Содержание к диссертации
Введение
Глава 1 Теоретико-методологические основы оценки рисков инвестиционных проектов действующего предприятия промышленности 10
1.1 Теоретико-методологические основы риск-анализа инвестиционных проектов 10
1.2 Методы оценки рисков инвестиций в модернизацию производственных процессов промышленных предприятий 41
Глава 2 Разработка базовых экспертно-аналитических моделей оценки рисков инвестиционных проектов промышленного предприятия 69
2.1 Базовая иерархическая оценки рисков инвестиционных юго предприятия 69
2.2 Иерархия сетевых экспертно-аналитических моделей оценки рисков инвестиционных проектов промышленного предприятия 87
Глава 3 Анализ чувствительности оценок рисков инвестиционных проектов промышленного предприятия 111
3.1 Постановка задачи анализа чувствительности оценок рисков инвестиционных проектов промышленного предприятия 111
3.2 Разработка модели анализа чувствительности оценок рисков инвестиционных проектов промышленного предприятия 120
3.3 Применение неиросетевых технологий для анализа чувствительности оценок рисков инвестиционных проектов промышленного предприятия 134
Заключение 147
Список использованных источников 150
Приложение 163
- Методы оценки рисков инвестиций в модернизацию производственных процессов промышленных предприятий
- Иерархия сетевых экспертно-аналитических моделей оценки рисков инвестиционных проектов промышленного предприятия
- Разработка модели анализа чувствительности оценок рисков инвестиционных проектов промышленного предприятия
- Применение неиросетевых технологий для анализа чувствительности оценок рисков инвестиционных проектов промышленного предприятия
Введение к работе
Актуальность темы исследования. В современных условиях происходящей в России массовой реструктуризации предприятий не только крупного, но и среднего бизнеса, возрастает роль решения проблем их развития в условиях высокой неопределенности, когда, помимо количественных финансовых и экономических факторов, надо учитывать также факторы, не оцениваемые количественно. Речь идет, прежде всего, о необходимости оценки многочисленных факторов риска, сопровождающих реализацию инвестиционных проектов. Имеющиеся методики риск-анализа, в основном, носят чисто качественный характер, либо основаны на производственной статистике, которой по вполне понятным причинам в российской экономике пока недостаточно.
Сложившаяся ситуация в данной сфере экономических знаний обусловливает необходимость обращения к современным эффективным методам системного анализа, к которым, в частности, относятся методы экспертно-аналитического моделирования и прогнозирования, позволяющие сравнивать инвестиционные проекты по целому ряду количественных и качественных факторов. Данные методы в настоящее время уже в достаточной мере освоены экономистами-аналитиками, однако до сих пор отсутствуют методические разработки, которые позволили бы внедрить их в практику топ-менеджеров промышленных предприятий.
Исходя из изложенного, актуальной является задача совершенствования методики оценки рисков инвестиционных проектов промышленного предприятия по модернизации производственных процессов, на основе новейших методов моделирования и прогнозирования. Данная область исследований относится к направлению 4.15 Паспорта специальности 08.00.05 «Развитие методологии анализа, методов оценки, моделирования и прогнозирования инвестиционной деятельности в экономических системах» и направлению 1.4 Паспорта специальности 08.00.13 «Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем».
Степень разработанности проблемы. Вопросы разработки методологии оценки инвестиционных проектов, включая проблемы риск-анализа, рассматривались в работах Е.М.. Блеха, И.М. Волкова, П.Л. Виленского, О.С. Виханского, М.В. Грачевой, Ю.Ю.Екатеринославского, Р.М. Качалова, Г.Б. Клейнера, В.Н. Лившица, Н.П. Тихомирова, А.Б. Секерина, С.А. Смоляка, В.Л. Тамбовцева и др. В области теории подготовки управленческих решений, в том числе экспертными методами, в разрезе исследуемой проблемы представляют интерес работы О.И. Ларичева, Б.Г. Литвака, Дж.А. Миллера, Г. Монтогомери и О. Свенсона, Д. Пейна, Х. Райфа, Б. Руа, Т. Саати, Г. Саймона. В этом ряду следует также указать работы российских авторов по исследованию и созданию интеллектуальных систем и информационных технологий принятия решений А.И. Иоффина, А.С. Любутова, М.А. Потапова, К.А. Пупкова, В.Б. Тихомирова, М.М. Тихомирова, И.Г. Яковлева.
Анализ указанных работ показал, что имеющиеся в них теоретические и методологические положения могут быть использованы при разработке выбранной темы исследования, в то же время научную разработанность методологии оценки рисков инвестиционных проектов действующего промышленного предприятия нельзя признать достаточной. Это обусловило выбор объекта, предмета, целей и задач диссертационного исследования.
Объект исследования – промышленные предприятия, разрабатывающие и реализующие инвестиционные проекты по модернизации производственных процессов.
Предмет исследования – методы и модели оценки рисков инвестиционных проектов промышленного предприятия.
Цель исследования состоит в развитии методов оценки рисков инвестиционных проектов промышленного предприятия по модернизации производственных процессов.
Достижение поставленной цели осуществлялось постановкой и решением следующих основных задач исследования:
- рассмотреть теоретико-методологические основы риск-анализа инвестиционных проектов;
- выполнить анализ существующих методов оценки рисков инвестиционных проектов промышленных предприятий;
- разработать базовые модели оценки рисков инвестиционных проектов промышленного предприятия на основе экспертно-аналитического подхода;
- разработать эконометрические модели и выполнить анализ чувствительности оценок рисков инвестиционных проектов промышленного предприятия;
- предложить инструментарий риск-анализа инвестиционных проектов промышленного предприятия.
Теоретической и методологической основой диссертационного исследования послужили теоретические положения и методологические принципы, содержащиеся в исследованиях отечественных и зарубежных авторов по проблемам риск-анализа и риск-менеджмента, вопросам оценки инвестиционных проектов. В процессе исследования применялся методологический аппарат инвестиционного анализа, методы системного исследования, статистические методы одномерного и многомерного анализа данных, экономико-математические методы моделирования.
Фактологическая база диссертации построена на материалах анализа отечественных и зарубежных публикаций по проблематике исследования, статистических и экспертных данных.
Научная новизна проведенного исследования заключается в развитии методов оценки рисков инвестиционных проектов предприятия промышленности по модернизации производственных процессов на основе экспертно-аналитического и имитационного моделирования, что позволит повысить надежность принимаемых управленческих решений.
Научная новизна подтверждается следующими полученными научными выводами и результатами, выносимыми на защиту.
Специальность 08.00.05 – Экономика и управление народным хозяйством (управление инновациями и инвестиционной деятельностью).
1. В результате сравнительного анализа методов оценки рисков инвестиционных проектов промышленных предприятий установлено, что в условиях высокой неопределенности, сопровождающей инвестирование в модернизацию производственных процессов, на ведущие позиции выходит экспертно-аналитический подход к риск-анализу и риск-менеджменту. Определены направления развития методов оценки рисков инвестиционных проектов промышленных предприятий, включающие разработку базовых моделей риск-анализа на основе методов анализа иерархий и аналитических сетей, разработку эконометрических моделей анализа чувствительности оценок рисков инвестиционных проектов и совершенствование инструментария риск-анализа инвестиционных проектов на основе применения нейросетевых технологий.
2. Разработана базовая, иерархическая модель оценки рисков инвестиционных проектов промышленного предприятия, позволяющая в результате ее наполнения экспертными знаниями получить оценки весов рисков по направлениям инвестиций, с одной стороны, и видов рисков, - с другой. Особенность предложенной базовой модели – в учете как прямого, так и обратного влияния двух основных компонентов иерархии – видов риска и направлений инвестиций, что позволяет повысить надежность экспертных оценок соотношения их приоритетов.
3. Обоснована необходимость применения для риск-анализа инвестиционных проектов более сложных сетевых экспертно-аналитических моделей, позволяющих учесть обратную связь между видами риска и направлениями инвестиций, с одной стороны, и возможную коррелированность отдельных видов риска и направлений инвестиций, с другой. Предложена и апробирована иерархия сетевых экспертно-аналитических моделей, что позволяет формализовать процесс риск-анализа инвестиционных проектов, повысить надежность его результатов.
4. Проведена экспертно-аналитическая оценка чувствительности инвестиционных проектов промышленного предприятия, в ходе которой установлено, что в число наиболее чувствительных факторов риска входят: производственный риск – рейтинг 1 в направлении инвестиций «Выпуск новой продукции» и рейтинг 2 в направлениях инвестиций «Переход на менее затратные технологии» и «Замена оборудования»; социальный риск – рейтинг 2 в направлениях «Выпуск новой продукции» и «Переход на менее затратные технологии»; финансовый риск – рейтинг 3 в направлении «Выпуск новой продукции» и рейтинг 1 в двух других направлениях инвестиций. Обосновано, что при количественной оценке денежных потоков следует обращать особое внимание на эти виды рисков.
Специальность 08.00.13 – Математические и инструментальные методы экономики (математические методы).
1. Разработана методика формирования эмпирической базы для эконометрического и нейросетевого моделирования чувствительности оценок риска инвестиционных проектов. Методика основана на получении имитационных оценок при изменении парных суждений в матрице, созданной экспертами.
2. Показана недостаточность использования для оценки чувствительности инвестиционных проектов моделей множественной линейной регрессии. Создана нейросетевая модель, с помощью которой выявлена принципиальная нелинейность модели чувствительности и произведена оценка эластичности риска проектов по видам основных рисков.
Апробация и реализация результатов исследования. Основные результаты диссертационного исследования обсуждались и были одобрены на конференциях и семинарах различного уровня. Среди них: научно-практические семинары профессорско-преподавательского состава Государственной академии профессиональной переподготовки и повышения квалификации руководящих работников и специалистов инвестиционной сферы (ГАСИС), Всероссийская научно-практическая конференция «Национальные проекты» (Москва, Московский экономический институт, 2007). Методика исследования инвестиционных процессов в малом бизнесе на региональном уровне внедрена в учебный процесс ГОУ ДПО «ГАСИС».
Публикации. По результатам выполненного исследования опубликовано 4 работы. Общий объем публикаций 3,45 п.л.
Объем и структура диссертации. Диссертация содержит 148 страниц основного текста, в том числе 32 рисунка и 26 таблиц, список использованных источников из 158 наименований, приложений. Ниже приводится структура работы.
Методы оценки рисков инвестиций в модернизацию производственных процессов промышленных предприятий
В соответствии с выводами предыдущего раздела, в ближайшей перспективе наиболее распространенной формой инвестиционных процессов российских промышленных предприятий будут инвестиционные проекты по модернизации промышленных предприятий. Прежде чем переходить к изложению методов оценки рисков инвестиций в модернизацию промышленных предприятий, рассмотрим вначале характерные особенности и признаки таких инвестиционных проектов. Общепринято, что модернизация промышленного предприятия означает совершенствование и приведение активной части основных производственных фондов в состояние, соответствующее современному уровню технологических процессов путем конструктивных изменений основных средств (машин, механизмов и оборудования). Очевидно, что проведение модернизации не является самоцелью, речь, как правило, идет о внедрении новой производственной технологии с целью выпуска новой продукции. Исходя из этого, выделим следующие характерные черты инвестиционных проектов по модернизации действующего промышленного предприятия. 1. Конечной целью инвестиционного проекта является получение прибыли за счет производства и реализации выпуска новой продукции на базе внедрения новых производственных технологий. Этим инвестиционные проекты по модернизации предприятия отличаются от проектов по расширению производства, т.е. от проектов, основной целью которых является простое увеличение объема выпуска продукции, производство которой освоено в предшествующий период времени. 2. Составной частью инвестиционных затрат по модернизации предприятия являются затраты на приобретение новшества. Новшества могут оформляться в виде открытий, изобретений, патентов, товарных знаков, рационализаторских предложений, документации на новый или усовершенст вованныи продукт, технологию, управленческий или производственный пр цесс. 3.
Наиболее существенную долю совокупных инвестиционных затр; составляют затраты на приобретение и монтаж нового производственно] оборудования. 4. Имеется ряд производственных процессов, не подвергаемых моде низации, т.е. в ходе выполнения проекта предприятие осуществляет прои водство и реализацию нескольких видов продукции, не связанной с проекте (внепроектная деятельность). 5. Основным источником финансирования проекта являются собстве ные средства предприятия. Частично проект финансируется за счет заемнь средств. Данные характеристики учитывают проанализированные выше ос бенности текущего периода инвестиционной ситуации в реальном секто] российской экономики. График финансирования проекта предусматривает, том числе, использование прибыли предприятия от внепроектной деятельн сти, получаемой в ходе выполнения проекта. Последняя особенность отраж ет то обстоятельство, что в начальной фазе проекта предприятие, как прав ло, не обладает средствами для финансирования всех этапов проекта. 6. Ведущим участником проекта является предприятие. В качестве уч стников проекта могут рассматриваться также поставщики оборудовани предприятие-подрядчик, ведущее необходимые строительно-монтажные р боты, и кредитно-финансовая организация (банк), предоставляющая заемнь средства для финансирования проекта. При этом основные риски проект как правило, принимает на себя предприятие, т.е. основные финансов правовые последствия провала проекта отразятся в первую очередь на пре приятии. 7.
Реализация инвестиционного проекта данного типа, как правило, і предусматривает кардинальных изменений системы управления предприят ем. При этом возможно создание специального структурного подразделения (новый цех, производственный участок и др.). 8. Для реализации проекта возможен дополнительный набор специалистов, но большая доля персонала формируется за счет работников предприятия. Все методы оценки проектных рисков можно разделить на две большие группы - качественные и количественные. Процесс проведения качественного анализа проектных рисков начинается с выявления конкретных видов рисков данного проекта (сравниваемых проектов), их описания и исследования возможных причин возникновения. Эта процедура носит название «идентификация проектных рисков» [25, с.276]. Затем производится стоимостная оценка как возможных последствий ущерба от реализации выявленных рисков, так и антирисковых мероприятий. На этапе идентификации больший приоритет (вес) риска означает большую вероятность его наступления, соответственно, более серьезные последствия для успеха инвестиционного проекта в целом. Ключевым понятием в ходе качественного анализа инвестиционных проектов является понятие его эффективности. В настоящее время основополагающим официальным документом, применяемым в ходе инвестиционного проектирования, являются «Методические рекомендации» [80], в которых дается следующее определение эффективности инвестиционного проекта: эффективность инвестиционного проекта - категория, отражающая соответствие проекта целям и интересам его участников. В [80] рекомендуется оценивать эффективность проекта в целом и эффективность участия в проекте. Эффективность проекта в целом оценивается с целью определения потенциальной привлекательности проекта для возможных участников и поисков источников финансирования. Она включает в себя общественную (соци ально-экономическую) эффективность проекта и коммерческую эффективность проекта.
Показатели общественной эффективности учитывают социально-экономические последствия осуществления проекта для общества в целом, в том числе как непосредственные результаты и затраты проекта, так и «внешние»: затраты и результаты в смежных секторах экономики, экологические, социальные и иные внеэкономические эффекты. Показатели коммерческой эффективности проекта учитывают финансовые последствия его осуществления для единственного участника, реализующего проект, в предположении, что он производит все необходимые для реализации проекта затраты и пользуется всеми его результатами [80 с. 14]. Эффективность участия в проекте определяется с целью проверки реализуемости инвестиционного проекта и заинтересованности в нем всех его участников. Эффективность участия в проекте включает [80, с. 14]: эффективность для предприятий-участников; эффективность инвестирования в акции предприятия (эффективность для акционеров); эффективность участия в проекте структур более высокого уровня по отношению к предприятиям-участникам инвестиционного проекта, в том числе: а) региональную и народнохозяйственную эффективность - для от дельных регионов и народного хозяйства РФ; б) отраслевую эффективность - для отдельных отраслей народного хо зяйства, финансово-промышленных групп, объединений предприятий и хол динговых структур; в) бюджетную эффективность инвестиционного проекта (эффектив ность участия государства в проекте с точки зрения расходов и доходов бюджетов всех уровней).
Иерархия сетевых экспертно-аналитических моделей оценки рисков инвестиционных проектов промышленного предприятия
Усложним теперь иерархическую модель, включив в нее обратную связь между уровнями «виды риска» и «направления инвестиций», а также взаимодействия элементов на этих уровнях - аналитически-сетевая модель. Соответствующая сетевая структура, учитывающая обратную связь и эти взаимодействия, представлена на рисунке 2.8. Цель сети, представленной на рисунке 2.8, та же, что и ранее - оценка рисков направлений инвестирования в модернизацию предприятия пищевой промышленности. Но теперь верхний уровень - виды рисков инвестирования: производственный, инвестиционно-финансовый, рыночный, политический, финансовый, институционально-правовой, социальный, нижний - направления инвестиций: замена оборудования, переход на менее затратные технологии, выпуск новой продукции. Эти уровни образуют два компонента, каждый из которых содержит указанные элементы. Предполагается, что виды риска, как и направления инвестиций, взаимосвязаны. Предполагается также, что не только виды рисков определяют приоритеты направлений инвестир вания, но и направления инвестирования, со своей стороны, обладают р личной степенью характерности для разных видов рисков. Согласно теории аналитических сетей, представленной на рисунке 1 сетевой модели отвечает суперматрица, которая имеет блочную структу (рисунок 2.9).
Каждый столбец в матрице Wy являются главным собственным вектором влияния элементов і-то компонента сети на элементы у-го компонента, при этом нулевые элементы вектора соответствуют элементам, не оказывающим влияния на другие элементы блока. В общем случае сеть рассматривается как система и состоит из компонентов и элементов, которые содержатся в этих компонентах. Влияния, которые оказывают элементы некоторого компонента на другие элементы в системе, представляются векторами приоритетов, полученными на основе парных сравнений (как в МАИ). Взаимные влияния элементов в сети представляются в виде суперматрицы, блоками которой являются матрицы Wy традиционного в МАИ вида, т.е. каждый столбец в матрице Wy представляет собой главный собственный вектор влияния элементов z -го компонента сети на элементы у-го компонента. Но, в отличие от МАИ, в матрице Wy элементам, не оказывающим такого влияния, соответствуют нулевые элементы вектора. При парных сравнениях используются только те элементы компонента, которые имеют соответствующее влияние. Если на нижнем уровне иерархии каждый элемент зависит только от самого себя, то в суперматрицу вводится блок, состоящий из нулей (иногда - единичная матрица; результат будет идентичным). Сетевые модели еще недостаточно широко используются в практике экономического моделирования, поэтому рассмотрим поэтапно суперматрицы, отвечающие усложненной модели - сначала учтем обратную связь (модель МАС-1), затем - дополнительно - корреляцию видов риска, с одной стороны (модель МАС-2) и направлений инвестиций (модель МАС-3), с другой. Четвертая модель - МАС-4 - учитывает и обратную связь, и корреляцию видов риска и направлений инвестиций. 1. Модель МАС-1 (учет обратной связи).
В соответствии с предположением о наличии обратной связи меж компонентами модели, вначале эксперту предлагалось дать ответ на CJ дующие вопросы: 1) какое из четырех направлений инвестиций в большей степени оті чает каждому из видов риска? 2) какой из пяти видов риска является более характерным для даннс направления инвестиций? Ответы на поставленные вопросы оформлены в виде матриц парне сравнения - пять матриц размерностью 4x4 для сравнения направлений г вестиции по каждому виду риска и четыре матрицы размерностью 5x5 р сравнения видов риска по каждому направлению инвестиций. Все процеду парных сравнений проводили в программной среде экспертно-аналитическ системы Expert Decide. Для сокращения изложения ниже приводятся только две из них. Таблицы 2.4 и 2.5 импортированы из рабочего файла программы Expert Decide, но если матрица парных сравнений направлений инвестиций по производственному риску (таблица 2.4) - результат обработки парных суждений экспертов по иерархической модели, представленной на рисунке 2.5, то матрица парных сравнений видов риска по направлений инвестиций «замена оборудования» (таблица 2.5) - результат обработки парных суждений экспертов по иерархической модели, на среднем уровне которой - направления инвестиций, а на нижнем - виды риска (рисунок 2.11). Здесь следует отметить, что иерархическая модель МАИ-2, представленная на рисунке 2.11, также оказалась несложной для экспертов - если редуцированная иерархия МАИ-1, рассмотренная в предыдущем разделе, характеризовалась отношением согласованности ОСИ=0,099, то отношение согласованности для иерархии МАИ-2 даже лучше - 0,057. В таблице 2.6 приведены результаты обработки суждений эксперта по рискам инвестиций в модернизацию производственных процессов на пред приятии пищевой промышленности (все оценки получены в системе Ехре Decide). Сведем полученные результаты в суперматрицу МАС-1, отвечают.) моделированию взаимодействия направлений инвестиций и видов риска и вестирования в модернизацию предприятия пищевой промышленности (ТЕ лица 2.7). Поясним структуру исходной суперматрицы MAC-1. Верхний правый блок - это матрица размером 4x5, отвечающая траї понированной таблице 2.2, по строкам которой - направления инвестиций по столбцам - виды риска. Нижний левый блок - это матрица размером 5) отвечающая таблице 2.6. По ее строкам - виды риска, по столбцам - напр ления инвестиций.
Верхний диагональный блок размером 4x4, содержащ нули, отвечает неучету на данном этапе моделирования взаимодействия і правлений инвестиций. В принципе, вместо нулевой матрицы здесь мож также использовать единичную матрицу. Нижний диагональный блок раза ром 5x5, также содержащий нули, отвечает неучету взаимодействия вщ риска. Эта матрица в данном случае - нулевая, но она может быть и єдині ной. Для нахождения предельной суперматрицы необходимо выполнить условие - исходная суперматрица должны быть стохастичной, т.е. сумма элементов по столбцам должна составлять ровно единицу. В системе Expert Decide это условие не всегда выполняется: сумма приоритетов может быть и 0,999, и 1,000, и 1,001. Поэтому в таблицу 2.7 введены соответствующие к рективы. В математическом плане предельную матрицу удобно вычислять в сі теме MathCAD путем возведения в высокие степени исходной суперматриї В нашем случае - нулевых диагональных матриц - результатом являются і стабильные формы, приведенные на рисунках 2.12 и 2.13. При этом числ; первых четырех столбцах предельной суперматрицы рисунка 2.12 есть щ оритеты направлений инвестиций, а числа в следующих пяти столбцах зі предельной суперматрицы - приоритеты включенных в анализ видов рис Полученные оценки приоритетов направлений инвестиций и видов риска сведем в таблицу 2.8.
В этой же таблице для сравнения приведены результаты, полученные нами ранее по иерархической модели (модель МАИ). Из таблицы 2.8 можно заключить, что учет обратной связи вносит серьезные коррективы в соотношение приоритетов и направлений инвестиций, и видов риска инвестирования в модернизацию предприятия пищевой промышленности: если, согласно иерархической модели, направление «выпуск новой продукции» характеризовалось приоритетом 0,460, то согласно сетевой модели, риск данного направления снизился до 0,381. Еще большие изменения претерпел вектор приоритетов видов риска - если в иерархической модели наибольший вес имел рыночный риск (приоритет 0,467), то с учетом обратной связи наибольший вес приобрел финансовый риск (приоритет 0,264). Можно также отметить, что учет обратной связи привел к некоторому выравниванию весов элементов иерархической модели. Отмеченный факт наглядно отражают профили приоритетов, представленные на рисунке 2.14: если коэффициент вариации приоритета видов рис
Разработка модели анализа чувствительности оценок рисков инвестиционных проектов промышленного предприятия
Это означает, что при увеличении веса рыночного риска на 1 % вес риска направления инвестиций «Замена оборудования» уменьшается на 0,22%. Из этого примера следует, что достаточно проблематично «управлять» величинами изменения значимости тех или иных элементов иерархии. Это -следствие ее принципиальной нелинейности. В этой связи нами предлагается иной подход, который в значительной степени опирается на идею случайности выбора вариантов сочетаний уровней переменных и в котором реализуется идея нейросетевого моделирования. Особенность нейросетевых технологий в том, что при достаточном объеме исходных данных (так называемых «примеров» с известными результатами) с помощью нейросетевых моделей могут быть описаны нелинейные зависимости практически любой сложности [92]. В настоящее время на рынке информационных технологий имеют различные неиросетевые программы, реализующие процедуры моделирої ния с помощью нейронных сетей. Из этого многообразия выгодно выделяв ся система Neural Connection [157], отличающаяся сочетанием прозрачное интерфейса с развитыми функциональными характеристиками.
Система Neural Connection v.2.1 позволяет применять в исследовани четыре типа неиросети и три статистических метода, из которых для решен задач моделирования и прогнозирования чаще всего применяются мної слойный персептрон (MLP от Multi-Layer Perception) и радиальная базисв функция (RBF от Radial Basis Function). Сеть первой структуры может мо; лировать нелинейную функцию практически любой сложности, причем з сложность определяется числом слоев и числом элементов в каждом СЛ( Сети RBF, в свою очередь, имеют ряд преимуществ перед сетями MLP, о гораздо быстрее обучаются, но их недостаток - чувствительность к «прою тию размерности», т.е. при большом числе факторов входа сети возникаї определенные трудности в создании достаточно точной модели. Независимо от структуры нейронной сети, при построении модели щ грамме нужно предъявить так называемые факты (обучающие примеры), і торые представляют собой набор входных факторов и известного результг (выходной величины). Факты представляются в виде электронной таблиг где столбцы - это наборы входных и выходных переменных, а строки - з примеры, т.е. в одном столбце содержится одна переменная, а в одной стрс один обучающий пример. При формировании набора обучающих пример необходимо соблюдать следующее правило: размер таблицы должен сост; лять не менее 10х(т+п) строк, где т - число входных факторов, п - чис выходных факторов. Результатом работы неиросети является не формула настроенная (обученная) нейронная сеть, которая является программой, г записана топология искусственных нейронов, а также веса связей. 119
В соответствии с обычно принятой при нейросетевом моделировании практикой, сети предоставляется для обучения 80% от всего множества фактов, 10% резервируется для проверки правильности настройки модели и 10% - для тестирования. В этом случае можно рассчитывать на достаточно высокие прогностические характеристики нейросетевой модели. Особый интерес в системе Neural Connection представляют два выходных модуля. Один из них позволяет строить графики зависимости значений выходной переменной от уровней входных факторов в виде «сеточных поверхностей», в которых каждому сочетанию уровней входных факторов сопоставлены соответствующие значения выходной переменной, а другой -строить «сечения» трехмерных графиков с целью анализа изменения выходной переменной при изменении входных факторов. Для решения этой задачи служит специальный инструмент - модуль «What If...» - «Что если?». Наличие текстового вывода в этом инструменте позволяет также производить оценивать эластичность выходной переменной по любому входному фактору, что крайне важно в экономических исследованиях. В рассматриваемом случае анализа чувствительности оценок риска мы имеем пять входных и три выходные переменные, и исходная эмпирическая база для нейросетевого моделирования должна содержать около 80 «примеров». Если же применить прием последовательного моделирования, т.е. сначала рассмотреть модель для первого направления инвестиций, затем для второго и третьего, до достаточно располагать 60 «примерами». Учитывая, что размерность матрицы парных сравнений 5x5, результаты сравнений одного эксперта обеспечивают 21 «пример», и при наличии информации от трех-четырех экспертов мы будем иметь необходимое число «примеров». В заключение заметим, что, в принципе, здесь применимы и «классические» методы множественного линейного регрессионного анализа. Вопрос в том, насколько линейное приближение будет адекватным эмпирическим данным. В данном разделе реализуется подход к анализу чувствительности оценок рисков инвестиционных проектов на примере модернизации производственных процессов промышленного предприятия, основанный на экономет-рическом - регрессионном и нейросетевом моделировании. Первым этапом регрессионного и нейросетевого моделирования является формирование эмпирической базы - так называемых «примеров». Как отмечалось в предыдущем разделе, на базе матрицы парных сравнений видов риска размером 5x5 можно составить 21 «пример» с известными исходами -приоритетами рисков направлений инвестиций. Продемонстрируем это на примере матрицы, приведенной в таблице 3.1.
Будем варьировать только те оценки, которые больше единицы. Таких оценок - десять. В таблице 3.3 представлены «примеры», сгенерированные на основе рассматриваемой матрицы парных сравнений. 18 Как в регрессионном, так и в нейросетевом моделировании к входн: и выходным переменным предъявляются определенные требования [39, 92 (1) переменные должны быть измерены по шкале интервалов, отної ний или в абсолютной шкале; (2) распределение переменные должно подчиняться нормальному за: ну; (3) входные переменные не должны коррелировать друг с другом; (4) выборка должна быть однородной (не иметь «выбросов», т.е. э тремально больших или, напротив, малых значений); (5) в регрессионном анализе число «примеров» должно как миним вдвое превышать число входных переменных, называемых в данном слу1 предикторами. Проверим выполнимость перечисленных требований на примере фр мента базы данных, приведенной в таблице 3.3. 1. Первое требование выполнено - все приоритеты (веса) измерень шкале отношений и представляют собой доли единицы (могут быть так выражены в процентах). 3. Как видно из корреляционной матрицы, представленной в таблице 3.4, входные переменные слабо коррелируют друг с другом. С учетом ужесточения, согласно принципу Бонферрони [23], требований к критическому значению статистической значимости коэффициентов корреляции Ркриг=0,05/5=0,01, выделенные курсивом корреляции не могут быть приняты статистически значимыми даже на одностороннем уровне. Тем не менее, поскольку сумма приоритетов рассматриваемых видов рисков равна единице,
Применение неиросетевых технологий для анализа чувствительности оценок рисков инвестиционных проектов промышленного предприятия
Заключительный раздел третьей главы посвящен вопросам применения нейросетевых технологий для анализа чувствительности оценок рисков инвестиционных проектов на примере модернизации производственных процессов предприятия пищевой промышленности. В принципе, поставленная в начале главы задача анализа чувствительности рисков инвестиционных проектов решена - разработаны регрессионные модели, по крайней мере две из которых адекватно отражают зависимость оценок весов риска направлений инвестиций в модернизацию производственных процессов предприятия от вариации оценок весов риска различного вида. В то же время, нейросетевые технологии вносят новые возможности в анализ чувствительности. В частности, большой интерес представляет построение трехмерных графиков, которые позволяют проводить анализ одновременного влияния на выходные переменные двух каких-либо видов рисков, а также инструмент «What If...» -«Что если?», позволяющий строить «сечения» этих трехмерных графиков с целью анализа изменения выходной переменной при изменении входных факторов. Покажем возможности нейросетевых технологий на примере модели оценки риска направления инвестиций «Переход на менее затратные технологии», явный вид которой В этой модели Х\ - вес производственного риска, Х2 - вес инвестиционно-финансового риска и!5- вес социального риска. Первый из них варьирует в интервале 0,14 ... 0,18, второй-в интервале 0,09 ... 0,13 и третий-в интервале 0,06 ... 0,09.
Рассматриваемая модель - трехфакторная, поэтому ее графическое представление не представляется возможным. Можно, однако, построить так называемые «карты уровня», на которых визуализируются сечения пове] ности «отклика» (трехмерного графика зависимости выходной перемени от пары входных переменных) плоскостями равного уровня. С подобні представлением экономисты встречались, анализируя производственн функции Кобба-Дугласа, где эти линии носят названия «изокванты». В плг информационных технологий построение «изоквант», или, в общем пла: линий равного уровня, достаточно просто производится в математическ пакете MathCAD [96]. Однако это нагляднее и проще проводить в пакете нейросетевого мо, лирования Neural Connection 2.1. Кроме того, из того факта, что регрессш ная трехфакторная модель адекватна экспертным данным, еще не следу что не существует нелинейной модели, также адекватной эмпирическим э: пертным данным. С учетом сказанного, нами построена MLP-сеть на основе многосл ного персептрона (Multi-Layer Perceptron) с автоматической настройкой ] раметров - рисунок 3.8. Помимо центрального модуля MLP-1, эта нейрос содержит также входной модуль Input-1, выходные текстовые и графичесі модули - Text-1, Output-1, TSP-1, Graph-1, Whatlf-l, управляющие модулі Filter-1, симулятор Sim-1 (последний модуль введен в состав нейросети і управления входными переменными как в отношении их состава, так и j. выбора участка «просмотра» графиков и диапазона изменения входных ] ременных).
При числе «примеров» 21 имеющийся массив данных достаточен і разделения исходной выборки на обучающую, тестовую и контрольную. соответствии с обычно принятой при нейросетевом моделировании пракг кой, сети предоставлялось для обучения 80% от всего множества фактов,г. 17 фактов, 10% резервировалось для проверки правильности настройки ь дели и 10%о для тестирования - по два факта. Таким образом, в этом слух Действительно, анализ диаграмм фактических и предсказанных нейросетевой моделью значений выходной переменной показал, что сеть, построенная на базе многослойного персептрона, обеспечивает удовлетворительное совпадение экспертных и предсказанных моделью оценок риска направления инвестиций «Переход на менее затратные технологии». Из представленного ниже рисунка 3.9 видно, что экспертные и предсказанные моделью оценки риска достаточно близки друг к другу. Система Neural Connection 2.1 позволяет строить графики зависимости выходной переменной от уровней входных факторов в виде так называемых «сеточных поверхностей», в которых каждому сочетанию уровней входных факторов сопоставлены расчетные значения выходной переменной - в дан ном случае, предсказанная нейросетевой моделью оценка веса риска напр; ления инвестиций «Переход на менее затратные технологии». Входных ф торов риска - три, поэтому полную картину может дать анализ набора трех подобных графиков. Заметим, что в данной системе предусмотрена в можность построения графиков для любых фиксированных значений кaж го из входных факторов. Меняя интервалы значений любых двух других ф; торов, можно «просматривать» по частям всю область изменения показа лей, определяющих инвестиционную привлекательность предприятий.
