ДонНТУ   Портал магистров

Дорош Андрей Игоревич

Факультет компьютерных наук и технологий

Кафедра автоматизированных систем управления

Специальность «Информационные управляющие системы и технологии»

Система анализа влияния факторов на производственный процесс предприятия

Научный руководитель: к.т.н., доц. Светличная Виктория Антоновна

Резюме Биография Реферат Библиотека Ссылки Отчет о поиске Индивидуальный раздел

Реферат по теме выпускной работы

Содержание

• Введение
• 1. Актуальность темы
• 2. Цель и задачи исследования, планируемые результаты
• 3. Обзор исследований и разработок
• 4. Использование нейронных сетей для определения взаимозависимости основных факторов при финансовой реструктуризации
• Выводы
• Список источников

Введение

Конкуренция в современной экономической среде все больше становится борьбой не ресурсов, а стратегий, и инвестиции предприятиями все чаще направляются на обеспечение разработки новых методов ведения бизнеса. Все большую роль играют инновационный потенциал предприятия, способность порождать более эффективные стратегии и постоянно развиваться, обновляя свою структуру и ключевые бизнес-процессы.

Стремление к победе в конкурентной борьбе предъявляет новые требования к менеджерам металлургических предприятий: они должны ставить амбициозные, но достижимые цели, формировать видение будущего предприятия и делать его достоянием всех сотрудников, стимулировать поиск и находить новые нетривиальные решения во всех без исключения сферах деятельности.

Следствием этого является объективная необходимость проведения реструктуризации предприятий, применения принципиально новых подходов к управлению, методов планирования и реализации стратегии и тактики производственно-хозяйственной деятельности на основе соответствующих организационном уровне законов и закономерностей.

1. Актуальность темы

Так как реструктуризация – сложный процесс, который имеет большие объемы факторов, влияющих на его протекание, то для анализа влияния различных факторов, контроля протекания и оценки эффективности самого процесса реструктуризации целесообразно применять интеллектуальные системы различного типа.

Таким образом, возникла необходимость обобщения и развития теоретических положений, а также разработки методологических подходов и моделей системы поддержки принятия решений (СППР) при проведении процесса реструктуризации, что определяет актуальность темы исследования, ее теоретическое и практическое значение.

2. Цель и задачи исследования, планируемые результаты

Целью научной работы является разработка компьютерной системы для повышения информативности анализа влияния факторов на производственный процесс предприятия,прогнозирования финансовых результатов и поддержки принятия решения.

Основные задачи исследования:

1. Рассмотреть вопросы реструктуризации предприятия и определить направления для повышения информативности влияния факторов на производственный процесс.
2. Выбрать основные параметры, позволяющие выполнять оценку качества производственного процесса.
3. Спроектировать и разработать компьютерную подсистему.
4. Протестировать работу системы.

Объект исследования: Бизнес-процесс реструктуризации промышленного предприятия металлургического профиля, переживающего финансовые и производственные трудности.

3. Обзор исследований и разработок

Одним из этапов реструктуризации является диагностика предприятия, т.е. анализ экономического состояния, оценка конкурентоспособности производственного потенциала и т.д. Финансовый анализ сосредоточивается на вопросах, связанных с использованием имеющихся у предприятия финансовых ресурсов. Анализируется структура затрат на производство и реализацию продукции по ее отдельным группам, а также рентабельность выпуска отдельных изделий.

Эффективность финансовой реструктуризации предприятий должна оцениваться по критериям роста уровня платежеспособности, укрепления финансовой стабильности и роста чистого денежного потока [1].

Объектом исследования был выбран бизнес-процесс реструктуризации промышленного предприятия металлургического профиля, переживающего финансовые и производственные трудности. При исследованиях была использована ежемесячная реальная статистика финансовой деятельности предприятия. Функциональная модель СППР, разработанная в результате изучения бизнес-процесса реструктуризации приведена на рис.1.

В процессе исследования были выявлены факторы, наиболее влияющие на успешную деятельность предприятия (рис. 2)

В настоящее время существует ряд результирующих показателей, которые характеризуют успешную работу предприятия. Эти показатели, в свою очередь, зависят от целого набора не только финансовых, но и других статистических данных и рассчитываются по ниже перечисленным формулам [1]:

1. Уровень рентабельности активов = (Чистая прибыль / Баланс) * 100%;
2. Коэффициент покрытия общий = Оборотные активы / Текущие обязательства;
3. Коэффициент текущей ликвидности = денежные средства / Текущие обязательства;
4. Коэффициент критической оценки = (Денежные средства + Рыночная стоимость ценных бумаг + Дебиторская задолженность) / Текущие обязательства;
5. Коэффициент автономии = Собственный капитал / Имущество предприятия;
6. Коэффициент долгосрочного привлечения заемных средств = Долгосрочные обязательства / (Долгосрочные обязательства + Собственный капитал);
7. Рентабельность переменного капитала = Общая прибыль / Итог 1 раздела пассива баланса;
8. Рентабельность собственного капитала = Чистая прибыль / Собственный капитал.

Однако на результаты деятельности предприятия влияют и другие показатели (внешние и внутренние), в том числе и случайные факторы. К данным факторам относятся такие показатели как: инфляция, стоимость продукции на мировом рынке, изменение ставки на прибыль, цена продукции на бирже и др. Несмотря на отсутствие в расчетах, их значение на выходные показатели очень значимо. Исследование влияние именно этих факторов является очень важным и интересным.

Для оценки финансового состояния предприятия используются следующие основные показатели: коэффициент покрытия, коэффициент быстрой ликвидности, коэффициент абсолютной ликвидности.

Данные коэффициенты рассчитываются по следующим формулам:

1. Коэффициент покрытия
   
2. Коэффициент быстрой ликвидности
   
3. Коэффициент абсолютной ликвидности
   

где:

А1 – наиболее ликвидные активы;

А2 – активы, которые быстро реализуются;

А3 – активы, которые реализуются медленно;

А4 – активы, которые тяжело реализуются;

П1 – немедленные пассивы;

П2 – краткосрочные пассивы;

П3 – долгосрочные пассивы;

П4 – постоянные пассивы

В ходе исследования влияния внешних факторов на выходные показатели были взяты следующие расчетные данные: стоимость продукции на мировом рынке, цена продукции на бирже.

В процессе функционирования предприятия часто возникают нестандартные, неформализованные ситуации, характерные для кризисных явлений в экономике на современном этапе развития общества, исследование и анализ которых с использованием стандартных статистических и экономико-математических методов и моделей является слишком сложным и недостаточно результативным процессом.

Поэтому целесообразно проводить построение и анализ сложных моделей с использованием нейронных сетей, которые являются сравнительно новыми и весьма перспективными вычислительными технологиями, позволяют использовать новые подходы к изучению динамических задач в области экономических исследований, в частности при процессе реструктуризации.

Искусственные нейронные сети (НС) – математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов [2].

Нейронные сети имеют достаточно широкую область применения. Это задачи распознавания образов и классификация, принятие решений и управление, кластеризация, прогнозирование и аппроксимация, сжатие данных и ассоциативная память.

В научной литературе [3–7] делается акцент на задачах использования нейросетевых технологий для прогнозирования различных экономических показателей. Результаты работы нейронной сети позволяют построить достаточно точные прогнозы развития хозяйственного субъекта.

Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значение и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.

Интерес представляет использование нейросетевых технологий для составления прогноза финансового состояния предприятия.

Чтобы обеспечивать выживаемость предприятия в современных условиях, управленческому персоналу необходимо, прежде всего, уметь реально оценивать финансовые состояния, как своего предприятия, так и существующих потенциальных конкурентов. Финансовое состояние – важнейшая характеристика экономической деятельности предприятия Она определяет конкурентоспособность, потенциал в деловом сотрудничестве, оценивает, в какой степени гарантированы экономические интересы самого предприятия и его партнёров в финансовом и производственном отношении. Однако одного умения реально оценивать финансовое состояние недостаточно для успешного функционирования предприятия и достижения им поставленной цели. Важно уметь делать прогноз развития предприятия на будущее, предвидеть экономическую ситуацию [8–9].

В последние несколько лет на основе нейронных сетей было разработано много программных систем для применения в таких вопросах, как операции на товарном рынке, оценка вероятности банкротства банка, оценка кредитоспособности, контроль за инвестициями, размещение займов. Приложения нейронных сетей охватывают самые разнообразные сферы интересов: распознавание образов, обработка зашумленных данных, дополнение образов, ассоциативный поиск, классификация, оптимизация, прогноз, диагностика, обработка сигналов, абстрагирование, управление процессами, сегментация данных, сжатие информации, сложные отображения, моделирование сложных процессов, машинное зрение, распознавание речи. Смысл использования нейронных сетей в экономике заключается вовсе не в том, чтобы вытеснить традиционные методы. Это лишь еще одно возможное средство для решения задач [10–13].

4. Использование нейронных сетей для определения взаимозависимости основных факторов при финансовой реструктуризации

Одним из наибольших преимуществ нейронных сетей является ее адаптация к динамично изменяющимся параметрам исследуемого процесса возможность переобучения на новых данных.

Для обучения были использованы данные за 2009 год и за первое полугодие 2010 года. В качестве тестируемых данных была использована статистика за второе полугодие 2010 года. В ходе исследования рассматривались различные структуры нейронной сети для достижения наилучшего обучения с последующими точными расчетами. Результаты обучения нейронной сети приведены в таблице 1.

Таблица 1 – Анализ обучения НС

В результате была спроектирована следующая модель нейронной сети с двумя скрытыми слоями (рис. 2).

Первый слой содержит 10 нейронов, которые соответствуют количеству входных факторов:

X1–X8 – входные данные: наиболее ликвидные активы, активы, которые быстро реализуются и т.д.

X9 – цена продукции на бирже

X10 – стоимость продукции на мировом рынке

Второй слой (скрытый) содержит 8 нейронов, третий слой (скрытый) содержит 3 нейрона и четвертый слой (выходной) – 3 нейрона:

Y1 – коэффициент покрытия;

Y2 – коэффициент быстрой ликвидности;

Y3 – коэффициент абсолютной ликвидности

Выводы

В ходе исследования финансовой реструктуризации были выделены факторы, в том числе и случайные, которые непосредственно влияют на итоговый результат финансовой деятельности предприятия. Для оценки влияния различных факторов функционирования предприятия были выделены наиболее важные показатели деятельности предприятия: коэффициент покрытия, коэффициент быстрой ликвидности, коэффициент абсолютной ликвидности.

Магистерская работа посвящена задаче реструктуризации промышленного предприятия с целью улучшения финансовой стабильности и производственного процесса при помощи нейронных сетей.

В рамках проведенных исследований выполнено:

1. Рассмотрены вопросы реструктуризации предприятия и отражены основные направления повышения информативности для анализа влияния факторов на производственный процесс.
2. В результате исследования и анализа технологических процессов в качестве основного объекта выбрана финансовая реструктуризация предприятия.
3. Выбраны основные параметры и математический аппарат, позволяющие выполнять оценку качества производственного процесса

В дальнейшем разработанная модель может быть усложнена за счет введения новых влияющих факторов и использована для анализа результатов изменения их на производственный процесс.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: январь 2013 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

1. Билык М.Д. Сущность и классификация реструктуризации государственных предприятий // Экономист. – 2000. – № 1.
2. Искусственная нейронная сеть. [Электронный ресурс]. – Режим доступа: http://ru.wikipedia.org/wiki/Искусственная_нейронная_сеть.
3. Швиданеко Г.О. Сучасна технологія діагностики фінансово-економічної діяльності підприємства: монографія / Г.О. Швиданеко, О.І. Олексюк. – К. : КНЕУ, 2002. – 192 с.
4. Решетняк Т.В. Комплексная оценка финансовой устойчивости предприятия на основе методов системного экономического анализа / Т.В. Решетняк // Зб. наук. праць за матеріалами міжнародної науково-практичної конференції Методи системного аналізу і моделювання в сучасних економічних системах, м. Кам’янець-Подільский, 1 квітня 2006 р.
5. Решетняк Т.В. Моделювання тенденцій зміни стійкості фінансового стану підприємства / Т.В. Решетняк // Науковізаписки Тернопільського національного педагогічного університету. – 2007. – № 21. – С. 144–149.
6. Решетняк Т.В. Прогнозування прибутку з використання нейромережевих технологій / Т.В. Решетняк // Зб. наук. праць за матеріалами міжнародної науково-практичної конференції Сучасні наукові досягнення – 2006, м. Дніпропетровськ, 20–28 лютого 2006 року.
7. Єлисєєва О.К. Методи та моделі оцінки і прогнозування фінансового стану підприємств: монографія / О.К. Єлисєєва, Т.В. Решетняк. – Краматорськ : ДДМА, 2007. – 208 с.
8. Марголин А.М. Экономическая оценка инвестиционных проектов / А.М. Марголин. – М.: Экономика, 2007. – 255 с.
9. Гольштейн Е.Г. Математический аппарат экономического моделирования/ Е.Г. Гольштейн. – М.: Мир, 1983. – 183 с.
10. Поспелов И.Г. Моделирование экономических структур / И.Г Поспелов. – М.: Логос, 2003. – 319 с.
11. Горбань А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань., Д.А. Россиев. – М.: Альтаир, 1996. – 214 с.
12. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская , М. Пилиньский, Л. Рутковский Л. – М.: Прогресс, 2007. – 412 с.
13. Тархов Д.А. Нейронные сети. Модели и алгоритмы. / Д.А. Тархов. – М.: Прогресс, 2005. – 231 с.