Разработка методики определения инвестиционной привлекательности промышленного предприятия с применением мультиагентных систем

Малов Д.Н., Летягина Е.Н.
Development of a methodology for determining the investment attractiveness of an industrial enterprise with the use of multi-agent systems - View in English
Аннотация:
В статье показан механизм моделирования инвестиционной привлекательности предприятий, а также кластеров отраслей промышленности с использованием нейросетевого алгоритма разработки экономических процессов. Это позволяет разработать нейросетевой инструментарий анализа инвестиционного поведения предприятий в целях его дальнейшей корректировки в текущих рыночных условиях. Разработана нейросетевая модель кластеризации экономики РФ, которая реплицирует работу финансовой системы России, выявляет взаимосвязи между элементами системы, позволяя оптимизировать инвестиционные потоки, и дает понимание того, как будут меняться финансовое положение и объем продаж конкретного предприятия в зависимости от изменения различного рода показателей. Выдвинуто предположение о возможных путях дальнейшего развития данной модели.
В статье проведено теоретическое исследование текущих подходов к анализу инвестиционной привлекательности промышленных предприятий, а также проработка предложенной методики с выявлением ее преимуществ и особенностей. Комплексное применение методики позволит достичь наилучшего результата при оценке инвестиционной привлекательности предприятий и разработать необходимые практические рекомендации. Итоги исследования будут полезны для руководства предприятий в целях дальнейшего более сбалансированного развития

JEL-классификация:

Цитировать публикацию:
Малов Д.Н., Летягина Е.Н. Разработка методики определения инвестиционной привлекательности промышленного предприятия с применением мультиагентных систем // Креативная экономика. – 2020. – Том 14. – № 9. – С. 2105-2120. – doi: 10.18334/ce.14.9.110832

Malov, D.N., & Letyagina, E.N. (2020) Development of a methodology for determining the investment attractiveness of an industrial enterprise with the use of multi-agent systems. Kreativnaya ekonomika, 14(9), 2105-2120. doi: 10.18334/ce.14.9.110832 (in Russian)

Приглашаем к сотрудничеству авторов научных статей

Публикация научных статей по экономике в журналах РИНЦ, ВАК (высокий импакт-фактор). Срок публикации - от 1 месяца.

creativeconomy.ru Москва + 7 495 648 6241




Введение. В современном мире в условиях цифровой экономики любому предприятию вне зависимости от географического положения необходим количественный и качественный рост, который возможен только при развитии производства и внедрении новейших технологий. Полученные за последнее десятилетие знания привели к глубокой и всеобъемлющей трансформации принципов развития предприятий. Одним из таких принципов стало своевременное инвестирование денежных средств в развитие и масштабирование производства. Важность инвестирования можно наглядно проиллюстрировать статистикой увеличения объема финансовых вложений в развитие бизнеса во всем мире. Согласно данным ресурса statista.com, объем инвестиций США в другие страны увеличился на 350%, с 1,32 трлн долл. США в 2000 году до 5,95 трлн долл. США в 2018 году [14]. Аналогично можно наблюдать динамику инвестиций Европейского союза в экономику США. Там объем инвестиций увеличился на 225%, с 0,8 трлн долл. США в 2000 году до 2,6 трлн долл. США в 2018 году [15]. Однако даже такое весомое увеличение объема инвестиций в мировом масштабе не может покрыть постоянно растущего спроса на инвестиции на глобальном рынке. В настоящее время в эпоху развития предпринимательства в условиях цифровой экономики все больше людей хотят открыть собственный бизнес (т.н. стартап), и для этого им необходимы инвестиции. При этом не следует забывать, что и уже существующие предприятия также нуждаются в инвестициях. Возникает классическая проблема экономики: удовлетворение неограниченных потребностей в условиях ограниченных ресурсов. Это означает, что инвесторы как никогда нуждаются в эффективной оценке инвестиционной привлекательности бизнеса (в том числе начинающего – стартапов), чтобы использовать свои ограниченные ресурсы с наибольшей эффективностью.

На фоне глобального тренда в сторону увеличения объема инвестиций интересно рассмотреть опыт РФ. Согласно данным Росстата, с 2014 по 2018 год экономика России (рост ВВП в текущих ценах) выросла на 31%, с 79 трлн руб. в 2014 году до 103,8 трлн руб. в 2018 году. При этом показательно, что за тот же период реальный сектор не увидел прироста инвестиций, сходного с общемировыми показателями. Динамика инвестиций в основной капитал (в сопоставимых ценах), согласно данным Росстата, с 2014 по 2018 год составила 3,5%.

Как итог, на текущий момент экономический рост в РФ не сопровождается сопоставимым ростом инвестиций. Это обусловлено спектром причин, основной из которых является отсутствие комплексных методик оценки инвестиционной привлекательности (ИП) предприятий.

Во многих случаях руководители предприятий просто не знают, как правильно оценивать инвестиционную привлекательность и какие данные использовать для анализа. Как следствие, это приводит к принятию некорректных инвестиционных решений или вовсе к боязни принимать решения.

Следует отметить, что корректная оценка инвестиционной привлекательности необходима не только для инвестирования в сторонние предприятия, но и для оценки собственного бизнеса в целях оптимизации производства и роста конкурентоспособности предприятия.

На текущий момент разными исследователями предложены разнообразные методики для оценки инвестиционной привлекательности предприятия. Однако ключевая проблема большинства этих методик заключается в том, что прогноз формируется на основании тренда прошлых событий, исходя из чего принимаются решения об инвестировании денежных средств в предприятие. Часто анализ сводится к оценке сценариев в условном формате, теряется объективность прогнозов и анализ искажается.

В работе Н.А. Рухмановой, К.В. Варенцовой [5] (Rukhmanova, Varentsova, 2018) подробно рассмотрено, какие методические вопросы необходимо решить перед практическим внедрением подходов к оценке инвестиционной привлекательности предприятия. Имеется исследовательская база, в которой обосновывается использование показателей различных отраслей экономики. Например, в исследовании Д.А. Ендовицкого [6] описаны многофакторные модели оценки инвестиционной привлекательности компании, которые включают логистические, рыночные, политические, информационные факторы, а также показатели эффективности управления, безопасности активов. В исследовании Е.Н. Летягиной, П.Н. Беляева [7] (Letyagina, Belyaev, 2015) рассмотрен системный подход к оценке инвестиционной привлекательности предприятия. Показано, что в условиях развития современной экономики именно он является наиболее эффективным по сравнению с ресурсным и процессным подходами.

В частности, авторы поясняют, что необходимо обосновать используемую систему показателей. Это позволит избежать перегруженности системы индикаторами, которые используются в анализе.

Предложенные на текущий момент модели оценки инвестиционной привлекательности работают не автоматически, а с применением ручного труда, что замедляет получение результатов оценки и делает прогноз субъективным. С несовершенством оценки инвестиционных рисков напрямую связан и замедленный темп прироста инвестиций в РФ, упомянутый ранее.

Таким образом, непроработанность и отсутствие объективности в методиках оценки инвестиционной привлекательности предприятий обусловливает потребность в их исследовании и автоматизации. Однако внедрение автоматизированных методик и моделей оценки инвестиционной привлекательности предприятий – это затратный процесс, но несмотря на высокую стоимость, в настоящее время актуален потенциал разработки ее программного обеспечения в целях автоматизации и ускорения обработки входящего потока информации.

Цель исследования – разработка комплексной методики оценки инвестиционной привлекательности предприятий и рисков, сопряженных с инвестициями. Научная новизна предложенной модели от существующих разработок состоит в том, что в работе предлагается применять многоуровневую модель кластеризации экономической системы РФ, которая реплицирует работу финансовой системы России. Авторская гипотеза состоит в предложении выявления взаимосвязей между элементами системы на разных уровнях и их консолидации на более высоком уровне, что позволит оптимизировать инвестиционные потоки и повысить точность прогнозов моделей предиктивной аналитики.

Результаты исследования. Тенденции устойчивого развития экономики РФ требуют адекватных инструментов анализа инвестиционного климата. Управление инвестициями в экономических системах базируется на инструментарии оценки инвестиционной привлекательности предприятий. Формирование этого инструментария предусматривает наличие моделей диагностики инвестиционных решений.

Современные концепции моделирования основаны на разработке эконометрических и нейросетевых моделей инвестиционного климата. Они обозначены в таблице 3. Представленный механизм моделирования инвестиционной привлекательности кластеров отраслей с учетом нейросетевого алгоритма моделирования экономических процессов позволяет разработать нейросетевой инструментарий анализа инвестиционного поведения предприятий.

Таблица 3

Сопоставление методологий прогноза

Методология
Преимущества
Недостатки
Регрессионные
Адаптивность моделирования; стандартизация анализа и проекта
Неопределенность оценки зависимости; трудоемкость определения параметров; малая достоверность модели нелинейной регрессии
Авторегрессионные
Адаптивность моделирования; стандартизация анализа и проекта; большой спектр использования
Трудоемкость идентификации: невозможность нелинейного моделирования
Экспоненциальное сглаживание
Простота моделирования; стандартизация анализа
Малая адаптивность; незначительный сегмент использования
Нейронные сети
Нелинейность; скейлинг, адаптивность; стандартизация анализа и проекта; большой спектр использования
Малая прозрачность; сложность структуры; жесткие требования к выборке обучения; запутанность алгоритма и ресурсоемкость обучения
Классификационно-регрессионные деревья
Скейлинг; малоинерционность обучения; потенциал учета категорий
Неоднозначность алгоритма формирования дерева
Источник: составлено автором по данным [5, 6, 8] (Rukhmanova, Varentsova, 2018; Parshin, 2011).

Следует отметить, что для экономических процессов характерна неустойчивость динамики экономики. Появляется необходимость в анализе динамической системы с учетом ее волатильности и времени. Такой анализ позволяют провести технологии нейросетевого моделирования. Нейросетевые модели эффективны при наличии следующих положений:

• зависимость существует между переменными динамической системы;

• зависимость линейная (или нелинейная);

• явный вид зависимости определить затруднительно.

Для оценки инвестиционной привлекательности кластеров на основе нейронных сетей нужна база данных, характеризующая тренд развития предприятий, в частности, целесообразен период 1995–2009 гг., так как именно тогда в экономике РФ можно наблюдать возникновение тренда устойчивости процессов.

Нейросетевое моделирование инвестиционной привлекательности кластеров отраслей ориентировано на учет спектра характеристик состояния предприятий и трендов их развития и, соответственно, предполагает комплексный подход к оценке. Для универсальности регрессионной нейросетевой модели инвестиционную привлекательность предприятия целесообразно аппроксимировать комбинацией трех векторов, характеризующих приоритеты инвестора:

· экономический рост – тренд динамики предприятий;

· доходность – уровень эффективности функционирования предприятий;

· риск – степень изменчивости индикаторов развития предприятий, стимулирующих инвестиционную активность.

Для формализации признака проводится кластеризация отраслей по параметрам векторов экономического роста, доходности, риска, и в итоге – степени их инвестиционной привлекательности, представлена в таблице 4.

Таблица 4

Критерии кластеризации инвестиционной привлекательности

Показатели
Шкала оценки
Плохо
Неудовлетворительно
Приемлемо
Удовлетворительно
Хорошо
Рост
1
2
3
4
5
Доход
-2
-1
0
+1
+2
Риск
-2
-1
0
+1
+2
Агрегированные оценки
-3
0
3
6
9
Интервалы инвестиционной привлекательности
<-3
-3-0
0-6
6-9
>9
Источник: составлено автором.

Итак, база данных со спектром переменных подготовлена для построения нейронной сети и анализа.

Применительно к экономике РФ нейросетевая модель кластеризации, предложенная в данном исследовании, реплицирует работу финансовой системы России, выявляет взаимосвязи между элементами системы и позволяет спрогнозировать, как будет меняться финансовое положение и объем продаж конкретного предприятия в зависимости от изменения различного рода показателей.

Важно отметить, что показатели учитываются в совокупности. Именно поэтому модель имеет два уровня: нижний – уровень показателей, и верхний – уровень объектов. Внутри каждого объекта выявляются внутренние взаимосвязи, которые затем выводятся на уровень объектов [2] (Malov, Letyagina, 2019).

Для инвестиционной привлекательности предприятия важна стратегия развития региона на основе спектра показателей нейросетевой модели кластеризации. При этом агентства используют разные модели на основе параметров политической и социальной среды. В рейтингах стран для характеристики экономических и политических тенденций часто используют модули переменных. Значения индикаторов формируют модель прогноза экономики. Преимущество индикаторов – в их измеримости, однако проблемой остается их недостаточная обоснованность. Другая проблема заключается в статичности рейтингов, так как они основаны на прошедших событиях, мало коррелирующих с будущим.

Анализ рейтинга инвестиционного климата в РФ международными агентствами позволяет сделать вывод, что негативная оценка и приписываемые уровни риска зачастую определяются не экономической, а политической составляющей. Несостоятельность таких оценок также подтверждается неуклонным развитием экономик азиатских государств.

Таким образом, большинство существующих на сегодняшний день методологий неполноценны из-за доминирования политических компонент. Как следствие, на рынке существует острая необходимость в модификации методологии оценки инвестиционной привлекательности стран и регионов.

В первую очередь необходимо помнить, что стратегическое развитие региона определяется набором сфер социально-экономической деятельности с формированием русла приоритетов инвестиций. Процесс стратегического планирования инвестиционной деятельности региона базируется на следующих принципах:

· база – уровень стратегического развития в целом, спектра ключевых сфер деятельности региона, сегментов для инвестиций;

· планирование негативных обстоятельств;

· бюджетное планирование независимо от стратегического планирования.

Использование вышеуказанных принципов повышает эффективность стратегического планирования инвестиционного процесса в регионе и позволяет создать тесную связь стратегии социально-экономического развития с инвестиционными стратегиями. Для выбора конкретных инвестиционных стратегий целесообразен матричный подход в координатах: инвестиционная привлекательность – конкурентоспособность.

В соответствии со стратегическими ориентирами развития региона в модели выделяют следующие сегменты деятельности:

· прогрессивный экстенсивный кластер с высокой привлекательностью и средней конкурентоспособностью при росте производства за счет эффективности использования ресурсов;

· регрессивный кластер с малой привлекательностью, малой конкурентоспособностью, что стагнирует производство из-за снижения привлекательности и истощения потенциала;

· сбалансированный кластер высокой и средней привлекательности и конкурентоспособности, что обеспечивает прирост экономического потенциала и качество жизни в регионе.

В условиях импортозамещения при ограничении взаимодействия с зарубежными партнерами значение имеет использование концепции кластеров для устойчивого развития экономики предприятия. Соответственно, развитие бизнеса в регионе на основе кластеров позволит в большей степени удовлетворить потребности рынка. Кроме того, трансформация от моноориентированной к полипродуктовой экономике стимулирует рост устойчивого развития экономической системы, в качестве которой могут рассматриваться отрасль или регион.

В результате целесообразно применять кластеры в качестве мезоэкономической модели, обеспечивающей рост устойчивости экономики региона или отрасли. Для разработки стратегии бизнеса предприятий на основе кластеров целесообразно учитывать коммуникации между доминирующими и сопутствующими отраслями при формировании мультипликационного эффекта. При этом актуальна проблема выбора стратегического приоритета развития кластеров в регионе.

Выделим спектр стратегических приоритетов в развитии региональной экономики на основе кластеров и представим его на рисунке 1.

Рисунок 1. Стратегии развития экономики региона (отрасли) на основе кластеров.

Источник: составлено автором по данным [5] (Rukhmanova, Varentsova, 2018).

1. Специализация – развитие кластеров на основе модернизации.

2. Укрупнение – интеграция сопряженных кластеров, стимулирование более прочных коммуникаций.

3. Диверсификация – освоение новых видов бизнеса предприятий за счет задействования сопряженных отраслей.

4. Кластеризация – деятельность предприятий на базе формирования инновационной инфраструктуры вокруг ядер, что стимулирует развитие не только предприятия (отрасли) – лидера, но и сопряженных предприятий (отраслей).

Для устойчивого развития любой экономической системы – от предприятия до экономики региона – целесообразно сочетание методики внедрения системы сбалансированных показателей с системой стратегического управления.

Процессы формирования сбалансированной системы показателей (ССП) и риск-менеджмента объединяют две особенности. Прежде всего, система управления рисками, как и ССП, основана на «опережающих» индикаторах. Кроме того, в обеих системах имеются операции, необходимые для реализации целей и минимизации рисков.

Применительно к экономике РФ гибридная нейросетевая модель кластеризации предложена в исследовании [2] (Malov, Letyagina, 2019).

Эта модель реплицирует работу финансовой системы России, выявляет взаимосвязи между элементами системы и дает понимание динамики финансового состояния и объема продаж корпорации в зависимости от изменения спектра показателей. Основная предпосылка данной модели базируется на гипотезе о том, что взаимосвязь показателей различных секторов экономики опосредована и влияние одних показателей на другие происходит через воздействие на промежуточные показатели.

Как показывает практика, функционирование интегрированной системы управления с учетом рисков эффективно, если она непосредственно связана со стратегическими целями экономической системы.

На рисунке 2 представлен пример корреляции цели стратегии и риска.

Рисунок 2. Взаимосвязь стратегических целей и рисков

Источник: составлено автором.

При разработке спектра сценариев рассматривается влияние идентифицированных рисков на стратегические цели. Это способствует достоверности стратегических показателей.

Общая модель экономической системы предполагает использование в качестве базы блоков (модулей), определяющих ее функционирование:

· финансовой сферы;

· внешнего рынка;

· государственного сектора;

· предприятия.

На выходе общей модели формируется прогноз по следующим показателям:

· EV (Enterprise value),

· Net income.

Для построения такой модели применяются нейронные сети с учетом данных, характеризующих общую модель экономической системы РФ (по двадцати показателям) [13].

Разработанная модель кластеризации экономической системы РФ для повышения достоверности прогноза и адаптивности к динамически изменяющимся средам дополнена мультиагентной системой (МАС). Преимущество мультиагентных технологий состоит в инновационном методе решения. В отличие от традиционного трудоемкого детерминированного алгоритма оптимизации решения, в мультиагентных технологиях решение получается в результате взаимодействия агентов.

МАС применяется для управления системами производства, в логистике, в системе сбыта (е-коммерции), а также в сфере услуг и в науке. Интеллектуальные агенты распространены в различных сферах: управление диверсифицированными системами, интернет-порталы, маркетплейсы.

Для корпораций преимущества мультиагентного подхода сводятся к уменьшению сроков решения проблем и сокращению объема информации за счет делегирования полномочий другим агентам для частичных решений, сокращению сроков реализации заказов.

Учет изменений при разработке МАС способствует повышению эффективности решений при прогнозе рынка. Это возможно на базе нестационарных многокомпонентных МАС. Данный термин показывает, что в результате изменений рыночной среды система адаптируется, меняя свою структуру. Согласно этому спектру изменений, предложим типологизацию мультиагентных систем [6] и представим ее в таблице 3.

Таблица 3

Типологизация мультиагентных систем

Название
Характеристика
Стационарная
Не подразделяется на компоненты, нет изменений в поведении агентов
Монотонная
Наличие изменений в количестве агентов. Пример: в результате колебаний конъюнктуры с рынка уходят малые предприятия. Адаптация МАС
Вариационная
Наличие для агентов новых программ и стандартов
Динамичная
Применяется при вышеизложенных изменениях
Источник: составлено авторами по данным [3, 4, 5] (Markelov, 2014; Rukhmanova, Varentsova, 2018).

В целом можно сказать, что использование многокомпонентных МАС позволяет организовать принятие эффективных решений за счет адаптации структуры МАС к динамичности макросреды.

Созданная моделью МАС динамика топологии генерации фрактального графа обеспечивает достоверность прогноза взаимодействия предприятий, выявляет кластеры и ответвления по графу, отражая уровень контактов предприятий при их деятельности.

В результате полученная на основе нейросетей (НС), цепей Маркова и фрактальных графов модель МАС-прогнозирования взаимодействия предприятий на основе интеллектуальных агентов обеспечивает расчет и динамику контактов предприятий при их взаимодействии.

Перспективы улучшения качества моделей оценки инвестиционной привлекательности предприятий и в целом экономических мезосистем в немалой степени обусловлены методологией и комплексностью применения экономических моделей, в частности модели кластеризации экономики РФ с учетом мультиагентных технологий.

Заключение. В статье представлены результаты исследования, ориентированные в первую очередь на активное применение в деятельности предприятий.

Проблема оценки инвестиционной привлекательности предприятия является важной для экономики РФ [11] (Adamaytis, Agapitova, 2011). Не так давно получили широкую популярность финансовые инвестиции и возникла потребность в оценке инвестиционной привлекательности [12] (Endovitskiy, 2010).

По результатам исследования предложен инновационный подход к оценке инвестиционной привлекательности предприятий, позволяющий проводить оценку как самого производства, так и его внешнего окружения. Как следствие, у руководителей появится новый инструментарий для принятия выгодных инвестиционных решений, а также корректировки бизнес-процессов внутри собственного предприятия с целью повышения конкурентоспособности.

Таким образом, предлагаемую методику комплексной оценки инвестиционной привлекательности компании можно использовать для принятия рациональных решений ее руководством и инвесторами.



Издание научных монографий от 15 т.р.!

Издайте свою монографию в хорошем качестве всего за 15 т.р.!
В базовую стоимость входит корректура текста, ISBN, DOI, УДК, ББК, обязательные экземпляры, загрузка в РИНЦ, 10 авторских экземпляров с доставкой по России.

creativeconomy.ru Москва + 7 495 648 6241



Источники:
1. Малов Д.Н. Оценка инвестиционной привлекательности компаний на основе модели VAR (векторной авторегрессии) и ARIMA с учетом рисков // Инновации и Инвестиции. – 2019. – № 1. – 152-159.
2. Малов Д.Н., Летягина Е.Н. Разработка нейросетевой модели кластеризации экономики для анализа инвестиционной привлекательности предприятий // Креативная экономика. – 2019. – Том 13. – № 8. – С. 1529-1536.
3. Маркелов В.М. Применение мультиагентных систем для управления логистическими системами // Славянский форум. 2014. № 2 (6). С. 82-87
4. Guide to the Functional API. Keras.io. [Электронный ресурс]. – Режим доступа: https://keras.io/getting-started/functional-api-guide (дата обращения: 05.05.2020).
5. Рухманова Н.А., Варенцова К.В. Сравнительная характеристика методов оценки инвестиционной привлекательности предприятия // Инновационная экономика: перспективы развития и совершенствования, №8(34), 2018
6. Анализ инвестиционной привлекательности организации: научное издание / коллектив авторов; под ред. Д.А. Ендовицкого. — М.: КНОРУС, 2017 — 374 с.
7. Летягина Е.Н., Беляев П.Н. Применение системного подхода в диагностике инвестиционной привлекательности предприятий // Фундаментальные исследования. – 2015. – No 6-1. – С. 148-153; URL: http://www.fundamental-research.ru/ru/ article/view? id=38411.
8. Паршин, С.А. Повышение инвестиционной привлекательности промышленного предприятия: автореф. дис. ... канд. экон. наук: 08.00.05 / С.А. Паршин. – Тула, 2011.
9. Шемчук, М.А. Управление инвестиционной привлекательностью предприятий (на примере легкой промышленности Кемеровской области): автореф. дис. ... канд. экон. наук: 08.00.05 / М.А. Шемчук. – Кемерово, 2008.
10. Жданов, И.Ю. Рейтинговая идентификация промышленных предприятий (на примере предприятий авиационно-космического комплекса): авто- реф. дис. ... канд. экон. наук: 08.00.05 / И.Ю. Жданов. – М., 2012.
11. Адамайтис Л. А., Агапитова E. Л. Применение сравнительной рейтинговой оценки в анализе инвестиционной привлекательности предприятия //Экономический анализ: Теория и практика 41 (248) – 2011.
12. Ендовицкий Д. А. Анализ инвестиционной привлекательности организации: научное издание / Д. А. Ендовицкий, В. А. Бабушкин, Н. А. Батурина; под ред. Д. А. Ендовицкого. М.: КНОРУС, 2010.
13. Guide to the Functional API. Keras.io. [Электронный ресурс]. – Режим доступа: https://keras.io/ getting-started/functional-api-guide ( ата обращения: 05.05.2020).
14. Direct investment position of the U.S. abroad 2000-2018 – Электронный ресурс – Режим доступа: https://www.statista.com/statistics/188571/united-states-direct-investments-abroad-since-2000/ (дата обращения 05.05.2020)
15. EU direct investments in the U.S. 2000-2018 – Электронный ресурс – Режим доступа: https://www.statista.com/statistics/547083/eu-fdi-in-us/ (дата обращения 05.05.2020)