратам.

Оба этих подхода получили должное признание в экономической науке и широко используются при оценке экономической эффективности. Однако очевидно, что на начальных этапах оценки эффективности деятельности предприятия большее значение имеет первый принцип, а затем, по мере углубления анализа, второй.

Вышеобозначенные подходы к оценке экономической эффективности позволяют, на наш взгляд, сформировать множество различных показателей деятельности предприятия, часть из которых представлена ниже. Тем не мене, с увеличение их числа экспоненциально растет сложность понимания конечных результатов оценки внешними пользователями экономической информации, а, зачастую и управленческим персоналом предприятия. Особенно ярко эта тенденция проявляется в случае разнонаправленной динамики показателей.

В контексте вышесказанного, в ряде научных исследований [2, 3, 4] рекомендуется использовать различные интегральные показатели экономической эффективности деятельности предприятия, построенные на основе ряда частных показателей.

Таким образом возникает задача построения интегрального показателя экономической эффективности, которая предполагает решение двух взаимосвязанных подзадач: 1) выбора экономических показателей; 2) выбора способа агрегирования этих показателей.

Решение первой подзадачи обусловлено знанием пользователя теоретических основ и специфики бизнес-процессов, поставленных перед ним целей и задач исследования.

Способ агрегирования выбранных    показателей    определяется    умением     пользователя    владеть инструментами для анализа экономических данных и современными методами обработки информации.

В исследовании для построения комплексного показателя экономической эффективности деятельности предприятия использовался аппарат самоорганизующихся карт Кохонена, который представляет собой алгоритм обучения искусственной нейронной сети, с помощью которого создается карта, состоящая из определенного числа элементов (нейронов). После обучения каждый нейрон соответствует группе объектов, обладающих сходными признаками. Соответствие между объектами и нейронами в большей или меньшей степени сохраняет топологию пространства входных данных: объекты со сходными признаками соответствуют либо одному и тому же нейрону, либо соседствующим нейронам выходного слоя [5].

Преимуществом использования искусственных нейронных сетей для решения подобных задач является отсутствие изначальной необходимости в каких-либо априорных предположениях о характере исследуемой зависимости и формируемых моделей [6, 7].

С этой целью требовалось определить необходимую совокупность исходных данных, т.е. экономических показателей деятельности предприятий, например, таких как: 1) рост валовой выручки; 2) показатели рентабельности; 3) показатели оборачиваемости; 4) показатели ликвидности; 5) показатели структуры баланса; 5) показатели производительности труда.

Перечисленные выше показатели были рассчитаны для ряда предприятий Архангельской области на основании данных, представленных в средствах массовой информации и, в частности, на сайте Федеральной комиссии по рынку ценных бумаг [8]. В процессе исследовании учитывалось, что анализ перечисленных выше показателей за один год работы предприятия не дает надежной картины его функционирования, поэтому во внимание принимались результаты их работы за несколько лет.

Необходимо, также отметить, что при отборе показателей в обучающее множество использовались субъективные оценки, так как каждый менеджер, оценивая эффективность работы предприятия, имел свой набор показателей, которым он руководствовался при принятии управленческих решений.

Для построения модели оценки экономической эффективности применялась программа Somap Analyzer (Deductor Studio) [9], в которой была создана совокупность гексагональных карт размером 15x15 ячеек, на которых выделены 10 отдельных кластеров, объединяющих предприятия с наиболее близкими показателями деятельности (рис. 1). Среднее число предприятий, попавших в каждую ячейку карты, составило около двух, при этом, несмотря на то, что обучение самоорганизующейся карты имеет целью достигнуть равномерности выходного распределения, из-за случайных выбросов исходных данных образуются пустые ячейки не связанные ни с одним вектором исходных данных.



Топологический слой полученных карт можно представить себе как двумерную решетку, которой нужно так отобразить в N-мерное пространство входов (отдельные показатели эффективности), чтобы по возможности сохранить исходную структуру данных. Таким образом, каждая точка карты представляет собой агрегированную совокупность выбранных ранее показателей экономической эффективности деятельности предприятия.

Однако определение подобным образом текущего значения интегрального показателя не позволило сравнить эффективность деятельности используемых в эксперименте предприятий. Поэтому, для придания самоорганизующимся картам содержательности, на них были нанесены оценки по десятибалльной шкале, характеризующие представления экспертов об эффективности де ятельности предприятий в исследуемом периоде.

При этом для определения уровня согласия мнений экспертов, оценивавших экономическую эффективность деятельности предприятий, был рассчитан коэффициент конкордации (таб. 1).

Таблица 1 Уровень согласия мнений экспертов


Предприятие

Коэффициент конкордации

1

0,83

2

0,74

3

0,78

228

0,81

229

0,85

230

0,76

 Поскольку по всем критериям значение коэффициента конкордации превышает порог в 0,7, можно говорить о достаточной согласованности экспертных оценок, что позволяет использовать их для оценки результатов многофакторного анализа на основе применения метода самоорганизующихся карт (рис. 2).





На рисунке 2 видно, что метки, нанесенные в соответствии с мнением экспертов, не перекрываются, что косвенно свидетельствует о правильности построения модели, и, учитывая степень заполнения маркерами пространства самоорганизующейся карты, можно выделить зоны, характеризующие предприятия с относительно низкой и высокой эффективностью деятельности. Первые сконцентрированы в центральной части карты, включая кластеры 2 и 7 и частично прилегающие к ним кластеры 5, 6 и 10, в то время как вторые находятся в углах представленной карты, объединяя кластеры 1, 3, 4 и 9. Оставшиеся кластеры характеризуются средним уровнем экономической эффективности, занимая промежуточное положение.

Следует подчеркнуть то, что метки были нанесены уже после получения самоорганизующихся карт, а, следовательно, они не могли каким-либо образом повлиять на процесс формирования модели.

Кроме описанной выше возможности отражать текущий уровень экономической эффективности, самоорганизующиеся карты позволяют оценить и его динамику. Для иллюстрации этой возможности на рисунке 2 была построена линия, соединяющая точки, характеризующие эффективность деятельности предприятия в течении трех лет. Линия начинается в 3 кластере, что свидетельствует о достаточно устойчивом начальном положении организации, затем в деятельности предприятия возникают проблемы, и оценка его работы перемещается в 7 кластер, и, наконец, в последнем году сводный показатель эффективности деятельности фирмы попадает в 8 кластер, что позволяет говорить об определенном улучшении работы компании.

Еще одной возможностью наряду с визуальным определением положения организации на карте, являются средние значения коэффициентов эффективности деятельности предприятий, попавших в тот или иной кластер (таб. 2).

Разница между кластерами 7 и 10, объединяющими предприятия с низкой и высокой степенью эффективности соответственно, прослеживается достаточно хорошо. При этом средние значения коэффициентов, характеризующие кластер 10, могут выступать в качестве нормативных значений для определенного круга предприятий, что позволяет менеджменту компании ориентироваться на них в оперативном и стратегическом управлении.

Таблица 2 Средние значения коэффициентов эффективности

Показатель

7 кластер

10 кластер

Рост валовой выручки

1,11

0,11

Общая рентабельность

0,06

0,03

Отдача активов

0,34

1,29

Отдача собственного капитала

0,54

1,55

Коэффициент текущей ликвидности

1,02

1,73

Коэффициент интенсивности

0,34

1,30

Коэффициент прибыльности

0,06

12,60

 

Подводя итоги, можно сказать, что в процессе построения модели с использованием искусственных нейронных сетей были получены положительные результаты, позволяющие говорить о возможности построения на основе рассмотренной модели системы многопараметрической оценки деятельности предприятий, способной повысить качество принимаемых управленческих решений.

В отличие от классических методов, искусственные нейронные сети, и, в частности, самоорганизующиеся карты обеспечивают простую визуализацию данных, навязывают несколько меньшее количество предположений и ограничений и обнаруживают изолированные структуры в данных, оперируя с большим количеством комплексных данных. Поэтому самоорганизующиеся карты представляют большой интерес для исследователей в плане добычи и анализа данных в финансово-экономической области.

В целом необходимо отметить, что представленные в данной работе результаты применения нейронных сетей для решения задач визуализации многомерных данных показали, что нелинейная нейросетевая система может быть обучена так, чтобы выполнять многофакторный анализ, а, значит, работа по созданию системы оценки эффективности деятельности коммерческих предприятий, имеет перспективы и может быть продолжена.

 

Список литературы

 

1. Шекова, Е.Л. Оценка инвестиционных проектов некоммерческих организаций [Электронный ресурс] // Финансовый менеджмент. – №6, 2002. – Режим доступа: http://www.finman.ru/articles/2002/6/646.html

2. Нешитой, А.С. Концептуально-методические основы комплексной оценки эффективности предпринимательской деятельности [Электронный ресурс] // Финансовый менеджмент. – № 4-5, 2002. – Режим доступа: http://www.finman.ru/articles/2002/4/650.html

3.   Готовчиков, И.Ф. Математические методы оценки рейтингов отдельных коммерческих банков и российской банковской системы в целом [Электронный ресурс] // Финансовый менеджмент. – № 6, 2002. – Режим доступа: http://www.finman.ru/articles/2002/6/663.html

4. Хорват, П. Сбалансированная система показателей как средство управления предприятием [Электронный ресурс] // Проблемы теории и практики управления – № 4, 2000. – Раздел доступа: http://ecsocman.hse.ru/text/17871205/

5.    Дебок, Г. Анализ финансовых данных с помощью самоорганизующихся карт / Г. Дебок, Т. Кохонен; пер. с англ. – М.: Издательский дом «Альпина», 2001. – 317 с.

6. Кремер, Н.Ш. Высшая математика для экономистов / Н.Ш. Кремер, Б.А. Путко, И.М. Тришин. – М.: ЮНИТИ-ДАНА, 2015. – 479 с.

7. Кремер, Н.Ш. Теория вероятностей и математическая статистика / Н.Ш. Кремер. – 3-е изд., перераб.и доп. – М.: ЮНИТИ-ДАНА, 2012. – 551 с.

8.   Официальный сайт Федеральной комиссии по ценным бумагам [Электронный ресурс]. – Режим доступа:      http://www.cbr.ru/sbrfr/archive/fsfr/fkcb_ffms/catalog.asp@ob_no=1765.html

9.       Официальный сайт лаборатории BaseGroup [Электронный ресурс]. – Режим   доступа:www.basegroup.ru.