Stanisław Stanek Zbigniew Twardowski Sebastian Kostrubała Radosław Kowal

Transkrypt

1 MODELOWANIE DYNAMIKI PROCESU ZARZĄDZANIA GOTÓWKĄ DLA POTRZEB OPERACYJNEGO WSPOMAGANIA DECYZJI FINANSOWYCH Stanisław Stanek Zbigniew Twardowski Sebastian Kostrubała Radosław Kowal Wprowadzenie Ryzyko utraty płynności finansowej, w proponowanym podejściu, rozumiane jest jako ryzyko wynikające z wahań poziomu wolnej gotówki, wynikające z róŝnic pomiędzy terminami wymagalności zobowiązań bieŝących a cyklem konwersji aktywów obrotowych w środki pienięŝne. Zakładając, jako punkt wyjścia identyfikacji obszarów ryzyka utraty płynności finansowej, sprawozdawczość finansową, moŝna przyjąć, iŝ ryzyko prowadzonej działalności odzwierciedlone jest w poziomie poszczególnych pozycji trzech podstawowych członów sprawozdawczości finansowej: bilansu, rachunku zysków i strat oraz rachunku przepływów pienięŝnych [Skocz02]. Ryzyko utraty płynności finansowej identyfikowalne w bilansie to obszar krótkoterminowych decyzji finansowych aktywa bieŝące oraz pasywa bieŝące. Rachunek zysków i strat w sposób pośredni dostarcza informacji o potencjalnym poziomie ryzyka poprzez informacje o wielkości sprzedaŝy (rotacje składników aktywów i pasywów skorelowane z przychodami) oraz wyniku finansowym (strumień operacyjnego przepływu środków pienięŝnych). Rachunek przepływów pienięŝnych z kolei powszechnie uwaŝany jest za podstawowe źródło dla identyfikacji ryzyka płynności finansowej (por. strumieniowe metody analizy płynności finansowej). Ryzyko utraty płynności finansowej rozpatrywać moŝna z punktu widzenia ryzyk cząstkowych obszarów kształtujących płynność przedsiębiorstwa: naleŝności, zapasów, zobowiązań bieŝących. Kompozycja wielkości ryzyka w poszczególnych obszarach bezpośrednio wynika z realizowanej w przedsiębiorstwie strategii kształtowania kapitału obrotowego brutto. 545

2 ROZDZIAŁ V Narzędziem analizy ekonomicznej są wskaźniki. Stosunkowo duŝy stopień syntezy wskaźników stwarza moŝliwość ich analizy z uwzględnieniem wymogów podejścia systemowego. Jak podaje Lech Bednarski poznanie przyczynowo skutkowych zaleŝności zachodzących między wskaźnikami ekonomicznymi moŝe prowadzić do budowy róŝnych układów strukturalnych (piramid wskaźników) umoŝliwiających wewnętrzną, kompleksową ocenę działalności przedsiębiorstwa oraz antycypowanie jego rozwoju w przyszłość [Bed96, s. 532]. W proponowanym podejściu, narzędziem poznania dynamiki relacji przyczynowo skutkowych w modelach zarządzania ryzykiem utraty płynności finansowej jest symulacja. Wykorzystano tu koncepcje budowy Inteligentnych systemów wspomagania decyzji opartą na trzech komponentach: analizatorze, komunikatorze oraz symulatorze [Stan03; Stan04]. W celu analizy mocnych oraz słabych stron tej techniki poznawczej wykorzystano do budowy modeli symulacyjnych zarówno metody dynamiki systemowej jak i logiki rozmytej. Modelowanie przy wykorzystaniu metody dynamiki systemowej Budowa modelu Model zbudowany został przy uŝyciu pakietu Vensim. Oprogramowanie zapewnia środowisko do przeprowadzania symulacji i tworzenia modeli symulacyjnych. Łatwość tworzenia modeli oraz przystępny interfejs graficzny przesądziły o wyborze pakietu Vensim, jako narzędzia do budowy modelu i przeprowadzania na nim eksperymentów. Bazowe zaleŝności, ujęte na diagramie odwzorowują fundamentalne relacje pomiędzy naleŝnościami, środkami pienięŝnymi i zobowiązaniami, wynikające z zasady memoriałowego ujmowania zdarzeń gospodarczych w przedsiębiorstwie rys. 1. Rys. 1. NaleŜności i środki pienięŝne Analiza zachowania modelu zorientowana jest więc na śledzenie zmian w poziomie gotówki w zaleŝności od wartości przyjmowanych przez pozostałe parametry. Dwie zmienne stanu systemu (tzw. poziomy): NaleŜności i Środki pienięŝne, odpowiadają za dynamiczne zachowanie modelu przechowują w 546

3 REALIZACJA SYSTEMÓW WSPOMAGANIA ORGANIZACJI I ROZWIĄZANIA... sobie informacje na temat wartości zmiennej w danym momencie. Wartość ta jest oparta na wartościach z poprzedniego okresu. Poziomy zasilane są przez tzw. przepływy - zmienne, które wpływają na stan poziomów, zmieniają ich wielkość (sprzedaŝ, realizacja naleŝności i rozchód). Występują tutaj takŝe inne zmienne, które pełnią rolę modyfikatorów, zmiennych pomocniczych, wpływających w pewien sposób na wielkość pozostałych zmiennych. Strzałki łączące poszczególne zmienne obrazują istniejące pomiędzy nimi powiązania (por. rys.1.). Budowa kompletnego modelu polega na wprowadzaniu kolejnych poziomów oraz przypisaniu im odpowiednich przepływów. Przykładowo, poziom Kredyt obrotowy zasilany jest przez przepływ o nazwie zaciąganie kredytu (rys.2). Odpływ zmniejszający stan kredytu to spłata kredytu. Kontrola wielkości przepływu zaciąganie kredytu odbywa się poprzez zmienną pomocniczą strategia kredytowa. Zmienna ta, której równanie prezentujemy poniŝej, wyliczana jest w oparciu o wielkość dostępnych środków pienięŝnych. Jeśli ich nie ma w wystarczającej ilości przedsiębiorstwo musi zaciągnąć kredyt, który następnie będzie spłacać: strategia kredytowa= IF THEN ELSE(Srodki pieniezne<100, 100-Srodki pieniezne, 0) Units: zl/month Przykładowy model symulacyjny oceny ryzyka utraty płynności finansowej przedstawiony jest został na rysunku

4 ROZDZIAŁ V Rys. 2. Przykładowy model symulacyjny oceny ryzyka utraty płynności finansowej odwzorowanie za pomocą pakietu Vensim Symulacje z wykorzystaniem modelu Pierwsza symulacja dotyczyć będzie testowania działania modelu poprzez próbę stabilizowania poziomu środków pienięŝnych. Zakładamy stabilizację środków pienięŝnych (poziom równy zero), bez zasileń kredytem obrotowym. W tym celu manipulujemy wartością zmiennej np. koszty stałe. Przy załoŝeniu, Ŝe suma kosztów zrównowaŝy dopływ środków ze sprzedaŝy oczekujemy, Ŝe środki pienięŝne osiągną poziom 0 i na nim pozostaną. Środki pienięŝne po zwiększeniu kosztów stałych do poziomu 550 zł stabilizują się na poziomie 0. Oznacza to, Ŝe model zachowuje się zgodnie z rzeczywistością. Kolejny przypadek posłuŝy nam do sprawdzenia, co się stanie, gdy jeden z naszych odbiorców nie zapłaci za zakupione towary. Innymi słowy sprawdzać będziemy reakcję modelu na nagłą zmianę czasu realizacji naleŝności. W tym celu posłuŝymy się wbudowaną funkcją pakietu Vensim o nazwie STEP. Funkcja ta pozwala na zadeklarowaniu zmiany wartości zmiennej o określoną wielkość w ściśle określonym przez badacza momencie. Zmiana dokona się w

5 REALIZACJA SYSTEMÓW WSPOMAGANIA ORGANIZACJI I ROZWIĄZANIA... miesiącu i polegać będzie na wydłuŝeniu czasu spłaty do 1,2 miesiąca z aktualnych 0,7. (rys.3.) Rys. 3. Wyniki symulacji dla zmienionej wartości czasu realizacji naleŝności Efektem wprowadzonych zmian jest utrata płynności finansowej. Przedsiębiorstwo nie jest w stanie poradzić sobie ze spłatą kredytu, który musiał być zaciągnięty w wyniku nagłej zmiany w czasie realizacji naleŝności. W następnej symulacji będziemy się starać odpowiedzieć na pytanie, jak wyglądać będzie sytuacja firmy, jeśli popyt na jej wyroby podlegać będzie sezonowym wahaniom. Aby uzyskać efekt sezonowości posłuŝymy się wbudowaną funkcją oprogramowania Vensim, funkcją SIN. Po wprowadzeniu funkcji SIN do obliczania wielkości sprzedaŝy uzyskujemy rezultat w postaci krzywej, która obrazuje zmiany w wielkości zmiennej Środki pienięŝne w czasie. Jednocześnie pozbawiamy firmę początkowych zapasów gotówki (rys.4.). 549

6 ROZDZIAŁ V Rys. 4. Wykres zmiennej Środki pienięŝne po wprowadzeniu wahań sezonowych popytu Widać, Ŝe firma, przy pozostałych parametrach nie zmienionych uzyskuje po pewnym czasie impuls do wyraźnego wzrostu. Początkowo firma ma pewne problemy z utrzymaniem płynności, lecz potrafi je przezwycięŝyć. Kolejna symulacja, wersja z sezonowymi wahaniami wielkości sprzedaŝy, pokazuje, Ŝe nie zawsze jest to moŝliwe (rys.5.). Rys. 5. Wykres Środków pienięŝnych firmy dla sezonowej sprzedaŝy początek sezonu przy niskim popycie W tej symulacji firma nie zdołała poradzić sobie ze słabą koniunkturą w początkowym okresie symulacji. Symulacja, w przeciwieństwie do poprzedniej, rozpoczęła się w momencie kiedy sinusoida sprzedaŝy znajdowała się u dołu swojej amplitudy. Środki uzyskane ze sprzedaŝy nie pokrywały w tym momen- 550

7 REALIZACJA SYSTEMÓW WSPOMAGANIA ORGANIZACJI I ROZWIĄZANIA... cie zapotrzebowania wynikającego z konieczności spłaty Zobowiązań. Firma zaciągnęła Kredyt obrotowy, którego nie zdołała spłacić. Modelowanie rozmyte Systemy regułowe na stałe weszły juŝ w wyposaŝenie systemów wspomagania decyzji, jednak ich stosowanie ogranicza się zazwyczaj do funkcji diagnostycznych. Wzbogacenie klasycznych systemów ekspertowych o logikę rozmytą początkowo pozwoliło na jeszcze lepsze wykorzystanie systemów do diagnozy, umoŝliwiając wierniejsze odzwierciedlenie związków zachodzących w rzeczywistości, jak i implementacje tzw. wiedzy zdroworozsądkowej. Jednak wykorzystanie tak rozbudowanych systemów nie musi ograniczać się do odpowiedzi na pytanie: jak jest?. Wydaje się słusznym zapoŝyczenie zastosowań systemów logiki rozmytej np. z automatyki, gdzie systemy te realizują np. funkcje sterujące i wzbogacenie funkcjonalności SWD [Stol04], tak by system potrafił nie tylko odpowiedzieć jak jest, ale równieŝ jak moŝe być, lub jakie kroki naleŝy podjąć aby osiągnąć zdefiniowany cel. W tym celu naleŝy znacznie zmienić podejście do budowy systemu ekspertowego, którego klasyczna odmiana skupia się prawie wyłącznie na budowie reguł. Nowoczesny, regułowy system sztucznej inteligencji powinien pozwalać na budowę modeli symulacyjnych w jak najlepszy sposób odzwierciedlających badany fragment rzeczywistości. Dodatkowo powinien pozwalać na integrację i ścisłą współpracę z dowolnymi komponentami zewnętrznymi. PoniŜej znajduje się fragment klasycznego modelu bazy wiedzy, odwzorowującego proces zarządzania gotówką wraz krótkim fragmentem bloku reguł por. rys. 6 oraz 7. PoniŜszy fragment skupia się na rozwiązaniu problemu strategii sprzedaŝy i zaopatrzenia, przy zdefiniowanych 4 przesłankach: poziom gotówki, pozycja przetargowa, pozycja względem odbiorców i dostawców. 551

8 ROZDZIAŁ V Rys. 6. fragment klasycznego modelu bazy wiedzy, odwzorowującego proces zarządzania gotówką Rys. 7. Blok reguł Tak zdefiniowany model sugeruje uŝytkownikowi jakie kroki powinien podjąć przy obecnym stanie przedsiębiorstwa. PoniewaŜ system wykorzystuje logikę rozmytą odpowiedź moŝe być podana w sposób rozmyty, np. strategia sprzedaŝy: 0,24/zmniejsz poziom naleŝności + 0,40/utrzymuj naleŝności, co jest toŝ- 552

9 REALIZACJA SYSTEMÓW WSPOMAGANIA ORGANIZACJI I ROZWIĄZANIA... same z niewielkim zmniejszeniem poziomu naleŝności, lub teŝ wynik moŝe zostać poddany procesowi defuzyfikacji gdzie system poprzez niewielkie zmniejszenie rozumie zmniejszenie wskaźnika rotacji naleŝności o 10 dni. PoniewaŜ pomiędzy konkluzjami i przesłankami zachodzą sprzęŝenia zwrotne, tzn. np. pozycja względem odbiorców zaleŝy od rotacji naleŝności, otrzymanych wyników nie moŝna interpretować jako końcowe. Tak jak w przypadku dynamiki systemowej model naleŝy wzbogacić o funkcje obliczające poszczególne wskaźniki wykorzystywane w modelu jak i sprzęŝenia zwrotne zachodzące pomiędzy zmiennymi (rys.8). Rys. 8. SprzęŜenia zwrotne zachodzące pomiędzy zmiennymi modelu Wyliczenia oraz związki pomiędzy wskaźnikami i zmiennymi modelu odwzorowane zostały za pomocą algorytmu. Pola zielone (równoległoboki) oznaczają wejścia i wyjścia modelu, pola Ŝółte (prostokąty) obliczenia matematyczne wskaźników, czerwone zasilanie maszyny wnioskującej faktami, a pole niebieskie odwzorowuje proces wnioskowania, bazujący na modelu pokazanym na rysunku 6. Proces wnioskowania jest tylko małym wycinkiem modelu symulacyjnego, chociaŝ stanowi jego najwaŝniejszą część. Po uruchomieniu modelu system najpierw pobiera początkowy stan symulowanego środowiska, następnie wykonuje obliczenia niezbędnych wskaźników i uruchamia proces wnioskowania. wyniki uzyskane w procesie wnioskowania ponownie zasilają model zmieniając wartości sprzęŝonych wskaźników. Model działa dopóki zostanie znalezione końcowe rozwiązanie (środowisko ustabilizuje się), bądź w przypadku niepowodzenia zatrzyma się po określonej ilości cykli. 553

10 ROZDZIAŁ V Wnioski Zamieszczone powyŝej symulacje pokazują, jak zmienia się sytuacja firmy pod wpływem zewnętrznych zmian. Dynamika systemowa: Mocne strony: Dla eksperta dziedzinowego model jest czytelny nawet wtedy, gdy nie zna on narzędzia. Łatwość i szybkość tworzenia modeli przy jednoczesnym wiernym odwzorowaniu procesów zachodzących w rzeczywistości. Doskonałe narzędzie do przeprowadzania symulacji. Bardzo czytelna prezentacja wyników symulacji. Wyniki przedstawiane są za pomocą wykresów. Słabe strony: Trudności w budowie modeli realizujących funkcje sterowania. Konieczność kwantyfikowania danych jakościowych. Konieczność posiadania dokładnej wiedzy na temat relacji między zmiennymi modelu. System logiki rozmytej: Mocne strony: Za pomocą systemu moŝna zarówno przeprowadzać eksperymenty symulacyjne, jak i realizować funkcje sterowania. MoŜna posługiwać się nieprecyzyjnymi danymi jakościowymi, a tak- Ŝe danymi ilościowymi. MoŜliwość definiowania nieprecyzyjnych związków między zmiennymi, bez konieczności znania dokładnych wzorów matematycznych. Słabe strony: DuŜa pracochłonność przy budowie modeli. Konieczne jest stworzenie bazy wiedzy, jak i dodatkowego algorytm zasilania. Trzeba posiadać dość duŝą wiedzę na temat logiki rozmytej, Ŝeby zbudować model. Literatura [Bed96] [Skocz02] Bednarski L., Waśniewski T.,: Analiza finansowa w zarządzaniu przedsiębiorstwem, FRRwP, Warszawa 1996, s. 532 Skoczylas, W. Sprawozdawczośc finansowa jako podstawa dla identyfikacji ryzyka działalności gospodarczej, Międzynarodowa Konferencja Naukowa, Czas na pieniadz. Zarządzanie fi- 554

11 REALIZACJA SYSTEMÓW WSPOMAGANIA ORGANIZACJI I ROZWIĄZANIA... [Stan04] [Stan03] [Stol04] nansami klasyczne zasady nowoczesne narzędzia Red. D. Zarzecki, Uniwersytet Szczecinski, Szczecin, 2002 Stanek S., Sroka H., Twardowski Z.: Directions for an ERPbased DSS, The 2004 International Conferences on Decision Support Systems in Uncertain and Complex World, IFIP, Prato - Florence, Italy, 2004 Stanek S., Sroka H., Twardowski Z.: Decision Suport Systems and New Information Technologies at the Beginning of Internet Age, 7 th Int. conf. of Int. Society for Decision Support Systems DSS in The Uncertainty of the Internet Age, Akademia Ekonomiczna, Katowice 2003 Stolecki G., Kostrubała S., Twardowski Z., The multidimensional intelligent analytical platform in hybrid controlling decision support system development, Proceedings of the 8th International Conference of the Business Information Systems (Red. W. Abramowicz), Akademia Ekonommiczna w Poznaniu, Poznań,