Бизнес-показатели деятельности предприятия с помощью проведения вычислительного эксперимента по методу Монте-Карло

Глава 3. Практическая реализация

3.1 Тестирование модели

После создания имитационной модели было проведено её тестирование с целью проверки правильности её построения и адекватности, а также оценки точности прогнозирования показателей с помощью имитации. В качестве тестовых данных были взяты реальные данные деятельности «Магнита» за 2016 год из отчётности компании. Точность оценивалась на основе того, насколько соответствовали реальным показателям организации полученные значения накопителей и ключевых переменных модели по прошествии 12 единиц модельного времени, соответствующих 12 месяцам реального, прошедшим с момента того состояния системы, которое служило основной информационной опорой при построении модели и внесении в неё исходных данных. Диаграмма, отображающая состояние модели после имитации 12-месячного отрезка, представлена на Рисунке 7.

Рисунок 7. Прогнозирование состояния системы через 12 месяцев

Всего в рамках тестирования было выполнена 3 «прогона» модели, так как многие параметры модели заданы вероятностными распределениями, вследствие чего результаты меняются от раза к разу. Результаты тестов и их сравнение с тестовыми данными представлены в Таблице 7.

Таблица7. Результаты тестирования модели

Все три теста показали результаты, достаточно близкие к реальным. Большинство величин имели относительную погрешность менее 5%. Некоторые показатели во всех тестах стабильно были больше или меньше желаемых значений, но это может объясняться тем, что и в результатах деятельности компании за 2016 год некоторые отражённые данные стали неожиданностью. Например, впервые произошло уменьшение объёма запасов - все предыдущие годы запасы предприятия стабильно увеличивались. В целом, с учётом стохастичности модели и трудной предсказуемости многих финансовых показателей, можно заключить, что модель адекватна и имеет достаточно высокую точность прогноза.

Экспериментирование по методу Монте-Карло

Для решения задачи полноценного исследования и улучшения результатов деятельности компании, включающей анализ влияния отдельных параметров на ключевые показатели эффективности и их оптимизацию, в AnyLogic над созданной и протестированной имитационной модельюбыл осуществлён эксперимент Монте-Карло. Эксперимент заключался в проведении множественных итераций модели с варьированием стохастических параметров и параллельным отслеживанием ответа значений ключевых показателей на данные изменения. Оптимальным решением являлись такие значения параметров, которые давали наилучший совокупный результат по трём ключевым показателям, то есть максимизировали накопленную чистую прибыль и коэффициент текущей ликвидности и минимизировали коэффициент финансового рычага.

Продолжительность каждой итерации составляла 24 месяца, на каждое измерение уделялась 1000 итераций. Исследовалось влияние таких параметров, как оборачиваемость запасов (Turnover), средняя торговая наценка (Markup), процент рекламного бюджета (AdBudgetingRate) и коэффициент инвестиций (InvestmentRatio). Оптимизация остальных элементов не осуществлялась, так как они либо оказывают одностороннее и очевидное влияние на ключевые показатели, либо их значение не может подвергнуться корректировке силами компании, следовательно, их оптимизация бессмысленна в рамках данного исследования.

Сначала были проведены эксперименты с варьированием каждого оптимизируемого параметра по отдельности. Результаты были отражены с помощью двумерных гистограмм, иллюстрирующих зависимость ключевых показателей от параметров путём точечных обозначений статистических результатов решений. Далее строились одномерные гистограммы для отображения распределений величин ключевых переменных для значений параметров, наиболее похожих на оптимальные.

Двумерные гистограммы зависимости чистой прибыли, левериджа и текущей ликвидности от торговой наценки представлены на Рисунке 8.

Рисунок 8. Двумерная гистограмма влияния торговой наценки

Наиболее высокой прибыли компания достигает при средней наценке от 40 до 50 процентов - в среднем около 140 миллиардов рублей за 2 года. Но коэффициенты левериджа и ликвидности при данных показателях не являются наилучшими, в отличие от их значений при торговой наценке, равной приблизительно 28%, где функции обоих показателей принимают некие экстремумы. Также любопытны их значения в условиях торговой наценки от 15% и ниже, где прибыль даже принимала значение больше 200 миллиардов. Но на данном интервале наблюдается слишком сильный и непредсказуемый разброс и, следовательно, большой риск. Таким образом, подробнее были рассмотрены распределения показателей в интервалах торговой наценки от 0,25 до 0,35 и от 0,4 до 0,5. Их значения были проварьированы с шагом 0,01 и занесены в Таблицу 8вместе со средними ключевыми результатами.

Таблица 8. Варьирование параметра торговой наценки

Итак, чистая прибыль имела максимальное среднее значение при торговой наценке в 45%, а наиболее низкий финансовый рычаг был достигнут при 30%. Показатель ликвидности в данном случае не учитывается, так как почти на всём интервале принимает значение больше единицы. По совокупности показателей, наиболее оптимальным значением из используемых в варьировании стало 0,3, то есть 30-процентная торговая наценка, что однозначно ниже средней торговой наценки «Магнита» на данный момент. Но такая наценка направлена в первую очередь не на получение прибыли, а на снижение финансового рычага и ликвидации связанных с ним рисков, которые существуют при данном реальном положении дел в компании.

Одномерные гистограммы распределений (Рисунок 9) указывают на ещё большую целесообразность такого решения - отсутствуют серьёзные риски и велик шанс значительно снизить коэффициент финансового левериджа.

Рисунок 9. Одномерные гистограммы распределений для торговой наценки

В целом, подобную стратегию снижения цен можно рассматривать как выгодную при непродолжительном переходе на неё с целью разгрузить долговую ведомость.

Визуальные зависимости показателей от параметра, определяющего рекламный бюджет, изображены на Рисунке 10.

Рисунок 10. Двумерная гистограмма влияния процента рекламного бюджета

Параметр процента рекламного бюджета от прибыли был исследован на всём отрезке значений от 0 до 1. Его влияние на все ключевые показатели оказалось достаточно слабым. Лучшие результаты были показаны как на чистой прибыли, так и на коэффициенте левериджа в интервале приблизительно от 0,08 до 0,28. Коэффициент ликвидности снова оказался больше единицы, следовательно, не учитывался. В целях нахождения оптимального значения было проведено варьирование параметра с шагом 0,02, результаты которого вынесены в Таблицу 9.

Таблица 9. Варьирование параметра процента рекламного бюджета

Все ключевые показатели менялись очень незначительно в рамках данного эксперимента, но удалось выявить одно оптимальное значение параметра, при котором и прибыль, и леверидж имели более близкие к целевым значения. Это значение соответствует 22% рекламного бюджета от чистой прибыли. Соответствующие распределения изображены на Рисунке 11.

Рисунок 11. Одномерные гистограммы распределений для процента рекламного бюджета

Применение такой стратегии благоприятно влияет на прибыль и текущую ликвидность, но показатель левериджа с высокой долей вероятности может возрасти. Впрочем, влияние данного параметра на него минимально.

Рисунок 12 содержит результаты варьирования месячной оборачиваемости товарных запасов

Рисунок 12. Двумерная гистограмма влияния оборачиваемости

Рост показателя оборачиваемости в компании неизменно увеличивает её чистую прибыль и уменьшает коэффициент финансового рычага, но в то же время крайне негативно сказывается на показателе ликвидности. При приблизительно единичной месячной оборачиваемости леверидж достигает 0,7 - недопустимого значения. В связи с этим, был проведён анализ большого интервала оборачиваемости - от 0,2 до 1 с шагом 0,05. Результаты измерений представлены в Таблице 10.

Таблица 10. Варьирование параметра оборачиваемости запасов

Как и было сказано, увеличение показателя оборачиваемости приводит к росту прибыли и снижению коэффициента левериджа, но также вызывает резкое снижение уровня ликвидности, из-за чего снижается и общая эффективность.Наилучший же показатель общей эффективности был достигнут при оборачиваемости, равной 0,5. Гистограммы распределения ключевых показателей в таких условиях представлены на Рисунке 13.

Рисунок 13. Одномерные гистограммы распределений для оборачиваемости

В целом, такое решение обеспечивает хорошие результаты в сравнении с реальными данными, особенно в отношении объёма чистой прибыли.

Двумерные гистограммы зависимостей ключевых показателей от коэффициента инвестиций изображены на Рисунке 14.

Рисунок 14. Двумерная гистограмма влияния коэффициента инвестиций

Увеличение данного коэффициента вызывает увеличение средств, идущих на инвестиции, которые зачастую финансируются при помощи привлечения заёмных средств. Следовательно, с ростом параметра стремительно повышается коэффициент левериджа и чуть менее стремительно падает показатель текущей ликвидности. Прибыль же, наоборот, улучшает свои показатели за счёт вложений. В целях оптимизации были протестированы значения показателя в интервале от 0 до 2 с шагом 0,1. Результаты тестирования занесены в Таблицу 11.

Таблица 11. Варьирование параметра коэффициента инвестиций

При параметре, равном меньше 1,3, финансовый рычаг имел значения ниже единицы, поэтому, как и коэффициент ликвидности, не применялся для нахождения оптимума. Но именно на отметке параметра 1,3 он оказался ближе всего к своему целевому значению - единице. Данное значение оказалось оптимальным и по совокупности ключевых показателей. Гистограммы данного решения изображены на Рисунке 15.

Рисунок 15. Одномерные гистограммы для коэффициента инвестиций

Использование этой стратегии также выглядит многообещающе: незначительно пожертвовав потенциальной прибылью, компания может практически полностью привести в порядок другие финансовые показатели.

Выводы

В заключительной главе работы были статистически проверены, оценены и дополнены результаты проведённой деятельности по воплощению всех рассмотренных теорий, исследованных методов, свойств и явлений для создания отвечающей заданным требованиям имитационной модели. Модель была успешно протестирована на реальных данных и испытана в качестве инструмента прогнозирования и стратегического планирования путём проведения вычислительных экспериментов Монте-Карло, из чего можно заключить, что в работе были выполнены все поставленные задачи и получены соответствующие ожиданиям результаты.

Заключение

В данной работе были рассмотрены основы и методы имитационного моделирования, исследована и проанализирована деятельность торговой компании и с применением изученных инструментальных средств разработана имитационная модель данной компании, отвечающая первоначальным требованиям. Тестирование модели продемонстрировало её адекватность и пригодность для прогнозирования финансовых результатов, а основным результатом работы стала экспериментальная проверка модели с применением метода Монте-Карло, позволившая осуществить поставленную в работе цель по использованию технологий имитационного моделирования для улучшения показателей деятельности торговой компании путём выработки стратегических решений, основанных на оптимизации экономических параметров её деятельности.

По итогам исследования были сделаны следующие выводы:

Имитационное моделирование является одним из основных и незаменимых исследовательских и прикладных научных инструментов во многих сферах деятельности человека, в том числе, в бизнесе и экономике.

Инструментальные средства моделирования на сегодняшний день демонстрируют огромную мощность в решении сложных и объёмных задач за счёт высоких вычислительных способностей компьютеров.

Несмотря на абстрактность терминов системной динамики, данный подход к моделированию может быть крайне эффективен для прогнозирования и планирования реальных показателей.

Полученная в ходе работы модель является гибким инструментом для анализа и повышения эффективности деятельности торгового предприятия, и, следовательно, решает изначально поставленные проблемы, цели и задачи.

Список литературы

Акопов А.С. Имитационное моделирование. Учебник и практикум для академического бакалавриата. - М.: Издательство Юрайт, 2014. - 389 с.

Боев В.Д. Компьютерное моделирование: Пособие для практических занятий, курсового и дипломного проектирования в AnyLogic7. - СПб.: ВАС, 2014. - 432 с.

Кобелев Н.Б. Основы имитационного моделирования сложных экономических систем: Учеб. пособие. - М.: Дело, 2003. - 336 с.

Ларичев О.И. Теория и методы принятия решений. М.: Логос, 2000.

Лоу А.М., Кельтон В.Д. Имитационное моделирование 3-е издание. - СПб.: Питер, Издательская группа BHV, 2004.- 847c.

Лычкина Н.Н. Имитационное моделирование экономических процессов - М.:Инфра-М, 2012. - 164с.

Мичасова О.В. Имитационное моделирование экономических систем: учеб. пособие. - Нижний Новгород: Нижегородский университет, 2014.- 186 с.

Размещено на Allbest.ru