Управление стоимостью компании на основе графового стохастического моделирования

Экономико-математические методы и модели
Авторы:
Аннотация:

Волатильность внешнего экономического окружения актуализирует переход от детерминистских экономических и финансовых моделей к моделям с динамическими и стохастическими свойствами. Цель исследования заключается в повышении качества принимаемых управленческих решений в области управления стоимостью компании за счет разработки и применения графовой стохастической модели, обеспечивающей адаптацию корпоративного управления к условиям высокой волатильности и неопределенности. Были поставлены задачи провести библиографический анализ теории и практики применения байесовских графовых сетей в российской экономике, разработать укрупненную графовую динамическую модель формирования стоимости фирмы как целевого показателя корпоративного управления, на основе эмпирических данных публичной компании потребительского сектора определить устойчивую структуру и связи финансово-экономических показателей, формирующих стоимость компании, апробировать на эмпирических данных укрупненную графовую стохастическую модель, рассчитать совокупное с учетом набора влияющих факторов совместное распределение стоимости компании, рассчитать риски положительных и негативных сценариев результатов управления стоимостью с доверительным уровнем интервала. Проведен анализ данных компании потребительского сектора за семь лет, разработана укрупненная графовая динамическая модель формирования стоимости, заданы параметры распределения значений факторов — узлов модели, проведено симулирование данных методом Монте-Карло, рассчитан целевой показатель стоимости в вероятностном представлении, оценены риски положительных и отрицательных исходов, представлены диаграммы рассеяния влияющих факторов и результата. Для расчетов и визуализации результатов моделирования использована платформа стохастического моделирования и интерпретируемого искусственного интеллекта на основе байесовских сетей. Научная новизна исследования заключается в использовании байесовских графовых сетей для инжиниринга стоимости и оценки апсайд-рисков в целях адаптивного корпоративного управления, в моделировании стоимости в вероятностном представлении и с расчетом совокупного распределения на основе эмпирических данных компании потребительского сектора, в апробации подхода причинно-следственного стохастического моделирования для оценки вероятностной природы влияния шоков с положительным исходом на стоимость, в получении более реалистичных результатов в сравнении со статическим детерминистским подходом. Перспективами дальнейших исследований являются интеграция подхода стохастического моделирования в практику таргет-инжиниринга, декомпозиция факторов — узлов графовых моделей, разработка стоимостных моделей с оценкой влияния идиосинкратических факторов в различных отраслях.

  • Список литературы

    1. Кобзев В.В., Бабкин А.В., Скоробогатов А.С. (2022) Цифровая трансформация промышленных предприятий в условиях новой реальности. π-Economy, 15(5), 7–27. DOI: https://doi.org/10.18721/JE.15501

    2. Глухов В. В., Войтюк В.Н.(2023) Модель комплексной оценки рисков проекта по созданию промышленных парков. π-Economy, Т. 16 (1), 114-127. DOI: https://doi.org/10.18721/JE.16108

    3. Damodaran А.(2012) Investment Valuation / Tools and Techniques for Determining the Value of Any Asset, New Jersey: John Wiley & Sons, Inc., p. 954.

    4. Hillson D. (2019) Capturing Upside Risk. Finding and Managing Opportunities in Projects. Boca Raton, FL: CRC Press, Taylor & Francis Group.

    5. Засмолин А.Д., (2024) Большая квартальная байесовская векторная авторегрессия для современной российской экономики, Экономика и математические методы, Т. 60 (4)

    6. Полбин А.В., Шумилов А.В. (2024) Прогнозирование основных российских макроэкономических показателей с помощью TVP-модели с байесовским сжатием параметров. MPRA Paper, №. 120170.

    7. Полбин А.В., Шумилов А.В. 30. (2023) Прогнозирование инфляции в России с помощью TVP модели с байесовским сжатием параметров. Вопросы статистики, Т. 4, 22-32.

    8. Полбин А.В., Шумилов А.В. (2025) Наукастинг и прогнозирование ВВП России и его компонентов с помощью квантильных моделей. MPRA Paper № 125440.

    9. Кошелев, Д., Пономаренко, А., Селезнев С. (2023) Прогнозирование в агентно-ориентированных моделях на основе амортизированных нейронных сетей. Серия докладов об экономических исследованиях. №. 115. [online] Available at: https://www.cbr.ru/statichtml/file/149733/wp_115.pdf [Accessed 01.03.2026]

    10. Слуцкин, Л.Н. (2017) Графические статистические методы для исследования причинных зависимостей. Байесовские сети. Журнал новой экономической ассоциации, Т. 36 (4), С. 12-30.

    11. Дерюгина Е., Пономаренко А. (2015) Большая байесовская векторная авторегрессионная модель для российской экономики. Банк России, Серия докладов об экономических исследованиях. №1 [online] Available at: https://www.cbr.ru/content/document/file/16740/wps_1.pdf [Accessed 01.03.2026]

    12. Айвазян С. А. (2008) Байесовский подход в эконометрическом анализе. Прикладная эконометрика, Т. 1 (9), С. 93-130.

    13. Mittnik, S., Starobinskaya I. (2010) Modeling Dependencies in Operational Risk with Hybrid Bayesian Networks. Springer Nature Link, Methodol Comput Appl Probab, Т. 12. 379-390.

    14. Gurtuev А., Derkach Е., Makhosheva S., Ivanov Z. (2020) A Bayesian approach to investment in innovation projects with the presence of fake innovators. 6, Heliyon.

    15. Strausz, R. (2017) A Theory of Crowdfunding - A Mechanism Design Approach with Demand Uncertainty and Moral Hazard. Electronic Journal.

    16. Maier S., Polak J., Gann D. (2020). Valuing portfolios of interdependent real options using influence diagrams and simulation-and-regression: A multi-stage stochastic integer programming approach. Computers & Operations Research. 115.

    17. Borboudakis G.,Tsamardinos I. (2012) Incorporating Causal Prior Knowledge as Path-Constraints in Bayesian Networks and Maximal Ancestral Graphs. [online] Available at: https://arxiv.org/abs/1206.6390. 1206.6390. [Accessed 01.03.2026]

    18. Facure M. (2023) Causal Inference in Python: O’Reilly Media Inc. P. 386.

    19. Теплов П. А., Осипов Н. А.(2023). Построение и анализ байесовских сетей в Python для поддержки принятия решений в области финансов. Санкт-Петербур: Альманах научных работ молодых ученых университета ИТМО: Материалы Пятьдесят второй (LII) научной и учебно-методической конференции: Национальный исследовательский университет ИТМО.

    20. Кирильчук С.П., Наливайченко Е.В. (2025) Инновационный подход к оценке мультипликативного эффекта инвестиций. π-Economy, Т. 6, 127-141.

    21. Квартальная прогнозная модель России с рынком труда. Центральный банк Российской Федерации. (2024) [online] Available at: www.cbr.ru. [Accessed 01.03.2026]

    22. О подготовке сценарного макроэкономического прогноза и модельном аппарате Банка России. Центральный банк Российской Федерации. (2021) [online] Available at: www.cbr.ru. [Accessed 01.03.2026]

    23. Наукастинг оценки разрыва выпуска России по данным мониторинга предприятий. Центральный банк Российской Федерации. (2024) [online] Available at: www.cbr.ru. [Accessed 01.03.2026]

    24. ОБЗОР ФИНАНСОВОЙ СТАБИЛЬНОСТИ. Банк России. (2024) [online] Available at: https://www.cbr.ru/Collection/Collection/File/54857/Q2-Q3_2024.pdf. [Accessed 01.03.2026]

    25. Korotkikh O. (2020) A Multi-Country BVAR Model for the External Sector. г., Деньги и Кредит , Т. 79 (4), 98-112.

    26. Красюк Т. Н. (2025) Устойчивое развитие интеллектуальной экономики и промышленности в условиях резильентности. Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025. Особенности финансового моделирования как инструмента адаптивности в условиях резильентности. DOI: 10.18720/IEP/2025.5/33

    27. Merton R. (1976) Option Pricing When Underlying Stock Returns Are Discontinuous. Journal of Financial Economics, №3, 125 144.

    28. Black F., Scholes M. (1973) The Pricing of Options and Corporate Liabilities. Journal of Political Economy, Т. 3 (81), 637–654.

    29. Dixit A, Pindyck R. (1994) Investment Under Uncertainty. Princeto: Princeton U. press.

    30. Gallagher R. (2025) Power-law distributions in venture capital returns: Implications for portfolio management. Edinburgh, United Kingdom. CINSC/INFINITI.

    31. Pindyck R. (2005) Sunk costs and real options in antitrust. Cambridge. Working Paper №11430.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья