22 | 07 | 2019

Оцінка ризиків та ймовірності досягнення прогнозованих параметрів процесу відтворення в аграрних підприємствах

Рейтинг:   / 1
ПлохоОтлично 

Коваль П. В. Оцінка ризиків та ймовірності досягнення прогнозованих параметрів процесу відтворення в аграрних підприємствах./ П. В. Коваль // Формування ринкових відносин в Україні: збірник наукових праць. / наук. ред. І. Г. Манцуров. – 2010. – Вип. 11 (114). – С. 71-79.

Одним із головних напрямків формування новітніх сучасних виробничих відносин у сільському господарстві слід відвести прогнозованим механізмам регулювання відтворювальних процесів. На сучасному етапі сільське господарство України функціонує в умовах глобалізованих ринків виробничих ресурсів  та ринків готової продукції. А відтак, аграрне підприємство, як первинна базова ланка матеріального виробництва в сільському господарстві України, функціонує в умовах неоднозначних тенденцій розвитку світового агропромислового комплексу. Доказом цього можуть слугувати чіткі тенденції стабілізації, а подекуди і скорочення обсягів виробництва сільськогосподарської продукції в країнах Євросоюзу  та Північної Америки, починаючи з 1998 року. Нині піддається сумніву необхідність розширеного відтворення у сільському господарстві України в світлі її приєднання до СОТ та до інших міжнародних організацій, де обмеження, квотування та чітка регламентація обсягів виробництва цілого ряду продукції є базовими положеннями аграрної політики.

Темпи відтворювальних процесів у сільському господарстві, пропорції між елементами ресурсної системи аграрного виробництва тісно пов’язані з ефективністю господарювання та продуктивністю ресурсів, тому рівень та масштабність наукового вивчення проблеми відтворення надзвичайно високі. Про це свідчать ряд як комплексних, так і спеціалізованих досліджень вітчизняних та зарубіжних вчених. Серед них: Алексійчук В. М., Лукінов І. І., Точилін В. О., Любимцев Ю. І., Натаров М. В.. Корягін А. Г., Дадаян В. С., Прейгер Д. К.,     Н. Штерн, Ф. Стюарт, Х. Венері, Петер Т. Бауер та інші. Разом з тим, у публікаціях наукових досліджень цих та інших авторів недостатньо уваги приділяється проблемам методології прогнозування та оптимізації пропорцій ресурсної системи. Недостатньо також висвітлені питання розробки системи критеріїв для оцінки ефективності відтворення, оцінки ризиків відхилення фактичних параметрів від прогнозованих, оцінки ймовірності досягнення прогнозованих пропорцій відтворення.

Виходячи із вище наведеної аргументації, головною метою даної статті є висвітлення методичних підходів щодо прогнозування показників оцінки відтворювальних процесів на аграрному підприємстві шляхом застосування моделі лонгітюдних даних по досліджуваній сукупності підприємств, а також запропонувати методику оцінки ризиків та ймовірності досягнення прогнозованих параметрів відтворювального процесу, використовуючи симулятивно - імітаційне моделювання методом Монте-Карло.

Вивчення залежності між різними факторами відтворювального процесу на аграрному підприємстві, а також різні економіко-математичні методи прогнозування пропорцій відтворення без перебільшення формують методологію кількісної оцінки статики та динаміки відтворення на всіх етапах його протікання. До таких методів слід віднести кореляційний аналіз, просту та множинну регресію, методи параметричного та непараметричного лінійного програмування.

В зарубіжній спеціальній літературі значна увага приділяється вивченню економічних явищ за допомогою економіко-статистичних методів з метою їх прогнозування та кількісної оцінки залежностей. Одним із сучасних методів такого роду досліджень є моделі з використанням так званих лонгітюдних або панельних даних (pooled model). Даний метод базується на використанні лінійної множинної регресії накладеної на n-мірний інформаційний масив по певній досліджуваній сукупності[3]. Саме можливість сукупного аналізу як динамічних, так і варіаційних (крос-секційних) рядів і визначає ряд переваг даного методу порівняно із звичайною множинною регресією. Іншими словами, даний метод дає можливість дослідникам будувати та оцінювати значно складніші моделі, при цьому одержувати більш ефективні консистентні оцінки моделі .

За фізичний об’єкт дослідження обрано сукупність аграрних підприємств Білоцерківського та Кагарлицького районів Київської області різних організаційно-правових форм господарювання[5]. Сукупність підприємств, обрана для аналізу, характеризується такими параметрами:

  • Підприємства компактно розташовані в Лісостеповій зоні Київської області, що дає можливість стверджувати про однорідність локального зовнішнього природно-економічного середовища.
  • Підприємства характеризуються близькими масштабами виробництва, отже, функціонують в однорідному діапазоні ефекту масштабу.
  • Підприємства в переважній більшості відносяться до одного виробничого типу аграрних підприємств – зерно-буряко-молочного.
  • Підприємства перебувають в однакових умовах  стосовно формування і організації земельного масиву та персоналу підприємства.

Для досконалості аналітичних висновків, наочності та зручності застосування інструментарію аналізу, в якості результативного параметра моделі використаємо питому величину, а саме товарну продукцію, зважену на обсяг базисного ресурсу, який визначає виробничу потужність підприємств даного типу – сільськогосподарські угіддя, цим самим знівелюємо розбіжності в розмірах підприємств. Використавши методику лонгітюдного аналізу для прогнозування пропорцій між виробничими ресурсами аграрного підприємства, і для розробки рекомендацій конкретному підприємству досліджуваної сукупності ми одержали явний вираз лонгітюдної моделі:

де за результативну ознаку  Yit оберемо показник – товарна продукція в розрахунку на 1 га сільськогосподарських угідь;

показники пропорцій між авансованим капіталом та площею сільськогосподарських угідь, авансованим капіталом та трудовими ресурсами, а також між трудовими ресурсами та площею сільськогосподарських угідь – відповідно x1it, x2it, x3it – пояснюючі змінні моделі.

Результати розрахунку коефіцієнтів та оцінок моделі засвідчують, що за оцінкою коефіцієнта детермінації R2 та F – статистикою, моделі значимі і зміна принаймні однієї із пояснюючих змінних Xjit визначає зміни результативної ознаки Yit на 79,3%. Позитивний результат F – статистики дозволяє здійснювати подальший аналіз впливу окремих пояснюючих змінних Xjit на результативну Yit.

Особливістю даної моделей є те, що вона покладена на просторовий інформаційний пул. Іншими словами – ми маємо можливість оцінювати не лише вплив пояснюючого фактора на результативну ознаку моделі за один рік, а також вплив динаміки даного фактора на результативну ознаку моделі. Враховуючи аналітичну цінність даної моделі та методики в цілому, слід зазначити, що вона не дає можливості оцінити ймовірність забезпечення прогнозованих темпів відтворення результативного параметра, а тим паче кількісно оцінити ризики настання негативних наслідків, у випадку протікання процесу відтворення зі значними відхиленнями. Для усунення цього недоліку загальної методології прогнозування відтворювальних процесів, ми пропонуємо методику оцінки ризиків та ймовірності їх виникнення, яка базується на економіко статистичних методах симулятивного імітаційного моделювання.

Очевидним є той факт, що заданий рівень ефективності цілісного процесу відтворення в аграрному підприємстві досяжний за умови своєчасного аналізу ризиків на якісному, змістовному рівні з метою їх ідентифікації, виявлення джерел та причин виникнення ризиків, оцінки потенційних наслідків, розробки стратегії «реагування» і т.д. Однозначно, що ефект від цього процесу набуває іншого значення, коли з’являється можливість кількісної оцінки ризиків. Нині існує цілий набір різноманітних інструментів кількісної оцінки ризиків. До таких інструментів першим, і напевне найпростішим, слід віднести аналіз чутливості (sensitivity analysis) результативних параметрів відтворення в результаті зміни різноманітних факторів. Наступними, які ми вважаємо за доцільне виділити, є мережні моделі – метод критичного шляху CPM(Critical Path Method) та метод оцінки та перегляду планових параметрів PERT (Program Evaluation and Review Technique). Окрім цих методичних прийомів слід виділити метод дерева рішень (decision tree analysis) – дозволяє врахувати всі потенційно можливі результати, що робить модель більш цілісною, а також метод діаграм впливу (influence diagrams) – системний підхід до моделювання ризиків  з врахуванням взаємної визначеності та взаємовпливу факторів і зворотних зв’язків (feedback loops), даний методичний прийом використовується у складі однієї із найновіших методологій динамічного моделювання ризиків[1]. Синтезуючи вище названі прийоми структурного представлення моделей, здійснюється перехід від функціональної, детермінічної  до  стохастичної моделі і застосовується технологія імітаційного моделювання Монте-Карло – найбільш поширений метод аналізу ризиків.

Родоначальниками методу Монте-Карло прийнято вважати американських вчених математиків Стенлі Улама, Джона фон Неймана та Ніколаса Метрополіса[2]. В сорокових роках минулого століття  Джон фон Нейман заклав основу методу, створивши математичну основу  для функцій щільності ймовірності, інтегральних функцій оберненого розподілу та генераторів квазівипадкових чисел. Днем народження методу вважають 1949 рік, коли було опубліковано статтю Улама та Метрополіса «Метод Монте-Карло». Згідно запропонованого методу, перш за все будують ймовірнісну модель, обґрунтовують шукану величину, наприклад товарна продукція з розрахунку на1 га сільськогосподарських угідь, розраховують її очікуваний рівень як математичне сподівання функціонала моделі залежного від випадкових процесів, який потім моделюють як квазівипадкові значення за допомогою ПК. В результаті здійснення розрахункового експерименту отримують необхідну вибірку і результати всіх ітерацій імітації усереднюють. Принциповий математичний базис методу Монте-Карло – закон великих чисел А.Н. Колмогорова.

Серед складнощів застосування даного методу слід вказати на необхідність високого рівня достовірності оцінки шуканої величини – значення функціоналу ймовірнісної моделі. Це досягається шляхом побудови адекватної, достовірної моделі із тісним зв’язком між залежними факторами та факторіалом. Часто в якості моделі використовують уже відомі функції, відомі кореляційні залежності. Наступною надзвичайно важливою особливістю методу є – моделювання випадкових величин із відомим розподілом щільності ймовірностей. Точність методу Монте-Карло знаходиться в околі точки зі значенням , де D – деяка константа,  N – кількість випробувань[4]. Із виразу видно, що для підвищення точності, скажімо в 10 разів, необхідно збільшити кількість випробувань в 100 разів, наприклад шляхом імітації процесу.

Цілісний постадійний процес аналізу ризиків методом Монте-Карло – це об’єктивно єдине ціле  у складі надзвичайно важливих етапів, чітке дотримання виконання яких, забезпечує ефективність алгоритму здійснення оцінки ризиків та ймовірності настання певних подій в процесі відтворення в аграрному підприємстві.

На першій стадії ми розробили ймовірнісну модель кількісної оцінки товарної продукції з розрахунку на1 га с.г. угідь в залежності від пропорцій між ресурсами у складі показників фондооснащеність, фондоозброєність та трудозабезпеченість.

Другий етап процесу аналізу ризиків методом Монте-Карло передбачає два важливих елементи – обґрунтування закону розподілу ймовірностей по кожній із змінних вищеназваної моделі, та визначення меж в яких буде здійснена генерація квазівипадкових значень всіх залежних факторів моделі. В нашому випадку це складне завдання дещо спрощується, оскільки закон розподілу ймовірностей прогнозу випадкових значень змінних встановлюється сучасним програмним забезпеченням на основі певної вибірки сукупності даних. В нашій симулятивній задачі такою вибіркою є сукупність фактичних даних по підприємствах за аналізований період. Це ж джерело забезпечить і межі діапазону змінних для імітаційно-симулятивного генерування даних.

На третьому етапі аналізу ризиків необхідно врахувати можливу кореляцію між змінними. Якісна оцінка, здійснена, поки що шляхом, абстрактно логічного аналізу, дає підстави стверджувати про наявність такої кореляції. Для достовірної кількісної оцінки ризиків нам необхідна незміщена кількісна оцінка кореляції, а також методики по врахуванню її впливу на результативну ознаку ймовірнісної моделі. Таку можливість гарантує відповідне програмне забезпечення, за допомогою якого ми будемо здійснювати генерування значень моделі, визначати та обирати характер закону розподілу ймовірностей, встановлювати межі значень змінних, виявляти кореляцію та проводити імітаційно-симулятивні ітерації.            Останнім присвячено четвертий етап оцінки ризиків, що виникають в протіканні відтворювальних процесів.

Завершальний етап передбачає аналіз одержаних в процесі імітації результатів та їх статистичне трактування.

Для реалізації всіх етапів охарактеризованого процесу нами використаний програмний пакет Crystal Ball 11.1 фірми з постачання програмного забезпечення Oracle. Даний пакет являє собою надбудову до Excel і дозволяє виконати всі перераховані вище задачі, реалізуючи діалоговий режим роботи з користувачем.  Здійснимо імітаційні симуляції по моделі.

З наведених діаграм видно, що різні змінні за фактичними даними по сукупності досліджуваних підприємств підпорядковані різним законам розподілу ймовірностей. Крім вхідних параметрів, які наводяться на діаграмах, потрібно з’ясувати також наявність, характер та інтенсивність кореляції між пояснюючими змінними та сукупністю фіксованих специфічних ефектів. Характер, а також інтенсивність кореляції буде врахований у проведенні імітаційної симуляції моделі. Коефіцієнти попарної кореляції наведемо в таблиці 1.

Для вищого рівня щільності розподілу ймовірностей та  достовірності оцінок ми провели 1000 ітерацій, маючи характер кореляції між змінними. Результат симулятивно-імітаційного моделювання представимо на рисунку 3.

З рисунка видно, що ймовірність досягнення досліджуваного параметра розподілилася як близька до нормального розподілу, але спостерігається певне зміщення щільності ймовірності в бік меншого за середнє значення. Більше того, розподіл передбачає досягнення від’ємного значення досліджуваного параметра, що на перший погляд видається парадоксальним, але детальний аналіз фіксованих специфічних ефектів свідчить про наявність ймовірності такої події, за якої фактори, що не ввійшли в модель кількісно, спричиняють ефект менший порівняно із негативним ефектом від впливу спеціальних ефектів. Це можуть бути хибні управлінські рішення з катастрофічними наслідками, незадовільна якість продукції, не адекватна галузева структура та ін.

Ризик будемо оцінювати як сукупність подій, що забезпечують звужене відтворення, тобто коли зростання товарної продукції з розрахунку на 1 га сільськогосподарських угідь відсутнє, або спостерігається її зменшення. З теорії ризикології відомі підходи до поділу простору ризиків на окремі зони. Відомі також критерії, за якими ідентифікують зони ризику.

Прийнято виділяти чотири зони ризику за наступними критеріями:

  • безризикова зона – низька ймовірність настання ризику, події з наслідками ризиків спостерігаються вкрай рідко;
  • зона допустимого ризику – ризик втрат в обсягах очікуваного прибутку;
  • зона критичного ризику – ризик втрат в обсягах очікуваної товарної продукції;
  • зона катастрофічного ризику – ризик втрати капіталу бізнесу.

Спробуємо оцінити ймовірність настання подій, які можна ідентифікувати як допустимий ризик та критичний ризик. Для визначення рівня допустимого ризику необхідно обґрунтувати очікуваний прибуток по сукупності підприємств. Розрахункове середнє значення даного показника рівне 0,172 тис.грн/га с.г. угідь. Для ідентифікації критичного ризику нам потрібно середнє значення по сукупності досліджуваних підприємств товарної продукції з розрахунку на 1 га с.г. угідь. Даний показник має значення 1,82 тис.грн. Скористаємося для цього базовою діаграмою розподілу ймовірності, змістивши при цьому значення на відповідні, обґрунтовані вище значення. Результати наведемо на рисунку 4.

З рисунків 3 та 4 видно, що ризик втрати в обсягах виручки становить 4%, а в обсягах очікуваного прибутку – 1,65%. Для підтвердження висновків та унаочнення побудуємо графіки кумулятивної ймовірності і наведемо на рисунку 5.

З першого графіка рисунку 5 ми бачимо, що найбільша ймовірність відповідає значенню досліджуваного параметра рівного значенню математичного сподівання. Рівень ймовірності того, що підприємства досягнуть рівня функціоналу відмінного від нуля досить висока і становить 96%. Тоді як, ймовірність досягнення значення функціоналу, що перевищує очікуваний прибуток 94,35%, а ризик критичної зони, як вже зазначалося – 1,65%. Важливо, на нашу думку, дослідити також, ймовірність досягнення значення результативної ознаки моделі, що перевищує її середнє значення, відкориговане на рівень інфляції за період  дослідження.

Результати такого випадку наведемо на рисунку 6

З рисунку 6 ми бачимо, що майже із 48% ймовірністю підприємства сукупності можуть досягати рівня товарної продукції з розрахунку на 1 га с.г. угідь, більшого за її середнє значення

Важливо, також, дослідити які із параметрів імітаційної моделі спричиняють найбільшу інтенсивність впливу на функціонал моделі. Для цього прийнято будувати, так звані графіки торнадо. Побудуємо такий графік для досліджуваної  імітаційної моделі, наведемо його на рисунку 7, та спробуємо дати аналітичні пояснення його інтерпретації.

Побудований графік показує, що найбільш суттєвий вплив на результативний фактор спостерігається з боку фіксованих специфічних ефектів моделі. В моделі ми припускали, що до таких ефектів входять ті чинники, які не

ввійшли до моделі, а саме система менеджменту, система маркетингу, галузева структура, якість продукції, базові підходи до організації систем по створенню споживчих цінностей, лояльність персоналу підприємства та деякі інші фактори. Цю особливість необхідно враховувати при розробці заходів по управлінню процесом відтворення в сільськогосподарському підприємстві. Другим за інтенсивністю впливу на розподіл ймовірностей подій відтворення товарної продукції є фактор фондооснащеність, який не значно відрізняється від фактора трудозабезпеченість. В принципі це логічно, оскільки як капітал так і людські ресурси зважені на базовий ресурс в аграрному бізнесі – на земельні ресурси, а фондоозброєність значно корелює із цими показниками. Очевидно, потрібно значну увагу звернути на цілий ряд факторів операційного випереджаючого характеру, по відношенню до традиційних факторів, як то відтворення ресурсів, капіталу та деяких інших параметрів із запізненням.

Отже, ми запропонували та продемонстрували методику кількісної оцінки ризиків та ймовірності їх виникнення в ході здійснення цілісного відтворювального процесу в аграрному підприємстві. На прикладі фактичних даних підприємств Київської області провели аналіз ризикованості процесу відтворення одного із найважливіших результативних параметрів ведення аграрного бізнесу – товарної продукції. Одержали кількісне статистичне обґрунтування ряду аналітичних висновків, які в подальшому стануть базовими для розробки заходів по управлінню відтворенням в аграрному підприємстві та підвищенню ефективності відтворювального процесу.

В дослідженні запропоновано методику прогнозування пропорцій між виробничими ресурсами аграрного підприємства, які відповідають заданому рівню ефективності ведення бізнесу. Здійснено оцінку ймовірності виникнення ризиків відхилення фактично досягнутих значень параметрів відтворювального процесу, від їх прогнозних значень, використовуючи імітаційний метод Монте-Карло(MCS).

В исследовании предложено методику прогнозирования пропорций между производственными ресурсами аграрного предприятия, которые соответствуют заданному уровню эффективности ведения бизнеса. Осуществлена оценка вероятности возникновения рисков отклонения фактически достигнутых значений параметров воспроизводственного процесса, от их прогнозных значений, используя имитационный метод Монте-Карло(MCS).

The study suggested that the method of forecasting the proportions between the productive resources of agrarian enterprises, which correspond to a given level of efficiency of doing business. The paper assesses the potential risks of deviation actually achieved values of the reproduction process, from their predictive values, using the simulation Monte Carlo method (MCS).

 

1. А.С. Шапкин. Экономические и финансовые риски. Оценка, управление, портфель инвестиций: Монография. - М.: Издательско-торговая корпорация «Дашков и Ко», 2003. – 544с.:ил.

2. И.М. Соболь. Метод Монте-Карло.(Серия:«Популярные лекции по математике»). – М.: «Наука», 1978.- 64с.:ил.

3. Лук'яненко І.Г., Городніченко Ю.О.Сучасні економетричні методи у фінансах: Навч. посіб.. — К. : Літера ЛТД, 2002. — 352с.

4. Савчук В.П. Практическая энциклопедия. Финансовый менеджмент.- К.: Издательский Дом «Максимум», 2005. -  884 с.

5. Річна статистична звітність підприємств Білоцерківського та Кагарлицького р-нів, Київської області за 2005 – 2009р.р.

 

Написать комментарий

    Submit to FacebookSubmit to Google PlusSubmit to TwitterSubmit to LinkedIn