2. Разработка бизнес- процессов
при росте капитализации
и при изменении структуры инвестиций.
1. Финансовое планирование бизнес - процессов на основе ППП MATLAB - нейронные сети.
1.1 Исходные данные для разработки финансового плана.
Порядок выполнения задания рассмотрим на примере.
- Заказчик предполагает привлечь зарубежные инвестиции на развитие строительного комплекса на территории РФ.
- Территория застройки состоит из трех земельных участков рис.2.19.
- Срок выполнения инвестиционного проекта от начала подготовительных работ до полной реализации готовой продукции составляет три года.
- Объем реализуемой продукции в денежном выражении составляет 1265000 у.е. – на первом участке 230000у.е., на втором участке 690000
у.е., на третьем участке 345000 у.е.
- Затраты на выполнение работ составляют 632500 у.е. - на первом участке 115000 у.е., на втором участке 345000 у.е., на третьем участке 172500 у.е.
- Планируемая валовая прибыль составляет 632500 у.е.- на первом участке 115000 у.е., на втором участке 345000 у.е., на третьем участке 172500 у.е.
- Предполагается, что заказчик уже привлек для строительства на первом участке инвестиционный кредит российского банка 115000 у.е., ведет строительство на этом участке и должен возвратить эти средства банку по окончании первого года.
- Из затрат второго участка 115000 у.е. составляют подготовительные работы, а 230000 у.е. строительство и реализация.
- Из затрат третьего участка 86250 у.е. составляют подготовительные работы, а 86250 у.е. строительство и реализация.
- Общий объем инвестиций, которые необходимо привлечь на подготовительные работы второго и третьего участка составляют 201250 у.е.
Исходные данные рекомендуется представить в виде таблицы 2.1.
Таблица 2.1
|
1-ый участок |
2-ой участок |
3-ий участок |
всего |
Создаваемые ценности (капитализация) |
230000 |
690000 |
345000 |
1265000 |
Общие затраты |
115000 |
345000 |
172500 |
632500 |
Подготовительные работы (инвестиции) |
- |
115000 |
86250 |
201250 |
Строительство и реализация (инвестиционный кредит) |
115000 |
230000 |
86250 |
431250 |
Прибыль |
115000 |
345000 |
172500 |
632500 |
Оборот инвестиций и инвестиционного кредита |
316250 |
230000 |
86250 |
632500 |
- На основе Меморандума создается инвестиционный зарубежный фонд для финансирования подготовительных работ в объеме 1000у.е.
- Средства фонда в объеме 1000у.е. размещаются в Российском банке под гарантийные обязательства.
- Российский банк выдает средства инвестора на подготовительные работы под обеспечение возврата средств объектами строительства готовыми к продаже из расчета, например, 50% оценки залога.
- Предполагается, что в случае готовности подготовительных работ на 2-ом и 3-ем участке банк выделяет инвестиционный кредит для финансирования строительных работ и реализации.
- Подготовительные работы на втором участке должны быть закончены во втором году с таким расчетом, чтобы в этом году закончить строительство на этом участке и вернуть 500у.е. банку инвестиционный кредит, затраченный на строительство.
- Подготовительные работы на третьем участке должны быть закончены в третьем году с таким расчетом, чтобы в этом году закончить строительство на этом участке и вернуть 1000у.е. банку инвестиционный кредит, затраченный на строительство.
1.2. Расчет при помощи ппп matlab - нейронные сети весов связей, характеризующих последовательность возврата инвестиций.
Применение ППП MATLAB - нейронные сети осуществляется таким образом, чтобы возврат инвестиций ставился в зависимость от объема строящихся объектов служащих предметом залога. Это возможно, благодаря наличию дельта - правила, которое лежит в основе расчетов весов нейронной сети. Согласно этому правилу приращение весов связей нейронной сети пропорциональны значениям на входах, с которыми они связаны. Если на входах задавать объемы готовых объектов в денежном выражении, являющихся объектами залога, а приращения весов связей соответствуют необходимой величине возврата инвестиций, то объемы возврата инвестиций распределяться пропорционально залогам. Требуется произвести расчет возврата инвестиций, с учетом залогов и увязки по времени показателей финансового планирования с показателями бизнес – процессов. Эта увязка, как известно из практики, является наиболее «узким местом» при разработке BSC. Перед началом расчета необходимо изучить порядок пользования ППП MATLAB - нейронные сети [6].
Исходная двухслойная нейронная сеть без учета кредита представлена на рис.2.1.
- Каждая ветвь нейронной сети (1,2,3) соответствует пространственному расположению участков строительства (1,2,3) в соответствии табл.2.1 и определяет ожидаемую валовую прибыль на каждом участке, как разность между стоимостью построенных объектов и общими затратами. Значения на входах равны стоимости построенных объектов или ожидаемой выручке от продаж на 1-ом, 2-ом и 3-ем участке, величина сдвигов 1-ого слоя равна общим затратам на участках с обратным знаком, а величина целей равна ожидаемой валовой прибыли. Величина сдвигов 2-ого слоя равна нулю, так как они не участвуют в расчетах. Начальные значения весов связей и сдвигов обеспечивают то, что расчетные значения на выходах ветвей равны ожидаемой прибыли на участках или целям, т.е. требуемым значениям.
Рис.2.1
- Для расчета возврата инвестиций 1000у.е., к 1-ой ветви следует отнести банк, в который возвращаются инвестиции, выданные 2-ому и 3-ему участку на подготовительные работы.
- Для определения параметров залога, получения и возврата инвестиций на подготовительные работы по времени принимается, что 2-ая и 3-ия ветвь сети соответствует 2-ому и 3-ему году.
- 1-ая ветвь соответствует 1-ому году строительства и получению инвестиций на 1-ом участке, также возврату инвестиций банку в зависимости от сроков реализации готовой продукции на всех участках.
- Для учета возврата инвестиций, выданных банком на подготовительные работы 1000у.е. добавим эту сумму к абсолютной величине сдвига 1-ого слоя 1-ой ветви сети рис.2.17.
- Для учета возврата инвестиций банку 1-ым и 2-ым участком абсолютные величины сдвигов 1-ого слоя 2-ой и 3-ей ветви уменьшим соответственно на 500у.е. каждую (табл.2.1).
- Произведем расчет величин и времени возврата инвестиций, полагая, что по времени возврат от второй ветви соответствует 2-ому году, от третьей ветви 3-ему году. Веса связей сети при вычитании из них начальных значений в денежном выражении соответствуют суммам возврата инвестиций, а знак весов определяет направление возврата.
- Выводим на экран дисплея не заполненное окно менеджера рис.2.
Рис.2.2
-Для заполнения окна рис.2.2 выводим окно New Data 1 рис.2.3 входы в нейронную сеть (inputs), где каждый вход соответствует ценностям на 1-ом, 2-ом и 3-ем участке (таблица 2.1).
Рис.2.3
-Выводим окно New Data рис.4 цели (targets), где каждая цель соответствует прибыли на 1-ом, 2-ом и 3-ем участке (таблица 2.1).
Рис.2.4
- В окне рис.2.2 заполнятся два левых верхних окна
- Для контроля правильности введенных данных выводим окна рис.2.5,6 путем активизации data 1и data 2 и при помощи View.
Если значения в этих окна не совпадают с введенными значениями, то значения в этих окнах необходимо скорректировать. За тем необходимо приступить к формированию двухслойной линейной нейронной сети с прямым распространением сигнала Feed-forward backprop.
Рис.2.5 Рис.2.6
- Для формирования двухслойной нейронной сети Feed-forward backprop, выводим на экран окно network1 при помощи New Network в соответствии с рис.2.7. При этом необходимо ввести data1, установить 3 нейрона (Number of neurons) и линейную функцию (PURELIN) для 1-ого слоя нейронной сети Layer1. Для 2-ого слоя Layer2 также устанавливается 3 нейрона и линейная функция. При вводе Create в окне менеджера рис.2.2 появится network1
Рис.2.7
- После активизации network1 в окне менеджера рис.2.2 и при помощи View выводим на экран окно со схемой нейронной сети рис.2.8
Рис.2.8
-Проверяется, чтобы сеть имела три входа и по три нейрона в каждом слое, а также линейный сигнал (наклонные прямые линии).
- При помощи Weights выводим на экран окна весов связей сети рис.2.1 и заполняем их в соответствии с рис.2.9,10,11,12 не забывая после заполнения каждого окна устанавливать Set Weights.
- Веса связей нижней части сети располагаются в окне рис.2.1.
Рис.2.9
- В окне рис.2.10 устанавливаются веса связей верхней части сети рис.1.
- 1-ая строка рис.2.9 соответствуют весам трех связей, входящих в 1-ый нейрон. Значения разделяются пробелом, а строка заканчивается точкой с запятой. Аналогично заполняется 2-ая и 3-ия строка, а также строки окна рис.2.10.
Рис.2.10
- Сдвиги 1-ого слоя рис.2.1 располагаются в окне рис.2.11.
Рис.2.11
- Сдвиги 2-ого слоя рис.2.1 располагаются в окне рис.2.12.
Рис.2.12
- При помощи Train переходим к окну рис.2.13, вводим data1, data2 и затем производим расчет Train Network.
Рис.2.13
В результате расчета выводится окно графика ошибки рис.2.14. По оси ординат откладывается среднеквадратическое значение отклонения выходов от целей, а по оси абсцисс количество итераций расчета. Начальная ошибка равна нулю, если сдвиги рис.2.11 равны значениям сети рис.2.1. В этом случае при Train Network окно ошибки не появляется. Установленные значения для сети рис.2.17 с учетом инвестиций вызывают начальную ошибку. Расчет заключается в подборе значений весов, при которых ошибка стремится нулю. Уже при семи итерациях ошибка близка нулю.
Рис.2.14
- Возвращаемся в Weights и получаем в окнах рис.2.9,10,11,12 результаты расчета весов, представленных табл.2.2,3,4,5.
- Результаты расчета весов сети рис.9, скопированные в EXCEL, представлены табл.2.2.
Табл.2.2
1.053 0.16852 0.083386 |
-0.031927 0.90677 -0.045712 |
-0.031456 -0.067117 0.96579 |
- Результаты расчета весов сети рис.2.10, скопированные в EXCEL, представлены табл.2.3.
Табл.2.3
0.98369 0.0899 0.060405 |
0.010323 0.94256 -0.035618 |
0.010323 0.94256 -0.035618 |
- Результаты расчета весов сети рис.2.11, скопированные в EXCEL, представлены табл.2.4. Величина их не изменилась, что соответствует условиям решаемой задачи
Табл.2.4
-316250; |
-230000; |
-86250 |
- Результаты расчета весов сети рис.2.12, скопированные в EXCEL, представлены табл.2.5. Величина их несколько отлична от нуля, что приведет к незначительной ошибке в дальнейших расчетах возврата инвестиций в подготовительные работы 2-ого и 3-его участка. Если ошибка окажет существенное влияние на конечные результаты расчета, то имеется возможность ее уменьшить за счет пропорционального увеличения всех исходных значений, кроме сдвигов второго слоя.
Табл.2.5
2.385e-007; |
-1.3131e-007; |
-1.1491e-007 |
- Возвращаемся в окно менеджер рис.2.1 и активизируем результаты расчета в окнах рис.2.15,16.
Рис.2.15 Рис.2.16
Убеждаемся, что значения на выходах нейронной сети рис.2.15 равна целям рис.2.4, а ошибка на всех выходах рис.2.16 близка нулю.
Расчетные значения весов связей наносим на схему сети рис.2.17.
Рис.2.17
- Располагаем расчетные значения весов табл.2.6,7 заменяя точки, отделяющие целую часть числа, запятыми. Первое значение в скобах номер нейрона, второе номер входа. Каждое значение весов табл.2.6,7 переносим в отдельную ячейку EXCEL.
Табл.2.6
|
1 вход |
2 вход |
3 вход |
1нейрон верхнего слоя |
0,97646(11) |
0,078564(12) |
0,10528(13) |
2нейрон верхнего слоя |
0,011704(21) |
0,96031(22) |
-0,05322(23) |
3нейрон верхнего слоя |
0,011679(31) |
-0,03985(32) |
0,94655(33) |
Табл.2.7
1нейрон нижнего слоя |
1,0533(11) |
0,10651(12) |
0,15977(13) |
2нейрон нижнего слоя |
-0,02653(21) |
0,94695(22) |
-0,07958(23) |
3нейрон нижнего слоя |
-0,02649(31) |
-0,05297(32) |
0,92054(33) |