11.5. Эконометрика в контроллинге
Контроллеру и сотрудничающему с ним
эконометрику нужна разнообразная экономическая и управленческая информация, не менее нужны удобные инструменты ее анализа. Следовательно,
информационная поддержка контроллинга необходима для
успешной работы контроллера. Без современных компьютерных инструментов анализа
и управления, основанных на продвинутых эконометрических и
экономико-математических методах и моделях, невозможно эффективно принимать
управленческие решения. Недаром специалисты по контроллингу большое внимание уделяют проблемам создания, развития и применения компьютерных
систем поддержки принятия решений. Высокие статистические технологии и
эконометрика - неотъемлемые части любой современной системы поддержки принятия
экономических и управленческих решений.
Важная
часть эконометрики - применение высоких статистических технологий к анализу
конкретных экономических данных. Такие исследования зачастую требуют
дополнительной теоретической работы по "доводке" статистических
технологий применительно к конкретной ситуации. Большое значение для контроллинга имеют не только общие методы, но и конкретные
эконометрические модели, например, вероятностно-статистические модели тех или
иных процедур экспертных оценок (глава 12) или эконометрики качества (глава
13), имитационные модели деятельности организации, прогнозирования в условиях
риска (глава 14). И конечно, такие конкретные применения, как расчет и
прогнозирование индекса инфляции. Сейчас уже многим специалистам ясно, что
годовой бухгалтерский баланс предприятия может быть использован для оценки его
финансово-хозяйственной деятельности только с привлечением данных об инфляции.
Различные области экономической теории и практики в настоящее время еще далеко
не согласованы. При оценке и сравнении инвестиционных проектов принято использовать
такие характеристики, как чистая текущая стоимость, внутренняя норма
доходности, основанные на введении в рассмотрение изменения стоимости денежной
единицы во времени (это осуществляется с помощью дисконтирования). А при
анализе финансово-хозяйственной деятельности организации на основе данных
бухгалтерской отчетности изменение стоимости денежной единицы во времени по
традиции не учитывают.
Специалисты
по контроллингу должны быть вооружены современными
средствами информационной поддержки, в том числе средствами на основе высоких
статистических технологий и эконометрики. Очевидно, преподавание должно идти
впереди практического применения. Ведь как применять то, чего не знаешь?
Статистические
технологии применяют для анализа данных двух принципиально различных типов. Один из них - это результаты измерений (наблюдений, испытаний,
анализов, опытов и др.) различных видов, например, результаты управленческого
или бухгалтерского учета, данные Госкомстата и др. Короче, речь идет об
объективной информации. Другой - это оценки экспертов, на основе своего
опыта и интуиции делающих заключения относительно экономических явлений и
процессов. Очевидно, это - субъективная информация. В стабильной экономической
ситуации, позволяющей рассматривать длинные временные ряды тех или иных
экономических величин, полученных в сопоставимых условиях, данные первого типа
вполне адекватны. В быстро меняющихся условиях приходятся опираться на
экспертные оценки. Такая новейшая часть эконометрики, как статистика нечисловых
данных, была создана как ответ на запросы теории и практики экспертных оценок
(см. главы 8 и 12).
Для решения каких экономических задач может быть полезна эконометрика? Практически для
всех, использующих конкретную информацию о реальном мире. Только чисто
абстрактные, отвлеченные от реальности исследования могут обойтись без нее. В
частности, эконометрика необходима для прогнозирования, в том числе поведения
потребителей, а потому и для планирования. Выборочные исследования, в том числе
выборочный контроль, основаны на эконометрике. Но планирование и контроль -
основа контроллинга. Поэтому эконометрика - важная
составляющая инструментария контроллера, воплощенного в компьютерной системе
поддержки принятия решений. Прежде всего оптимальных
решений, которые предполагают опору на адекватные эконометрические модели. В
производственном менеджменте это может означать, например, использование
моделей экстремального планирования эксперимента (судя по накопленному опыту их
практического использования, такие модели позволяют повысить выход полезного
продукта на 30-300%).
Высокие статистические технологии в
эконометрике предполагают адаптацию применяемых методов к меняющейся ситуации.
Например, параметры прогностического индекса меняются вслед за изменением
характеристик используемых для прогнозирования величин. Таков метод
экспоненциального сглаживания. В соответствующем алгоритме расчетов значения
временного ряда используются с весами. Веса уменьшаются по мере удаления в
прошлое. Многие методы дискриминантного анализа
основаны на применении обучающих выборок. Например, для построения рейтинга
надежности банков можно с помощью экспертов составить две обучающие выборки -
надежных и ненадежных банков. А затем с их помощью решать для вновь
рассматриваемого банка, каков он - надежный или ненадежный, а также оценивать
его надежность численно, т.е. вычислять значение рейтинга.
Один из способов построения адаптивных
эконометрических моделей - нейронные сети (см., например, монографию [23]). При
этом упор делается не на формулировку адаптивных алгоритмов анализа данных, а -
в большинстве случаев - на построение виртуальной адаптивной структуры. Термин
"виртуальная" означает, что "нейронная сеть" - это
специализированная компьютерная программа, "нейроны" используются
лишь при общении человека с компьютером. Методология нейронных сетей идет от
идей кибернетики 1940-х годов. В компьютере создается модель мозга человека
(весьма примитивная с точки зрения физиолога). Основа модели - весьма простые
базовые элементы, называемые нейронами. Они соединены между собой, так что
нейронные сети можно сравнить с хорошо знакомыми экономистам и инженерам
блок-схемами. Каждый нейрон находится в одном из заданного множества состояний.
Он получает импульсы от соседей по сети, изменяет свое состояние и сам рассылает
импульсы. В результате состояние множества нейтронов изменяется, что
соответствует проведению эконометрических вычислений.
Нейроны обычно объединяются в слои (как
правило, два-три). Среди них выделяются входной и выходной слои. Перед началом
решения той или иной задачи производится настройка. Во-первых, устанавливаются
связи между нейронами, соответствующие решаемой задаче. Во-вторых, проводится
обучение, т.е. через нейронную сеть пропускаются обучающие выборки, для
элементов которых требуемые результаты расчетов известны. Затем параметры сети
модифицируются так, чтобы получить максимальное соответствие выходных значений
заданным величинам.
С точки зрения точности расчетов (и
оптимальности в том или ином эконометрическом смысле) нейронные сети не имеют
преимуществ перед другими адаптивными эконометрическими системами. Однако они
более просты для восприятия. Надо отметить, что в эконометрике используются и
модели, промежуточные между нейронными сетями и "обычными" системами
регрессионных уравнений (одновременных и с лагами). Они тоже используют
блок-схемы, как, например, универсальный метод моделирования связей
экономических факторов ЖОК (этот метод описан в работе [24]).
Заметное место в математико-компьютерном
обеспечении принятия решений в контроллинге занимают
методы теории нечеткости (по-английски - fuzzy theory, причем термин fuzzy переводят на русский язык по-разному: нечеткий, размытый, расплывчатый,
туманный, пушистый и др.). Начало современной теории нечеткости положено
работой Л.А. Заде 1965г., хотя истоки прослеживаются со времен Древней Греции
(об истории теории нечеткости см., например, книгу [12]). Это направление
прикладной математики в последней трети ХХ в. получило бурное развитие. К
настоящему времени по теории нечеткости опубликованы тысячи книг и статей,
издается несколько международных журналов (половина - в Китае и Японии),
постоянно проводятся международные конференции, выполнено достаточно много как
теоретических, так и прикладных научных работ, практические приложения дали
ощутимый технико-экономический эффект.
Основоположник рассматриваемого
научного направления Лотфи А. Заде рассматривал теорию нечетких множеств как аппарат анализа и моделирования
гуманистических систем, т.е. систем, в которых участвует человек. Его подход
опирается на предпосылку о том, что элементами мышления человека являются не
числа, а элементы некоторых нечетких множеств или классов объектов, для которых
переход от "принадлежности" к "непринадлежности" не
скачкообразен, а непрерывен. В настоящее время методы теории нечеткости
используются почти во всех прикладных областях, в том числе при управлении
качеством продукции и технологическими процессами.
Нечеткая математика и
логика - мощный элегантный инструмент современной науки, который на Западе и на
Востоке (в Японии, Китае, Корее) можно встретить в программном обеспечении
сотен видов изделий - от игрушек и бытовых видеокамер до систем управления
предприятиями. В России он был достаточно хорошо известен с начала 1970-х
годов. Однако первая монография российского автора по теории нечеткости [12] была опубликована лишь в 1980 г. В дальнейшем проводившиеся
раз в год всесоюзные конференции собирали около 100 участников - по мировым
меркам немного. В настоящее время интерес к теории нечеткости среди экономистов
и менеджеров растет.
При изложении теории нечетких множеств обычно не
подчеркивается связь с вероятностными моделями. Между тем еще в середине 1970-х
годов установлено (цикл соответствующих теорем приведен, в частности, в
монографии [12], но это отнюдь не первая публикация), что теория нечеткости в
определенном смысле сводится к теории случайных множеств, хотя эта связь и
имеет, возможно, лишь теоретическое значение. В США подобные работы появились
лет на пять позже.
Профессионалу в области контроллинга полезны многочисленные интеллектуальные инструменты анализа данных, относящиеся
к высоким статистическим технологиям и эконометрике.