Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта

Многоотраслевая корпорация (холдинг) рассматривается нами как система, состоящая из взаимодействующих элементов — предприятий логистически взаимосвязанных информационными, финансовыми и материальными (товарными) потоками. При этом объединение разнородных предприятий в многоотраслевую корпорацию обеспечивает системный эффект, состоящий в том, что прибыль и экономическая устойчивость корпорации в целом существенно превосходят сумму прибылей и экономическую устойчивость входящих в нее предприятий в условиях их работы вне корпорации.

При этом роль и функциональное назначение различных предприятий в составе корпорации различна. Некоторые из этих предприятий относительно автономны и в принципе могли бы работать и вне корпорации, но в составе нее работают в более комфортных финансово-экономических условиях и этим оправдано их вхождение в корпорацию. Другие предприятия существенно зависят от смежников в своей деятельности и целесообразность их объединения в составе корпорации вполне очевидна, т.к. существенно уменьшает транзакционные издержки и повышает эффективность управления ими. Но есть в составе корпорации и предприятия, обеспечивающие общесистемные инфраструктурные функции, т. е. работающие на корпорацию в целом. Казалось бы, сами по себе эти предприятия для внешнего потребителя ничего не производят и не дают прибыли за счет реализации их продукта на внешнем для корпорации рынке, но без них внутренняя среда корпорации существенно нарушилась бы и другие предприятия входящие в нее оказались бы в значительно худших условиях работы и их прибыль уменьшилась бы. Более того, некоторые из предприятий, успешно работающих в составе корпорации, без этих инфраструктурных предприятий вообще не смогли бы существовать в условиях жесткой конкуренции. Конечно, смысл существования таких инфраструктурных предприятий вне корпорации теряется и вне нее они существовать не могут (аутсортинг функций управления, т. е. внешних управляющих компаний мы не рассматриваем, т.к. корпорации имеют собственную инфраструктуру управления). Формально будучи убыточными, «дотационными», если их рассматривать локально, вне корпорации, эти инфраструктурные предприятия вносят большой, а может быть и решающий вклад в общесистемный эффект корпорации в целом, на много превосходящий их «убыточность», и этим оправдано их существование.

При принятии управляющих решений руководство корпорации основывается на поставленных целях, анализе состояния внешней и внутренней среды корпорации, а также на прогнозах ее развития. Таким образом, для руководства корпорацией очень важно иметь в своем распоряжении удобный для рядовых конечных пользователей и надежный инструмент прогнозирования, дающий прогнозы высокой достоверности. Подобный инструмент мог бы войти как подсистема в состав комплексной системы управления корпорацией, создание, поддержка, развитие и эксплуатация которой является одной из основных функций инфраструктурных предприятий корпорации. Однако в научной литературе в основном освещен вопрос стратегического планирования развития корпорации [1], и практически не рассматривается краткосрочное (оперативное) прогнозирование значений и динамики ее основных экономических показателей.

В настоящее время создание удобного для экономистов и надежного инструмента краткосрочного (оперативного) прогнозирования значений и динамики экономических показателей корпорации, дающего прогнозы высокой достоверности, является как научной, так и практической проблемой, поиск решений которой весьма актуален. Цель данной работы состоит в создании методики оперативного (на пол-года вперед) прогнозирования значений экономических показателей многоотраслевой корпорации.

В данной работе мы рассмотрим новый, ранее не применявшийся подход к решению поставленной проблемы и достижению поставленной цели, основанный на применении системно-когнитивного анализа (АСК-анализа) и его программного инструментария: интеллектуальной системы «Эйдос» [2, 3].

В работе [2] предложены следующие этапы АСК-анализа предметной области:

• 1. Когнитивная структуризация предметной области, при которой определяется, что мы хотим прогнозировать и на основе чего (конструирование классификационных и описательных шкал).
• 2. Формализация предметной области:
  • — разработка градаций классификационных и описательных шкал (номинального, порядкового и числового типа);
  • — использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исходных данных (исследуемой выборки).
• 3. Синтез и верификация (оценка степени адекватности) модели.
• 4. Если модель адекватна, то ее использование для решения задач идентификации, прогнозирования и принятия решений, а также для исследования моделируемой предметной области.

Рассмотрим предлагаемый вариант реализации этих этапов.

1. Когнитивная структуризация предметной области.

На этом этапе было решено, что разрабатываемая методика должна обеспечивать прогнозирование значений следующих показателей холдинга в целом на 2 квартала вперед по отношению к текущему состоянию (таблица 1):

Таблица 1. Классификационные шкалы.

Прогнозирование предлагается осуществлять на основе значений тех же показателей по предприятиям, входящим в корпорацию, за текущий квартал и все кварталы предыдущего года (таблица 2):

Таблица 2. Описательные шкалы.

Таблица 3. Исходные данные для синтеза модели объекта прогнозирования (фрагмент) В таблице 3 приведен фрагмент исходных данных, использованных для синтеза формальной модели объекта прогнозирования. Фактически в исследуемой выборке присутствуют данные по большему числу предприятий и за больший период времени: с 2000 по 2009 годы.

Эти исходные данные сведены в одну таблицу из большого числа файлов с данными по отдельным предприятиям корпорации с помощью специально созданной для этого программы, скриншот главного меню которой приведен на рисунке 1:

Рисунок 1. Экранная форма меню программы объединения исходных баз данных Данная программа представляет собой развитие программы, используемых для подобных целей в [4].

Затем исходные данные были приведены к виду, удобному для выявления причинно-следственных зависимостей между прошлыми значениями показателей предприятий корпорации и будущими значениями показателей корпорации в целом (таблица 4):

Таблица 4. Принцип организации таблицы исходных данных для синтеза модели прогнозирования Это было сделано средствами MS Excel, но в будущем планируется разработать режимы, автоматизирующие создание этих баз данных (см. режимы 6 и 7 на рисунке 1).

В таблице 4 вторая и третья строки содержат информацию о классах, соответствующих будущим состояниям многоотраслевой корпорации в следующем квартале и через квартал, а последующие строки — информацию о факторах и их значениях, оказывающих причинно-следственное воздействие на развитие корпорации. Столбцы таблицы 4, содержат данные за различные кварталы и являются объектами исследуемой выборки, которые приводятся системе в качестве примеров того, как различные системы многофакторной детерминации обусловили переход корпорации в различные будущие состояния.

Сама полученная таким образом таблица исходных данных для создания модели прогнозирования значений показателей в данной статье не приводится из-за ее большой размерности (40 столбцов, 341 строка) При этом система детерминации поведения корпорации значительно сложнее системы ее будущих состояний, что говорит о соблюдении закона Уильяма Росса Эшби о необходимом разнообразии, которое является необходимым условием адекватного управления.

Стрелками на таблице 4 фрагментарно проиллюстрирован принцип присвоения данных:

• — для классов, описывающих будущие состояния корпорации в целом, данные берутся из соответствующих столбцов, содержащих фактические данные за последующие кварталы;
• — для факторов, описывающих прошлые состояния предприятий, входящих в корпорацию, данные берутся из соответствующих столбцов, содержащих фактические данные за предыдущие кварталы.
• 2. Формализация предметной области включает:
  • — разработку градаций классификационных и описательных шкал (номинального, порядкового и числового типа);
  • — использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исходных данных (исследуемой выборки).

После подготовки таблицы 4 средствами MS Excel, она записывается из него в стандарте DBF IV, непосредственно воспринимаем универсальным программным интерфейсом системы «Эйдос» с внешними базами данных (_153) (рисунок 2):

Рисунок 2. Экранные формы стандартного программного интерфейса _153 системы «Эйдос» для формализации предметной области Данный программный интерфейс полностью автоматизирует выполнение следующего этапа: «Формализация предметной области». В результате его работы формируются справочники классификационных и описательных шкал и градаций и базы данных обучающей выборки (таблицы 5, 6, 7 и 8).

Таблица 5. Справочник классификационных шкал и градаций.

Символические обозначения типа: 1/5, 2/5, 3/5, 4/5, 5/5 означают, что данная шкала разделена в программном интерфейсе _153 разделена на 5 градаций, соответствующих минимальному (1/5), малому (2/5), среднему (3/5), большому (4/5) и максимальному (5/5) интервальным значениям.

Таблица 6. Справочник описательных шкал и градаций (фрагмент).

Таблица 7. Обучающая выборка: база заголовков.

Таблица 8. Обучающая выборка: база значений факторов (фрагмент).