15. Кирпичников А.П., Титовцев А.С. Вестник Казан. технол. ун-та, 17, 4. C. 307-312 (2014).
16. Кирпичников А.П., Титовцев А.С. Вестник Казан. технол. ун-та, 17, 5. C. 279-281 (2014).
17. Кирпичников А.П., Титовцев А.С. В сб. Информационных технологии. Радиоэлектроника. Телекоммуникации. Изд-во ПВГУС, Тольятти, 2014. С. 142-150.
18. Кирпичников А.П., Титовцев А.С. Вестник Казан. технол. ун-та, 17, 10. C. 238-240 (2014).
19. Kirpichnikov A.P., Titovsev A.S. Ciencia e Técnica Vitivinícola, 29, 7, 10. С. 122 (2014).
20. Кирпичников А.П., Титовцев А.С. Вестник Костром. гос. ун-та им. Н.А. Некрасова, 4. C. 20-23 (2014).
21. Кирпичников А.П., Титовцев А.С. В мире научных открытий, 10(58). C. 122-136 (2014).
анализ применения множественной регрессионной модели прогнозирования в системах управления рисками
Коротченко Е.А.
Новосибирский государственный университет экономики и управления «НИНХ», Новосибирск, Россия
В статье анализируется возможность использования множественной регрессионной модели для краткосрочного прогнозирования в системах управления рисками на примере системы управления рисками группы компаний, осуществляющей деятельность в сфере гражданской авиации. Приводится перечень недостатков модели, выявленных
в процессе ее использования, и факторов, влияющих на выбор модели прогнозирования как основополагающего элемента системы управления рисками компании. Результаты исследования могут быть полезны при выборе модели прогнозирования рисков.
Ключевые слова: прогнозирование; управление рисками; регрессионная модель; недостатки множественной регрессионной модели; модель прогнозирования; системы управления рисками; СУР.
ANALYSIS OF THE APPLICATION OF MULTIPLE REGRESSION FORECASTING MODEL IN RISK MANAGEMENT SYSTEMS
Korotchenko E.A.
Novosibirsk State University of Economics and Management, Novosibirsk, Russia
The article examines the possibility of using a multiple regression model for a short-term forecast in risk management systems on the example of the risk management system of group of companies operating in the field of civil aviation. The article includes a list of model shortcomings identified in the course of using andfactors influenced on the choice offorecasting model as a fundamental element of company's risk management system. The results of the research may be useful in choosing a model to predict risks.
Keywords: forecasting; risk management; regression model; the shortcomings of a multiple regression model; forecasting model; risk management system; RMS.
Все современные компании вынуждены работать в условиях высокой неопределенности. Поэтому оценка возможных рисков и управление ими становится ключевой задачей, от которой зависит будущее фирмы [1]. Управление риском (риск-менеджмент) - процесс принятия и выполнения управленческих решений, которые минимизируют небла-
гоприятное влияние на организацию или лицо убытков, вызванных случайными событиями [3].
Система управления рисками - стратегически важная информационная система, которая необходима для того, чтобы отслеживать влияние различных видов событий на деятельность компании и обеспечивать устойчивость бизнеса за счет поддержания уровня риска в установленных границах.
Основополагающими элементами любой системы управления рисками являются методы и модели прогнозирования, позволяющие предупреждать, оперативно реагировать и минимизировать угрозы интересам компании.
Актуальность исследования обусловлена тем, что качественное прогнозирование напрямую связано с эффективностью принимаемых бизнес-решений при оперативном и стратегическом планировании и, как следствие, с обеспечением финансовой устойчивости компании и укреплением ее позиций на рынке.
Цель исследования: анализ качества прогнозирования в системах управления рисками (СУР), а также поиск и разработка решений, позволяющих повысить точность и скорость расчета прогноза в данных системах. Объектом исследования стала СУР ЗАО «ГК Б7».
S7 является одной из крупнейших российских авиационных групп, в 2014 году авиакомпании группы перевезли 10,066 миллионов пассажиров, что на 9% больше, чем в 2013 году [2].
множественная регрессионная модель прогнозирования
Выбор модели прогнозирования зависит от потребностей конкретной компании и особенностей предметной области, в которой она будет применяться.
Если проанализировать существующие модели прогнозирования с точки зрения применимости в области управления рисками, то в качестве инструментария прогнозирования в СУР могут применяться статистические модели временных рядов, в которых зависимость будущего значения от прошлого задается в виде некоторого уравнения. К ним относятся:
1. Регрессионные модели (линейная регрессия, множественная линейная регрессия, нелинейная регрессия) - модели, в которых определение зависимости между исходной переменной и множеством внешних факторов (регрессоров);
2. Авторегрессионные модели (ARIMAX, GARCH, ARDLM) - модели, в основу которых заложено предположение о том, что значение процесса линейно зависит от некоторого количества предыдущих значений того же процесса;
3. Модель экспоненциального сглаживания - модель, в основе которой находится идея постоянного пересмотра прогнозных значений по мере поступления фактических;
5. и т.д. [4, с. 21].
Существует множество задач, для решения которых необходимо определить зависимость между двумя и более переменными. Для решения таких задач используется регрессионный анализ [5]. В настоящее время регрессия получила широкое применение, включая задачи прогнозирования и управления. Рассмотрим более подробно множественные регрессионные модели.
На практике на процесс R(t) оказывают влияние целый ряд дискретных внешних факторов F1(t),...,Fn(t). Тогда модель прогнозирования имеет следующий вид:
R(t) = а0+ а1 Fl(t) + а2 F2(t) + aFn(t) + et, где а0,..,ап - коэффициенты, n - количество внешних факторов, t - временной интервал, et - ошибка модели.
Как правило, основным недостатком множественной регрессионной модели является то, что для вычисления будущего значения процесса R(t) необходимо знать будущие значения всех факторов Fl(t),..., Fn(t), что почти невыполнимо на практике [4, с. 24].
Тем не менее, зачастую в СУР фиксируется информация о событиях, которые повлияют на риск по показателю в прогнозируемом периоде. Например, если запланирована распродажа авиабилетов, мы с высокой долей вероятности можем сделать вывод, что уровень риска по пока-
зателю «количество перевезенных пассажиров эконом-класса» станет ниже за счет увеличения продаж, но при этом уровень риска по показателю «средний тариф» вырастет, за счет снижения цены на авиабилеты.
Предположим, у нас имеется временной ряд R(t) - уровни рисков по одному из критериев1 СУР за 29 периодов (рисунок 1). Нужно вычислить будущее значение временного ряда с использованием модели множественной авторегрессии, то есть значение R(30) (треугольник на рисунке), на основании 29 предыдущих значений уровня риска R(1), R(2),..., R(29) и ряда внешних факторов ..., Fn(t), которые ока-
зывали влияние на уровень риска в каждом из 29 прошлых периодов и окажут влияние на уровень риска за 30 период.
25 п
15 - * / \ А А А
5 - N
-5 - 1 1 1 1 1 3 f 1 1 1 7 1 1 1 1 1 1 1 1 ♦ 1 1 1 1 1 1 1 1 1 1 1 1 1 1 9 11 13 15 17 19 21 23 25 27 29
Рис. 1. Уровни рисков по одному из показателей СУР за 29 периодов
Формула для определения R(30) выглядит следующим образом:
R(30) = а + а1 ^1(30) + а2 ^2(30) + ап Fn(30) . В этой формуле мы знаем значения ^1(30), ^2(30), ^3(30) и т.д., но не знаем коэффициенты а.
Если для R(30) работает такая зависимость, значит, она работает и для предыдущих точек, т.е. мы можем получить систему уравнений: R(29) = а0+ а1 ^1(29) + а2 ^2(29) + ап Fn(29) R(28) = а0+ а1 ^1(28) + а2 ^2(28) + ап Fn(28) R(27) = а0+ а1 ^1(27) + а2 ^2(27) + ап Fn(27)
1 Критерий СУР - показатель деятельности подразделения, на основе отслеживания значений которого принимаются решения для достижения цели. Например, одним из критериев для коммерческого директора является «количество пассажиров бизнес-класса».
В этой системе уравнений мы знаем все значения R(t) и можем определить коэффициенты а, решив систему линейных уравнений.
использование множественной регрессионной модели прогнозирования в сур
В СУР, которая стала объектом исследования, степень тяжести (s) для каждого события оценивается экспертно по шкале от 0 до 5, вероятность наступления риска (р) рассчитывается автоматически и также имеет значения от 0 до 5. На основе этих данных рассчитываются Ранги ФО2, значение Ранга ФО всегда находится в диапазоне от 0 до 25.
Автоматизированный расчет уровней риска по перечню показателей, характеризующих деятельность компании, происходит на основе информации о фактических и плановых значениях. По каждому показателю рассчитывается отклонение фактического значения от планового, затем определяется степень тяжесть отклонения (s), вероятность наступления риска (р) рассчитывается автоматически, после чего вычисляется уровень риска по показателю, который всегда находится в диапазоне от 0 до 25.
В связи с тем, что события, которые фиксируются в базе данных, оказывают непосредственное влияние на фактические и плановые значения, уровень риска по показателю СУР напрямую связан с Рангом ФО по всем событиям, оказавшим влияние на данный показатель в рассматриваемом периоде. Поэтому прямая взаимосвязь и стремление к равенству уровня риска и Ранга ФО стали ключевыми предпосылками для выбора модели прогнозирования.
2 Ранг ФО - показатель, в основе расчета которого лежит влияние событий данного ФО3 на деятельность по достижению цели по критерию. Чем больше ранг, тем больше влияние событий этого ФО.
3 ФО (Фактор Опасности) - суть событий (или обобщенная группа событий), которые потенциально способны повлиять на увеличение риска. Примеры ФО: изменение соглашений с авиакомпаниями-партнерами, изменение тарифов на направлений и т.д.
На текущий момент прогнозируемый уровень риска по показателям СУР вычисляется по множественной регрессионной модели на основе дан
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.