Управление инвестиционной привлекательностью предприятия в период высокой волатильности рынка на основе прогнозирования ожиданий

Определение эффективности хозяйственной и финансовой деятельности основывается прежде всего на финансовых результатах компании. В условиях деятельности акционерных обществ особое значение имеет своевременная или преждевременная оценка финансовых перспектив деятельности для увеличения прибыли и потенциала компании. Для достижения целей крайне важно объективно оценить элементы, составляющие инновационную стратегию компании, учитывая как внутренние, так и внешние влияния, а также уникальные обстоятельства компании. При оценке конкретной ситуации важно учитывать не только инновационную среду и положение, но и ее инновационный потенциал. Критериями оценки для финансового состояния служат финансовые коэффициенты, позволяющие осуществить анализ деятельности. В данном исследовании предлагается создание высокоточной модели на основе вариативности статистических методик прогнозирования с последующей тщательной оценкой для выявления факторов, объективно влияющих на инвестиционную привлекательность компании. На первоначальном этапе были рассчитаны 40 финансовых показателей предприятия поквартально за семилетний период 10 факторов внешней среды, из которых впоследствии на основании мультикорреляционного анализа были отобраны наиболее коррелирующие с главенствующим, в качестве которого была выбрана стоимость акций, представленная двоичном кодом, где 0 указывает на уменьшение, а 1 – увеличение. Сочетание подходов, таких как регрессионный анализ, гауссовские процессы, кумулятивная теория перспектив и метод построения векторных мер, позволило повысить точность модели с 89 до 96,7 %, а также выявить основные показатели, которые могут быть полезны в прогнозировании инвестиционной привлекательности компании, а именно: доля чистого оборотного капитала в активах, уровень реальных доходов населения и рентабельность задействованного капитала.

1. Antunes F., Ribeiro B., Pereira F. Probabilistic modeling and visualization for bankruptcy prediction. Applied Soft Computing. 2017;60:831–843. https://doi.org/10.1016/j.asoc.2017.06.043

2. Daemi A., Kodamana H., Huanga B. Gaussian process modelling with Gaussian mixture likelihood. Journal of Process Control. 2019;81(С):209–220. https://doi.org/10.1016/j.jprocont.2019.06.007

3. Dierkes M., Erner C., Zeisberger S. Investment horizon and the attractiveness of investment strategies: A behavioral approach. Journal of Banking & Finance. 2010:34(5):1032–1046. https://doi.org/10.1016/j.jbankfin.2009.11.003

4. Marchewka A. Applying vector measure construction method (VMCM) to analyze change dynamics of investment attractiveness of the region. Procedia Computer Science. 2021;192(8):3252–3261. https://doi.org/10.1016/j.procs.2021.09.098

5. Godlewska-Majkowska H., Komor A., Turek D., Zarębski P., Czernecki M., Typa M. Regional Investment Attractiveness 2016. Report prepared for the Polish Information and Foreign Investment Agency at the Institute of Enterprise, Warsaw School of Economics, Warsaw. December 2016. URL: https://readgur.com/doc/3053257/regional-investment-attractiveness-2016-opole (дата обращения: 15.12.2023).

6. Nermend K. Metody analizy wielokryterialnej i wielowymiarowej we wspomaganiu decyzji. Warszawa: Wydawnictwo Naukowe. PWN; 2017. 365 p.

7. Marchewka A. Applying TOPSIS to evaluate labour market resources as a factor of regional investment attractiveness. Procedia Computer Science. 2022;207:3122–3129. https://doi.org/10.1016/j.procs.2022.09.370

8. Pisică D., Dammers R., Boersma E., Volovici V. Tenets of good practice in regression analysis. A Brief Tutorial. World Neurosurgery. 2022;161:230–239.e6. https://doi.org/10.1016/j.wneu.2022.02.112

9. Rolik Y.A. A complex approach to evaluating the innovation strategy of a company to determine its investment attractiveness. Procedia – Social and Behavioral Sciences. 2013;99:562–571. https://doi.org/10.1016/j.sbspro.2013.10.526

10. Пахомов В.А. Факторы инвестиционной привлекательности предприятий – исполнителей контрактов. В сб.: Проблемы предпринимательства в экономике России: Межвуз. сб. науч. трудов. М.: ООО «Технологии стратегического менеджмента»; 2005. Вып. 8. С. 116–125.

11. Opricovic S., Tzeng G.H. Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS. European Journal of Operational Research. 2004;156(2):445–455. https://doi.org/10.1016/S0377-2217(03)00020-1

12. Shen K.-Y., Tzeng G.-H. Advances in multiple criteria decision making for sustainability: Modeling and applications (editorial). Sustainability. 2018;10(5):1600. https://doi.org/10.3390/su10051600

13. Polkovnichenko V. Household portfolio diversification: A case for rankdependent preferences. Review of Financial Studies. 2005;18(4):1467–1502. https://doi.org/10.2139/ssrn.293831

14. Armstrong M. A Handbook of Human Resource Management Practice. 10th ed. London: Kogan Page; 2006. 977 p.

15. Zakamouline V., Koekebakker S. Portfolio performance evaluation with generalized Sharpe ratios: Beyond the mean and variance. Journal of Banking and Finance. 2009;33:1242–1254. https://doi.org/10.2139/ssrn.1028715

16. Hwang C.-L., Yoon K. Multiple attribute decision making: Methods and applications: A state-of-the-art survey. New York, USA: Springer; 1981. 259 p. (Lecture Notes in Economics and Mathematical Systems. Vol. 186).

17. Balcerzak A., Pietrzak M. Application of TOPSIS method for analysis of sustainable development in European Union countries. In: Loster T., Pavelka T. (eds.). Proceed. of the 10th Inter. days of statistics and economics. Prague, Czech Republic. September 8–10, 2016. Prague: Libuse Macakova, Melandrium; 2016. P. 82–92.

18. Shinno H., Yoshioka S., Marpaung S., Hachiga S. Qualitative SWOT analysis on the global competiveness of machine tool industry. Journal of Engineering Design. 2006;17(3):251–258. https://doi.org/10.1080/09544820500275180

19. Barberis N. Investing for the long run when returns are predictable. Journal of Finance. 2000;55(1):225–264. https://doi.org/10.1111/0022-1082.00205