Прогнозирование финансовой деятельности предприятия — страница 2

  • Просмотров 152
  • Скачиваний 7
  • Размер файла 72
    Кб

современными методами эффективного управления прибылью, в том числе её планирования, формирования и распределения, в процессе деятельности предприятия, что предусматривает построение на предприятии соответствующих систем обеспечения этого управления, знание основных механизмов формирования прибыли, использование эффективных методов её анализа, планирования и распределения [1]. Прибыль как конечный финансовый результат

деятельности фирмы представляет собой разницу между общей суммой доходов и затратами на производство и реализацию продукции с учетом убытков от различных хозяйственных операций. Цель статьи Обзор эффективных методов и моделей регулирования, разработка модели для повышения результативности прогнозирования финансовой деятельности предприятия. Обзор методов прогнозирования Согласно [3], к методам прогнозирования

финансовой деятельности предприятия можно отнести: Экспертное прогнозирование: Метод экспертных оценок; Метод исторических аналогий; Метод предвидения по образцу; Нечеткая логика; Сценарное моделирование «что – если». Формализованное прогнозирование: регрессионный анализ; авторегрессионные модели нейронные сети экспоненциальное сглаживание классификационно-регрессионные деревья Сравнительная характеристика

вышеприведенных методов и моделей приведена в табл.[4].   Модель и метод Достоинства Недостатки Регрессионные модели и методы простота гибкость прозрачность моделирования единообразие анализа и проектирования сложность определения функциональной зависимости трудоемкость нахождения коэффициентов зависимости отсутствие возможности моделирования нелинейных процессов (для нелинейной регрессии) Авторегрессионные модели

и методы простота прозрачность моделирования единообразие анализа и проектирования множество примеров применения трудоемкость и ресурсоемкость идентификации моделей невозможность моделирования нелинейностей низкая адаптивность Модели и методы экспоненциального сглаживания простота моделирования единообразие анализа и проектирования недостаточная гибкость узкая применимость моделей Нейросетевые модели и методы

нелинейность моделей масштабируемость, высокая адаптивность единообразие анализа и проектирования множество примеров применения отсутствие прозрачности сложность выбора архитектуры жесткие требования к обучающей выборке сложность выбора алгоритма обучения ресурсоемкость процесса обучения Модели и методы на базе цепей Маркова простота моделирования единообразие анализа и проектирования невозможность моделирования