Scientific journal
Fundamental research
ISSN 1812-7339
"Перечень" ВАК
ИФ РИНЦ = 1,674

PERSEPTRON AI-SYSTEM FOR FORECASTING FINANCIAL RESULTS OF THE OIL INDUSTRY OF THE RUSSIAN FEDERATION

Lomakin N.I. 1 Dzhennifer O.Ch. 1 Chernaya E.G. 2 Sycheva A.V. 3 Kabina V.V. 1
1 Volgograd State Technical University
2 Volgograd State University
3 Volga Polytechnic Institute (branch) Volgograd State Technical University
The paper presents an analysis of the functioning of the Russian oil industry in modern conditions. It is well known that the world leader in oil production is Russia – 10.11 million barrels per day, in second place is Saudi Arabia – 9.735 million barrels per day. It is noted that Rosneft is the largest stock exchange seller of motor fuels in the Russian Federation. The theoretical foundations of the performance of oil and gas companies are investigated. The authors note that it is important to make wider use of artificial intelligence systems in order to maximize the impact of the totality of factors affecting the financial performance of companies, as well as in managing the oil market. A hypothesis has been put forward and proved that, based on the use of artificial intelligence, it is possible to obtain predicted profit values ​​of the Russian oil industry. Based on the initial data, a perceptron artificial intelligence (AI) system was formed, which allows predicting the value of Rosneft’s profit. This fact determines the relevance and practical significance of the study, because in the light of the May Decrees of the President of the Russian Federation in the current conditions of the digital economy, the emergence of a new technological structure based on the introduction of Industry 4.0 technologies, the use of artificial intelligence systems is becoming important. The authors developed the AI ​​perceptron system, which has an input layer with six parameters: the US general profile – S & P500, the dollar exchange rate – USD, the oil price – BRENT, the price of Rosneft shares – Pros, the price of Gazprom shares – Pgasp, profit Rosneft – PROFITros. In addition, there are two hidden layers and one output, with one parameter – «Rosneft profit forecast». Using a neural network, the predicted profit value of PJSC Rosneft for 2019 was obtained, which amounted to 141263738.93 thousand rubles. which is 44.1 % more than in 2018.
forecast
profit
AI system
perceptron
digital economy
artificial intelligence
financial result

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).

Таблица 1

Динамика прибылей и убытков ПАО Роснефть, млн руб.

 

2018 г.

2017 г.

2016 г.

2015 г.

Выручка, млн руб.

8238000

6014000

4988000

5150000

Операционные расходы

7170000

5416000

4349000

4448000

Прочие доходы

1783000

1500000

1315000

1224000

Валовая прибыль

2851000

2098000

1954000

1926000

Административные расходы, всего

283000

277000

221000

213000

Процентные доходы (расходы), неоперационные

–178000

–236000

–271000

–223000

Прочие расходы

1558000

1585000

1462000

1490000

Чистая прибыль до налогов

832000

395000

317000

460000

Чистая прибыль

549000

222000

181000

355000

Прибыль на акцию после доп. эмиссии, руб.

51,8

20,95

17,08

33,5

Рентабельность продаж, %

6,7

3,7

3,6

6,9

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

lomak1.wmf

Рис. 1. Динамика основных показателей деятельности Роснефть

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.

Таблица 2

Исходные данные AI-модели

год

S&P500

USD

BRENT

Pros

Pgasp

PROFITros

PROFITros (prog)

2018

2506

69,83

53,8

427,1

153

98000000

98000000

2017

2600

58,37

63,88

303,8

133,57

126865150

98000000

2016

2236

61,27

56,82

402,8

154,55

99236214

126865150

2015

2036

72,64

37,28

253,25

136,09

239413255

99236214

2014

17823

50,95

57,33

195,8

130,31

501324290

239413255

2013

16576

42,34

106,49

251,6

138,75

136278784

501324290

2012

13104

39,93

114,3

270,01

143,7

302500630

136278784

2011

12217

40,88

109,87

214,55

171,3

236819474

302500630

2010

11577

40,26

99,9

218,85

193,5

191915583

236819474

2009

10428

44,14

78,57

233,81

183,09

208179775

191915583

2008

8776

36,42

44,78

110,9

108

141313162

208179775

2007

13264

35,02

93,25

231,7

342,88

162021670

141313162

В нашей разработке, в процессе сдвига столбца фактических значений прибыли на один таймфрейм (год) вниз, фактические значения текущего года превращаются в прогнозные значения предыдущего года.

В предложенной нейросетевой модели применен метод обучения – метод обратного распространения ошибки «без учителя». Массив входных данных был разделен программой на обучающую выборку – 95 % и тестовую – 5 %. На основе исходных данных была сформирована обучающая выборка и была обучена нейросеть персептрон (табл. 3).

Таблица 3

Фрагмент исходных данных обучающей выборки

lomaTab3.tif

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.

lomak2.tif

Рис. 2. Граф персептрона

lomak3.tif

Рис. 3. Многомерная диаграмма

lomak4.tif

Рис. 4. Структура нейросети

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.