Лесохин В.З. Разработка бизнес-процессов совместных инвестиций с применением ППП МАТЛАБ

Подождите немного. Документ загружается.

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

ЭКОНОМИКИ И ФИНАНСОВ»

КАФЕДРА СИСТЕМ ТЕХНОЛОГИЙ И ТОВАРОВЕДЕНИЯ

В.З. ЛЕСОХИН

РАЗРАБОТКА БИЗНЕС-ПРОЦЕССОВ

СОВМЕСТНЫХ ИНВЕСТИЦИЙ

С ПРИМЕНЕНИЕМ ППП МАТЛАБ –

НЕЙРОННЫЕ СЕТИ

ИЗДАТЕЛЬСТВО

САНКТ-ПЕТЕРБУРГСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА

ЭКОНОМИКИ И ФИНАНСОВ

2011

ББК 65

Л 50

Лесохин В.З.

Л 50 Разработка бизнес-процессов совместных инвестиций

с применением ППП МАТЛАБ – нейронные сети. – СПб. :

Изд-во СПбГУЭФ, 2011. – 90 с.

Монография посвящена разработке бизнес-процессов совместных

инвестиций зарубежного инвестиционного фонда и российского банка в

инвестиционный проект жилого строительного комплекса на террито-

рии РФ. Для оценки рисков возврата инвестиций используется ППП

MATLAB – нейронные сети. Нейронные сети применяются нетрадици-

онно, как «черный ящик», поскольку весам связей придается смысл

(когнитивность). Работа выполнена на конкретных примерах, что повы-

шает наглядность и позволяет выявить закономерности в структуре свя-

зей нейронных сетей, объясняющие возможность возврата инвестиций.

Это касается возникающих при указании направлений связей «петель» и

«циклов». Для примера рассмотрено три варианта разработки бизнес-

процессов с разным соотношением количества совместных инвестиций

и темпом капитализации проекта. Проведен сравнительный анализ вари-

антов с точки зрения возможности возврата инвестиций.

Данная работа может быть полезна студентам экономических спе-

циальностей университетов и слушателям высших экономических школ,

научным работникам и практикам, занимающимся банковской, финан-

совой и предпринимательской деятельностью, а также руководителям

предприятий всех уровней, занимающихся инвестиционной деятельно-

стью, и IT-компаниям, продвигающим на отечественный и зарубежный

рынок свой продукт.

ББК 65

Рецензенты: зав. кафедрой общей экономической теории СПбГУЭФ,

д-р экон. наук, профессор Д.Ю. Миропольский

Президент IT Концерна R-Про, канд. экон. наук А.В. Кораблев

ОГЛАВЛЕНИЕ

Введение .........................................................................................................4

1. Основы применения нейронных сетей с учетом

когнитивности весов связей.......................................................................7

1.1 Характеристика структуры нейронной сети ....................................7

1.2. Обучение нейронных сетей ...............................................................9

1.3. Обучение линейной однослойной сети .......................................... 15

2. Разработка бизнес-процессов при росте капитализации

и при изменении структуры инвестиций ..............................................17

2.1. Финансовое планирование бизнес-процессов на основе ППП

MATLAB – нейронные сети ............................................................ 17

2.1.1. Исходные данные для разработки финансового плана ...... 17

2.1.2. Расчет при помощи ППП MATLAB – нейронные сети

весов связей, характеризующих последовательность

возврата инвестиций............................................................. 19

2.1.3. Преобразование в EXCEL весов связей нейронной сети

в денежную форму ................................................................. 29

2.2. Разработка бизнес-процессов .......................................................... 34

3. Разработка бизнес-процессов при спаде капитализации

и при изменении структуры инвестиций .............................................. 43

4. Разработка бизнес-процессов при росте капитализации

и неизмененной структуре инвестиций ................................................. 60

Заключение .................................................................................................87

Библиографический список ..................................................................... 90

ВВЕДЕНИЕ

Совместное инвестирование – это когда каждый инвестор фи-

нансирует свою часть инвестиционного проекта. Настоящая работа по-

священа решению проблемы эффективности совместных инвестиций

зарубежного инвестиционного фонда и инвестиционного кредита рос-

сийского банка в инвестиционный проект жилого строительного ком-

плекса на территории РФ. Предполагается, что инвестиционный зару-

бежный фонд создан для инвестирования в рискованные подготови-

тельные работы, включая инфраструктуру, а российский банк выдает

инвестиционный кредит на строительство после получения разреши-

тельных документов, т.е. при минимальных рисках. Для оценки рисков

возврата инвестиций применяются искусственные нейронные сети на

основе ППП MATLAB [1, 6]. Применение данного подхода стало воз-

можным, благодаря новой идее, предложенной автором настоящей ра-

боты [3, 4]. Она заключается в том, что нейронные сети рассматривают-

ся нетрадиционно, как «черный ящик», а весам связей придается смысл.

На этой основе можно проанализировать финансовые потоки и выбрать

наименее рискованный вариант совместных инвестиций. Под риском

понимается инвестирование без учета возможностей заемщика их воз-

врата с необходимой прибылью инвестора. Предполагается, что воз-

вратность инвестиций зависит от соотношения количества совместных

инвестиций и темпа капитализации проекта.

Организация привлечения зарубежных инвестиций в развитие

строительных комплексов на территории РФ является важнейшей зада-

чей для всех отраслей отечественного народного хозяйства [5]. С точки

зрения привлекательности инвестиций бизнес-процессы по развитию

строительного комплекса можно разделить на части:

- подготовительные работы;

- строительство и реализация.

Подготовительные работы состоят из разработки и согласо-

вания документов, включая землеотвод и проектную документацию, а

также инженерной подготовки территории, в т.ч. подводку всех комму-

никаций.

Строительство включает в себя возведение зданий и соору-

жений.

Реализация подразумевает продажу зданий и сооружений ко-

нечным потребителям.

Наиболее проблемную часть инвестиций составляют подгото-

вительные работы. Величина их может доходить до половины от обще-

го количества инвестиций, необходимых для всего строительного ком-

плекса. Зарубежные инвесторы, а также отечественные банки неохотно

вкладывают деньги в подготовительные работы, поскольку они непо-

средственно не приносят прибыли.

Возведенные даже на 70% здания и сооружения могут пред-

ставлять интерес, как для зарубежных инвесторов, так и для отечест-

венных банков. Конечные потребители в этом случае, как правило, так-

же готовы к покупке.

Таким образом, для организации инвестиций заказчик инвести-

ционного проекта должен, прежде всего, «убедить» потенциальных за-

рубежных инвесторов в том, что вложенные ими инвестиции принесут

им прибыли больше, чем инвестиционные проекты других заказчиков.

Для этого необходимо подготовить документ, который носит название

«Меморандум». Инвестиционный меморандум не является настолько

стандартизированным как бизнес-план, что позволяет менять его струк-

туру таким образом, чтобы представить проект в наиболее удобном для

конкретного инвестора виде. Благодаря такому индивидуальному под-

ходу вероятность благоприятного решения о предоставлении инвести-

ций существенно возрастает.

Для того чтобы заинтересовать потенциальных зарубежных ин-

весторов, Меморандум необходимо сертифицировать на соответствие

международным стандартам, например, ISO серии 9000:2000. Для этого,

прежде всего, требуется системный подход к управлению на основе

сбалансированной системы показателей BSC (Balanced Scorecard). В

соответствии с подходом Нортона–Каплана [7] фирма должна быть

оценена четырьмя группами измеряемых показателей:

- финансовые показатели, имеющие значение для акционеров и

инвесторов прибыли и капитализации (финансовая эффективность);

- показатели бизнес-процессов (внутренняя эффективность);

- показатели удовлетворенности клиентов, завоевания долей

рынка и приобретения конкурентных преимуществ, лояльности клиен-

тов и способности обеспечить их удержание (внешняя эффективность);

- показатели удовлетворенности сотрудников, потенциала роста

фирмы и квалификации персонала, способность организации к воспри-

ятию новых идей, гибкость, ориентация на постоянные улучшения.

Современные BSC получили дальнейшее развитие в работах ав-

тора [2] в виде информационных систем BI (BUSINESS INTELLIGENS),

основанных на моделях, интегрирующих экономику, финансы, органи-

зацию, менеджмент, коммерцию, маркетинг, логистику и производст-

венные процессы фирмы.

Что касается непосредственного выполнения работ на террито-

рии РФ, то они должны соответствовать отечественным стандартам,

техническим условиям, нормам и правилам. В дальнейшем на конкрет-

ном примере рассмотрены некоторые основные положения, необходи-

мые для разработки Меморандума в разрезе рекомендуемых ISO четы-

рех групп показателей. В настоящей работе изложен порядок планиро-

вания финансовых показателей на основе ППП MATLAB – нейронные

сети. Затем разрабатываются показатели бизнес-процессов, увязанные с

финансовыми показателями. Для определения показателей удовлетво-

ренности клиентов и сотрудников могут служить основой другие рабо-

ты автора.

Работа состоит из введения, четырех глав и заключения. В пер-

вой главе рассмотрены теоретические предпосылки подхода автора к

применению ППП MATLAB – нейронные сети. Показано, что эффек-

тивность совместных инвестиций зависит от характера развития проекта

и соотношения размеров инвестиций различных инвесторов. Во второй

главе на численном примере разбирается случай разработки бизнес-

процессов при неравномерном росте объемов застройки территории

(капитализации) и равномерных инвестициях в подготовительные рабо-

ты. В третьей главе рассматривается разработка бизнес-процессов при

начальном росте и последующем спаде объемов застройки территории и

равномерных инвестициях в подготовительные работы. В четвертой

главе рассматривается разработка бизнес-процессов при неравномерном

росте объемов застройки и росте инвестиций в подготовительные рабо-

ты. Для оценки возвратности инвестиций применяются двухслойные

нейронные сети. Верхний слой сети в основном отвечает за возмож-

ность возврата совместных инвестиций в зависимости от их соотноше-

ния. Нижний слой увязывает возврат инвестиций с темпом капитализа-

ции или изменением создания ценностей. При разработке бизнес-

процессов учитывается возможность в качестве залога использовать

создаваемые ценности. В заключение проведен сравнительный анализ

инвестиций трех рассмотренных вариантов с точки зрения рисков их

возвратности.

1. ОСНОВЫ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ

С УЧЕТОМ КОГНИТИВНОСТИ ВЕСОВ СВЯЗЕЙ

1.1. Характеристика структуры нейронной сети

Теория нейронных сетей возникла из исследований в области

искусственного интеллекта, а именно из попыток воспроизвести спо-

собность нервных биологических систем обучаться и исправлять ошиб-

ки, моделируя низкоуровневую структуру мозга. Искусственные ней-

ронные сети составлены из множества простых элементов, действую-

щих параллельно. Как и в природе, функция нейронных сетей в значи-

тельной степени определяется связями между элементами. Нейронная

сеть состоит из входов, слоев нейронов, связей между входами и нейро-

нами, выходами и целями. Слово «искусственная» в дальнейшем, как

правило, будет опускаться.

Рассмотрим пример структурной схемы нейронной сети, пред-

ставленной на рис. 1.1.

Входы состоят из элементов, показанных на схеме кружками и

стрелками, направленными в сторону этих кружков. Направление пока-

зывает, что в сеть извне вводятся значения:

R – число элементов вектора входа;

j – номер любого элемента входа.

На рис. 2.1 представлены три элемента входа: 1-й, j – й и

R – й. В данном примере j равно 2, а R равно 3. Число элементов

входа R увеличивается до достаточно больших значений или уменьша-

ется до 1 в соответствии с условиями решаемой задачи. При этом любой

элемент входа является j-м со своим значением j .

Каждому j-му элементу входа соответствует Q значений.

– значение для j-го элемента входа q-го номера выборки

объемом Q. Например, для q = 1 при объеме выборки Q =1 вводится

выборка R – значений

по одному для каждого j-го элемента входа.

Если, например, Q =2, то вводится две выборки для q = 1 и q = 2 и т.д.,

для Q =3 и более.

Первый слой нейронов состоит из прямоугольников, каждый

из которых обозначает нейрон данного слоя. В данном примере ко-

личество нейронов равно трем и каждый из них имеет номер, ука-

занный внутри прямоугольника. Количество нейронов в слое может

уменьшаться до 1 или увеличиваться, в зависимости от условий р е-

шаемой задачи.

Рис. 1.1

Каждый нейрон первого слоя имеет связь со всеми элементами

входов. Связи характеризуются весами

или wij. Первый нейрон пер-

вого слоя имеет R связей, по числу элементов входов. Веса связи перво-

го нейрона первого слоя с первым элементом входов имеет обозначение

1w11. Число «1» перед w означает первый слой нейронов, число «1»

после w означает первый нейрон, а следующее число «1» означает пер-

Mw11

1b3

1b2

1b1

Mb1

2b1

2-й слой

нейронов

1-й слой

нейронов

входы

цели

выходы

1w3R

2b3

MwS3

MbS

2b2

Mbi

M-й слой

нейронов

1w1R

1w31

1w11

2w33

2w11

R+1

вый элемент входов. По аналогии обозначаются все остальные веса свя-

зей, часть из которых представлена на рис. 1.1.

Каждый нейрон первого слоя имеет сдвиг bi. Первый нейрон

первого слоя имеет сдвиг 1b1. «1» перед b означает первый слой нейро-

нов, а «1» после b означает первый нейрон. По аналогии обозначены и

сдвиги других нейронов. Иначе сдвиг можно рассматривать как вес свя-

зи между нейроном и входом, имеющем значение «1». Например, для

первого нейрона первого слоя элемент входа для сдвига имеет номер

R+1, для второго нейрона R+2 и т.д.

Второй слой нейронов в отличие от первого слоя нейронов в

обозначении весов 2w33 второе число после w относится к нейрону пер-

вого слоя, а не к элементу входа.

M-й слой нейронов является последним. В данном случае M=3.

Количество нейронов в M-м слое равно S. В данном примере S

рано 3 и может быть уменьшено до 1 или увеличено в зависи-

мости от условий решаемой задачи.

– i-й сигнал на выходе из M-го слоя сети для выборки с но-

мером q;

– желаемые (целевые) значения сигналов на выходе

сети для выборки с номером q.

Сигналы, проходящие по связям нейронной сети от входов до

выходов, через нейроны формируются для каждого нейрона как сумма

произведений значений выходов из элементов входов для первого слоя

и выходов из нейронов для других слоев на веса с учетом сдвигов.

Проходя через нейрон, сигнал может преобразовываться или

активироваться. Например, единичная, ступенчатая функция активации

с жесткими ограничениями (hardlim), линейная функция активации (pu-

relin), логистическая функция активации (logsig) или гиперболического

тангенса (tansing) и др.

В настоящей работе применяются только линейные функции

активации, у которых сигнал на выходе из нейрона равен его значению

на входе в нейрон.

1.2. Обучение нейронных сетей

Нейронную сеть можно обучать для выполнения конкретной

функции, регулируя значения коэффициентов (весов) связи. Обычные

искусственные нейронные сети настраиваются или обучаются так, что-

бы конкретные входы преобразовывались в заданный целевой выход.

Лесохин В.З. Разработка бизнес-процессов совместных инвестиций с применением ППП МАТЛАБ - нейронные сети

Подождите немного. Документ загружается.