Эконометрическая модель оценки риска роста затрат газотранспортного предприятия | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 6 апреля, печатный экземпляр отправим 10 апреля.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Экономика и управление

Опубликовано в Молодой учёный №3 (62) март 2014 г.

Дата публикации: 03.03.2014

Статья просмотрена: 804 раза

Библиографическое описание:

Орлова, Е. В. Эконометрическая модель оценки риска роста затрат газотранспортного предприятия / Е. В. Орлова, И. А. Аршинкин. — Текст : непосредственный // Молодой ученый. — 2014. — № 3 (62). — С. 490-493. — URL: https://moluch.ru/archive/62/9574/ (дата обращения: 29.03.2024).

В статье обсуждается проблема роста затрат предприятия вследствие воздействия неблагоприятных факторов риска. Построена эконометрическая модель оценки влияния выявленных факторов риска на одну из составляющих себестоимости — расхода природного газа на собственные нужды газотранспортного предприятия. Модель позволяет на основе мониторинга факторов риска и знаний о степени их влияния на затраты формировать управленческие решения по минимизации негативных последствий.

Ключевые слова: факторы риска, эконометрическое моделирование, принятие решений, газотранспортное предприятие.

Категория «экономический риск» связан с возможностью несения экономическими агентами потерь в стоимостном выражении вследствие случайного характера результатов принимаемых хозяйственных решений или совершаемых действий в условиях неполноты, неточности, недостоверности информации [1, с. 40]. Для любой экономической системы важен не столько процесс, направленный на уклонение от рисковых ситуаций, но и оценка и прогнозирование наступления неблагоприятных событий, а также разработка наилучших решений по существенным для эффективного функционирования экономической системы критериям [3, c. 72; 4, c. 553]. Одним из подходов к оценке неблагоприятного воздействия факторов риска на результативность экономической деятельности является применение метода эконометрического моделирования [2, c. 12].

Особенно важна проблема оценки и управления рисками для современных газотранспортных предприятий. Необходимость бесперебойного круглосуточного транспорта природного газа по территории Российской Федерации и за ее пределы, в европейские страны и страны ближнего зарубежья, включая азиатские, сегодня является для ОАО «Газпром» приоритетной задачей. Одним из возможных рисков роста затрат предприятия является неизбежное увеличение расхода части транспортируемого газа на собственные нужды, так как газотранспортная сеть построена на газовом оборудовании, как на компрессорных станциях, так и на газораспределительных. Это становится особенно актуальной задачей в последние годы, так как парк газоперекачивающих агрегатов устаревает, как физически, так и морально. Чем выше наработка агрегатов, тем ниже их надежность, ежегодно снижается наработка на отказ, выше эксплуатационные затраты и стоимость ремонта и обслуживания оборудования. В условиях ежегодного наращивания объемов транспорта газа проблема расхода газа на собственные нужды лишь усугубляется [7].

Идентификация и оценка влияния факторов риска на ключевые показатели деятельности не всегда является тривиальной задачей в силу наличия многофакторных и многосвязных параметров. Поскольку уровень расхода газа на собственные нужды предприятия зависит от нескольких факторов, таких как общее количество газоперекачивающих агрегатов, их наработка, количество их пусков и остановов, а также среднегодовая температура воздуха, возникает необходимость изучения влияния этого подмножества факторов на уровень расхода газа на собственные нужды, который, в конечном итоге, определяется в стоимостном выражении.

Построение уравнения множественной регрессии влияния факторов на результирующий показатель начинается со спецификации модели, то есть решения двух вопросов — отбора факторов и выбора формы уравнения регрессии [2, c. 26]. В данном случае результативным показателем является «расход газа на собственные нужды» — Y (млн. м3 / год), экзогенными переменными выступают «общее число ГПА в парке предприятия» — Х1 (шт.), «общая наработка парка ГПА в год» — Х2 (часов/год), «количество пусков (остановов) ГПА в год» — Х3, «среднегодовая температура окружающего воздуха на предприятии» — Х4 (град. С). Исходная статистическая информация для построения эконометрической модели представлены в таблице 1 [5, c. 10–32].

Таблица 1

Исходные данные для анализа

Период

Показатель (переменная)

Х1

Х2

Х3

Х4

Y

2008

24

93134

5,5

24,2

335,131

2009

21

58967

3,2

20,8

244,985

2010

21

66076

4,2

20,1

277,251

2011

21

70993

2,3

16,5

268,220

2012

21

71557

4,7

20,7

268,318

Моделирование осуществляется пошагово. Сначала оценивается степень влияния факторов риска на результат, затем строятся модели с разным набором факторов и разных функциональных форм, затем из множества моделей выбирается лучшая, имеющая максимальные значения характеристик качества. Ниже представлены некоторые из моделей и разбираются их свойства и дается содержательная интерпретация.

Корреляционная матрица взаимовлияния факторов, построенная в пакете «Statistica», представлена на рисунке 1.

Рис. 1. Корреляционная матрица для выбранных переменных

Как видно из рисунка 1, наибольшее влияние на результирующий показатель Y («расход газа на собственные нужды») оказывает фактор Х2 («общая наработка парка ГПА в год»).     Базовое окно результатов моделирования линейной однофакторной зависимости результирующего показателя «расход газа на собственные нужды» от фактора «общая наработка парка ГПА в год» показан на рисунке 2.

Рис. 2. Результат линейного однофакторного регрессионного анализа

Анализ показывает, что коэффициент детерминации R2 равен 0,924 и достаточно близок к единице, то есть линейная аппроксимирующая функция достаточно хорошо отражает исследуемую зависимость. Результаты регрессионного анализа свидетельствуют о статистически значимой регрессии, так как Fнабл>Fкр (36,966>10,13), параметры регрессии также значимы, наблюдаемые значения t-критерия по обоим параметрами превосходят табличные. Исходя из этого, регрессионную модель можно представить в виде:

Y=95,77173 + 0,00254*Х2, R2=0,924

Стандартная ошибка 30,47573 0,00042

Средняя ошибка аппроксимации Ā=0,0823 %

Для оценки возможности улучшения построенной регрессии произведен анализ нелинейных регрессий влияния Х2 («общая наработка парка ГПА в год») на Y («расход газа на собственные нужды»), сводные результаты анализа представлены в таблице 2.

Полиномиальная модель регрессии (полином в третьей степени) обладает наилучшими статистическими данными, поэтому ее, так как она имеет наибольший коэффициент детерминации, наименьшую ошибку аппроксимации и все параметры в ней значимые. Произведенный анализ показал, что фактор Х2 оказывает наибольшее влияние на результирующий показатель Y. На основе полученных данных можно говорить о том, что это влияние значимо (коэффициент детерминации равен 0,999). По результатам моделирования выявлена наиболее подходящая модель — полиноминальная.

Таблица 2

Сравнительная характеристика моделей

Регрессионная модель

Критерии качества модели

Коэффициент

детерминации R2

Средняя ошибка аппроксимации Ā

Стандартная ошибка:

Стандартная ошибка:

Стандартная ошибка:

В условиях непрерывного функционирования газотранспортных предприятий, относящихся, в числе немногих прочих, к основным предприятиям в системах газоснабжения и газораспределения, а также экспорта газа зарубежным потребителям, немаловажным технико-экономическим показателем деятельности таких предприятий является уровень затрат их функционирования. К таким издержкам, безусловно, относится и расход технологического газа на собственные нужды. Целью любого хозяйствующего субъекта является минимизация затрат. Исходя из результатов проведенного исследования показано, что снизить расход газа на собственные нужды в значительной степени возможно лишь уменьшением наработки агрегатов, что недопустимо при необходимости круглогодичного транспорта газа с жестко регламентируемыми характеристиками. Однако, как видно из рисунка 2, значительное влияние на результирующий показатель оказывает также число агрегатов в парке предприятия. Это позволяет сделать вывод о том, что уменьшение количества газоперекачивающих агрегатов в парке предприятия само по себе уменьшит расход газа на собственные нужды. При этом необходимо учитывать, что уменьшение парка агрегатов должно сопровождаться не уменьшением суммарной мощности компрессорной станции, а сохранением текущей номинальной производительности или, в условиях стремления ОАО «Газпром» расширить рынок на ряд стран Азии и укрепления позиций в Европе, ее ростом. Введенных в эксплуатацию десятки лет назад парк оборудования до сих пор справляется с возложенными на него задачами, но ежегодно его энергоэффективность неуклонно снижается.

Таким образом, необходимо не уменьшать парк агрегатов, а модернизировать его в соответствии с уровнем развития данной отрасли машиностроения. Замена, например, восьми агрегатов типа ГТУ-10 мощностью 10Мватт на пять агрегатов типа ГПА-16 мощностью 16Мватт позволит, при сохранении суммарной мощности цеха, значительно снизить суммарную наработку агрегатов, что, в свою очередь, влечет за собой уменьшение суммарного расхода газа на собственные нужды предприятия [8]. Тесное сотрудничество с машиностроительными предприятиями, такими как ОАО «УМПО», позволяет решать эту задачу.

Литература:

1.    Орлова Е. В. Идентификация и прогнозирование рисков экономической системы на основе имитационного моделирования // Проблемы анализа риска. 2014. № 1.

2.    Орлова Е. В. Эконометрическое прогнозирование и моделирование. Уфа: УГАТУ, 2013.

3.    Орлова Е. В. Экономико-математический инструментарий управления экономической системой в условиях неопределенности. Уфа: УГАТУ, 2012.

4.    Орлова Е. В. Системный анализ и моделирование экономической эффективности проектов: методический подход // Экономика и предпринимательство. 2013. № 12–4.

5.    Годовые отчеты о результатах деятельности Полянского ЛПУМГ за 2007–2012гг.

6.    http://www.гту.рф

7.    http://www.gazprom.ru/about/subsidiaries/list-items/gazprom-transgaz-ufa/

8.    http://www.addere.ru/rm24.htm

Основные термины (генерируются автоматически): расход газа, результирующий показатель, коэффициент детерминации, нужда, общая наработка парка, стандартная ошибка, риск, газотранспортное предприятие, природный газ, регрессионная модель.


Ключевые слова

Принятие решений, факторы риска, эконометрическое моделирование, газотранспорт-ное предприятие

Похожие статьи

Применение регрессионного анализа для расчета прогнозных...

Построение модели на основе регрессионного анализа выбранных параметров позволяет

производство и распределение электроэнергии, газа и воды; транспорт и связь

расчетной величины от фактической и определены коэффициенты детерминации моделей (табл. 3)...

Корреляционно-регрессионный анализ как способ...

Модернизация жилищно-коммунального хозяйства требует пристального внимания к изучению показателей деятельности предприятий отрасли.

Коэффициент детерминации равен 0,9767.

Подводя итоги по построенной регрессионной модели, можно сказать, что для...

Применение регрессионного анализа для прогнозирования...

В случае парной линейной регрессионной модели коэффициент детерминации равен квадрату коэффициента корреляции, то есть [6].

1. Сухарев, М. Г. Оптимизация систем транспорта газа / М. Г. Сухарев, Е. Р. Ставровский.

Корреляционно-регрессионный анализ производительности...

стандартная ошибка β. коэффициент регрессии (b).

Коэффициент детерминации равен 0,8581, а скорректированный на число степеней свободы — 0,6594.

Однако, судя по β-коэффициентам, полученная модель не является оптимальной, так как включает в себя...

Статистический анализ ликвидности активов организации

На примере конкретного предприятия рассмотрено применение корреляционно-регрессионного анализа для

Ключевые слова: ликвидность, корреляция, регрессия, коэффициент детерминации, рентабельность продаж, статистический анализ.

Математические модели и методы оценки рисков

Основная цель применения математического моделирования в оценке рисков сводится к описанию общей модели: R = f (P, I), где P

Анализ чувствительности предполагает анализ изменения результирующего показателя при малом изменении факторов.

Факторный анализ валового внутреннего продукта РФ

Коэффициент детерминации R2=0,8785. Он показывает, что 87,9

Проверка адекватности модели осуществляется с помощью расчета F-критерия Фишера [4]

Российская Федерация, стандартная ошибка, регрессионный анализ, основной капитал, уравнение регрессии.

Статистическое изучение уровня инвестиций в российскую...

Для наиболее точной оценки влияния фактора, включенного в модель, проведем регрессионный анализ [4].

Коэффициент детерминации равен 0,667, следовательно, 66,7 % вариации инвестиций в основные капитал приходится на удельный вес

Стандартная ошибка.

Эконометрическое моделирование стоимости туристического...

Для проверки качества уравнения регрессии обратимся к коэффициентам детерминации (R2) и множественной корреляции (R): чем ближе значения данных показателей к 1, тем выше качество модели.

Похожие статьи

Применение регрессионного анализа для расчета прогнозных...

Построение модели на основе регрессионного анализа выбранных параметров позволяет

производство и распределение электроэнергии, газа и воды; транспорт и связь

расчетной величины от фактической и определены коэффициенты детерминации моделей (табл. 3)...

Корреляционно-регрессионный анализ как способ...

Модернизация жилищно-коммунального хозяйства требует пристального внимания к изучению показателей деятельности предприятий отрасли.

Коэффициент детерминации равен 0,9767.

Подводя итоги по построенной регрессионной модели, можно сказать, что для...

Применение регрессионного анализа для прогнозирования...

В случае парной линейной регрессионной модели коэффициент детерминации равен квадрату коэффициента корреляции, то есть [6].

1. Сухарев, М. Г. Оптимизация систем транспорта газа / М. Г. Сухарев, Е. Р. Ставровский.

Корреляционно-регрессионный анализ производительности...

стандартная ошибка β. коэффициент регрессии (b).

Коэффициент детерминации равен 0,8581, а скорректированный на число степеней свободы — 0,6594.

Однако, судя по β-коэффициентам, полученная модель не является оптимальной, так как включает в себя...

Статистический анализ ликвидности активов организации

На примере конкретного предприятия рассмотрено применение корреляционно-регрессионного анализа для

Ключевые слова: ликвидность, корреляция, регрессия, коэффициент детерминации, рентабельность продаж, статистический анализ.

Математические модели и методы оценки рисков

Основная цель применения математического моделирования в оценке рисков сводится к описанию общей модели: R = f (P, I), где P

Анализ чувствительности предполагает анализ изменения результирующего показателя при малом изменении факторов.

Факторный анализ валового внутреннего продукта РФ

Коэффициент детерминации R2=0,8785. Он показывает, что 87,9

Проверка адекватности модели осуществляется с помощью расчета F-критерия Фишера [4]

Российская Федерация, стандартная ошибка, регрессионный анализ, основной капитал, уравнение регрессии.

Статистическое изучение уровня инвестиций в российскую...

Для наиболее точной оценки влияния фактора, включенного в модель, проведем регрессионный анализ [4].

Коэффициент детерминации равен 0,667, следовательно, 66,7 % вариации инвестиций в основные капитал приходится на удельный вес

Стандартная ошибка.

Эконометрическое моделирование стоимости туристического...

Для проверки качества уравнения регрессии обратимся к коэффициентам детерминации (R2) и множественной корреляции (R): чем ближе значения данных показателей к 1, тем выше качество модели.

Задать вопрос