Вероятностно-статистические методы принятия решений

Классификация эконометрических инструментов может быть проведена по различным основаниям: по методам, по виду данных, по решаемым задачам и т.п. В частности, при классификации по методам целесообразно выделять следующие блоки:

1.1. Описание данных и их графическое представление.

1.2. Углубленный вероятностно-статистический анализ.

1.3. Поддержка экспертных исследований.

1.4. Методы сценариев и анализа рисков.

При классификации на основе вида данных эконометрические алгоритмы естественно делить по тому, каков вид данных "на входе":

2.1. Числа.

2.2. Конечномерные вектора.

2.3. Функции (временные ряды).

2.4. Объекты нечисловой природы.

Наиболее интересна классификация по тем задачам контроллинга, для решения которых используются эконометрические методы. При таком подходе могут быть выделены блоки:

3.1. Поддержка прогнозирования и планирования.

3.2. Слежение за контролируемыми параметрами и обнаружение отклонений.

3.3. Поддержка принятия решений, и др.

От каких факторов зависит частота использования тех или иных эконометрических инструментов контроллинга? Как и при иных применениях эконометрики, основных групп факторов два - это решаемые задачи и квалификация специалистов.

При практическом применении эконометрических методов в работе контроллера необходимо применять соответствующие программные системы. Могут быть полезны и общие статистические системы типа SPSS, Statgraphics, Statistica, ADDA, и более специализированные Statcon, SPC, NADIS, REST (по статистике интервальных данных), Matrixer и многие другие. Массовое внедрение удобных в работе программных продуктов, включающих современные эконометрические инструменты анализа конкретных экономических данных, можно рассматривать как один из эффективных способов ускорения научно-технического прогресса, распространение современных эконометрических знаний.

Эконометрика постоянно развивается. Прикладные исследования приводят к необходимости более глубокого анализа классических методов.

Хорошим примером для обсуждения являются методы проверки однородности двух выборок. Есть две совокупности, и надо решить, различаются они или совпадают. Для этого из каждой из них берут по выборке и применяют тот или иной статистический метод проверки однородности. Около 100 лет назад был предложен метод Стьюдента, широко применяемый и сейчас. Однако он имеет целый букет недостатков. Во-первых, согласно Стьюденту распределения элементов выборок должны быть нормальными (гауссовыми). Как правило, это не так. Во вторых, он нацелен на проверку не однородности в целом (т.н. абсолютной однородности, т.е. совпадения функций распределения, соответствующих двум совокупностям), а только на проверку равенства математических ожиданий. Но, в-третьих, при этом обязательно предполагается, что дисперсии для элементов двух выборок совпадают. Однако проверять равенство дисперсий, а тем более нормальность, гораздо труднее, чем равенство математических ожиданий. Поэтому критерий Стьюдента обычно применяют, не делая таких проверок. А тогда и выводы по критерию Стьюдента повисают в воздухе.

Более продвинутые в теории специалисты обращаются к другим критериям, например, к критерию Вилкоксона. Он является непараметрическим, т.е. не опирается на предположение нормальности. Но и он не лишен недостатков. С его помощью нельзя проверить абсолютную однородность (совпадение функций распределения, соответствующих двум совокупностям). Это можно сделать только с помощью т.н. состоятельных критериев, в частности, критериев Смирнова и типа омега-квадрат.

С практической точки зрения критерий Смирнова обладает недостатком - его статистика принимает лишь небольшое число значений, ее распределение сосредоточено в небольшом числе точек, и не удается пользоваться традиционными уровнями значимости 0,05 и 0,01.

Термин "высокие статистические технологии" . В термине "высокие статистические технологии" каждое из трех слов несет свою смысловую нагрузку.

"Высокие", как и в других областях, означает, что технология опирается на современные достижения теории и практики, в частности, теории вероятностей и прикладной математической статистики. При этом "опирается на современные научные достижения" означает, во-первых, что математическая основа технологии в рамках соответствующей научной дисциплины получена сравнительно недавно, во-вторых, что алгоритмы расчетов разработаны и обоснованы в соответствии с нею (а не являются т.н. "эвристическими"). Со временем, если новые подходы и результаты не заставляют пересмотреть оценку применимости и возможностей технологии, заменить ее на более современную, "высокая эконометрическая технология" переходят в "классическую статистическую технологию". Такую, как метод наименьших квадратов. Итак, высокие статистические технологии - плоды недавних серьезных научных исследований. Здесь два ключевых понятия - "молодость" технологии (во всяком случае, не старше 50 лет, а лучше - не старше 10 или 30 лет) и опора на "высокую науку".

Термин "статистические" привычен, но имеет много оттенков. Известно более 200 определений термина "статистика".

Наконец, сравнительно редко используемый применительно к статистике термин "технологии". Анализ данных, как правило, включает в себя целый ряд процедур и алгоритмов, выполняемых последовательно, параллельно или по более сложной схеме. В частности, можно выделить следующие типовые этапы:

Возможны иные структуризации статистических технологий. Важно подчеркнуть, что квалифицированное и результативное применение статистических методов - это отнюдь не проверка одной отдельно взятой статистической гипотезы или оценка параметров одного заданного распределения из фиксированного семейства. Подобного рода операции - только кирпичики, из которых складывается здание статистической технологии. Между тем учебники и монографии по статистике и эконометрике обычно рассказывают об отдельных кирпичиках, но не обсуждают проблемы их организации в технологию, предназначенную для прикладного использования. Переход от одной статистической процедуры к другой остается в тени.

Проблема "стыковки" статистических алгоритмов требует специального рассмотрения, поскольку в результате использования предыдущего алгоритма зачастую нарушаются условия применимости последующего. В частности, результаты наблюдений могут перестать быть независимыми, может измениться их распределение и т.п.

Например, при проверке статистических гипотез большое значение имеют уровень значимости и мощность. Методы их расчета и использования при проверке одной гипотезы обычно хорошо известны. Если же сначала проверяется одна гипотеза, а потом с учетом результатов ее проверки - вторая, то итоговая процедура, которую также можно рассматривать как проверку некоторой (более сложной) статистической гипотезы, имеет характеристики (уровень значимости и мощность), которые, как правило, нельзя просто выразить через характеристики двух составляющих гипотез, а потому они обычно неизвестны. В результате итоговую процедуру нельзя рассматривать как научно обоснованную, она относится к эвристическим алгоритмам. Конечно, после соответствующего изучения, например, методом Монте-Карло, она может войти в число научно обоснованных процедур прикладной статистики.

Итак, процедура эконометрического или статистического анализа данных - это информационный технологический процесс, другими словами, та или иная информационная технология. В настоящее время об автоматизации всего процесса эконометрического (статистического) анализа данных говорить было бы несерьезно, поскольку имеется слишком много нерешенных проблем, вызывающих дискуссии среди специалистов.

Весь арсенал используемых в настоящее время статистических методов можно распределить по трем потокам:

Необходимо обеспечить, чтобы в конкретных исследованиях использовались только технологии первых двух типов. При этом под классическими статистическими технологиями понимаем технологии почтенного возраста, сохранившие научную ценность и значение для современной статистической практики. Таковы метод наименьших квадратов, статистики Колмогорова, Смирнова, омега-квадрат, непараметрические коэффициенты корреляции Спирмена и Кендалла и многие другие.

Специалистов-эконометриков у нас на порядок меньше, чем в США и Великобритании (Американская статистическая ассоциация включает более 20000 членов). России необходимо обучение новых специалистов - эконометриков.

Какие бы новые научные результаты ни были получены, если они остаются неизвестными студентам, то новое поколение исследователей и инженеров вынуждено осваивать их, действуя по одиночке, а то и переоткрывать. Несколько огрубляя, можно сказать так: те подходы, идеи, результаты, факты, алгоритмы, которые попали в учебные курсы и соответствующие учебные пособия - сохраняются и используются потомками, те, которые не попали - пропадают в пыли библиотек.

Точки роста. Выделяют пять актуальных направлений, в которых развивается современная прикладная статистика, т.е. пять "точек роста": непараметрика, робастность, бутстреп, интервальная статистика, статистика объектов нечисловой природы. Кратко обсудим эти актуальные направления.

Непараметрика, или непараметрическая статистика, позволяет делать статистические выводы, оценивать характеристики распределения, проверять статистические гипотезы без слабо обоснованных предположений о том, что функция распределения элементов выборки входит в то или иное параметрическое семейство. Например, широко распространена вера в то, что статистические данные часто подчиняются нормальному распределению. Однако анализ конкретных результатов наблюдений, в частности, погрешностей измерений, показывает, что в подавляющем большинстве случаев реальные распределения существенно отличаются от нормальных. Некритическое использование гипотезы нормальности часто приводит к значительным ошибкам, например, при отбраковке резко выделяющихся результатов наблюдений (выбросов), при статистическом контроле качества и в других случаях. Поэтому целесообразно использовать непараметрические методы, в которых на функции распределения результатов наблюдений наложены лишь весьма слабые требования. Обычно предполагается лиш ь их непрерывность. К настоящему времени с помощью непараметрических методов можно решать практически тот же круг задач, что ранее решался параметрическими методами.

Основная идея работ по робастности (устойчивости): выводы должны мало меняться при небольших изменениях исходных данных и отклонениях от предпосылок модели. Здесь есть два круга задач. Один - это изучение устойчивости распространенных алгоритмов анализа данных. Второй - поиск робастных алгоритмов для решения тех или иных задач.

Сам по себе термин "робастность" не имеет однозначного смысла. Всегда необходимо указывать конкретную вероятностно-статистическую модель. При этом модель "засорения" Тьюки-Хубера-Хампеля обычно не является практически полезной. Она ориентирована на "утяжеление хвостов", а в реальных ситуациях "хвосты обрезаются" априорными ограничениями на результаты наблюдений, связанными, например, с используемыми средствами измерения.

Бутстреп - направление непараметрической статистики, опирающееся на интенсивное использование информационных технологий. Основная идея состоит в "размножении выборок", т.е. в получении набора из многих выборок, напоминающих полученную в эксперименте. По такому набору можно оценить свойства различных статистических процедур. Простейший способ "размножения выборки" состоит в исключении из нее одного результата наблюдения. Исключаем первое наблюдение, получаем выборку, похожую на исходную, но с объемом, уменьшенным на 1. Затем возвращаем исключенный результат первого наблюдения, но исключаем второе наблюдение. Получаем вторую выборку, похожую на исходную. Затем возвращаем результат второго наблюдения, и т.д. Есть и иные способы "размножения выборок". Например, можно по исходной выборке построить ту или иную оценку функции распределения, а затем методом статистических испытаний смоделировать ряд выборок из элементов, функция распределения которых совпадает с этой оценкой.

Интервальная статистика - это анализ интервальных статистических данных. Вполне очевидно, что все средства измерения имеют погрешности. Однако до недавнего времени это очевидное обстоятельство никак не учитывалось в статистических процедурах. Только недавно начала развиваться теория интервальной статистики (см. предыдущую главу). В ней предполагается, что исходные данные - это не числа, а интервалы.

Статистика объектов нечисловой природы. Перейдем к статистике объектов нечисловой природы (она же - статистика нечисловых данных, или нечисловая статистика).

Исходный объект в прикладной статистике - это выборка, т.е. совокупность независимых одинаково распределенных случайных элементов. Какова природа этих элементов? В классической математической статистике элементы выборки - это числа или вектора. А в нечисловой статистике элементы выборки - это объекты нечисловой природы, которые нельзя складывать и умножать на числа. Другими словами, объекты нечисловой природы лежат в пространствах, не имеющих векторной структуры.

Примерами объектов нечисловой природы являются:

Интервальные данные тоже можно рассматривать как пример объектов нечисловой природы, а именно, как частный случай нечетких множеств.

В нашей стране с 1970-х годов в основном на основе запросов теории экспертных оценок (а также технических исследований, экономики, социологии и медицины) развивались конкретные направления статистики объектов нечисловой природы. Были установлены основные связи между конкретными видами таких объектов, разработаны для них базовые вероятностные модели.

Следующий этап (1980-е годы) - выделение статистики объектов нечисловой природы в качестве самостоятельной дисциплины, ядром которого являются методы статистического анализа данных произвольной природы. Для работ этого периода характерна сосредоточенность на внутренних проблемах нечисловой статистики.

К 1990-м годам статистика объектов нечисловой природы с теоретической точки зрения была достаточно хорошо развита, основные идеи, подходы и методы были разработаны и изучены математически, в частности, доказано достаточно много теорем. Наступило время перейти к применению полученных результатов на практике.

Основные идеи статистики объектов нечисловой природы. В чем принципиальная новизна нечисловой статистики? Для классической математической статистики характерна операция сложения. При расчете выборочных характеристик распределения (выборочное среднее арифметическое, выборочная дисперсия и др.), в регрессионном анализе и других областях этой научной дисциплины постоянно используются суммы. Математический аппарат - законы больших чисел, Центральная предельная теорема - нацелены на изучение сумм. В нечисловой же статистике нельзя использовать операцию сложения, поскольку элементы выборки лежат в пространствах, где нет операции сложения. Методы обработки нечисловых данных основаны на принципиально ином математическом аппарате - на применении различных расстояний в пространствах объектов нечисловой природы. Они нацелены на решение классических задач описания данных, оценивания, проверки гипотез - но для неклассических данных, а потому неклассическими методами.

Первой обсудим проблему определения средних величин. В классической статистике их вводят с помощью операций сложения (выборочное среднее арифметическое, математическое ожидание) или упорядочения (выборочная и теоретическая медианы). В пространствах произвольной природы средние значения нельзя определить с помощью операций сложения или упорядочения. Их приходится вводить как решения экстремальных задач. Теоретическое среднее определяется как решение задачи минимизации математического ожидания расстояния от случайного элемента со значениями в рассматриваемом пространстве до фиксированной точки этого пространства (минимизируется указанная функция от этой точки). Для эмпирического среднего математическое ожидание берется по эмпирическому распределению, т.е. берется сумма расстояний от некоторой точки до элементов выборки и затем минимизируется по этой точке. Cформулированы и доказаны законы больших чисел, т.е. установлена сходимость так определенных эмпирических средних к теоретическим средним.

Оказалось, что методы доказательства законов больших чисел допускают существенно более широкую область применения, чем та, для которой они были разработаны. А именно, удалось изучить асимптотику решений экстремальных статистических задач, к которым, как известно, сводится большинство постановок прикладной статистики. В частности, установлена состоятельность оценок минимального контраста, в том числе оценок максимального правдоподобия и робастных оценок. Подобные оценки изучены и в интервальной статистике.

В статистике в пространствах произвольной природы большую роль играют непараметрические оценки плотности, используемые, в частности, в различных алгоритмах регрессионного, дискриминантного, кластерного анализов. В нечисловой статистике предложен и изучен ряд типов непараметрических оценок плотности в пространствах произвольной природы, в том числе в дискретных пространствах. В частности, доказана их состоятельность, изучена скорость сходимости и установлен примечательный факт совпадения наилучшей скорости сходимости в произвольном пространстве с той, которая получена в классической теории для числовых случайных величин.

Дискриминантный, кластерный, регрессионный анализы в пространствах произвольной природы основаны либо на параметрической теории - и тогда применяется подход, связанный с асимптотикой решения экстремальных статистических задач - либо на непараметрической теории - и тогда используются алгоритмы на основе непараметрических оценок плотности.

Для проверки гипотез могут быть использованы статистики интегрального типа, в частности, типа омега-квадрат. Любопытно, что предельная теория таких статистик, построенная первоначально в классической постановке, приобрела естественный (завершенный, изящный) вид именно для пространств произвольного вида, поскольку при этом удалось провести рассуждения, опираясь на базовые математические соотношения, а не на те частные (с общей точки зрения), что были связаны с конечномерным пространством.

Представляют практический интерес результаты, связанные с конкретными областями статистики объектов нечисловой природы, в частности, со статистикой нечетких и случайных множеств, с непараметрической теорией парных сравнений и бернуллиевских векторов (люсианов), с аксиоматическим введением метрик в конкретных пространствах объектов нечисловой природы.

Для анализа нечисловых, в частности, экспертных данных весьма важны методы классификации. С другой стороны, наиболее естественно ставить и решать задачи классификации, основанные на использовании расстояний или показателей различия, в рамках нечисловой статистики. Это касается как распознавания образов с учителем (другими словами, дискриминантного анализа), так и распознавания образов без учителя (т.е. кластерного анализа).

Экспертные оценки - часть современной эконометрики. Кроме вероятностно-статистических эконометрических методов, для контроллинга большое значение имеет такая важная область эконометрики, как экспертные оценки. Нестабильность современной социально-экономической ситуации повысила интерес к применению экспертных оценок (и понизила практическое значение статистики временных рядов). Разнообразные процедуры экспертных оценок широко используются не только в контроллинге, но и в технико-экономическом анализе, в маркетинге, при оценке инвестиционных проектов и во многих иных областях.

В теории экспертных оценок выделяются вопросы организации экспертиз и математические модели поведения экспертов. Методы обработки экспертных данных всегда основаны на тех или иных моделях поведения экспертов. Обычно предполагается, что ответы экспертов можно моделировать как совокупность независимых одинаково распределенных случайных элементов. Эти элементы часто принадлежат тому или иному пространству объектов нечисловой природы, т.е. их нельзя складывать и умножать на число.

Нечисловая статистика была разработана во многом в ответ на запросы теории экспертных оценок и представляет собой математико-статистическую основу этой теории. Предварительные итоги были подведены в обзоре [10.10] и монографии [10.3], а также в ряде монографий и сборников тех времен. С их выходом заканчивается начальный период развития экспертных оценок в нашей стране - от первоначальных публикаций до создания теории. Следующий этап, продолжающийся уже более 20 лет - развитие теории. Предварительные итоги подведены в обзоре.

Третий этап, на котором созданная теория широко применяется, еще не наступил. Пока используются в основном наиболее простые процедуры экспертных оценок, описанные еще в первоначальных публикациях 1960-х и начала 1970-х годов.

Из конкретных видов объектов нечисловой природы обратим внимание на люсианы (конечные последовательности независимых испытаний Бернулли с, вообще говоря, различными вероятностями успеха). В частности, на их основе строится непараметрическая теория парных сравнений, для ответов экспертов проверяются гипотезы согласованности, однородности и независимости.

Теория экспертных оценок продолжает бурно развиваться. Одним из новых подходов к выделению общей части во мнениях экспертов является метод согласования кластеризованных ранжировок.

За последние 30 лет в теории экспертных оценок получено много полезных для практики результатов (в том числе подходов к сбору и анализу данных, методик проведения экспертных исследований, алгоритмов расчетов). Все ценное должно быть использовано для эконометрической поддержки контроллинга

Принятие решений в условиях риска

Последствия решений менеджера, экономиста, инженера проявятся в будущем. А будущее неизвестно. Мы обречены принимать решения в условиях неопределенности. Мы всегда рискуем, поскольку нельзя исключить возможность нежелательных событий. Но можно сократить вероятность их появления. Для этого необходимо спрогнозировать дальнейшее развитие событий, в частности, последствия принимаемых решений.

Методы социально-экономического прогнозирования. Кратко рассмотрим различные методы прогнозирования (предсказания, экстраполяции), используемые в социально-экономической области.

Как часть теории принятия решений существует научная дисциплина "Математические методы прогнозирования". Ее целью является разработка, изучение и применение современных математических методов эконометрического (в частности, статистического, экспертного, комбинированного) прогнозирования социально-экономических явлений и процессов, причем методы должны быть проработаны до уровня, позволяющего их использовать в практической деятельности экономиста, инженера и менеджера. К основным задачам этой дисциплины относятся разработка, изучение и применение:

Теоретической основой методов прогнозирования являются математические дисциплины (прежде всего, теория вероятностей и математическая статистика, дискретная математика, исследование операций), а также экономическая теория, экономическая статистика, менеджмент, социология, политология и другие социально-экономические науки.

Как общепринято со времен Анри Файоля, прогнозирование и планирование - основа работы менеджера. Сущность эконометрического прогнозирования состоит в описании и анализе будущего развития, в отличие от планирования, при котором директивным образом задается будущее движение. Очевидно, методы прогнозирования могут быть успешно применены при условии некоторой стабильности развития ситуации и отказывают при резких изменениях.

Часто оказывается полезным промежуточный путь между прогнозированием и планированием - так называемое нормативное прогнозирование. При его применении задается цель, а затем разрабатывается система мероприятий, обеспечивающая достижение этой цели, и изучаются характеристики этой системы (объем необходимых ресурсов, в том числе материальных, кадровых, финансовых, временных, возникающие риски и т.п.). При "индикативном планировании", наоборот, план формируется на основе прогнозов.

Учет нежелательных тенденций, выявленных при прогнозировании, позволяет принять необходимые меры для их предупреждения, а тем самым помешать осуществлению прогноза.

Статистические методы прогнозирования. Наиболее часто используется метод наименьших квадратов при нескольких факторах (2-5). Метод наименьших модулей и другие методы экстраполяции применяются реже, хотя их статистические свойства зачастую лучше. Большую роль играет традиция и общий уровень знаний об эконометрических методах прогнозирования.

Оценивание точности прогноза - необходимая часть процедуры квалифицированного прогнозирования. Разработаны параметрические (обычно на основе модели нормальных ошибок) и непараметрические оценки точности прогноза и доверительные границы для него (на основе Центральной Предельной Теоремы теории вероятностей). Так, в Институте высоких статистических технологий и эконометрики предложены и изучены методы доверительного оценивания точки наложения (встречи) двух временных рядов и их применения для оценки динамики технического уровня собственной продукции и продукции конкурентов, представленной на мировом рынке.

Применяются также эвристические приемы - метод скользящих средних, метод экспоненциального сглаживания.

Адаптивные методы прогнозирования позволяют оперативно корректировать прогнозы при появлении новых наблюдений. С развитием вычислительных мощностей компьютеров проблема сокращения объемов вычисления теряет свое значение.

Многомерная регрессия, в том числе с использованием непараметрических оценок плотности распределения - основной на настоящий момент эконометрический аппарат прогнозирования. Для отказа от нереалистического предположения нормальности необходимо опереться на многомерную центральную предельную теорему теории вероятностей и технологию линеаризации. С их помощью проводят точечное и интервальное оценивание параметров, проверяют значимость их отличия от 0 в непараметрической постановке, строят доверительные границы для прогноза.

Весьма важны проблема проверки адекватности модели, а также проблема отбора факторов. Априорный список факторов, оказывающих влияние на отклик, обычно весьма обширен, желательно его сократить, и крупное направление современных эконометрических исследований посвящено методам отбора "информативного множества признаков". Однако эта проблема пока еще окончательно не решена. Проявляются необычные эффекты. Так, установлено, что обычно используемые статистические оценки степени полинома при росте объема выборки имеют геометрическое распределение.

Перспективны непараметрические методы оценивания плотности вероятности и их применения для восстановления регрессионной зависимости произвольного вида. Наиболее общие постановки в этой области получены с помощью подходов статистики нечисловых данных.

К современным статистическим методам прогнозирования относятся также модели авторегрессии, модель Бокса-Дженкинса, системы эконометрических уравнений, основанные как на параметрических, так и на непараметрических подходах.

Для установления возможности применения асимптотических результатов при конечных (т.н. "малых") объемах выборок полезны компьютерные статистические технологии. Они позволяют также строить различные имитационные модели. Отметим полезность методов размножения данных (бутстреп-методов). Системы прогнозирования с интенсивным использованием компьютеров объединяют различные методы прогнозирования в рамках единого автоматизированного рабочего места прогнозиста.

Прогнозирование на основе данных, имеющих нечисловую природу, в частности, прогнозирование качественных признаков основано на результатах статистики нечисловых данных. Весьма перспективными для прогнозирования представляются регрессионный анализ интервальных и нечетких данных. Общая постановка регрессионного анализа в рамках статистики нечисловых данных и ее частные случаи - дисперсионный анализ и дискриминантный анализ (распознавание образов с учителем), давая единый подход к формально различным методам, полезна при программной реализации современных статистических методов прогнозирования.

Экспертные методы прогнозирования. Необходимость и общее представление о применении экспертных методов прогнозирования при принятии решений на различных уровнях управления - на уровне страны, отрасли, региона, предприятия - вытекают из рассмотрений следующей главы. Отметим большое практическое значение экспертиз при сравнении и выборе инвестиционных и инновационных проектов, при управлении проектами, экологических экспертиз.

В качестве примеров конкретных экспертных процедур, широко используемых при прогнозировании, укажем метод Дельфи и метод сценариев. На их основе формируются конкретные процедуры подготовки и принятия решений с использованием методов экспертных оценок, например, процедуры распределения финансирования научно-исследовательских работ (на основе балльных оценок или парных сравнений), технико-экономического анализа, кабинетных маркетинговых исследований (противопоставляемых "полевым" выборочным исследованиям), оценки, сравнения и выбора инвестиционных проектов. Используются параметрические модели парных сравнений - Терстоуна, Бредли-Терри-Льюса - и непараметрические модели теории люсианов.

Применительно к различным видам рейтингов теория экспертных оценок позволяет выяснить степень их адекватности прогностической ситуации, предложить наиболее полезные для целей прогнозирования. Например, анализ рейтингов политиков по степени их влиятельности, публиковавшийся одной из известных центральных газет, показал, что из-за неадекватности используемого математического аппарата лишь первые 10 мест, возможно, имеют некоторое отношение к реальности (они не меняются при переходе к другому способу анализа данных, т.е. не зависят от субъективизма членов Рабочей группы), остальные - "информационный шум", попытки опираться на них при прогностическом анализе могут привести лишь к ошибкам. Что же касается начального участка рейтинга этой газеты, то он также может быть подвергнут сомнению, но по более глубоким причинам, например, связанным с составом экспертной комиссии.

Используют различные методы построения итогового мнения комиссии экспертов. Своей простотой выделяется метод средних рангов. Компьютерное моделирование позволило установить ряд свойств медианы Кемени, часто рекомендуемой для использования в качестве итогового (обобщенного, среднего) мнения комиссии экспертов. Интерпретация закона больших чисел для нечисловых данных в терминах теории экспертного опроса такова: итоговое мнение устойчиво, т.е. мало меняется при изменении состава экспертной комиссии, и при росте числа экспертов приближается к "истине". При этом в соответствии с принятым в монографии [10.3] подходом предполагается, что ответы экспертов можно рассматривать как результаты измерений с ошибками, все они - независимые одинаково распределенные случайные элементы, вероятность принятия определенного значения убывает по мере удаления от некоторого центра - "истины", а общее число экспертов достаточно велико.

Проблемы применения методов прогнозирования в условиях риска.Многочисленны примеры ситуаций, связанных с социальными, технологическими, экономическими, политическими, экологическими и другими рисками. Именно в таких ситуациях обычно и необходимо прогнозирование. Известны различные виды критериев, используемых в теории принятия решений в условиях неопределенности (риска). Из-за противоречивости решений, получаемых по различным критериям, очевидна необходимость применения оценок экспертов.

В конкретных задачах прогнозирования необходимо провести классификацию рисков, поставить задачу оценивания конкретного риска, провести структуризацию риска, в частности, построить деревья причин (в другой терминологии, деревья отказов) и деревья последствий (деревья событий). Центральной задачей является построение групповых и обобщенных показателей, например, показателей конкурентоспособности и качества. Риски необходимо учитывать при прогнозировании экономических последствий принимаемых решений, поведения потребителей и конкурентного окружения, внешнеэкономических условий и макроэкономического развития России, экологического состояния окружающей среды, безопасности технологий, экологической опасности промышленных и иных объектов. Метод сценариев незаменим применительно к анализу технических, экономических и социальных последствий аварий.

Имеется некоторая специфика применения методов прогнозирования в ситуациях, связанных с риском. Велика роль функции потерь и методов ее оценивания, в том числе в экономических терминах. В конкретных областях используют вероятностный анализ безопасности (для атомной энергетики) и другие специальные методы.

Принятие решений и современные компьютерные технологии прогнозирования.Перспективны интерактивные (человеко-машинные) методы прогнозирования с использованием баз эконометрических данных, имитационных (в том числе на основе применения метода статистических испытаний) и экономико-математических динамических моделей, сочетающих экспертные, статистические и моделирующие блоки. При использовании экспертных оценок непосредственно обращаются к опыту и интуиции высококвалифицированных специалистов, а при применении экспертных систем имеют дело с компьютерными алгоритмами расчетов и выводов, при создании которых когда-то давно привлекались эксперты как источник данных и типовых заключений.

Обратим внимание на возможность использования в прогнозировании производственных функций, статистически описывающих связь выпуска с факторами производства, на различные способы учета научно-технического прогресса, в частности, на основе анализа трендов и с помощью экспертного выявления точек роста. Разработаны компьютерные системы и программные средства для обеспечения комбинированных методов прогнозирования. Одна из первых таких систем была создана в 70-е годы в ИМЭМО АН СССР под руководством С.А. Петровского.

Основные идеи технологии сценарных экспертных прогнозов.Как уже отмечалось, социально-экономическое прогнозирование, как и любое прогнозирование вообще, может быть успешным лишь при некоторой стабильности условий. Однако решения органов власти, отдельных лиц, иные события меняют условия, и события развиваются по-иному, чем ранее предполагалось. Объективно имеются точки выбора (фуркации), после которых рассматриваемое прогнозистами развитие может пойти по одному из нескольких возможных путей (эти пути и называют обычно сценариями). Выбор может делаться на разных уровнях - конкретной личностью (перейти на другую работу или остаться), менеджером (выпускать ту или иную марку продукции), конкурентами (сотрудничество или борьба), властными структурами (выбор той или иной системы налогообложения), населением страны (выбор президента), "международным сообществом" (вводить или нет санкции против России).

Например, работа [10.12] имела целью прогноз динамики валового внутреннего продукта (ВВП) на 9 лет (1999-2007). При ее проведении было ясно, что за это время произойдут различные политические события, в частности, по крайней мере два цикла парламентских и президентских выборов (при условии сохранения нынешней политической структуры), результаты которых нельзя предсказать однозначно. Поэтому прогноз динамики ВВП мог быть сделан лишь по отдельности для каждого сценария из некоторой гаммы, охватывающей возможные пути социально-экономической динамики России.

Для построения исчерпывающего, но обозримого набора сценариев необходимо предварительно проанализировать динамику социально-экономического развития рассматриваемого экономического агента и его окружения. Корни будущего - в настоящем и прошлом, причем зачастую - в весьма далеком прошлом. Кроме макроэкономических и микроэкономических характеристик, известных лишь с погрешностями, которые нельзя считать случайными или малыми, необходимо учитывать состояние и динамику отечественного массового сознания, политических, в том числе внешнеполитических реалий, поскольку на обычно рассматриваемом интервале времени (до 10 лет) экономика зачастую следует за политикой, а не наоборот.

Так, например, к началу 1985 г. экономика СССР находилась в достаточно стабильном состоянии с ежегодным ростом в среднем 3-5%. Если бы руководство страны находилось в руках иных людей, то развитие продолжалось бы в прежних условиях и к концу тысячелетия ВВП СССР увеличился бы на 50% и составил бы примерно 150 % от уровня 1985 г. Реально же из-за политических причин ВВП России за эти 15 лет упал примерно в 2 раза, т.е. составил около 50 % по сравнению с 1985 г., или в 3 раза меньше, чем можно было бы ожидать из чисто экономических причин при сохранении стабильных условий 1985 г.

Создание набора сценариев - предмет экспертного исследования, проводимого в соответствии с описанной выше методологией. Кроме того, эксперты могут оценить вероятности реализации того или иного сценария.

Часто используют упрощенный подход к прогнозированию методом сценариев. А именно, формулируют три сценария - оптимистический, вероятный и пессимистический. При этом для каждого из сценариев достаточно произвольно выбирают значения параметров, описывающих производственно-экономическую ситуацию (по-английски - case). Цель такого подхода - рассчитать интервалы разброса для характеристик и "коридоры" для временных рядов, интересующих исследователя (и заказчика исследования). Например, прогнозируют финансовый поток и чистую текущую стоимость NPV инвестиционного проекта.

Ясно, что такой упрощенный подход не может дать максимального или минимального значения характеристики, он дает лишь представление о порядке количественной меры разброса. Однако его развитие приводит к байесовской постановке в теории принятия решений. Например, если сценарий описывается точкой конечномерного евклидова пространства, то любое вероятностное распределение на множестве исходных параметров преобразуется в распределение интересующих исследователя характеристик. Расчеты могут быть проведены методом статистических испытаний. Надо в соответствии с заданным распределением на множестве параметров выбирать с помощью датчика псевдослучайных чисел конкретный вектор параметров и рассчитывать для него итоговые характеристики. В результате получится эмпирическое распределение на множестве итоговых характеристик, которое можно разными способами анализировать, находить оценку математического ожидания, разброса и др. Для задания распределения на множестве параметров можно использовать экспертов.

Использование результатов прогнозирования - предмет не эконометрики, а теории принятия решений. Как известно, при принятии решений на основе анализа ситуации, в том числе результатов прогнозных исследований, можно исходить из различных критериев. Так, можно ориентироваться на то, что ситуация сложится наихудшим, или наилучшим, или средним (в каком-либо смысле) образом.

Различные виды рисков. Будущее нам неизвестно. А потому неизвестны и будущие доходы и расходы, мы можем лишь прогнозировать их с той или иной степенью уверенности. Как описывать неопределенность будущего? Чем мы рискуем и что вообще понимать под "риском"? Как отражается неопределенность будущего на финансовых потоках (потоках платежей и поступлений), их характеристиках и выводах об эффективности управляющих воздействий на те или иные экономические процессы? Как уменьшить возможные потери и защититься от рисков?

Риск - это нежелательная возможность. Риски возникают только там, где есть неопределенность. Чаще всего речь идет либо об осуществлении нежелательного события, либо об ущербе случайного размера.

Чтобы управлять рисками, надо сначала знать риски. Поскольку на деятельность любой организации непосредственно либо потенциально влияют риски различной природы, необходима классификация рисков. Для построения такой классификации необходим какой-либо упорядочивающий принцип. Возьмем за основу движение от частного к общему. Тогда естественно выделить:

Затем необходимо изучить степень их влияния на показатели эффективности деятельности организации с целью выделения наиболее значимых.

После этого целесообразно провести изучение различных способов оценки финансовых и иных рисков в случаях, когда они моделируются с помощью тех или иных математических структур.

Часто моделируют риски с помощью вероятностей и случайных величин. При этом используют такие характеристики случайного ущерба, как математическое ожидание, дисперсия, квантили, коэффициент вариации, линейные комбинации математического ожидания и среднего квадратического отклонения и др. Эти характеристики рассматривают в непараметрической постановке, поскольку нет оснований полагать, что распределение характеристики риска входит в то или иное из известных параметрических семейств.

Перспективна разработка методов описания рисков с помощью нечетких множеств, лингвистических переменных, качественных признаков, интервальных математических и эконометрических моделей и др.

Описание может быть многомерным. Каждая координата может соответствовать своему виду воздействия (нарушения, происшествия) и описываться количественным либо качественным признаком. Тогда дополнительно возникает задача агрегирования (сведения вместе) показателей риска.

Следующий этап - разработка методологии применения различных методов управления рисками с использованием экспертных оценок, эконометрических и экономико-математических моделей с целью повышения эффективности деятельности организации в условиях риска. При этом необходимо научиться практически решать проблему многокритериальности (согласования оценок рисков, полученных по различным основаниям, с целью эффективного управления риском).

Производственные риски.К ним следует, прежде всего, отнести риски, связанные с выпуском дефектной продукции. Хорошо известно, что при массовом производстве невозможно обеспечить выпуск продукции без дефектов. Поэтому действуют отделы технического контроля (ОТК), службы (бюро) качества и другие подразделения, осуществляющие контроль качества продукции. Известно, что в машиностроении стоимость контрольных операций составляет в среднем около 10% от стоимости продукции. Часть риска компенсируется службами технического обслуживания продукции, уже находящейся у потребителя. Постоянно используемыми терминами в этой области являются "риск поставщика" и "риск потребителя".

Другой вид рисков связан с осуществлением действующих технологических процессов. Речь идет об авариях различной степени тяжести, от незначительных нарушений технологических процессов до катастроф с человеческими жертвами. Здесь целесообразно обратить внимание на экологические риски, в частности, связанные с аварийными сбросами в реки технологических жидкостей, выбросами в атмосферу газов и взвешенных частиц и др. За подобные действия предприятия обычно обязаны платить штрафы согласно предписаниям экологических органов.

Отметим риски, относящиеся к проектируемой продукции или технологическим процессам. Они могут быть связаны с ошибками разработчиков или физической невозможностью осуществления того или иного процесса. Так, в течение всей второй половины ХХ века физики постоянно говорили о появлении в ближайшее время неиссякаемого источника энергии на основе преобразования тяжелой воды с помощью управляемого термоядерного синтеза.

Среди производственных рисков есть и социальные, связанные с теми или иными конфликтами. Здесь надо выделить конфликты между службами (отделами, цехами), с которыми можно бороться, оптимизируя организационную структуру предприятия. Далее - различного происхождения конфликты между менеджерами высшего звена; конфликты между профсоюзами и администрацией по поводу заработной платы или условий труда, и др. Современные методы управления персоналом позволяют заранее спрогнозировать многие из таких конфликтов и предложить пути их разрешения.

Коммерческие риски.Речь идет о рисках, связанных с неопределенностью будущей рыночной ситуации в стране. В частности, о будущих действиях поставщиков в связи с меняющимися предпочтениями потребителей. Напомним, например, о быстрых изменениях на рынке вычислительной техники в связи с появлением персональных компьютеров. Мода в той или иной степени отражается на поведении потребителей во многих областях.

Весьма существенны риски, связанные с деятельностью партнеров организации - участников экономической жизни, в частности, с их деловой активностью, финансовым положением, отношением к соблюдению обязательств. Отметим роль конкурентного окружения, от действий которого зависит многое в судьбе предприятия. В частности, важны информационные риски, связанные с промышленным шпионажем.

Существенны риски, связанные с социальными и административными факторами в конкретных регионах, с взаимоотношениями рассматриваемой организации с органами местной и региональной власти как официальными, так и криминальными.

Финансовые риски.Отметим, прежде всего, риски, связанные с колебаниями цен на товары и услуги (динамикой инфляции), ставки рефинансирования Центрального банка, норм банковских процентов по кредитам и депозитам, валютных курсов и других макроэкономических показателей, в том числе котировок государственных и частных (корпоративных) ценных бумаг. Часть этих рисков носит объективный, а часть - чисто спекулятивный характер. К этому же разделу можно отнести риски, связанные с нестабильностью законодательства и текущей экономической политики (т.е. с деятельностью руководства страны, министерств и ведомств). Дополнительные проблемы создает множественность нормативно-правовых актов, регулирующих хозяйственно-экономическую деятельность организации, зачастую противоречащих друг другу, что вызывает необходимость участия юристов в работе организации.

Риски, возникающие на уровне государства и Земли в целом. К этому типу отнесем риски, связанные с политической ситуацией в целом, действиями партий, профсоюзов, экологических и других организаций в масштабе страны. Типичным примером являются риски, связанные с заметным изменением курса страны в результате тех или иных выборов. Другой пример - российский кризис, начавшийся в августе 1998 г. Большое значение имеют риски, связанные с социальной борьбой ("рельсовая война", забастовки, массовые столкновения, терроризм, и др.)…

Внешнеэкономические риски, например, связанные с динамикой цен на нефть, крупномасштабными финансовыми (в Юго-Восточной Азии) или военными (Югославия, Ирак) кризисами, могут оказать существенное воздействие на организацию.

Большое число рисков связано с природными явлениями. Их можно объединить под именем "экологические". Типичным примером является погода, от которой зависят урожайность (а потому и цены на сельскохозяйственные товары), расходы на отопление и уборку улиц, доходы от туризма и др. Есть риски, связанные с недостаточными знаниями о природе. Например, неизвестен точный объем полезных ископаемых в том или ином месторождении, а потому нельзя точно предсказать развитие добывающей промышленности и объем налоговых поступлений от ее предприятий. Вспомним и о рисках экологических бедствий и катастроф, типа ураганов, смерчей, землетрясений, цунами, селей.

Каждый из перечисленных видов рисков может быть структурирован далее. Так, имеются крупные развернутые разработки по анализу рисков технологических аварий, в частности, на химических производствах и на атомных электростанциях. Ясно, что аварии типа Чернобыльской существенно влияют на значения СТЭЭП-факторов и тем самым на поступления и выплаты из бюджета как на местном, так и на федеральном уровне.

Подходы к учету неопределенности при описании рисков. В теории принятия решений для описания неопределенностей и рисков чаще всего используют такие математические средства, как:

Они применяются в имитационных, эконометрических, экономико-математических моделях, реализованных обычно в виде программных продуктов.

Некоторые виды неопределенностей связаны с безразличными к организации силами - природными (погодные условия) или общественными (смена правительства). Если явление достаточно часто повторяется, то его естественно описывать в вероятностных терминах. Так, прогноз урожайности зерновых вполне естественно вести в вероятностных терминах.

Если событие единично, то вероятностное описание вызывает внутренний протест, поскольку частотная интерпретация вероятности невозможна. Так, для описания неопределенности, связанной с исходами выборов или со сменой правительства, лучше использовать методы теории нечеткости, в частности, интервальной математики.

Наконец, если неопределенность связана с активными действиями соперников или партнеров, целесообразно применять методы анализа конфликтных ситуаций, т.е. методы теории игр, прежде всего антагонистических игр, но иногда полезны и более новые методы кооперативных игр, нацеленных на получение устойчивого компромисса.

Подходы к оцениванию рисков.Понятие "риск", как уже отмечалось, многогранно.

Например, при использовании статистических методов управления качеством продукции риски - это вероятности некоторых событий (в статистическом приемочном контроле риск поставщика - это вероятность забракования партии продукции хорошего качества, а риск потребителя - вероятность приемки "плохой" партии; при статистическом регулировании процессов рассматривают риск незамеченной разладки и риск излишней наладки). Тогда оценка риска - это оценка вероятности, точечная или интервальная, по статистическим данным или экспертная. В таком случае для управления риском задают ограничения на вероятности нежелательных событий.

Иногда под уменьшением риска понимают уменьшение дисперсии случайной величины, описывающей ущерб, поскольку при этом уменьшается неопределенность. В теории принятия статистических решений риск - это плата за принятие решения, отличного от оптимального, он обычно выражается как математическое ожидание. В экономике плата измеряется обычно в денежных единицах, т.е. в виде финансового потока (потока платежей и поступлений) в условиях неопределенности.

Чтобы продемонстрировать сложность проблемы оценивания риска и различные существующие подходы, рассмотрим простейший случай. Пусть неопределенность носит вероятностный характер, а потери описываются одномерной случайной величиной (а не случайным вектором и не случайным процессом). Другими словами, ущерб адекватно описывается одним числом, а величина этого числа зависит от случая.

Итак, пусть величина порожденного риском ущерба моделируется неотрицательной случайной величиной $$Х $$ (в смысле теории вероятностей). Рассмотрим ее функцию распределения

где $$x $$ - действительное число. В зависимости от предположений о свойствах функции распределения $$F(x) $$ вероятностные модели риска делятся на параметрические и непараметрические.

В первом случае предполагается, что функция распределения входит в одно из известных семейств распределений - нормальных (т.е. гауссовских), экспоненциальных или иных. Однако обычно подобное предположение является мало обоснованным - реальные данные не хотят "втискиваться" в заранее заданное семейство. Тогда необходимо применять непараметрические статистические методы, не предполагающие, что распределение ущерба взято из того или иного семейства.

Обсудим два распространенных заблуждения.

Во-первых, часто говорят, что поскольку величина ущерба зависит от многих причин, то она должна иметь т.н. нормальное распределение. Это неверно. Все зависит от способа взаимодействия причин. Если причины действуют аддитивно (эффекты складываются), то, действительно, в силу Центральной Предельной Теоремы теории вероятностей есть основания использовать нормальное (гауссово) распределение. Если же причины действуют мультипликативно (эффекты перемножаются), то в силу той же теоремы следует приближать распределение величины ущерба Х с помощью логарифмически нормального распределения Если же основное влияние оказывает "слабое звено" (где тонко, там и рвется), то согласно теоремам, доказанным академиком Б.В. Гнеденко, следует приближать распределение величины ущерба Х с помощью распределения из семейства Вейбулла-Гнеденко. К сожалению, в конкретных практических случаях различить эти варианты обычно не удается.

Во-вторых, неверно традиционное представление о том, что погрешности измерений нормально распределены. Проведенный многими специалистами тщательный анализ погрешностей реальных наблюдений показал, что их распределение в подавляющем большинстве случаев отличается от гауссова. Сводка этих исследований приведена в работе. Среди специалистов распространено такое шуточное утверждение: "Прикладники обычно думают, что математики доказали, что погрешности распределены нормально, а математики считают, что прикладники установили это экспериментально" . И те, и другие ошибаются. Причины появления ошибок разнообразны.

Итак, величина ущерба, связанного с риском, описывается функцией распределения $$F(x)=P(Х<x) $$. Обычно стараются перейти от функции, описываемой бесконечно большим числом параметров, к небольшому числу числовых параметров, лучше всего к одному. Для положительной случайной величины (величины ущерба) часто рассматривают такие ее характеристики, как

Этот перечень, очевидно, может быть продолжен.

Тогда задача оценки ущерба может пониматься как задача оценки той или иной из перечисленных характеристик. Чаще всего оценку проводят по эмпирическим данным (по выборке величин ущербов, соответствующим происшедшим ранее аналогичным случаям). При отсутствии эмпирического материала остается опираться на экспертные оценки. Наиболее обоснованным является модельно-расчетный метод, опирающийся на модели технологической, управленческой, экономической, социально-психологической, эколого-экономической ситуации.

Подчеркнем здесь, что характеристик случайного ущерба имеется много. Выше перечислено 7 видов, причем некоторые из них - второй, шестой и седьмой - содержат бесконечно много конкретных характеристик. Нельзя ограничиваться только средним ущербом, под которым обычно понимают математическое ожидание, хотя медиана ущерба не меньше соответствует этому термину. Весьма важны верхние границы для ущерба, т.е. квантили порядка а, где а близко к 1, например, а = 0,999999. При этом с вероятностью, не превосходящей 0,000001, реальный ущерб будет меньше х(0,999999).

Тогда минимизация риска может, например, состоять:

Перечень может быть продолжен. Например, не использована такая характеристика случайного ущерба, как коэффициент вариации.

Обсудим пять перечисленных постановок. Первая из них - минимизация средних потерь - представляется вполне естественной, если все возможные потери малы по сравнению с ресурсами предприятия. В противном случае первый подход использовать нецелесообразно. Рассмотрим условный пример. У человека имеется 10000 рублей. Ему предлагается подбросить монету. Если выпадает "орел", то он получает 50000 рублей. Если же выпадает "цифра", он должен уплатить 20000 рублей. Стоит ли данному человеку участвовать в описанном пари? Математическое ожидание дохода равно $$50000 \times 0,5 + (-20000) \times 0,5 = 15000 $$ руб. Казалось бы, пари весьма выгодно. Однако большинство людей на него не пойдет, поскольку с вероятностью 0,5 они лишатся всего своего достояния и останутся должны 10000 рублей, другими словами, разорятся. Здесь проявляется психологическая оценка ценности рубля, зависящая от общей имеющейся суммы - 10000 рублей для человека с обычным доходом значит гораздо больше, чем те же 10000 р уб. для миллиардера.

Второй подход нацелен как раз на минимизацию больших потерь, на защиту от разорения. Другое его применение - исключение катастрофических аварий, например, типа Чернобыльской. При втором подходе средние потери могут увеличиться (по сравнению с первым), зато максимальные будут контролироваться.

Третий подход нацелен на минимизацию разброса окончательных результатов. Средние потери при этом могут быть выше, чем при первом, но того, кто принимает решение, это не волнует - ему нужна максимальная определенность будущего, пусть даже ценой повышения потерь.

Четвертый подход сочетает в себе первый и третий. Задача управления риском в рассматриваемом случае - это по крайней мере двухкритериальная задача. Желательно средние потери снизить (другими словами, математическое ожидание доходов повысить), и одновременно уменьшить показатель неопределенности - дисперсию. Хорошо известны проблемы, возникающие при многокритериальной оптимизации.

Наиболее продвинутый подход - пятый. Но для его применения необходимо построить функцию полезности. Это - большая самостоятельная задача.

Если неопределенность описывается интервалами, то естественно применить методы интервальной математики, рассчитать минимальный и максимальный возможный доходы и потери, и т.д.

Разработаны различные способы уменьшения экономических рисков, связанные с выбором стратегий поведения, в частности, диверсификация и страхование. Причем эти подходы применимы не только к отдельным организациям. Так, для систем налогообложения диверсификация означает использование не одного, а системы налогов, чтобы нейтрализовать действия налогоплательщиков, нацеленные на уменьшение своих налоговых платежей.

Динамика реальных экономических систем такова, что любые формальные модели дают в лучшем случае только качественную картину. Например, не существует математических моделей, позволяющих достаточно точно спрогнозировать инфляцию вообще и даже реакцию экономики на одноразовое решение типа либерализации цен. Разнообразные формальные методы оценки рисков и управления ими во многих случаях (реально во всех нетривиальных ситуациях) не могут дать однозначных рекомендаций. В конце процесса принятия решения - всегда человек, менеджер, на котором лежит ответственность за принятое решение. Поэтому процедуры экспертного оценивания естественно применять не только на конечном, но и на всех остальных этапах анализа. На основные вопросы типа: достаточно ли высоки доходы, чтобы оправдать риск, или: что лучше - быстро, но мало, или долго, но много - ответить могут только менеджеры с помощью экспертов. Поэтому система поддержки принятия решений в организации должна сочетать формально-экономические и экспертные процедуры.

Подходы к управлению рисками При оценке, анализе и управлении рисками могут оказаться полезными различные статистические методы. Страхование и диверсификация - распространенные методы уменьшения неопределенности, присущей рискам, за счет повышения среднего уровня затрат.

Чтобы управлять, надо знать цель управления и иметь возможность влиять на те характеристики риска, которые определяют степень достижения цели.

Обычно можно выделить множество допустимых управляющих воздействий, описываемое с помощью соответствующего множества параметров управления. Тогда возможность влиять на те характеристики риска, которые определяют степень достижения цели, формализуется как выбор значения управляющего параметра. При этом управляющий параметр может быть числом, вектором, может быть элементом конечного множества или иметь более сложную математическую природу.

Основная проблема - корректная формулировка цели управления рисками. Поскольку существует целый спектр различных характеристик риска (например, если потери от риска моделируются случайной величиной), то оптимизация управления риском сводится к решению задачи многокритериальной оптимизации. Например, естественной является задача одновременной минимизации среднего ущерба (математического ожидания ущерба) и разброса ущерба (дисперсии ущерба).

Как известно, для любой многокритериальной задачи целесообразно рассмотреть множество решений (т.е. значений параметра управления), оптимальных по Парето). Эти решения оптимальны в том смысле, что не существует возможных решений, которые бы превосходили Парето-оптимальные решения хотя бы по одному критерию, а по остальным были бы столь же хорошими.

Ясно, что для практической реализации надо выбирать одно из Парето - оптимальных решений. Как выбирать? Разработан целый спектр подходов, из которых выбор может быть сделан только субъективным образом. Таким образом, снова возникает необходимость применения методов экспертных оценок.

Эксперты могут выбирать непосредственно из множества Парето - оптимальных решений, если оно состоит лишь из нескольких элементов. Или же они могут выбирать ту или иную процедуру сведения многокритериальной задачи к однокритериальной.

Как решают многокритериальные задачи? Один из подходов - выбрать т.н. "главный критерий", по которому проводить оптимизацию, превратив остальные критерии в ограничения. Например, минимизировать средний ущерб, потребовав, чтобы дисперсия ущерба не превосходила заданной величины.

Иногда задача многокритериальной оптимизации допускает декомпозицию. Найдя оптимальное значение для главного критерия, можно рассмотреть область возможных значений для остальных критериев, выбрать из них второй по важности и оптимизировать по нему, и т.д.

Что же делают эксперты? Они выбирают главный критерий (или упорядочивают критерии по степени важности), задают численные значения ограничений, иногда точность или время вычислений.

Второй основной подход - это свертка многих критериев в один интегральный и переход к оптимизации по одному критерию. Например, рассматривают линейную комбинацию критериев. Строго говоря, метод "главного критерия" - один из вариантов свертки, в котором вес главного критерия равен 1, а веса остальных - 0. Построение свертки, в частности, задание весов, целесообразно осуществлять экспертными методами.

Используют также методы, основанные на соображениях устойчивости. При этом рассматривают область значений управляющих параметров, в которых значение оптимизируемого одномерного критерия (главного параметра или свертки) отличается от оптимального не более чем на некоторую заданную малую величину. Такая область может быть достаточно обширной. Например, если в линейном программировании одна из граней многогранника, выделенного ограничениями, почти параллельна плоскости равных значений оптимизируемого критерия, то вся эта грань войдет в рассматриваемую область. В выделенной области можно провести оптимизацию другого параметра, и т.д. При таком подходе эксперты выбирают допустимое отклонение для основного критерия, выделяют второй критерий, задают ограничения и т.д.

Рассмотренные выше вероятностно-статистические подходы к оцениванию рисков предполагают использование в качестве критериев таких характеристик случайной величины, как математическое ожидание, медиана, квантили, дисперсия и др. При практическом использовании этого подхода перечисленные характеристики оцениваются по выборке, состоящей из наблюденных величин ущерба. При этом необходимо вычислять доверительные интервалы, содержащие оцениваемые теоретические характеристики с заданной доверительной вероятностью. Таким образом, критерий, на использовании которого основана оптимизация, всегда определен лишь с некоторой точностью, а именно, лишь с точностью до полудлины доверительного интервала. Таким образом, мы приходим к постановке, рассмотренной в предыдущем абзаце.

Ситуация в области вычислительной оптимизации сильно изменилась за последние 40 лет. Если в 1960-е годы из-за маломощности тогдашних компьютеров большое значение имела разработка быстрых методов счета, то в настоящее время внимание переносится на постановки задач и интерпретацию результатов. Это объясняется не только наличием различных программных продуктов по оптимизации, но и тем, что почти любую практическую задачу оптимизации можно решить простейшими методами типа переборных (перебирая возможные значения управляющих параметров с маленьким шагом), либо методом случайного поиска, поскольку быстродействие современных компьютеров позволяет это сделать.

В риск-менеджменте компании целесообразно выделить оперативное управление риском и стратегическое управление риском. Первый вид деятельности - постоянно проводящаяся работа, связанная с обеспечением качества продукции, плановым снижением экологических рисков. А также работа с покупателями, поставщиками, персоналом, связанная с повышением лояльности и т.д.

Стратегический риск-менеджмент - составная часть стратегического менеджмента и тем самым стратегического планирования. Надо оценивать риски высокого уровня, например, прогнозировать наличие в продаже и цену тех или иных товаров через 10-20 лет, например, нефти и "больших" компьютеров. Большое значение на этом уровне имеет теория прогнозирования и экспертные оценки.

Оценка рисков для малых предприятий

В качестве примера разработки и применения вероятностно-статистических (с использованием экспертов) методов оценки риска в конкретной прикладной задаче рассмотрим разработанный Институтом высоких статистических технологий и эконометрики подход к оценке рисков для малых предприятий. Опишем его на примере выполнения инновационных проектов в вузах.

Научно-исследовательский коллектив, выполняющий инновационный проект - это по сути своей малое предприятие. Однако такому предприятию целесообразно передать часть своих вспомогательных функций, включая оформление финансовых взаимоотношений, предприятию-носителю, в рассматриваемой схеме - вузу. Известна роль технопарков в развитии малого венчурного бизнеса. Аналогично сказанному о вузах в технопарках часть функций входящих в него малых предприятий выполняется службами, общими для всего технопарка.

Напомним, что разработке и освоению нововведений препятствует множество факторов: отсутствие необходимых навыков и знаний, недостаток кадровых, финансовых и материально-технических ресурсов и т.д. Учитывая слабую роль государства (в настоящее время) в развитии и стимулировании инноваций, предприниматели должны изыскивать возможности развития инноваций в малом бизнесе.

Одной из таких возможностей является сотрудничество с вузами на предмет разработки и реализации инновационных проектов. Оно может способствовать решению такой проблемы, как нехватка квалифицированных кадров или отсутствие у персонала предприятия специализированных знаний и навыков, требующихся для разработки (внедрения) инновационного проекта. Такое сотрудничество может осуществляться путем финансирования научно-технической разработки инновационного проекта в вузе. При этом партнером со стороны вуза выступает творческий коллектив, который надо рассматривать как малое предприятие, осуществляющее часть своих вспомогательных функций через структуры вуза.

Осуществляя подобное сотрудничество, надо всегда помнить, что инновации часто связаны с большим риском. Чем больше оригинального содержится в результатах инновационного процесса, тем значительнее ожидаемая прибыль и тем выше степень риска при внедрении нового товара или процесса. Главными факторами, на которых сосредотачиваются мероприятия по снижению уровня инновационных рисков, выступают объем и надежность информации об источниках риска, а также степень контроля над ними. Одним из инструментов подобного контроля является создание и использование методики расчета вероятностей успешной реализации инновационных проектов в вузах и соответствующих рисков. Целью данного раздела как раз и является составление примерной схемы расчета рисков инновационных проектов в вузах.

Инновационные проекты в вузах Большая часть научного потенциала страны сейчас сосредоточена в российских вузах. Квалификация работников была и остается очень высокой.

Специфика инновационных проектов в вузах связана с небольшими объемами финансирования и краткими сроками, а больше всего - с рисками, относящимися непосредственно к научно-техническому развитию. Рассмотрим проблему оценивания рисков реализации инновационных проектов в вузах на основе вероятностных экономико-математических моделей.

Обычно под инновационным проектом в вузе понимают проект, который опирается на ранее проведенные научно-технические разработки, приведшие к перспективным для коммерческого использования результатам. Предполагается, что коммерческая реализация осуществляется внешним партнером (или партнерами). При этом вуз получает доход от реализации инновационного проекта - либо в виде процента от прибыли партнера, либо в виде единовременной выплаты (например, при покупке лицензии партнером).

Таким образом, в инновационном проекте участвуют как минимум две организации - вуз (в лице его представителя - малого предприятия) и внешний партнер. Работа внутри вуза часто разбивается на два этапа - 1) собственно научно-исследовательскую работу прикладного характера и 2) разработку технологии выпуска продукции. В деятельности внешнего партнера также можно выделить этапы, например, такие:

Таким образом, для успешного завершения инновационного проекта, как правило, необходим внешний партнер, с деятельностью которого связана своя группа рисков. Разумеется, возможны исключения. Если инновационный проект связан с доведением до коммерческого распространения программного продукта, то вуз (в лице своего представителя - малого предприятия) может взять на себя маркетинг и рекламную кампанию, а также и продажу. Если инновационный проект посвящен развитию внутривузовской сети ЭВМ, то может быть запланировано покрытие расходов за счет источников финансирования тех структур вуза, которые будут пользоваться этой сетью.

Структура и выраженность рисков реализации инновационных проектов в вузах несколько отличаются от таковых для инновационных проектов вообще и тем более от рисков разнообразных инвестиционных проектов. На первое место выходят риски невыполнения работы в соответствии с техническим заданием и невозврата (полного или частичного) средств.

Возможные итоги выполнения инновационной работы можно описать следующим образом:

а) работа и финансовые обязательства всех партнеров выполнены в полном объеме;

б) научно-исследовательская часть работы выполнена полностью, но по каким-либо причинам внешний партнер свои обязательства, в том числе финансовые, выполнил не в полном объеме;

в) научно-исследовательская часть работы выполнена полностью, но коммерческая часть проекта сорвана (внешним партнером), финансовые обязательства не выполнены;

г) научно-исследовательская часть работы не выполнена полностью, но получены существенные научные результаты; для окончания работы требуется некоторое время;

д) научно-исследовательская часть работы не выполнена, но получены некоторые интересные научные результаты; однако планируемый вначале научный результат не будет достигнут в обозримое время;

е) выполнение в вузе инновационной работы сорвано полностью.

При любом из вышеперечисленных исходов существует вероятность осуществления макроэкономического риска, которое может еще более ухудшить результат выполнения инновационного процесса.

Таким образом, только в двух случаях из шести оценка однозначна: итог а) - это полный успех, а итог е) - это полный провал. В остальных случаях - итоги б), в), г), д) - получены некоторые научные результаты, а в случае итога б) - также и некоторые коммерческие результаты. При этом в случае итогов а), б), в) научно-исследовательский коллектив выполнил все, что от него требовалось, хотя "полный успех" имеет место только в одном из этих трех случаев - в зависимости от результатов работы внешнего партнера.

Модель инновационного проекта. Начнем с выделения основных факторов, определяющих риски реализации инновационных проектов в вузах.

Будем исходить из двухступенчатой схемы: сначала работает научно-исследовательский коллектив, затем он передает свои разработки внешнему партнеру, и тот начинает коммерческий этап.

Вероятность того, что научно-исследовательский коллектив полностью выполнит свою работу, зависит от двух групп факторов, определяемых ситуациями соответственно внутри коллектива исполнителей и внутри вуза. Четвертый фактор риска - макроэкономический, т.е. ситуация в народном хозяйстве (степень выраженности неплатежей, инфляции, нерациональной налоговой политики и т.д.).

Таким образом, выделяются четыре основные группы факторов риска. Они связаны:

Принимаем, что все четыре фактора независимы между собой (в теоретико-вероятностном смысле). Следовательно, основная формула математической модели расчета рисков реализации инновационных моделей в вузах имеет вид:

где $$Р $$ - вероятность "полного успеха", т.е. итога а) согласно приведенной выше классификации, при этом риск того, что инновационный проект не будет осуществлен полностью, оценивается вероятностью "отсутствия полного успеха", т.е. величиной $$(1 - Р) $$,

P1 - вероятность того, что ситуация внутри коллектива исполнителей не помешает выполнению инновационного проекта (следовательно, риск коллектива оценивается величиной $$1-Р_1 $$ ),

$$P_2 $$ - вероятность того, что ситуация внутри вуза не помешает выполнению инновационного проекта ( $$1 -P_2$$ - риск вуза),

$$P_3$$ - вероятность того, что внешний партнер полностью выполнит свою работу, после того, как научно-исследовательский коллектив полностью выполнит свою часть работы ( $$1-P_3$$ - риск партнера),

$$P_4$$ - вероятность того, что ситуация в народном хозяйстве не помешает выполнению инновационного проекта ( $$1-P_$$ - макроэкономический риск).

Следующий шаг - оценивание четырех перечисленных вероятностей. Будем их приближать с помощью линейных функций, т.е. представлять в виде:

где $$Х_{1n}, Х_{2n},\dots, Х_{Кn} $$ - факторы (переменные), используемые при вычислении оценки риска типа n,

$$А_{1n}, А_{2n},\dots, А_{Кn}$$ - коэффициенты весомости (важности) этих факторов.

Значения факторов $$Х_{1n}, Х_{2n},\dots, Х_{Кn}$$ оценивают эксперты для каждого конкретного инновационного проекта, в то время как значения коэффициентов весомости $$А_{1n}, А_{2n},\dots, А_{Кn}$$ задаются одними и теми же для всех проектов - по результатам специально организованного экспертного опроса.

Члены экспертной комиссии оценивают факторы $$X_{mn}$$ по качественной шкале:

0 - практически невозможное событие (с вероятностью не более 0,01),

1 - крайне маловероятное событие (с вероятностью от 0,02 до 0,05),

2 - маловероятное событие (вероятность от 0,06 до 0,10),

3 - событие с вероятностью, которой нельзя пренебречь (от 0,11 до 0,20),

4 - достаточно вероятное событие (вероятность от 0,21 до 0,30),

5 - событие с заметной вероятностью (более 0,30).

Согласно теории измерений итоговая оценка дается как медиана индивидуальных оценок (при четном числе членов экспертной комиссии - как правая медиана).

Поскольку максимально возможный балл - это 5, то сумма всех весовых коэффициентов выбиралась равной 1/5 = 0,2. Таким образом, если по всем факторам (переменным) экспертами выставлены максимальные баллы, то соответствующая вероятность оценивается как 0, т.е. выполнение инновационного проекта признается невозможным.

Для упрощения описания переменные $$X_{m1}$$ будем ниже обозначать $$X_m$$, переменные $$X_{m2}$$ - как $$Y_m$$, вместо $$X_{m3}$$ будем писать $$Z_m$$, а вместо $$X_{m4} - W_m$$. При описании числовых значений коэффициентов $$A_{mn}$$ будем опускать индекс n.

Обсудим структуризацию вероятностей $$Р_1, Р_2, Р_3, Р_4$$, а затем получим итоговую формулу для оценивания вероятности $$P$$ (и тем самым риска ( $$1-Р$$ ) реализации инновационного проекта в вузе).

Риск коллектива. Начнем с оценивания $$Р_1$$ - вероятности того, что ситуация внутри коллектива исполнителей не помешает выполнению инновационного проекта. Введем следующие переменные:

$$Х_1$$ - недооценка сложности научно-технической задачи (включая возможный выбор принципиально неверного направления работ),

$$Х_2$$ - нехватка времени (из-за неправильного планирования процесса выполнения инновационного проекта, в то время как основное направление работ выбрано правильно),

$$Х_3 $$ - возникшие в ходе выполнения работы проблемы, связанные с научным руководителем темы, в частности, с его длительным отсутствием или сменой (из-за длительной командировки, болезни, смерти, ухода на пенсию, перехода на другую работу и т.д.),

$$Х_4$$ - возникшие в ходе выполнения работы проблемы, связанные с иными непосредственными участниками работы (кроме руководителя).

В двух последних позициях (факторы $$Х_3$$ и $$Х_4$$ ) причинами невыполнения работы могут быть и недостаточная квалификация руководителя работы либо иных членов научно-исследовательского коллектива.

Экспертный опрос дал значения: $$А_1 = 0,02, А_2 = 0,08, А_3 = 0,07, А_4 = 0,03$$.

Пример 1. Если итоговая оценка экспертов такова: $$Х_1=3; Х_2=2; Х_3=4; Х)4=1$$, то $$Р_1 = 1 - А_{1Х1} - А_{2Х2} - А_{3Х3} - А_{4Х4} = 1 - 0,06 - 0,16 - 0,28 - 0,03 = 0,47$$.

В данном случае эксперты достаточно скептически относятся к возможности выполнения работы в срок, причем основная причина скепсиса - в возможном отъезде научного руководителя (риск оценивается как 0,28), вторая заметная причина - возможный недостаток времени (риск 0,16).

Риск вуза. Для оценивания Р2 введем переменные:

$$Y_1 $$ - организационные изменения в вузе, предпринятые руководством вуза,

Y_2 - внутривузовские экономические проблемы (например, работы будут на какое-то время приостановлены из-за решения руководства вуза (несостоятельном с правовой точки зрения) о направлении средств проекта на оплату труда преподавателей),

Y_3 - отсутствие в вузе соответствующей материальной базы (оборудования, материалов, вычислительной техники, площадей и т.д.).

Экспертный опрос дал: $$А_1 = 0,10; А_2 = 0,08; А_3 = 0,02$$.

Пример 2. Если итоговые (групповые) оценки экспертов таковы: $$Y_1 = 1; Y_2 = 4; Y_3 = 0, то Р_2 = 1 - А_{1Y1} - А_{2Y2} - А_{3Y3} = 1 - 0,01 - 0,32 - 0 = 0,67$$.

По мнению экспертов, для данного проекта и вуза наибольшее отрицательное влияние могут оказать внутривузовские экономические проблемы (риск 0,32).

Риск партнера. Для оценивания $$Р_3$$, введем переменные:

$$Z_1$$ - финансовые проблемы внешнего партнера, связанные с недостатками в работе его сотрудников,

$$Z_2 $$ - финансовые проблемы внешнего партнера, связанные с деятельностью конкретных государственных органов и частных фирм (например, неплатежи, административные решения),

$$Z_3 $$ - работу над проектом сорвет изменение поведения возможных потребителей, например, из-за изменения моды или из-за решений соответствующих вышестоящих органов (министерств (ведомств) или регионального руководства), связанных, в частности, с выдачей лицензий, закрытием информации или выбором технической политики,

$$Z_4 $$ - на возможности выполнения инновационного проекта отрицательно скажутся организационные преобразования у внешнего партнера, в частности, смена руководства.

Экспертный опрос дал: $$А_1 = 0,03, А_2 = 0,06, А_3= 0,06, А_4 = 0,05$$.

Пример 3. Если итоговые (групповые) оценки экспертов таковы: $$Z_1 = 3; Z_2 = 5; Z_3 = 1; Z_4 = 4, то Р_3 = 1 - А_{1Z1} - А_{2Z2} - А_{3Z3} - А_{4Z4} = 1 - 0,09 - 0,30 - 0,06 - 0,20 = 1 - 0,65 = 0,35$$.

Эксперты достаточно скептически относятся к возможности успешного выполнения внешним партнером своих обязательств по договору, связанному с коммерческой реализацией разработок, выполненных по инновационному проекту. Основные "подводные камни", по их мнению, это действия конкретных государственных органов (риск 0,30), и нежелательные организационные преобразования (кадровые изменения) у внешнего партнера (риск 0,20).

Макроэкономический риск. Под макроэкономическим риском понимаем риск, определяемый внешними по отношению к системе "вуз - внешний партнер" факторами, прежде всего теми, которые являются общими для всего народного хозяйства. Для оценивания $$Р_4$$ введем переменные:

$$W_1$$ - отсутствие или сокращение номинального финансирования (неплатежи со стороны бюджета),

$$W_2$$ - резкое сокращение реального финансирования (в сопоставимых ценах) из-за инфляции,

$$W_3$$ - изменение статуса и/или задач вуза или его внешнего партнера (в частности, из-за ликвидации или реорганизации вуза) по решению вышестоящих органов (министерства (ведомства) или регионального руководства),

$$W_4$$ - относящиеся к инновационному проекту решения соответствующих вышестоящих органов (министерств (ведомств) или регионального руководства), связанные, например, с закрытием информации или с таким выбором технической политики, который делает ненужным или нецелесообразным выполнение инновационного проекта.

Экспертный опрос дал: $$А_1 = 0,10, А_2 = 0,05, А_3 = 0,03, А_4= 0,02$$.

Пример 4. Если итоговые (групповые) оценки экспертов таковы: $$W_1=3; W_2=4; W_3= 1; W_4 = 2$$, то $$Р_4 = 1 - А_{1W1} - А_{2W2} - А_{3W3} - А_{4W4} = 1 - 0,30 - 0,20 - 0,03 - 0,04 = 1 - 0,57 = 0,43$$.

Эксперты считают, что общая экономическая ситуация в стране может негативно сказаться на возможности выполнения рассмотренного ими инновационного проекта. Причем наиболее опасаются неплатежей со стороны государства (отсутствия или сокращения перечисления средств для выполнения проекта) и в несколько меньшей мере - уменьшения реального финансирования из-за инфляции (что, возможно, отвлечет членов научно-исследовательского коллектива на побочные заработки).

Итоговые оценки. Сведем вместе полученные результаты. Вероятность успешного выполнения инновационного проекта оценивается по формуле:

где

Для данных, приведенных в примерах 1-4, вероятность того, что научно-исследовательский коллектив в вузе полностью выполнит свою работу, равна: $$Р_{1Р2} = 0,47\times0,67 = 0,3149$$, а вероятность успешного осуществления проекта $$Р = Р_{1Р_2Р_3Р4} = 0,47\times0,67\times0,35\times0,43 = 0,0473924$$. Таким образом, имеется лишь примерно 1 шанс из 20, что рассматриваемый инновационный проект будет успешно завершен (в намеченные сроки и с запланированным экономическим эффектом).

В табл. 10.1 приведены результаты расчета вероятностей, связанных с реализацией четырех типовых инновационных проектов. Видно, какое влияние оказывает изменение того или иного фактора на общую величину вероятности выполнения проекта. Выполнение первого проекта практически в одинаковой степени зависит от всех четырех факторов. Низкая вероятность выполнения второго проекта связана с относительно высокими показателями всех четырех видов риска. Вероятность выполнения третьего проекта - наименьшая, что связано с высоким риском внутри коллектива исполнителей и внутри вуза. У четвертого проекта наибольший риск связанный с политической и экономической обстановкой в стране. Вероятность выполнения пятого проекта относительно невысокая, но она выше, чем у второго, третьего и четвертого проектов.

Выбор инновационных проектов для финансирования целесообразно проводить с учетом описанной выше процедуры вероятностно-статистической (с учетом мнений экспертов) оценки их рисков реализации.

Принятие решений в условиях рисков инфляции

Под инфляцией понимаем рост (изменение) цен. При анализе экономических процессов, протяженных во времени, необходимо переходить к сопоставимым ценам. Это невозможно сделать без расчета индекса роста цен, т.е. индекса инфляции. Проблема состоит в том, что цены на разные товары растут с различной скоростью, и необходимо эти скорости усреднять.

Рассмотрим конкретного покупателя товаров и услуг, т.е. конкретного экономического субъекта: физическое лицо, домохозяйство или фирму. Он покупает не один товар, а много. Обозначим через n количество типов товаров или услуг (далее кратко - товаров), которые он хочет и может купить. Пусть

- объемы покупок этих товаров в момент времени t по ценам:

(имеется в виду цена за единицу измерения соответствующего товара, например, за штуку или килограмм...).

Подход к измерению роста цен основан на выборе и фиксации потребительской корзины $$(Q_1(t), Q_2(t), \dots, Q_n(t)) $$, не меняющейся со временем, т.е. $$(Q_1(t), Q_2(t), \dots, Q_n(t)) ? (Q_1, Q_2, \dots, Q_n) $$. Затем необходимо сравнить стоимости потребительской корзины $$(Q_1, Q_2,\dots, Q_n) $$ в старых $$r_i(t_1), i=1,2,\dots,n$$, и новых $$r_i(t_2), i=1,2,\dots,n$$, ценах.

Определение. Индексом инфляции называется

Каждой потребительской корзине соответствует свой индекс инфляции. Однако согласно теореме сложения для индекса инфляции он является средним взвешенным арифметическим роста цен на отдельные товары. Поэтому индексы инфляции, рассчитанные по разным достаточно обширным и представительным потребительским корзинам, достаточно близки между собой.

Институт высоких статистических технологий и эконометрики (ИВСТЭ) использовал для измерения инфляции минимальную потребительскую корзину физиологически необходимых продовольственных товаров. Она была разработана на основе исходных данных Института питания Российской академии медицинских наук (РАМН). Данные о динамике индекса инфляции приведены в табл.10.2.

Примечание. В таблице целая часть отделяется от дробной десятичной точкой, а запятая используется для деления числа по разрядам. Учитывается проведенная деноминация рубля. Если ее не учитывать, то за 12 лет (1991-2003) цены (в Москве) выросли примерно в 50 тысяч раз. Поскольку экономические связи между регионами ослабли, то темпы роста цен в регионах различаются, но, видимо, не более чем на 10-20%.

Использование индекса инфляции в экономических расчетах при принятии решений. Хорошо известно, что стоимость денежных единиц со временем меняется. Например, на один доллар США полвека назад можно было купить примерно в восемь раз больше материальных ценностей (например, продовольствия), чем сейчас, а если сравнивать с временами Тома Сойера - примерно в 100 раз больше. Причем стоимость денежных единиц с течением времени, как правило, падает. Этому есть две основные причины - банковский процент и инфляция. В экономике есть инструменты для учета изменения стоимости денежных единиц с течением времени. Один из наиболее известных - расчет NPV (Net Present Value) - чистой текущей стоимости. Однако бухгалтерский учет и построенный на данных баланса предприятия экономический анализ финансово-хозяйственной деятельности предприятия пока что, как правило, игнорируют сам факт наличия инфляции. Обсудим некоторые возможности использования индекса инфляции в экономических расчетах в процессе подготовки и принятия решений. Чтобы избежать обсуждения современного экономического положения, отнесем рассматриваемые примеры к середине 1990-х годов.

Переход к сопоставимым ценам. Индекс инфляции даст возможность перехода к сопоставимым ценам, расходам, доходам и другим экономическим величинам. Например, по данным табл.2.24 индекс инфляции за 4 года - с 14.03.91 г. по 16.03.95 г. - составил 5936. Это означает, что покупательной способности 1 рубля марта 1991 г. соответствует примерно 6000 (а точнее 5936) рублей марта 1995 г.

Рассмотрим приведение доходов к неизменным ценам. Пусть Иван Иванович Иванов получал в 1990 г. 300 руб. в месяц, а в мае 1995 г. - 1 миллион руб. в месяц. Увеличились его доходы или уменьшились?

Номинальная заработная плата выросла в 1000000/300 = 3333 раза. Однако индекс инфляции на 18 мая 1995 г. составлял 7080. Это значит, что 1 руб. 1990 г. соответствовал по покупательной способности 7080 руб. в ценах на 18.05.95 г. Следовательно, в ценах 1990 г. доход И.И. Иванова составлял $$1000000/7080 = 142 руб. 24 коп$$., т.е. 47,4% от дохода в 1990 г.

Можно поступить наоборот, привести доход 1990 г. к ценам на 18 мая 1995 г. Для этого достаточно умножить его на индекс инфляции: доход 1990 г. соответствует 300 х 7080 = 2 миллиона 124 тыс. руб. в ценах мая 1995 г.

Средняя зарплата. По данным Госкомстата РФ, средняя заработная плата составляла в 1990 г. 297 руб., в октябре 1993 г. - 93 тыс. руб., в январе 1995 г. - 303 тыс. руб. Поскольку зарплата тратится в основном в следующем месяце после получки, то рассмотрим индексы инфляции на 15.11.93 г. и 2.02.95 г., равные 1045 и 4811 соответственно. В ценах 1990 г. средняя зарплата составила 89 руб. и 62 руб.98 коп. соответственно, т.е. 30% и 21,2% от зарплаты 1990 г.

Средняя зарплата рассчитывается путем деления фонда оплаты труда на число работников. При этом объединяются доходы и низкооплачиваемых лиц и сравнительно высокооплачиваемых. Известно, что распределение доходов резко асимметрично, большому числу низкооплачиваемых работников соответствует малое число лиц с высокими доходами. За 1991-1995-е годы дифференциация доходов резко увеличилась. Это означает, что доходы основной массы трудящихся сдвинулись влево относительно средней зарплаты. По нашей оценке, 50% получают не более 70% от средней зарплаты, т.е. не более 212100 руб. по состоянию на январь 1995 г., а наиболее массовой является оплата в 50% от средней, т.е. около 150 тыс. руб. в месяц.

Доходы отдельных слоев трудящихся снизились еще существеннее. Зарплата профессора Московского государственного института электроники и математики (технического университета) составляла в марте 1994 г. - 42 руб.92 коп. (в ценах 1990 г.), в июле 1995 г. - 43 руб. 01 коп., т.е. с 1990 г. (400 руб.) снизилась в 9,3 раза, дошла до уровня прежней студенческой стипендии. А студенческие стипендии снизились примерно в той же пропорции и составляли 4-5 руб. в ценах 1990 г.

Кроме того, необходимо учесть, что Госкомстат учитывает начисленную зарплату, а не выплаченную. В отдельные периоды отечественной истории выплата заработной платы откладывалась надолго.

Минимальная зарплата и прожиточный минимум. Минимальная зарплата в сентябре 1994 г. (22500 руб.) и в мае 1995 г. (43700 руб.) составляла 38% и 23,4% соответственно от стоимости минимальной физиологически необходимой продовольственной корзины. После подъема до 55 тыс. руб. она в сентябре 1995 г. составляла около 26,34% от стоимости корзины, т.е. реально уменьшилась в 1,44 раза по сравнению с сентябрем 1994 г. В дальнейшем уменьшение стало еще более заметным.

Минимальная зарплата вместе с единой тарифной сеткой во многом определяла зарплату работников бюджетной сферы. Учитывая снижение коэффициентов тарифной сетки, проведенное весной 1995 г., снижение в 1,5 раза покупательной способности минимальной зарплаты, необходимо заключить, что в сентябре 1995 г. доход бюджетников в 2 раза меньше, чем год назад.

Оценим прожиточный минимум. Бюджетные обследования 1990 года показали, что для лиц с низкими доходами расходы на продовольствие составляют около 50% всех расходов, т.е. на промтовары и услуги идет около 50% доходов. Это соотношение подтвердило и проведенное ИВСТЭ бюджетное обследование конца 1995 г. Исходя из него, среднедушевой прожиточный минимум можно оценить, умножая на 2,0 стоимость минимальной продовольственной корзины ИВСТЭ. Например, на 1 сентября 1995 г. - 418220 руб. Т.е. прожиточный уровень для семьи из трех человек - муж, жена и ребенок - должен был на 1 сентября 1995 г. составлять 1,25 миллиона руб. (в месяц). Например, муж должен получать 800 тыс. руб., жена - 450 тыс. руб. в месяц. Очевидно, доходы большинства трудящихся меньше прожиточного уровня.

Численные значения стоимостей потребительских корзин и индексов инфляции рассчитаны ИВСТЭ в основном по ценам на продукты в Москве и Подмосковье. Однако для других регионов численные значения отличаются мало. Для Москвы индекс инфляции на 1.09.95 г. - 7759, а для Иванова на 1.08.95 г. - 7542. Поскольку потребительская корзина на 14.03.91 г. в Иванове была на 95 коп. дешевле, то и на 1.08.95 г. она несколько дешевле - 195337 руб., а прожиточный минимум равен 390673 руб. Приведенные выше численные значения для Москвы в качестве первого приближения можно использовать для различных регионов России.

Индексы инфляции с помощью описанной выше методики можно рассчитать для любого региона, профессиональной или социальной группы, отдельного предприятия или даже конкретной семьи. Эти значения могут быть эффективно использованы на трехсторонних переговорах между профсоюзами, работодателями и представителями государства.

Проценты по вкладам в банк, плата за кредит и инфляция. Рассмотрим банк, честно выполняющий свои обязательства. Пусть он дает 10% в месяц по депозитным вкладам. Тогда 1 руб., положенный в банк, через месяц превращается в 1,1 руб., а через 2 - по формуле сложных процентов - в $$1,1^2 = 1,21 руб$$., ..., через год - в $$1,1^{12} = 3,14$$ руб. Однако за год росли не только вклады, но и цены. Например, с 19.05.94 г. по 18.05.95 г. индекс инфляции составил 3,73. Значит, в ценах на момент оформления вкладов итог годового хранения равен $$3,14 / 3,73 = 0,84$$ руб. Хранение оказалось невыгодным - реальная стоимость вклада уменьшилась на 16%, несмотря на, казалось бы, очень выгодные условия банка.

Пусть фирма получила кредит под 200% годовых. Значит, вместо 1 рубля, полученного в настоящий момент в кредит, через год ей надо отдать 3 рубля. Пусть она взяла кредит 19.05.94 г., а отдает 18.05.95 г. Тогда в ценах на момент взятия кредита она отдает 3/3,73 = 0,80 руб. за 1 руб. кредита. Таким образом, кредит частично превратился в подарок - возвращать надо на 20% меньше, чем получил, реальная ставка кредита отрицательна, она равна (- 20)%! Такова была типичная ситуация в России в течение ряда лет начиная с 1992 г., особенно в 1992-1994 гг. Но бесплатных подарков в бизнесе не бывает - за них надо платить по другим каналам, как правило, криминальным.

Сколько стоит доллар? В июле 1995 г. индекс инфляции около 7000, а курс доллара США - около 4500 руб. за доллар. Следовательно, доллар США стоит $$4500 / 7000 = 0,64$$ руб. в ценах 1990 г., т.е. примерно соответствует официальному обменному курсу в 1980-х годах. В сентябре 1994 г. курс доллара был около 2000, а индекс инфляции - около 2200, т.е. доллар стоил около 0,90 руб. в ценах 1990 г. Реальная покупательная способность доллара упала за 10 месяцев в 1,42 раза.

В середине 2003 г. курс доллара был несколько больше 30 руб. (30 руб. 38 коп.), индекс инфляции составлял 52.56, следовательно, 1 доллар США по своей покупательной способности в России на июль 2003 г. соответствовал 58 копейкам начала 1991 г. В начале 2004 г. курс доллара составлял около 28 руб. 50 коп. при индексе инфляции 56.068, следовательно, 1 доллар США по своей покупательной способности в России на начало 2004 г. соответствовал 51 копейке начала 1991 г. Всего за полгода доллар подешевел на 12%.

Инфляция, показатели работы предприятия и ВВП. Индексы инфляции используются для пересчета номинальных цен в неизменные (сопоставимые). Другими словами, для приведения доходов и расходов к ценам определенного момента времени. Потребительские корзины для промышленных предприятий, конечно, должны включать промышленные товары, а потому отличаться от потребительских корзин, ориентированных на изучение жизненного уровня.

Сколько стоит предприятие? Важно оценить основные фонды. Для этого нужно взять их стоимость в определенный момент времени и умножить на индекс инфляции (и учесть амортизационные отчисления).

Валовой внутренний продукт, валовой национальный продукт и другие характеристики экономического положения страны рассчитываются в текущих ценах. Для перехода к неизменным ценам, грубо говоря, надо поделить на индекс инфляции (т.е. умножить на дефлятор).

Проблема учета инфляции при экономическом анализе финансово-хозяйственной деятельности предприятия. Как известно, разработана и широко применяется развернутая система коэффициентов, используемых при экономическом анализе финансово-хозяйственной деятельности предприятия. Она основана на данных бухгалтерского баланса. Естественно, опирается на два столбца баланса - данные на "начало периода" и данные на "конец периода". Записывают в эти столбцы номинальные значения. В настоящее время инфляцию полностью игнорируют. Это приводит к искажению реального положения предприятия. Денежные средства преувеличиваются, а реальная стоимость основных фондов занижается. По официальной отчетности предприятие может считаться получившим хорошую прибыль, а по существу - не иметь средств для продолжения производственной деятельности.

Ясно, что учитывать инфляцию надо. Вопрос в другом - как именно. Потребительская корзина должна, видимо, состоять из тех товаров и услуг, которые предприятие покупает. Стоимость основных фондов может не убывать в соответствии с амортизацией, а возрастать согласно отраслевому темпу инфляции, и т.д.

Контрольные вопросы

Темы докладов и рефератов