Определение горизонта расчётов при моделировании инновационного проекта
Автор: Мохов Вениамин Геннадьевич, Стаханов Кирилл Станиславович
Рубрика: Управление инвестициями и инновационной деятельностью
Статья в выпуске: 4 т.10, 2016 года.
Бесплатный доступ
Статья посвящена проблемам интеллектуального анализа данных. Разработан алгоритм моделирования производственной деятельности промышленного предприятия. В качестве модели использована модифицированная производственная функция Кобба-Дугласа, учитывающая высокую материалоемкость промышленного производства и автономный технический прогресс, нейтральный по Хиксу. Моделирование проведено с использованием языка программирования «R» с корректировкой коэффициентов с учетом эффекта мультиколлинеарности с помощью механизма ридж-регрессии. Предложен авторский метод оценки инновационной активности промышленного предприятия при внедрении инвестиционного проекта на основе расчета интегральной динамики показателей эластичности производства, полученных в процессе моделирования. Обосновано, что предложенный метод учитывает специфику инновационного проекта и его автономное влияние на конечные результаты производства промышленного предприятия. Решена методологическая проблема определения горизонта моделирования операционной деятельности промышленного предприятия при оценке его инновационной активности в результате внедрения инновационного проекта, который связан с моментом перехода чистого денежного потока от результатов проекта в положительную зону. Разработанный метод апробирован на данных ОАО «ЧТПЗ» при внедрении инновационного проекта «Высота-239».
Интеллектуальный анализ данных, производственная функция, горизонт расчетов, инновационная активность
Короткий адрес: https://sciup.org/147156305
IDR: 147156305 | DOI: 10.14529/em160406
Текст научной статьи Определение горизонта расчётов при моделировании инновационного проекта
Массовая компьютеризация и развитие средств и методов хранения информации, которую генерирует человек в процессе своей повседневной и профессиональной деятельности, привели к лавинообразному росту ее объемов. Ежедневно бизнес, медицина, наука, государственные органы, СМИ продуцируют гигантские массивы информации, которая накапливается, хранится, передается по сетям и воспроизводится по всему миру. Ее широкое распространение, массовая доступность и регулярно растущие объемы позволяют называть нашу эпоху информационным веком [1].
В этих условиях обработка и анализ ежедневно увеличивающихся объемов информации становятся наиболее насущной и актуальной проблемой для всех отраслей общественной жизни. Необходимо не просто накапливать данные, но и находить в них новые тенденции и взаимосвязи, извлекать из больших наборов информации новые знания и принимать на их основе эффективные решения. При этом процесс анализа уже невозможно проводить вручную, он должен быть максимально автоматизирован и построен на понятных алгоритмах. Указанные предпосылки привели к зарождению перспективной и активно развивающейся области науки, находящейся на стыке нескольких отраслей (компьютерной инженерии, машинного обучения, математической статистики и моделирования, технологий искусственного интеллекта) – интеллектуального анализа данных (в зарубежной литературе – data mining). Согласно общепринятому в литературе определению, интеллектуальный анализ данных – это процесс обнаружения новых значимых корреляций, закономерностей и тенденций путем исследования больших объемов данных с использованием технологий распознавания образов, а также статистических и математических методов [2].
Возникнув в 1960-х годах с разработки примитивных баз данных, на современном этапе интеллектуальный анализ данных как научное направление выработал глубокую методологическую базу и широкий прикладной инструментарий для решения задачи получения новых знаний из набора разрозненной информации. Исследователи, посвятившие свои труды развитию методологии анализа данных (Г. Пятецкий-Шапиро, А.А. Барсегян, У. Фаяд, Д. Хан и другие), разработали широкий набор инструментов, которые позволяют находить различные зависимости в разнообразии информации и могут быть использованы для последующего принятия решений. Для представления получен- ных в ходе интеллектуального анализа данных знаний служат модели. Наиболее распространенными являются: правила, деревья решений, кластеры и математические функции [3]. Виды моделей зависят от методов, которые используются для их построения, а также от задач, которые планируется решать с помощью полученной модели. Классификация моделей представлена в таблице.
Решение описательных задач позволяет лучше понять анализируемые данные и обнаружить новые закономерности. Предиктивные (предсказательные) задачи решаются в два этапа: на первом этапе на основе уже известных значений параметров строится модель их зависимости, на втором этапе полученная модель используется для предсказания с использованием нового набора данных [3]. Решение данных задач опирается на широкое применение математического аппарата и компьютерных технологий, а полученные результаты могут использоваться при принятии различных управленческих решений.
Классификация моделей интеллектуального анализа данных
Описательные модели |
Предсказательные модели |
1. Поиск ассоциативных правил или паттернов |
1. Модели классификации |
2. Кластеризация, группировка объектов |
2. Анализ временных рядов |
3. Корреляционно-регрессионный анализ |
Для обнаружения новых знаний в массивах данных недостаточно применить выбранную модель или метод. Процесс анализа данных, независимо от используемого метода и уровня автоматизации, можно разбить на 6 основных этапов (см. рисунок) [3, 4].
Существующие методы интеллектуального анализа данных универсальны и обладают широким разнообразием, что позволяет с успехом использовать их в совершенно различных областях – интернет-технологии и телекоммуникации, торговля и промышленное производство, медицина и наука, банковское дело и страхование.
Рассмотрим пример применения одного из методов решения задач анализа данных – корреляционно-регрессионного анализа на реальных данных по промышленному предприятию Челябинской области. В качестве объекта исследования выбран проекта цеха «Высота-239» ОАО «ЧТПЗ», предметом исследования является уровень инновационной активности предприятия в процессе реализации данного проекта и его влияние на результирующие показатели экономической деятельности.
Любой производственный процесс предполагает определенный способ комбинации различных ресурсов и технологий с целью производства продукта, который будет пользоваться спросом на рынке. Ключевой задачей является поиск оптимального сочетания факторов производства, которое позволит максимизировать выпуск товара при минимизации затрат. При этом рыночная конку-

Этапы интеллектуального анализа данных
ренция и прогрессивное развитие технологий требуют от производителя непрерывной оптимизации процессов, внедрения улучшений и инноваций, которые меняют структуру капитала предприятия и, соответственно, влияют на оптимальное сочетание факторов производства. Поэтому одной из важнейших задач менеджмента является оценка эффекта, который принес уже реализованный инновационный проект, а также экстраполяция полученных знаний на будущие проекты.
В качестве основы для построения модели (математической функции) использована производственная функция Кобба-Дугласа. Данная функция является двухфакторной моделью, отражающей зависимость объема выпуска от создающих его факторов производства (труда и капитала).
Поскольку объектом анализа выступает цех металлургического предприятия, процесс производства на котором является в первую очередь материалоемким (доля стоимости листового проката, который подвергается переделу в процессе производства, в общей себестоимости продукта может достигать 70-80 %), базовая функция дополнена переменной - количеством оборотных средств. В связи с тем, что предметом анализа является инновационная активность предприятия, в функции также следует учесть влияние автономного технического прогресса нейтрального по Хиксу. В результате итоговая функция моделирования производства примет вид [5]:
CP = А • LCF a • FA e • CA Y • e2t , (1) где CP - товарная продукция, тыс. руб./год; LCF - фонд оплаты труда, тыс. руб/год; FA -объём основных производственных фондов, тыс. руб.; CA - оборотные средства, тыс. руб./год; A -эмпирически определяемый коэффициент, обеспечивающий сопряжение размерности левой и правой части и одновременно выполняющий роль масштабного переводного множителя между всеми компонентами формулы (1); а , в , Y - коэффициенты эластичности выпуска продукции по соответствующему ресурсу, безразм.; e - основание натурального логарифма; 2 - коэффициент эластичности, показывающий влияние автономного технического прогресса на результаты производства, безразм.; t - время, нормированное относительно базового года, год, (t , = Tt — Tb).
Автоматизированный анализ данных проведен с помощью инструментов языка программирования R (оболочка RStudio). Набором данных, на основании которых проведен анализ, является выборка из бухгалтерской отчетности предприятия. В процессе подготовки данных к автоматизированному анализу данные необходимо очистить от влияния инфляционной составляющей и привести к единым ценам базового года с помощью индекса-дефлятора цен производителей обрабатывающих производств. После этого данные сохраняют- ся в формате .csv для последующей загрузки и обработки в среде языка R.
Параметры производственных функций A, а, в, Y, 2 , в наиболее общем виде, находятся на основе ретроспективных данных о CP, LCF, FA, CA, t с применением методов корреляционно-регрессионного анализа, в частности, метода наименьших квадратов (МНК). Для устранения эффекта мультиколлинеарности используем метод ридж-регрессии (МНК со штрафом).
Для оценки инновационной активности промышленного предприятия строятся две модели типа (1) за m лет до внедрения инновационного проекта и за период m лет после его реализации (продолжительность периода зависит от характера инновационного проекта). Разность результирующих показателей производства kCP = СР , — CPi+1 является результатом от внедрения конкретного инновационного проекта.
Инновационная активность предприятия (7Л), применительно к данному инвестиционному проекту, оценивается по сумме динамики показателей эластичности производства за анализируемый период производства [5]:
IA = («i+i — «Э + (pi+i — Рд + (Yi+i — Yi) + + ( 2 i+i - 2 J"
Одним из ключевых вопросов в процессе анализа и оценки инновационной активности является определение горизонта расчетов m .
Традиционно оценка предстоящих затрат и результатов при определении эффективности инвестиционного проекта осуществляется в пределах расчетного периода, продолжительность которого (горизонт расчета) принимается с учетом:
-
• продолжительности создания, эксплуатации и (при необходимости) ликвидации объекта;
-
• средневзвешенного нормативного срока службы основного технологического оборудования;
-
• достижения заданных характеристик прибыли (массы и/или нормы прибыли и т. д.);
-
• требований инвестора.
Однако при реализации крупных промышленных инновационных проектов минимальное соотношение сроков создания (3-5 лет) и последующей эксплуатации (до 50 лет) новых мощностей не позволяют использовать их в качестве критерия для определения горизонта расчетов. При этом при внедрении инновационных решений важно оценить их влияние на структуру капитала предприятия в течение сравнительно короткого промежутка времени с момента начала эксплуатации, так как в последующие 3-5 лет конкуренты достигнут аналогичного технологического и организационного уровня, что скажется на результирующих показателях деятельности объекта исследования. В связи с описанными выше условиями наиболее адекватным критерием определения горизонта расчетов представляется момент перехода чистого денежного потока от результатов проекта в положительную зону, который при прочих равных условиях составляет от 3 до 7 лет для различных по характеристикам проектов, что сопоставимо с продолжительность инвестиционной стадии проекта и позволяет строить качественные модели оценки инновационной активности.
Для проекта «Высота-239» горизонт расчета составил 3 года. Анализ данных бухгалтерской отчетности (по квартальным данным) и оценка динамики коэффициентов эластичности функции дали следующий результат [5]:
IA = (-0,12 - 0,39) + (-0,06 - (-2,40)) +
+ (0,60 - 0,15) + (0,01 - 0,02) = 2,27.
Полученный коэффициент IA характеризует изменение инновационной активности предприятия и влияние реализации проекта на результирующие показатели деятельности предприятия в целом. Реализация проекта «Высота-239» оказало положительное влияние на инвестиционную активность ОАО «ЧТПЗ», увеличив ее значение на 227%, что позволяет оценить реализованный проект как безусловно успешный. Вывод о том, что именно проект «Высота-239» оказал такое влияние на конечные результаты производства ОАО «ЧТПЗ» свидетельствует предложенный метод оценки, в котором сравнение итогов реализации проекта проводится с данными до его внедрения.
Предложенный метод оценки инновационной активности предприятия рекомендуется промышленным предприятиям для использования в качестве ключевого показателя эффективности деятельности менеджмента компании, а также целевого коэффициента при прогнозировании результатов инвестиционных проектов, находящихся в предпроектной стадии.
Список литературы Определение горизонта расчётов при моделировании инновационного проекта
- Han Jiawei, Micheline Kamber, Jian Pei. Data mining: concepts and techniques. -3 ed. -Morgan Kaufmann, 2012. -1 р.
- Larose Daniel T., Chantal D. Larose. Discovering knowledge in data: an introduction to data mining. -2 ed. -John Wiley & Sons, 2014. -23 р.
- Барсегян, А.А. Анализ данных и процессов: учебное пособие/А.А. Барсегян, М.С. Куприянов, И.И. Холод и др. -3-е изд., перераб. и доп. -СПб.: БХВ-Петербург, 2009. -91 с.
- Cross Industry Standard Process for Data Mining, CRISP-DM 1.0 Step-by-step data mining guide (2000). -https://the-modeling-agency.com/crisp-dm.pdf. -10 p.
- Мохов, В.Г. Корпоративный форсайт и оценка инновационной активности промышленного предприятия/В.Г. Мохов, К.С. Стаханов//Вестник ЮУрГУ. Серия «Экономика и менеджмент». -2015. -Т. 9, № 3. -С. 61-67.