Научный журнал
Вестник Алтайской академии экономики и права
Print ISSN 1818-4057
Online ISSN 2226-3977
Перечень ВАК

МЕТОДИКА ДВУСТОРОННЕГО АНАЛИЗА ЭКСТРАПОЛИРОВАННЫХ ЗНАЧЕНИЙ ПОКАЗАТЕЛЕЙ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ НА ПРЕДПРИЯТИЯХ

Николова Л.В. 1 Абрамчикова Н.В. 1
1 Санкт-Петербургский политехнический университет Петра Великого
В современных условиях цифровой экономики развитие промышленных предприятий и повышение их конкурентоспособности возможно только посредством эффективного формирования инновационной деятельности. Существует множество моделей количественных прогнозов и сценарных методов позволяющих оценить уровень успешности этого процесса. В работе рассмотрены методы экстраполяции в сочетании с экономико-математическим инструментарием сценарного прогнозирования, в том числе имитационное моделирование по методу Монте-Карло. Для осуществления прогнозирования использовались программы Statistica 7 и MS Excel 10. Авторским подходом является выделение результирующего показателя – коэффициента вариации, значение которого показывает точность произведенных экстраполяций. Экстраполяции осуществлялась для выборки показателей: «Чистая прибыль», «Наличие и движение результатов НИОКР», «Доходы от научных исследований и разработок в области естественных и технических наук», «Доходы от производства двигателей и летательных аппаратов». Результаты исследования показали, что использование только одной методики не показательно, необходимо дополнить методику экстраполяции анализом результатов достаточно большой репрезентативной выборки (в исследовании проводилась 1000 имитационных моделирований). По итогам двустороннего анализа, только один из восьми показателей был охарактеризован как точное измерение.
финансовое прогнозирование
методы экстраполяции
методы сценариев
коэффициент вариации
предприятия авиастроительной отрасли
1. Николова Л.В., Парамонова В.И. Финансовое прогнозирование в социально-экономических системах: монография. СПб.: СПбПУ, 2015. С. 215.
2. Громова Н.М., Громова Н.И. Основы экономического прогнозирования: монография. М.: Академия Естествознания, 2007.
3. Цыгичко В.Н., Черешкин Д.С. Сценарный метод прогнозирования и оценки рисков возникновения негативных последствий стратегических решений в организационных системах / В.Н. Цыгичко, Д.С. Черешкин // Труды ИСА РАН, 2018. Т. 68. № 4. С. 74–83.
4. Черкасова В.Л. Развитие сценарных методов анализа инвестиционных проектов / В.Л. Черкасова // Экономический анализ: теория и практика, 2008. № 6 (111). С. 15–21.
5. Лазарев М.П., Цыренов Д.Ч. Оценка инвестиционного проекта методом Монте-Карло при наличии риска / М.П. Лазарев, Д.Ч. Цыренов // Научно-практический электронный журнал Аллея Науки, 2018. № 8 (24).
6. Непомнящий Е.Г. Экономика и управление предприятием. Таганрог: Изд-во ТРТУ, 2006. 302 с.
7. Сергеев А.А., Экономические основы бизнес – планирования: Учебное пособие для вузов. М.: ЮНИТИ, 2006. 165 с.
8. Полукеева А.В. Показатели инновационной активности предприятий // ЭКОНОМИНФО. 2014. № 22. URL: https://cyberleninka.ru/article/n/pokazateli-innovatsionnoy-aktivnosti-predpriyatiy (дата обращения: 13.01.2020).

Введение

Финансовое прогнозирование является одним из главных инструментов эффективного формирования стратегии предприятий. При этом важно правильно выбрать показатели для осуществления прогнозирования, чтобы выявить проблемные места и своевременно начать осуществлять профилактические мероприятия на предприятиях. Одной из самых часто используемых групп методов прогнозирования социально-экономических показателей являются методы экстраполяции [1]. Они позволяют выявлять определенную закономерность между показателями в прошлом и транспонировать ее в будущее. Однако степень реальности такого рода прогнозов и соответственно мера доверия к ним в значительной мере обусловливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия «измерителей» по отношению к сущности рассматриваемого явления [2].

Цель исследования

Определить характер влияния формирующейся инновационной деятельности на основные финансово-экономической показатели на предприятиях авиастроительной отрасли.

Материал и методы исследования

В исследовании были применены два метода: экономико-математический инструментарий сценарного прогнозирования в сочетании с методами экстраполяции. Сценарный метод включает приемы и методы содержательного и формализованного описания объекта прогнозирования и конкретные методы, и алгоритмы построения и исследования сценариев его развития[3]. Методы экстраполяции позволяют выявлять устойчивые тенденции в прошлом и переносить их в будущее. Они реализуются на основе временных рядов, как правило ряды состоят из индексов, так как выявлять закономерности посредством абсолютных величин затруднительно. В данном исследовании использовались базисные индексы. Согласно классификации методов экстраполяции, выделяют: методы подбора функции, методы усреднения и методы аддитивного сужения. В данном исследовании использовался метод подбора функции, заключающийся в правильном подборе экстраполирующей функции. На основании симбиоза двух методов была построена методика определения характера влияния формирующейся инновационной деятельности на основные финансово-экономической показатели на предприятиях авиастроительной отрасли. Для осуществления прогнозирования использовались программы Statistica 7 и MS Excel 10. Критерий выбора показателя – экономически значимые аспекты эффективности инновационной деятельности: текущая (показатель «Чистая прибыль»), стратегическая («Наличие и движение результатов НИОКР»), корпоративная (Показатель «доходы от научных исследований и разработок в области естественных и технических наук»), отраслевая («Доходы от производства двигателей и летательных аппаратов (тыс. руб.)»). Объектом исследования являлись предприятия авиастроительной отрасли ПАО «Кузнецов» и ОАО «ОДК-Климов».

Методика включает в себя следующие этапы (рисунок 1):

I. Методы экстраполяции:

1. Построение временных рядов, состоящего из базисных индексов.

2. Нахождение правильной экстраполирующей функции, наиболее точно подходящей к значениям базисных индексов. Подбор такой функции зависит от оценки временного ряда на наличие автокорреляции в нем, то есть наличия взаимозависимости между последовательными уровнями ряда динамики. Измеряется автокорреляция с помощью коэффициента автокорреляции (формула 1) [1]:

nik01.wmf (1)

В случае если rкрит > rтабл для прогнозирования используется уравнение авторегрессии, в случае, если rкрит < rтабл, то для прогнозирования используется функция тренда или функция среднего темпа роста. При условии, что функция соответствует оценке надежности полученного уравнения тренда по F-критерию Фишера (Fрасч ≥ Fтабл), а параметры этого уравнения по t-критерию Стьюдента (|tфакт| > tтабл).

3. Прогнозирование точечных значений функции, а также определение доверительного интервала прогнозных значений (формула 3) с помощью среднеквадратического (стандартного) отклонения Sy (формула 2):

nik02.wmf (2)

nik03.wmf (3)

где nik04.wmf – расчетное значение уровня ряда; tα – значение t-статистики Стьюдента, n – число лет базы тренда, nik05.wmf – сумма квадратов номеров лет ti – от nik06.wmf до nik07.wmf, tк – номер прогнозируемого года.

4. Подтверждение статистической репрезентативности уравнения посредством оценки надежности уравнения по F-критерию Фишера, и его параметров по t-критерию Стьюдента. С помощью программы Statistica 7 при нахождении параметров экстраполирующей функции, автоматически вычисляются значения расчетной Fи фактическое значение t-критерия. Далее эти значения сопоставляются с табличными. Согласно критерию Фишера, если Fрасч ≥ Fтабл, то уравнение статистически значимо в целом. Согласно критерию t-Стьюдента, если tфакт > tтабл, то параметры уравнения статистически значимы. При выполнении обоих условий уравнение может быть использовано для прогнозирования.

NIK1.wmf

Рис. 1. Алгоритм применения методики определения характера влияния формирующейся инновационной деятельности на основные финансово-экономической показатели
на предприятиях авиастроительной отрасли

5. Графическое построение экстраполирующей функции и доверительных интервалов.

II. Сценарный метод:

В исследовании используется такой метод сценарного построения как метод анализа влияния на тренд. Для оценки влияний событий на значения ключевых факторов используется имитационное моделирование по методу Монте-Карло [4]. Суть метода заключается в построении математической модели результирующего показателя, представленная в виде функции от переменных и параметров [5]. В качестве переменных выступают случайные составляющие, образованные функцией выбора случайного числа из диапазона (функция СЛУЧМЕЖДУ в MS Excel), в качестве параметров – крайние значения доверительных интервалов прогнозируемых значений. Репрезентативность полученных результатов проверяется с помощью коэффициента вариации VR (формула 4).

nik08.wmf (4)

где σ – стандартное отклонение, Х – среднее арифметическое выборки.

Так как коэффициент вариации указывает степень изменчивости измерений относительно средних значений и оценивает точность измерений. То согласно, классификации значений коэффициента вариации VR:

VR < 17 %

– абсолютно однородная;

VR – от 17 до 33 %

– достаточно однородная;

VR от 35 до 40 %

– недостаточно однородная;

VR от 40 до 60 %

– большая колеблемость совокупности

 

Результаты, полученные в ходе имитационного эксперимента, объединяются в выборку и проводится сценарный анализ, корректируются полученные прогнозные значения.

Результаты исследования и их обсуждение

При прогнозировании в диссертационной работе были применены программы Statistica 7 и MS Excel 10. Для подтверждения достоверности результатов, полученных при использовании разработанной методики, она была апробирована при определении характера влияния формирующейся инновационной деятельности на основные финансово-экономической показатели на материалах предприятий авиастроительной отрасли ОАО«ОДК-Климов» и ПАО «Кузнецов» за прошлые периоды – 2008-2018 гг. Оба предприятия относятся к одной отрасли: 30.30.11 Производство двигателей летательных аппаратов с искровым зажиганием и их частей, однако показатели их деятельности на момент исследования 2018 год значительно различаются. ОАО «ОДК-Климов» крупная компания имеющая стабильный показатель «Чистой прибыли», однако имеющий тенденцию уменьшению. ПАО «Кузнецов» – начиная с 2011 года имеет показатель «Чистый убыток», который увеличивается. В связи с высокой закредитованностью предприятия ПАО «Кузнецов» не осуществляет достаточных инвестиций в инновационную деятельность, что влияет на снижение показателя результаты исследований и разработок до минимального значения в выборке данных с 2011 по 2018 годы.

Критерий выбора прогнозируемого показателя –непосредственное влияние на него формирующейся инновационной деятельности на предприятии. Были выбраны показатели: показатель эффективности текущей деятельности «Чистая прибыль», стратегический показатель «Наличие и движение результатов НИОКР», показатель корпоративной инновационной деятельности«Доходы от научных исследований и разработок в области естественных и технических наук», отраслевой показатель «Доходы от производства двигателей и летательных аппаратов».

I. Прогнозирование осуществлялось на период 2019-2024 года (рис. 2, 3, 4, 5).

Для предприятия ПАО «Кузнецов» исходные данные показывали «Чистый убыток», причем значение показателя имеет тенденцию к возрастанию (рис. 2). Прогноз исследуемого показателя в 2023 году равняется значению 2011 года – 1 532 012 тыс. руб. (0 % к 2011 году), что является лучшим прогнозом, чем значение «Чистого убытка» в 2018 году, равное – 3 183 154 тыс. руб.

Этот же показатель в отношении предприятия ОАО «ОДК-Климов» показывает «Чистую прибыль», согласно статистическим данным, составляющую в 2018 году – 3 183 154 тыс. руб. (рис. 2). В соответствие с прогнозными данными, предполагается снижение показателя «Чистой прибыли» предприятия к 2023 году до значения 19,46 % к 2010 году, что составит 79 687,34 тыс. руб.

Прогноз динамики показателя «Результат исследований и разработок» для ПАО «Кузнецов» – убывающая прямая (рис. 3). Видна тенденция к снижению результативности инновационных разработок. К 2024 году прогнозный показатель может достигнуть минимума, равного 55,05 % по отношению к 2012 году и составит – 257 158,14 тыс. руб.

nicol2a.wmf

nicol2b.wmf

Рис. 2. Прогноз показателя «Чистая прибыль» для предприятий авиастроительной отрасли
ПАО «Кузнецов» и ОАО «ОДК-Климов» ( %)

Для предприятия ОАО «ОДК-Климов» исследуемый показатель имеет положительную тенденцию, но динамика роста все же недостаточна (рис. 3). Прогнозное значение показателя в 2024 году составит 404,85 % по отношению к 2010 году, что в абсолютном измерении выражается в 208 809,49 тыс. руб. в сравнении с 74 261 тыс. руб. по состоянию на 2016 год.

nicol3a.wmf

nicol3b.wmf

Рис. 3. Прогноз показателя «Результат исследований и разработок» для предприятий авиастроительной отрасли ПАО «Кузнецов» и ОАО «ОДК-Климов» ( %)

Прогноз показателя «Доходы от научных исследований и разработок в области естественных и технических наук» для предприятия ПАО «Кузнецов» представляет собой экстраполирующую функцию в виде среднего темпа роста с оптимальными доверительными интервалами (рис. 4). Согласно прогнозу, к 2023 году значение показателя достигнет значения 914,66 % – 1 575 657,34 тыс. руб.

nicol4a.wmf

nicol4b.wmf

Рис. 4. Прогноз показателя «Доходы от научных исследований и разработок в области естественных и технических наук» для предприятий авиастроительной отрасли
ПАО «Кузнецов» и ОАО «ОДК-Климов» ( %)

Экстраполирующей функцией для значений исследуемого показателя для предприятия ОАО «ОДК-Климов» является возрастающая линейная функция. Согласно прогнозу, значение показателя в 2023 году составит 3 179 718 тыс. руб.

На рис. 5 изображён прогноз показателя «доход от производства двигателей и летательных аппаратов» ОАО «ОДК-Климов» в виде экспоненциальной линии с узкими доверительными интервалами.

nicol5a.wmf

nicol5b.wmf

Рис. 5. Прогноз показателя «Доходы от реализации двигателей и летательных аппаратов»
для предприятий авиастроительной отрасли ПАО «Кузнецов» и ОАО «ОДК-Климов» ( %)

Таблица 1

Обоснование статистической репрезентативности экстраполирующих функций для исследуемых показателей

Показатель

Экстраполирующая функция

Критерий F-Фишера

Критерий t-Стьюдента

Чистая прибыль «ПАО» Кузнецов

nik09.wmf

-

-

Чистая прибыль «ОДК» Климов

nik10.wmf

-

-

Наличие и движение результатов НИОКР «ПАО» Кузнецов

nikOL01.wmf

F = 424,87 при p = 0 < 0,05

df = 6, для a0 p = 0 < 0,05; для a1 p = 0,015 < 0,05

Наличие и движение результатов НИОКР «ОДК» Климов

nikOL02.wmf

-

-

Доходы от научных исследований и разработок «ПАО» Кузнецов

nikOL03.wmf

-

-

Доходы от научных исследований и разработок «ОДК» Климов

nikOL04.wmf

F = 66,76 при p = 0,0001 < 0,05

df = 6, для a0 p = 0,04 < 0,05;
для a1 p = 0,03 < 0,05

Доходы от производства двигателей и летательных аппаратов «ОДК» Климов

nikOL05.wmf

F = 65,68 при p = 0,0002 < 0,05

df = 5, для a0 p = 0 < 0,05;
для a1 p = 0,005 < 0,05

Доходы от производства двигателей и летательных аппаратов «ПАО» Кузнецов

nikOL06.wmf

-

-

 

Прогнозированный показатель в 2023 г. составит 83 741 469 тыс. руб., в то время как аналогичный прогноз для этого показателя для предприятия ПАО «Кузнецов» составляет 15 680 697 тыс. руб., что в 6 раз меньше.

Полученные варианты прогноза являются статистически репрезентативными, о чем свидетельствует оценка надежности уравнения по F-критерию Фишера, и его параметров по t-критерию Стьюдента (табл. 1).

II. Для реализации метода сценарного построения определим точку прогнозирования результата как значение прогноза на 2023 (для показателя «Результат исследований и разработок» 2024 год). Причем, в качестве наиболее вероятного сценария возьмет значение показателя тренда в точке 2023 (2024), в качестве оптимистического сценария – значения верхней границы доверительного интервала в точке 2023 (2024), а в качестве пессимистического сценария – значение нижней границы доверительного интервала в точке 2023 (2024) (табл. 2).

Для оценки влияний событий на значения ключевых факторов используется имитационное моделирование по методу Монте-Карло. В данном исследовании была проведена одна тысяча имитационных исследований и проанализирован результат полученных сценариев относительно каждого из шести показателей (табл. 3).

В соответствии с авторским подходом, результаты имитационных исследований трактуются в соответствии со значениями коэффициента вариации, который непосредственно зависит от стандартного отклонения и среднего арифметического исследуемой выборки значений показателя.

С помощью цветовых значений, автор визуализирует результаты, полученных категорий коэффициента вариации. По результатам из таблицы 1 видно, что найденные экстраполирующие функции статистически репрезентативны для каждого исследуемого показателя. Однако, уточняющие результаты по этим же показателям в таблице 3 свидетельствуют о том, что только для показателя «Доходы от производства двигателей и летательных аппаратов» для предприятия ОАО «ОДК-Климов» прогноз рассчитан верно, так как используемая выборка значений показателя абсолютно однородна (согласно логическому условию и определению).Так же, учитывая погрешность, можно считать выборки для показателей «Доходы от научных исследований и разработок» для предприятия ОАО «ОДК-Климов» и «Наличие и движение результатов НИОКР»для предприятия ОАО «ОДК-Климов» недостаточно однородными, но все же близкими к однородности. Поэтому прогнозные значения по этим показателям также примем как точные. По всем остальным показателям, особенно по показателю «Чистая прибыль» для предприятия ОАО «ОДК-Климов» считать результаты репрезентативными нельзя. Для составления информативного прогноза необходимо использовать либо другие показатели, либо другие методики.

Таблица 2

Сценарный метод, основанный на полученных прогнозных значениях

NIK2.wmf

Таблица 3

Результаты имитационного моделирования по методу Монте-Карло

Показатели

Среднее значение

Стандартное отклонение

Коэффициент вариации

Минимум

Максимум

Прогнозное значение

Чистая прибыль «ПАО» Кузнецов (2023) тыс.руб.

-5403734

3098987,1

-57,3 %

-10739097

5530

-5366791

 

Чистая прибыль «ОДК» Климов (2023) тыс.руб.

103158

1009638,9

978,7 %

-1687070

1846403

79687

 

Наличие и движение результатов НИОКР «ПАО» Кузнецов (2024) тыс.руб.

258518

137869,7

53,3 %

18997

491149

238558

 

Наличие и движение результатов НИОКР «ОДК» Климов (2024) тыс.руб.

120898,8

50383,5

41,7 %

32659

208804

120731

 

Доходы от научных исследований и разработок «ПАО» Кузнецов (2023) тыс.руб.

1627555

1049250,4

64,5 %

-251510

3402962

1575657

 

Доходы от научных исследований и разработок «ОДК» Климов (2023) тыс.руб.

3181437

1327526,2

41,7 %

867463

5491044

3179718

 

Доходы от производства двигателей и летательных аппаратов «ОДК» Климов (2023) тыс.руб.

83695516

6507938,4

7,8 %

72454289

95022019

83741469

 

Доходы от производства двигателей и летательных аппаратов «ПАО» Кузнецов (2023) тыс.руб.

15690873

9239624

58,9 %

-737790

32103823

15680697

 

 

Выводы (заключение)

Для оценки, формирующейся на предприятии инновационной деятельности эффективно использовать инструментарий методов прогнозирования. Это позволит производить своевременные управленческие корректировки не только в оперативном, но также и в стратегическом плане развития предприятий. Также целесообразно, для оценки характера влияния формирующейся на предприятиях инновационной деятельности использовать следующие показатели:

– показатели, отражающие удельные затраты фирмы на НИОКР в объеме ее продаж и численность научно-технических подразделений [6];

– показатель инновационности ТАТ, длительность процесса разработки нового продукта (новой технологии) [7];

– показатели динамики обновления портфеля продукции (удельный вес продукции, выпускаемой 2, 3, 5 и 10 лет);

– коэффициент инновационной активности [8] и другие.

Инновационная деятельность является направляющей в развитии современных промышленных предприятий. Ее формирование представляет собой непрерывный процесс, в который включаются все элементы предприятий. Поэтому для предприятий важно создать выборку показателей, по оценке и прогнозированию которых можно оценить их успешность функционирования в настоящем и будущем.


Библиографическая ссылка

Николова Л.В., Абрамчикова Н.В. МЕТОДИКА ДВУСТОРОННЕГО АНАЛИЗА ЭКСТРАПОЛИРОВАННЫХ ЗНАЧЕНИЙ ПОКАЗАТЕЛЕЙ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ НА ПРЕДПРИЯТИЯХ // Вестник Алтайской академии экономики и права. – 2019. – № 11-3. – С. 52-62;
URL: https://vaael.ru/ru/article/view?id=926 (дата обращения: 28.03.2024).