Научный журнал

Фундаментальные исследования

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,674

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Ломакин Н.И. 1 Дженифер О.Ч. 1 Голодова О.А. 2 Сычева А.В. 3 Кабина В.В. 1

---

1 Волгоградский государственный технический университет

2 Волгоградский государственный университет

3 Волжский политехнический институт (филиал) ВолгГТУ

В работе представлен анализ функционирования предприятий нефтяной промышленности России в современных условиях. Общеизвестно, что мировым лидером по добыче нефти является Россия – 10,11 млн баррелей в сутки, на втором месте Саудовская Аравия – 9,735 млн баррелей в сутки. Отмечается, что ПАО «НК «Роснефть» является крупнейшим биржевым продавцом моторных топлив в Российской Федерации. Исследованы теоретические основы результативности деятельности нефтяных и газовых компаний. Авторами отмечается, что важно шире использовать системы искусственного интеллекта в целях максимального учета воздействия всей совокупности факторов, влияющих на финансовый результат деятельности компаний, а также в управлении нефтяным рынком. Выдвинута и доказана гипотеза, что на основе применения искусственного интеллекта, можно получать прогнозные значения прибыли предприятия нефтяной промышленности РФ. На основе исходных данных была сформирована система искусственного интеллекта (AI) персептрон, который позволяет прогнозировать величину прибыли предприятия Роснефть. Этот факт определяет актуальность и практическую значимость проведенного исследования, поскольку в свете майских Указов Президента РФ в современных условиях формирования цифровой экономики, возникновения нового технологического уклада на основе внедрения технологий «Индустрия 4.0», важное значение приобретает применение систем искусственного интеллекта. Авторами разработана AI-система «персептрон», который имеет входной слой с шестью параметрами: индекс США широкого профиля – S&P500, курс доллара – USD, цена на нефть – BRENT, цена на акции Роснефть – Pros, цена на акции «Газпром» – Pgasp, прибыль Роснефть – PROFITros. Кроме того, имеется два скрытых слоя и один – выходной, с одним параметром – «прогноз прибыли Роснефть». С помощью нейросети получено прогнозное значение прибыли ПАО Роснефть на 2019 г., которое составило 141263738,93 тыс. руб. что на 44,1 % больше, чем в 2018 г.

Статья в формате PDF

0 KB

прогноз

прибыль

AI-система

персептрон

цифровая экономика

искусственный интеллект

финансовый результат

1. Королева А.М. Стратегический анализ деятельности предприятия нефтяной отрасли в условиях действия неблагоприятных факторов внешней среды // Экономика и предпринимательство. 2015. № 12–3 (65). С. 712–717.

2. Смирнова Н.В., Пикалова Т.А. Повышение эффективности деятельности предприятий нефтяной отрасли за счет применения инструмента бенчмаркинга // Экономика и предпринимательство. 2015. № 5–1 (58). С. 458–461.

3. Сафина А.Р. Взаимосвязь структуры баланса с эффективностью деятельности предприятий нефтяной отрасли // Международный молодежный симпозиум по управлению, экономике и финансам: сборник научных статей. Институт управления, экономики и финансов КФУ. 2016. С. 438–440.

4. Гребенникова В.А., Баранова П.В. Методы идентификации, оценки и ранжирования финансовых рисков в нефтяной отрасли // Государственный советник. 2019. № 2 (26). С. 28–36.

5. Лебедев А.С., Теньковская С.А. Направления развития нефтедобывающей отрасли в условиях экономико-политических угроз // Проблемы экономики и управления нефтегазовым комплексом. 2015. № 12. С. 38–43.

6. Овинникова К.Н. Процессный подход управления: проблемы и перспективы развития на предприятиях нефтегазовой отрасли // Экономика и предпринимательство. 2014. № 1–2 (42). С. 537–540.

7. Столяренко К.Г., Еникеева Т.М., Гайнуллина Р.Ф. К вопросу об эффективности деятельности предприятий нефтяной отрасли // Тенденции развития науки и образования. 2018. № 36–2. С. 20–23.

8. Шайденко А.А. Разработка экономического механизма стимулирования инновационной деятельности предприятий нефтеперерабатывающего комплекса // Записки Горного института. 2009. Т. 182. С. 219–223.

9. Матковская Я.С., Московцев А.Ф., Бегимкулов Г.А., Ломакин Н.И., Оноприенко Ю.Г. NN-система маркетингового управления нефтяным рынком Узбекистана // Наука Красноярья. 2018. Т. 7. № 2–2. C. 61–67.

10. Матковская Я.С., Московцев А.Ф., Бегимкулов Г.А., Максимова О.Н. Прогноз объёма добычи нефти в Узбекистане на основе системы искусственного интеллекта // Наука Красноярья. 2018. Т. 7. № 2–2. C. 54–60.

11. Сазонов С.П., Харламова Е.Е., Полянская А.А., Езангина И.А., Ломакин Н.И. Методологические основы реализации концепции франчайзинга в деятельности российских нефтегазовых компаний: монография. Курск: Университетская кн., 2018. 154 с.

12. Ломакин Н.И., Харламова Е.Е., Полянская А.А. Sustainable development of regional enterprises based on the neural network profit forecasting model [Электронный ресурс] // Proceedings of the International Scientific Conference «Competitive, Sustainable and Secure Development of the Regional Economy: Response to Global Challenges» (CSSDRE 2018) (Volgograd, Russia, 18–20 April, 2018) / ed. by E.G. Russkova; Higher School of Economics, Department of World Economy, Volgograd State University, Institute of Economics and Finance [et al.]. [Publisher: Atlantis Press], 2018. P. 113–116. (Series: AEBMR); Vol. 39). URL: https://www.atlantis-press.com/proceedings/cssdre-18/publishing. (дата обращения: 06.12.2019).

13. Запасы, производство и потребление нефти по странам мира [Электронный ресурс]. URL: http://www.ereport.ru/articles/commod/oilcount.htm (дата обращения: 06.12.2019).

14. «Роснефть» сегодня [Электронный ресурс]. URL: http://www.tadviser.ru/images/c/c2/Digital-Russia-report.pdf (дата обращения: 09.12.2019).

15. Цифровая Россия. Новая реальность. Исследование компании McKinsey Global Inc. Июль 2017. [Электронный ресурс]. URL: http://www.tadviser.ru/images/c/c2/Digital-Russia-report.pdf (дата обращения: 06.12.2019).

Актуальность состоит в том, что исследование результативности деятельности предприятий нефтяной отрасли России, с использованием искусственного интеллекта, имеет важное значение. В процессе цифровизации экономики, внедрения технологий «Индустрия 4.0», быстро меняются бизнес-процессы в деятельности предприятий нефтяной отрасли России. Представляется целесообразным выдвинуть и доказать гипотезу, что на основе применения искусственного интеллекта можно получать прогнозные значения прибыли предприятия нефтяной промышленности РФ, что определяет практическую значимость исследования.

Цель работы: получать научно обоснованный прогноз прибыли предприятия Роснефть РФ с использованием системы искусственного интеллекта.

Материалы и методы исследования

В процессе выполнения исследования были использованы такие методы, как монографический, аналитический, AI-система персептрон.

Результаты исследования и их обсуждение

Как показывают исследования, проблемам деятельности предприятий нефтяной отрасли посвящены труды многих ученых. Нефтяная отрасль всегда находилась в поле зрения российских и зарубежных ученых. Так, А.М. Королева проводила стратегический анализ деятельности предприятия нефтяной отрасли в условиях действия неблагоприятных факторов внешней среды [1, с. 712–717], Н.В. Смирнова и Т.А. Пикалова исследовали вопросы повышения эффективности деятельности предприятий нефтяной отрасли за счет применения инструмента бенчмаркинга [2, с. 458–461], А.Р. Сафина выявляла взаимосвязь структуры баланса с эффективностью деятельности предприятий нефтяной отрасли [3, с. 458–461]. Следует отметить, что важное значение имеют исследования рисков и угроз в сфере нефтедобычи и нефтепереработки. Среди них следует отметить работы В.А. Гребенникова и П.В. Баранова затрагивающие методы идентификации, оценки и ранжирования финансовых рисков в отрасли [4, с. 28–36], а также труды А.С. Лебедева и С.А. Теньковской, в которых исследуются направления развития нефтедобывающей отрасли в условиях экономико-политических угроз [5, с. 38–43]. Актуальным, на наш взгляд, является исследование К.Н. Овинниковой, процессного подхода в управлении в отрасли [6, с. 537].

Важное место в исследованиях ученых отводится поиску путей повышения эффективности деятельности компаний нефтегазового сектора. Так, например, К.Г. Столяренко, Т.М. Еникеева и Р.Ф. Гайнуллина исследовали вопросы эффективности деятельности предприятий нефтяной отрасли [7, с. 20–23]. Заслуживает внимания исследование А.А. Шайденко, в котором автор делает попытку разработки механизма стимулирования инновационной деятельности нефтеперерабатывающих предприятий [8, с. 219].

Многие труды российских авторов посвящены вопросам прогнозирования финансового результата в нефтегазовой отрасли. Так проблемам исследования результативности деятельности нефтяных и газовых компаний посвятили свои труды такие ученые, как Я.С. Матковская [9, 10], С.П. Сазонов [11], Н.И. Ломакин [12, с. 113–116] и др.

Однако некоторые вопросы недостаточно проработаны и требуют к себе внимания. Так, например, известны различные методические подходы к оценке факторов, определяющих развитие нефтегазового рынка, ведущих секторов и экономик государств в целом, однако, важно рассмотреть перспективы и необходимость разработки стратегий на основе использования систем искусственного интеллекта (AI-систем) для дальнейшего развитии нефтяного сектора.

Как известно, мировым лидером по добыче нефти является Россия – 10,11 млн барр/сутки, на втором месте Саудовская Аравия – 9,735 млн барр/сутки. Мировым лидером по потреблению нефти являются США – 19,0 млн барр/сутки, на втором месте Китай – 10,12 млн барр/сутки [13].

В 2018 г. объем реализации нефтепродуктов Компании на внутреннем рынке России составил 40,5 млн т, что на 3 % превышает показатель 2017 г. ПАО «НК «Роснефть» является крупнейшим биржевым продавцом моторных топлив в Российской Федерации [14].

В современных условиях формирования цифровой экономики, возникновения нового технологического уклада на основе внедрения технологий «Индустрия 4.0», важное значение имеет исследование результативности предприятий в сфере нефтедобычи и нефтепереработки c применением систем искусственного интеллекта.

В майских Указах Президент России сформулировал один из стратегических принципов развития РФ – «цифровая экономика», который нашел свое продолжение в «Стратегии научно-технологического развития РФ», согласно которому ключевая роль в инновационной трансформации государства отводится цифровым технологиям [15].

Многие исследования посвящены разработке прогнозных моделей в сфере нефтедобычи. В целях максимального учета воздействия всей совокупности факторов, влияющих на финансовый результат деятельности компаний Г.А. Бегимкулов с партнерами провели исследование мирового опыта маркетингового управления на основе искусственного интеллекта [8, с. 56–61], предложили использовать реальный опцион в оценке эффективности маркетингового управления [9, с. 36–41], кроме того, Г.А. Бегимкулов и Н.И. Ломакин предложили методику оценки риска решения в маркетинговом управлении, что важно в условиях рыночной неопределенности [10, с. 85–89].

Как показал анализ, за исследуемый период ПАО Роснефть демонстрирует рост основных финансовых и экономических показателей (табл. 1).

Привлекает внимание динамика следующих показателей деятельности компании «Роснефть» (рис. 1).

Для формирования системы искусственного интеллекта – нейросети воспользуемся возможностями программы Deductor, разработанной компанией BaseGroup. Сформируем нейросетевую модель – персептрон для прогнозирования прибыли компании «Роснефть» на следующий таймфрейм – год. Структура нейросети представлена входным слоем с такими параметрами, как американский индекс – S&P500, курс доллара США – USD, цена нефти BRENT, цена акций компании «Роснефть» – Pros, цена акций компании «Газпром» – Pgasp, прибыль компании «Роснефть» – PROFITros. На выходном слое модели имеется единственный параметр – прогнозная прибыль компании «Роснефть» PROFITros(prog). На основе платформы Deductor была сформирована нейросеть – персептрон. Обучающий набор нейросети представлен в табл. 2.

Для получения расчетных значений прогноза по чистой прибыли компании «Роснефть» с применением нейросетевой модели, были использованы современные фактические значения по котировкам и другим входным параметрам модели. При помощи платформы Deductor была получена нейросеть – персептрон. Граф нейросети представлен на рис. 2.

Персептрон имеет входной слой с шестью параметрами: индекс США широкого профиля – S&P500, курс доллара – USD, цена на нефть – BRENT, цена на акции Роснефть – Pros, цена на акции Газпром – Pgasp, прибыль Роснефть – PROFITros. Кроме того, имеются два скрытых слоя и один – выходной, с одним параметром – «прогноз прибыли Роснефть». Важное значение имеет визуализация полученных данных. В процессе построения трехмерных диаграмм представляется возможным подстановка тех или иных факторов. В процессе визуализация полученных данных могут быть выявлены взаимозависимости между факторами. Так, например, совершенно очевидно, что прогноз размера чистой прибыли компании «Роснефть» тем выше, чем больше значения таких факториальных признаков, как курс USD и цена на ее акции Pros (рис. 3).

В ходе проверки выдвинутой гипотезы в нейросетевой модели применялись соответствующие настройки, которые определенным образом могли повлиять на результаты работы сформированной системы искусственного интеллекта. В предложенном персептроне был установлен тип срабатывания нейрона AI – «сигмоида», в процессе формирования структуры нейросети (рис. 4).

С помощью функции «что – если» на платформе Deductor можно получить прогнозное значение прибыли Роснефть. В нашем случае оно составило 141263738,93 тыс. руб., что на 44,1 % больше, чем в 2018 г. Таким образом, прогнозное значение чистой прибыли компании «Роснефть» на 2019 г. успешно получено.

Выводы

На основе проведенного исследования можно сделать выводы:

1. Важное значение имеет использование систем искусственного интеллекта в нефтяной сфере. Система искусственного интеллекта представляет собой инструмент инновационного подхода, обеспечивает высокоточный прогноз финансового результата работы предприятия даже в условиях рыночной неопределенности.

2. Многие исследования посвящены разработке прогнозных моделей в сфере нефтедобычи, однако в современных условиях важно исследование мирового опыта маркетингового управления на основе искусственного интеллекта. Этот факт, безусловно, позволяет сделать вывод о том, что обеспечение динамичного устойчивого развития предприятия невозможно без применения систем искусственного интеллекта и машинной обработки больших данных (BigDate).

3. Гипотеза подтверждена, на основе применения искусственного интеллекта можно получать прогнозное значение прибыли компании Роснефть. В нашем случае оно составило 141263738,93 тыс. руб. Прогнозное значение чистой прибыли компании «Роснефть» на 2019 г. успешно получено.

Библиографическая ссылка