ДонГТУ
ст. гр. ЭКМ-07з
Ковалёв Ю. Ю.
г.
Алчевск, 2012
ПРОГНОЗИРОВАНИЯ
ФИНАНСОВО-ХОЗЯЙСТВЕННОЙ
ДЕЯТЕЛЬНОСТИ
ПРЕДПРИЯТИЯ при помощи
НЕЙРО-НЕЧЕТКИХ МОДЕЛЕЙ
В
статье рассмотрены модели прогнозирования финансово хозяйственной деятельности
предприятий на базе нейро-нечетких сетей.
В
современных условиях, когда финансовое положение предприятий зависит от огромного
числа взаимосвязанных факторов, а изменения условий хозяйствования происходят
все чаще для поддержания стабильного состояния и дальнейшего развития современным
предприятиям необходимо постоянно совершенствовать свою деятельность. [1]
Основная цель
проведения анализа –
повышение эффективности
функционирования хозяйствующих субъектов и поиск резервов такого повышения. Для
достижения этой цели проводятся: оценка результатов работы за прошедшие
периоды; разработка процедур оперативного контроля за производственной
деятельностью; выработка мер по предупреждению негативных явлений в
деятельности предприятия и в её финансовых результатах; вскрытие резервов
повышения результативности деятельности [2].
В
отечественной и зарубежной экономической литературе проблемы прогнозирования
финансово-хозяйственной деятельности предприятий достаточно широко рассматриваются
в работах Г. В. Савицкой, А. Д. Шеремета, А. А. Канке, В. В.
Ковалёва, Л.И. Кравченко, М.В.
Мельника, М. И. Баканова, Г.И. Хотинской, Н.Л.
Маренкова и др.
Динамика
его устойчивого роста определяется несколькими относительными критериями -
коэффициентами, характер изменения которых необходимо проанализировать за
прошедший период. [3]
Прогнозирование – это предсказание будущих
событий. Пусть заданы n дискретных
отсчетов {y(t1), y(t2)..., y(tn)}
в последовательные моменты времени t1, t2,..., tn . Тогда
задача прогнозирования состоит в предсказании значения
y(tn+1) в некоторый будущий момент времени tn+1.
Целью прогнозирования является уменьшение риска
при принятии решений. Прогноз
обычно получается ошибочным,
но ошибка зависит
от используемой прогнозирующей системы.
Предоставляя прогнозу больше ресурсов, можно увеличить точность
прогноза и уменьшить
убытки, связанные с неопределенностью при принятии решений.
Типичными приложениями
техники прогноза являются
предсказание цен на
фондовой бирже, прогноз погоды,
прогноз потребления электроэнергии, прогноз отказов технических систем и прочее. [4]
Задача
прогнозирования является частным случаем задачи регрессии, поэтому для её
решения могут быть использованы следующие типы нейронных сетей:
·
многослойный
персептрон,
·
радиально-базисная
сеть (RBF),
·
обобщённо-регрессионная
сеть (GRNN),
·
сеть
Вольтерри,
·
сеть
Эльмана.
В настоящей
работе рассматривается применение
нейронной сети для решения
задачи прогнозирования финансово-хозяйственной
деятельности предприятия.
Исследование будет включать в себя выбор
наиболее подходящих моделей прогнозирования временных рядов с использованием сетей
радиального базиса (RBF) и обобщенно-регрессионных нейронных
сетей (GRNN). Полученные результаты могут быть применены для прогнозирования
финансовой деятельности промышленных предприятий (например, механического
завода) на основе данных финансового анализа.
Прогнозирование предполагается краткосрочным
(приблизительно на один-два месяца вперёд). Для этого потребуется наличие
данных за последние 3-5 лет и более.
Расчет показателя
рентабельности произведем по формуле:
(1)
где П — сумма прибыли от
реализации продукции;
3П – заработная плата;
З – запасы;
НР – накладные расходы [5].
Фрагмент результатов
расчета приведен в таблице 1:
Таблица 1 – расчетный
показатель рентабельности R производства на предприятии
(на примере ООО «Алчевский Механический Завод»)
|
Дата |
R |
|
01.08.2009 |
0.308236737 |
|
01.09.2009 |
0.267694251 |
|
01.10.2009 |
0.267944671 |
|
01.11.2009 |
0.237355664 |
|
01.12.2009 |
0.164768854 |
В качестве инструмента
прогнозирования на базе RBF и GRNN
было выбран пакет Statistica Neural
Networks
Сеть типа радиальной
базисной функции (RBF) имеет промежуточный слой из радиальных
элементов, каждый из которых воспроизводит гауссову поверхность отклика. [6]
Обобщённо-регрессионная нейронная
сеть (GRNN) устроена аналогично вероятностной нейронной сети (PNN) ,но предназначена для
решения задач регрессии, а не классификации. В точку расположения каждого
обучающего наблюдения помещается гауссова функция. GRNN сеть копирует внутрь
себя все обучающие наблюдения и использует их для оценки отклика в произвольной
точке. Окончательная выходная оценка сети получается как взвешенное среднее
выходов по всем обучающим наблюдениям, где величины весов отражают расстояние
от этих наблюдений до той точки, в которой производится оценивание (и, таким
образом, более близкие точки вносят больший вклад в оценку). [6]
В предварительном построении
модели с помощью мастера решений Statistica Neural
Networks в
качестве входной и выходной переменной выбираем рассчитанные коэффициенты
рентабельности R. После выбора всех необходимых параметров
обучения моделей в окне получим таблицу «Результаты» (Рисунок 1):
Рисунок 1 – Таблица
результатов анализа из окна «Результаты»
Данные «Описательных
статистик» для моделей представляют собой таблицу (Рисунок 2):
Рисунок 2 – Описательная статистика для нейронных моделей RBF
и GRNN
в программе
STATISTICA Neural Networks
На основе показателя
«Отношение ст. откл.» [6] была выбрана модель GRNN с такой архитектурой
(Рисунок 3):
Рисунок 3 – Архитектура
сети GRNN
Отразим предсказанные
значения на линейном графике (Рисунок 4).
Рисунок 4 – Прогноз рентабельности предприятия при помощи нейросети GRNN
Для выбранной модели
ошибка на тестовой выборке находится на уровне 13-14%, что является вполне
приемлемым результатом
Полученные результаты
наглядны и информативны, что делает возможным использование предложенных в
статье инструментов на базе обобщённо-регрессионных нейронных сетей для
прогнозирования результатов финансово-хозяйственной деятельности предприятий.
У статті
розглянуті моделі прогнозування фінансово-господарської
діяльності підприємств на базі нейро-нечітких мереж.
In this article the method of constructing a forecasting model financial
and economic activities of enterprises on the basis of neuro-fuzzy networks.
Библиографический
список
1. Журавлев В.В., Савруков Н. Т. Анализ
хозяйственно-финансовой деятельности предприятий. Конспект лекций. - СПб.: Политехника,
2001. - 127 с.
2. Блюмин С.Л.,
Суханов В.Ф., Чеботарёв
С.В. Экономический факторный анализ: Монография. – Липецк:
ЛЭГИ, 2004. – 148 с.
3. Глазунов В.Н. Управление доходом фирмы. //
Финансы. 2001 №8, с.20.
4. О.П.
Солдатова, В.В. Семенов ”Применение нейронных сетей для решения задач
прогнозирования”, СГАУ, 2006.
5.
Савицкая Г.В. Анализ хозяйственной деятельности предприятия. // 7-е
изд., испр. - Мн.: Новое знание, 2002. — 704 с.
6. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа
данных/Под редакцией В.П. Боровикова. – 2-е изд., перераб. и доп. – М.: Горячая
линия – Телеком, 2008 – 392с.