Нечеткий DPBP и обновленный подход к рациональному отбору
advertisement
International Fuzzy Economics Lab (Россия), www.ifel.ru, info@ifel.ru Международная научная лаборатория по внедрению нечеткомножественных подходов в экономических исследованиях Подходы к финансовому моделированию лизинговой деятельности Недосекин А.О., вице-президент IFEL Rus, д.э.н., к.т.н. Введение Центральная проблема, которая встает при анализе лизинговой деятельности перед аналитиками – это проблема долговременности взаимоотношений между лизинговой компанией и лизингополучателем (ЛП). Если, скажем, при анализе торговых операций мы можем четко разграничить исторические и прогнозные данные (поскольку продажа совершается единомоментно), то для случая лизинговых сделок заключение договора – это только начало финансовых взаимоотношений. Срок лизингового договора по обыкновению – несколько лет. Всякое может случиться за столь длительный срок. Поэтому анализ лизинговой деятельности – это не только и не столько анализ свершившихся фактов, сколько и финансовый прогноз на длительную перспективу, с выявлением ожидаемой динамики финансовых агрегатов и оценнки безопасности такой динамики. А для того, чтобы грамотно проанализировать будущее финансовое состояние лизинговой компании, необходимо выдвигать стартовые рабочие гипотезы по поводу будущего, т.е. заняться моделированием. Соответственно, в ходе моделирования должны заполнены три группы аналитичесских управленческих форм: • Отчетные: управленческий баланс (УБ), отчет о доходах и расходах (ОДР), отчет о движении денежных средств (ОДДС). • Плановые, составленные в предположении о том, что в лизинговом портфеле не появятся новые сделки в будущем. Фактически, плановые формы фиксируют ожидаемый результат по уже заключенным сделкам. Плановые формы повторяют отчетные: плановый баланс (ПлБ), бюджет доходов и расходов (БДР), бюджет движения денежных средств (БДДС). • Прогнозные, составленные в предположении финансовых результатов как по уже заключенным, так и по будущим сделкам. Это: прогнозный баланс (ПрБ), прогноз доходов и расходов (ПДР) и прогноз движения денежных средств (ПДДС). Прогнозные формы повторяют отчетные и плановые. Анализу подлежат следующие основные финансовые агрегаты: • По УБ, ПлБ, ПрБ: кредиторская задолженность банкам (кредитный портфель), дебиторская задолженность (лизинговый портфель), просроченная дебиторская задолженность, доходы будущих периодов, собственный капитал лизинговой компании. • По ОДР, БДР, ПДР: выручка от лизинговой деятельности, себестоимость лизинговых операций, выплаченные проценты по кредитам, прибыль. • По ОДДС, БДДС, ПДДС: суммарные поступления (в т.ч. по новым кредитам), суммарные платежи (в т.ч. по погашению тела кредита), оборотное сальдо расчетов. 1 International Fuzzy Economics Lab (Россия), www.ifel.ru, info@ifel.ru Международная научная лаборатория по внедрению нечеткомножественных подходов в экономических исследованиях Предпосылки для моделирования Наиболее современным и эффективным способом моделирования поведения активных объектов является так называемый агентный подход, в котором объект моделирования – агент – это сущность со своим поведением, которое может меняться в зависимости от наступающих в модели событий. В этом смысле агентские модели – это описания в терминах самой реальной жизни, реального поведения. Также агентские модели позитивно отличаются от аналитических моделей тем, что поведение агентов может быть произвольным, и есть такие варианты поведения объектов модели, которым не может быть поставлено в соответствие ни одно, даже наиболее совершенное аналитическое описание. В этом сила агентского подхода. До конца двадцатого века агентский подход не получил широкого распространения ввиду отсутствия мощных платформ для моделирования. Сегодня такие платформы для моделирования появились. В частности, соответствующие библиотеки разработаны в рамках платформы AnyLogic. В случае лизинговой компании в качестве агента в модели выступает сделка. При этом существует 2 сценария существования агента сделки: • штатный сценарий (код 0) – когда лизинговая сделка существует на протяжении всего срока, обусловленного договором. • нештатный сценарий (коды 1 и 2) – когда во время существования сделки наступает дефолт лизингополучателя. При этом моделируется два субсценария: o временный дефолт (код 1), когда ЛП, после некоторого перерыва, возобновляет платежи, и сделка завершается по сроку, без убытков для лизинговой компании; o постоянный дефолт (код 2), когда ЛП не возобновляет платежи. В этом случае после перерыва в платежах объект лизинга у ЛП изымается и реализуется на вторичном рынке. При этом в модели предполагается, что такое внештатное завершение сделки сопряжено с убытками для лизинговой компании. Все агенты-сделки можно разбить на 2 класса: • класс А – уже заключенные на текущую дату сделки. Параметры этих сделок являются частично детерминированными (дата сделки, дилтельность договора, сумма лизинговых платежей), так и случайными (возможность нештатного сценария, ожидаемые убытки); • класс В – новые сделки (все параметры этих сделок – случайные величины). В результате по сделкам класса В, порождаемым в модели как агенты, случайным образом формируются следующие параметры: • регионально-отраслевая принадлежность лизингополучателя; • ожидаемое количество сделок в месяц, в зависимости от факторов ожидаемого роста рынка и сезонности; • средний срок сделки, в месяцах; • ожидаемый рост рынка, в % годовых. В соответствии с этим параметром ожидаемое число сделок, установленное выше, корректируется год от года в сторону увеличения, при этом сохраняя сезонный характер роста; 2 International Fuzzy Economics Lab (Россия), www.ifel.ru, info@ifel.ru Международная научная лаборатория по внедрению нечеткомножественных подходов в экономических исследованиях • • • • размер аванса, в % от себестоимости сделки; сумма лизинговых платежей по каждой сделке; момент наступления дефолта (если он наступает в случае данной сделки); размер убытка по сделке, завершающейся внештатно по коду 2. Разумеется, каждому случайному параметру в модели отвечает свое вероятностное (или возможностное) распределение. Помимо указанных факторов, в модели устанавливаются: • кредитный процент, под который берутся кредиты в банке; • коэффициент реинвестирования – процент от объема прибыли, направляемый обратно в бизнес на обеспечение лизинговых операций; • доля сделок, завершающихся внештатно. Последний параметр заслуживает особого внимания. Фактически, речь идет о дефолтном риске лизингополучателя, который может зависеть от множества факторов, в том числе: • персонального финансового положения ЛП; • региональной принадлежности ЛП; • отраслевой принадлежности ЛП. Такой учет риска в модели является простейшим и делает возможным учет риска лизингового портфеля в модели по совокупности сделок в портфеле. Если спуститься на уровень индивидуальных сделок, то необходима интеграция модели с потоком данных по рискам каждой отдельной сделки классов А и В, если эти риски анализируются в рамках специальной модели. В этом усложненном случае параметр доли внештатно завершающихся сделок является не входным для модели, а выходным. После того, как перечень агентов и их параметров определен, необходимо задать число случайных реализаций в модели и интервал прогнозирования. Чем большее число реализаций применяется, тем более устойчивые в статистическом смысле результаты получаются в модели. Но практика показывает, что 500 прогонов по модели – это вполне достаточное количество реализаций для сбора адекватной статистики. Анализ результатов моделирования Все результаты моделирования могут быть разбиты на 2 подмножества: 1. Прогнозы абсолютных величин. Сюда относится динамика всех упомянутых разделов прогнозных форм (данные ПрБ, ПДР и ПДДС на помесячном базисе за интервал прогнозирования, а также прогноз стоимости бизнеса лизинговой компании). 2. Прогнозы финансовых отношений, подлежащих контролю на помесячном базисе: • • • соотношение кредиторской и дебиторской задолженности, в % (по форме ПрБ); уровень просрочки - доля просроченной дебиторской задолженности в общем объеме задолженности, в % (по ПрБ); безопасность - соотношение собственного капитала и просроченной задолженности, в % (по ПрБ); 3 International Fuzzy Economics Lab (Россия), www.ifel.ru, info@ifel.ru Международная научная лаборатория по внедрению нечеткомножественных подходов в экономических исследованиях • • • запас прочности - соотношение доходов будущих периодов и кредиторской задолженности, в % (по ПрБ); рентабельность бизнеса ИЛЦ - соотношение прибыли к распределению и валового дохода, % (по ПДР); обременительность потока платежей - отношение платежей по кредитам в годовом выражении к общей кредиторской задолженности, % годовых (по ПДДС). На рис. 1 представлен графический пример прогнозов абсолютных величин бизнеса условной лизинговой компании, в млн. руб. Красной линией на рис. 1 разделены исторические и прогнозные данные. В свою очередь, на рис. 2 представлены варианты гистограмм прогнозов для перечисленных выше финансовых отношений. Рис. 1. Прогнозы абсолютных величин в модели. Рис. 2. Гистограммы прогнозов финансовых отношений. 4 International Fuzzy Economics Lab (Россия), www.ifel.ru, info@ifel.ru Международная научная лаборатория по внедрению нечеткомножественных подходов в экономических исследованиях Как показано в [1], гистограммы экономических факторов являются солидным подспорьем для лингвистической классификации качественных уровней параметров. Простейший вариант классификации – жесткий, когда лингвистической переменной «Уровень параметра» с терм-множеством значений «низкий уровень – средний уровень – высокий уровень» отвечают 3 фиксированных интервала соответствующего параметра. Например, анализируя гистограмму, эксперт может высказаться так: «Для переменной «Соотношение кредиторской и дебиторской задолженности в лизинговой компании» выполняется: до 75% - хорошо, 75-85% - средне, свыше 85% - плохо». Если все финансовые отношения пронормированы, то появляются основания для мониторинга качественного уровня финансовых отношений в ходе реального бизнеса лизинговой компании, с выдачей тревожных сигналов (алертов) в тех случаях, когда фиксируется переход параметра на уровень с ухудшенным качеством. Появление таких алертов свидетельствует о возникновении проблем, которые могут развиться в неблагоприятную сторону, если их запустить. Своевременная выдача сигнала тревоги создает для управляющих лизинговой компании резерв времени для принятия своевременных управленческих решений. Заключение Описанный здесь подход нашел свое применение при моделировании деятельности одной из лизинговых компаний России. В качестве инструмента моделирования была применена платформа AnyLogic. Демоверсия этого программного решения описана в [2]. Список цитируемых источников 1. Недосекин А.О., Фролов С.Н. Лингвистический анализ гистограмм экономических факторов. – В данном номере журнала, http://www.ifel.ru/br4/5.pdf. 2. Risk Soft: Финансовая модель лизинговой компании на платформе AnyLogic. Краткое руководство пользователя. - В данном номере журнала, http://www.ifel.ru/br4/10.pdf. 5
