Тезисы докладов Всероссийской научной конференции "Проектирование научных и инженерных приложений в среде MATLAB" (28-29 мая 2002 г.). М.: ИПУ РАН. 2002. 207 С.: Ил.

Применение нейросетевых технологий для прогнозирования деятельности производственного предприятия

Кушнир О.А., Рудинский И.Д.
Калининградский государственный технический университет, г. Калининград

Для производственного предприятия, занимающегося строительством, особую актуальность имеет прогноз финансовых показателей по конкретному заказу на этапе проектирования строительной сметы. В соответствии с содержанием и количеством работ в смете по номеру расценки и ценника указывается стоимость прямых затрат в виде материалов, заработной платы и эксплуатации машин в ценах СНиП вместе с ежемесячно уточняющимся коэффициентом пересчета в текущие цены. В бухгалтерском учете каждая строительная смета отражается в виде хозяйственных операций выполняемого заказа в течение периода, предусмотренного договором. Аналитика заказа ведется в разрезе статей затрат, число которых в зависимости от сложности строительных работ варьируется от 5 до 30. Требуется по проектируемой смете спрогнозировать бухгалтерские параметры заказа, а именно статьи затрат основного и вспомогательного производства, возможные общехозяйственные затраты и бухгалтерскую прибыль за указанный период выполнения заказа. Неопределенность задачи заключается в невозможности прямого расчета показателей только по данным сметы и ценников из-за постоянных несоответствий затрат, заложенных в смете к показателям бухгалтерского учета данного заказа.

Для решения поставленной задачи необходим анализ выполненных смет и соответствующих им бухгалтерских данных. Каждая работа, определенная в смете, содержит свои показатели, которые, в свою очередь, в бухгалтерии отражаются одной или несколькими статьями затрат. Фактически сетевой характер взаимосвязей исходных и результирующих показателей позволяет использовать в качестве метода анализа нейросетевое моделирование. Обучение нейронной сети может проводиться на материалах сметной документации и бухгалтерской отчетности по фактически выполненным заказам.

Для решения задачи предлагается использовать трехслойную нейронную сеть с обратным распространением ошибки. С помощью сигмоидальной функции вычисляется активность каждой работы относительно учитываемых входных показателей. После того, как активности всех сигналов на выходе нейрона определены, вычисляется ошибка. Целевая функция нейронной сети рассчитывает градиент ошибок бухгалтерских показателей для разных работ в смете при прохождении каждого слоя сети. При обучении сети вычисляются отклонения значений показателей на выходах нейронов от реальных показателей и обратном прохождении этих отклонений до породивших их элементов с целью коррекции ошибки. Количество нейронов во входном слое – 50, в выходном – 30, что определяется множествами входных и выходных переменных моделируемой задачи. Скрытый слой с численностью нейронов, равной мощности входного слоя, используется для фильтрации работ в сметах по каждому бухгалтерскому показателю. При определении шага обучения сети предлагается использовать адаптивный алгоритм выбора шага, автоматически корректирующий размер шага в процессе обучения в зависимости от изменения ошибки.

Входные нейроны соответствуют входным параметрам смет по содержанию строительных работ, накладным расходам и плановым накоплениям. Выходные элементы сети соответствуют бухгалтерским статьям затрат по прямым, вспомогательным затратам производства и общехозяйственным затратам.

Реализация системы предполагается в среде MATLAB с использованием Neural Networks Toolbox. Применение предлагаемой нейросетевой модели на строительном предприятии позволит анализировать производственному отделу и бухгалтерии статьи затрат строительных заказов с возможностью прогноза таких бухгалтерских данных, как прибыль заказа и налогооблагаемые суммы. В перспективе возможна интеграция этой модели в систему управления предприятием, где она в качестве подсистемы прогнозирования позволит определять перспективность и целесообразность выполнения конкретных заказов.