Диссертация (1151123), страница 15
Текст из файла (страница 15)
МодельАРПСС Бокса и Дженкинса – широко известна и применима для задачподобного рода, подробное описание модели дано в главе 1. Как отмечалосьранее, обычный подход для оценки влияния внутренних или внешнихсобытий в рамках модели АРПСС основывается на работах Бокса и Тиао[58].Модель АРПСС для оценки эффекта влияния внешнего события.Было построено 12 вариантов модели АРПСС.
Они отличались типамифункций, описывающих влияние внешних событий (см. описание моделиданных), иразличными подходами к построению моделей АРПСС:«простая» модель АРПСС, построенная по методу Бокса-Дженкинса; autoarima; «сложная» модель АРПСС. Сложная модель АРПСС получается прирассмотрении заведомо избыточной модели, которая затем упрощаетсяотбрасыванием статистически незначимых слагаемых.Критериямикачествамоделивыступаютсреднеквадратичноеотклонение и интерпретация адекватности модели.
Выбранный критерийкачества отдал предпочтение модели АРПСС (0,2,1) с третьим характеромреакции на изменение. Она получена методом auto-arima, для неесреднеквадратичное отклонение равно 73,51.Анализируя коэффициенты модели, можно сделать следующий вывод:увеличение тарифов на 55% уменьшило выручку компании на 28 млн.рублей за один календарный месяц, а смена технологии ещё на 29 млн.рублей.
Долгосрочное влияние принимаемых решений описано ниже.Часть построенных моделей оказались не интерпретируемыми и былиотброшены из рассмотрения. В них оказалось, что одно или оба внешнихсобытия положительно влияли на динамику финансовых показателей, что,100как следует из рис. 21, – фактически неверно. Такое случалось как снейронными сетями, так и с моделями АРПСС. При этом 76% нейросетевыхмоделей давали логично интерпретируемый результат, у моделей АРПСС этотпроцент выше и равен 83%.Рисунок 22 – Подгонка моделей АРПСС и нейронных сетейНа рис.
22 представлена подгонка нейронной сети и модели АРПСС длядинамики выручки Yota. Хотя на графике не видно явного превосходстваодного или другого метода, однако у окончательного варианта нейроннойсети среднеквадратичное отклонение оказалось в 3,3 раза меньше, чем уокончательного варианта модели АРПСС.Долгосрочный эффект влияния внешних событий. Принятоерешение может влиять на показатели компании достаточно долго, поэтомуважно оценить накопленный эффект каждого внешнего события.
Обе модели(модель АРПСС и нейронные сети) позволяют оценить суммарный результат.В случае компании Yota кумулятивным эффектом будут общие потеривыручки за период с апреля 2011го года по ноябрь 2012го года. Длямоделирования накопленного эффекта рассмотрим исходный ряд, исключивиз него влияние внешнего события. Сравним графики на рис. 23 и 24,которые демонстрируют поведение выручки компании Yota в случае, если бы101компания не принимала подобные решения; на рис.
23 представленасмоделированная выручка организации, построенная по методу АРПСС, нарис. 24 – выручка, смоделированную по методу нейронных сетей.Рисунок 23 – Моделирование выручки компании без учёта принятыхрешений (модель АРПСС)Как следует из рис. 23, если бы компания не принимала подобныеуправленческие решения, выручка не опустилась бы ниже отметки в 150млн. рублей. Общий объём потерь выручки за указанный период составил445 миллионов рублей.
Очевидно, что принятые решения достаточно сильносократили выручку организации. Такая информация будет полезна топменеджерам компании и лицам, принимающим решения. Возможно, этирешения – вынужденный шаг, но следует понимать финансовые последствияв связи с произошедшими изменениями.Нарис.24продемонстрировансхожийрезультат–выручкасмоделирована с помощью нейросетевой модели. На графике заметен разрывв смоделированной выручке с ноября 2011 по апрель 2012 года. Разрыв связансо ступенчатым характером функции I1.102Рисунок 24 – Моделирование выручки компании без принятых решений пометоду нейронных сетейПредставляется, что нейронная сеть с несколько «худшим» результатомпо критерию MSE (30,27) более логична, она отображена на рис.
25.Рисунок 25 – Моделирование выручки компании без учёта принятыхрешений по методу нейронных сетей103В данном случае смоделированная выручка компании также неопускается ниже отметки в 150 млн. рублей, при этом совокупный объёмпотерь выручки за весь период составляет: 405 миллионов рублей.Метод,предложенныйвисследовании,позволяетэффективноанализировать различные события и управленческие решения не только науровне отдельно взятой организации.
Подобный способ применим и к целымсекторам и отраслям экономики, где имеют место дискретные изменения вповедении различных показателей.1043.3. Верификация нейронных сетей специальнойархитектуры в задачах стратегического анализа всфере розничной торговлиУправление организацией розничной торговли предполагает оценку ианализ объектов торговой сети. Часто встречаются ситуации, когда нескольковнешних событий воздействуют на показатели объектов организацииединовременно. При этом оценка каждого внешнего события по отдельностизатруднена.Традиционновкоммерческихданныхорганизацийдоступнаинформация о нескольких объектах, которые могли попасть под влияниевнешних событий.В примере рассматривается применение метода, позволяющего оценитьэффекткаждогособытияпоотдельности,используядоступныйвспомогательный ряд данных.
Производится сравнение с оценкой каждоговнешнего события, когда данные не используются [11].Работа метода иллюстрируется на примере организации розничнойторговли «Лента». Используется нейросетевой алгоритм оценки влияниявнешнего события, предложенный в главе 2.Верификация метода на данных компании «Лента» позволяетпродемонстрироватьвоздействующихтехнологиювнешнихизучениясобытий.Влияниедвухвнешниходновременнособытийврассматриваемом примере накладывается друг на друга и воздействие наданные происходит совместно, в исследовании предлагается способ решенияданной задачи.Предмет изучения. В примере рассматриваются данные коммерческойорганизации«Лента».
На рис. 26 представлена динамика выручкигипермаркета «Лента» (далее в тексте ‒ Лента-6). Лента-6 – основной объектисследования.105Рисунок 26 – Динамика выручки Ленты-6 в миллионах рублей.Как следует из графика, на динамику выручки гипермаркета повлиялидва внешних события: экономический кризис, который начался в сентябре2008-го года, и ремонт на Таллинском шоссе, датируемый июнем - августом2008-го года [17, 19].Обавнешнихсобытиявоздействовалинадинамикупродажгипермаркета одновременно, и выделение эффекта каждого внешнегособытия отдельно затруднено и рассматривается в данном примере.Один из способов решения данной задачи включает в себяпредварительную оценку влияния внешнего события, которое могловоздействовать и на другие объекты розничной сети. Оценка производится наоснове данных о продажах гипермаркета «Ленты», на который воздействовалтолько экономический кризис 2008-го года (это внешнее событие являетсяобщим и одновременным для нескольких объектов сети).На рис.
27 представлена динамика выручки другого гипермаркета«Ленты» ‒ Лента-10. На показатели этого гипермаркета воздействовалотолько одно внешнее событие – экономический кризис 2008-го года.106Рисунок 27 – Динамика выручки Ленты-10 в миллионах рублей.Предлагаетсяоценитьэффект влияниякризисана показателигипермаркета Лента-10. Заметим, что даты начала экономического кризисасовпадают для двух объектов сети, при этом характер реакции покупателейна внешнее событие должен быть аналогичным, поскольку оба объекта«Ленты» работают на рынке FMCG2.Модель оценки влияния внешнего события. Как мы можем заметитьиз рис.
26, влияние кризиса растянуто во времени, и влияет на динамикувыручки компании, как до его начала, так и после. Продолжительность ихарактер влияния – одна из задач, решаемых в текущем примере.Рассматриваетсяуниверсальнаяфункциядляопределенияхарактеравозрастания и затухания влияния внешнего события.Следуя за формулой (2.12) из параграфа 2.3, характер влияниявнешнего события задается следующей функцией:2FMCG - fast-moving consumer goods, товары народного потребления107( )(3.4){где t0 – момент времени, соответствующий началу внешнего события, t1 момент времени, соответствующий концу внешнего события, а T – моментвремени, соответствующий локальному «пику» влияния внешнего события.Функция применяется, когда предполагают, что влияние внешнегособытия вначале линейно увеличивается до единицы (момент T), а затемлинейно уменьшается.
Функция предполагает, что для каждого T, котороеперебирается из набора значений от известной даты (номинальная датаначала кризиса – сентябрь 2008) до конца временного ряда данных, находятсясоответствующие a1 и a2. Используя полученные значения, строится подгонкаметодом auto-arima [81, 82] в пакете R. В дальнейшем используются тезначения T, a1 и a2, которые соответствуют модели АРПСС с наименьшимзначением среднеквадратичного отклонения.Заметим, что в рассматриваемом примере, несмотря на то, что кризисначался в сентябре 2008го года, рынок отреагировал на это внешнее событиесопозданием.Функция,описывающаявлияниевнешнегособытия,определила локальный «пик» (момент T) как апрель 2009-го года.Оценка влияния общего внешнего события.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
