CC BY
42
Управление инвестициями и инновационной деятельностью
УДК 658.1:001.895+005.591.6 йО!: 10.14529/ет160406
ББК У9(2)30-55
ОПРЕДЕЛЕНИЕ ГОРИЗОНТА РАСЧЁТОВ
ПРИ МОДЕЛИРОВАНИИ ИННОВАЦИОННОГО ПРОЕКТА
В.Г. Мохов, К.С. Стаханов
Южно-Уральский государственный университет, г. Челябинск
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 «Я» 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».
Ключевые слова: интеллектуальный анализ данных, производственная функция, горизонт расчетов, инновационная активность.
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-
Управление инвестициями и инновационной деятельностью
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
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-
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
Этапы интеллектуального анализа данных
Bulletin of the South Ural State University. Ser. Economics and Management. 2016, vol. 10, no. 4, pp. 37-41
Мохов В.Г., Стаханов К.С.
Определение горизонта расчётов при моделировании
инновационного проекта
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 ■ LCFa ■ FAß ■ CAY ■ вЯ^, (1) где CP - товарная продукция, тыс. руб./год; LCF - фонд оплаты труда, тыс. руб/год; F4-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); GC,ß,Y - коэффициенты эластичности выпуска продукции по соответствующему ресурсу, безразм.; e - основание натурального логарифма; Я - коэффициент эластичности, показывающий влияние автономного технического прогресса на результаты производства, безразм.; t - время, нормированное относительно базового года, год, (fi = -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 .с^ для последующей загрузки и обработки в среде языка Я.
Параметры производственных функций А, а, в, у, X, в наиболее общем виде, находятся на основе ретроспективных данных о СР, ЬСЕ, ЕА, СА, / с применением методов корреляционно-регрессионного анализа, в частности, метода наименьших квадратов (МНК). Для устранения эффекта муль-тиколлинеарности используем метод ридж-регрессии (МНК со штрафом).
Для оценки инновационной активности промышленного предприятия строятся две модели типа (1) за т лет до внедрения инновационного проекта и за период т лет после его реализации (продолжительность периода зависит от характера инновационного проекта). Разность результирующих показателей производства Д СР = СРЬ — СРь+1 является результатом от внедрения конкретного инновационного проекта.
Инновационная активность предприятия (1А), применительно к данному инвестиционному проекту, оценивается по сумме динамики показателей эластичности производства за анализируемый период производства [5]:
1А = (аг+1 — аг) + — + (уг+1 — уг) +
+ (Л. - X Л
V 1+1 ь)
Одним из ключевых вопросов в процессе анализа и оценки инновационной активности является определение горизонта расчетов т.
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
Управление инвестициями и инновационной деятельностью
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]:
1А = (-0,12 - 0,39) + (-0,06 - (-2,40)) + + (0,60 - 0,15) + (0,01 - 0,02) = 2,27.
Полученный коэффициент 1А 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.
Литература
1. Han Jiawei, Micheline Kamber, Jian Pei. Data mining: concepts and techniques. - 3 ed. - Morgan Kaufmann, 2012. - 1 р.
2. Lar ose Daniel T., Chantal D. Lar ose. Discovering knowledge in data: an introduction to data mining. - 2 ed. - John Wiley & Sons, 2014. - 23 р.
3. Барсегян, A.A. Анализ данных и процессов: учебное пособие / A.A. Барсегян, М.С. Куприянов, И.И. Холод и др. - 3-е изд., перераб. и доп. - СПб.: БХВ-Петербург, 2009. - 91 с.
4. 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.
5. 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.
Мохов Вениамин Геннадьевич. Доктор экономических наук, профессор, профессор кафедры предпринимательства и менеджмента, Южно-Уральский государственный университет (г. Челябинск), [email protected]
Стаханов Кирилл Станиславович. Аспирант кафедры предпринимательства и менеджмента, Южно-Уральский государственный университет (г. Челябинск), [email protected]
Поступила в редакцию 20 июля 2016 г.
DOI: 10.14529/em160406
DEFINING CALCULATION HORIZON FOR INNOVATION PROJECT MODELLING
V.G. Mokhov, K.S. Stakhanov
South Ural State University, Chelyabinsk, Russian Federation
The article is devoted to the problems of data mining. An algorithm for the simulation of industrial enterprises production has been developed. A modified production function of Cobb-Douglas taking into account the high material consumption in industrial production and autonomous technical progress, Hicks-neutral, was taken as a model. Modelling is carried out by a programming language "R" adjusted for the effects of multicollinearity factors through the mechanism of ridge regression.
Bulletin of the South Ural State University. Ser. Economics and Management. 2016, vol. 10, no. 4, pp. 37-41
Мохов В.Г., Стаханов К.С.
Определение горизонта расчётов при моделировании
инновационного проекта
The article suggests the author's method of estimation of the innovative activity of industrial enterprise in the implementation of the investment project on the basis of the calculation of the integral dynamics of indicators of production elasticity obtained in the simulation. It is justified that the proposed method takes into account the specific features of the innovative project and its autonomous impact on the final results of the enterprise industrial production.
It solved the problem of determining the methodological horizon for simulation operations of an industrial enterprise in the evaluation of its innovative activity as a result of the innovative project implementation which is associated with the moment of transition of the net cash flow from the project results into a positive zone.
The developed method was tested on the data of the joint-stock company "CPRP" in implementing the "Vysota 239" innovative project.
Keywords: data mining, production function calculation horizon, innovation activity.
References
1. Han Jiawei, Micheline Kamber, Jian Pei. Data mining: concepts and techniques. 3 ed. Morgan Kaufmann, 2012. 1 р.
2. Larose Daniel T., Chantal D. Larose. Discovering knowledge in data: an introduction to data mining. 2 ed. John Wiley & Sons, 2014. 23 р.
3. Barsegyan A.A., Kupriyanov M.S., Kholod I.I. et al. Analiz dannykh i protsessov [Analysis of the data and processes]. 3 ed. St. Petersburg, 2009. 91 p.
4. Cross Industry Standard Process for Data Mining, CRISP-DM 1.0 Step-by-step data mining guide (2000). Available at: https://the-modeling-agency.com/crisp-dm.pdf. 10 p.
5. Mokhov V.G., Stakhanov K.S. Corporate Foresight and Assessment of Innovative Activity of Industrial Enterprises. Bulletin of the South Ural State University. Ser. Economics and Management, 2015, vol. 9, no. 3, pp. 61-67. (in Russ.) DOI: 10.14529/em090308
Veniamin G. Mokhov. Doctor of Economics, Professor, Professor of the Business and Management Department, South Ural State University, Chelyabinsk, [email protected]
Kirill S. Stakhanov. Postgraduate student of the Department of Entrepreneurship and Management, South Ural State University, Chelyabinsk, [email protected]
Received 20 July 2016
ОБРАЗЕЦ ЦИТИРОВАНИЯ
Мохов, В.Г. Определение горизонта расчётов при моделировании инновационного проекта / В.Г. Мохов, К.С. Стаханов // Вестник ЮУрГУ. Серия «Экономика и менеджмент». - 2016. - Т. 10, № 4. -С. 37-41. БО!: 10.14529/^160406
FOR CITATION
Mokhov V.G., Stakhanov K.S. Defining Calculation Horizon for Innovation Project Modelling. Bulletin of the South Ural State University. Ser. Economics and Management,, 2016, vol. 10, no. 4, pp. 37-41. (in Russ.). DOI: 10.14529/em160406
