Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Применение логистико-математических моделей в лесной отрасли. Монография
.pdf
Логическим продолжением работы службы риск-менеджмента
должно стать формирование программы мероприятий по управлению
рисками, при разработке, которой должно быть учтено следующее:
− размер возможного ущерба и его вероятность;
− существующие механизмы снижения риска, предлагаемые
государством и их производственно-экономическая эффективность;
− производственно-экономическая эффективность предлагае-
мых службой мероприятий по снижению рисков;
− практическая возможность реализации мероприятий в рамках
выделенного лимита средств;
− соответствие мероприятий программы существующим норма-
тивным актам, целям долгосрочного и краткосрочного планирования
развития предприятия и основным направлениям его финансовой политики;
− субъективное отношение к риску разработчиков программы
и руководства предприятия.
При разработке программы мероприятий по управлению рисками специалистам службы риск-менеджмента следует ориентироваться
на максимальную унификацию формируемых оценок уровня риска,
что выражается в формировании универсальных параметров, характеризующих объем возможного ущерба. В качестве таких параметров
наиболее целесообразно использовать воздействия рисков на финансовые потоки и финансовое состояние предприятия.
Завершающим этапом разработки программы является формирование комплекса мероприятий по снижению рисков, с указанием
планируемого эффекта от их реализации, сроков внедрения, источников финансирования и лиц, ответственных за выполнение данной
программы. Программа обязательно должна быть утверждена руководством предприятия и учтена, при финансово-производственном
планировании.
При этом рекомендуется аккумулировать всю информацию об
ошибках и недостатках разработки программы, проявившихся в ходе ее
реализации. Такой подход позволит провести разработку последующих
программ мероприятий по снижению рисков на более качественном
уровне с использованием новых полученных знаний о риске.
Все вышеизложенное позволяет сделать вывод о том, что механизм управления рисками предприятия в современных условиях
хозяйствования должен иметь четкую иерархическую структуру с необходимостью ее корректировки по итогам реализации программы
мероприятий по снижению рисков и с учетом изменяющихся факторов воздействия.
111
3.2.3. Методы прогнозирования рисков
в цепи поставок лесного сырья
Первоначально прогнозирование в рамках предприятия возникло как предсказание экономических параметров длительности бизнеса
(как внешних по отношению к фирме, так и внутренних).
Позднее предприятия освоили прогнозирование технологического (технологическое прогнозирование), а также социального
и политического компонентов (социально-политическое прогнозирование) своей среды.
Поэтому общие, наиболее распространенные методы прогнозирования возникли в рамках экологического прогнозирования, однако
позднее они нашли свое применение также и в технологическом,
и в социально-политическом прогнозировании. Кроме того, для технологического и социально-политического прогнозирования характерны собственные, специфические методы исследования.
Общие методы прогнозирования можно разделить на четыре
крупные группы:
− методы экспертных оценок;
− методы экстраполяции трендов;
− методы регрессионного анализа;
− методы экономико-математического моделирования.
Методы экстраполяции трендов и методы регрессионного анализа объединяют в общее понятие «методы анализа временных рядов».
Методы регрессионного анализа и метод экономико-математического моделирования вместе составляют понятие «методы анализа
причинных связей».
Методы экспертных оценок. Эта группа методов прогнозирова-
ния предполагает учет субъективного мнения экспертов о будущем
состоянии дел. Для экспертных оценок характерно предсказание будущего на основе как рациональных доводов, так и интуитивного
знания. Методы экспертных оценок, как правило, имеют качественный характер.
Экспертные оценки разделяют на индивидуальные и коллективные. К индивидуальным экспертным оценкам относят: сценарии, метод «интервью», аналитические докладные записки.
Метод «интервью» предполагает беседу организатора прогнозной деятельности с прогнозистом-экспертом, в которой ставятся вопросы о будущем состоянии фирмы и ее среды.
Метод аналитических докладных записок означает самостоятельную работу эксперта над анализом деловой ситуации и возможных
112
путей ее развития. Коллективные экспертные оценки можно назвать
комплексными методами прогнозирования, поскольку они включают:
− во-первых, подготовку и сбор индивидуальных экспертных
оценок;
− во-вторых, статистические методы обработки полученных
материалов.
Коллективные экспертные оценки включают: метод «комиссий», метод «мозговых атак», метод Дельфи.
Метод «комиссий» может означать организацию «круглого стола» и других подобных мероприятий, в рамках которой происходит
согласование мнений экспертов.
Для метода «мозговых атак» характерны коллективная генерация идей и творческое решение проблем. Мозговая атака представляет собой свободный, неструктурированный процесс генерирования
любых идей по избранной теме, которые спонтанно высказываются
участниками встречи. Оптимальное число участников – 6–12 человек,
желательно, чтобы это были люди, имеющие различные профессии и
специализации.
Метод Дельфи был разработан известным экспертом из исследовательской корпорации «РЭНД» Олафом Хельмером, математиком
по образованию. Может быть, поэтому в методе Дельфи сочетаются
творческий подход к решению проблемы и достаточная точность
прогноза.
Свое название метод получил по древнегреческому городу
Дельфи, прославившемуся своими предсказателями.
Суть метода Дельфи состоит в проведении анкетных опросов
специалистов выбранной области знаний (наиболее часто этот метод
используется в технологическом прогнозировании, при предсказании
открытий и нововведений в области технологии). Полученные анкетные данные подвергаются статистической обработке, в результате
которой формируется диапазон мнений экспертов, отражающий их
коллективное мнение по избранной проблеме.
Обычно после первого опроса наблюдается значительный разброс мнений. Поэтому процедура осуществления метода Дельфи
предполагает проведение еще трех-четырех опросов, в преддверии
которых каждого из экспертов знакомят с итогами предыдущего опроса, но не для того, чтобы оказать на него давление, а для того, чтобы эксперт мог получить дополнительную информацию о предмете
опроса. Идеально опрос повторяется до совпадения мнений экспертов, реально – до получения наиболее узкого диапазона мнений.
113
Методы экстраполяции трендов основаны на статистическом
наблюдении динамики определенного показателя, определении тенденции (трения) его развития и продолжении этой тенденции для будущего периода. Другими словами, при помощи методов экстраполяции трендов закономерности прошлого развития объекта переносятся
в будущее. Обычно методы экстраполяции трендов применяются
в краткосрочном (не более одного года) прогнозировании, когда число изменений в среде минимально. Прогноз создается для каждого
конкретного объекта отдельно и последовательно на каждый следующий момент времени. Если прогноз составляется для товара (продукта/ услуги), в задачи прогнозирования, основанного на экстраполяции трендов, входят анализ спроса и анализ продаж этого продукта.
Результаты прогнозирования используются во всех сферах внутрифирменного планирования, включая общее стратегическое планирование, финансовое планирование, планирование производства и
управления запасами, маркетинговое планирование и управление торговыми потоками и торговыми операциями.
Наиболее распространенными методами экстраполяции трендов
являются метод скользящего среднего и метод экспоненциального
сглаживания.
Метод скользящего среднего. Метод исходит из простого пред-
положения, что следующий во времени показатель по своей величине
равен средней, рассчитанной за последние три месяца.
Метод экспоненциального сглаживания. Метод экспоненциаль-
ного сглаживания представляет прогноз показателя на будущий период в виде суммы фактического показателя за данный период и прогноза на данный период, взвешенных при помощи специальных коэффициентов.
В прогнозировании методы экстраполяционных трендов дополняются методами корреляции трендов, в рамках которых исследуется
взаимосвязь между различными тенденциями в целях установления их
взаимного влияния и, следовательно, повышения качества прогнозов.
Корреляционный анализ может исследовать взаимосвязь между
двумя показателями (парная корреляция) или между многими показателями (множественная корреляция).
Методы экстраполяции оказываются наиболее эффективными
именно в условиях краткосрочного планирования.
Регрессионный анализ исследует зависимость определенной
величины от другой величины или нескольких других величин.
Регрессионный анализ применяется преимущественно в среднесрочном прогнозировании, а также в долгосрочном прогнозировании.
114
Средне- и долгосрочный периоды дают возможность установления
изменений в среде бизнеса и учета влияний этих изменений на исследуемый показатель.
Для осуществления регрессионного анализа необходимо:
− наличие ежегодных данных по исследуемым показателям;
− наличие одноразовых прогнозов, то есть таких прогнозов,
которые не поправляются с поступлением новых данных.
Регрессионный анализ обычно проводится для объектов, имеющих сложную, многофакторную природу, таких, как:
− объем инвестиций;
− прибыль;
− объемы продаж и др.
Методы экономико-математического моделирования. Во внут-
рифирменном прогнозировании используются:
− модели внутренней среды фирмы, так называемые корпора-
тивные модели;
− макроэкономические модели, к которым относят эконометри-
ческие модели, модели «затраты – выпуск».
Корпоративные модели обычно представляют собою набор
формул (уравнений), которые выражают отношения ряда переменных
к определенному объекту, например, к объему продаж.
Помимо формульных моделей во внутрифирменном планировании могут использоваться матричные модели (модели в виде таблиц),
структурно-иерархические модели, описывающие внутреннюю структуру и взаимосвязь в рамках экономической организации.
При использовании корпоративных моделей полезно делать не
только перспективные, но и ретроспективные (обращенные в прошлое) прогнозы. Сравнение данных ретроспективного прогноза и
фактических данных за прошлый период позволяет сделать вывод о
надежности моделей.
Большая часть математических моделей имеет форму компьютерных программ. Находясь в процессе выполнения, такие программы
позволяют исследовать развитие внутрифирменных взаимосвязей,
то есть придают моделям динамический характер.
К недостаткам применения методов экономико-математического
моделирования в рамках прогнозирования будущего экономической
организации можно отнести:
− необходимость серьезных затрат на организацию исследова-
тельской работы и оплату труда специалистов;
− невозможность охватить в моделях все наиболее существен-
ные тенденции развития;
115
− высокую вероятность внезапных изменений, разрушительных
событий, существенно снижающих полезный эффект модели.
В качестве отдельной отрасли экономического прогнозирования
на уровне фирмы выделяют прогнозирование продаж (сбыта).
Учитывая вышеизложенное, не трудно прийти к выводу, что все
методы прогнозирования влияния факторов рисков на транспортно-технологический процесс поставки лесного сырья имеют свои недостатки и
преимущества. Поэтому в целях разработки наиболее адекватной к условиям протекания обозначенного процесса модели, нами предлагается использовать не один способ прогнозирования, а комбинацию методов.
Исходя из того, что наиболее точный результат дает математическое описание процесса, если произвести учет основных факторов
и пренебречь второстепенными, нами предлагается разработать математическую модель.
Исходя из того, что если квалификация экспертов лесной отрасли достаточно высока, то метод экспертных оценок дает более точный
прогноз влияния рисков, для разработки модели нами предлагается
использовать комбинацию метода экспертных оценок и математическое моделирование.
Но, как уже говорилось в первом разделе настоящего исследования,
транспортно-технологический процесс поставки лесного сырья является
сложной динамической системой, поэтому модель должна учитывать
динамику процесса и быть основанной на принципах системности.
Таким образом, в целях настоящего исследования, обозначена
необходимость анализа динамических моделей в стохастической
постановке.
3.2.4. Анализ динамических моделей
транспортно-технологического процесса
в условиях влияния рисков
Динамическими задачами в линейном программировании называют условные экстремальные задачи, в которых параметры управления представляют собой характеристики состояния системы в некоторые дискретные моменты времени. Обычно ограничения задачи связывают между собой параметры управления, отвечающие небольшому количеству последовательных моментов времени. Поэтому матрицы условий динамических задач содержат большое число нулей [27].
В отличие от задач динамического программирования, особенность которых: многовариантность решений; этапность вычислений;
116
аддитивность критерия (общий критерий равен сумме критериев на
(
(
x
(
(
(
y
(
−
≤
()(
этапах), динамические задачи линейного программирования нацелены на поиск общего решения, оптимального для всей системы, ведь
локальные оптимумы не всегда приводят к оптимуму всей системы.
Применение динамических задач линейного программирования
хорошо описано в книге [9]. Это задачи о рациональном графике использования основных фондов (оборудования), оборотных фондов
(сырья); задача об узких местах. Особый интерес вызывают задачи,
связанные с разработкой стратегии приобретения и продажи в условиях изменяющегося спроса. В задаче необходимо найти оптимальное
соотношение между объемом приобретаемого
zt и продаваемого продукта
()
()
обеспечивается максимальная прибыль.
T
∑
i
=
1
при условиях
T
(,
∑
1
i
=
()
где С(1)(t) – продажная цена единицы продукта в момент времени t;
123
Ct yt C xt C zt
=⋅−⋅−⋅→
() () () ()
txtztd
−+=
() () ()
0
;yt d≤
()
()
10;yt zt
−≤ t = 1, ..., T, (3.21)
,zt d
t = 1 ,..., T, (3.22)
0, 0,xt yt≥≥ (3.23)
)
t = 1, ..., T, (3.20)
0
)
)
1, ..., ,yt t Т= при которых
)
max
,
t хранимого
)
)
)
(3.19)
С(2) (t) – цена единицы продукта приобретаемого в момент времени t;
C(3)(t) – затраты на хранение единицы продукта в момент времени t;
d – емкость склада; d
Динамическая задача в данной постановке не учитывает сложностей логистической системы товародвижения, таких как транспортные затраты и задержки при доставке грузов, возможности транзитной формы поставок (минуя склад), выгоду от ускорения движения транспортных потоков и товарной массы. Это требует создания
математической модели, обладающей более богатыми возможностями
по отображению различного рода переходных процессов внутри
периода оптимизации. Для этого предлагается применить аппарат
линейного программирования в виде динамической транспортной
– начальный запас некоторого продукта.
o
117
задачи с задержками (ДТЗЗ) в постановке, учитывающей основные
(
принципы логистического подхода и эффективное взаимодействие
производителей и потребителей продукции [28].
ДТЗЗ дает возможность учитывать неравномерность производства и потребления, позволяет оптимизировать не только статическую
структуру потоков, но и процессы перехода от одной структуры
к другой. Важную роль при практической организации транспортных
потоков играет учет времени нахождения грузов в пути (транспортная
задержка, запаздывание), влияние которых в задачах транспортного
типа изучалось в работе Форда и Фулкерсона [16].
По нашему мнению, в постановке транспортной задачи на максимум затрат построенную систему максимизируют лишь возрастающие транспортные издержки, в итоге максимизируется лишь прибыль транспортных компаний, и данная прибыль зачастую не всегда
перекрывает возрастание расходов на транспортировку относительно
этой же задачи, но поставленной на минимум, в этом случае, максимизация окажет негативное влияние на функционирование логистической системы в целом.
Обратная, приведенной выше задаче, цель – минимизировать
функционал F.
FCtXtCtUt
++ Δ
∑∑ ∑∑
Tmn Tn
=++
∑∑∑ ∑∑
tij t j
01 1 0 1
=== = =
Tn Tn
tj tj
01 00
== ==
n
Ct t C tX t t t
() () () () ()
jj j ij
mp
() () () ()
ij ij j j
τ
** ** **
*
(3.24)
JJJJG
min
при ограничениях:
1. Статического баланса объемов производства, перевозок
и потребления:
TT T
mmn n
00 0
∑∑ ∑∑∑ ∑∑
ij tij tj
at X t t
== === ==
01 011 01
==
() () ()
iijj
в .
(3.25)
2. Динамической связи поставщиков и потребителей:
***
Xt X tt=+ i = 1, …, m; j = 1, …, n; t = 0,…, T
()
ij ij ij
)
,
. (3.26)
0
3. Динамики запасов потребителей:
m
Ut Ut X t t
1 в ,
+= + −
( ) () () ()
jjijj
∑
i
=
**
1
118
j = 1, …, n; t = 0, …, T
. (3.27)
0
4. Полного отправления поставок:
n
**
at X t
=
() ()
iij
∑
j
=
1
,
i = 1, … , m; t = 0, …, T0. (3.28)
5. Динамического баланса производства и потребления:
+
tt
tm n
at t
∑∑ ∑∑
== = =
11 0 1
ti t j
() ()
ij
≥
j
в ,
t = 0, …, T0, (3.29)
6. Естественной неотрицательности грузопотоков и запасов;
Xt≥ i = 1, …, m; j = 1, …, n; t = 0, …, T
()
ij
0,
, (3.30)
0
Ut≥ j = 1, …, n; t = 0, …, T
()
j
0,
, (3.31)
0
где i – пункт производства, i € (1, ..., m); j – пункт потребления,
j € (1, ....n); C
mp
(t) – удельные затраты на перевозку груза в момент
ij
времени t от i-го поставщика j-му потребителю; Xij(t) – объем поставки, вышедший в момент времени от i-го поставщика j-му потребителю; С*(t) – удельные затраты в момент времени t на хранение груза
у j-го потребителя; tij – время движения от i-го поставщика к j-му потребителю; Cn(t) – затраты на единичную коррекцию производствен-
ной программы у j-го потребителя; τ
(t) – коррекция производствен-
j
ной программы у j-го потребителя в момент времени t; С**j(t) – стоимость потерь у j-го потребителя из-за опоздания единицы груза на
единицу времени; Xij(t) – объем опаздывающей перевозки; t** (t) –
время опоздания поставки от i-го поставщика j-му потребителю к моменту спроса t; ai(t) – объем производства i-го поставщика в момент
времени t; вj(t) – объем спроса j-го потребителя в момент времени t;
X*
(t) – объем поставки, вышедший в момент времени t от i-го по-
ij
ставщика j-му потребителю; X**ij(t) – объем поставки, прибывшей
в момент времени t от i-го поставщика j-му потребителю.
Достоинствами этой задачи является учет динамики производства, потребления, движения, запасов у потребителя, поставщика
и минимизация транспортно-производственных расходов.
Покупатели и поставщики конкурируют в отрасли из-за влияния
на величину прибыли [27], в таких условиях при движении продукции
в системе «поставщик – транспорт – потребитель» актуально учитывать не только транспортные и производственные затраты, но и маркетинговые аспекты, т. е. динамичность и размер рынка, прибыль
и затраты участников цепи поставок как единой системы [25].
119
Но, по нашему мнению, приведенная модель не учитывает изме-
F
теризуется непостоянством и неравномерностью. В рассматриваемой
модели, значения расчетных параметров являются строго фиксированными, в результате решения получаются строго определенные и
постоянные оптимальные значения искомых величин.
Если внешние условия изменились или приняли другое значе
-
ние, можно рассчитать новый вариант плана, либо включить в модель
фактор неопределенности, т. е. стохастическую составляющую, и математическая модель эффективной логистической сети принимает
вид (2.14):
Tmn Tn
=++
∑∑∑ ∑∑
01 1 0 1
tij t j
=== = =
Tn
+Δ+→
∑∑
00
tj
==
mp
CtXt CtUt
() () () ()
ij ij j j
** ** **
CtX ttt t
() () () ()
jij
Tn
∑∑
tj
==
01
n
Ct t
τ ,
() ()
jj
*
ε min,
(3.32)
где ε – случайная составляющая, представляющая собой влияние
факторов рисков на исследуемый показатель во времени.
В экономико-математическую модель должны включаться только основные факторы.
Проверка качества моделей производится реальной экономической деятельностью предприятия. Практика применения моделей
показывает, что сложные модели с множеством параметров оказываются зачастую не пригодными для практического использования.
целях настоящего исследования необходимо более подробно
В
рассмотреть и проанализировать методику расчета стохастической
составляющей транспортно-технологического процесса.
Фактор стохастичности окружающей среды характеризует неопределенность, обусловленную случайными непредсказуемыми проявлениями окружающей среды.
К ним относят несвоевременную поставку сырья и комплектующих, метеорологические и климатические условия, эпидемии и заболеваемость персонала, землетрясения, катастрофы и
другое.
Для учета влияния данного фактора неопределенности применяют аппарат математической статистики, который на основе данных
за предшествующий период оценивает вероятность реализации случайного события.
120
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]