Помощь студентам в учебе
ИСПОЛЬЗОВАНИЕ СИНТЕТИЧЕСКИХ НЕЙРОННЫХ СЕТЕЙ В СИСТЕМЕ СБАЛАНСИРОВАННЫХ ПОКАЗАТЕЛЕЙ (НА ПРИМЕРЕ НЕФТЕДОБЫВАЮЩЕЙ ОТРАСЛИ)
|
ВВЕДЕНИЕ 3
Глава 1. Система сбалансированных показателей и ее использование на предприятиях нефтедобывающей отрасли 6
1.1 Состояние и перспективы развития российских и зарубежных нефтяных компаний 6
1.2. Структура и цели системы сбалансированных показателей в стратегическом
управлении 13
Глава 2. Нейросетевой анализ и его применение в современном бухгалтерском и управленческом учете 27
2.1 История создания искусственных нейронных сетей 27
2.2. Классификации нейронных сетей, их архитектуры и принципов работы 32
2.3. Современная практика использования нейронных сетей в бухгалтерском и
управленческом учете 51
Глава 3. Применение нейросетевого анализа для прогнозирования показателей ССП, как метод реализации долгосрочной цели и стратегии 56
3.1. Обоснование выбора типа нейронной сети и ее написание с использованием Visual
Studio C++ 56
3.2 Реализация долгосрочной цели и стратегии организации на основе результатов,
полученных с использованием синтетической нейронной сети 59
3.3. Сравнение результатов полученных на основе нейронной сети с методом
наименьших квадратов 68
ЗАКЛЮЧЕНИЕ 73
Список использованных источников: 75
ПРИЛОЖЕНИЕ А. Показатели производственных программ и ССП по ключевым сегментам ВИНК 80
ПРИЛОЖЕНИЕ Б. Персептрон, классифицирующий числа на чётные и нечётные. 82
ПРИЛОЖЕНИЕ В. Образец написания нейронной сети с использованием библиотеки FANN на языке C++. 83
ПРИЛОЖЕНИЕ Г. Обучающая выборка нейронной сети 84
ПРИЛОЖЕНИЕ Д. Блок-схема процесса внедрения Сбалансированной системы показателей 85
Глава 1. Система сбалансированных показателей и ее использование на предприятиях нефтедобывающей отрасли 6
1.1 Состояние и перспективы развития российских и зарубежных нефтяных компаний 6
1.2. Структура и цели системы сбалансированных показателей в стратегическом
управлении 13
Глава 2. Нейросетевой анализ и его применение в современном бухгалтерском и управленческом учете 27
2.1 История создания искусственных нейронных сетей 27
2.2. Классификации нейронных сетей, их архитектуры и принципов работы 32
2.3. Современная практика использования нейронных сетей в бухгалтерском и
управленческом учете 51
Глава 3. Применение нейросетевого анализа для прогнозирования показателей ССП, как метод реализации долгосрочной цели и стратегии 56
3.1. Обоснование выбора типа нейронной сети и ее написание с использованием Visual
Studio C++ 56
3.2 Реализация долгосрочной цели и стратегии организации на основе результатов,
полученных с использованием синтетической нейронной сети 59
3.3. Сравнение результатов полученных на основе нейронной сети с методом
наименьших квадратов 68
ЗАКЛЮЧЕНИЕ 73
Список использованных источников: 75
ПРИЛОЖЕНИЕ А. Показатели производственных программ и ССП по ключевым сегментам ВИНК 80
ПРИЛОЖЕНИЕ Б. Персептрон, классифицирующий числа на чётные и нечётные. 82
ПРИЛОЖЕНИЕ В. Образец написания нейронной сети с использованием библиотеки FANN на языке C++. 83
ПРИЛОЖЕНИЕ Г. Обучающая выборка нейронной сети 84
ПРИЛОЖЕНИЕ Д. Блок-схема процесса внедрения Сбалансированной системы показателей 85
В настоящее время такой вид топлива, как нефть, имеет уникальное и огромное значение. Нефтяная промышленность — это крупный народнохозяйственный комплекс, который живет и развивается по своим закономерностям. Нефть — наше национальное богатство, источник могущества страны, фундамент ее экономики. значение нефти в народном хозяйстве велико: это сырье для нефтехимии в производстве синтетического каучука, спиртов, полиэтилена, широкой гаммы различных пластмасс и готовых изделий из них, искусственных тканей; источник для выработки моторных топлив (бензина, керосина, дизельного и реактивных топлив), масел и смазок, а также котельного печного топлива (мазут), строительных материалов (битумы, гудрон, асфальт); сырье для получения ряда белковых препаратов, используемых в качестве добавок в корм скоту для стимуляции его роста.
Россия — единственная среди крупных промышленно развитых стран мира, которая не только полностью обеспечена нефтью, но и в значительной мере экспортирует топливо. Велика ее доля в мировом балансе топливно-энергетических ресурсов. Для России, как и для большинства стран-экспортеров, нефть — один из важнейших источников валютных поступлений. Нефтяной комплекс является одним из главных источников пополнения государственного бюджета, гарантом энергетической и экономической безопасности отечественной экономики, привлекательным сектором экономики для иностранных инвестиций.
Однако рост издержек и конкурентного давления, ухудшение условий эксплуатации месторождений, нестабильная макроэкономическая конъюнктура, падение мировых цен на нефть и высокий износ основных производственных фондов в нефтяном комплексе создают сложные условия для ведения хозяйственной деятельности, являются барьерами достижения как оперативных, так и стратегических целей. Происходит снижение общей капитализаций добывающих компаний, увеличение их долга перед акционерами, одновременно с падением добычи нефти с уже имеющихся месторождений и сокращением затрат на разведку новых. Это вызывает необходимость применения прогрессивных инструментов менеджмента для обеспечения эффективности управления, своевременного реагирования управленческого персонала к вызовам внешней среды и достижения стратегических целей нефтяной компании.
Одним из ключевых аспектов, напрямую сказывающихся на эффективности компании, является построение системы управленческого учета, отвечающей требованиям внешней и внутренней среды, дающей объективную информацию для принятия управленческих решений. Одна из них - Система сбалансированных показателей (ССП). Сочетая в себе элементы стратегического и оперативного управления, ССП позволяет оценивать деятельность компании, как по финансовым, так и нефинансовым признакам, что способствует развитию потенциала компании и росту ее эффективности. В этих целях Система сбалансированных показателей использует различные показатели эффективности, называемые KPI, которые отражают результат достижения поставленной цели.
К сожалению, процесс внедрения такой системы на любом предприятии является довольно трудоемким. В данное время появляются все более новые средства, которые помогают более эффективно решать подобные задачи. Одним из таких средств являются синтетические нейронные сети, которые в данное время находят все большее применение не только в информатике, но и других областях науки благодаря своей гибкости высокой степени аппроксимации данных. Имея нелинейную структуру, нейронные сети способны решать задачи, недоступные для стандартных методах анализа и прогнозирования данных, таких как статистический анализ, регрессионный анализ, математическое программирование. Вместе с этим, нейросетевой анализ очень легок в применении, а его результаты можно очень точно интерпретировать, что позволяет исключить субъективный фактор, связанный с оценкой значимости тех или иных показателей.
В соответствии с вышеизложенным, цель данной работы: апробация метода применения искусственных нейронных сетей в системе сбалансированных показателей.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Проанализировать сложившуюся практику использования системы сбалансированных показателей в нефтяных компаниях.
2. Сравнить существующую классификацию нейронных сетей и их архитектуру.
3. Проанализировать научные статьи по аналогичной тематике, в которых нейросетевой анализ используется для решения задач управленческого и бухгалтерского учета.
4. Разработать алгоритм выбора ключевых показателей и реализации долгосрочной стратегии компании при помощи нейронных сетей, написанных на языках программирования C и Python.
5. Провести сравнительный анализ полученной модели на основе нейронных сетей с традиционными методами регрессионного анализа.
Объектом исследования является практика использования Системы сбалансированных показателей на предприятиях нефтяной отрасли.
Предметом - методика выбора ключевых показателей и их прогнозирования.
Научная новизна заключается в оптимизации процесса выбора ключевых показателей с использованием нейросети, а так же определении возможных плановых показателей на основе нейросетевого прогнозирования.
Практическая значимость заключается в возможности использования результатов исследования для повышения эффективности внедрения или оптимизации системы сбалансированных показателей на предприятиях.
Результаты исследования апробированы на XXIII межрегиональной научно¬практической конференции «Проблемы современной экономики», г. Красноярск, 21 апреля 2017 г. По теме исследования опубликована научная статья: Еремеев Н.А. Использование синтетических нейронных сетей в системе сбалансированных показателей (на примере нефтедобывающей отрасли) / Еремеев Н.А // Тезисы докладов XXIII межрегиональной научно-практической конференции студентов и аспирантов экономических специальностей «Проблемы современной экономики». СФУ, 2017.
Теоретической основой исследования является специальная, периодическая литература по вопросам управленческого и бухгалтерского учета, нейросетевого анализа и программирования.
Структурно исследование состоит из введения, трех глав, заключения и пяти приложений.
В первой главе проанализировано состояние современных предприятий нефтяной отрасли, раскрыт основной подход к построению системы сбалансированных показателей на основе научных статей по данной тематике.
Во второй главе дана классификация нейронных сетей, проанализированы статьи на тему использования нейросетевого анализа в бухгалтерском и управленческом учете.
В третьей главе разработана методология выбора ключевых показателей эффективности и реализации долгосрочной стратегии компании с использованием нейронных сетей, которая была сопоставлена с методом регрессионного анализа.
Заключение представляет собой обобщение выводов сделанных в результате написания работы.
Россия — единственная среди крупных промышленно развитых стран мира, которая не только полностью обеспечена нефтью, но и в значительной мере экспортирует топливо. Велика ее доля в мировом балансе топливно-энергетических ресурсов. Для России, как и для большинства стран-экспортеров, нефть — один из важнейших источников валютных поступлений. Нефтяной комплекс является одним из главных источников пополнения государственного бюджета, гарантом энергетической и экономической безопасности отечественной экономики, привлекательным сектором экономики для иностранных инвестиций.
Однако рост издержек и конкурентного давления, ухудшение условий эксплуатации месторождений, нестабильная макроэкономическая конъюнктура, падение мировых цен на нефть и высокий износ основных производственных фондов в нефтяном комплексе создают сложные условия для ведения хозяйственной деятельности, являются барьерами достижения как оперативных, так и стратегических целей. Происходит снижение общей капитализаций добывающих компаний, увеличение их долга перед акционерами, одновременно с падением добычи нефти с уже имеющихся месторождений и сокращением затрат на разведку новых. Это вызывает необходимость применения прогрессивных инструментов менеджмента для обеспечения эффективности управления, своевременного реагирования управленческого персонала к вызовам внешней среды и достижения стратегических целей нефтяной компании.
Одним из ключевых аспектов, напрямую сказывающихся на эффективности компании, является построение системы управленческого учета, отвечающей требованиям внешней и внутренней среды, дающей объективную информацию для принятия управленческих решений. Одна из них - Система сбалансированных показателей (ССП). Сочетая в себе элементы стратегического и оперативного управления, ССП позволяет оценивать деятельность компании, как по финансовым, так и нефинансовым признакам, что способствует развитию потенциала компании и росту ее эффективности. В этих целях Система сбалансированных показателей использует различные показатели эффективности, называемые KPI, которые отражают результат достижения поставленной цели.
К сожалению, процесс внедрения такой системы на любом предприятии является довольно трудоемким. В данное время появляются все более новые средства, которые помогают более эффективно решать подобные задачи. Одним из таких средств являются синтетические нейронные сети, которые в данное время находят все большее применение не только в информатике, но и других областях науки благодаря своей гибкости высокой степени аппроксимации данных. Имея нелинейную структуру, нейронные сети способны решать задачи, недоступные для стандартных методах анализа и прогнозирования данных, таких как статистический анализ, регрессионный анализ, математическое программирование. Вместе с этим, нейросетевой анализ очень легок в применении, а его результаты можно очень точно интерпретировать, что позволяет исключить субъективный фактор, связанный с оценкой значимости тех или иных показателей.
В соответствии с вышеизложенным, цель данной работы: апробация метода применения искусственных нейронных сетей в системе сбалансированных показателей.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Проанализировать сложившуюся практику использования системы сбалансированных показателей в нефтяных компаниях.
2. Сравнить существующую классификацию нейронных сетей и их архитектуру.
3. Проанализировать научные статьи по аналогичной тематике, в которых нейросетевой анализ используется для решения задач управленческого и бухгалтерского учета.
4. Разработать алгоритм выбора ключевых показателей и реализации долгосрочной стратегии компании при помощи нейронных сетей, написанных на языках программирования C и Python.
5. Провести сравнительный анализ полученной модели на основе нейронных сетей с традиционными методами регрессионного анализа.
Объектом исследования является практика использования Системы сбалансированных показателей на предприятиях нефтяной отрасли.
Предметом - методика выбора ключевых показателей и их прогнозирования.
Научная новизна заключается в оптимизации процесса выбора ключевых показателей с использованием нейросети, а так же определении возможных плановых показателей на основе нейросетевого прогнозирования.
Практическая значимость заключается в возможности использования результатов исследования для повышения эффективности внедрения или оптимизации системы сбалансированных показателей на предприятиях.
Результаты исследования апробированы на XXIII межрегиональной научно¬практической конференции «Проблемы современной экономики», г. Красноярск, 21 апреля 2017 г. По теме исследования опубликована научная статья: Еремеев Н.А. Использование синтетических нейронных сетей в системе сбалансированных показателей (на примере нефтедобывающей отрасли) / Еремеев Н.А // Тезисы докладов XXIII межрегиональной научно-практической конференции студентов и аспирантов экономических специальностей «Проблемы современной экономики». СФУ, 2017.
Теоретической основой исследования является специальная, периодическая литература по вопросам управленческого и бухгалтерского учета, нейросетевого анализа и программирования.
Структурно исследование состоит из введения, трех глав, заключения и пяти приложений.
В первой главе проанализировано состояние современных предприятий нефтяной отрасли, раскрыт основной подход к построению системы сбалансированных показателей на основе научных статей по данной тематике.
Во второй главе дана классификация нейронных сетей, проанализированы статьи на тему использования нейросетевого анализа в бухгалтерском и управленческом учете.
В третьей главе разработана методология выбора ключевых показателей эффективности и реализации долгосрочной стратегии компании с использованием нейронных сетей, которая была сопоставлена с методом регрессионного анализа.
Заключение представляет собой обобщение выводов сделанных в результате написания работы.
В результате работе, на основе изученной литературы выяснилось, что ухудшение таких основных показателей у нефтедобывающих фирм не только результат износа оборудования, но и не отвечающие современным стандартам управленческого учета системы, которые на данный момент не способны объективно показать состояние предприятия.
Так же, анализ классификаций и типов архитектур нейронных сетей показал, что использование такого инструмента довольно сложный процесс. Необходимо очень хорошо понимать структуру нейросети, каким образом она функционирует, как распределяются весовые коэффициенты на нейронах и каким образом происходит обучение. Только в случае правильного использования данной информации возможно проведение корректного нейросетевого анализа.
Не смотря на это, в Российской практике уже существуют попытки внедрения такого сложного инструмента в процессы управления производством, повышения объемов продаж, анализа деятельности организации в предшествующих периодах. Обзор литературы и статей на тему использования нейронных сетей в управленческом и бухгалтерском учете показал, что такие попытки хоть и пока являются не частым явлением, но результаты, которых удается достичь, на данный момент превосходят все стандартные методы исследования. Можно сделать вывод о том, что в будущем нейросетевой анализ будет находить все большее применение во всех областях прикладной экономики.
Для целей исследования автором была написан собственный пример нейронной сети на языке C++ с использованием библиотеки FANN (Fast Artificial Neural Network). Использование такого метода значительно упрощает создание любой нейросетевой структуры, что является очень сложным и кропотливым процессом. Так же данная библиотека хорошо оптимизирована, что позволяет обучать нейросеть за очень короткое время, используя при этом довольно большой массив данных. За счет своей гибкости и простоте в реализации, библиотеки такого типа получают все большее распространение даже среди профессиональных программистов
В ходе работы была разработана методология отбора KPI для Системы сбалансированных показателей. В работе приведено подробное описание ее использования поэтапно. Сама методология основывается на системе таблиц, которые состоят из качественных оценок количественных показателей, таким образом, чтобы свести субъективную составляющую при отборе KPI экспертом к минимуму за счет нейросетевого анализа.
Простроенная нейросеть была апробирована на выбранных ключевых показателях эффективности. Для этого выборка разбита на две части: обучающую и тестовую. Обучающая служила для того, чтобы нейронная сеть смогла присвоить верные коэффициенты при нейронах. На тестовой выборке проверялась ее эффективность и аппроксимирующая способность, так как факт того, что обучение прошло успешно еще не означает верные то, что программа будет давать хорошие прогнозы в будущем. Именно поэтому важно всегда проверять результаты работы нейронной сети на данных, которые ранее не входили в обучающую выборку.
Тем не менее, сравнивая прогнозные значения капитализации с реальными, можно с уверенностью сказать, что программа со своей задачей справилась, ошибка, которую допускает нейросеть является допустимой. На основе таких прогнозов возможен дальнейший расчет плановых показателей KPI, которые будут способствовать более эффективному управлению компанией менеджерами, что положительно отразится на достижении долгосрочной стратегии и миссии компанией.
Для сравнения автором был сделан прогноз значений капитализации с использованием популярного метода наименьших прогноз. Данный метод показал свою несостоятельность по сравнению с нейронной сетью. Ошибка при прогнозе получалась слишком большой, даже не смотря на то, что в результате приведения вида выборки к нормальному использовался метод, который ставит под сомнения качество прогноза, полученного таким образом.
Подведя итоги можно сказать, что нейронные сети являются очень перспективным направлением для использования их в дальнейшем в управленческом учете, вне зависимости от отраслевой принадлежности предприятия за счет их гибкости и высокой точности прогнозов. Методы учета и анализа, основанные на нейросетевом анализе имеют очень большие перспективы развития не только в научных статьях, но и в реальном секторе экономики.
Так же, анализ классификаций и типов архитектур нейронных сетей показал, что использование такого инструмента довольно сложный процесс. Необходимо очень хорошо понимать структуру нейросети, каким образом она функционирует, как распределяются весовые коэффициенты на нейронах и каким образом происходит обучение. Только в случае правильного использования данной информации возможно проведение корректного нейросетевого анализа.
Не смотря на это, в Российской практике уже существуют попытки внедрения такого сложного инструмента в процессы управления производством, повышения объемов продаж, анализа деятельности организации в предшествующих периодах. Обзор литературы и статей на тему использования нейронных сетей в управленческом и бухгалтерском учете показал, что такие попытки хоть и пока являются не частым явлением, но результаты, которых удается достичь, на данный момент превосходят все стандартные методы исследования. Можно сделать вывод о том, что в будущем нейросетевой анализ будет находить все большее применение во всех областях прикладной экономики.
Для целей исследования автором была написан собственный пример нейронной сети на языке C++ с использованием библиотеки FANN (Fast Artificial Neural Network). Использование такого метода значительно упрощает создание любой нейросетевой структуры, что является очень сложным и кропотливым процессом. Так же данная библиотека хорошо оптимизирована, что позволяет обучать нейросеть за очень короткое время, используя при этом довольно большой массив данных. За счет своей гибкости и простоте в реализации, библиотеки такого типа получают все большее распространение даже среди профессиональных программистов
В ходе работы была разработана методология отбора KPI для Системы сбалансированных показателей. В работе приведено подробное описание ее использования поэтапно. Сама методология основывается на системе таблиц, которые состоят из качественных оценок количественных показателей, таким образом, чтобы свести субъективную составляющую при отборе KPI экспертом к минимуму за счет нейросетевого анализа.
Простроенная нейросеть была апробирована на выбранных ключевых показателях эффективности. Для этого выборка разбита на две части: обучающую и тестовую. Обучающая служила для того, чтобы нейронная сеть смогла присвоить верные коэффициенты при нейронах. На тестовой выборке проверялась ее эффективность и аппроксимирующая способность, так как факт того, что обучение прошло успешно еще не означает верные то, что программа будет давать хорошие прогнозы в будущем. Именно поэтому важно всегда проверять результаты работы нейронной сети на данных, которые ранее не входили в обучающую выборку.
Тем не менее, сравнивая прогнозные значения капитализации с реальными, можно с уверенностью сказать, что программа со своей задачей справилась, ошибка, которую допускает нейросеть является допустимой. На основе таких прогнозов возможен дальнейший расчет плановых показателей KPI, которые будут способствовать более эффективному управлению компанией менеджерами, что положительно отразится на достижении долгосрочной стратегии и миссии компанией.
Для сравнения автором был сделан прогноз значений капитализации с использованием популярного метода наименьших прогноз. Данный метод показал свою несостоятельность по сравнению с нейронной сетью. Ошибка при прогнозе получалась слишком большой, даже не смотря на то, что в результате приведения вида выборки к нормальному использовался метод, который ставит под сомнения качество прогноза, полученного таким образом.
Подведя итоги можно сказать, что нейронные сети являются очень перспективным направлением для использования их в дальнейшем в управленческом учете, вне зависимости от отраслевой принадлежности предприятия за счет их гибкости и высокой точности прогнозов. Методы учета и анализа, основанные на нейросетевом анализе имеют очень большие перспективы развития не только в научных статьях, но и в реальном секторе экономики.