ДонНТУ   Портал магістрів

Дорош Андрій Ігорович

Факультет комп’ютерних наук та технологій

Кафедра автоматизованих систем управління

Спеціальність Інформаційні управляючі системи та технології

Система аналізу впливу факторів на виробничий процес підприємства

Науковий керівник: к.т.н., доц. Світлична Вікторія Антонівна

Резюме Біографія Реферат

Реферат за темою випускної роботи

Зміст

• Вступ
• 1. Актуальність теми
• 2. Мета і задачі дослідження та заплановані результати
• 3. Огляд досліджень та розробок
• 4. Використання нейронних мереж для визначення взаємозалежності основних факторів за фінансової реструктуризації
• Висновки
• Перелік посилань

Вступ

Конкуренція в сучасному економічному середовищі все більше стає боротьбою не ресурсів, а стратегій, і інвестиції підприємствами все частіше направляються на забезпечення розробки нових методів ведення бізнесу. Все більшу роль відіграють інноваційний потенціал підприємства, здатність породжувати більш ефективні стратегії і постійно розвиватися, оновлюючи свою структуру і ключові бізнес-процеси.

Прагнення до перемоги в конкурентній боротьбі висуває нові вимоги до менеджерів металургійних підприємств: вони повинні ставити амбітні, але досяжні цілі, формувати бачення майбутнього підприємства і робити його надбанням всіх співробітників, стимулювати пошук і знаходити нові нетривіальні рішення у всіх без винятку сферах діяльності [1].

Наслідком цього є об’єктивна необхідність проведення реструктуризації підприємств, застосування принципово нових підходів до управління, методів планування та реалізації стратегії і тактики виробничо-господарської діяльності на основі відповідних організаційному рівні законів і закономірностей.

1. Актуальність теми

Так як реструктуризація – складний процес, який має великі обсяги факторів, що впливають на його перебіг, то для аналізу впливу різних факторів, контролю перебігу та оцінки ефективності самого процесу реструктуризації доцільно застосовувати інтелектуальні системи різного типу.

Таким чином, виникла необхідність узагальнення і розвитку теоретичних положень, а також розробки методологічних підходів і моделей системи підтримки прийняття рішень (СППР) при проведенні процесу реструктуризації, що визначає актуальність теми дослідження, її теоретичне і практичне значення.

2. Мета і задачі дослідження та заплановані результати

Метою наукової роботи є розробка комп’ютерної підсистеми для підвищення інформативності аналізу впливу факторів на виробничий процес підприємства, прогнозування фінансових результатів та підтримки прийняття рішення.

Основні задачі дослідження:

1. Розглянути питання реструктуризації підприємства і визначити напрямки для підвищення інформативності впливу факторів на виробничий процес.
2. Вибрати основні параметри, що дозволяють виконувати оцінку якості виробничого процесу.
3. Спроектувати і розробити комп’ютерну підсистему.
4. Протестувати роботу системи.

Об’єкт дослідження: Бізнес-процес реструктуризації промислового підприємства металургійного профілю, що переживає фінансові та виробничі труднощі.

3. Огляд досліджень та розробок

Одним з етапів реструктуризації є діагностика підприємства, тобто аналіз економічного стану, оцінка конкурентоспроможності виробничого потенціалу і т.д. Фінансовий аналіз зосереджується на питаннях, пов’язаних з використанням наявних у підприємства фінансових ресурсів. Аналізується структура витрат на виробництво і реалізацію продукції за її окремим групам, а також рентабельність випуску окремих виробів.

Ефективність фінансової реструктуризації підприємств повинна оцінюватися за критеріями зростання рівня платоспроможності, зміцнення фінансової стабільності і зростання чистого грошового потоку [1].

Об’єктом дослідження був обраний бізнес-процес реструктуризації промислового підприємства металургійного профілю, що переживає фінансові та виробничі труднощі. При дослідженнях була використана щомісячна реальна статистика фінансової діяльності підприємства. Функціональна модель СППР, розроблена в результаті вивчення бізнес-процесу реструктуризації приведена на рис.1.

У процесі дослідження були виявлені фактори, що найбільш впливають на успішну діяльність підприємства (рис. 2)

В даний час існує ряд результуючих показників, які характеризують успішну роботу підприємства. Ці показники, в свою чергу, залежать від цілого набору не тільки фінансових, але й інших статистичних даних і розраховуються за нижче перерахованих формулами [1]:

1. Рівень рентабельності активів = (Чистий прибуток / Баланс) * 100%;
2. Коефіцієнт покриття загальний = Оборотні активи / Поточні зобов’язання;
3. Коефіцієнт поточної ліквідності = Грошові кошти / Поточні зобов’язання;
4. Коефіцієнт критичної оцінки = (Грошові кошти + Ринкова вартість цінних паперів + Дебіторська заборгованість) / Поточні зобов’язання;
5. Коефіцієнт автономії = Власний капітал / Майно підприємства;
6. Коефіцієнт довгострокового залучення позикових коштів = Довгострокові зобов’язання / (Довгострокові зобов’язання + Власний капітал);
7. Рентабельність змінного капіталу = Загальний прибуток / Підсумок 1 розділу пасиву балансу;
8. Рентабельність власного капіталу = Чистий прибуток / Власний капітал

Однак на результати діяльності підприємства впливають і інші показники (зовнішні і внутрішні), в тому числі і випадкові фактори. До даних факторів належать такі показники як: інфляція, вартість продукції на світовому ринку, зміна ставки на прибуток, ціна продукції на біржі та ін Незважаючи на відсутність у розрахунках, їх значення на вихідні показники дуже значимо. Дослідження впливу саме цих факторів є дуже важливим і цікавим.

Для оцінки фінансового стану підприємства використовуються такі основні показники: коефіцієнт покриття, коефіцієнт швидкої ліквідності, коефіцієнт абсолютної ліквідності.

Дані коефіцієнти розраховуються за такими формулами:

1. Коефіцієнт покриття
   
2. Коефіцієнт швидкої ліквідності
   
3. Коефіцієнт абсолютної ліквідності
   

де:

А1 – найбільш ліквідні активи;

А2 – активи, які швидко реалізуються;

А3 – активи, які реалізуються повільно;

А4 – активи, які важко реалізуються;

П1 – негайні пасиви;

П2 – короткострокові пасиви;

П3 – довгострокові пасиви;

П4 – постійні пасиви.

В ході дослідження впливу зовнішніх факторів на вихідні показники були взяті такі розрахункові дані: вартість продукції на світовому ринку, ціна продукції на біржі.

В процесі функціонування підприємства часто виникають нестандартні, неформалізовані ситуації, характерні для кризових явищ в економіці на сучасному етапі розвитку суспільства, дослідження та аналіз яких з використанням стандартних статистичних і економіко-математичних методів і моделей є занадто складним і недостатньо результативним процесом.

Тому доцільно проводити побудову та аналіз складних моделей з використанням нейронних мереж, які є порівняно новими і дуже перспективними обчислювальними технологіями, дозволяють використовувати нові підходи до вивчення динамічних задач в області економічних досліджень, зокрема при процесі реструктуризації.

Штучні нейронні мережі (НС) – математичні моделі, а також їх програмні або апаратні реалізації, побудовані за принципом організації та функціонування біологічних нейронних мереж – мереж нервових клітин живого організму. Після навчання мережа здатна передбачити майбутнє значення якоїсь послідовності на основі декількох попередніх значень і/або якихось існуючих на даний момент чинників [2].

Нейронні мережі мають досить широку область застосування. Це завдання розпізнавання образів і класифікація, прийняття рішень і управління, кластеризація, прогнозування і апроксимація, стиснення даних і асоціативна пам’ять.

У науковій літературі [3–7] робиться акцент на задачах використання нейромережевих технологій для прогнозування різних економічних показників. Результати роботи нейронної мережі дозволяють побудувати досить точні прогнози розвитку господарського суб’єкта.

Здібності нейронної мережі до прогнозування безпосередньо випливають з її здатності до узагальнення і виділенню прихованих залежностей між вхідними та вихідними даними. Після навчання мережа здатна передбачити майбутнє значення якоїсь послідовності на основі декількох попередніх значення і/або якихось існуючих на даний момент чинників. Слід зазначити, що прогнозування можливе тільки тоді, коли попередні зміни дійсно якоюсь мірою зумовлюють майбутні.

Інтерес представляє використання нейромережевих технологій для складання прогнозу фінансового стану підприємства.

Щоб забезпечувати виживання підприємства в сучасних умовах, управлінському персоналу необхідно, перш за все, вміти реально оцінювати фінансові стану, як свого підприємства, так і існуючих потенційних конкурентів. Фінансовий стан – найважливіша характеристика економічної діяльності підприємства Вона визначає конкурентоспроможність, потенціал у діловому співробітництві, оцінює, якою мірою гарантовані економічні інтереси самого підприємства та його партнерів у фінансовому та виробничому відношенні. Однак одного вміння реально оцінювати фінансовий стан недостатньо для успішного функціонування підприємства і досягнення нею поставленої мети. Важливо вміти робити прогноз розвитку підприємства на майбутнє, передбачати економічну ситуацію [8–9].

В останні кілька років на основі нейронних мереж було розроблено багато програмних систем для застосування в таких питаннях, як операції на товарному ринку, оцінка ймовірності банкрутства банку, оцінка кредитоспроможності, контроль за інвестиціями, розміщення позик. Програми нейронних мереж охоплюють найрізноманітніші сфери інтересів: розпізнавання образів, обробка зашумлених даних, доповнення образів, асоціативний пошук, класифікація, оптимізація, прогноз, діагностика, обробка сигналів, абстрагування, управління процесами, сегментація даних, стиснення інформації, складні відображення, моделювання складних процесів, машинне зір, розпізнавання мови. Сенс використання нейронних мереж в економіці полягає зовсім не в тому, щоб витіснити традиційні методи. Це лише ще одне можливе засіб для вирішення задач [10–13].

4. Використання нейронних мереж для визначення взаємозалежності основних факторів за фінансової реструктуризації

Одним з найбільших переваг нейронних мереж є її адаптація до динамічно змінюються параметрами досліджуваного процесу можливість перенавчання на нових даних.

ля навчання були використані дані за 2009 рік і за перше півріччя 2010 року. В якості тестованих даних була використана статистика за друге півріччя 2010 року. В ході дослідження розглядалися різні структури нейронної мережі для досягнення найкращого навчання з подальшими точними розрахунками. Результати навчання нейронної мережі наведені в таблиці 1.

Таблиця 1 – Аналіз навчання НМ

В результаті була спроектована наступна модель нейронної мережі з двома прихованими шарами (рис. 2).

Перший шар містить 10 нейронів, які відповідають кількості вхідних факторів:

X1–X8 – вхідні дані: найбільш ліквідні активи, активи, які швидко реалізуються і т.д.

X9 – ціна продукції на біржі

X10 – вартість продукції на світовому ринку

Другий шар (прихований) містить 8 нейронів, третій шар (прихований) містить 3 нейрона і четвертий шар (вихідний) – 3 нейрона:

Y1 – коефіцієнт покриття;

Y2 – коефіцієнт швидкої ліквідності;

Y3 – коефіцієнт абсолютної ліквідності

Висновки

В ході дослідження фінансової реструктуризації були виділені фактори, в тому числі і випадкові, які безпосередньо впливають на підсумковий результат фінансової діяльності підприємства. Для оцінки впливу різних факторів функціонування підприємства були виділені найбільш важливі показники діяльності підприємства: коефіцієнт покриття, коефіцієнт швидкої ліквідності, коефіцієнт абсолютної ліквідності.

Магістерська робота присвячена задачі реструктуризації промислового підприємства з метою поліпшення фінансової стабільності і виробничого процесу за допомогою нейронних мереж.

У рамках проведених досліджень виконано:

1. Розглянуто питання реструктуризації підприємства і відображені основні напрями підвищення інформативності для аналізу впливу факторів на виробничий процес.
2. В результаті дослідження й аналізу технологічних процесів в якості основного об’єкта вибрана фінансова реструктуризація підприємства.
3. Обрано основні параметри і математичний апарат, що дозволяють виконувати оцінку якості виробничого процесу

Надалі розроблена модель може бути ускладнена за рахунок введення нових факторів, що впливають і використана для аналізу результатів зміни їх на виробничий процес.

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: січень 2013 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Перелік посилань

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.