Вы находитесь на странице: 1из 171

ФБГОУ ВПО «Башкирский государственный университет им.

40-летия Октября»

На правах рукописи

Тукаева Зульфия Масгутовна

НЕЧЕТКО-ЛОГИЧЕСКИЕ ИНСТРУМЕНТЫ ПРОГНОЗИРОВАНИЯ


РАЗВИТИЯ НЕФТЕГАЗОХИМИЧЕСКИХ ТЕРРИТОРИАЛЬНО-
ПРОИЗВОДСТВЕННЫХ КОМПЛЕКСОВ В УСЛОВИЯХ
НЕОПРЕДЕЛЕННОСТИ

Специальность: 08.00.13 – Математические и инструментальные


методы экономики

Диссертации на соискание учёной степени


кандидата экономических наук

Научный руководитель Мухаметзянов Ирик Зирягович


доктор физико-математических наук,
профессор

Уфа – 2013
2
ОГЛАВЛЕНИЕ
С.
Введение ……………………………………………………………………… 4
1 АНАЛИЗ СОВРЕМЕННЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ ПО
ЭКОНОМИКО-МАТЕМАТИЧЕСКОМУ МОДЕЛИРОВАНИЮ И
ПРОГНОЗИРОВАНИЮ РАЗВИТИЯ ТЕРРИТОРИАЛЬНО-
ПРОИЗВОДСТВЕННЫХ КОМПЛЕКСОВ......................................... 14
1.1 Организационно-экономические типы и особенности
функционирования нефтегазохимических территориально-
производственных комплексов........................................................... 14
1.2 Система макроэкономических показателей для оценки
деятельности территориально-производственных комплексов...... 22

1.3 Сравнительный анализ моделей прогнозирования развития


территориально-производственных комплексов........................... 36

1.4 Особенности процедуры прогнозирования показателей развития


нефтегазохимических территориально-производственных
комплексов …………………………………………………………… 52
1.5 Обоснование цели и задач диссертационной работы ……………… 59
2 НЕЧЁТКО-ЛОГИЧЕСКИЕ ИНСТРУМЕНТЫ
ПРОГНОЗИРОВАНИЯ РАЗВИТИЯ НЕФТЕГАЗОХИМИЧЕСКИХ
ТЕРРИТОРИАЛЬНО-ПРОИЗВОДСТВЕННЫХ КОМПЛЕКСОВ В
УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ............................................... 62
2.1 Обоснование выбора определяющих факторов и показателей
развития нефтегазохимического ТПК ............................................... 62
2.2 Разработка нечетко-логической модели прогнозирования
развития нефтегазохимического ТПК в условиях малого объема
достоверных исходных данных и неопределенности ……………. 72
2.3 Разработка нечетко-временной модели прогнозирования развития
нефтегазохимического ТПК в условиях неопределенности с
учетом влияния факторов внешней среды ....................................... 86
3
2.4 Архитектура и режимы функциональная информационной
системы нечетко-временного прогнозирования показателей
развития территориально-производственных комплексов в
условиях неопределенности ……………..………………….……… 97
2.5 Выводы ................................................................................................... 101
3 ПРОГНОЗИРОВАНИЕ РАЗВИТИЯ НЕФТЕПЕРЕРАБАТЫВАЮ-
ЩЕГО КОМПЛЕКСА РЕСПУБЛИКИ БАШКОРТОСТАН НА
ОСНОВЕ ЭКОНОМИКО-МАТЕМАТИЧЕСКИХ НЕЧЕТКО-
ВРЕМЕННЫХ МОДЕЛЕЙ …………………………………………... 103
3.1 Современное состояние развития нефтеперерабатывающего
комплекса республики Башкортостан ……………………………... 103
3.2 Разработка регрессионных факторных моделей краткосрочного
оперативного прогноза валового выпуска продукции
нефтехимического ТПК от объемов переработки нефти и
объемов кредитов, выданных реальному сектору экономики ……. 115
3.3 Прогноз валового выпуска продукции нефтепереработки на
основе экономико-математической нечетко-временной модели … 121
3.4 Прогноз конкурентоспособности нефтехимического ТПК на
основе модели нечеткого логического вывода в условиях малого
объема достоверных исходных данных и неопределенности ……. 129
3.5 Выводы ................................................................................................... 143
ЗАКЛЮЧЕНИЕ ................................................................................................. 146
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ ................... 148
ГЛОССАРИЙ ОСНОВНЫХ ТЕРМИНОВ И ПОНЯТИЙ ………………… 150
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ......................................... 158
ПРИЛОЖЕНИЕ А. Копия свидетельства на программный продукт,
реализующий методы и алгоритмы прогнозирования показателей
развития ............................................................................................................. 170
ПРИЛОЖЕНИЕ Б. Справка об использовании результатов диссертации в
ОАО АНК «Башнефть».................................................................................... 171
4

ВВЕДЕНИЕ

Согласно концепции долгосрочного социально-экономического развития


Российской Федерации на период до 2020 года от 17 ноября 2008 года № 1662-р,
стратегической целью является достижение уровня экономического и
социального развития ведущих мировых государств. Одним из основных
стратегических ориентиров России является переход к устойчивому социально-
экономическому развитию. Важнейшая роль при этом отводится зонам
опережающего экономического роста – крупным промышленным структурам -
территориально-производственным комплексам (ТПК), в том числе
нефтегазохимическим ТПК. Нефтегазохимические ТПК, образуются на базе
крупных корпоративных промышленных структур и широкой сети предприятий
малого и среднего бизнеса, совокупность которых обеспечивает существенный
вклад в ВВП России.
Формирование научно-обоснованной стратегии развития
нефтегазохимическим ТПК, обеспечивающих производство продукции с высокой
добавленной стоимостью, базируется на оценках и прогнозах тенденций
экономики, прогнозах развития научно-технического прогресса (НТП) и прогнозе
факторов и отдельных макроэкономических показателей развития ТПК. При
составлении такого рода прогнозов необходимо учитывать взаимодействие ТПК с
внешней средой – с потребителями, товарными и финансовыми рынками,
экономической ситуацией, законами и политическими факторами.
Вопросам становления и развития производственных комплексов посветили
свои работы отечественные ученые: Л.И. Абалкин, М.К. Бандман, О.Л. Бандман,
А.Н. Белозерский, М.А. Винокуров, А.Г. Гранберг, Т.Н. Есикова, Т.В.
Какатунова, К.А.Кравченко, Н.Н. Колосовский, Д.С. Львов, Б.З. Мильнер,
С.А.Михайлов, А.Г. Наговицин, Н.Н. Некрасов, B.C. Немчинов, Д.Ш. Султанова,
Н.П. Фигурнова, П.Ж. Хандуев и др. За рубежом этими проблемами занимались Р.
Акофф, С. Брю, А. Вебер, Т. Конно, В. Лаунхардт, К. Макконел, М. Портер, Л.
Тойфсон, Й. Тюнен, П. Уотерман, Д. Хан, Э. Фрезе и др.
5
Вопросам развития аппарата экономико-математических методов и моделей
деятельности промышленных территориально производственных комплексов в
условиях неопределенности посвящены работы ученых Белозерского А.Ю.,
Гармаша А.В., Дли М.И., Емельянова А.А., Карпова В.Г., Карасева А. И.,
Канторовича Л.В., Кремера Н.Ш., Лоскутовой Н.А., Мельника М.М., Мешалкина
В.П., Новиковой Н.В., Орлова А.И., Орловой И.В., Поспелова И.Г., Росса Г.В,
Тельнова Ю.Ф., Савельевой Т.И., Федосеева В.В. В диссертациях Гараева И.Н.,
Долотова А.И., Ильина А.А., Ильиных Ю.М., Ильясовой Т.В., Тютриной М.А.,
Фасхиева А.А. В работах этих ученых показано, что оценка состояния сложных
экономических систем является трудно формализуемой задачей ввиду
необходимости учета большего числа количественных и качественных факторов,
а также наличия сложных взаимосвязей между ними.
Большинство существующих исследований по организации и управлению
ТПК направлено на комплексное исследование условий внешнего окружения и
внутреннего устройства, на анализ разнообразных сторон функционирования с
использованием системного анализа, а также на выявлении ключевых
показателей успешной деятельности и управляющих факторов на основе
многомерного статистического анализа.
Модели развития ТПК носят описательный или нормативный характер.
Следовательно, они не могут быть определены количественно и предлагают
некоторые философские парадигмы развития вида как будет происходить. При
этом практически не уделяется внимания использованию методов экономико-
математического моделированию и прогнозирования факторов,
обусловливающих фактический успех и потенциал роста ТПК. Для разработки
научно-обоснованной стратегии развития ТПК необходимо помимо методологии
формального прогнозирования использовать экономико-математические методы.
Одна из основных тенденций современного развития ТПК - укрупнение
бизнеса нефтегазовых компаний как следствие возрастающего спроса на
энергоресурсы. В свою очередь определяет влияние тенденций развития мировой
экономики на нефтегазохимические ТПК, в частности, мировых цен на ресурсы,
6
возрастание роли глобальной конкуренции - межсекторной, технологической,
финансовой, что создает значительную неопределенность в долгосрочных
тенденциях. При долгосрочном прогнозировании развития ТПК вся исходная и
разнотипная информация многофакторная и обладает неопределенностью. Это
данные о состоянии рынков нефти, газа и нефтепродуктов, потребителей,_
данные об объеме добычи минеральных ресурсов и др.
Процессы стратегического управления неразрывно связаны с
рассмотрением и планированием деятельности предприятия ТЭК на отрезке
времени в 5-10 лет. Определение эффективных прогнозов различных финансово-
экономических показателей необходимо менеджменту компании для принятия
правильных решений по стратегическому и операционному управлению, расчету
производства и материальных затрат, т.д. Это позволяет получить конкурентные
преимущества в постоянно меняющихся условиях.
При составлении такого рода прогнозов необходимо учитывать
взаимодействие предприятия с внешней средой – с потребителями, товарными и
финансовыми рынками, экономической ситуацией, законами и политическими
факторами. Перечень решаемых задач включает: анализ и прогноз цен и
состояния рынков нефти, газа и нефтепродуктов в стране и за рубежом;_ прогноз
состояния потребителей; _ прогноз добычи;_ прогноз затрат и себестоимости;
прогноз инвестиций и капитальных вложений; прогноз дохода и прибыли и др.
Необходимый в современных условиях механизм исследования и
реализации стратегии регионального промышленного развития сопряжен с целым
рядом проблем, основными из которых являются:
- отсутствие четких методологических основ анализа и моделирования
территориально-производственных комплексов;
- отсутствие на уровне территорий необходимой организации
статистических данных, в частности межотраслевых продуктовых потоков в
дробной отраслевой классификации;
- несовпадение пространственных границ производственного комплекса и
территорий, по которым осуществляется сбор статистических данных;
7
- отсутствие информации по многим качественным характеристикам
деятельности ТПК;
- отсутствие единого согласованного перечня измерителей деятельности
ТПК.
В этой связи, наиболее распространенным в настоящее время методом
идентификации и оценки деятельности региональных экономических систем
является подход, основанный на экспертных оценках. Несмотря на это, возможна
количественная оценка потенциала роста региональных экономических систем и
их отдельных участников.
Можно выделить две основные совокупности методов прогнозирования,
получивших названия фундаментальный и технический анализ. Первый из них
предусматривает изучение тенденций формирования экономических показателей
исходя из базовых факторов экономики, к числу которых относятся, в частности,
процентные ставки, налоги, уровень безработицы, состояние бюджета,
инфляционные процессы, стабильность политической системы и проводимая
экономическая политика. Технический анализ можно определить как методику
исследования и прогнозирования посредством анализа графиков развития рынка в
предшествующие периоды времени.
Фундаментальный и технический анализ основываются на статистике
прогнозного показателя на исследуемом объекте или по аналогичному
показателю на других предприятиях. Как правило, полнота исходных данных
отсутствует, что создает одну из главных проблем в прогнозировании.
Вторая, не менее трудная задача - установление связи между
количественными показателями и качественными факторами. Кроме того, что
такая зависимость обычно нелинейная, она еще и динамически меняется во
времени.
Для экономических объектов типичным является неопределенность
«завтрашнего дня». Прогнозы никогда не будут выполняться со 100%-ой
точностью и реализуемая ситуация будущего прогноза обладает
расплывчивостью.
8
Таким образом, имеются значительные трудности при использовании
фундаментального (например, экстраполяции тренда) или технического анализа
(отслеживание формальных закономерностей) для нечетких данных. Обычная
практика в таких случаях – применение метода экспертных оценок.
Для задач, в которых исторические данные представлены не в привычном
числовом виде, а в вербальной (словесной) форме применяются методы нечеткой
логики. Например, с помощью аппарата нечеткой логики можно представить
такие неопределенные и относительные понятия как «экономический рост»,
«падение», «свертывание производства» и др.
В более общей ситуации исходные данные для прогнозирования содержат
детерминированные данные, случайные (или вероятностные) данные и данные с
нечеткой информацией. Для таких задач интенсивно развивается гибридизация
методов интеллектуальной обработки информации с методов нечеткой логики. В
результате объединения нескольких технологий искусственного интеллекта,
таких как нейронные сети, нечеткая кластеризация, нечеткие ассоциативные
правила и другие, появился специальный термин – "мягкие вычисления" (soft
computing).
Поэтому, актуальным является приложение теории нечетких множеств и
нечетких временных рядов (НВР) для прогноза ряда показателей территориально-
производственных комплексов и интегрирование данных методов в общую
структуру принятия решений.
Рассматривается задача прогнозирования макроэкономических показателей
нефтехимического комплекса, образованного на базе крупных корпоративных
структур и широкой сети предприятий сервисного обслуживания и
вспомогательного производства. Проблема прогнозирования показателей в таких
сложно организованных объектах состоит в том, что данные имеют
многоплановый и разнотипный характер, имеется неоднозначность,
неопределенность и нечеткость части данных. Информация, зачастую,
распределена на многих самостоятельных объектах – составных частях комплекса.
Прогнозирование, для таких сложных систем - это непрерывный процесс сбора и
9
оценки десятков типов информации и построение на его основе структуры для
принятия решений с использованием различных подходов и методов. Для оценки
нечеткой части информации целесообразно применять методологию
идентификация нечетких систем, с последующей интеграцией результатов в
общую структуру принятия решений.
Прогнозирование развития нефтегазохимического ТПК в условиях
неопределенности - это непрерывный процесс сбора и оценки больших объемов
разнотипной информации и построение на его основе структуры для принятия
решений с использованием различных подходов и методов.
Вышеизложенное определяет актуальность научной задачи разработки
экономико-математических инструментов прогнозирования показателей развития
нефтегазохимических ТПК в условиях неопределенной информации о факторах
внешней и внутренней среды.
Основные разделы диссертационной работы соответствуют плану
фундаментальных исследований РАН на период до 2025 года - раздел 8.2
“Экономические науки”, в рамках научной проблемы: «Разработка
математического и эконометрического инструментария, а также теоретических и
методологических основ анализа, моделирования и прогноза качества и образа
жизни населения: макро - и региональный аспекты».
Объект исследования предприятия и объединения предприятий
нефтегазохимического территориально-производственного комплекса России.
Предметом исследования являются модели и процедуры прогнозирования
показателей ТПК в условиях неопределенности факторов внешней и внутренней
среды.
Целью диссертационного исследования разработка нечетко-логических и
нечетко-временных инструментов прогнозирования показателей развития
нефтегазохимических территориально-производственных комплексов в условиях
неопределенности факторов внешней и внутренней среды, как для последующего
анализа, так и разработки принятия научно-обоснованных управленческих
10
решений по формированию стратегии устойчивого социально-экономического
развития.
Для достижения поставленной цели в работе поставлены следующие
задачи:
1. Обоснование выбора определяющих факторов и показателей развития
нефтегазохимического ТПК в условиях неопределенности внутренней и внешней
среды.
2. Разработка нечетко-логической модели прогнозирования показателей
развития нефтегазохимического ТПК в условиях малого объема достоверных
исходных данных и неопределенности.
3. Разработка нечетко-временной модели прогнозирования показателей
развития нефтегазохимического ТПК в условиях неопределенности с учетом
влияния факторов внешней среды.
4. Разработка регрессионной модели оперативного прогноза валового
выпуска продукции нефтегазохимического ТПК.
5. Разработка комплекса программ нечетко-логического и нечетко-
временного прогнозирования показателей развития нефтегазохимических ТПК в
условиях неопределенности.
6. Практическое применение предложенных нечетко-логических и нечетко-
временных инструментов прогнозирования на материалах нефтехимического
комплекса республики Башкортостан.
Научная новизна исследования
1. Разработана нечетко-логическая модель прогнозирования основных
показателей развития нефтегазохимического ТПК в условиях малого объема
достоверных исходных данных и неопределенности факторов, отличающаяся
применением процедур факторной декомпозиции прогнозной функции по
группам определяющих факторов, получении прогноза с использованием
нечеткого логического вывода по каждой группе факторов и группового синтеза
результирующего прогноза, что позволяет устранить внутри- и межгрупповые
эффекты взаимодействия нечетких факторов, проводить анализ и
11
прогнозирование с использованием данных, представленных в вербальной форме
и повышает достоверность прогноза.
2. Разработана нечетко-временная модель прогнозирования показателей
развития нефтегазохимического ТПК в условиях неопределенных факторов
внутренней и внешней среды, отличающаяся использованием процедур нечеткого
логического вывода, основанного на правилах, на прецедентах и на нечетко-
временных последовательностях, что позволяет строить прогноз выходного
признака с использованием разнотипных факторов, и проводить согласование
прогноза с тенденциями развития отраслевой, национальной и мировой
экономики.
3. Разработана регрессионная факторная модель валового выпуска
продукции нефтеперерабатывающего комплекса республики Башкортостан по
данным 2005-2012 гг., отличающаяся использованием агрегированной
производственной функции и выбором в качестве основной независимой
переменной объема кредитов, выданных реальному сектору экономики, что
позволяет проводить оперативный прогноз валового выпуска продукции на
краткосрочный период.
4. Разработан комплекс программ нечетко-логического и нечетко-
временного прогнозирования показателей развития нефтегазохимических ТПК в
условиях малого объема достоверных исходных данных и неопределенности,
позволяющий проводить прогнозирование по исходным данным, представленным
в количественной, качественной и вербальной форме.
Теоретическая и практическая значимость
1. Теоретическое значение имеют нечетко-логическая и нечетко-временная
модели прогнозирования показателей развития нефтегазохимического ТПК,
обеспечивающие повышение достоверности прогнозов нечетких показателей и
минимизацию рисков при принятии управленческих решений в условиях
неопределенности.
12
2. Практическую значимость имеют комплекс программ нечетко-
логического и нечетко-временного прогнозирования показателей развития
нефтегазохимического ТПК в условиях неопределенности.
Методы исследования: методы экономической теории, математической
статистики, системный анализ, методы социально-экономического
прогнозирования и теории нечетких множеств и нечеткой логики. Применяются
научные положения и выводы, сформулированные в трудах отечественных и
зарубежных ученых по экономико-математическому моделированию бизнес-
процессов и прогнозированию социально-экономических систем в условиях
неопределенности.
Положения, выносимые на защиту
1. Нечетко-логическая модель прогнозирования основных показателей
развития нефтегазохимического ТПК в условиях малого объема достоверных
исходных данных и неопределенности факторов.
2. Нечетко-временная модель прогнозирования развития
нефтегазохимического ТПК в условиях неопределенности с учетом влияния
факторов внешней среды на основе методологии нечетких временных рядов и
нечеткого логического вывода, основанного на правилах и на прецедентах.
3. Регрессионная факторная модель валового выпуска продукции
нефтеперерабатывающего комплекса республики Башкортостан от объема
кредитов, выданных реальному сектору экономики.
4. Комплекс программ нечетко-логического и нечетко-временного
прогнозирования показателей развития нефтегазохимических ТПК в условиях
малого объема достоверных исходных данных и неопределенности внешней
среды.
Обоснованность выводов и положений диссертации подтверждается
комплексным использованием известных, проверенных практикой теоретических
и эмпирических методов исследования – методов статистического
прогнозирования и экономического анализа; методов теории нечетких множеств,
статистического анализа и экономико-математического моделирования, а также
13
учетом экспериментально изученных особенностей функционирования
нефтегазохимических территориально-производственных комплексов.
Достоверность результатов исследования определяется тем, что
рекомендации и выводы диссертационного исследования основаны на обработке
исходной статистической информации; не противоречат известным
теоретическим и практическим результатам, содержащимся в публикациях
отечественных и зарубежных ученых по применению математических и
инструментальных методов экономики для исследования территориально-
производственных комплексов.
Эффективность предложенных в диссертации инструментов принятия
решений подтверждается результатами их практического применения в ОАО
АНК «Башнефть».
Апробация работы Основные результаты диссертационного исследования
докладывались на ряде научно-практических конференциях: Международных
научно-практических конференциях «Экономика и управление: анализ тенденций
и перспектив развития» (Новосибирск, 2012, 2013); «Промышленное развитие
России: проблемы, перспективы» (Н.Новгород, 2012); «Проблемы анализа и
моделирования региональных социально-экономических процессов» (Казань,
2013); «Экономико-математические методы исследования современных проблем
экономики и общества» (Уфа, 2013); Всероссийской научно-практической
конференции с международным участием «Инновационные технологии
управления социально-экономическим развитием регионов России» (ИСЭИ УНЦ
РАН, Уфа, 2013), а также научных семинарах Башкирского государственного
университета и Международного института логистики ресурсосбережения и
технологической инноватики Российского химико-технологического
университета имени Д.И. Менделеева.
Результаты исследования и разработанный автором комплекс программ
«Прогнозирование нечетких данных для решения бизнес задач предприятий ТЭК»
использованы при прогнозировании показателей развития
нефтеперерабатывающего ТПК республики Башкортостан.
14
1 АНАЛИЗ СОВРЕМЕННЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ ПО
ЭКОНОМИКО-МАТЕМАТИЧЕСКОМУ МОДЕЛИРОВАНИЮ И
ПРОГНОЗИРОВАНИЮ РАЗВИТИЯ ТЕРРИТОРИАЛЬНО-
ПРОИЗВОДСТВЕННЫХ КОМПЛЕКСОВ

1.1 Организационно-экономические типы и особенности


функционирования нефтегазохимических территориально-
производственных комплексов

Развитие экономики государства как единого хозяйственного комплекса


должно сопровождаться рационализацией организации производства и
отраслевой структуры.
Проблема организации производства и модернизация существующих
территориально-производственных экономических систем занимает особое место
среди вопросов эффективного размещения производительных сил.
По нашему мнению, для того чтобы разработать программу развития
территориально-производственных экономических систем и как ими управлять
необходимо точно знать определение понятия территориально-производственных
экономических систем, их типологии [2].
В экономической политике государства основное направление уделяется
развитию крупных территориально-производственных комплексов. В период
экономического подъема экономика опиралась на крупные компании, которые
ориентировались на ресурсы. Благодаря этому были решены социально-
экономические проблемы и создана благоприятная среда для развития рыночных
институтов. Как показывают исследования, территориально-производственные
комплексы значительно влияют на эффективное развитие производственных
процессов и предопределяют уровень развития экономики в перспективе [25].
Значительный интерес исследования территориально-производственных
экономических систем последние 10-15 лет обусловлен тем, что
сконцентрированные географически и не жестко конкурирующие между собой
15
взаимосвязанные группы предприятий могут представлять достаточно мощную
конкурентоспособную силу в глобальной экономике. В связи с этим, такие
структуры представляют основу региональной экономики, и исследования
закономерностей их развития и динамики, оценка конкурентоспособности и
устойчивости представляет научный и практический интерес [2].
В трудах Аганбегян А.Г.: «Под типологией понимают метод научного
познания, которое грунтуется на делении совокупности объектов на группы за
определенными характерными свойствами». Из этого следует, что типология
территориально-производственных экономических систем - это их упорядочение,
систематизация. Для того чтобы выделить основные типы ТПК сначала нужно их
классифицировать, т.е. разделить по классам, которые будут отличаться
количественными признаками. Только потом можно группировать по типам,
которые будут отличаться по качественным признакам [2]. В производственных
исследованиях благодаря типологии можно составлять описания множеств
однородных объектов, изучать закономерности на основе анализа таких множеств
[28].
Формальные методы классификации применяются для проведения
типологии и при их помощи определяют, належит ли объект к тому или другому
классу, начиная простым отнесением объекта к классу соответственно
определенному количественному значению любого признака и заканчивая
использованием сложных методов распознавания с помощью электронно-
вычислительных машин. По признакам типологии ТПК можно раскрыть
особенность развития производства по отдельным пунктам и по регионам.
Типологизация помогает обнаружить отдельные закономерности и особенности
формирования ТПК, но также своевременно анализировать их состояние и делать
прогноз приоритетных направлений их развития на перспективу.
В научной литературе существуют различные мнения по этим вопросам, но
единой теории пока не сложилось. Существует множество определений понятия
«производственный комплекс», но отсутствует общепринятая классификация и
единый подход к исследованию таких структур. Основоположниками теории
16
территориально - производственных комплексов считаются И. Н. Колосовский, П.
М. Алампиев, Ю. Г. Саушкин. Классическое определение ТПК впервые было дано
Н.Н. Колосовским [54] в 1941 году: «Производственным комплексом называется
такое экономическое сочетание предприятий в одной промышленной точке или
целом районе, при котором достигается определенный экономический эффект за
счет удачного подбора предприятий в соответствии с природными и
экономическими условиями района, с его транспортным и экономико-
географическим положением». В административно - производственных единицах
особое развитие идеи формирования ТПК получило в 1960-90-е [5].
По мнению Н.Н. Колосовского [54], производственные связи создают
экономическое единство территориально-производственных комплексов, а так же
использование общерайонных природных и экономических ресурсов. Если
сравнивать одиночное размещение предприятий и планомерное формирование
ТПК, то конечно же второе дает возможность получать значительный
экономический эффект. Результат за счет соединения предприятий, разумного
использования природного и трудового резерва, вторичного сырья, транспорта,
сервисных организаций, инженерных коммуникаций. Можно сделать вывод о
том, что территориально – производственные комплексы - это новая
развивающаяся форма территориальной организации производства. В условиях
рыночной экономики ТПК есть форма территориальной организации хозяйства,
которая обеспечивает наиболее целесообразное размещение производительных
сил.
Экономика России располагает колоссальными производственными
мощностями, трудовыми ресурсами, на основе которых можно создавать крупные
территориально-производственные комплексы. И, следовательно, в целом
изменять экономическую структуру и специализацию региона, привлекая
большие капиталовложения [21].
В статьях Н.Н. Колосовского [54] впервые был проведен систематический
анализ производственной структуры территориально - производственных
комплексов, позволивший показать возможность их типологии с помощью
17
типичных сочетаний производственных процессов. Опираясь на идеи и
методологию Н.Н. Колосовского можно типологизировать территориально -
производственные комплексы по различным признакам, например, по видам
используемого сырья и энергии, характеру основных технологических процессов,
функциональным особенностям, по факторам размещения, территориальной
концентрации, по роли и месту в народнохозяйственном комплексе страны, во
внутрикомплексной специализации и пр.
В работах М.Д.Шарыгина [110] разработана типология промышленных
комплексов, которые формируют основу региональных комплексных
образований. Он на основе двух главных признаков типологии: производственной
и территориальной, он определил пять типов промышленных комплексных
образований: комплексы перерабатывающей индустрии; горно-металлургические
и пирометаллургические комплексы черных и цветных металлов;
энергопромысловые; нефтегазохимические; биопромысловые.
Характерное значение в теории и анализе территориально - промышленных
комплексов имеют работы А.Т. Хрущева [106], он рассматривает промышленные
комплексы как основу формирования промышленных районов. Для их типологии
он учитывает такие признаки как генетические (условия, предпосылки и стадия
формирования); функциональные (специализация производства); структурные
(особенности взаимного сочетания составляющих).
По условиям формирования промышленные комплексы он разделил на три
группы, которые можно представить в виде таблицы 1:

Таблица 1 – Предпосылки формирования территориально-промышленных


комплексов
Условия формирования территориально-промышленных комплексов
На основе сырьевых или На базе обеспечения На основе природных и
энергетических ресурсов трудовыми ресурсами трудовых ресурсов
или выгодами
транспортно-
географического
положения
18
Однако наиболее полной по нашему мнению является типология
промышленных комплексов по признаку специализации производства, т.е.
функциональному признаку, который можно представить в виде рисунка 1:

Территориально-
производственные
комплексы

Добывающая Обрабатывающая Смешанный тип


промышленность промышленность промышленности
(добыча и обработка)

Районы добычи угля, Металлургия, Добыча и переработка


нефти, газа, руд черных и машиностроение; химия; производится в одном
цветных металлов, горно- текстильная районе
химического сырья и т.д. промышленность и т.д.

Рисунок 1 − Типология промышленных комплексов по признаку


специализации производства

Можно сделать вывод, что комплексы добывающей промышленности


формируются в районах добычи угля, нефти, газа, руд черных и цветных
металлов, горно-химического сырья. Характерной чертой этого типа комплексов
является преобладание добычи сырья над ее обработкой и вывоз сырья в другие
районы.
Бандман М.К. [11] в своих трудах каждый комплекс характеризует
производственной структурой, охватываемой территорией комплекса,
особенностями зарождения, формирования и развития. Все эти отличия могут
выступать признаками для проведения типологии территориально –
производственных комплексов. При этом важно иметь в виду, что классификация
комплексов должна строиться только на их основных, важнейших чертах,
отражающих развитие этих комплексов, тогда как типология может проводиться
по любому отличительному признаку.
19
В описании Очур Ю.С. [74] территориально-производственные комплексы –
это одна из наиболее подходящих форм территориальной организации ведения
хозяйства, которая увязывает различные предприятия с трудовыми ресурсами на
совместной территории. В результате чего обеспечивается экономия средств,
решение проблем охраны природы и повышается производительность труда. В
ТПК достигается Экономический эффект в ТПК достигается за счет близкого
расположения взаимосвязанных предприятий, которые работают с помощью
единой транспортной, энергетической и строительной базой, а также за счет
рационального использования природных и трудовых ресурсов, вторичного сырья
и отходов. Делается такой вывод, что все ТПК различают по охвату территории,
по составу отраслей и отдельных производств.
Следует учитывать, что представленные типы территориально -
производственных комплексов являются лишь упрощенными приблизительными
вариантами реально складывающейся ситуации. В действительности большинство
ТПК трудно однозначно отнести к тому или иному виду. Как правило, они
представляют собой комбинацию типов ТПК.
Основываясь на изучении тенденций и специфики развития
нефтехимического комплекса республики Башкортостан, определим особенности,
присущие нефтехимическому кластеру:
- нефтехимический комплекс является одним из стратегических, поскольку
уровень его развития существенно влияет на развитие других отраслей и
экономики в целом;
- продукция, производимая данным комплексом, используется не только
для конечного потребления, но и в качестве ресурсов для предприятий и
организаций этого же комплекса и других отраслей народного хозяйства;
- импортная зависимость (значительная доля поставщиков находятся в
странах ближнего и дальнего зарубежья);
- экспортоориентированность (значительная доля продукции комплекса
поставляется на внешние рынки).
20
В соответствии со сформулированным выше определением инновационно-
промышленного кластера в рамках нефтехимического комплекса, можно
группировать все объекты по совокупности (типам), отличающихся
качественными признаками, как показано на рисунке 2.

Рисунок 2 – Элементы системы территориально производственных комплексов


(Источник: BP Energy Outlook 2030 (2012), www.bp.com/energyoutlook)

В статье Некрасова Н.Н. [73] изложены обоснования необходимости


развития крупных ТПК. Он пишет, что ТПК позволят мобилизовать финансовые
ресурсы; повысить потенциал отрасли; ускорить внедрение результатов научных
исследований в региональную промышленную политику; снизить затраты и
повысить качество наукоемкой продукции; стимулировать новых организаций;
повысить рост занятости в регионе; повысить производительность предприятий,
входящих в состав ТПК; повысить конкурентоспособность развития региона.
Страхова Л.П. и Бартенев А.Е. [84] в своих работах территориально -
производственные комплексы описывают как производственные структуры,
которые формируют производственную цепочку. Они выделяют различные виды
ТПК в зависимости от уровня, на котором они формируются:
- народнохозяйственный комплексы страны как совокупность отраслей,
связанных между собой экономическими отношениями в рамках одного
государства;
21
- производственные комплексы по критерию отраслевой принадлежности
(аграрно-промышленный комплекс; военно-промышленный комплекс; топливно-
энергетический; строительно-производственный, машиностроительный и др.).
Если группировать по функциональным критериям, можно выделить:
инвестиционный, имущественный, инновационный, научно-производственный
комплексы.
По территориальному признаку выделяются следующие виды ТПК:
1. ТПК можно понимать как совокупность взаимосвязанных,
пропорционально развивающихся объектов различных отраслей или видов
экономической деятельности, созданных для решения хозяйственных проблем.
2. ТПК как система взаимодействия производственных и социально-
экономических элементов в рамках региона в целях развития региона.
Данную типологию можно представить в виде схемы на рисунке 3.

Народнохозяйственные Территориальные Непроизводственные


производственные комплексы производственные комплексы комплексы

функциональ обслуживающ
отраслевые ные ие основные

АПК инвестицион Территориальный Предприятия,


ный производственный комплекс работающие сборочные
комплекс на условиях
аутсорсинга
ВПК Региональный Инсорсин-
инновационн производственный комплекс говые
ый комплекс
ТЭК

Рисунок 3 – Схема классификации различных видов производственных


комплексов в России. (Источник: BP Energy Outlook 2030 (2012),
www.bp.com/energyoutlook)

Территориально – производственные комплексы не тождественны


экономическим районам, но служат материально-технической основой их
22
формирования. Типичными представителями территориально-производственных
комплексов России являются нефтегазохимические комплексы, образованные на
базе крупных корпоративных структур и широкой сети предприятий малого и
среднего бизнеса и обеспечивающие существенный вклад в ВВП России.

1.2 Система макроэкономических показателей для оценки


деятельности территориально-производственных комплексов

Основными объектами социально-экономического прогнозирования


являются демография, экономика, социальная сфера, экология и научно-
технический прогресс (НТП). Они определяют так называемые параметры
порядка, то есть медленные переменные, под поведение которых будут
подстраиваться остальные. Ключевыми параметрами порядка для оценки
деятельности территориально-производственных экономических систем
являются доступные ресурсы и уровень технологий. Основными показателями,
определяющими развитие ТПК являются: валовой продукт (Y) - объемы
производства основных видов продукции, товаров и услуг; уровень технологий
(Т); доступные ресурсы (R), в т.ч. численность трудовых ресурсов (L); инвестиции
(I) в основной капитал (K), в производственную и социальные сферы; экспорт
(EX) и импорт (IM) товаров и услуг, сальдо торгового баланса (NX);
производительность труда (T); индекс человеческого развития (HDI).
Многие исследователи полагают, что в области мировой экономики
значимость количественных показателей экономического развития (ВВП,
например) будет уменьшаться и на первое место начнет выходить такой
показатель, как качество развития. Однако сами критерии качества развития
(критерии эффективности), как правило, определяются через те же
количественные показатели. Не существует также единственно верного способа
сопоставления относительной экономической мощи стран с развивающимися
рынками, таких, как Китай и Индия, с развитыми странами, входящими в
Организацию экономического сотрудничества и развития (ОЭСР). В этом случае
23
наиболее подходящим показателем является ВВП, исчисленный по паритету
покупательной способности, который является хорошим индикатором средних
показателей качества жизни.
Анализ исследований экономического развития ТПК позволил выделить две
группы определяющих факторов экономического развития ТПК (таблица 2).

Таблица 2 – Определяющие факторы экономического развития ТПК

Группа внутренних факторов Группа внешних факторов


доход на капитал уровень конкурентоспособности
отношение капитала к уровень региональной экономической
активам интеграции
производительность взаимосвязи с др. отраслями
добавленная стоимость показатель ускорения экономического
развития
доход 1-го работающего наличие институтов образования/
подготовки
платежный баланс торговли наличие других секторов
импортозамещение ресурсов местные технологии
занятость
расширение экспортных связей

Определяющие факторы экономического развития ТПК имеют


многоплановый и разнотипный характер, имеется неоднозначность,
неопределенность и нечеткость части данных, и это значительно усложняет
построение их адекватных моделей в сложных объектах и процессах ТПК и часто
делает невозможным применение классических количественных моделей
прогнозирования.
Основные показатели развития предприятий нефтегазохимического
комплекса представлены в таблицы 3.
24
Таблица 3 – Показатели развития предприятий нефтегазохимического комплекса
Оценка Наименование показателя
1. Вклад отрасли в экономику 1. Доля отгруженной продукции
региона (страны) собственного производства вида
деятельности в общем объеме отгруженной
продукции, %
2. Динамика производства 2. Индекс промышленного производства, %
3. Доля инновационной 3. Инновационность производимой
продукции в общем объеме продукции
отгруженной продукции 4. Доля затрат на технологические инновации
отрасли, % в общем объеме отгруженной продукции
отрасли, %
4. Динамика цен на 5. Индекс цен производителей, %
продукцию
5. Финансовые результаты 6. Уровень рентабельности реализованной
деятельности продукции, %
7. Превышение просроченной дебиторской
задолженности над просроченной
кредиторской задолженностью крупных и
средних предприятий и организаций, %
8. Доля просроченной задолженности
предприятий по платежам в бюджет в общей
сумме просроченной кредиторской
задолженности, %
6. Эффективность 9. Производительность труда, руб./чел
использования трудовых 10. Фондоотдача, руб./руб.
ресурсов, основного капитала, 11. Капиталоотдача, руб./руб.
инвестиций в основной
капитал
7. Состояние основных 12. Степень износа основных фондов, %
фондов и динамика 13. Инвестиции в основные фонды, % к
инвестиций доля отрасли в предыдущему году;
общем объеме инвестиций в
основные фонды, %
8. Оплата труда, соотношение 14. Отношение среднемесячной заработной
темпов роста платы к величине прожиточного минимума,
производительности труда и раз
темпов роста оплаты труда 15. Отношение темпов роста
производительности труда к темпам роста
заработной платы, %
9. Эффективность 16. Доля товаров и услуг поставщиков в
кооперационных общем объеме отгруженной продукции
взаимодействий отрасли, %
17. Доля отрасли в экспорте региона, %
25
Для всестороннего исследования, прогноз развития ТПК разделен на пять
структурных компонентов, определяющих основные тенденции развития крупных
экономических структур. Это прогноз экономического развития, уровня
технологий, прогноз ресурсов, прогноз инвестиций, прогноз инноваций.
Основные показатели развития ТПК нефтегазохимического комплекса
представлены в таблице 4.

Таблица 4 – Показатели развития ТПК нефтегазохимического профиля


Оценка Наименование показателя
экономического - объемы производства основных видов продукции
развития товаров и услуг
- доля отгруженной продукции собственного
производства вида деятельности в общем объеме
отгруженной продукции региона, %
- индекс промышленного производства, %
- сальдо торгового баланса (экспорт-импорт)
уровня - доля наукоемкой продукции в ВП
технологий - доля расходов на НИОКР в валовом продукте
- индикаторы обновления технологий
- инвестиции в технологические обновления
- доля наукоемкой продукции в ВП
- производительность труда, руб./чел
ресурсов - степень износа основных фондов, %
- фондоотдача, руб./руб.
- капиталоотдача, руб./руб.
- индекс качества трудовых ресурсов
инвестиций - инвестиции в основной капитал
- инвестиции в производственную сферу
- инвестиции в социальную сферу
инноваций - доля инновационной продукции в общем объеме
отгруженной продукции отрасли
- доля затрат на технологические инновации в общем
объеме отгруженной продукции

Необходимо отметить, что большое количество ресурсоориентированных


предприятий, построенных в рамках ТПК-подхода в Западной и Восточной
Сибири и на Дальнем Востоке, являются сейчас основой конкурентоспособности
и экспортного потенциала России. Например, согласно статистике Росстата, в
26
2012 г. доля 10 ТПК Сибири (Северо-Тюменский, Норильский, Средне-Обский,
Кузбасский, Саянский, Красноярский, Иркутско-Черемховский, Братско-Усть-
Илимский, Южно-Якутский и Западно-Якутский ТПК) в экономических
показателях страны и макрорегиона Сибири составляла: в валовом региональном
продукте (ВРП) – соответственно 18,5 и 80,1%, в промышленном производстве –
16,9 и 79,1%, в экспорте – 25,0 и 87,2%59. А с учетом того, что многие холдинги,
которые владеют предприятиями, входящими в состав ТПК, зарегистрированы
вне Сибири, в реальности эти показатели могут быть значительно выше.
Предприятия нефтехимического комплекса сконцентрированы в основном в
четырех федеральных округах: Центральном (24,4%), Южном (10,4%),
Приволжском (43,5%) и Сибирском (11,2%). Крупнейшие нефтехимические
производства сформировались в республиках Татарстан и Башкортостан, в
Алтайском, Пермском и Красноярском краях, Тульской, Тюменской, Ярославской,
Нижегородской, Волгоградской, Самарской, Кемеровской и Иркутской областях,
что в значительной степени способствовало развитию этих регионов.
В Республике Башкортостан расположен один из крупных
нефтеперерабатывающих комплексов России. Основу производственной
деятельности нефтеперерабатывающего комплекса составляют добыча и
переработка нефти, который играет важнейшую роль в мировой экономике и в
экономике нашей страны в настоящее время. Предприятия
нефтеперерабатывающего комплекса в значительной степени обеспечивают
занятость населения региона, осуществляют налоговые и иные платежи, которые
формируют часть бюджета и таким образом участвуют в социально-
экономическом развитии региона.
Представим модель территориально-производственного нефтехимического
комплекса РБ на основе технологических связей. Отметим естественные для
подобной модели упрощения, связанные с учетом лишь основных
технологических связей. Модель построена на основе реального взаимодействия
между производствами в Республике Башкортостан (рисунок 4).
27
Продукция нефтехимии находит применение практически во всех отраслях
промышленности, транспорта, сельского хозяйства, в оборонном и топливно-
энергетическом комплексе, в сфере услуг, торговле, науке и образовании.
Продукция нефтехимии используется в основном органическом синтезе – 9,6%;
при производстве пластмассовых изделий - 12,1%; резинотехнических изделий –
7,7%; химических средств защиты растений и других агрохимических продуктов
– 0,2%; производстве синтетических и искусственных волокон – 1,3%; лаков и
красок – 2,3%; синтетического каучука – 9,0%; пластмасс и синтетических смол –
8,5% и др. В настоящее время Россия производит около 1% мирового объема
нефтехимической продукции и занимает 20-е место в мире (лидирующие позиции
занимают США, Китай и Евросоюз). Вклад нефтехимии в ВВП РФ незначителен
и составлял в 2006 году 1,7% (в 2005 году - 1,9%). Индекс промышленного
производства (в % к предыдущему году) в отрасли в 2006 г. составил 104,2% (в
2005 г. - 103,3%). Степень износа основных фондов в отрасли непрерывно
повышалась и составляет по некоторым оценка порядка 40% [77], что
свидетельствует о недостаточных инвестициях в основной капитал и расходах
этих инвестиций, по-видимому, в основном, на природоохранные мероприятия.
28

Резиновые
изделия
Линолеум Оконные Упаковочная Антифризы Корпуса для Нить
профили тара, трубы, бытовой латексная,
пленка техники, тара, медицинские
перегородки и изделия,
т.д. презервативы
ПВХ Полиэтилен Этиленгликоль Шины

Упаковочная
плена, бутылки

Латекс Ткани

Полипропилен
Полистирол Нейлоновые
Этилен волокна

Пропилен

Моющие Стирол Техуглерод Резиновые


средства Окись смеси,
пропиле Продукты кордная
ннна гидролиза ткань
Бензол Каучуки
Лаки и Бутиловые Пропан бутан
краски спирты Орг. стекло

Прямогонный Формальдегид Ацетон Растворители


Бензин фенол
Метил-трет-
бутиловый эфир Компакт-диски

Попутный газ Нефтепродукты Метанол

Сырая нефть Природный газ

Рисунок 4 – Технологическая модель нефтегазохимического ТПК Республики Башкортостан


29
В представленной модели рассмотрены как существующие
предприятия, так и компании, которые могут возникнуть в результате
кластерного взаимодействия и помощи государства.
Как видно из модели территориально-производственного комплекса в
Республике Башкортостан представлен в той или иной форме весь спектр
химической продукции, прежде всего это касается продукции нижнего и
среднего передела. Продукция высокого передела так же представлена в
Республике Башкортостан, хотя при этом пока не является подлинно
конкурентоспособной. Особо важным моментом представляется наличие
потенциальных производств, где возможно производство
конкурентоспособной продукции, например, значительным потенциалом
обладает производство ПВХ (линолеум, оконные профили), продукции на
основе полистирола, компакт-дисков, оргстекла и др.
Рассмотрев технологическую модель территориально-
производственного комплекса необходимо рассмотреть взаимосвязь бизнес
процессов, а так же определить ядро ТПК. Данная проблема может быть
решена путем использования метода технологических связей в контексте
связей между различными бизнесами, входящими в кластер.
На рисунке 5 представлена бизнес модель территориально-
производственного комплекса химической и нефтехимической
промышленности Республики Башкортостан.
30


Рисунок 5 Бизнес-модель нефтегазохимического ТПК Республики
Башкортостан

Данная модель позволяет: во-первых, обозначить ядро ТПК и его роль


в развитии остальных производств, во-вторых, отметить уже существующие
конкурентные блоки внутри кластера, в третьих, увидеть потенциальные
возможности для бизнеса и расширения кластера, и, в четвертых, определить
существующие и потенциальные экспортные возможности.
Ядром ТПК является – ОАО АНК «Башнефть», которое обладает
широким комплексом технологических производств, позволяющим
31
вырабатывать практически все виды топлива, масел, присадок к ним,
высококачественные ароматические углеводороды, пентан, изопентан,
катализаторы, синтетические жирные кислоты, другую продукцию. На базе
сырья, производимого на заводе, работает большинство предприятий
кластера.
Теперь представим модель взаимодействия детерминант
конкурентного преимущества для оценки сегментов отрасли.
Представленная модель позволяет визуально увидеть зоны
потенциальных конкурентных преимуществ, а так же детерминанты, не
способствующие конкурентоспособности кластера.
Развитие НИОКР получает средние оценки конкурентоспособности.
Это связано с присутствием химической науки во многих университетах и
НИИ Республики Башкортостан, при том, что хотя и выпускаются
специалисты достаточно высокого уровня, успехи химической науки пока
незначительны. Потенциал НИОКР при этом следует рассматривать высоко,
так как, во-первых, присутствует значительная научная база (пока
недостаточно востребованная), а во-вторых, с ростом производства
предприятий кластера возникнет спрос на прикладные научные разработки.
В нефтеперерабатывающем комплексе Республики проходит полный
хозяйственный цикл производства нефтепродуктов и нефтехимии - это
разведка и добыча нефти и газа; переработка и производство нефтепродуктов
и нефтехимии; логистика и сбыт нефти, нефтепродуктов и продуктов
нефтехимии (рисунок 6) [32].
32

Рисунок 6 – Модель взаимодействия детерминант конкурентного


преимущества нефтегазохимического ТПК РБ.
- слаборазвитый сегмент, отсутствует конкурентное
преимущество;
- средний сегмент, некоторые элементы конкурентного
преимущества;
- развитый сегмент, присутствует конкурентное преимущество.
33
Устойчивое функционирование такого крупного
нефтеперерабатывающего комплекса находится в прямой зависимости от
того, какую позицию он занимает в отношении корпоративной социальной
ответственности.
Для реализации механизма устойчивого функционирования
необходимо гармонично сочетать успешный доходный бизнес с базовыми
общечеловеческими ценностями и приоритетами общенационального
развития. Социальная и экологическая ответственность в отношении
территорий, где ведется бизнес по нефтепереработке, должна иметь
решающее значение для устойчивого функционирования в долгосрочной
перспективе. Развитие предприятий нефтепереработки невозможно без учета
интересов владельцев предприятия, сотрудников, населения и окружающей
среды в равных долях по значимости.
В Республике Башкортостан ОАО АНК «Башнефть» добывает почти
весь объем нефти (98,8 %) и газа (около 100 %) и фактически формирует
республиканские показатели по добыче и переработке нефтепродуктов и
производству нефтехимии. С марта 2009 года, когда АФК «Система» стала
владельцем контрольных пакетов акций предприятий нефтепереработки
Республики Башкортостан, началось формирование ВИНК (вертикально
интегрированной нефтяной компании) по лучшим образцам, имеющимся в
мировой практике. ОАО АНК «Башнефть» стала более открытой компанией,
присоединилась к Социальной хартии российского бизнеса, ввела отчетность
в области устойчивого развития, представила общественности новую
стратегию развития компании [32].
По итогам 2012 г. ОАО АНК «Башнефть» находится на восьмом месте
по объемам добычи и занимает первое место по темпам роста добычи нефти
среди нефтедобывающих компаний России.
В качестве важных шагов, направленных на формирование
дальнейшего устойчивого механизма функционирования
нефтеперерабатывающего предприятия, можно указать следующее:
34
1. Реорганизация структуры ОАО АНК «Башнефть» путем
присоединения к ОАО АНК «Башнефть» пяти дочерних обществ: ОАО
«УНПЗ», ОАО «Новойл», ОАО «Уфанефтехим», ОАО
«Башкирнефтепродукт» и ОАО «Оренбургнефтепродукт». Такие изменения
корпоративной структуры компании повысят эффективность ее работы по
всем основным направлениям производственных циклов процесса
нефтепереработки.
2. Модернизация производства на нефтеперерабатывающих
предприятиях ОАО АНК «Башнефть» вывела показатель индекса Нельсона
нефтеперерабатывающего комплекса компании на уровень значения 8,3 – это
самое высокое значение данного показателя среди компаний российской
нефтегазовой отрасли. Индекс Нельсона характеризует сложность
технологических процессов НПЗ.
3. ОАО АНК «Башнефть» одна из первых заказывает и публикует
результаты независимого аудита запасов нефти. Аудит провела компания
«Miller and Lents, Ltd.» по международной классификации PRMS по
состоянию на 31 декабря 2013 года. Доказанными запасами компания
обеспечена на 19 лет [32].
4. В производственном цикле «Реализация нефтепродуктов» основным
направлением развития становится расширение доступа к конечным
потребителям. Объем розничной реализации за счет увеличения числа
собственных АЗС вырос в 2 раза [32].
Все эти шаги и стратегия дальнейшего развития бизнеса направлены на
рост стоимости бизнеса за счет увеличения добычи углеводородов и
прироста запасов нефти и газа, диверсификации активов, реализации
программы модернизации нефтеперерабатывающих предприятий, развития
собственной сети АЗС в различных регионах России, а также повышения
эффективности во всей цепочке создания стоимости продукции.
Высокая степень конкурентоспособности нефтеперерабатывающего
предприятия также является залогом устойчивого развития предприятия. По
35
мнению автора, выгодными с этой точки зрения характеристиками ОАО
АНК «Башнефть» являются наличие собственной сырьевой базы;
использование в нефтепереработке разных сортов нефти для оптимизации
ассортимента вырабатываемой продукции; вовремя проведенная
модернизация и современные технологии на нефтеперерабатывающих
заводах позволяют производить широкий ассортимент нефтепродуктов и
нефтехимии, соответствующих требуемым нормам; территориальная
близость места нефтедобычи с нефтеперерабатывающим комплексом ведет к
сокращению транспортных затрат; открытость компании и репутация
надежного партнера как залог сохранения устойчивых отношений с
контрагентами и привлечения новых клиентов; динамичное расширение
розничной сети продаж, как результат – выход на максимально возможное
число конечных потребителей; вертикальная интеграция позволила
оптимизировать производственные процессы с целью получения
дополнительной прибыли; высокопрофессиональное руководство нацелено
на динамичное развитие и информационную прозрачность.
Республика Башкортостан обладает крупнейшим в России, да и в
Европе нефтеперерабатывающим комплексом, включающим в себя
уфимскую группу нефтеперерабатывающих заводов (ОАО «Уфимский НПЗ»,
ОАО «Уфанефтехим», ОАО «Ново-Уфимский НПЗ») и ОАО
«Салаватнефтеоргсинтез». Суммарная мощность комплекса по первичной
переработке нефти составляет порядка 45 млн. тонн в год и его потенциал
значительно превышает республиканскую ресурсную базу. Республика
сохраняет лидерство по объему первичной переработки нефти в России, что
составляет 11.2% объема переработки российской нефти и занимает
лидерство по выпуску автомобильных бензинов и дизельного топлива,
соответственно 15 и 14 % общероссийского производства.
Несмотря на высокую зависимость башкирских НПЗ от поставок сырья
из-за пределов региона, в условиях интенсивного роста цен на нефть
36
нефтепереработчикам удается не только сохранять, но и укреплять свои
позиции в экономике республики и страны в целом.
Все сегменты нефтехимического ТПК тесно взаимосвязаны и
эффективное функционирование каждого из них является залогом
сохранения его ключевой роли в экономике республики.

1.3 Сравнительный анализ моделей прогнозирования развития


территориально-производственных комплексов

При прогнозировании показателей развития нефтегазохимических


комплексов в основе лежит не только проведение аналитических
исследований и подготовка базы данных, но и использование методов
прогнозирования, способов и приемов расчетов будущих значений
экономических показателей. Исследуя существующие методы
прогнозирования можно дать ответы на следующие вопросы: какие методы
возможно использовать при разработке прогнозов развития территориальных
производственных комплексов, в том числе и нефтегазохимических;
насколько методическая база адекватна современным рыночным условиям
функционирования нефтегазохимических комплексов.
По оценкам специалистов в настоящее время насчитывается более 150
различных методов прогнозирования, но в качестве основных на практике
используется приблизительно 20 методов. Для минимизации объемов работы
по выбору соответствующего метода необходимо разделять методы
прогнозирования в однородные группы. На сегодня не существует единой
классификации методов прогнозирования. Однако еще в 1960-е годы широкую
известность получила классификация, данная в книге Э. Янча [115]. Но в этой
книге методы прогнозирования не разделяются на качественные и
количественные. Также не разделяются на качественные и количественные
методы классификация, данная в книге «Рабочая книга по прогнозированию»
[13], здесь все методы разделены на фактографические и экспертные. Такую
37
классификацию можно применять в случае, если фактографичность понимать
как применение классификационных и математических моделей. По мнению
Е.Д. Гражданникова, «экспертные оценки и моделирование - это два основных
метода построения прогнозов» [31]. Такой классификации придерживается
большинство авторов [16, 18, 29, 31, 35, 70, 82, 83, 87, 103, 107, 108].
Все существующие методы прогнозирования можно разделить на две
крупные группы:
1. Фактографические, т.е. формализованные, количественные, в основе
которые лежит имеющаяся информация об объекте прогнозирования в его
прошлом;
2. Экспертные, т.е. интуитивные, качественные методы, основой
которых является мнение специалистов-экспертов, которые применяются в
случае, когда невозможно представить изучаемый процесс в виде
формальной системы или имеет место неопределенность развития
хозяйственной структуры.
Е.А. Черныш [109] все существующие методы прогнозирования
сгруппировал по различным признакам: степени формализации, общему
принципу действия, способу получения и обработки информации,
направлениям и назначению прогнозирования, процедуре получения
параметров прогнозной модели. Он выделяет статистические методы, методы
аналогий, опережающие методы. Также методы прогнозирования он
разделил на интуитивные и формализованные.
В книге Э.А. Уткина [103] совокупные методы прогнозирования
делятся на четыре группы: экспертных оценок, экстраполяции трендов,
корреляционно-регрессионного анализа, экономико-математического
моделирования. Он объединяет методы экстраполяции трендов и
регрессионного анализа в общее понятие и называет «методы анализа
временных рядов». Регрессионный анализ и экономико-математическое
моделирование образуют понятие «методы анализа причинных связей».
Сюда же можно добавить нормативный метод прогнозирования.
38
А.А. Эрлих [114] намного упростила классификацию методов
прогнозирования и объединила в две большие группы: фундаментальные и
технические.
По ее мнению «прогнозировать можно двумя методами -
фундаментальным и техническим». Эти методы стараются решить
поставленную задачу не в полной мере необходимыми данными.
Фундаменталисты изучают причины, которые движут рынком, а технические
аналитики - эффект. Фундаменталист полагается на обычную логику и все
время задает вопрос «почему?» Технический аналитик считает, что знать
причину вовсе не обязательно, так как фундаментальный анализ заложен в
технический по определению.
B.C. Большаков [17] утверждает, что в условиях нестабильной
рыночной экономики, центр тяжести финансового прогнозирования
закономерно смещается в сторону не технического, как это имеет место в
условиях относительно стабильной экономики, а фундаментального, то есть
глубокого финансово-экономического анализа прогнозируемых величин.
В трудах Г.Л. Багиева и Е.Л. Богдановой [8] описаны результаты
опроса, проведенного на 334 предприятиях различных отраслей Московской
области, целью которого было исследование частоты применения различных
методов прогнозирования на практике. По результатам опроса наиболее
применяемыми методами являются: экстраполяция трендов (73,7%
опрошенных), метод скользящей средней (67,7%), а также ряд экспертных
методов (более 80,0%), то есть наиболее простые.
Подробное описание экстраполяционного метода прогнозирования
приводится в работах А.Г. Гранберга [35], А.М. Дуброва, B.C. Мхитаряна,
Л.И. Трошина [71], М.Р. Ефимовой, Е.В. Петровой, В.Н. Румянцева [43], А.А.
Исаева [46], Н.Л. Леонтьева [61], Т.Г. Морозовой [70], Р. Томаса [87], А. Э.
Уткина [103], Е.А. Черныша [109], и других.
Экстраполяция - это метод научного исследования, который
заключается в распространении выводов, полученных из наблюдения над
39
одной частью явления, на другую его часть, то есть экстраполяция - это
нахождение по ряду данных функции других ее значении, находящихся вне
этого ряда. Разделяют перспективную и ретроспективную экстраполяцию.
Интерполяция - это нахождение промежуточных значений функции в
области ее определения.
Главное в экстраполяционных прогнозах своевременно фиксировать
объективно намечающийся сдвиг при выявлении закономерных тенденций
развития явления. Тренд - это длительная тенденция изменения
экономических показателей. При экстраполяции используется метод
трендового анализа. Он включает две процедуры [34]:
1. Разложение динамического ряда на локальные и протяженные
компоненты. Локальные охватывают лишь небольшую часть или даже
отдельную часть кривой. Протяженные - имеют место на всем протяжении
динамического ряда;
2. Операцию спрямления (линеаризации) кривой динамики (метод
спрямления).
Разделение динамических рядов на протяженные компоненты впервые
проведено У.М. Персонсом (Персоне У.М. Корреляция временных рядов //
Математические методы в статистике. М., 1927. С. 303) в 1920-е гг.
В основном выделяют четыре типа протяженных компонент:
1. Тренд - общее направление (тенденция изменения);
2. Циклические (долговременные) колебания;
3. Сезонные колебания;
4. Нерегулярные колебания (флуктуации).
Основной задачей прогнозирования является определение вида
экстраполирующих функций на основе исходных эмпирических данных и
параметров выбранной функции. Метод экстраполяции основан на
статистическом наблюдении динамики определенного показателя,
определении тренда его развития и продолжении этой тенденции для
будущего периода. Широко используемыми методами экстраполяции
40
трендов являются метод скользящей средней и метод экспоненциального
сглаживания. Эта весьма популярная и удобная процедура построения
прогноза состоит в усреднении всех прошлых значений, но с геометрически
или экспоненциально убывающими весами с тем, чтобы наибольшие веса
имели самые последние задачи. Наиважнейшим понятием
экстраполяционных методов становится «временной ряд». В публикации [63],
вышедшей под общей редакцией Э. Ллойда приводится следующее
определение: «Временной ряд – это совокупность измерений некоторой
переменной, производимых по мере возрастания времени. Для временных
рядов главный интерес представляет описание или моделирование их
структуры. Обычно модель применяется для экстраполяции или
прогнозирования временного ряда. Качество прогноза может служить
полезным критерием при выборе среди нескольких моделей».
Зрительно конструкцию ряда можно определить как тренд и циклы.
Хотя можно прийти к выводу о наличии структуры и о том, где на самом
деле лишь чистая случайность.
Классические регрессионные модели для временных рядов следующие:
- модель сезонных эффектов, т.е. выделение тренда и сезонных
эффектов с применением метода наименьших квадратов;
- модель циклических компонент, то есть выделение цикла с помощью
регрессионной модели.
При прогнозировании методы экстраполяционных трендов дополняют
методы корреляции трендов, с помощью которых исследуется взаимосвязь
между различными тенденциями для установления их взаимного влияния и
повышения качества прогноза. A.M. Дубров, B.C. Мхитарян [71], Л.А.
Сошникова [83], В.Н. Тамашевич, Г. Уебе говорят о необходимости
применения многомерных статистических методов. Они позволяют среди
множества вероятностно-статистических моделей выбрать именно ту модель,
которая бы соответствовала исходным статистическим данным, которые
описывают реальное поведение исследуемого объекта, оценить надежность и
41
точность результатов, сделанных на основании ограниченного
статистического материала. При принятии решений на основании анализа
вероятных данных использование методов многомерного статистического
анализа является необходимым. Ивантер В. [47] считает, что «для того,
чтобы заниматься прогнозированием так, как это понимает экономическая
наука, нужно иметь не хаотические колебания экономических параметров, а
устойчивые тенденции...». По мнению А.А. Кугаенко [59], статистические
модели, «не зная» будущего, не резервируют ресурсов для его развития.
Кроме того, автор обращает внимание на «необоснованном допущении того,
что экономический показатель (определяемый методами экстраполяции)
изменяется только во времени под воздействием различных факторов,
которые, в свою очередь, подчиняются определенным закономерностям. Все
попытки распространить существовавшие ранее и существующие в данное
время процессы на достаточно отдаленное будущее в большинстве случаев
дают результаты, мало совпадающие с действительностью».
Эконометрический подход основан на применении методов
современной прикладной статистики, т.к. имеются следующие
преимущества:
1. Позволяет установить с помощью формальных методов наличие и
форму связи между моделируемыми факторами;
2. Дает возможность проведения содержательного анализа
закономерностей функционирования исследуемых систем и разработки
множества прогнозных сценариев их будущего развития;
3. Позволяет вносить в модели широкий спектр изменений, включая
структурные.
Недостатками моделей эконометрического типа являются:
1. Использование методов регрессионного анализа приводит к
«ложной» множественной корреляции между факторами;
42
2. Жесткая ограниченность динамических временных рядов в
значительной мере уменьшает число входящих в них показателей, что ведет
к игнорированию важных экономических факторов;
3. Статистический характер экономических моделей ограничивает
длину возможного прогнозного периода 5-7 годами.
Экономико-математические методы прогнозирования описывали в
своих научных трудах такие авторы, как М.И. Баканов, А. Д. Шеремет, В.И.
Бережного [12], Дж. Бокс, Г. Дженкинс [38], М.А. Гольцберг [33], В.М.
Колотий, О.О. Замкова [45], А.В. Толстопятенко, Ю.Н. Черемных, А.А.
Кугаенко [59].
Под экономико-математическими методами понимается комплекс
научных дисциплин на стыке трех наук - экономики, математики и
кибернетики. Охватываются такие методы как экономико-статистические
методы, основанные на базе экономической и математической статистики;
эконометрию, синтезирующую достижения теоретического анализа
экономики с достижениями математики и статистики (моделирование,
производственные функции, межотраслевой баланс, теория роста,
национальные счета); методы принятия оптимальных решений (оптимальное
программирование, теория игр, теория планирования и управления);
экономическую кибернетику (системный анализ экономики, теория и
прикладные вопросы управления в экономических системах, теория
экономической информации) [62].
Метод моделирования социально-экономических процессов,
используется в прогнозировании и базируется на разработке экономико-
математических моделей. Данный тип модели применяются при
краткосрочном прогнозировании, когда вероятность структурных изменений
мала. Прикладная математика является основой моделирования, где модель -
это схема или описание какого-либо явления или процесса.
43
М.А. Гольцберг и В.М. Колотий [33] выделяют два основных вида
экономико-математических моделей: детерминированные и
эконометрические.
В свою очередь, А. А. Кугаенко [59] дополнил их классификацию и
разделил модели: статистические и динамические, статистические и
детерминированные, линейные и нелинейные, со стационарными и
переменными структурами отображения сигнала.
В потребности создания динамических моделей для прогнозирования
развития экономических ситуаций, особенностей деятельности сферы произ-
водства и услуг, особо отмечается в работах П.В. Авдулова, А.Г. Гранберга,
А. А. Кугаенко, А. А. Спирина, В.И. Терехина, Л.Л. Терехова, Я.М. Уринсона
и др. Динамические модели в основном являются имитационными.
Имитационное моделирование применяют в исследовании систем, которые
состоят из большого числа взаимодействующих объектов. Ожидается, что
аналитик может составить алгоритм функционирования каждого объекта.
Этот алгоритм и набор переменных, характеризующих состояние объекта,
является математической моделью объекта, которая реализуется в виде
программы и структуры данных в памяти ЭВМ [101].
Е.А. Черныш [109] подразделяет модели на корпоративные, которые
используются для построения внутренней среды предприятия и
макроэкономические, эконометрические модели «затраты - выпуск». В
качестве макроэкономических, экономико-статистические модели
применяются для прогнозирования значений параметров задач отраслевого
планирования. Могут быть рассчитаны объем производства, текущие и
капитальные затраты, производительность труда и трудоемкость продукции.
Использование экономико-статистических методов расширяет набор
вариантов, сокращает объем вычислительных работ, повышает
обоснованность показателей по вариантам [65].
Помимо формульных моделей могут использоваться матричные в виде
таблиц, структурно-иерархические, описывающие внутреннюю структуру и
44
взаимосвязь в рамках экономического объекта. Так М. И. Баканов и А. Д.
Шеремет [24] различают математические модели:
1. Количественными характеристиками, записанными в виде формул;
2. Числовые, с конкретными числовыми характеристиками;
3. Логические, записанные с помощью логических выражений;
4. Графические, выраженные в графических образах.
5. Модели, реализованные на ЭВМ, то есть электронные.
В основе детерминированного моделирования факторной системы
лежит возможность построения тождественного преобразования для
исходной формулы экономического показателя по теоретически
предполагаемым прямым связям последнего с другими показателями -
факторными. Экономические (статистические) модели строятся на другой
методологической основе. С их помощью объясняется поведение объекта в
результате установления взаимосвязей между исследуемыми «выходными» и
«входными» параметрами без привлечения дополнительной информации его
внутренней структуры, то есть по принципу «черного ящика». К моделям
этого вида относятся регрессивные (стохастические) уравнения и их системы.
Исследованием метода динамического моделирования занималась
группа под руководством А. А. Кугаенко [59], которая определила
качественно новый подход к экономико-математическому моделированию.
Смысл динамического моделирования заключается в создании экономико-
математической модели, которая соответствует структуре самого объекта,
при этом выполняется математическое описание ее элементов, учитываются
все возможные связи и взаимное влияние элементов объекта; определяются
входные факторы, отражающие внешние воздействия, и уточняются
выходные моделируемые значения. В последующем полученную структуру
встраивается механизм, который предполагается использовать в реальной
жизни, в виде комплекса алгоритмов, отражающих содержание директив
управления моделируемым объектом. В результате моделирования на ЭВМ
получается прогноз экономических процессов, который достаточно точно
45
отражает будущее поведение объекта. Различные варианты управления
реализуются путем введения предполагаемых сценариев управления.
Невзирая на достоинства методов экономико-математического
моделирования при описании динамики реальных процессов по сравнению с
методами экстраполяции, они отражают функционирование
производственных комплексов ограниченно, в пределах заданных
параметров. Поэтому при разработке прогнозов на основе экономических
моделей оговариваются допущения и ограничения по их применению.
По описанию Е.А. Черныша [109] и Т.Г. Морозовой [70], нормативный
метод основан на определении и использовании системы норм и нормативов.
Заранее определяется зависимость между расходуемыми ресурсами и
ожидаемыми результатами. В настоящее время данный метод устарел, по
словам В. Ивантера [47], «за последние годы произошли существенные
перемены в экономической жизни страны и сообразно этому обстоятельству
изменились подходы к проблемам прогнозирования». Основным
преимуществом метода является установление связи между расходуемыми
ресурсами и конечными результатами. Данный метод применяется при
оптимизации прогнозных результатов.
Так как норма является максимально допустимой величиной, при
прогнозировании берется ограниченное значение экономического показателя.
При таком прогнозировании не учитывается соответствие нормы,
установленной в допрогнозируемом периоде и фактически сложившимся
нормам в целом по производственному комплексу. Происходит избыточная
аппроксимация его базовых условий функционирования, и в конечном итоге
приводит к серьезной неточности прогнозов.
Метод экспертной оценки, по словам Т.Г. Морозовой [70],
основывается на рациональные доводы и интуиции экспертов, обработке их
информации о прогнозируемом объекте. Данный метод широко применяется
в случаях значительной неопределенности, когда нет достоверной
46
информации в экстремальных условиях, если объект не поддается
предметному описанию или математической формализации.
Систематизацию экспертных методов дают Э.Л. Уткин [103], Р.А.
Фатхутдинов [104]. Они выделяют:
- индивидуальные (сценарии, метод «интервью», аналитические
докладные записки);
- коллективные экспертные оценки, которые включают: во-первых,
подготовку и сбор индивидуальных экспертных оценок, во-вторых,
статистические методы обработки полученных материалов. К ним относятся
методы «комиссий», «мозговой атаки», «Дельфи» («fuzzy-Дельфи»).
По мнению Е.А. Черныша [109] в организации процедуры экспертной
оценки предусматривается несколько направлений: формирование репре-
зентативной экспертной группы, подготовка и проведение экспертизы,
статистическая обработка полученных результатов опроса.
А. Соколов [81] и Г. Денисов [37] объясняют опыт японских
прогнозистов по составлению прогноза, содержащего приоритетные
направления страны, и отмечают, что «в странах с рыночным хозяйством
выбору приоритетов научно-технического и технологического развития
уделяется серьезное внимание со стороны государства. Проведенные в
Японии обследования показывают, что большинство компаний знакомятся с
материалами этих прогнозов, они помогают в планировании исследований и
разработок, в формировании среднесрочной инновационной политики. С
этой целью управлением по науке и технике при Правительстве Японии
организуются крупномасштабные работы по научно-техническому
прогнозированию, которые в последнее время основываются на
использовании дельфийского метода. Большую известность получили
японские прогнозы, для которых характерны следующие особенности:
регулярность выхода, ориентация на практические цели, широкое
распространение результатов».
47
Особую популярность в последние несколько лет получил метод
составления сценариев, теоретические основы которого развивались в
работах М. А. Гольцберга, В.М. Колотая [53], В.Г. Соколова [82], В.А.
Смирнова [133], Э.А. Уткина [102], О.Ю. Шибалкина [110]. Авторы
разделяют мнение о том, что сценарный подход может стать адекватной
базой решения проблемы вариантности в управлении, прогнозировании и
планировании. Сценарий - это описание (картина) будущего, составленное с
учетом правдоподобных предположений. Для прогнозной ситуации
характерно существование определенного количества вероятных вариантов
развития, поэтому прогноз обычно включает в себя несколько сценариев. В
основном их три: оптимистический, пессимистический и средний - наиболее
вероятный, ожидаемый. В целом сценарий разрабатывается в процессе
долгосрочного планирования.
Ограничения в применении методов экспертной оценки определено
зависимостью точности прогноза от квалификации, информированности и
объективности эксперта, независимости мнения эксперта, условий
проведения экспертизы.
Для решения задач прогнозирования все чаще используются методы
нейросетевого моделирования. Нейронные сети представляют собой новую и
весьма перспективную вычислительную технологию, которые дают новые
возможности к исследованию сложных систем [49, 58, 68, 75, 107].
Применение нейронных сетей для прогнозирования и построения экспертных
систем является одним из приоритетных направлений внедрения
искусственного интеллекта для исследования социально-экономических
явлений. В задачах прогнозирования котировок и распознавания образов
нейронные сети уже стали привычным инструментом.
Использование нейросетевых методов не предусматривает
предварительных данных об исследуемом объекте. Только лишь нужна
информация всесторонне характеризующая исследуемый объект, затем сеть
сама с помощью алгоритма обучения приспосабливается к имеющейся
48
структуре данных. Нейронные сети позволяют установить зависимости
между интересующими макроэкономическими показателями без явного
указания вида этих зависимостей.
Нейронная сеть – это система, симулирующая работу нейронов
головного мозга, их совокупность, называемых входными, получает
информацию из окружающего мира. Они связаны с другой (скрытой)
группой нейронов, располагающейся слоями, через которые входные данные,
обрабатываясь, поступают на выходные нейроны. Каждая связь (соединение)
имеет численную величину (вес). В зависимости от весов, входная
информация приводит к функционированию одного или нескольких
выходных нейронов. На стадии обучения выходные нейроны настраиваются
на выдачу правильного ответа в зависимости от информации, пред-
ставленной входными нейронами. Обучение - это процесс подбора по
контрольным входам.
Недостаток нейросетевого прогнозирования состоит в том, что хорошо
обученная сеть сможет адекватно воспроизводить наиболее типичные
ситуации, сложившиеся в прошлом и появление которых возможно в
будущем, но не сможет уловить новые, "скачкообразные" явления. Поэтому
для получения точных прогнозов временной интервал прогнозирования
ограничен 0,5-1,5 годами.
Таким образом, при прогнозировании развития такой сложной
экономической системы как территориально - производственный комплекс
нельзя обойтись каким-либо одним из методов, поскольку каждый из них не
решает всех проблем, связанных с недостатками и ограничениями
применения. Наиболее совершенными являются методы экономико-
математического и нейросетевого моделирования, т.к. они основаны на
синтезе достоинств экстраполяционных, экспертных и нормативных методов
прогнозирования. Поэтому ориентирующий прогноз развития
территориально - производственного комплекса будет строиться на основе
49
усовершенствованной модели, учитывающей возможность внесения
экспертных оценок.
Все вышеуказанные методы можно представить в виде сводной
таблицы 5(краткосрочные, среднесрочные, долгосрочные).
Представленный выше краткий обзор методов и моделей
долгосрочного прогнозирования показывает, что не существует какой либо
универсальной процедуры прогнозирования. Целесообразность применения
того, или иного метода этих моделей зависит от конкретной конфигурации
рассматриваемой задачи.
Таблица 5 – Сводная таблица методов
Краткосрочные Среднесрочные методы Долгосрочные методы
методы прогнозирования прогнозирования
прогнозирования
Экстраполяции Неформализованное Интегральное
прогнозирование макропрогнозирование
Анализ динамики Формализованное Метод написания
прогнозирование сценариев
Методы экспертных Методы экспертных Методы математического
оценок оценок моделирования
– – Методы экспертных
оценок

Поэтому для проведения всестороннего анализа и прогноза необходим


широкий набор моделей прогнозирования, которые бы решали частные
задачи независимо друг от друга и попадали в различные категории методов
для дальнейшего сравнительного анализа прогноза и принятия решения.
Учитывая все многообразие существующих методов прогнозирования
и сложность окружающей экономической среды в рыночных условиях, а
также современный уровень автоматизации сложных вычислительных
процессов, «процесс прогнозирования» перемещается в плоскость
технологии прогнозирования. Технология прогнозирования -
последовательность применения методов прогнозирования с использованием
50
современных технических средств или их комбинаций (например, сетей) и
информационных технологий для получения различных прогнозов.
Проблемы прогнозирования развития территориально
производственных комплексов исследовали такие известные ученые как Н.А.
Бурдин, В.М. Кожин, П.Н. Коробов, В.Е. Леванов, Н.А. Медведев, Н.А.
Моисеев, И.С. Ольшанский, A.M. Панкова, А.П. Петров, А.Е. Скоробогатов,
М.В. Тацюн, А.Л. Цернес.
На предприятиях нефтегазохимических комплексов преобладало
планирование результатов производственной деятельности, а
прогнозирование осуществлялось на уровне отраслевых научно-
исследовательских институтов. Исходя из этого, разрабатывались
контрольные цифры для комплекса. Одним из недостатков данной системы
планирования и прогнозирования являлось искусственное завышение или
занижение уровня показателей. Среди методов прогнозирования развития
НГХ комплекса можно выделить такие: экстраполяции, экспертное
согласование, оптимизационное и имитационное экономико-статистическое
моделирование.
В настоящее время большинство нефтегазохимических предприятий
практически не используют научно обоснованные методы прогнозирования,
к примеру, такие как, статистические методы (различные экстраполяционные
методы), экономико-математическое моделирование. Перспектива развития
оценивается преимущественно на основе опыта и интуиции персонала и
руководителей экономических служб, а также методов аналогии. Главными
причинами сложившейся ситуации послужили отсутствие на предприятиях
современных методик прогнозирования, а также специалистов, владеющих
методами прогнозирования и приемами по обработке исходной
информационной базы (выделение трендовой, сезонной, циклической,
случайной составляющих временных рядов) и приведению ее в
сопоставимый вид.
51
Многие методы, применявшиеся ранее при прогнозировании в
комплексе – балансовый метод и производственные функции, на данный
момент практически неприменимы в рамках территориального НГХ
комплекса. Для этого необходима соответствующая информационная база.
Ситуация в области прогнозирования развития НГХ комплекса,
сложившаяся на сегодняшний день, довольно сложная по причине, что
реальным источником информации о деятельности предприятий
нефтегазохимического комплекса являются данные органов статистики.
Доступ к информации для научных учреждений ограничен и реальная
возможность получения экономической информации для составления
прогнозов не возможна.
Для развития нефтегазохимических предприятий требуются знания
будущей перспективы. Разрабатываются различные концепции и программы
регионального развития, в основе которых заложены прогнозы развития
комплекса или региона. Проблемы прогнозирования развития
территориально-производственного комплекса на региональном уровне
заключаются в недостаточности и низком качестве статистической
информации, отсутствии в регионе исследований рынка сбыта НГХ
продукции, несвоевременности сроков получения информации для прогноза
на один год.
Решение данных проблем может способствовать ускорению процесса
разработки прогнозов и повысить их качество. Получение научного прогноза
развития территориально – промышленного комплекса сопряжено с
проблемами методологического характера.
Нечетность в исходных данных ограничивает применение экспертных
оценок и прогнозов, в связи с чем, предлагается использование методов
нечеткой логики и нечетких временных рядов для получения адекватных
нечетких выводов по экспертным базам знаний.
Имеются значительные трудности при использовании
фундаментального (например, экстраполяции тренда) или технического
52
анализа (отслеживание формальных закономерностей) для нечетких данных.
Обычная практика в таких случаях – применение метода экспертных оценок.
Однако, мягкие вычисления, в отличие от экспертных оценок и других
эвристических методов, позволяют получить количественный результат.
Представленный выше краткий обзор методов и моделей
долгосрочного прогнозирования показывает, что не существует какой либо
универсальной процедуры прогнозирования. Целесообразность применения
того, или иного метода этих моделей зависит от поставленной задачи.
Поэтому для проведения всестороннего анализа и прогноза необходим
широкий набор моделей прогнозирования, которые бы решали задачи
независимо друг от друга и попадали в различные категории методов для
дальнейшего сравнительного анализа прогноза и принятия решения.

1.4 Особенности процедуры прогнозирования показателей


развития нефтегазохимических территориально-производственных
комплексов

Экономическая практика показывает, что рынки сами по себе не могут


обеспечить слаженный экономический план. Следовательно, существует
необходимость всестороннего экономического планирования или
формулирование бизнес - стратегии, компетенций, ресурсов и долгосрочных
сравнительных преимуществ, и формулирование приоритетов и способов, с
помощью которого его цели могут быть достигнуты, основанных на
прогнозах развития ТПК.
Экономическое развитие, отличается от экономического роста, по
результатам оценки ключевых компетенций. Это получение большей
производительности, совершенствование технологий и применение
инноваций, а также улучшение человеческого капитала, ресурсов, и доступ к
большим рынкам. Экономическое развитие обуславливает качественный
результат за счет экономической эффективности.
53
В условиях относительно стабильной внешней среды может
использоваться стандартная система прогнозов и планов, как для
предприятия, так и для ТПК в целом как на рисунке 7.
Система прогнозов и планов состоит из следующих взаимосвязанных
разделов:
- план маркетинга;
- производственная программа;
- техническое развитие и организация производства;
- повышение экономической эффективности производства;
- нормы и нормативы;
- капитальные вложения и капитальное строительство;
- материально-техническое обеспечение;
- труд и кадры;
- себестоимость, прибыль и рентабельность производства;
- фонды экономического стимулирования;
- финансовый план;
- план охраны природы и рационального использования природных
ресурсов;
- социальное развитие коллектива.
С позиций системного анализа важнее решать задачу
программирования, т.е. управления социально-экономическим развитием,
чтобы реализовать оптимальный сценарий развития, установленный в ходе
прогнозирования. Поэтому целесообразна разработка системы
прогнозирования развития территориально-производственного комплекса,
как основы планирования, оптимизации и принятия решений.
Определяющие факторы экономического развития ТПК имеют
многоплановый и разнотипный характер, имеется неоднозначность,
неопределенность и нечеткость части данных, и это значительно усложняет
построение их адекватных моделей в сложных объектах и процессах ТПК и
54
часто делает невозможным применение классических количественных
моделей.

Рисунок 7 – Система прогнозов и планов предприятия

Имеются значительные трудности при использовании


фундаментального (например, экстраполяции тренда) или технического
анализа (отслеживание формальных закономерностей) для нечетких данных.
Обычная практика в таких случаях – применение метода экспертных оценок.
Однако, мягкие вычисления, в отличие от экспертных оценок и других
эвристических методов, позволяют получить количественный результат.
На рисунке 8 представлена логико-информационная модель
процедуры прогнозирования развития территориально-производственного
комплекса, как основы планирования, оптимизации и принятия решений.
55

Этап 1. Определение основных факторов и показателей развития

Этап 2. Мониторинг и подготовка исходной информации – факторов


развития

Этап 3. Выбор метода и модели прогнозирования

Оценка факторов развития ТПК

Рисунок 8 – Логико-информационная модель процедуры прогнозирования


развития нефтегазохимических территориально-производственных
комплексов
56
Система представлена в виде трех в виде трех функциональных блоков
– системы взаимосвязанных задач прогнозирования, системы мониторинга и
подготовки исходной информации и системы обеспечения решений.
Система взаимосвязанных задач прогнозирования описывает три
взаимодополняющих подхода прогнозирования экономического развития,
являющихся основой для решения задач социально-экономического
планирования:
- для определения следствий изменения потребительских
предпочтений, влияющих на устойчивый спрос в промышленности, или
потребителей или поведенческие изменения экономических показателей, (с
или без, роста общего рынка);
- для оценки воздействия роста или динамических изменений одной
отрасли на всю экономику или экономику региона (территории), за счет
технологии, вливание капитала, роста производительности и т.д.;
- для прогнозирования потребности в ресурсах для каждого сектора
экономики или инвестиционных программ. Цель – максимизировать
функцию общественного благосостояния.
Для вышеуказанных целей и подходов прогнозирования модели имеют
структурные сходство, но проявляют различные уникальные характеристики
и соответствующий выход результата. В большинстве объектов
прогнозирования модели развития носят описательный или нормативный
характер. Это означает, что они не могут быть определены количественно и,
как правило, предлагают некоторые философские парадигмы развития, как
должно или будет происходить.
Прогноз развития ТПК должен быть согласован с прогнозами
тенденций экономики и прогнозом научно-технического прогресса для
оценки положительной или отрицательной динамики развития.
Основной показатель тенденции развития мировой экономики - темпы
роста мировой экономики. Для оценки развития нефтегазохимических
территориальных комплексов дополнительно используются темпы роста
57
отрасли и цена основного ресурса (нефть, газ) на мировой рынке.
Мониторинг указанных показателей возможен из источников различных
мировых и национальных аналитических агентств, профессионально
изучающих мировые экономические тенденции. В равной мере, такой же
подход целесообразно использовать и при анализе и прогнозе тенденций
научно-технического прогресса (НТП) - как мирового, так и отраслевого.
Здесь в качестве показателей тенденций развития НТП для ТПК
используются:
- темпы роста производства высокотехнологичной продукции в
рассматриваемом секторе экономики;
- темпы обновления оборудования и технологий производства в
рассматриваемом секторе экономики;
- уровень инвестиций в научно-технические разработки в
рассматриваемом секторе экономики;
- доля наукоемкой продукции в ВП и промышленной продукции в
рассматриваемом секторе экономики.
Для всестороннего исследования, прогноз развития ТПК разделен на
пять структурных компонент, определяющих основные тенденции развития
крупных экономических структур. Это прогноз экономического развития,
уровня технологий, прогноз ресурсов, прогноз инвестиций, прогноз
инноваций.
Представленная на рисунке 8 модель представляет собой систему
взаимосвязанных задач. Исследуемая система характеризуется конечным
числом взаимодействий бизнес-процессов, что позволяет представить
информационную систему в виде управляемой инвариантной по времени
детерминированной системы с конечным числом состояний q i,
принадлежащих заданному конечному множеству возможных состояний qi
Q, i = 1,…, n.
В иерархической схеме мы можем выделить горизонтальные и
вертикальные бизнес-процессы. Бизнес-процессы, рассматриваемые как
58
функциональная модель реальных процессов, представляют собой
структурированное описание заданной последовательности выполняемых
бизнес - операций, то есть горизонтальную иерархию внутренних и
зависимых между собой функциональных действий. При этом бизнес-
процесс, рассматриваемый как совокупность последовательно выполняемых
цепочек операций, может трактоваться как множество взаимодействующих
подсистем, то есть в виде дискретной динамической системы, изменяемой в
пространстве и времени.
Вертикальные бизнес-процессы выполняют функции консолидации
горизонтальных процессов, учета дополнительно появляющихся атрибутов,
описывающих правила взаимодействия характеристик объектов.
Динамика системы при переходе из одного состояния в другое будет
описываться функцией отображения F: Q × W → Q, т.е. f(qi, wi) есть
последующее состояние системы после выполнения процесса построения wi,
т. е. qi+1 = f(qi, wi).
Таким образом, неопределенность знаний на каждом этапе динамики
системы складывается из двух компонентов:
- первый определяется видом построенной части формальной модели;
- и второй – это оставшаяся неопределенность тех подсистем сходной
физической системы, которые остаются не исследованными.
В итоге задача сводится к количественной оценке этих величин и
демонстрированию их связи с исходной неопределенностью физической
системы.
Функциональная задача системы мониторинга и подготовки исходной
информации – классификация параметров прогнозирования и определение
метода (методов) прогноза из банка данных методов прогнозирования. Банк
методов и моделей прогнозирования включает основные классы моделей
прогнозирования, рассмотренные в разделе 1.3, это:
- формализованное (экстраполяция, математические модели);
- неформализованное (экспертное, качественное прогнозирование);
59
- гибридные (экспертные оценки и экстраполяция).
Целесообразность этих моделей зависит от конкретной конфигурации
рассматриваемой задачи.
Поэтому для проведения всестороннего анализа и прогноза необходим
широкий набор моделей прогнозирования, которые бы решали частные
задачи независимо друг от друга и попадали в различные категории и
необходим интеллектуальный классификатор для подбора метода
применительно к заданной постановке задачи и параметрам исходной
информации.

1.5 Обоснование цели и задач диссертационной работы

Таким образом, в первой главе представлены организационно-


экономические типологии крупных территориально-производственных
комплексов и описана система макроэкономических показателей для оценки
их деятельности, изложены особенности функционирования и
организационно-экономическая типология нефтегазохимических ТПК.
Типология ТПК строится по ряду аспектов – видовому,
территориальному, научно-инновационному. Конкретные ТПК являются в
большинстве случаев результатом сложного взаимодействия как внутренних
(по отношению к границам данного производственного комплекса) факторов
развития – местных природных и трудовых ресурсов; накопленных фондов
промышленности, сельского хозяйства и транспорта, так и внешних
факторов, которыми являются территориальные отношения (межрайонные
связи).
Большинство нефтехимических ТПК могут включать вертикально
интегрированные компании, объединяющие предприятия нефтедобычи,
нефтепереработки и нефтехимии.
Особенностью нефтегазохимического ТПК является
многоцентричность – сосредоточение процесса производства в нескольких,
60
достаточно автономных, промышленных центрах; многоассортиметность
продукции; замкнутость цикла переработки сырья и отходов; логистическая
взаимосвязь поставки, сбыта, производства средств производства, что
обусловлено спецификой перерабатываемого сырья, продукции и технологий.
Региональную же структуру имеют инфраструктурные предприятия по
обслуживанию основных производственных процессов.
На основании анализа научных исследований и специфики
функционирования ТПК нефтегазохимического типа, проведена оценка
базовых технико-экономических показателей развития нефтегазохимических
ТПК и установлены основные факторы, определяющие развитие ТПК.
Проведен анализ современных экономико-математических методов и
моделей прогнозирования развития ТПК, в результате которого установлены
принципиальные ограничения в применении экстраполяционных методов
прогнозирования, как детерминированных, так и стохастических,
обусловленных значительной неопределенностью в данных. Нечетность в
исходных данных ограничивает также применение экспертных оценок и
прогнозов, в связи с чем, предлагается использование методов нечеткой
логики и нечетких временных рядов для получения адекватных нечетких
выводов по экспертным базам знаний.
Большинство существующих научных работ по организации и
управлению ТПК направлено на комплексное исследование условий
внешнего окружения и внутренней среды организации, на анализ
разнообразных сторон функционирования с использованием методов
системного анализа, а также на выявлении ключевых показателей успешной
деятельности и управляющих факторов на основе многомерного
статистического анализа.
Модели развития ТПК носят в основном описательный или
нормативный характер. Это, как правило, означает, что эти качественные
модели не могут быть формализованы, а отображают некоторые
философские концепции развития “как должно или будет происходить”. При
61
этом практически не уделяется внимания использованию методов
экономико-математического моделированию и прогнозирования факторов,
обусловливающих фактический успех и потенциал роста ТПК. Для
разработки научно-обоснованной стратегии развития ТПК необходимо
помимо методологии формального статистического прогнозирования
использовать экономико-математические методы с учетом
неопределенности.
Неопределенной информацией при прогнозировании развития
нефтегазохимических ТПК являются данные о состоянии рынков нефти, газа
и нефтепродуктов в стране и за рубежом,_ данные о состоянии
потребителей,_ данные об объеме добычи минеральных ресурсов и др.
Прогнозирование развития нефтегазохимического ТПК в условиях
неопределенности - это непрерывный процесс сбора и оценки больших
объемов разнотипных неопределенных данных, а также построение на его
основе структуры для принятия решений с использованием различных
подходов и методов.
Вышеизложенное определяет актуальность научной задачи разработки
нечетко-логических и нечетко-временных инструментов прогнозирования
показателей развития нефтегазохимических ТПК в условиях неопределенной
информации о факторах внешней и внутренней среды организации.
62
2 НЕЧЁТКО-ЛОГИЧЕСКИЕ ИНСТРУМЕНТЫ
ПРОГНОЗИРОВАНИЯ РАЗВИТИЯ НЕФТЕГАЗОХИМИЧЕСКИХ
ТЕРРИТОРИАЛЬНО-ПРОИЗВОДСТВЕННЫХ КОМПЛЕКСОВ В
УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

2.1 Обоснование выбора определяющих факторов и показателей


развития нефтегазохимического ТПК

Необходимый в современных условиях механизм исследования и


реализации стратегии регионального промышленного развития сопряжен с
целым рядом проблем, основными из которых являются:
- отсутствие четких методологических основ моделирования и
прогнозирования территориальных производственных комплексов;
- отсутствие на уровне территорий необходимой организации
статистических данных, в частности межотраслевых продуктовых потоков в
дробной отраслевой классификации;
- отсутствие информации по многим количественным и качественным
характеристикам деятельности территориальных производственных
комплексов;
- отсутствие единого согласованного перечня измерителей
деятельности ТПК.
В этой связи, наиболее распространенным в настоящее время методом
идентификации и оценки деятельности региональных экономических систем
является подход, основанный на экспертных оценках. Однако возможна и
количественная оценка потенциала роста территориальных
производственных комплексов и их отдельных участников.
Эффективность деятельности территориальных производственных
комплексов мы рассматриваем на примере нефтехимического кластера
Республики Башкортостан, который обладает высокой
конкурентоспособностью. Большинство оцененных параметров по видам
63
деятельности производство нефтепродуктов и нефтехимия или лучше, чем в
среднем по РФ, или имеет значительную положительную динамику [85].
Общим ресурсом, на основе которого формируется ядро территориального
комплекса, является переработка нефти. В соответствии с этим, возможно
провести оценку прироста валовой продукции нефтехимического
территориального производственного комплекса в целом по приросту объема
переработки нефти и стоимостью нефти и нефтепродуктов на рынке и
другим факторам.
В работе [66] предлагается использовать в качестве критериев
эффективности функционирования территориальных производственных
комплексов показатели численности занятых, рентабельности и их изменения.
Однако, показатель рентабельности, отсутствует в статистических
региональных отчетах по видам деятельности, и вместо него предлагается
использовать показатель прироста объема отгруженных товаров
собственного производства, выполненных работ и услуг собственными
силами всего по нефтехимическому комплексу РБ – прирост валового
продукта (ΔВП).
С точки зрения управленческого воздействия на целевой показатель,
целесообразно рассмотрение от двух подгрупп факторов - внешних и
внутренних. Внутренние факторы можно считать управляемыми на уровне
отдельного предприятия; внешние – регулируемыми на уровне
промышленных союзов, органов власти, социальных институтов и других
образований.
В соответствии с логико-информационной моделью процедуры
прогнозирования развития территориально-производственного комплекса,
предложенной в первой главе, задачу необходимо решать комплексно как
систему взаимосвязанных задач прогнозирования. Важнейшими являются
задачи прогноза тенденций экономики (национальной и мировой) и
тенденций научно-технического прогресса, оказывающего существенное
влияние на как сам продукт, так и на производство и потребление. Однако,
64
существует значительная неопределенность в долгосрочных тенденциях, так
как будущее определяется политическими решениями, развитием технологий
и другими факторами, которые реализуются сейчас.
Основные внешние факторы мировой экономики. В качестве
основных внешних факторов, влияющих на развитие нефтегазохимического
ТПК, нами рассматриваются следующие показатели тенденции мировой
экономики [92]:
1) мировой спрос на нефть и мировое потребление нефти в качестве
первичных энергоресурсов;
2) цена за 1 баррель нефти на мировом рынке;
3) темпы роста мировой экономики;
4) уровень технологического развития.
Повышение спроса на нефть на мировом рынке и рост мирового
потребления нефти в общей доле первичных энергоресурсов способствуют
положительной динамике развития нефтегазохимических ТПК.
На рисунках 9 и 10 приведены диаграммы мирового спроса на нефть в
различных сценариях и динамика мирового потребления нефти в общей доле
первичных энергоресурсов, определяющие тенденции развития
нефтегазохимических ТПК [26].

5
млрд. тнэ

2
2010 2020 2030 2035

пессиместический средний оптимистический

Рисунок 9 – Мировой спрос на нефть (в млрд. тн.) в различных сценариях


(Источник: BP Energy Outlook 2030 (2013), www.bp.com/energyoutlook)
65

60%

50%

40%

30%

20%

10%

0%
1960 1975 1990 2005 2020

Рисунок 10 – Динамика мирового потребления нефти в общей доле


первичных энергоресурсов (Источник: BP Energy Outlook 2030 (2013),
www.bp.com/energyoutlook)

Другой существенный определяющий фактор цена основного ресурса


на мировой рынке - цена за 1 баррель нефти марки Urals на мировом рынке.
В соответствии с результатами исследований, проведенных в институте
народнохозяйственного прогнозирования (ИНП РАН) [101], мировые цены
на нефть превратились в важнейший индикатор мировой экономики и
финансов. Значение цен на нефть в мировой экономике определяется не
только ролью нефтяной отрасли в производстве и потреблении ресурсов, но
также и тем, что динамика цен на большинство других первичных ресурсов в
последние два десятилетия все в большей мере коррелирует с динамикой
мировых цен на нефть. Поэтому прогноз динамики мировых цен на нефть
является ключевым для понимания развития отрасли, напрямую связанной с
нефтью.
Основной показатель тенденции развития мировой экономики - темпы
роста мировой экономики. На рисунке 11 представлена динамика мирового
66
ВВП в 2000-2014 гг. в % к предыдущему году, характеризующая темпы роста
мировой экономики.

6,0%
5,3% 5,4% 5,2%
5,0% 4,6%
4,0% 4,0%
4,0%
3,2% 3,3%
Прирост ВВП

3,0% 2,8%

2,0%

1,0%

0,0%
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
-1,0% -0,6%

Рисунок 11 – Динамика мирового ВВП в 2000-2014 гг., в % к


предыдущему году (Источник: Прогноз Международного Валютного Фонда
(МВФ), www.imf.org/external/russian/)

Со второй половины 2009 года мировая экономика демонстрирует рост.


В 2014 году ожидается ускорение общемировой экономической динамики.
Оптимистические оценки позволяют надеяться на завершение финансового
кризиса. Положительная динамика роста мирового ВВП также является
положительным фактором развития и рассматривается нами в качестве
одного из основных внешних факторов, определяющих развитие
нефтегазохимических ТПК.
Рассмотрим в качестве одного из ключевых фактор неопределенности
долгосрочного будущего – уровень технологического развития. Например,
технологический прогресс сделал возможным добычу сланцевого газа и
67
нефти низкопроницаемых пород, что существенным образом повлияет на
экономику нефтегазовой отрасли. На рисунке 12 приведены оценки добычи
сланцевого газа и прогнозы добычи нефти низко проницаемых пород,
характеризующие изменения в структуре добычи углеводородного сырья.

75%

50%

25%

0%
2000-10 2010-20 2020-30

сланцевый газ Нефть низкопроницаемых пород

Рисунок 12 – Оценки будущего предложения сланцевого газа и трудно


извлекаемой нефти - доля в глобальном росте предложения. (Источник: BP
Energy Outlook 2030 (2013), www.bp.com/energyoutlook)

Для оценки влияния научно-технического прогресса на тенденции и


развитие экономики или на развитие нефтегазохимического ТПК в научной
литературе используют следующие факторы [64, 67]:
- темпы роста производства высокотехнологичной продукции в
рассматриваемом секторе экономики;
- темпы обновления оборудования и технологий производства в
рассматриваемом секторе экономики;
- уровень инвестиций в научно-технические разработки в
рассматриваемом секторе экономики;
- доля наукоемкой продукции в ВП и промышленной продукции в
рассматриваемом секторе экономики.
68
В качестве основного показателя тенденции НТП, из практических
соображений, целесообразно использовать простой и более точно
оцениваемый индикатор обновления технологий, как результат уже
реализованного факта. Учитывая недостаток статистических данных и
неопределенность данных, для количественной оценки можно использовать
суммарные расходы на НИОКР компаний, отраслей и государств.
На рисунке 13 представлена диаграмма расходов на НИОКР в
крупнейших нефтегазовых компаниях, характеризующая возрастающую роль
национальных нефтяных компаний в мировых исследованиях (R&D).

18

16

14

12
Прочие
$ млрд.

10 МНК
СНК
8
ННК
6

0
2008 2009 2010 2011 2012

Рисунок 13 – Расходы на НИОКР крупнейших нефтегазовых компаний,


$ млрд. (Источник: Bloomberg, www.bloomberg.com: расчеты института
энергетики и финансов (ИЭФ), www.fief.ru)
На диаграмме обозначено через ННК – национальные нефтяные
компании; МНК – международные нефтяные компании и СТК – сервисно-
технологические компании.
Национальные нефтяные компании (ННК) обладают обширной
ресурсной базой, самостоятельно управляют собственными проектами,
компании получают доступ к наиболее передовым технологиям.
Международные нефтяные компании (МНК) владеют опытом реализации
69
крупномасштабных проектов и могут охватить все стадии проекта. МНК и
ННК реализуют совместные проекты с разделением рисков с использованием
совместных финансовых и инфраструктурных ресурсов. МНК и ННК
осуществляют сотрудничество с СТК в сфере технологий и разработки
труднодоступных месторождений.
Доля национальных нефтяных компаний в суммарных расходах на
НИОКР выросла с 32% до 40% . Доля сервисно-технологических компаний
(СТК) в суммарных расходах на НИОКР сохраняется на уровне 15% .
Роснефть является лидером среди российских нефтегазовых компаний по
показателю доли расходов на НИОКР в выручке [26].
В таблице 6 приведены темпы роста затрат на НИОКР крупнейших
нефтегазовых компаний в 2012 году. По диаграмме видно, что положение
крупнейшей российской компании «Роснефти» в числе лидеров по расходам
на НИОКР.
Таблица 6 – Темпы роста затрат на НИОКР крупнейших нефтегазовых
компаний в 2012 году
Нефтегазовые компании Темп роста затрат на
НИОКР, %
Роснефть 36
CNOOC 29
PetroChima 27
StatOil 7
ConocoPhillips 7
Sinopec 5

Основные факторы национальной экономики. В качестве основных


факторов национальной экономики, влияющих на развитие
нефтегазохимического ТПК, нами рассматриваются следующие показатели
тенденции мировой экономики [92]:
1) темпы роста ВВП России;
2) внутреннее потребление нефти;
3) инвестиции в развитие нефтяной промышленности;
4) темпы роста расходов на НИОКР.
70
Для оценки развития нефтегазохимических территориальных
комплексов дополнительно используются темпы роста отрасли.
Основные внутренние факторы развития территориально-
производственного комплекса. В качестве основных факторов прогноза
развития ТПК выбраны следующие семь укрупненных показателей:
1) состояние активов ТПК;
2) состояние технологий;
3) финансовые результаты;
4) эффективность использования основного капитала;
5) износ основных фондов;
6) динамика инвестиций в основные фонды;
7) эффективность кооперационных взаимодействий.
Часть описанных выше факторов, определяющих развитие ТПК
являются количественными данными, для других определены
количественные оценки, а часть данных представлена в вербальной
(словесной) форме с неопределенными значениями. Для сложно
организованных экономических систем значительная часть информации
имеют многоплановый и разнотипный характер, имеется неоднозначность,
неопределенность и нечеткость части данных. Информация, зачастую,
распределена на многих самостоятельных объектах – составных частях
комплекса.
Для получения оценок макро экономических показателей используем
два подхода. Это применение количественных методик, например,
представленных в работах [69, 78] и мониторинг внешних факторов,
определяющих развитие ТПК возможен из источников различных мировых и
национальных аналитических агентств, профессионально изучающих
мировые и национальные экономические тенденции. В равной мере, такой же
подход целесообразно использовать и при анализе и прогнозе тенденций
научно-технического прогресса (НТП) - как мирового, так и отраслевого.
71
В таблицах 7, 8 и 9 представлены прогнозы макроэкономических
показателей как факторов для оценки развития ТПК.

Таблица 7 – Прогноз факторов мировой экономики на 2020 г, определяющих


развитие ТПК
Факторы низкое среднее высокое
Мировой спрос на нефть, млрд. тн. 4,24 4,38 4,45
Цена за 1 баррель нефти марки Urals на 60-100 95 -115 110 →
мировом рынке, $
Темпы роста мировой экономики, % 1-3 4 7-8
Темпы роста расходов на НИОКР за 5 лет, % 20 50 90

Таблица 8 – Прогноз факторов показателей национальной экономики на


2020 г, определяющих развитие ТПК
Факторы низкое среднее высокое
X1 Темпы роста ВВП, % 3,6 4,8 6,0
X2 Внутреннее потребление нефти, млн. тонн 238 243 247
Инвестиции в развитие нефтяной
X3 промышленности, млрд. долл. (в ценах 2007 150,8 152,7 154,6
г.)
X4 Темпы роста расходов на НИОКР за 5 лет, % 20 50 90

Таблица 9 – Прогноз некоторых внутренних факторов ТПК на 2020 г,


определяющих развитие ТПК
Факторы низкое среднее высокое
Добыча нефти, млн. тонн 493 500 507
Прогноз потребности в капитальных 15,8 16,3 16,8
вложениях для развития нефтепереработки,
млрд. долл. (в ценах 2007 г)
Энергоемкость, разы 0,73 0,69 0,66
Производительность труда, разы 1,62 1,8 2.0
72
2.2 Разработка нечетко-логической модели прогнозирования
развития нефтегазохимического ТПК в условиях малого объема
достоверных исходных данных и неопределенности

Прогноз развития отраслевого территориально-производственного


комплекса (ТПК) - это целостное, комплексное описание его экономики в
будущем. Здесь целесообразно использовать концепцию индикативного
планирования, которое позволяет регулировать развитие отраслевого
комплекса в едином направлении, с учетом целей государства и частных
собственников, выражающих общую направленность развития региональной
экономики и учитывает внутреннее состояние экономики отраслевого
комплекса и влияние внешней среды, оказывающей долгосрочное
эволюционное влияние на экономический цикл его развития [20].
В качестве показателя развития целесообразно рассмотреть валовый
выпуск продукции нефтегазохимического ТПК, включающий в себя все
аспекты деятельности и частные показатели.
Задача состоит в разработке среднесрочного прогноза (5-10 лет) для
одного или нескольких показателей развития ТПК, например, валового
выпуска продукции (Y) в зависимости от факторов развития ТПК (Xi),
рассмотренных в параграфе 2.1, в условиях, когда часть данных представлена
в вербальной (словесной) форме с неопределенными значениями [100].
Для оценки неопределенных показателей для прогноза развития ТПК
будем использовать инструменты нечеткой идентификации, основанные на
теории нечетких множеств [30, 44, 76, 99, 131].
В условиях большой размерности задачи по определяющим факторам и
неопределенности не удается получить зависимость Y=f(X1,...,Xk) для
использования экстраполяционных методов, а в условиях малого объема
достоверных исходных данных использовать модели временных рядов.
Учитывая неопределенность и нечеткость данных, представим и
факторы и прогнозируемый параметр в формальной зависимости
73
Y=f(X1,...,Xk) в лингвистической форме, что позволяет строить прогнозы,
используя согласованные экспертные правила логического вывода.
Идея модели нечеткого вывода применительно к прогнозу развития
ТПК состоит в декомпозиции задачи на отдельные зависимости и получении
нечетких выводов для каждой частной задаче и последующей
дефаззификации выходного показателя для нескольких логических выводов,
например, по методу центра тяжести. Действительно, составить адекватные
экспертные правила логического вывода выходного показателя в
зависимости от одного или двух факторов легче, чем составить такую
таблицу логического вывода (прогноза) для трех и более факторов. Особенно
это актуально, если факторы сложным образом зависимы, или
противоречивы, или обнаруживают совместный эффект.
Для прогноза валового выпуска продукции нами предлагается модель
прогнозирования для каждой группы факторов, рассмотренных в параграфе
2.1 – это факторы мировой экономики, факторы национальной экономики и
внутренние факторы, определяющие развитие ТПК. Для каждой такой
группы факторов получим частные прогнозы валового выпуска продукции,
которые обозначим через Yw, Yn и Yp соответственно. Результирующий
прогноз валового выпуска продукции ТПК (Y) определяется как комбинация
частных прогнозов с весами, определяемыми на основе обучающей базы
знаний.
Предлагаемая нами модель нечеткого вывода применительно к
прогнозу развития ТПК состоит в декомпозиции задачи на отдельные
зависимости от одного фактора или всевозможных пар факторов Y(X1),...,
Y(Xk) Y(X1,X2), Y(X1,X3), …, Y(Xi,Xj), … и получении нечетких выводов для
каждой частной задачи. Обоснованием такого подхода может служить
известный метод группового учёта аргументов (МГУА) - семейство
индуктивных алгоритмов для математического моделирования
многопараметрических данных [48]. Такой подход основан на рекурсивном
селективном отборе моделей, на основе которых строятся более сложные
74
модели. Точность моделирования на каждом следующем шаге рекурсии
увеличивается за счет усложнения модели.

Таким образом, модель прогнозирования показателей развития


нефтегазохимического ТПК представляется в виде системы отдельных
подзадач прогнозирования по каждой группе факторов, отдельно на своем
множестве с использованием таблиц экспертных правил вывода и
последующей дефаззификацией прогноза для результирующего фактора [91,
93].
Метод нечеткого логического вывода реализуется следующим образом.
Построим для всех значений факторов лингвистическую переменную на 01-
носителе с терм множеством значений, обозначенных условно символами “-
2”, “-1”, “0”, ”1”, “2” интерпретировать которые можно (и нужно) в
контексте соответствующих переменных, например, как “-2” - “очень низкое
- VL”, “-1” - “низкое - L”, , “0” - “среднее - M”; “1”- “высокое H” и “2” -
“очень высокое - VH”.
Для наблюдаемого показателя Y, аналогичным способом определим
лингвистическое множество терм значений.
Реализация нечеткого вывода выполнена на типовой модели Мамдани,
в которой взаимосвязь между входами X = (X1, X2,..., Xk) и выходом Y
определяется нечеткой базой знаний следующего формата:
kj n
( xi  ai , jp )  y  d j , j  1, m , (2.1)
p 1 i 1

где ai , jp - лингвистический терм, которым оценивается переменная xt в строке

с номером jp (р = 1,k); k - количество строк-конъюнкций, в которых выход Y


оценивается лингвистическим термом d ; т – количество термов,
используемых для лингвистической оценки выходной переменной у.
xi y

ai , jp    jp ( xi ) / xi , xi [ xi , xi ]; d j   d j ( y ) / y, y [ y, y ] , (2.2)
x1 y
75
где  jp ( xi ) , d j ( y ) - функции принадлежности входа xi и выхода Y

нечеткому терму.
Для нескольких нечетких логических выводов относительно выходного
параметра Y, дефаззификацию проводили по методу центра тяжести:
Y =  i  Yi /  i , (2.3)

где Yi - есть абсцисса точки максимума (узловая точка) функции


принадлежности, для которой Y принимает соответствующее терм-значение.
Модель прогноза валового выпуска продукции в зависимости от
факторов мировой экономики (Yw).
В соответствии с результатами анализа и выбора определяющих
развитие ТПК факторов мировой экономики, представленных в параграфе 2.1,
модель представляется в виде зависимости от четырех переменных
Yw=f(X1,...,X4), где X1 - мировой спрос на нефть; X2 - цена за 1 баррель нефти
марки Urals на мировом рынке; X3 - темпы роста мировой экономики; X4 -
темпы роста расходов на НИОКР за 5 лет.
В соответствии с предлагаемым подходом редукции задачи на частные
зависимости от одной и двух переменных, имеем десять частных моделей
Y1w(X1), Y2w(X2), Y3w(X3), Y4w(X4), Y5w(X1,X2), Y6w(X1,X3), Y7w(X1,X4),
Y8w(X2,X3), Y9w(X2,X4), Y10w(X3,X4).
Построим для всех значений факторов лингвистическую переменную
на 01-носителе (необходимо выполнить предварительную нормировку
факторов) с терм множеством значений, обозначенных условно символами
“VL”, “L”, “M”, ”H”, “VH”, которые интерпретируем соответственно как:
“очень низкое, “низкое, “среднее; “высокое и “очень высокое значение”
соответствующего фактора или показателя.
В качестве функции принадлежности используем трапециевидную
функцию и функцию гаусса, как наиболее употребляемые функции при
отсутствии каких-либо приоритетов, параметры которых определены из
условия отсутствия приоритетов и равномерного распределения факторных
76
значений на отрезке [0; 1]. Выбор двух функций необходим для изучения
устойчивости логического вывода по отношению к выбору функции
принадлежности.
На выбранном множестве терм значений построим экспертную базу
знаний логического вывода для всех десяти моделей (таблица 10). С учетом
количества факторов (4), количества моделей (10) и количества терм
значений факторов и показателей (5) имеем 170 правил логического вывода.

Таблица 10 – Правила логического вывода валового выпуска продукции в


зависимости от факторов мировой экономики
X1,…, X4
VL L M H VH
Y(X1) M H H H VH
Y(X2) H H M M M
Y(X3) L L M H H
Y(X4) M M H H VH

Yw(X1,XVH) Yw(X1,X3) Yw(X1,X4)


X1 VL L M H VH X1 VL L M X1H VH VL L M H VH
X2 X3 X4
VL L L M H H VL VL L M M M VL VL L M H H
L L M M H VH L L M M M H L L M M H H
M L M M H VH M M M M H VH M M M H H VH
H M M H H VH H M M H H VH H M M H H VH
VH M H H H VH VH M M H H H VH M H H H VH
Yw(X2,X3) Yw(X2,X4) Yw(X3,X4)
X2 VL L M H VHX2 VL L M HX3 VH VL L M H VH
X3 X4 X4
VL L L M H H VL L L M M H VL L L M H H
L L M M H VH L L M M M H L L M M H VH
M L M M H VH M L M M M VH M L M M H VH
H M M H H H H M M H H VH H M M H VH VH
VH M M H H H VH M H H H H VH M H VH VH VH

Для пояснения деталей прогнозирования с использованием


логического вывода, реализуем следующий пример, выполненный для
типовой функции принадлежности трапециевидной формы (рисунок 14).
77


Рисунок 14 Типовые трапециевидные функции принадлежности на 01-
носителе

Таблица 11 – Пример кодировки термов лингвистических факторов


Кодировка VL L M H VH
X1 Мировой спрос на нефть, млрд. тонн 3,96 4,10 4,24 4,38 4,45
X2 Цена за 1 баррель нефти марки Urals на
50 75 100 125 150
мировом рынке, $
X3
-4 -0,3 3,4 6,7 10
Темпы роста мировой экономики , %
X4 Темпы роста расходов на НИОКР за 5
5 10 20 50 90
лет, %

Порядок расчетов (пример):


1) задаем кодировку термов для лингвистических факторов,
определяющих выпуск продукции ТПК
2) определяем прогнозные значения факторов на требуемую дату,
используя данные различных источников 2020 год;
3) проводим нормирование значений факторов;
4) определяем лингвистические значение факторов Xi по рисунку 14;
5) определяем лингвистические значение прогноза по таблице 12 базы
правил логического вывода Yj ;
6) для нескольких нечетких логических выводов относительно выходного
параметра Yw , проводим дефаззификацию по правилу (по методу центра
тяжести):
78

Y =
 Y i
i
w
,

w
i

где Ywi - есть абсцисса точки максимума (узловая точка) функции


принадлежности, для которой Y принимает соответствующее терм-значение.
Расчетные значения примера представлены в таблице 12.

Таблица 12 – Пример расчета прогноза валового выпуска ТПК на 2020 г.


в зависимости от факторов мировой экономики
Лингв. Значение
Лингв. Прирост
значение функции
Прогноз Нормированн значение выпуска
терма Yw по принадлежн
на 2020 ое значение термов Xi продукции,
табл. 2.5 ости
по рис. 2.6 Yw, %

X1 4,4 0,898 2 VH 1 20

X2 120 0,700 0 H 1 10

X3 2 0,429 0 M 0,79 0

X4 23 0,212 -1 L 0,62 -10


X1 - 0,629 - VH 1 20
X2
X1 - 0,385 - VH 0,79 20
X3
X1 - 0,190 - H 0,62 10
X4
X2 - 0,300 - H 0,79 10
X3
X2 - 0,148 - M 0,62 0
X4
X3 - 0,091 - M 0,62 0
X4
Дефаззификация Yw центроидным
9,4
методом, %

Таким образом, метод нечеткой идентификации позволяет получить


интегральный показатель для оценки эффективности деятельности
региональных экономических систем в количественном выражении. В
отличие от метода свертки, полученный результат свободен от влияния
субъективных весов, является адаптируемым в процессе пополнения и
корректировки базы знаний и предпочтителен в ситуации большого числа
факторов (большая размерность факторного пространства), т.к. позволяет
79
сочетать независимые или слабо зависимые факторы во избежание эффекта
смешения.
Модель прогноза валового выпуска продукции в зависимости от
факторов национальной экономики (Yn).
В соответствии с результатами анализа и выбора определяющих
развитие ТПК факторов мировой экономики, представленных в параграфе 2.1,
модель представляется в виде зависимости от четырех переменных
Yn=f(X1,...,X4), где X1 - темпы роста национального ВВП; X2 - внутреннее
потребление нефти; X3 - инвестиции в развитие нефтяной промышленности;
X4 - темпы роста расходов на НИОКР в отрасли за 5 лет.
В соответствии с предлагаемым подходом редукции задачи на частные
зависимости от одной и двух переменных, имеем десять частных моделей
Y1n(X1), Y2n(X2), Y3n(X3), Y4n(X4), Y5n(X1,X2), Y6n(X1,X3), Y7n(X1,X4), Y8n(X2,X3),
Y9n(X2,X4), Y10n(X3,X4).
Построим для всех значений факторов лингвистическую переменную
на 01-носителе (необходимо выполнить предварительную нормировку
факторов) с терм множеством значений, обозначенных условно символами
“VL”, “L”, “M”, ”H”, “VH”, которые интерпретируем соответственно как:
“очень низкое, “низкое, “среднее; “высокое и “очень высокое значение”
соответствующего фактора или показателя.
В качестве функции принадлежности используем трапециевидную
функцию и функцию гаусса, как наиболее употребляемые функции при
отсутствии каких-либо приоритетов, параметры которых определены из
условия отсутствия приоритетов и равномерного распределения факторных
значений на отрезке [0; 1]. Выбор двух функций необходим для изучения
устойчивости логического вывода по отношению к выбору функции
принадлежности.
На выбранном множестве терм значений построим экспертную базу
знаний логического вывода для всех десяти моделей (таблица 13). С учетом
80
количества факторов (4), количества моделей (10) и количества терм
значений факторов и показателей (5) имеем 170 правил логического вывода.

Таблица 13 – Правила логического вывода валового выпуска продукции


в зависимости от факторов национальной экономики
X1,…, X4
VL L M H VH
Y(X1) L M M H H
Y(X2) VL L M H VH
Y(X3) M M M H H
Y(X4) L M M H VH

Y(X1,X2) Y(X1,X3) Y(X1,X4)


X1 VL L M H VH X1 VL L M H VH X1 VL L M H VH

X2 X3 X4
VL L L L L L VL L L M M M VL L L M H H
L L L L L L L L M M M H L L M M H H
M L M M M M M L M M H VH M M M H H VH
H H H H H VH H L M H H VH H M H H H VH
VH H H H H VH VH M M H H VH VH H H H H VH
Y(X2,X3) Y(X2,X4) Y(X3,X4)
X2 VL L M H VH X2 VL L M H VH X3 VL L M H VH

X3 X4 X4
VL L L M H H VL L L M H H VL L L M M H
L L M M H H L L M M H H L L M M H H
M L M M H VH M L M M H VH M L M M H H
H M M H H VH H M M H VH VH H M M H H VH
VH M M H H VH VH M M VH VH VH VH M H H VH VH

Ниже, в таблице 15 представлен расчет прогноза валового выпуска


ТПК на 2020 г. в зависимости от факторов национальной экономики для
следующей кодировки термов (таблица 14) для лингвистических факторов,
определяющих выпуск продукции ТПК.
81
Таблица 14 – Кодировка термов лингвистических факторов
Кодировка VL L M H VH
X1 Темпы роста ВВП России, % 2 3,6 4,8 5,4 6
X2 Внутреннее потребление нефти, млн. тонн 200 240 243 245 247
X3 Инвестиции в развитие нефтяной 50 80 140 160 180
промышленности, млрд. долл. (в ценах 2007 г)
X4 Темпы роста расходов на НИОКР за 5 лет, % 5 10 20 35 50

Таблица 15 – Пример расчета прогноза валового выпуска ТПК на 2020 г. в


зависимости от факторов национальной экономики
Лингв. Лингв.
значени значени Значение
Прирост
е е функции
Прогноз Нормирова выпуска
термов терма принадлежнос
на 2020 н. значение продукци
Xi Yn по ти
и, Yn, %
по рис. табл.
2.6 2.5
X1 4,8 0,700 H H 1 10
X2 243 0,915 VH VH 1 20
X3 150 0,769 H H 1 10
X4 23 0,400 M M 0,5 0
X1X
H 1 10
2
X1X
Н 1 10
3
X1X
H 0,5 10
4
X2X
VH 1 20
3
X2X
VH 0,5 20
4
X3X
H 0,5 10
4

Дефаззификация Yn центроидным методом, % 12,5

Модель прогноза валового выпуска продукции в зависимости от


внутренних факторов ТПК (Yp).
В соответствии с результатами анализа и выбора определяющих
развитие ТПК внутренних факторов территориально-производственного
82
комплекса, представленных в параграфе 2.1, модель представляется в виде
зависимости от семи переменных Yp=f(X1,...,X7), где X1 – активы
(производственные мощности); X2 – технологии (глубина переработки и
индекс Нельсона; X3 – финансовые результаты (рентабельность продукции);
X4 – эффективность использования основного капитала; X5 – износ основных
фондов; X6 – динамика инвестиций в основные фонды; X7 – эффективность
кооперационных взаимодействий.
В соответствии с предлагаемым подходом редукции задачи на частные
зависимости от одной и двух переменных, имеем десять частных моделей
Y1p(X1), …, Y7p(X4), Y8p(X1,X2), Y9p(X1,X3),…, Y28p(X6,X7).
Построим для значений факторов X1, X5, X5 лингвистическую
переменную на 01-носителе с терм множеством значений из трех термов,
обозначенных условно символами “L”, “M”, ”H”, которые интерпретируем
соответственно как: “низкое”, “среднее” и “высокое” значение
соответствующего фактора или показателя. Для значений факторов X2, X4, X6,
X7 лингвистическую переменную на 01-носителе на пятифакторном терм
множестве значений, обозначенных условно символами “VL”, “L”, “M”, ”H”,
“VH”, которые интерпретируем соответственно как: “очень низкое, “низкое,
“среднее; “высокое и “очень высокое” значение соответствующего фактора
или показателя.
В качестве функции принадлежности используем трапециевидную
функцию и функцию гаусса, как наиболее употребляемые функции при
отсутствии каких-либо приоритетов, параметры которых определены из
условия отсутствия приоритетов и равномерного распределения факторных
значений на отрезке [0; 1]. Выбор двух функций необходим для изучения
устойчивости логического вывода по отношению к выбору функции
принадлежности.
На выбранном множестве терм значений построим экспертную базу
знаний логического вывода для всех моделей (таблица 16). С учетом
количества факторов (7), количества моделей (28) и количества терм
83
значений факторов и показателей (3 и 5) имеем 386 правил логического
вывода.
Таблица 16 – Правила логического вывода валового выпуска продукции Yp
в зависимости от внутренних факторов ТПК
X2, ,X4, X6, X7
X1, ,X3, X5 VL L M H VH
L M H Yp(X2) VL L M H VH
Yp(X1) L M H Yp(X4) L M M H VH
Yp(X3) L L M Yp(X6) L M M H VH
Yp(X5) H M L Yp(X7) VL L L M H

Yp(X1, X3) Yp(X1, X5) Yp(X3, X5)


X1 L M H X1 L M H X3 L M H
X3 X5 X5
L L L M L L M H L L M H
M L M M M L L M M L M M
H L M H H VL L L H VL L L

Yp(X2,X4) Yp(X2,X6) Yp(X2,X7)


X2 VL L M H VH X2 VL L M H VH X2 VL L M H VH

X4 X6 X7
VL L L H H VH VL VL VL VL L L VL L L M H H
L L L H H VH L VL L L L M L L M M H H
M L M H H VH M VL L M M H M M M H H VH
H H H H VH VH H L L M H H H M H H H VH
VH H H H VH VH VH M M H H VH VH H H H H VH

Yp(X4,X6) Yp(X4,X7) Yp(X6,X7)


X4 VL L M H VH X4 VL L M H VH X6 VL L M H VH

X6 X7 X7
VL VL VL L M M VL VL VL L M M VL VL VL L M M
L VL L M H H L VL L M H H L VL L M H H
M VL L M H VH M VL L M H VH M VL L M H VH
H L M H H H H L M H H H H L L H H VH
VH L M H H VH VH L M H H VH VH L M H H VH
84

Yp(X1, X2) Yp(X1, X4) Yp(X1, X6) Yp(X1, X7)


X1 L M H X1 L M H X1 L M H X1 L M H

X2 X4 X6 X7
VL L M M VL L L M VL L M M VL L L M
L L M H L L L M L M M M L L M M
M M M H M L M H M L M H M M M H
H M H H H M M H H L M H H M M H
VH M H VH VH M H VH VH M H H VH M H H

Yp(X3, X2) Yp(X3, X4) Yp(X3, X6) Yp(X3, X7)


X3 L M H X3 L M H X3 L M H X3 L M H

X2 X4 X6 X7
VL L M M VL L L M VL L L M VL L L M
L L M M L L M M L L M M L L M M
M L M H M M M H M M M H M M M H
H M H H H M H H H M H H H M M H
VH M H VH VH M H H VH M H H VH M H H

Yp(X5, X2) Yp(X5, X4) Yp(X5, X6) Yp(X5, X7)


X5 L M H X5 L M H X5 L M H X5 L M H

X2 X4 X6 X7
VL L VL VL VL L L VL VL L L VL VL L L VL
L L L VL L M L VL L M L VL L M L VL
M M M L M M M L M M L L M M L L
H H M L H H M L H H M L H M M L
VH VH M L VH VH M L VH VH M L VH VH M L

Реализация модели прогнозирования с использованием нечеткого


логического вывода с использованием инструментов Fuzzy Logic Toolbox
MatLab.
Прогнозирование выполнено с использованием Fuzzy Logic Toolbox
системы MatLab. На рисунках 15 и 16 представлены экранные формы,
реализующие процесс логического вывода и представления результатов.
85

а)

б)

в)
Рисунок 15 – Графическое представление правил логического вывода и
расчет выходного параметра: a) - от факторов мировой экономики; б) - от
факторов национальной экономики; в) - от внутренних факторов ТПК
86

а) б)
Рисунок 16 – Экранные форм, реализующих двумерные сечения
многомерной поверхности отклика: а) – Yw; б) – Yn

Для заданного тестового набора факторов получены следующие


прогнозное значение валового выпуска (в безразмерной шкале) Yw=0,67,
Yn=0,734, Yp=0,452 соответственно от факторов мировой экономики, от
факторов национальной экономики и внутренних факторов ТПК, что
соответствует росту валового продукта ТПК на 13,4 % , 14,7% и 9,0% к 2020
году в зависимости от каждой группы факторов.
Итоговый прогноз определяется как среднее с весами для трех групп
факторов. Учитывая больший приоритет реальных возможностей ТПК
(оценка порядка 60%) и в меньшей степени мировые тенденции и
национальные тенденции развития (оценка 15% и 25% соответственно),
итоговое значение прогноза выпуска продукции составит порядка 11%
прироста, по отношению к текущему значению объема выпуска продукции.

2.3 Разработка нечетко-временной модели прогнозирования


развития нефтегазохимического ТПК в условиях неопределенности с
учетом влияния факторов внешней среды

Анализа методов прогнозирования в условиях неопределенной и


нечеткой информации, проведенной в первой главе, показал, что достичь
поставленной цели можно, используя методику прогнозирования на основе
87
нечетких временных рядов (НВР). Методика основывается на таких понятиях
как, нечеткие множества и нечеткие переменные.
Обычная практика получения прогноза для нечетких данных –
применение метода экспертных оценок. Прогноз может дать эксперт в
данной предметной области, основываясь на доступной ему качественной
размытой информации. Преимущества методики прогнозирования на основе
НВР состоит в следующем: в отличие от методов прогнозирования,
основанных на регрессионном анализе или на анализе временных рядов,
методика прогнозирования на основе нечеткого логического вывода требует
меньших объемов статистической информации при выполнении целого ряда
условий на характеристики этой информации.
Применение теории нечетких временных рядов для прогноза данных,
представленных в вербальной форме, в отличие от экспертных оценок и
других эвристических методов, позволяет получить количественную оценку
прогноза, а также значения доверительного интервала и доверительной
вероятности прогноза.
Таким образом, для сложно организованных систем, таких как,
например, крупных территориальных комплексов, значительная часть
информации имеет нечеткую структуру и построение прогнозов на основе
нечетких временных рядов должно быть составной частью комплексной
системы прогнозирования и принятия решений.
Методология нечетких временных рядов [116, 117, 120, 122, 123, 129,
130, 133, 134]. Входные факторы представляют собой нечеткие переменные.

Пусть X (i )   X1 (i ), X 2 (i ),..., X k (i ) - входные нечеткие факторы в

моменты времени i и Yj – прогнозируемые показатели, определяемые

набором факторов X . Входные факторы будем определять как нечеткие


лингвистические переменные. Для всех входных факторов зададим
трехуровневое множество терм-значений: низкое (L, Low), среднее (A,
Average), высокое (H, High). Границы терм-значений являются нечеткими и
88
задаются экспертно. Например, терм множество “Объем продаж” может
принимать следующие нечеткие значения: <низкая>, <средняя>, <высокая>.
Границы терм-множеств являются нечеткими. Например, одно и то же
значение объема продаж может быть отнесено различными экспертами в
разные множества.
Шкала терм-значений лингвистических факторов прогнозирования
развития НГХ ТПК для части исходных факторов представлена в таблице 17.

Таблица 17 ─ Шкала терм-значений факторов прогнозирования развития


НГХ ТПК (фрагмент) *)
Факторы код терм-значения
L A H
1. Цена за 1 баррель нефти марки WDP 40 – 60 55 – 85 80 –
Urals на мировом рынке, $ 110
2. Уровень инфляции, % INF 0–9 8.5 – 12 11.5 →
3. Темпы роста мировой WOE 0 – 0.5 0.3 – 3 2.5 →
экономики, %
4. Конкурентоспособность, % СON 0 – 40 30 – 70 60 –
100
5. Инвестиции, % FIN 0–2 1.5 - 4 3.5 →
6. …
*
Расчет на основе сведений полученных из различных источников информации.

Для прогнозируемых нечетких лингвистических показателей Yj


использовано пятиуровневое множество терм-значений, обусловленное
требованием повышенной дифференциации прогноза и подавления шумов
(Таблица 18): VL (значительное уменьшение), L (уменьшение), F (без
изменения), H (увеличение), VH (значительное увеличение).
89
Таблица 18 ─ Шкала терм-значений показателей развития НГХ ТПК *)
Шкала терм-значений показателей развития НГХ ТПК *)
Показатель развития НГХ
VL L F H VH
ТПК
1. Прирост валового
выпуска продукции НГХ (-15; -6) (-7; -1) (-1,5; 1,5) (1; 7) (6; 15)
ТПК (ΔВП), % год
2. Прирост объема
(-5; -2) (-3; -0,4) (-0,5; 0,5) (0,4; 3) (2; 5)
переработки нефти, % год
*
Расчет на основе сведений полученных из различных источников информации.

При разработке долгосрочного прогноза, автором используется подход,


при котором для определения значений нечетких факторов X на заданный
горизонт прогнозирования  используется мониторинг прогнозов различных
аналитических агентств относительно динамики макроэкономических
параметров мировой, национальной и отраслевой экономики и тенденций
развития НТП.
Основой построения нечетко-временной модели прогнозирования
является адаптивная нечетко-временная база знаний, получаемая на основе
сбора, сортировки, анализа и обработки данных для исследуемого прогноза в
выбранном интервале времени. Нечетко-временная база знаний
структурируется по временным промежуткам, пополняется и адаптируется, с
применением методов интеллектуальной обработки информации и методов
нечеткой логики (нечеткая кластеризация, нечеткие ассоциативные правила).
В таблице 19 приведен фрагмент нечетко-временной базы знаний
поквартально за период 2008-2012 годы, где нечеткие входные факторы и
выходные показатели прогнозирования WDP, INF, WOE, CON, FIN, ΔВП
определены в таблицах 17 и 18.
90
Таблица 19 ─ Фрагмент нечетко-временной базы знаний для параметра
прирост объема отгруженных товаров
год 2008 2009 2010 2011 2012
II I II I II I II I II
кв. I II I II I II I II I II IV
I V I V I V I V I
WD
факторы

L L L L L L L L A A A A A A H H H H H H
P
INF L A A A H L L A L A H L L A L A H L L A
прогнозирования

WO
L L L L A A A A A A A A A A A H H A H H
E
CON A A A A A A A A A A A H H H H H H H H H
Нечеткие

FIN L A A A H A H H L A H A H H L A H A H H

Прогно ΔВ V V
L L L F L F F L F F H F F H H H F H
з П L H

Нечетко-временная база знаний представляет собой и базу прецедентов.


Однако прогноз на основе аналогий и опыте прошлых ситуаций имеет
недостатки в связи с особенностью информации терять со временем
актуальность. Кроме того, учитывая многофакторность, число возможных
комбинаций значений факторов вектора X велико (например, для 10
факторов число комбинаций равно 310 =59049), а фактическое число
актуальных прецедентов составляет порядка 100, что на три порядка ниже
требуемого. Поэтому, для повышения информативности исходных данных
дополним нечетко-временную базу знаний, экспертной базой знаний
нечеткого логического вывода, основанную на дедуктивных правилах вида
"если...то...". В отличие от метода прогнозирования, изложенного выше в п.
2.2) , база знаний содержит логический вывод не по отдельным факторам, а
по всему набору факторов.
Таким образом, частная задача состоит в определении прогноза
искомого показателя развития ТПК по набору нечетких факторов X на
заданный горизонт прогнозирования.
91
В зависимости от исходного набора нечетких факторов и возможности
идентификации ситуации с использованием нечетко-временной базы знаний,
прогнозирование выполняется по одному из трех вариантов или способов.
Первым вариант построения прогноза реализуется, если для исходного
набора нечетких факторов отыскивается похожий прецедент в качестве
аналога. Методика включает процедуры извлечения прецедентов на основе
факторов; упорядочения извлеченных прецедентов по степени близости к
текущему случаю; и выбора наиболее подходящих прецедентов. Каждому
признаку назначают вес, учитывающий его относительную ценность.
Полностью степень близости прецедента по всем признакам можно
вычислить, используя обобщенную формулу вида:


j
j  sim( xij , xkj ) ,

где wj – вес j-го признака, sim – функция подобия (метрика), xij и xik –
значения признака xj для текущего случая и прецедента, соответственно.
После вычисления степеней близости все прецеденты выстраиваются в
единый ранжированный список.
В качестве меры сходства использовали номинальную качественную
меру сходства Хэмминга: sim( xij , xkj )  nik / N , где nik – число совпадающих

признаков у образцов Xi и Xk; N – общее число единичных признаков у


образцов Xi и Xk. После того, как прецеденты извлечены, нужно выбрать
"наиболее подходящий" из них. Это определяется сравнением значений
факторов текущего случая и прецедентов с использованием метода
"ближайшего соседа". После обработки текущего прогноза, он вносится в
базу прецедентов вместе со своим решением для его возможного
последующего использования в будущем. Вывод по прецедентам сильно
зависит от качества и количества собранных данных, от знаний о проблемной
области и способов отбора наиболее релевантных прецедентов. Метод
больше подходит для прогнозирования в условиях неопределенности
факторного множества.
92
Второй вариант построения прогноза реализуется при низком
значении степени близости значений исходный факторов и прецедентов.
Методика прогнозирования, основана на адаптации прецедентов к
обстоятельствам, изменившимся для конкретной проблемы с использованием
нечетко-временных последовательностей. Механизм функционирования
нечетко-временной модели прогнозирования реализован на основе процедур
нечеткого вывода временной модели, которые задается последовательностью
интегральных признаков на нескольких, следующих друг за другом
временных этапах. Нечеткие правила, образующие нечеткую базу знаний
модели, имеют следующий вид:
" Если (в течение t  1 наблюдается признак X  X (1 )) и ( Y  Y (1 )),
затем (в течение t  2 наблюдается признак X  X (2 )) и (Y  Y (2 ))
затем . . .), то (в последующем в течение t  n будет Y  Y (n ))"

где вектор X - значение нечетких факторов на заданный горизонт


прогнозирования n ; X (i ) - значение нечетких факторов в прошлые
моменты времени; Yi – интегральные нечеткие признаки, характеризующие
поведение временного ряда на его отдельных фрагментах; знак «  » означает
номинальную качественную меру сходства в рамках установленного для
предметной области критерия.
Третий вариант метода реализуется при отсутствии прецедентов и
невозможности их адаптации к текущей ситуации. В этом случае
осуществляется прогнозирование, основанное на дедуктивных правилах
нечеткого логического вывода, по правилам, описанным выше в п.1), с
использованием нечеткой базы знаний для всей совокупности факторов.
Механизм функционирования нечеткой модели реализован на основе
процедур нечеткого вывода темпоральной модели, т.е. модели, учитывающей
причинно-следственные связи во времени.
Элементарной единицей представления информации о поведении ВР
на временном интервале [t н , t к ] является нечетко-темпоральное
высказывание вида:
93

(tн , tк )  ( x(tн , tк )   ) & ([tн , tк ]   ) , (2.4)

имеющие смысл описания: “На временном интервале [tн , tк ] с нечеткой


продолжительностью  наблюдается тренд ВР с нечетким значением “  ”.
Высказывание вида (2.4) имеет геометрическую интерпретацию в виде
нечеткого множества векторов, характеризующего тренд ВР на интервале
высказывания.
Основными единицами представления знаний в модели являются
нечетко-темпоральные правила вида:
Если 1 (tт , tn ), затем  2 (tn , tk ),
(2.5)
затем... l (tl , t ), то затем (t , tk ),

где  i – нечетко-темпоральные высказывания вида (2.4).


Применительно для прогноза показателей развития
нефтегазохимического ТПК, модель полностью задается описанием
темпоральной (во времени) базой знаний на основе правил вида: { в течение
2003 года: 1) мировая экономика демонстрировала стабильный рост 2)
уровень мировых цен на нефть была высокой, 3) спрос на нефтепродукты
был высоким, 4) инфляция в стране была умеренной и т.д., при этих факторах
прирост объема валового выпуска нефтехимического ТПК составил 6%,
(среднее значение) ; …; в течение 2012 года: 1) мировая экономика
демонстрировала стабильность 2) уровень мировых цен на нефть была
высокой, 3) спрос на нефтепродукты был высоким, 4) инфляция в стране
была умеренной и т.д., при этих факторах прирост объема валового выпуска
нефтехимического ТПК составил 4,2%, (ниже среднего значения) [96].
При разработке долгосрочного прогноза, например, на 2020 год нашей
задачей является проведение мониторинга прогнозов различных мировых
агентств относительно макроэкономических параметров мировой и
национальной экономики, а также тенденций развития НТП и тенденций
отраслевых прогнозов. Используя базу знаний модели, и применяя
94
алгоритмы согласования наблюдаемых значений факторов развития ТПК с
ретроспективными данными, проводится формирование прогноза.
Ниже приведен пример описанной выше модели прогнозирования на
основе метода нечетких временных рядов [96].

Для реализации описанной выше методики нами разработан


программный продукт, позволяющий формировать и вести базу знаний в
среде MS Excel и проводить расчеты, используя Fuzzy Toolbox системы
MatLab. Фактические и прогнозные значения параметра ВРП на 2014 год,
полученные экстраполяцией линии тренда и нечеткому временному ряду
приведены на рисунке 17.

600

550
Отгрузка (Otg), млрд. руб

500

450
400

350
300

250
200
2004 2006 2008 2010 2012 2014
Год
Наблюдения Прогноз НВР Экстраполяция Линейный тренд

Рисунок 17 – Фактические и прогнозные значения отгрузки продукции (Otg),


полученные экстраполяцией линии тренда и по нечетко - временной модели

Таким образом, нечеткие вычисления, в отличие от экспертных оценок


и других эвристических методов, позволяют получить после проведения
дефаззификации, количественную оценку терм-значения лингвистической
переменной, которую можно трактовать как вероятность события, что
95
лингвистическая переменная примет терм-значение. Например, прирост
переработки сырья «H» - со значением функции принадлежности 0,8 будет
означать, что вероятность высокого значения объемов переработки равна 0,8.
Построение прогнозов на основе нечетких временных рядов является
составной частью интеллектуальных систем прогнозирования и принятия
решений.
Для построения прогнозов в работе используется иерархическая
модель представления нечетких темпоральных образов [41, 42, 127, 128]
модель и структура которой описана ниже.
Для моделирования многомерных зависимостей "входы - выход"
целесообразно использовать иерархические системы нечеткого логического
вывода. В этих системах выходная переменная одной базы знаний является
входной для другой базы знаний.
На рисунке 18 приведен пример иерархической нечеткой базы знаний,
моделирующей зависимость y=f(x1,x2,x3,x4,x5,x6) с использованием трех баз
знаний.

Рисунок 18 – Пример иерархической нечеткой базы знаний

Эти базы знаний описывают такие зависимости: y1=f1(x1,x2) ,


y2=f2(x4,x5,x6) и y=f3(y1,x3,y2).
Применение иерархических нечетких баз знаний позволяет преодолеть
"проклятие размерности": при большом количестве входов эксперту трудно
описать причинно-следственные связи в виде нечетких правил. Поэтому, при
96
большем количестве входных переменных необходимо их иерархически
классифицировать. Обычно, выполнение такой классификации не составляет
трудностей для эксперта, так как при принятии решений человек
иерархически учитывает влияющие факторы.
Преимущество иерархических баз знаний заключается и в том, что они
позволяют небольшим количеством нечетких правил адекватно описать
многомерные зависимости "входы-выходы".
Оценка доверительного интервала прогноза показателей развития
ТПК для нечетко временной модели
Для получения верхней и нижней границы оценки нечеткого числа
были использованы преобразования в соответствии с [33]:
1
IW   (cL LA () cR RA ()) p() d ,
0
L()  a  b(1  ), (2.6)
R()  a  c(1  ),
где cL и cR – веса левой и правой сторон нечеткого числа
соответственно; LA (), RA () - лево- и правосторонние нечеткие числа

соответственно (не убывающие функции от ); p() – функция


распределения уровней весов; a, b, c – границы треугольного нечеткого числа.
Для вычисления весов cL и cR использовали следующие соотношения:
b c
cL  , cR  , (cL  0, cR  0, cL  cR  1). (2.7)
bc bc
Методика адаптирована к задаче построения прогнозов параметров
развития ТПК в части оценки функции распределения весов на основе
численных экспериментов. Функцию распределения весов p() определяли
следующим образом:

p() :[0;1]  [0;  ], p()  ( k  1) , k  0, (  p() d   1) .
k
(2.8)
0

Мы рассчитываются взвешенные оценки левой и правой границы


нечетких множеств по формулам
97
1 1
Z L   LA () p()d , Z R   RA () p()d , IW ( Z )  cL Z L  cR Z R . (2.9)
0 0

Тогда ширина доверительного интервала нечеткого числа равна


D(Z )  I R (Z )  I L (Z ) с доверительной вероятностью p() , что важно для
оценки рисков при принятии решений.
Например, доверительный интервал для параметра
конкурентоспособность, полученного методами нечеткого логического
вывода в третьей главе, составляет порядка 10% от расчетного значения [93].

2.4 Архитектура и режимы функциональная информационной


системы нечетко-временного прогнозирования показателей развития
территориально-производственных комплексов в условиях
неопределенности

Интеллектуальные системы прогнозирования, ориентированные на


динамические проблемные области и реальный масштаб времени, относятся
к классу интегрированных интеллектуальных систем, сочетающих строгие
модели и методы поиска решения с нестрогими, эвристическими (логико-
лингвистическими) моделями и методами, базирующимися на знаниях
специалистов-экспертов, моделях человеческих рассуждений,
неклассических логиках и накопленном опыте [88].
На рисунке 19 приведена обобщенная блок-схема архитектуры
интеллектуальной (способной к адаптации, модификации и обучению
моделей и оперирования знаниями) системы прогнозирования показателей
развития НФХ ТПК в условиях неопределенности с включением различных
средств представления временных (темпоральных) зависимостей о событиях,
фактах, действиях и процессах, происходящих в проблемной области
ориентированную на специфику соответствующего типа неопределенности.
98

Анализатор Блок поиска Блок обучения,


проблемной решений, адаптации и
Интерфейс пользователя (ЛПР,

Интерфейс с внешней средой


ситуации объяснения модификации

(объект ППП, СУБД, и т.д. )


эксперт, инженер по знаниям )

База данных База моделей База знаний


показателей прогнозирования временной модели
показателей

Блок Блок Блок приобретения и


моделирования прогнозирования накопления знаний

Рисунок 19 - Блок-схема архитектуры интеллектуальной системы


прогнозирования показателей развития НФХ ТПК в условиях
неопределенности

Алгоритм прогнозирования включает решение следующих задач:


В блоке «Анализатор проблемной ситуации» формируется
определяющие факторы и показатели развития ТПК для прогноза, которые
заносятся в базу данных показателей. Прогноз исходных факторов на
заданный горизонт прогнозирования осуществляется либо заданием готовых
прогнозов с использованием различных источников, либо с использованием
статистических моделей из базы моделей прогнозирования (экстраполяции,
АРПСС и др.).
В блоке «Поиск решений, объяснения» производится разбиение
прецедентов на классы эквивалентности; вычисление степени близости
между прецедентами и определение варианта (метода) получения прогноза.
База моделей прогнозирования показателей развития ТПК включает три
модели: прогнозирование, основанное на прецедентах, прогнозирование,
основанное на нечетко-временной модели адаптации и прогнозирование с
использованием логического вывода, основанного на дедуктивных правилах
вида "если...то..." , что позволяет сформировать до трех вариантов прогноза.
99
В блоке «Обучения, адаптации и модификации» выполняется поиск
ассоциативных правил; анализ временных последовательностей;
агрегирование данных; обнаружение отклонений и получение
дополнительных знания из базы знаний, что позволяет выявлять значимость
факторов и заполнять отсутствующие признаки. Адаптация решения
производится на основе использования нечетко-временной модели в
соответствии с установленными критериями.
В блоке моделирования формируются различные критерии
качественной меры сходства прецедентов. В блоке прогнозирования
выполняется определение прогноза искомого показателя в нечеткой форме и
его дефаззификация. В блоке приобретения и накопления знаний
выполняется добавление прецедентов в базу знаний на основе результатов
адаптации исходных факторов и представления как нового
сконструированного прецедента.
В основе интеллектуальной системы прогнозирования лежит
совокупность способных к адаптации и обучению моделей представления и
оперирования знаниями, ориентированные на специфику проблемной
области и соответствующего типа: неполнота, нечеткость, противоречивость,
недетерминизм и т.д.
Интеллектуальная система прогнозирования определяется набором:
SS=<M, R(M), F(M), F(SS)>,
где M={M1,…,Mn} – множество формальных или логико-лингвистических
моделей, реализующих определенные интеллектуальные функции; R(M) –
правила выбора необходимой модели или совокупности моделей в текущей
ситуации; F(M)={F(M1),…,F(Mn)} – множество правил модификации моделей
M1,…,Mn; F(SS) – правило модификации собственно системы SS - ее базовых
конструкций M, R(M), F(M) и, возможно, самой F(SS), т.е. F(SS) реализует
целый ряд отображений. Правила модификации данного типа используется в
ситуациях, когда имеющихся множеств моделей, правил выбора и правил
модификации недостаточно для принятия решений в сложившейся
100
проблемной ситуации. Причем для модификации F(SS) могут быть
использованы как внутренние средства порождения моделей и правил, так и
внешние метазнания, отображающие прагматический аспект проблемной
ситуации.
Разработанная система прогнозирования, с включением различных
средств представления временных зависимостей о событиях, фактах,
действиях и процессах, происходящих в проблемной области, ориентирована
на специфику соответствующего типа неопределенности.
Описанный алгоритм реализован в виде комплекса программ для ЭВМ
«Прогнозирование нечетких данных для решения бизнес задач предприятий
ТЭК», разработанным с участием автора [97].
Программа предназначена для анализа динамики и прогнозирования
экономических показателей крупных территориально - производственных
комплексов. Функциональные возможности программы: построение набора
данных для решения аналитических задач; выбор метода анализа и
прогнозирования; проведение многомерного анализа по технологии OLAP;
анализ и прогнозирование данных, представленных в вербальной форме.
Программное описание осуществлено на объектно-ориентированных
алгоритмическом языке С++, имеет модульную структуру и построена с
использованием средств разработки СУБД Microsoft SQL Server для
хранения данных, а также инструментальных интеграционных средств
сопряжения с модулем нечеткой логики системы MatLab.
Программный продукт содержит последовательность действий, в
результате выполнения которой определяется модель прогнозирования
конкретного временного ряда из базы моделей. Кроме того, метод
прогнозирования содержит действия по оценке качества прогнозных
значений.
При прогнозировании временных рядов возможны два варианта
постановки задачи. В первом варианте для получения будущих значений
исследуемого временного ряда используются доступные значения только
101
этого ряда. Во втором варианте для получения прогнозных значений
возможно использование не только фактических значений искомого ряда, но
и значений набора внешних факторов, представленных в виде временных
рядов. Описанный выбор осуществляется в модуле «Анализатор проблемной
ситуации».
Модуль обучения адаптации и модификации оценивает прогнозы
разными методами и представляет собой ситуационный анализ с целью
последующего использования в аналогичных ситуациях.
Модуль приобретения и накопления знаний дает возможность
модификации системы путем пополнения / изменения коллекции методов, а
также позволяет модифицировать темпоральную базу знаний.
Разработанная с участием автора программа для ЭВМ «Прогнозирование
нечетких данных для решения бизнес задач предприятий ТЭК» имеет
свидетельство о государственной регистрации программ для ЭВМ в реестре
программ для ЭВМ Федеральной службы РФ по интеллектуальной
собственности, патентам и товарным знакам (Приложение А).

2.5 Выводы

Таким образом, во второй главе проведена оценка и классификация


базовых технико-экономических показателей развития ТПК
нефтегазохимического комплекса России и определены основные факторы
для построения системы прогнозирования параметров развития.
Разработана модель прогнозирования показателей развития
нефтегазохимического ТПК на основе нечеткого логического вывода в
условиях малого объема достоверных исходных данных и неопределенности,
состоящая в декомпозиции прогнозной функции по отдельным независимым
факторам и последующей дефаззификации на основе аппарата нечетких
множеств. Такая модель позволяет устранить эффекты взаимодействия
факторов и повышает достоверность прогноза.
102
В параграфе 2.3 разработана модель прогнозирования показателей
развития нефтегазохимического ТПК в условиях неопределенности с учетом
влияния факторов внешней среды на основе методологии нечетких
временных рядов с использованием инструментов темпоральной базы знаний.
Модель позволяет строить прогноз выходного признака с использованием
многих различных факторов на основе анализа ретроспективы и прецедентов
и позволяет проводить согласование с прогнозами тенденций национальной
и мировой экономики и прогнозом научно-технического прогресса для
оценки положительной или отрицательной динамики развития.
Получена оценка доверительного интервала нечеткого прогноза.
Описана структура и методика построения нечетко - темпоральной базы
знаний для прогноза неопределенных показателей на основе нечетких
временных рядов.
Разработаны алгоритм и программное обеспечение прогнозирования
показателей территориально-производственных комплексов на основе
нечетких временных рядов.
Разработан комплекс программ для прогнозирования показателей
развития нефтегазохимических ТПК в условиях малого объема достоверных
исходных данных и неопределенности, включающий анализ и
прогнозирование данных, представленных в вербальной форме.
103
3 ПРОГНОЗИРОВАНИЕ РАЗВИТИЯ НЕФТЕПЕРЕРАБАТЫ-
ВАЮЩЕГО КОМПЛЕКСА РЕСПУБЛИКИ БАШКОРТОСТАН НА
ОСНОВЕ ЭКОНОМИКО-МАТЕМАТИЧЕСКИХ НЕЧЕТКО-
ВРЕМЕННЫХ МОДЕЛЕЙ

3.1 Современное состояние развития нефтеперерабатывающего


комплекса республики Башкортостан

Нефтехимический комплекс Башкортостана представлен известными в


стране и мире предприятиями: «Уфанефтехим», Уфимский
нефтеперерабатывающий завод, «НОВОЙЛ», «Уфаоргсинтез»,
находящимися под контролем вертикально интегрированной нефтяной
компании ОАО АНК «Башнефть», а также предприятиями
«Газпромнефтехим Салават», «Полиэф», «Сода», «Каустик», «Каучук» и др.
Нефтяной комплекс входит в топ-10 предприятий России по объему
добычи нефти и в топ-5 – по нефтепереработке, а ОАО АНК
«Башнефть» входит в число лидеров отрасли, сформировав ВИНК с
растущей добычей, высокотехнологичной переработкой, устойчивыми
каналами сбыта продукции, сильными финансовыми результатами.
Приоритетными направлениями научно-технического
и инновационного развития отрасли являются улучшение качества
выпускаемой продукции, повышение эффективности бизнеса, экологичность
и безопасность производства.
ОАО АНК «Башнефть» – головное предприятие, управляющая
компания и основной акционер предприятий группы «Башнефть». Структура
бизнеса компании представлена тремя основными блоками: добыча нефти,
переработка и сбыт нефтепродуктов. Основными видами деятельности
являются разведка и добыча нефти и газа, производство нефтепродуктов
и нефтехимической продукции, а также сбыт произведенной продукции.
104
Организационная структура компании вытекает из основных видов
деятельности и представлена тремя основными блоками: добыча сырья,
переработка и сбыт нефтепродуктов, как показано на рисунке 20.

Разведка и добыча Нефтепереработка Сбыт и логистика

 ООО «Башнефть-  Филиал «Башнефть-  Филиал «Башнефть-


Добыча» Уфанефтехим» Башкирнефтепродукт»
 ООО «Башнефть-  Филиал «Башнефть-  Филиал «Башнефть-
Полюс» УНПЗ» Оренбургнефтепродукт»
 ООО  Филиал «Башнефть-  ООО «Башнефть-
«БашНИПИнефть» Новойл» Регион»
 ООО «Башнефть-  ООО «Башнефть-
Сервис НПЗ» Удмуртия»
 ООО «Группа
предприятий «СКОН»
 ООО «Уралойл»

Рисунок 20 – Структура ОАО АНК «Башнефть»

Целью анализа финансово-хозяйственной деятельности Компании


ОАО АНК «Башнефть» является исследование финансового состояния и
основных результатов хозяйственной деятельности для выявления резервов
дальнейшего повышения его рыночной стоимости. В процессе анализа были
получены ключевые, т.е. наиболее информативные параметры, дающие
объективную картину финансового состояния комплекса. Для анализа были
использованы данные бухгалтерской отчетности за 2010-2012 годы, что
позволяет получить наиболее общее представление о качественных
изменениях в структуре средств и источников организации.
105
Свод показателей результатов финансово - экономической
деятельности компании в 2010-2012 гг. приведен в таблице 20.
Проделанный анализ показывает устойчивый рост компании, что
коррелирует с тенденцией общего роста рынка нефтегазового бизнеса в
России за данный период. В основном показатели иллюстрируют рост и
увеличение производственных возможностей деятельности комплекса.

Таблица 20 – Свод показателей результатов финансово-экономической


деятельности в 2010-2012 гг. млрд. руб.
Показатель 2010 2011 2012
Выручка 353,64 484,09 489,21
Себестоимость 221,44 283,36 281,50
Валовая прибыль 132,20 200,74 207,71
Чистая прибыль 44,02 34,47 46,51
Прибыль от продаж 49,83 78,80 66,75
Величина собственного капитала 91,23 101,04 155,48
Основные средства 52,06 51,01 100,31
Активы 256,15 272,65 339,57
Рентабельность активов, % 17,18 12,64 13,70
Рентабельность продукции (продаж),
22,50 27,81 23,71
%
Рентабельность собственного
48,25 34,11 29,91
капитала, %

Из таблицы 20 видно, что показатель себестоимости растет вместе с


прибылью, это свидетельствует о равномерном развитии деятельности
компании в сферах разведки, добычи и реализации продукции. Валовая
прибыль значительно увеличилась в 2010-2012 гг. Изменения связаны с
направлением денежных средств на реструктуризацию нефтяной отрасли.
Выручка от реализации нефти увеличивается, что связано с переориентацией
рынков сбыта нефти. Также данный рост связан как с увеличением объемов
поставок нефтепродуктов и продуктов нефтехимии и с ростом мировых цен
106
на нефтепродукты. В таблице 21 приведены показатели темпов роста активов
Компании за 2010-2012гг.

Таблица 21 – Показатели темпов роста активов Компании

Показатель Темп роста 2010-2012, %


Внеоборотные активы 11,5
Оборотные активы 70,6
Активы всего 32,6
Выручка 38,3
Валовая прибыль 57,12
Чистая прибыль 5,6

Наглядно динамика активов приведена на рисунке 21. В 2012 году


повышение активов определяется закупкой большого количества нового
оборудования для НПЗ и материалов, связанных с собственными
разработками.

млрд
.руб. 3600
3200
2800
2400
2000
1600
1200
800
400
0
2010 2011 2012
период

Рисунок 21 – Структура активов 2010-2012 гг.

Нефтеперерабатывающий комплекс Республики Башкортостан


представлен тремя НПЗ АНК Башнефть совокупной мощностью 24,1 млн.
тонн в год, и НПЗ «Газпромнефтехим Салават», имеющими кооперацию
практически по всем направлениям работы, что позволяет обеспечить
гибкость технологического процесса и достичь максимального
экономического эффекта.
107
Уфимские НПЗ входят в число наиболее технически оснащенных
отечественных предприятий отрасли — по индексу Нельсона с показателем
8,55 «Башнефть» занимает лидирующие позиции в России, и сравнима
со средними показателями европейских НПЗ (таблица 22).

Таблица 22 – Ключевые показатели переработки нефти


Показатели 2011 2012 2012
Мощности по первичной переработке, 24,1 24,1 24,1
млн. тонн

Переработка нефти за год, млн. тонн 21,2 21,1 20,8

Коэффициент использования 87,9 87,5 86,3


имеющихся мощностей, %

Общий объем продукции 19,4 19,2 18,9


нефтеперерабатывающего комплекса,
млн. тонн

Глубина переработки нефти, % 86,3 85,9 84,9

Выход светлых нефтепродуктов, % 61,8 59,9 59,7

Индекс Нельсона, ед. 8,30 8,33 8,55

В составе нефтеперерабатывающего комплекса работает целый ряд


технологических установок, углубляющих процессы переработки
и позволяющих производить высококачественное топливо стандартов Евро-4
и Евро-5: гидрокрекинг, каталитический крекинг, термокрекинг, установки
замедленного коксования, алкилирования, изомеризации, гидроочистки и др.
В 2012 году было переработано 20,8 млн. тонн сырья, обеспечив
среднюю глубину переработки 84,9% (Таблица 23). Незначительное
снижение общего объема переработки (-1,5%) и показателя глубины
переработки (-1%) связано с проводимыми плановыми работами
по капитальному ремонту предприятий.
108

Таблица 23 – Переработка нефтяного сырья по предприятиям , млн. т.


Показатели Уст. мощность 2010 2011 2012
«Уфанефтехим» 9,5 7,8 8,4 8,6

«УНПЗ» 7,5 6,7 6,1 5,4

«Новойл» 7,1 6,7 6,6 6,7

НПЗ ОАО «Газпром


7,0 6,6 6,5 6,7
нефтехим Салават»

Всего 24,1 27,8 27,6 28,3

Общий объем выпуска произведенной продукции


нефтеперерабатывающего комплекса в 2012 г. составил 18,9 млн. тонн.
Компания продолжает инвестировать в модернизацию собственных
перерабатывающих мощностей, потому что технологическое обновление —
это вклад в повышение конкурентоспособности.
На экспорт поставляется нефть, нефтепродукты, а также
нефтехимическая продукция. Экспорт нефти в 2012 году составил 4,5 млн.
тонн, что на 24,5% выше показателя 2012года (таблица 24).

Таблица 24 – Структура экспортных поставок нефти


Направления 2010 2011 2012
Польша 19% 38% 30%

Чехия 37% 40% 9%

Венгрия 0% 0% 6%

Германия 4% 0% 0%

Порт Приморск 34% 14% 25%

Порт Новороссийск 0% 4% 16%


109
По итогам 2012 года экспорт нефтепродуктов и нефтехимической
продукции составил 8,6 млн. тонн. Экспортировано нефтепродуктов
преимущественно в дальнее зарубежье — 71% поставок (6,1 млн. тонн). На
страны СНГ в 2012 году пришлось 29% экспортных продаж (2,5 млн. тонн).
Структура реализации нефтепродуктов на экспорт диверсифицирована и
включает в себя автобензины, дизельное топливо, мазут, ВГО и ряд других
наименований.
Внутренний рынок является основным рынком сбыта нефтепродуктов
и нефтехимической продукции. В таблице 25 показано, что в 2012 году на
нем было реализовано около 55% продукции уфимских
нефтеперерабатывающих заводов, что составило 10,7 млн. тонн. Из них 9,3
млн. тонн пришлось на оптовую реализацию.
Стратегическим приоритетом развития инфраструктуры продаж
является формирование собственных каналов сбыта. В основном, это
пограничные с Башкирией территории, а также Москва и Санкт-Петербург,
как наиболее емкие рынки с точки зрения объемов потребления.

Таблица 25 – Структура реализации на внутреннем рынке, млн. т.


Наименование 2010 2011 2012 2012 %
Высокооктановый бензин 3,9 3,8 4,0 37%

Дизельное топливо 3,0 2,2 2,5 23%

Мазут 1,9 1,7 1,9 18%

Продукты нефтехимии 0,4 0,4 0,3 3%

Низкооктановый бензин 0,3 0,3 0,2 2%

Вакуумный газойль 0 0 0,0 0%

Прочее 1,6 1,7 1,8 17%

Всего 11,1 10,2 10,7 100%


110
Реализация нефтепродуктов мелким оптом осуществляется через
дочернее сбытовое подразделение ООО «Башнефть-Регион», управляющее
сетью региональных сбытовых предприятий, осуществляющих поставки
нефтепродуктов с Уфимских НПЗ в более чем 30 регионов РФ.
Для формирования дополнительных каналов сбыта нефтепродуктов и
обеспечения информационной прозрачности процесса их реализации
получена аккредитация на товарно-сырьевых биржах — Межрегиональной
бирже нефтегазового комплекса и Санкт-Петербургской международной
товарно-сырьевой бирже.
Продукция нефтехимии находит применение практически во всех
отраслях промышленности, транспорта, сельского хозяйства, в оборонном и
топливно-энергетическом комплексе, в сфере услуг, торговле, науке и
образовании. Продукция нефтехимии используется в основном органическом
синтезе - 9,6%; при производстве пластмассовых изделий - 12,1%;
резинотехнических изделий - 7,7%; химических средств защиты растений и
других агрохимических продуктов - 0,2%; производстве синтетических и
искусственных волокон - 1,3%; лаков и красок - 2,3%; синтетического
каучука - 9,0%; пластмасс и синтетических смол - 8,5% и др. В настоящее
время Россия производит около 1% мирового объема нефтехимической
продукции и занимает 20-е место в мире (лидирующие позиции занимают
США, Китай и Евросоюз). Вклад нефтехимии в ВВП РФ незначителен и
составлял в 2006 году 1,7% (в 2005 году - 1,9%).
Индекс промышленного производства (в % к предыдущему году) в
отрасли в 2006 г. составил 104,2% (в 2005 г. - 103,3%). Степень износа
основных фондов в отрасли непрерывно повышалась и составляет по
некоторым оценка порядка 40% , что свидетельствует о недостаточных
инвестициях в основной капитал и расходах этих инвестиций, по-видимому,
в основном, на природоохранные мероприятия [2].
В таблице 26 представлены финансово-производственные показатели
нефтеперерабатывающих заводов АНК «Башнефть», характеризующие
111
стабильность нефтехимического территориально-производственного
комплекса Республики Башкортостан.
Средний коэффициент Нельсона для группы башкирских НПЗ
составляет 7.5 (средний по России – ниже 5). Глубина переработки в 2012 г.
составила 84.9% (у лучшей среди аналогов Газпром нефти – 79.4%). Крупные
инвестиционные затраты в предыдущие годы на модернизацию заводов
позволят перейти на стандарты Евро-4, 5 без существенных вливаний
(большинству ВИК потребуются существенные инвестиции, чтобы успеть
перейти к новым стандартам к 2012г.).
112
Таблица 26 – Финансово-производственные показатели
нефтеперерабатывающих заводов ОАО АНК «Башнефть»

Показатели 2008 2009 2010 2011 2012


Мощности, млн. т.
Уфимский НПЗ 9,56 9,56 7,50 7,50 7,50
Новоуфимский НПЗ 7,08 7,08 7,08 7,08 7,08
Уфанефтехим 9,50 9,50 9,50 9,50 9,50
Итого 26,14 26,14 24,08 24,08 24,08
Объем переработки, млн. т.
Уфимский НПЗ 6,15 6,52 6,72 6,10 5,45
Новоуфимский НПЗ 6,73 6,64 6,66 6,60 6,70
Уфанефтехим 7,48 7,59 7,82 8,37 8,62
Итого 20,36 20,75 21,19 21,06 20,77
Глубина нефтепереработки 82,3 83,4 86,3 85,9 84,9
Индекс Нельсона 7,5 7,5 8,3 8,3 8,6
Выпуск товарной продукции,
18,29 18,90 19,43 19,18 18,91
итого, млн. т.
Распределение производимых нефтепродуктов и продуктов нефтехимии, млн. тонн
Реализация нефтепродуктов и
продуктов нефтехимии на экспорт, в 2,69 7,80 9,18 8,55
т.ч.
Экспорт нефтепродуктов и
продуктов нефтехимии в дальнее 1,91 6,52 6,96 6,10
зарубежье
Экспорт нефтепродуктов и
продуктов нефтехимии в страны 0,78 1,28 2,22 2,45
СНГ
Продажи в РФ, в т.ч.* 4,16 11,10 10,17 10,70
Оптовая реализация 3,63 10,48 9,15 9,34
Розничная реализация через
0,53 0,62 1,02 1,36
собственные АЗС
Приобретение нефти, газа и нефтепродуктов, млн.т.
Приобретение нефти и газа 3,35 10,97 11,04 10,54
Приобретение нефтепродуктов n/a n/a 0,38 0,25
Распределение производимых нефтепродуктов и продуктов нефтехимии, млн. руб.
Итого реализация нефтепродуктов и
89 701 284 346 382 199 406 428
продуктов нефтехимии
Итого выручка 214 931 355 523 486 328 532 502
Чистая прибыль 1 693 3 552 3 446 4 482
Внеоборотные активы, млн. руб. 310 454 307 193 342 522 299 540 341 897
Основные средства 295 843 298 428 291 120 253 757 277 149
Нематериальные активы 89 175 1 002 1 516 1 830
Источник: годовой отчет ОАО АНК «Башнефть» за 2012 г.
113
Следует отметить, что финансовые показатели плохо подходят для
оценки НПЗ, и приводятся в таблице для полноты картины. Все без
исключения нефтеперерабатывающие компании входят в состав тех или
иных холдинговых структур, поэтому из-за трансфертного ценообразования
финансовые показатели искажены (большей частью сильно занижена
прибыль). Поэтому при оценке НПЗ основополагающее значение имеют
производственные показатели: мощность и объем нефтепереработки. Именно
эти показатели являются главными при оценке НПЗ стратегическим
инвестором (крупной нефтяной компанией). Многое зависит и от того,
какому именно холдингу принадлежит контрольный пакет акций
нефтеперерабатывающей компании. Поэтому оценку НПЗ целесообразно
вести по группам, разбитым по принадлежности контрольного пакета акций.
Республика сохраняет лидерство по объему первичной переработки
нефти в России, что составляет 11.2% объема переработки российской нефти
и занимает лидерство по выпуску автомобильных бензинов и дизельного
топлива, соответственно 15 и 14 % общероссийского производства.
В таблице 27 приведены некоторые показатели макроэкономической
среды. Это в первую очередь мировые и российские цены на нефть и
нефтепродукты, определяемые на основе рыночных механизмов спроса и
предложения.
114

Таблица 27 – Показатели макроэкономической среды ТПК

Показатели 2005 2006 2007 2008 2009 2010 2011 2012


Средние цены на нефть и нефтепродукты в мире
Нефть "Brent", руб./барр. 1 538 1 771 1 855 2 411 1 813 2 414 3 268 3 469
Нефть "Urals", руб./барр. 1 428 1 666 1 775 2 350 1 798 2 378 3 205 3 434
Мазут, руб./т. 6 280 7 780 8 851 11 515 10 275 13 433 17 911 19 600
Дизельное топливо, руб./т. 14 371 15 950 16 691 22 624 15 345 20 419 27 449 29 667
Нафта, руб./т. 13 413 15 090 16 983 19 629 15 541 21 590 27 247 29 014
Российский рынок , руб./т.
Нефть 6 054 6 885 7 128 8 024 5 379 6 753 8 945 10 189
Мазут 4 288 6 408 6 017 5 648 6 127 7 731 8 736 9 288
Дизельное топливо (летний gasoil) 16 100 17 483 16 163 19 072 11 730 14 963 19 679 22 735
Дизельное топливо (зимний gasoil) n/a n/a n/a n/a 13 328 16 834 21 786 25 460
Высокооктановый бензин 17 150 19 725 20 058 19 965 17 088 20 802 24 025 25 084
Низкооктановый бензин 15 000 17 500 18 388 18 850 14 736 17 132 22 131 23 429
Основные макроэкономические показатели
Рублевая инфляция 10,9 9,0 11,9 13,3 8,8 8,8 6,1 6,6
Курс рубля к доллару США на
28,8 26,3 24,6 29,4 30,2 30,5 32,2 30,4
конец периода
Средний курс рубля к доллару за
28,3 27,2 25,6 24,9 29,5 30,4 29,4 31,1
период
Источник: ЦДУ ТЭК Цены месяца. Приложение к журналу «ТЭК России» № 2/2012; данные Минэкономразвития России: www.topoilnews.com
3.2 Разработка регрессионных факторных моделей краткосрочного
оперативного прогноза валового выпуска продукции нефтехимического
ТПК от объемов переработки нефти и объемов кредитов, выданных
реальному сектору экономики

Эконометрическая ресурсная модель валового выпуска ТПК, в


зависимости от объемов переработки нефти [98].
В таблице 28 приведены региональные и отраслевые показатели,
отражающие тезис о значительном вкладе нефтехимической отрасли в
экономику региона.
Таблица 28 – Региональные и отраслевые показатели нефтехимического ТПК РБ
n/п 2005 2006 2007 2008 2009 2010 2011 2012
Валовой региональный продукт РБ в основных ценах, млрд. рублей
1 381,6 505,2 590,1 743,1 647,9 757,6 917,0 1065,3
Объем отгруженных товаров собственного производства, выполненных работ и услуг
собственными силами всего по РБ, млрд. руб.
2 600,1 836,1 1011,0 869,5 1156,9 1421,4 1574,0
в т.ч. обрабатывающие производства, млрд. руб. / индекс ПП, %
3 366,3 425,6 450,3 536,5 481,0 665,1 825,3 831,6
4 106,20 116,20 107,90 107,60 98,30 114,00 109,40 105,6
в т.ч. производство нефтепродуктов, млрд. руб./ индекс ПП, %
5 205,7 205,2 210,0 267,5 241,9 363,7 357,5 425,2
6 105,4 99,8 102,3 98,5 97,2 104,1 98,3 106,2
в т.ч. химическое производство, млрд. рублей/ индекс ПП, %
7 51,3 66,9 69,5 72,7 69,5 90,9 93,6 134,2
8 99 130,4 104 95 90,2 107,5 103,0 143,3
итого нефтепереработка и нефтехимия, млрд. рублей
9 256,9 272,1 279,5 340,2 311,4 454,6 451,2 559,4
прирост объема отгруженных товаров..., млрд. руб.
10 15,2 7,4 60,7 -28,8 143,2 -3,5 108,2
Валовый выпуск продукции отрасли Н/НХ, млрд. рублей
11 154,9 204,3 248,6 299,4 193,3 279,2 364,3 378,9
Доля отгруженных товаров нефтепереработки и нефтехимии в объеме обрабатывающих
производств, %
12 63,9 62,1 63,4 64,7 68,4 54,7 67,2
Доля отгруженных товаров нефтепереработки и нефтехимии в общем объеме РБ, %
13 45,3 33,4 33,7 35,8 39,3 31,7 45,3 55,1
*)
Источник: Башкортостанстат. Основные социально-экономические показатели
Республики Башкортостан (комплексный сборник), 2012-13. Сайт:
http://www.bashstat.ru/
116
Доля нефтепереработки и нефтехимии составляет в среднем 63 % и 37% в
объеме отгруженных товаров и выполненных работ и услуг соответственно по
обрабатывающим производствам и в общем объеме по РБ. Коэффициент
корреляции между ВРП и объемом отгруженных товаров собственного
производства, выполненных работ и услуг по отрасли нефтепереработка и
нефтехимия составляет 0,88, коэффициент детерминации в уравнении парной
регрессии составляет 0,77.
В структуре выпускаемой продукции комплекса нефтепереработки около
39% физических объемов реализации приходится на дизельное топливо, 26% -
на бензины, 14% - на мазут, 10% - на вакуумный газойль и около 12%
составляют прочие нефтепродукты. Поэтому общим ресурсом, на основе
которого формируется ядро территориального кластера, является переработка
нефти на нефтеперерабатывающих предприятиях уфимской группы НПЗ и НПЗ
ОАО «Газпромнефтехим Салават». В соответствии с этим, возможно провести
анализ оценки эффективности работы нефтехимического кластера в целом по
приросту объема переработки нефти и стоимостью нефти и нефтепродуктов на
рынке.
В таблице 29 приведены показатели переработки нефти нефтехимического
ТПК РБ.
117
Таблица 29 – Интегральные показатели переработки нефтехимического
комплекса РБ

n/п 2005 2006 2007 2008 2009 2010 2011 2012


Переработано нефти в РБ, тыс. тонн год
1 25608,1 25907,9 26024,4 26754,1 26389,5 27799,9 27556,6 28339,2
в т.ч. группа уфимских заводов
2 19159 19091 19229 20362 20747 21193 21064 20774
ОАО «Газпромнефтехим Салават»
3 6449 6817 6795 6392 5643 6607 6493 6747
Прирост объема переработки нефти, тыс. т./год
4 299,8 116,5 729,7 -364,5 1410,4 -243,3 782,6
Цена нефти марки Urals, $/баррель
5 54 69 77 93,9 60,0 78,3 109,7 110,52
Сводный ценовой индекс «РИА ТЭК» на нефтепродукты, руб.
6 11500 13000 13200 16000 14600 15150 18000 19800
Индексы цен производителей (без НДС, акцизов, транспортировки и др.) на
внутреннем рынке (без учета нерыночных форм обмена)
7 - - 101,3 131,5 83,5 113,9 101,5 100,9
Величина объема отгруженных товаров … к единице объема переработки нефти,
млн. руб./ 1 тыс. тонн нефти
8 - 10,5 10,7 12,7 11,8 16,4 16,4 19,7
Величина прироста объема отгруженных товаров..., к единице прироста
переработки нефти, млн. руб./ 1 тыс. тонн нефти
9 - 50,6 63,5 83,2 79,0 101,5 - 138,2
Основные фонды нефтехимической отрасли, млрд. руб.
10 196,7 207,1 227,6 255,7 289,9 316,6 336,6 378,7
Кредиты, предоставленные реальному сектору экономики, млрд. руб.
11 66,2 75,3 110,1 164,9 167,6 184,1 205,0 234,7
Среднегодовая численность работников нефтехимической отрасли, тыс. чел.
12 340,4 332,9 314,5 310,8 270,7 257,5 247,7 248,9
Источник: годовой отчет ОАО АНК «Башнефть» за 2012 г.; годовой отчет ОАО
«Газпром нефтехим Салават» за 2012 г.; ЦДУ ТЭК Цены месяца. Приложение к
журналу «ТЭК России» № 2/2012; данные Минэкономразвития России:
www.topoilnews.com

Общим ресурсом, на основе которого формируется ТПК, является нефть,


поступающая на нефтеперерабатывающие предприятия ОАО АНК «Башнефть»
и ОАО «Газпромнефтехим Салават». В соответствии с этим, возможно провести
анализ оценки эффективности работы нефтехимического ТПК в целом по
118
приросту объема переработки нефти и стоимости нефти и нефтепродуктов на
рынке.
В таблице 29 приведены интегральные технологические и экономические
показатели переработки нефти нефтехимического ТПК Башкортостана. Для
оперативного прогноза отгруженных товаров собственного производства,
выполненных работ и услуг (Otg, млрд. руб.) и валового выпуска продукции
(ВП, млрд. руб.)) по нефтехимическому ТПК автором получены, по результатам
корреляционно-регрессионного анализа, следующие уравнения регрессии:
Otg = -2272,673 +98,2∙ G, (3.1)
ВП = -1719,08 +74,13·G, (3.2)
где G – объем первичной переработки нефти, млн. тонн
Для приведенного уравнения коэффициент детерминации составляет 0,98,
уравнение значимо в целом. В случае использования множественной регрессии с
привлечением рыночных факторов (цены на нефть и нефтепродукты),
соответствующие коэффициенты в уравнениях регрессии (3.1) и (3.2) незначимо
влияют на целевой показатель.
Зависимость объемов отгруженной продукции - Otg только от объема
переработки нефти свидетельствует, к сожалению, только об экстенсивном
характере развития нефтехимического ТПК. Действительно, отчеты ОАО АНК
«Башнефть» показывают, что структура производства работает в большей доле
по топливной схеме. Стратегия ОАО АНК «Башнефть» направлена на рост
стоимости за счет увеличения добычи углеводородов и прироста запасов нефти
и газа. Реализации программы модернизации НПЗ и повышения эффективности
по всей цепочке создания стоимости является первоочередной задачей, в
частности для процессов нефтепереработки, стратегической задачей является
повышения глубины переработки нефти.
119
Эконометрическая модель экспресс оценки валового выпуска
продукции нефтепереработки по данным кредитно-финансового сектора
[117]
Другой метод прогноза валового продукта – оперативный прогноз по
кредитам, выданным реальному сектору экономики. Изменения в реальном
секторе экономики существенно влияют на состояние, формы и методы
осуществления банковской деятельности и наоборот, что влечет задачу
построения моделей экономического развития, сбалансированных по кредитно-
финансовому сектору.
Развитие промышленности и банковского сектора взаимосвязано и
взаимозависимо, поскольку любые изменения в реальном секторе существенно
влияют на состояние, формы и методы осуществления банковской деятельности
и наоборот.
Агрегированные показатели для оценки крупных ТПК не оперативны и не
точны, в связи с большим количеством источников разнотипной информации,
распределенной по различным автономным предприятиям, входящим в ТПК.
Учитывая тесную взаимозависимость банковского и реального секторов,
автором разработана регрессионная факторная модель оперативного прогноза
валового выпуска продукции нефтеперерабатывающего комплекса республики
Башкортостан по кредитам, выданным нефтехимическому ТПК [3, 50].
В соответствие с экономическими показателями нефтехимического ТПК
(таблица 28, 29), коэффициенты парной корреляции между валовым выпуском
продукции, стоимостью основных фондов и объемом кредитов,
предоставленных реальному сектору экономики составляет 0,82, 0,85 и 0,97
соответственно. Учитывая это, и зависимость валового выпуска продукции
(ВП) от основного капитала и трудовых ресурсов, применяем следующую
форму регрессионной модели с использованием агрегированной
производственной функции, в которой основным независимый фактором
является объем кредитов, выданных реальному сектору экономики (Kred):
ВП  F(K t ,Lt )  A  K(t,Kred)  L(t) , (3.3)
120
где Kt – основной капитал ТПК в год t; Lt – трудовые ресурсы в год t; A -
технологический коэффициент; α – коэффициент эластичности по труду; β –
коэффициент эластичности по капиталу.
Значимые уравнения регрессии объема отгруженной продукции и
валового выпуска продукции нефтеперерабатывающего ТПК с положительной
регрессионной статистикой имеют вид:
Otg  1,216  K1,039  L0,028 , (r=0,94); (3.4)

ВП  0,015  K1,282  L0,456 , (r=0,83);; (3.5)


K=119,33+1,038  Kred, (r=0,97). (3.6)

На рисунке 22 представлены фактические и рассчитанные по


регрессионным моделям графики изменения основных фондов и объемов
валовой продукции НГХ ТПК за период 2005-2012 г.

600,0 Факт (2005-12)


Линия регрессии
500,0 Прогноз тренд
Верх 95%
ВП, млрд.руб

400,0 Нижн 95%

300,0

200,0

100,0

0,0
2004 2008 2012 2016 2020
Годы

Рисунок 22 – Фактические и рассчитанные по регрессионной модели


графики изменения валового выпуска продукции НГХ ТПК за период 2005-2012.
Прогноз до 2020 г.
121
Прогнозные значения объема выданных кредитов и численности трудовых
ресурсов на период 2013-20 гг. получены экстраполяцией данных
соответствующих временных рядов методом скользящей средней по
трехточечной схеме. Точечной линией на рисунке указан 95% доверительный
интервал прогноза, полученный на основе трендовой модели прогнозирования
по данным временного ряда для ВП до 2020 года.
Регрессионная модель прогноза отгрузки продукции по кредитам,
выданным нефтехимическому ТПК отличается использованием агрегированной
производственной функции и выбором в качестве основной независимой
переменной объема кредитов, выданных реальному сектору экономики, что
позволяет проводить оперативный прогноз валового выпуска продукции на
краткосрочный период.
Результаты, полученные по нашей модели экономического развития РБ на
основе показателей кредитно-банковского сектора, соответствуют данному
прогнозному интервалу, что свидетельствует об адекватности модели.
Отклонение фактических значений от рассчитанных по модели в период с 2007
по 2009 год объясняется тем, что при построении регрессионных моделей мы
использовали скорректированные данные для этого периода, посчитав его
«кризисным» и оказывающим специфическое влияние на экономическое
развитие. Анализ результатов прогноза позволяет сделать вывод об
адекватности построенных моделей и возможности использования модели для
прогнозирования развития ТПК.

3.3 Прогноз валового выпуска продукции нефтепереработки на основе


экономико-математической нечетко-временной модели

В соответствие с моделью прогнозирования на основе нечетких


временных рядов, описанной в параграфе 2.3, для прогноза валового выпуска
продукции нефтепереработки используем пятиуровневую градацию (таблица 30),
со следующим терм-множеством значений: VL (значительное уменьшение), L
122
(уменьшение), F (без изменения), H (увеличение), VH (значительное
увеличение). Пятиуровневая градация выходного параметра обусловлена
требованием повышенной дифференциации прогноза и подавления шумов.

Таблица 30 – Нечеткая шкала терм-значений для прогнозных показателей


Показатель VL L F H VH
1.Прирост объема выпуска
(-15; -6) (-7; -1) (-1,5; 1,5) (1; 7) (6; 15)
продукции, Δ ВП, %
*)
Расчет на основе сведений полученных из различных источников информации

Пусть X (i )   X1 (i ), X 2 (i ),..., X k (i ) - входные нечеткие факторы в

моменты времени i и Y – прогнозируемый показатель, определяемые набором

факторов X .
Научная задача: построить долгосрочный прогноз для валового выпуска
продукции ТПК - Y, в зависимости от факторов развития ТПК - Xi . В качестве
определяющих факторов используем факторы мировой экономики, факторы
национальной экономики и внутренние факторы, определяющие развитие ТПК.
Входные факторы (таблица 31) будем определять как нечеткие
лингвистические переменные. Обоснование выбранного набора факторов,
представлено в параграфе 2.1. Для всех входных факторов зададим
трехуровневое множество терм-значений: низкое (L, Low), среднее (A, Average),
высокое (H, High). Границы терм-значений являются нечеткими и задаются
экспертно. Шкала терм-значений факторов прогнозирования определяется
экспертно и представлена в таблице 31.
При разработке долгосрочного прогноза, автором используется подход,
при котором для определения значений нечетких факторов X на заданный
горизонт прогнозирования  используется мониторинг прогнозов различных
аналитических агентств относительно динамики макроэкономических
параметров мировой, национальной и отраслевой экономики и тенденций
развития НТП. Для прогноза значений внутренних факторов, определяющие
развитие ТПК используются методы экстраполяции фактических данных с
123
использованием трендовых моделей и методов экспоненциального сглаживания.
Прогнозные значения факторов по трем сценариям – пессимистическому,
среднему и оптимистическому на период до 2020 года представлены в таблице
31 для составления прогноза валового выпуска.

Таблица 31 - Основные факторы, определяющие выпуск продукции


нефтегазохимического ТПК, шкала терм-значений факторов и прогноз значений
факторов на период до 2020 года по трем сценариям
терм-значения Прогноз до 2020
Факторы код
L A H Песс. Средний Оптим
Факторы мировой экономики
Динамика мир. потр.
нефти в общей доле X1 20–35 30–45 40–55 23 28 30
первичн. энергорес., % 1)
Цена за 1 баррель нефти
X2 60 – 80 55 – 95 80 – 110 125 170 190
марки Urals, $ 2)
Темпы роста мировой
X3 0.3 – 3 2.5 → 4 2 3,5 5
экономики, % 3)
Темпы роста расходов на
X4 3-10 7-16 15→ 7 10 12
НИОКР, % 1)
Факторы национальной экономики
Темпы роста ВВП, % 4) X5 3,6 4,8 6,0 3 4,6 6
Внутреннее потребление
нефти, % г 2008 году (236 X6 100-105 103-108 108→ 100 105 110
4)
млн.т)
Инвестиции в развитие
нефтяной
X7 70-120 100-160 150-300 100 134-139 160
промышленности, млрд.
долл. (в ценах 2007 г.) 4)
Уровень инфляции 5) X8 3–6 5–9 8→ 8 6 5
Внутренние факторы, определяющие развитие ТПК
Рентабельность
X9 7-10 9-18 15→ 10 15 18
активов, % 6)
Динамика инвестиций в
X10 0–5 3.5 - 7 7.5 → 3 5 7
основные фонды, % 6)
Уровень технологий
(индекс комплексности X11 2-4 3-7 6-9 5,5 7,2 7,6
Нельсона) 6, 7)
Темпы роста расходов на
X12 3-10 7-16 15→ 6 10 20
НИОКР в год, % 6)
1)
BP Energy Outlook 2030 (2013), www.bp.com/energyoutlook; 2)Прогноз МВФ,
www.imf.org/external/russian; 3)Узяков М.Н. Ключевые детерминанты долгосрочного
прогноза развития российской экономики // ЭКО», № 6, 2012 г.; 4)Энергетическая
стратегия России на период до 2020 года; 5)Данные Минэкономразвития РФ ; 6) годовой
отчет ОАО АНК «Башнефть» за 2012 г., прогноз методом экспоненциального
сглаживания; 7)средний по 4 НПЗ
124
Основой построения нечетко-временной модели прогнозирования
является адаптивная нечетко-временная база знаний, получаемая на основе
сбора, сортировки, анализа и обработки данных для исследуемого прогноза в
выбранном интервале времени. Нечетко-временная база знаний структурируется
по временным промежуткам, пополняется и адаптируется, с применением
методов интеллектуальной обработки информации и методов нечеткой логики
(нечеткая кластеризация, нечеткие ассоциативные правила). Ниже приведен
фрагмент нечетко-временной базы знаний поквартально за период 2008-2012
годы, где нечеткие входные факторы и прогнозирования X1,…, X16 определены в
таблице 32.
Таблица 32 - Нечетко-временная базы знаний для показателя развития
нефтехимического ТПК прирост выпуска продукции за период 2008-2012 годы
(квартальные данные) *)

год 2008 2009 2010 2011 2012


II I II I II I II I II I
кв. I II I II I II I II I II
I V I V I V I V I V
X1 L L L L L L L A A A A A A A A A A A A A
X2 L L L L L L L L A A A A A A H H H H H H
X3 L L L L A A A A A A A A A A A H H A H H
Основные факторы

X4 L L L L A A A A A A A A A A A H A H H H
X5 L A A A H L L A L A H L L A L A H L L A
X6 L L L L L L L L A A A A A A A A A A A A
X7 L L L L L L L L A A A A H H H H H H H H
X8 H H H H H H H H H A A A A A A A A A A A
X9 L A A A H A H H L A H A H H L A H A H H
X10 L L L L L L L L A A A A H H H H H H H H
X11 A A A A A A A A A A A A A A A A A A A A
X12 L L L L L L L L A A A A H H H H H H H H
Прог V
ΔВП L L L L F L F F L F F H F F H H H F H
ноз H
*)
терм значения факторов определены на основании экспертных оценок значений
нечетких интервалов в соответствии с данными таблицы 34

Нечетко-временная база знаний представляет собой и базу прецедентов.


Однако прогноз на основе аналогий и опыте прошлых ситуаций имеет
125
недостатки в связи с особенностью информации терять со временем
актуальность. Кроме того, учитывая многофакторность, число возможных
комбинаций значений факторов вектора X велико (например, для 12 факторов
число комбинаций равно 312 ~5·105), а фактическое число актуальных
прецедентов составляет порядка 102, что на три порядка ниже требуемого.
Поэтому, для повышения информативности исходных данных дополним
нечетко-временную базу знаний, экспертной базой знаний нечеткого
логического вывода, основанную на дедуктивных правилах вида "если...то...". В
отличие от метода прогнозирования, изложенного выше в п.1) , база знаний
содержит логический вывод не по отдельным факторам, а по всему набору
факторов.
Таким образом, частная задача состоит в определении прогноза искомого
показателя развития ТПК по набору нечетких факторов X на заданный
горизонт прогнозирования.
В зависимости от исходного набора нечетких факторов и возможности
идентификации ситуации с использованием нечетко-временной базы знаний,
прогнозирование выполняется по одному из трех вариантов или способов.
Первым вариант построения прогноза реализуется, если для исходного
набора нечетких факторов отыскивается похожий прецедент в качестве аналога.
Методика включает процедуры извлечения прецедентов на основе факторов;
упорядочения извлеченных прецедентов по степени близости к текущему
случаю; и выбора наиболее подходящих прецедентов. Каждому признаку
назначают вес, учитывающий его относительную ценность. Полностью степень
близости прецедента по всем признакам можно вычислить, используя
обобщенную формулу вида:


j
j  sim( xij , xkj ) , (3.7)

где wj – вес j-го признака, sim – функция подобия (метрика), xij и xik – значения
признака xj для текущего случая и прецедента, соответственно. После
126
вычисления степеней близости все прецеденты выстраиваются в единый
ранжированный список.
В качестве меры сходства использовали номинальную качественную меру
сходства Хэмминга:
sim( xij , xkj )  nik / N , (3.8)

где nik – число совпадающих признаков у образцов Xi и Xk; N – общее


число единичных признаков у образцов Xi и Xk. После того, как прецеденты
извлечены, нужно выбрать "наиболее подходящий" из них. Это определяется
сравнением значений факторов текущего случая и прецедентов с
использованием метода "ближайшего соседа". После обработки текущего
прогноза, он вносится в базу прецедентов вместе со своим решением для его
возможного последующего использования в будущем. Вывод по прецедентам
сильно зависит от качества и количества собранных данных, от знаний о
проблемной области и способов отбора наиболее релевантных прецедентов.
Метод больше подходит для прогнозирования в условиях неопределенности
факторного множества.
Второй вариант построения прогноза реализуется при низком значении
степени близости значений исходный факторов и прецедентов. Методика
прогнозирования, основана на адаптации прецедентов к обстоятельствам,
изменившимся для конкретной проблемы с использованием нечетко-временных
последовательностей. Механизм функционирования нечетко-временной модели
прогнозирования реализован на основе процедур нечеткого вывода временной
модели, которые задается последовательностью интегральных признаков на
нескольких, следующих друг за другом временных этапах. Нечеткие правила,
образующие нечеткую базу знаний модели, имеют следующий вид:
" Если (в течение t  1 наблюдается признак X  X (1 )) и ( Y  Y (1 )),
затем (в течение t  2 наблюдается признак X  X (2 )) и (Y  Y (2 ))
затем . . .), то (в последующем в течение t  n будет Y  Y (n ))"

где вектор X - значение нечетких факторов на заданный горизонт


прогнозирования n ; X (i ) - значение нечетких факторов в прошлые моменты
127
времени; Yi – интегральные нечеткие признаки, характеризующие поведение
временного ряда на его отдельных фрагментах; знак «  » означает номинальную
качественную меру сходства в рамках установленного для предметной области
критерия.
Третий вариант метода реализуется при отсутствии прецедентов и
невозможности их адаптации к текущей ситуации. В этом случае
осуществляется прогнозирование, основанное на дедуктивных правилах
нечеткого логического вывода, по правилам, описанным выше в п.1), с
использованием нечеткой базы знаний для всей совокупности факторов.
Реализация разработанной автором в параграфе 2.2 методики
прогнозирования на основании нечетко-временной модели прогнозирования на
исходных данных в таблицах 10, 11, 12 выполнена с использованием
разработанного с участием автора программного продукта в среде MatLab.
Прогнозные значения валового выпуска продукции нефтехимического ТПК РБ
на 20017 и 2020 годы составили в денежном выражении соответственно 394 и
440 млрд. руб. На рисунке 23 приведены фактические и прогнозные значения
валового выпуска продукции до 2020 год и с использованием нечетко-
временной модели прогноза, а также для сравнения результатов, прогнозные
значения валового выпуска, полученные экстраполяцией линии тренда с
использованием регрессионных моделей.
128
Факт (2005-12)
600,0
Линия регрессии
Прогноз тренд
500,0 434
Верх 95%
390
Нижн 95%

ВП, млрд.руб
400,0
Прогноз НВР

300,0

200,0

100,0

0,0
2004 2008 2012 2016 2020
Годы

Рисунок 23 - Фактические и рассчитанные по регрессионной модели


графики изменения валового выпуска продукции (ВП) НГХ ТПК по данным
2005-2012. Прогноз до 2020 г.

Прогноз, полученный с использованием нечетко-временной модели,


отличается от прогноза методом экстраполяции тренда по уравнениям регрессии,
порядка на 3-8 %, что существенно в денежном выражении для крупных ТПК, и
составляет, например, 12-30 млрд. руб. для нефтеперерабатывающего комплекса
в РБ. Это обусловлено многофакторностью модели НВР и чувствительностью
результата к каждому фактору.
Результат прогноза в значительной степени определяется качеством базы
знаний. Следует отметить, что факторы модели относятся к классу
макроэкономических параметров для оценки мировой экономики, и по данным
факторам имеются, как правило, достаточно надежные аналитические прогнозы,
которые можно использовать на практике.
129
3.4 Прогноз конкурентоспособности нефтехимического ТПК на основе
нечеткого логического вывода в условиях малого объема достоверных
исходных данных и неопределенности

Повышение конкурентоспособности производственного комплекса


является сложным, многофакторным процессом, подлежащим стратегическому
управлению. Отсюда следует, что необходимость и возможность планомерного
управления процессом повышения конкурентоспособности производственного
комплекса выступают важнейшими объективными предпосылками разработки
системы таких факторов [4, 104].
Основу оценки показателя конкурентоспособности должен составлять ряд
принципиальных методических положений, последовательное изложение
которых приведено ниже.
Принцип системности. Этот принцип базируется на понятии системы,
признаками которой являются следующие характеристики:
- поведение каждого элемента влияет на поведение целого; каждый
элемент влияет на целое не самостоятельно, а во взаимодействии хотя бы еще с
одним элементом;
- в системе нет таких подгрупп элементов, которые влияли бы на целое
независимо от других элементов, т.е. не бывает полной автономии;
- система - это такое целое, которое нельзя разделить на независимые
части; если части отделить от системы, то они теряют некоторые из своих
свойств; система обладает свойствами, которые отсутствуют у ее части. Система
всегда более значима, чем сумма отдельных частей, так как помимо информации
о частях, она несет в себе информацию о том новом, что появляется вследствие
взаимодействия частей, информацию о развитии системы в целом [113].
Принцип учета специфики производства. Разрабатываемая система
должна включать в себя факторы, отражающие специфические особенности
производства входящих в производственный комплекс предприятий, учитывая
их влияние на уровень его конкурентоспособности.
130
Принцип иерархичности показателей. Факторы, органично
наполняющие рассматриваемую систему, должны быть ранжированы по их
важности. Выделению ведущих звеньев изучаемого процесса должны
способствовать сводные, обобщающие факторы, обеспечивающие наиболее
полную, по возможности интегральную характеристику основных направлений
повышения конкурентоспособности предприятий производственного комплекса.
Непосредственное формирование показателей оценки
конкурентоспособности нефтехимического ТПК РБ предлагается выполнять в
рамках блочной системы. В соответствии с типовой организационно-
производственной структурой современного российского ТПК предлагается
выделить следующие четыре группы показателей, включающий определенный
набор составляющих, детально моделирующих те или иные аспекты
конкурентоспособности ТПК, представленные в таблице 33.
131
Таблица 33 – Показатели для оценки конкурентоспособности ТПК
Показатели
1. Показатели конкурентоспособности производственного комплекса Y1
Активы предприятия Внеоборотные активы, X1
млрд. руб.
Показатель потенциала и обеспеченности Установленная мощность X2
ТПК собственными природно-ресурсными
запасами Добыча нефти, млн.т. X3

Переработка нефти, млн.т. X4

Показатель рыночной потребности в Реализация нефтепродуктов X5


основных видах продукции, производимых и продуктов нефтехимии
в рамках ТПК
Показатель экологической и Затраты на охрану X6
энергетической эффективности экономики окружающей среды
и предприятий ТПК по направлениям, млн. руб.
2. Показатели технического уровня производства и степени новизны Y2
используемых технологий
Уровень технологий Индекс комплексности X7
Нельсона
Глубина переработки нефти X8
Показатель инновационной активности Доля расходов на НИОКР X9
предприятий и уровня новизны на единицу отгруженной
производимой продукции продукции
3. Финансово-экономические показатели ТПК Y3
Показатель операционной эффективности и Прибыль до X10
производственно-финансового потенциала налогообложения, млрд.
руб.
Рентабельность активов, % X11

Затраты на переработку, X12


руб./на тонну
Капитальные затраты, X13
руб./на тонну
4. Показатели организации и управления производственным Y4
комплексом и территориальными институтами

Показатели развитости инфраструктуры X14


сбыта и поставок
Показатели состояния социальной среды и X15
трудового потенциала ТПК
132
Значения показателей нефтехимического ТПК РБ за период 2008-2012 гг.
приведены в таблице 34.
Таблица 34 - Значения показателей для оценки конкурентоспособности
ТПК за период 2008-2012 гг.
2008 2009 2010 2011 2012 Id
Показатели конкурентоспособности производственного комплекса (Y1)
X1 Внеоборотные активы, млрд.
310,5 307,2 342,5 299,5 341,9 440
руб.
X2 Установленная мощность,
млн.т. год 26,14 26,14 24,08 24,08 24,08 24
X3 Добыча нефти, млн.т.
8 место по РФ 11,68 12,23 14,145 15,106 15,44 20
X4 Переработка нефти, млн.т.
5 место по РФ 20,36 20,75 21,19 21,06 20,77 24
X5 Выпуск товарной продукции,
18,29 18,90 19,43 19,18 18,91 22
млн.т.
X6 Затраты на охрану
окружающей среды - - 1,91 2,15 2,41 2.5
по направлениям, млн. руб.
Показатели технического уровня производства и степени новизны используемых
технологий (Y2)
X7 Индекс комплексности
7,5 7,5 8,3 8,3 8,55 10
Нельсона
X8 Глубина переработки
82,3 83,4 86,3 85,9 84,9 90
нефти, % (1 место в РФ)
X9 Расходы на НИОКР на
единицу выпуска товарной 1,37 1,69 1,65 1,67 1,95 5
продукции, руб./т.
Финансово-экономические показатели ТПК (Y3)
Прибыль до
X10 - 20,4 56,6 64,8 72,9 100
налогообложения, млрд. руб.
X11 Рентабельность активов, %
3,2 4,3 12,5 16,6 15,2 25
X12 Затраты на переработку,
- 1 078 1 000 1 199 1 032 900
руб./т.
X13 Капитальные затраты, руб./т. - 477 477 954 1 002 1000
Показатели организации и управления производственным комплексом и
территориальными институтами (Y4)
X14 Показатели развитости
инфраструктуры сбыта и 8 8 8 8 8 10
поставок, баллы
X15 Показатели состояния
социальной среды и
8 8 9 9 9 10
трудового потенциала ТПК,
баллы
133
Показатели организации и управления производственным комплексом и
территориальными институтами приведены по 10 балльной шкале и являются
экспертными оценками.
Значения показателей для оценки конкурентоспособности ТПК будем
выражать как отклонения (в процентах) от идеальных (или желательных)
значений (таблица 35). В таблице 36 представлены исходные данные
показателей оценки конкурентоспособности нефтехимического ТПК РБ за
период 2008-2012 годы (в процентах к желаемому значению и значения
нечетких термов) и прогнозные значения на 2014 и 2020 годы.

Таблица 35 – Соотношение показателей оценки нечеткого значения


Значение показателя Код Диапазон варьирования от
желаемого значения
Высокое VH 81-100
Выше среднего H 61-80
Среднее M 41-60
Ниже среднего L 21-40
Низкое VL 0-20

Таблица 36 – Исходные данные показателей оценки


конкурентоспособности нефтехимического ТПК РБ за период 2008-2012 годы (в
процентах к желаемому значению и значения нечетких термов) и прогнозные
значения на 2014 и 2020 годы
Y1 Y2 Y3 Y4
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15
2008 71 109 58 85 83 65 75 91 27 20 13 100 45 80 80
H VH M VH VH H H VH L VL VL VH M H H
2009 70 109 61 86 86 70 75 93 34 20 17 120 48 80 80
H VH H VH VH H H VH L VL VL VH M H H
2010 78 100 71 88 88 76 83 96 33 57 50 111 48 80 90
H VH H VH VH H VH VH L M M VH M H H
2011 68 100 76 88 87 86 83 95 33 65 66 133 95 80 90
H VH H VH VH VH VH VH L H H VH VH H VH
2012 78 100 77 87 86 96 86 94 39 73 61 115 100 80 90
H VH H VH VH VH VH VH L H H VH VH H VH
2014 75 100 76 87 86 94 85 94 38 71 62 119 99 80 90
2020 90 100 80 90 90 100 90 95 60 80 65 120 100 87 93
134
Прогнозные значения по отдельным показателям ТПК на краткосрочный
период (2014 год), приведенные в таблице 36, рассчитаны методом
экспоненциального сглаживания соответствующих рядов данных.
Прогнозные значения по отдельным показателям ТПК на долгосрочный
период (2020 год), приведенные в таблице 36, получены на основе экспертных
оценок отдельных факторов.
Прогнозирование показателя конкурентоспособности нефтехимического
ТПК Башкортостана выполнено в соответствии с описанной в параграфе 2.2
модели прогнозирования на основе нечеткого логического вывода в условиях
малого объема достоверных исходных данных и неопределенности [93].
В соответствии с предлагаемым подходом производим редукцию задачи
на частные зависимости Y1(X1, X2, X3, X4, X5, X6); Y2(X7, X8, X9); Y3(X10, X11, X12,
X13); Y1(X14, X15) и задания частных зависимости от одной и двух переменных,
Построим для всех значений факторов лингвистическую переменную на
01-носителе (необходимо выполнить предварительную нормировку факторов) с
терм множеством значений, обозначенных условно символами “VL”, “L”,
“M”, ”H”, “VH”, которые интерпретируем соответственно как: “очень низкое,
“низкое, “среднее; “высокое и “очень высокое значение” соответствующего
фактора или показателя.
В качестве функции принадлежности используем функцию Гаусса, как
наиболее употребляемую функцию при отсутствии каких-либо приоритетов,
параметры которой определены из условия равномерного распределения
факторных значений на отрезке [0; 1].
Порядок расчетов следующий:
2) задаем кодировку термов для лингвистических факторов,
определяющих выпуск продукции ТПК
2) определяем прогнозные значения факторов на требуемую дату;
3) проводим нормирование значений факторов;
4) определяем лингвистические значение факторов Xi по таблице 36;
135
5) определяем лингвистические значение прогноза по таблице базы правил
логического вывода Yj ;
6) для нескольких нечетких логических выводов относительно выходного
параметра Y1 , проводим дефаззификацию по правилу (по методу центра
тяжести):

Y =
 Y i
i
w
,

w
i

где Ywi - есть абсцисса точки максимума (узловая точка) функции


принадлежности, для которой Y принимает соответствующее терм-значение.
Первая группа показателей - 12 зависимостей для показателей
конкурентоспособности производственного комплекса (Y1):
Y11(X1), Y21(X2), Y31(X3), Y41(X4), Y51(X5), Y61(X6),
Y71(X1,X3), Y81(X1,X4), Y91(X1,X5), Y101(X3,X4). Y111(X3,X5), Y121(X4,X5).
На выбранном множестве терм значений построим экспертную базу
знаний состоящую из 180 правил логического вывода для двенадцати моделей
(таблица 37).
136
Таблица 37 – Правила логического вывода показателя
конкурентоспособности в зависимости от группы показателей
производственного комплекса
X1,…, X6
VL L M H VH
1
Y 1(X1) L L H H H
Y21(X2) VL L M H H
Y31(X3) L L M H H
Y41(X4) VL L M H H
Y51(X5) VL L M H VH
Y61(X6) L L M H H

Y71(X1,X3) Y81(X1,X4) Y91(X1,X5)


X1 X1 X1
VL L M H VH VL L M H VH VL L M H VH
X3 X4 X5
VL L L M H H VL L L M H H VL VL L L M M
L L M M H H L L M M H H L L L M M M
M L M M H H M L M M H H M L M M H H
H M M H H H H M M H H H H M M H H H
VH M H H H VH VH M H H H VH VH M H H H VH
Y101(X3,X4) Y111(X3,X5) Y121(X4,X5)
X3 X4
VL L M H VH X3 VL L M H VH VL L M H VH
X4 X5
X5
VL VL L L M M VL VL L L M M VL VL L L M H
L L L M M M L L L M M M L L L M M H
M L M M M H M L M M M H M L M M H H
H M M H H H H M M H H H H M M H H VH
VH M H H H VH VH M H H H VH VH M H H H VH

Вторая группа показателей - 6 зависимостей для показателей


технического уровня производства и степени новизны используемых технологий
(Y2):
Y12(X7), Y22(X8), Y32(X9), Y42(X7,X8), Y52(X7,X9), Y62(X8,X9).
На выбранном множестве терм значений построим экспертную базу
знаний, состоящую из 90 правил логического вывода для шести моделей
(таблица 38).
137
Таблица 38 – Правила логического вывода показателя конкурентоспособности в
зависимости от группы показателей технического уровня производства и
степени новизны используемых технологий
X7,…, X9
VL L M H VH
Y12(X7) VL L M H H
Y22(X8) VL L M H VH
Y32(X9) L L M H VH

Y42(X7,X8) Y52(X7,X9) Y62(X8,X9)


X7 VL L M H VH X7 VL L M H VH X8 VL L M H VH

X8 X9 X9
VL VL L L M M VL VL L L M H VL VL L L M H
L L L L M M L L L L M H L L L L M H
M L M M M H M L M M H H M L M M H H
H L M H H VH H L M H H VH H L M H H VH
VH M M H H VH VH M M H H VH VH M M H H VH

Третья группа показателей - 6 зависимостей для финансово-


экономических показателей ТПК (Y3):
Y13(X10), Y23(X11), Y33(X12), Y43(X10,X12), Y53(X10,X13), Y63(X11,X13).
На выбранном множестве терм значений построим экспертную базу
знаний состоящую из 95 правил логического вывода для семи моделей (Таблица
39 39).
Таблица 39 – Правила логического вывода показателя
конкурентоспособности в зависимости от группы финансово-экономических
показателей
X10,…, X13
VL L M H VH
1
Y 3(X10) VL L M H H
Y23(X11) VL L M H VH
Y33(X12) H H M L L
Y43(X13) H H M L L

Y53(X10,X12) Y63(X10,X13) Y73(X11,X13)


X10 VL L M H VH X10 VL L M H VH X11 VL L M H VH

X12 X13 X13


VL L M H H VH VL L M H H VH VL L M H H VH
L L M M H H L L M M H H L L M M H H
M L L M M H M L L M M H M L L M M H
H VL L L M M H VL L L M M H VL L L M M
VH VL L L L M VH VL L L L M VH VL L L L M
138
Четвертая группа показателей - 3 зависимости для показателей
организации и управления производственным комплексом и территориальными
институтами (Y4):
Y14(X14), Y24(X15), Y34(X14,X15).
На выбранном множестве терм значений построим экспертную базу
знаний, состоящую из 35 правил логического вывода для трех моделей (таблица
40).
Таблица 40 – Правила логического вывода показателя
конкурентоспособности в зависимости от группы показателей организации и
управления производственным комплексом и территориальными институтами
X14, X15
VL L M H VH
1
Y 4(X14) VL L M H H
Y24(X15) L L M H VH

Y34(X14,X15)
X14 VL L M H VH

X15
VL VL VL L L M
L VL L M M M
M L M M H H
H L M M H VH
VH L L M H VH

Реализация модели прогнозирования с использованием нечеткого


логического вывода с использованием инструментов Fuzzy Logic Toolbox
MatLab.
Прогнозирование выполнено с использованием Fuzzy Logic Toolbox
системы MatLab. На рисунках 24 и 25 представлены экранные формы,
реализующие процесс логического вывода и представления результатов.
139

а)

б)

в)
140

г)
Рисунок 24 – Графическое представление правил логического вывода и
расчет показателя конкурентоспособности: a) – от показателей
производственного комплекса; б) - от показателей технического уровня
производства; в) - от финансово-экономических показателей ТПК; г) – от
показателей организации и управления производственным комплексом и
территориальными институтами.

а) б)
141
Рисунок 25 – Частные двумерные сечения многомерной поверхности
отклика: а) –Y81(X1,X4),; б) – Y101(X3,X4),;

Результаты расчетов значений показателя конкурентоспособности


нефтехимического ТПК РБ за период 2008-2012 годы в зависимости от
различных групп показателей и интегральное значение показателя
конкурентоспособности Y за период 2008-2012 г и прогноз на 2014 и 2020 годы
представлены в таблице 41.

Таблица 41 – Значения показателя конкурентоспособности Yi


нефтехимического ТПК РБ в зависимости от различных групп показателей и
интегральное значение показателя конкурентоспособности Y за период 2008-
2012 г и прогноз на 2014 и 2020 годы

Y1 Y2 Y3 Y4 Y
2008 67,6 58,7 36,5 76,3 58,7
2009 70,1 58,8 36,3 76,3 59,4
2010 76,0 59,7 46,5 79,2 63,9
2011 77,3 59,7 49,8 79,2 65,0
2012 77,3 61,1 49,9 78,4 65,5
Прирос за 5 лет, % 14,3 4,1 36,7 2,8 11,5
2014 77,3 60,7 50,0 79,2 65,4
2020 78,1 70,0 49,7 78,4 69,2

Итоговый показатель определяется как среднее с весами для четырех


групп факторов. Экспертно устанавливаем больший приоритет влияния
показателей производственного комплекса и показателей технического уровня
производства (оценка порядка 30% и 40%) и в меньшей степени влияние
финансово-экономических показателей ТПК и показателей организации и
управления производственным комплексом и территориальными институтами
(оценка 20% и 10% соответственно). Расчеты показывают, что вариации весовых
коэффициентов в пределах 10% от установленных значений приводят к
вариации итогового показателя конкурентоспособности не более чем на 2,8 %.
142
За период 2008-2012 годов наибольший рост показателя
конкурентоспособности ТПК отмечался в зависимости от финансово-
экономических показателей, что объясняется улучшением финансовых
показателей за счет реструктуризации организации ТПК и снижения издержек,
выведения непрофильных активов из структуры компаний, улучшением
организации управления производственными и процессами. Увеличение
показателя конкурентоспособности ТПК произошло также в значительной
степени от улучшения показателей производственного комплекса, в частности
от улучшения эффективности использования активов. Однако, дальнейший рост
показателя конкурентоспособности в зависимости от показателей первой и
третьей группы в ближайшей перспективе ожидается небольшой, поскольку
показатели производственного комплекса и финансово-экономические
показатели сильно улучшится не могут из-за значительного износа основных
фондов.
Резервом роста показателя конкурентоспособности ТПК является
улучшение показателей технического уровня производства, требующие
значительные вложение в обновление и модернизацию производства и
увеличение рентабельности активов по третьей группе определяющих факторов.
Прогнозные значения показателя конкурентоспособности ТПК на 2014
год рассчитано на основе данных прогноза (таблица 41) по отдельным факторам
на краткосрочный период методом экспоненциального сглаживания
соответствующих рядов данных.
Прогнозные значения показателя конкурентоспособности ТПК на 2020
год рассчитано на основе данных прогноза на долгосрочный период (Таблица
41) по отдельным факторам, полученных на основе прогноза значений
отдельных факторов на 2020 г методом экспертных оценок.
Прогнозное значение показателя конкурентоспособности
нефтехимического ТПК РБ рассчитано на основе прогноза по отдельным
факторам на 2020 год и составило 69 пунктов, что на 6% выше текущего (2012 г)
значения конкурентоспособности.
143

Фактические и прогнозные значения параметров конкурентоспособности,


полученные экстраполяцией линии тренда и прогноза на основе нечеткого
логического вывода приведены на рисунке 26.
Конкурентоспособность, %
80

75

70

65

60

55

50
2008 2010 2012 2014 2016 2018 2020
Год

Y Прогноз Нижн.гр.95% Верх.гр.95%

Рисунок 26 – Фактические и прогнозные значения показателя


конкурентоспособности, полученные экстраполяцией линии тренда и прогноза
на основе нечеткого логического вывода (НЛВ)

В перспективе до 2020 г прогнозируется рост конкурентоспособности


нефтеперерабатывающего ТПК Башкортостана, обусловленный рядом
положительных тенденций модернизации производственных мощностей и
значительных инвестиций в техническое и технологическое перевооружение
производства.

3.5 Выводы

В третьей главе проведен анализ показателей развития отрасли


нефтепереработка и нефтехимия республики Башкортостан. Получена оценка
макроэкономических показателей и выполнен прогноз ряда показателей
нефтеперерабатывающей отрасли республики Башкортостан, даны
методические рекомендации постановки стратегических задач применительно к
144
бизнес-процессам нефтепереработки и проведена оценка показателей
нефтеперерабатывающего комплекса РБ по кредитно-финансовому сектору.
Параметры стратегии нефтеперерабатывающего комплекса, поставленные
менеджментом компании до 2015 г.:
- полная загрузка мощностей НПЗ;
- рост количества АЗС и розничных продаж моторных топлив с 6% до 25%;
- расширение присутствия в оптовом сегменте до 20 регионов;
- увеличение ключевых финансовых показателей на 20-30%.
Зависимость объемов отгруженной продукции только от объема
переработки нефти свидетельствует об экстенсивном характере развития
нефтехимического комплекса РБ. Действительно, отчеты ОАО АНК
«Башнефть» показывают, что структура производства работает в большей доле
по топливной схеме. Стратегия ОАО АНК «Башнефть» направлена на рост
стоимости за счет увеличения добычи углеводородов и прироста запасов нефти
и газа. Реализации программы модернизации НПЗ и повышения эффективности
по всей цепочке создания стоимости является первоочередной задачей. Поэтому,
определение эффективных прогнозов макроэкономических показателей
необходимо менеджменту компании для принятия правильных решений по
стратегическому и операционному управлению.
За период 2008-2012 годов наибольший рост показателя
конкурентоспособности ТПК отмечался в зависимости от финансово-
экономических показателей, что объясняется улучшением финансовых
показателей за счет реструктуризации организации ТПК и снижения издержек,
выведения непрофильных активов из структуры компаний, улучшением
организации управления производственными и процессами. Увеличение
показателя конкурентоспособности ТПК произошло также в значительной
степени от улучшения показателей производственного комплекса, в частности
от улучшения эффективности использования внеоборотных активов. Однако,
дальнейший рост показателя конкурентоспособности в зависимости от
показателей первой и третьей группы в ближайшей перспективе ожидается
145
небольшой, поскольку показатели производственного комплекса и финансово-
экономические показатели сильно улучшится не могут из-за значительного
износа основных фондов.
Резервом роста показателя конкурентоспособности ТПК является
улучшение показателей технического уровня производства, требующие
значительные вложение в обновление и модернизацию производства и
увеличение рентабельности активов по третьей группе определяющих факторов.
В настоящее время стратегия нефтеперерабатывающего ТПК
Башкортостана направлена на реализацию программы модернизации НПЗ и
повышения эффективности по всей цепи поставок, или цепи стоимости.
Первоочередной стратегической задачей до 2020 г для нефтепереработки
является повышения глубины переработки нефти от 0,78 до 0,88; уровня
технологичности с 7,8 до 10,6.
Таким образом, прогнозирование нечетких показателей развития
нефтеперерабатывающего ТПК Башкортостана на основе нечетко-логических
инструментов (альтернатива эвристическим методам) позволяет проводить
прогноз в условиях неопределенности внутренней и внешней среды и позволяет
повысить достоверность прогноза, что ведет к повышению эффективности
управленческих решений при формировании стратегии развития ТПК.
146
ЗАКЛЮЧЕНИЕ
1. Проведено обоснование выбора определяющих факторов
прогнозирования развития нефтегазохимического ТПК в условиях
неопределенности внутренней и внешней среды, которые учитывают
совокупность основных взаимосвязанных компетенций нефтегазохимического
ТПК на различных иерархических уровнях в сфере производства, распределения,
обмена и потребления товаров и услуг.
2. Разработана нечетко-логическая модель прогнозирования основных
показателей развития нефтегазохимического ТПК в условиях малого объема
достоверных исходных данных и неопределенности факторов, отличающаяся
применением процедур факторной декомпозиции прогнозной функции по
группам определяющих факторов, получении прогноза с использованием
нечеткого логического вывода по каждой группе факторов и группового синтеза
результирующего прогноза, что позволяет устранить внутри- и межгрупповые
эффекты взаимодействия нечетких факторов, проводить анализ и
прогнозирование с использованием данных, представленных в вербальной
форме и повышает достоверность прогноза.
3. Разработана нечетко-временная модель прогнозирования показателей
развития нефтегазохимического ТПК в условиях неопределенных факторов
внутренней и внешней среды, отличающаяся использованием процедур
нечеткого логического вывода, основанного на правилах, на прецедентах и на
нечетко-временных последовательностях, что позволяет строить прогноз
выходного признака с использованием разнотипных факторов, и проводить
согласование прогноза с тенденциями развития отраслевой, национальной и
мировой экономики.
4. Разработана регрессионная факторная модель валового выпуска
продукции нефтеперерабатывающего комплекса республики Башкортостан по
данным 2005-12 гг., отличающаяся использованием агрегированной
производственной функции и выбором в качестве основной независимой
переменной объема кредитов, выданных реальному сектору экономики, что
147
позволяет проводить оперативный прогноз валового выпуска продукции на
краткосрочный период
5. Разработан комплекс программ нечетко-логического и нечетко-
временного прогнозирования показателей развития нефтегазохимических ТПК в
условиях малого объема достоверных исходных данных и неопределенности,
позволяющий проводить прогнозирование по исходным данным,
представленным в количественной, качественной и вербальной форме,
представляющий важный практический инструмент социально-экономического
прогнозирования.
6. Разработан научно-обоснованный прогноз основных показателей
развития нефтеперерабатывающего комплекса республики Башкортостан на
основе нечетко-логического и нечетко-временного методов прогнозирования как
основа постановки задач стратегического планирования развития
нефтепереработки.
148
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ИС Информационная система
БД База данных
БДВР Базы данных временных рядов
БЗ База знаний
OLAP On-line Analytical Processing (оперативная аналитическая
обработка информации)
ВР Временной ряд
НВР Нечеткий временной ряд
СУБД Система управления базами данных
ЛПР Лицо, принимающее решение
ОКП Общесоюзный классификатор промышленной продукции
ТЭК Топливно-энергетический комплекс
ТПК Территориально-производственный комплекс
ППТН Продукция производственно-технического назначения
ННК Национальные нефтяные компании; и
МНК Международные нефтяные компании
СТК Сервисно-технологические компании
НТП Научно-технический прогресс
ВВП Валовый внутренний продукт
ВП Валовый продукт
ВИНК Вертикально интегрированная нефтяная компания
Индекс Показатель, характеризующий сложность
Нельсона технологических процессов, применяемых на НПЗ
ТНЭ (т.н.э.) Тонн нефтяного эквивалента
ИТ Информационные технологии
КПЭ Ключевой показатель эффективности
МСФО Международные стандарты финансовой отчетности
НГДУ Нефтегазодобывающее управление
149
НДС Налог на добавленную стоимость
НИОКР Научно-исследовательские и опытно-конструкторские
разработки
НПЗ Нефтеперерабатывающий завод
РБ Республика Башкортостан
Регион (сокр. от англ. Europe, the Middle East and Africa) -
EMEA Регион, включающий Европу, Ближний Восток и Африку
ТЭО Технико-экономическое обоснование
GR- (сокр. от англ. Government Relations) - Взаимодействие с
коммуникации государственными органами
PRMS (сокр. от англ. Petroleum Resources Management System) -
Система управления нефтяными ресурсами

SR (сокр. от англ. Social Responsibility) Социальная


ответственность
ВИНК Вертикально интегрированная нефтяная компания
Индекс Показатель, характеризующий сложность
Нельсона технологических процессов, применяемых на НПЗ
150
ГЛОССАРИЙ ОСНОВНЫХ ТЕРМИНОВ И ПОНЯТИЙ

Факторы – условия, причины, параметры, оказывающие влияние,


воздействие на экономический процесс и результат этого процесса.
Показатели – экономические величины, критерии, уровни, измерители,
которые позволяют судить о состоянии экономики страны, региона,
предприятия.
Экономическое развитие (Йозеф Шумпетер) – положительные
качественные изменения, новшества в производстве, в продукции и услугах, в
области управления, в других сферах жизнедеятельности и видах экономической
деятельности. Долговременное устойчивое развитие экономики - процесс
увеличения валового продукта в долгосрочном периоде без нарушений
равновесного состояния экономики.
Экономический рост – это количественные изменения - увеличение
производства и потребления одних и тех же товаров и услуг
База знаний – это особого рода база данных, разработанная для
оперирования знаниями (метаданными). База знаний содержит
структурированную информацию, покрывающую некоторую область знаний,
для использования кибернетическим устройством (или человеком) с конкретной
целью. Современные базы знаний работают совместно с системами поиска
информации, имеют классификационную структуру и формат
представления знаний. Базы знаний содержат в себе не только фактическую
информацию, но и правила вывода, допускающие автоматические
умозаключения о вновь вводимых фактах и, как следствие, осмысленную
обработку информации.
Модель – объект любой природы, который создается исследователем с
целью получения новых знаний об объекте-оригинале и отражает только
существенные (с точки зрения разработчика) свойства оригинала.
Математическая модель – это упрощенное описание реальности с
помощью математических понятий.
151
Нечёткая логика (англ. fuzzy logic) – раздел математики, являющийся
обобщением классической логики и теории множеств, базирующее на понятии
нечёткого множества, впервые введённого Лотфи Заде в 1965 году как объекта с
функцией принадлежности элемента к множеству, принимающей любые
значения в интервале [0; 1], а не только 0 или 1. На основе этого понятия
вводятся различные логические операции над нечёткими множествами и
формулируется понятие лингвистической переменной, в качестве значений
которой выступают нечёткие множества.
Функция принадлежности нечёткого множества – обобщение
индикаторной (или характеристической) функции классического множества. В
нечёткой логике она представляет степень принадлежности каждого члена
пространства рассуждения к данному нечёткому множеству.
Адекватность модели – степень соответствия моделируемого процесса
процессу функционирования реальной системы.
Аналитическое моделирование – описание процессов
функционирования системы с помощью системы алгебраических,
дифференциальных, интегральных или конечно-разностных уравнений.
Динамическая система – система, в которой множество состояний
больше одного и они могут изменяться во времени.
Темпоральные данные – произвольные данные, которые связаны с
определёнными датами или промежутками времени.
Критерий эффективности – правило, на основании которого
производится выбор стратегии, отвечающей интересам ЛПР.
Территориально-производственный комплекс – планово формируемая
совокупность устойчиво взаимосвязанных и взаимообусловленных
пропорционально развивающихся объектов различных отраслей народного
хозяйства, которые созданы для совместного решения одной или нескольких
определенного ранга народнохозяйственных проблем, выделяются размерами
производства и четкой специализацией в масштабе страны и своего
экономического района; сконцентрированные на ограниченной, обязательно
152
компактной, территории, обладающие необходимым набором и размерами
ресурсов; эффективно использующие местные и полученные извне ресурсы и
обеспечивающие охрану окружающей среды; имеющие единую
производственную и социальную инфраструктуру.
Региональный кластер – это совокупность фирм, университетов и
других организаций, связанных в определенной производственной области в
определенном регионе, где синергия достигается при помощи конкуренции и
кооперации между участниками.
Отраслевой кластер – это неформальное сообщество отраслевых и
смежных компаний на основе кооперационных и конкурентных связей, и
отличающихся способностью взаимного усиления конкурентных преимуществ
за счет синергетического эффекта.
Промышленный кластер фокусируется на конкуренции внутри сектора.
Он состоит из всевозможных действующих лиц, ресурсов и видов деятельности,
которые объединяются вместе для развития, производства и продажи
разнообразных типов товаров и услуг
Индекс сложности Нельсона (NCI) присваивает коэффициент сложности
каждой крупной части нефтеперерабатывающего оборудования на основе его
сложности и стоимости по сравнению с перегонкой сырой нефти, которой
присваивается коэффициент сложности 1,0. Сложность каждой части
оборудования вычисляется путем умножения его коэффициента сложности по
его пропускной способности в процентах от перегонки сырой нефти. Суммируя
значения, присвоенные каждой единицы оборудования, в том числе перегонки
сырой нефти, определяется сложность НПЗ по NCI. NCI указывает не только на
интенсивность инвестиций, или индекс стоимости завода, но и его потенциал
добавленной стоимости. Чем выше индекс, тем выше стоимость завода и выше
значение его продукции.
Тонн нефтяного эквивалента Одна тонна нефтяного эквивалента
равняется 41,868 ГДж или 11,63 МВт·ч. Международное энергетическое
153
агентство (IEA) приняло за единицу нефтяной эквивалент, обычно
обозначаемый аббревиатурой TOE (англ. Tonne of oil equivalent).
Прогноз – обоснованное суждение о возможном состоянии объекта в
будущем или альтернативных путях и сроках достижения этих состояний.
Прогнозирование – процесс разработки прогноза. Этап
прогнозирования — часть процесса разработки прогнозов, характеризующаяся
своими задачами, методами и результатами. Деление на этапы связано со
спецификой построения систематизированного описания объекта
прогнозирования, сбора данных, с построением модели, верификацией прогноза.
Прием прогнозирования – одна или несколько математических или
логических операций, направленных на получение конкретного результата в
процессе разработки прогноза. В качестве приема могут выступать сглаживание
динамического ряда, определение компетентности эксперта, вычисление
средневзвешенного значения оценок экспертов и т. д.
Модель прогнозирования – модель объекта прогнозирования,
исследование которой позволяет получить информацию о возможных
состояниях объекта прогнозирования в будущем и (или) путях и сроках их
осуществления.
Метод прогнозирования – способ исследования объекта
прогнозирования, направленный на разработку прогноза. Методы
прогнозирования являются основанием для методик прогнозирования.
Методика прогнозирования – совокупность специальных правил и
приемов (одного или нескольких методов) разработки прогнозов.
Прогнозирующая система — система методов и средств их реализации,
функционирующая в соответствии с основными принципами прогнозирования.
Средствами реализации являются экспертная группа, совокупность программ
и т. д. Прогнозирующие системы могут быть автоматизированными и
неавтоматизированными.
Прогнозный вариант – один из прогнозов, составляющих группу
возможных прогнозов.
154
Объект прогнозирования – процесс, система, или явление, о состоянии
которого даётся прогноз.
Характеристика объекта прогнозирования – качественное или
количественное отражение какого-либо свойства объекта прогнозирования.
Переменная объекта прогнозирования – количественная
характеристика объекта прогнозирования, которая является или принимается за
изменяемую в течение периода основания и (или) периода упреждения прогноза.
Сложность объекта прогнозирования – характеристика объекта
прогнозирования, определяющая разнообразие его элементов, свойств и
отношений.
Период основания прогноза – промежуток времени, за который
используют информацию для разработки прогноза. Этот промежуток времени
называют также периодом предыстории.
Период упреждения прогноза – промежуток времени, на который
разрабатывается прогноз.
Прогнозный горизонт – максимально возможный период упреждения
прогноза заданной точности.
Точность прогноза – оценка доверительного интервала прогноза для
заданной вероятности его осуществления.
Достоверность прогноза – оценка вероятности осуществления прогноза
для заданного доверительного интервала.
Ошибка прогноза – апостериорная величина отклонения прогноза от
действительного состояния объекта.
Источник ошибки прогноза – фактор, способный привести к появлению
ошибки прогноза. Различают источники регулярных и нерегулярных ошибок.
Верификация прогноза – оценка достоверности и точности или
обоснованности прогноза.
Эксперт – квалифицированный специалист по конкретной проблеме,
привлекаемый для вынесения оценки по поставленной задаче прогноза.
155
Компетентность эксперта – способность эксперта выносить на базе
профессиональных знаний, интуиции и опыта достоверные суждения об объекте
прогнозирования. Количественная мера компетентности эксперта называется
коэффициентом компетентности.
Экспертная группа – коллектив экспертов, сформированный по
определенным правилам для решения поставленной задачи прогноза. Частным
случаем экспертной группы выступает экспертная комиссия.
Компетентность группы экспертов – способность экспертной группы
выносить суждения об объекте прогнозирования, адекватные мнению
генеральной совокупности экспертов. Компетентность экспертной группы
определяется различными методиками.
Экспертная оценка – суждение эксперта или экспертной группы
относительно поставленной задачи прогноза. В первом случае используется
термин «индивидуальная экспертная оценка», во втором – «коллективная
экспертная оценка».
Валовой региональный продукт (ВРП) – обобщающий показатель
экономической деятельности региона, характеризующий процесс производства
товаров и услуг для конечного использования. ВРП представляет собой валовую
добавленную стоимость, созданную резидентами региона, и определяется как
разность между выпуском товаров и услуг в основных ценах и промежуточным
потреблением.
ВРП на стадии производства формируется путем суммирования валовой
добавленной стоимости по видам экономической деятельности в основных
ценах. Основные цены включают цены производства данного вида
экономической деятельности, величину субсидий на продукты, но не включают
налоги на продукты.
Валовой выпуск товаров и услуг представляет собой суммарную
стоимость товаров и услуг, являющихся результатом производственной
деятельности единиц-резидентов национальной (региональной экономики) в
отчетном периоде.
156
Промежуточное потребление состоит из стоимости товаров и услуг,
которые трансформируются или полностью потребляются в процессе
производства в отчетном периоде. Потребление стоимости основного капитала
не входит в состав промежуточного потребления.
Основные фонды - это произведенные активы, используемые
неоднократно или постоянно в течение длительного периода, но не менее одного
года, для производства товаров, оказания рыночных и нерыночных услуг. К
основным фондам относятся здания, сооружения, машины и оборудование,
измерительные и регулирующие приборы и устройства, вычислительная техника,
инструмент, транспортные средства, производственный и хозяйственный
инвентарь, рабочий, продуктивный и племенной скот, многолетние насаждения
и прочие виды основных фондов.
Объем отгруженных товаров собственного производства представляет
собой стоимость тех товаров, которые произведены данным юридическим
лицом и фактически отгружены (переданы) в отчетном периоде на сторону
(другим юридическим и физическим лицам), включая товары, сданные по акту
заказчику на месте, независимо от того, поступили деньги на счет продавца или
нет.
Объем работ и услуг, выполненных собственными силами,
представляет стоимость работ и услуг, оказанных (выполненных) организацией
другим юридическим и физическим лицам. Приводится в действующих ценах
без налога на добавленную стоимость, акцизов и других аналогичных
обязательных платежей.
Затраты на научные исследования и разработки - фактические расходы
на выполнение научных исследований и разработок, которые определяются как
сумма внутренних затрат, выполненных собственными силами отчитывающихся
организаций, и внешних затрат, выполненных сторонними организациями. В
составе внутренних затрат выделяются текущие затраты и капитальные затраты.
Текущие затраты включают затраты на оплату труда, отчисления на социальные
нужды, прочие текущие затраты. В капитальных затратах учитываются расходы
157
на приобретение земельных участков, строительство или покупку зданий,
приобретение оборудования, включаемого в состав основных фондов и пр.
Передовые производственные технологии - технологии и
технологические процессы (включая необходимое для их реализации
оборудование), управляемые с помощью компьютера или основанные на
микроэлектронике и используемые при проектировании, производстве или
обработке продукции (товаров и услуг).
Новыми технологиями для России считаются технологии, не имеющие
отечественных аналогов.
Принципиально новыми признаются технологии, не имеющие
отечественных или зарубежных аналогов, созданные (разработанные) впервые,
обладающие качественно новыми характеристиками, отвечающими требованиям
современного уровня или превосходящими его.
Технологические инновации представляют собой конечный результат
инновационной деятельности, получивший воплощение в виде нового или
усовершенствованного продукта или услуги, внедренных на рынке, нового либо
усовершенствованного процесса или способа производства (передачи) услуг,
используемых в практической деятельности. Технологическими инновациями
могут быть, как те продукты, процессы, услуги и методы, которые организация
разрабатывает впервые, так и те, которые перенимаются у других организаций.
158
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Абалкин Л.И. Экономическая энциклопедия. - Москва: Экономика, 1999. –


380 с.
2. Аганбегян А.Г. Территориально-производственные комплексы: планирование
и управление. – Новосибирск: Знание, 1996. – 265 с.
3. Агарков С.А. Агрегированная модель экономического роста,
сбалансированного по кредитно-финансовому (банковскому) сектору //
Вестник МГТУ. - 2005. том 8, № 2, С.189-133.
4. Адаева Т.Ю. Организационные факторы и резервы повышения
конкурентоспособности предприятия - Пенза: Изд-во Пензенского
государственного Университета, 2009. - 230 с.
5. Алампиев П.М. Экономическое районирование СССР, М.: Знание, 1979. - 63 с.
6. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в
нечетких условиях. - Тюмень: Изд-во ТюмГУ, 2000. - 352 с.
7. Анфилатов В.С., Емельянов А.А., Кукушкин А.А. Системный анализ в
управлении. Москва «Финансы и статистика» / Под ред. А.А.
Емельянова. - М.: Финансы и статистика, 2002. - 368 с.
8. Багиев Г.Л., Богданова Е.Л. Методы прогнозирования в маркетинговой
деятельности. - М.: «Финансы и статистика», 1999. - 256 с.
9. Багриновский К.А. Имитационное моделирование влияния инвестиционной
политики на технологическое развитие // Микроэкономические предпосылки
экономического роста: Сб. статей / Под ред. Г.Б. Клейнера. Вып. 2. - М.:
ЦЭМИ РАН, 2003. - 53 с.
10. Багриновский К.А., М.К. Исаева // Микроэкономические предпосылки
экономического роста: Сб. статей / Под ред. Г.Б. Клейнера. Вып. 2. - М.:
ЦЭМИ РАН, 2003. - 59 с.
11. Бандман М.К. Территориально-производственный комплекс. Новосибирск:
Знание, 1980. – 280 с.
12. Бережная Е.В., Бережной В.И. Математические методы моделирования
экономических систем. - М.: Финансы и статистика, 2001. - 368 с.
159
13. Бестужев И.В. Рабочая книга по прогнозированию / Лада - М.: Мысль,
1982. - 430 с.
14. Бетяев С.К. Научный прогноз: сущность и возможности // Вести Моск. ун-та.
Сер.7. Философия. - 1999. - №2. - С. 49-61.
15. Бирман Г., Шмидт С. Экономический анализ предприятия / Пер. с англ.
Москва, 1999. – 379 с.
16. Богаткова Л.В. Становление муниципальной информационной системы //
Вести Моск. ун-та, - 1999, - №5. - С. 82-83.
17. Большаков B.C. Финансовое прогнозирование: теоретические аспекты // М.:
Финансы. - 1999. - №10. - С. 53-55.
18. Борисевич В.И. Прогнозирование и планирование экономики / Под ред.
Кандауровой. - Минск: Экоперспектива, 2000, - 430 с.
19. Быкова Н.И. Управление рисками при финансировании
предприятий - СПб.: Изд-во С.-Петерб. гос. ун-та экономики и финансов,
2000. - 131 с.
20. Вертакова Ю.В. Индикативное планирование развития экономики // Пробле-
мы региональной экономики. - 2000. - №1-4. - С. 54-75.
21. Виноградова О. Итоги мировой нефтегазовой промышленности в 2002 году //
Нефтегазовая вертикаль, - 2003. - №2. – С.76-86.
22. Винтизенко И.Г. Детерминированное прогнозирование в экономических
системах // Труды III международной конференции «Новые технологии в
управлении, бизнесе и праве». Н.Мысск: Издательство ИУБП, 2003. - С. 163-
167.
23. Владимирова Л.П. Прогнозирование и планирование в условиях рынка:
Учебное пособие. - М.: Проспект, 2000. – С.305-412.
24. Воронин А. Государственное регулирование структурных преобразований в
ТЭК в условиях глобализации мировой экономики, //
Экономист. - 2003, - №10. – С.3-17.
25. Вощцнин А.П., Сотиров Г.Р. Оптимизация в условиях неопределенности. –
М.: Знание, 1999. – 494 с.
160
26. Выступление Президента ОАО «НК «Роснефть» И.И.Сечина на Круглом
Столе ПМЭФ 2013 // URL: http://www.rosneft.ru/attach/0/04/20/message.pdf/
(дата обращения: 02.08.2013).
27. Галеева Е.И. Стратегия - путь достижения целей организации // Актуальные
проблемы современной экономики России : сб. материалов Междунар. науч.-
практ. конф., 2 февр. 2011 г. - Казань : Изд-во НПК "РОСТ", 2011. - С. 77-88.
28. Гапоненко Н.В. Теория. Методология. Опыт. М.: ЮНИТИ-ДАНА. Форсайт.
2008. - 78 с.
29. Геец В.М. Отраслевое прогнозирование: методологический и
организационный аспект. Киев: ИНТРА, 1998. 343 с.
30. Гитман М.Б. Введение в теорию нечетких множеств и интервальную
математику. Применение лингвистической переменной в системах принятия
решений. Пермь: Перм.гос.техн.ун-т., 1998. - 45 с.
31. Глущенко В. В. Разработка управленческого решения: Прогнозирование-
планирование. Теория проектирования экспериментов. - Железнодорожный:
Крылья, 2000. - 397 с.
32. Годовой отчет 2010-2012 / ОАО АНК «Башнефть». URL: www.bashneft.ru.
33. Гольцберг М.А., Колотий В.М. Прогнозирование тенденций экономического
развития. - Киев: Наукова думка, 1999. - 248 с.
34. Гражданников Е.Д. Экстраполяционная прогностика: Классификационное и
математическое моделирование в исторических и прогностических исследо-
ваниях. - Новосибирск: Наука. Сиб. отд-ние, 1988. - 144 с.
35. Гранберг А.Г. Статистическое моделирование и прогнозирование - М:
Финансы и статистика, 1990. - 383 с.
36. Даллаго Б. Есть ли будущее у макроэкономического планирования? //
РЭЖ. - 1992. - №3. – С. 4.
37. Денисов Г.А. О применении балансовых моделей в управлении кластерами
региональной экономики // Новые технологии. - 2011. - № 2. С. 79
38. Дженкинс Г., Дж. Бокс Анализ временных рядов: прогноз и управление. - М.:
Мир, 1984.- 406 с.
161
39. Евстигнеева Л., Евстигнеев Р. Макроэкономические аспекты региональной
политики. / М.: Экономическая политика № 4, декабрь 2011, с.112.
40. Емельянов А.А., Власова Е.А., Дума Р.В. Имитационное моделирование
экономических процессов / Под редакцией доктора экономических наук А.А.
Емельянова. М.: Финансы и статистика, 2002. С.412.
41. Еремеев А.П., Тихонов Д.А., Шутова П.В. Поддержка принятия решений в
условиях неопределенности на основе марковской модели // Известия РАН.
Теория и системы управления. 1999. -№5. - С.87-93
42. Еремеев А.П., Троицкий В.В. Модели представления временных
зависимостей в интеллектуальных системах поддержки принятия решений //
Известия РАН. Теория и системы управления. 2003, №5. - С. 75-88.
43. Ефимова М.Р., Петрова Е.В., Румянцев В.Н. Общая теория
статистики - М.:ИНФРА-М, 1996. - 416 с.
44. Заде Л. Понятие лингвистической переменной и его применение к принятию
приближенных решений. - М.: Мир, 1976. - 162 с.
45. Замков О.О., Толстопятенко А.В., Черемных Ю.Н. Математические методы в
экономике. - М.: МГУ им. М.В. Ломоносова, 1999. -368 с.
46. Ивантер В. Экономическое прогнозирование в России: реальность и перспек
тивы // Общество и экономика. - 1999. - №5. - С. 66-74.
47. Ивантер В.В., Говтань О.Дж., Ксенофонтов М.Ю., Панфилов B.C., Узяков
М.Н. Экономика роста (Концепция развития России в среднесрочной пер-
спективе) // Проблемы прогнозирования. - 2000. - №1. С. 68-74.
48. Ивахненко А.Г Долгосрочное прогнозирование и управление сложными
системами - Киев: Техника, 2005. - 312 с.
49. Ильин В. А., Садовничий В. А., Сендов Бл. Х. Математический анализ. М.:
Издательство МГУ. 1995. С.56.
50. Ильясов С.М. Денежно-кредитный механизм развития региона. М.: Финансы
и статистика, 2005. – 215 с.
51. Исхакова А.М. Инновационный климат в Республике Башкортостан и пути
его повышения // сборник материалов научно-практической конференции
162
«Образование и национальная безопасность России: проблемы, взаимосвязи,
перспективы». - Уфа: ВЭГУ, 2012. - С.56.
52. Кистанов В.В., Копылов Н.В. Региональная экономика России: Учебник для
вузов. М., 2002. С.99.
53. Клинов В. Г. Мировая экономика: прогноз до 2050 г. // Вопросы
экономики. - 2008. -№5. - С.62–79.
54. Колосовский Н.Н. Теория экономического районирования. М.: Наука,
1969. - 45 с.
55. Короткова Е.М. Антикризисное управление. М.: ИНФРА-М, 1999. – С 152.
56. Кофман А, Хил Алуха X. Введение теории нечетких множеств в управлении
предприятиями: Пер. с исп. - М.: Высш.шк., 1992. - 224 с.
57. Кремер Н.Ш. Теория вероятностей и математическая статистика. - М.: ЮНИ
ТИ-ДАНА, 2000. - 543с.
58. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и прак-
тика. - М.: Горячая линия - Телеком, 2001. - 382 с.
59. Кугаенко А. А. Основы теории и практики динамического моделирования
социально-экономических объектов и прогнозирования их развития. - М.:
Вузовская книга, 1998. - 392 с.
60. Кудряшов С.И. Вице-президент ОАО НК «Роснефть» Успешность развития
компании определяется ее устойчивым и динамичным ростом // Нефтяное
хозяйство. 2006. - №2 - 14-17 с.
61. Леонтьев Н.Л. Техника статистических вычислений. - М.: Нефтяная
промышленность, 1966. - 250 с.
62. Лесникова О.В. Проявление глобализации в мировой индустрии //
Экономика. Управление. Культура. Вып. 14: Сборник научных статей. М.:
ГУУ, 2009. Ч.2. С.88.
63. Ллойд Э. Справочник по прикладной статистике. В 2-х т. Т.2: Пер. с англ. /
Под ред. Ледермана, С.А. Айвазяна, Ю.Н. Тюрина. - М.: Финансы и стати-
стика, 1990. - 526 с.
64. Львов Д.С. НТП и экономика переходного периода // Вопросы экономики. –
163
1991. - №11. – С. 12-16.
65. Маевский В., Амосов А, Волкова Н. Методы прогнозирования платежеспо-
собного спроса на нефтепродукты // Экономист. - 1999. - №9. С. 75-82.
66. Марков Л.С., Ягольницер М.А. Экономические кластеры: идентификация и
оценка эффективности деятельности / Л.С. Марков, М.А. Ягольницер. –
Новосибирск: ИЭОПП СО РАН, 2006. – 88 с.
67. Мау В. Экономический рост и постиндустриальные вызовы // Проблемы
теории и практики управления. – 2003. - №1 - С.31-35.
68. Методологические положения по статистике. Вып. 2. / Госкомстат
России. - М., 1998. - 244 с.
69. Мешалкин В.П., Михайлов С.А., Дли М.И. Прогнозный топливно-
энергетический баланс региона как инструмент управления
энергосбережением //Энциклопедия инженера-химика. - 2011, № 8. - С. 8-13.
70. Морозова Т.Г., Пикулькин А.В. Прогнозирование и планирование в условиях
рынка: Учебное пособие М.: Знание, 1999. – С. 385
71. Мхитарян B.C., Бамбаева Н.Я. Регрессионная модель индекса российской
торговой системы // Многомерный статистический анализ и вероятностное
моделирование реальных процессов / Под ред. С. А. Айвазяна. - М.: ЦЭМИ
РАН, 1999. – 199 с.
72. Наумов В.Н. Теория принятия решений. М.: Знание, 1998. - С.122.
73. Некрасов Н.Н., Адамеску А.А. Проблемы территориального управления
экономикой: территориально-отраслевой принцип планирования: теория и
практика. М.: Проспект, 1990. – С. 127-134.
74. Очур Ю.С. Типологизация территориально-производственных комплексов
по охвату территории. М.: Знание, 2011. С. 144-145.
75. Прокофьев Е.А., Степанова Е.Н. Вариантное прогнозирование социально-
экономического развития региона // Проблемы стратегии и тактики регио-
нального развития. - Вологда: ВНКЦ, 1999. - 261 с.
76. Рыжов А.П. Элементы теории нечетких множеств и ее приложений / Москва:
«Диалог – МГУ», 2003. – 81 с.
164
77. Салимгареев Н.Г. Разработка потенциальных кластеров в пространственных
социально-экономических микросистемах // Вестник Самарского
государственного экономического университета. - 2011. - № 76. - С. 61-66.
78. Саркисов П.Д., Мешалкин В.П., Булатов И.С. Анализ прогнозных значений
мировых цен на топливно-энергетические ресурсы химической и
нефтехимической промышленности // Химическая технология. - 2002,
№6. - С. 43-46.
79. Семина Л.А. Кластерные формирования в системе инновационно-
инвестиционной деятельности региона // Известия Алтайского
государственного университета. - 2011. - № 2. - С. 319-324.
80. Сергеева Л.Н. Нелинейная динамика: модели и методы. - Запорожье:
«Полиграф», 2003. – С. 218
81. Соколов А., Денисов Ю. Научно-технический прогноз как ориентир для
предпринимателя (опыт развитых стран) // Проблемы теории и практики
управления я. – 1998, - №3. - С. 50-54.
82. Соколов В.Г., Смирнов В.А. Исследование гибкости и надежности экономи-
ческих систем. - Новосибирск: Наука. Сиб. отд-ние, 1990. - 253 с.
83. Сошникова Л.А., Тамашевич В.Н., Уебе Г. Многомерный статистический
анализ в экономике. - М.: ЮНИТИ, 1999. - 528 с.
84. Страхова Л.П., Бартенев А.Е. Корпоративные образования в современной
экономике // Менеджмент в России и за рубежом. - 2000. - № 5. – С. 52-57.
85. Теплова О.В. Инструменты устойчивого функционирования
нефтеперерабатывающих предприятий Республики Башкортостан //
Вестник СамГУ. – 2012. – № 7. – С. 92-97.
86. Тимошенко П.Н., Яковенко B.C. Экономические циклы - новые подходы к
обнаружению, анализу, прогнозированию. «Циклы». Материалы пятой
Международной конференции. Том 1. - Ставрополь: Изд. Северо-
Кавказского государственного технического университета, - 2003. - С.87-90.
87. Томас Р. Количественные методы анализа хозяйственной деятельности /
Пер. с англ. - М.: Дело и сервис, 1999. - 423 с.
165
88. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-
практическое издание. М.: Синтег, 1998. – С. 36-42.
89. Третьяк В.П. «Кластеры предприятий как форма квазиинтеграции».
Электронный ресурс: www.znanie.org/FLG/Tretyak/Prezen21_10.ppt.
90. Трифонов Ю.В. Плеханова А.Ф., Орлов Ф.Ф. Выбор эффективных решений
в экономике в условиях неопределённости. Н. Новгород: ННГУ, 1998. 350 с.
91. Тукаева З.М. Методология нечеткой идентификации при прогнозировании
показателей территориально-производственных комплексов //
Промышленное развитие России: проблемы, перспективы. – Тр. X
Междунар. науч.-прак. конф. преподавателей, ученых, аспирантов,
студентов. (Н.Новгород, 6 декабря 2012 г).- Н.Новгород, 2012. - Т. 1. – С.
338-343.
92. Тукаева З.М. Моделирование и оценка эффективности деятельности
региональных экономических систем кластерного типа // Экономика и
управление. – Сб. трудов III Междунар. научно-практической конференции.
(Новосибирск, 16 августа 2013 г.). – Новосибирск , 2013. – С. 294-298.
93. Тукаева З.М., Мухаметзянов И.З. Модель прогнозирования нечетких
данных для решения бизнес задач предприятий ТЭК // Управление
экономическими системами: электронный научный журнал, 2013, №56.
URL: http://www.uecs.ru (дата обращения:28.08.2013).
94. Тукаева З.М., Мухаметзянов И.З. Оптимизация регионального развития по
параметрам кредитно-финансового сектора // В кн.: «Проблемы анализа и
моделирования региональных социально-экономических процессов». – IV-
Междунар. научно-практической конференции (Казань 16 мая 2013 г.). – С.
339-343.
95. Тукаева З.М., Мухаметзянов И.З. Оценка влияния развития
нефтехимического комплекса РБ на развитие территории // Инновационные
технологии управления социально-экономическим развитием регионов
России. – Сб. тр. Всеросс. науч.-прак. конф. с междунар. участием. (Уфа, 07
июля 2013г.). – Институт социально-экономических исследований УНЦ
166
РАН. – Уфа, 2013. – С. 146-157.
96. Тукаева З.М., Мухаметзянов И.З. Прогнозирование показателей
территориально-производственных комплексов на основе нечетких
временных рядов // РИСК: Ресурсы, Информация, Снабжение, Конкуренция,
– 2013. № 3 – С. 152-163.
97. Тукаева З.М., Мухаметзянов И.З. Программа для ЭВМ «Прогнозирование
нечетких данных для решения бизнес задач предприятий ТЭК» //
Свидетельство о государственной регистрации программ для ЭВМ
№2013618857. Зарегистрировано в реестре программ для ЭВМ
Федеральной службы по интеллектуальной собственности, патентам и
товарным знакам 19.09.2013.
98. Тукаева З.М., Мухаметзянов И.З. Эконометрический анализ динамики
нефтехимического комплекса республики Башкортостан // Экономика и
управление: анализ тенденций и перспектив развития – сб. тр. II
Международной научно-практической конференции. (Новосибирск, 31
декабря 2012 г.). – Новосибирск, 2012 – С. 191-195.
99. Тукаева З.М., Мухаметзянов И.З. Модель прогнозирования
макроэкономических показателей территориально-производственного
комплекса на основе нечеткого логического вывода // Экономико-
математические методы исследования современных проблем экономики и
общества: – сб. мат. Международной научно-практической конференции.
(16-17 декабря 2013 г., г. Уфа). В 2-х ч. Ч. II / отв. ред. И.У. Зулькарнай, Р.Х.
Бахитова. – Уфа: РИЦ БашГУ. – 2013.– С. 124-129.
100. Тэрано Т. Прикладные нечеткие системы / Под ред. К. Асаи, М. Сугэно. –
М.: Мир, 1993. – С. 126
101. Узяков М.Н. Ключевые детерминанты долгосрочного прогноза развития
российской экономики // Всероссийский общеэкономический журнал
«ЭКО». – 2012 - № 6, – С. 42-59.
102. Указ Президента РФ от 01.04.1996 N 440
"О Концепции перехода Российской Федерации к устойчивому развитию"
167
\\ СПС «Гарант», обновление от 01.09.2013 г.
103. Уткин Э.А. Стратегическое планирование. - М.: Ассоциация авторов и
издателей "ТАНДЕМ". Издательство ЭКМОС, 1998. - 440 с.
104. Фатхутдинов Р.А. Конкурентоспособность: Экономика, стратегия,
управление.- М.: ИНФРА-М., 2000. – 312 с.
105. Фатхутдинов Р.А. Разработка управленческого решения. - М.: ЗАО «Бизнес-
школа «Интел-синтез», 1997. - 208 с.
106. Хрущев А.Т. Избранные труды. – Смоленск: Ойкумена, 2010. - С. 320
107. Хэссинг К., Арнольд М. Информационная логистика и менеджемент потока
работ. // Проблемы теории и практики управления. - 1997. - №5. – С. 105.
108. Чепурных Н.В., Новоселов А.Л. Планирование и прогнозирование - М.:
Интерпракс, 1995. - 288 с.
109. Черныш Е.А. Прогнозирование и планирование. - М.: Издательство
"ПРИОР", 1999. - 176 с.
110. Шарыгин М.Д. Основные закономерности формирования и развития
территориальных социально-экономических систем // Территориальные
социально-экономические системы Урала. Пермь, ПТУ, 1988. - С. 4-15.
111. Шибалкин О.Ю. Проблемы и методы построения сценариев социально-эко-
номического развития. - М.: Наука, 1992. - 176 с.
112. Штангей Е.Т. Аналогии между экономическими районами разных стран. //
Территориальные производственные комплексы. / Под ред. Н.Н. Казанского.
– М., 1990. - С.66.
113. Штовба Е.В. Моделирование конкурентоспособности бренда на основе
нечетких баз знаний // Вестник Житомирского государственного
технологического университета. - 2004.- №4. Том. II. - С.168-179.
114. Эрлих А.А. Технический анализ товарных и финансовых рынков: Приклад-
ное пособие. - 2-е изд. - М.: ИНФРА-М, 1996. - 176 с.
115. Янч Э. Прогнозирование научно-технического прогресса. М.: Наука, 1974.
С. 523.
116. Ярушкина Н.Г. Интеллектуальный анализ временных рядов: учебное
168
пособие / Н.Г. Ярушкина Т.В. Афанасьева, И.Г. Перфильева. – Ульяновск:
УлГТУ, 2010. – 320 с.
117. Yu HK. Weighted fuzzy time-series models for TAIEX forecasting. Physica A,
2004, (349), - P. 609-624.
118. Yeremeyev A.P. The Organization of Real Time Decision Support Systems of a
Semiotic Type // Sixth National Conf. with Intern. Participations CAI’98.
Workshop Applied Semiotics and Abstracts of CAI’98 Reports. 5-11 Oct. 1998.
Pushchino, Russia, 1998.Vol.III, p.3-7.
119. Vajda S., Probabilistic Programming // Academic Press, New York and London,
- 1972.
120. Tsaur RC and Kuo TC. The adaptive fuzzy time series model with an application
to Taiwan's tourism demand. Expert Systems with Applications, 2011, Volume
38, Issue 8, - P. 9164-9171.
121. Silvell W., Lindqvist G., Ketels Ch. The Cluster Initiative Greenbook. The
Competitiveness Institute/VINNOVA, Gothenburg, 2003. – 94 p.
122. Song Q and Chissom BS. Fuzzy time series and its models. Fuzzy Sets and
Systems, 1993, (54), - P. 269-277.
123. Song Q and Chissom BS. Forecasting enrollments with fuzzy time series. Fuzzy
Sets and Systems, 1993, (54), - P. 1-9.
124. Porter M.E. The Competitive Advantage of Nations: With a New Introduction.
N.Y.: The Free Press, 1990, Palgrave Tenth Edition, 1998 – P. 131.
125. Porter M. Konkurenciya. – M.: Izdatelski dom «Williams», 2002. – 496 p.
126. Partridge E. Smaller Slang Dictionary. London, 1964. –IX- 204 p.
127. Partnership LINKWEST, 2009, 10.03.
128. Mooney C. and Roddick J. F. Mining relationships between interacting episodes.
In M. W. Berry, U. Dayal, C. Kamath, and D. B. Skillicorn, editors, Proceedings
of the 4th SIAM International Conference on Data Mining (SDM'04). SIAM,
2004.
129. Lee LW, Wang LH and Chen SM. Temperature prediction and TAIEX
forecasting based on high-order fuzzy logical relationships and genetic simulated
169
annealing techniques. Expert Systems with Applications, 2008, (34), 328-336.
130. Hwang JR, Chen SM and Lee CH. Handling forecasting problems using fuzzy
time series. Fuzzy Sets and Systems, 1998, (100), - P. 217-228.
131. Herrere F., Herrera-Viedma E., Verdegay J. L. Linguistic Measures Based on
Fuzzy Coincidence for Reaching Consensus in Group Decision Making / F.
Herrere, E. Herrera-Viedma, J. L. Verdegay //International Journal of
Approximate Reasoning, 1996. – № 2. - P. 2-29.
132. Godman, Sachs, SBS Warburg Dillon Read. The practice of risk management.
L.: Euromoney Publications, 1998.
133. Chen SM. Forecasting enrollments based on fuzzy time series. Fuzzy Sets and
Systems, 1996 (81), - P. 311-319.
134. Chen SM and Hwang JR. Temperature prediction using fuzzy time series. IEEE
Transactions on Systems, Man, Cybernetics–Part B: Cybernetics, 2000, vol. 30,
no. 2, - P. 263-275.
135. Chen S.M. Forecasting enrollments based on fuzzy time series // Fuzzy Sets
Systems, 1996, vol. 81, no. 3. - P. 311-319.
170
ПРИЛОЖЕНИЕ А. Копии свидетельств на программные продукты,
реализующие методы и алгоритмы прогнозирования показателей развития
171
ПРИЛОЖЕНИЕ Б. Справка об использовании результатов диссертации в ОАО
«АНК Башнефть»