Text: Ralf Östermark
I denna text presenteras mer mångskiftande riskanalyser än vad som är möjligt inom traditionella beslutssystem för den högsta företagsledningen.
Ralf Östermark är professor i redovisning, särskilt finansiell redovisning och optimeringssystem, vid Åbo Akademi. Han har utvecklat GHA (Genetic Hybrid Algorithm) sedan år 2000.
Beslutsstödande system för högsta ledningen finns i alla medelstora och stora bolag. Den gemensamma nämnaren för dessa system är att de i allmänhet bygger på extrapolering över planeringshorisonten utan kopplingar till företagets centrala beslutsdimensioner.
Godtagbara värden på företagets nyckeltal och behållningar (kassa, etc.) kan inte automatiskt garanteras. I stället nödgas företagsledningen öda tid på justeringar tills den åstadkommit en tillfredsställande basstrategi. Samtidigt begränsas tid och möjligheter för kartläggning av större mängder alternativ.
Inom beslutsstöden finns sällan en explicit koppling mellan ekonomiska storheter och företagets centrala beslutsdimensioner. Riskanalys är i sig inget nytt i medelstora eller stora företag, men den görs för det mesta genom partiell stokastisk analys. Effekterna på företaget som helhet mäts sällan rigoröst.
Illustration med praktikfall. För att konkretisera mina tankar går jag nedan genom ett praktiskt fall baserat enbart på offentlig bokslutsinformation. Jag har gjort motsvarande test av systemet på flera små och stora företag inom olika branscher (bland annat skogsindustri, varvsindustri, maskintillverkning, bokföringsbyrå, revisionsbyrå, servicebolag).
Utgående från offentlig bokslutsinformation beräknas automatiskt nödvändiga parametrar (tabell 1). Idén till denna automatik uppstod i diskussioner med analytiker i Suomen Asiakastieto Group Ab under år 2017.
I parameterrymden identifieras storheter som t.ex. det sociala media-indexet (SMI) som har direkt relevans för företagets marknadsandel. Mer än marknadsandelen kan man inte sälja. Idén till SMI uppstod i diskussioner med representanter för PWC Finland Ab i fjol. Utifrån dessa parametrar beräknas bolagets långsiktiga strategi (tabell 2) som – efter precisering av till exempel investeringar, lagerhållning, aktie-emissioner och dividendpolicy – fastställs av ledningen. Den fastställda strategin ger underlag för företagets totalbudget och månatliga allokering/uppföljning (tabell 3).
Vi ser i tabell 3 på en A4 – vid en förenklad beräkning – följande:
- * den fastställda strategin, i detta fall för 5 år
- * den fastställda budgeten för kommande år
- * den kumulativt förverkligade situationen fram till mars 2017 i detta exempel
- * kvartalsbokslutet
- * projektionen till årets slut.
På denna A4 finns företagets resultaträkning, balansräkning och kassaströmmar:
ingående kassa + operativa kassaströmmar enligt IAS 7 ± finansiella poster, dividender och investeringar = utgående kassa.
Idén till en sammanfattande analys uppstod i diskussioner under 2018 med Riku Lehtinen, styrelseordförande för Strategic Accounting Ab, ett företag med över 40 års erfarenhet i strategisk redovisning. Då basåret är 2016, är det bekvämt att i detta exempel jämföra det första strategiåret med det förverkligade bokslutet för att identifiera eventuella behov av precisering och justering.
Även den inom redovisning oinitierade har möjligheter att tillgodogöra sig information som sammanfattas på nämnda A4 och den vägen skapa sig en bättre bild av företagets ekonomiska situation än vad som vore möjligt via partiella rapporter insamlade från olika delar av företagets organisation.
För att uppföljningen ska fungera perfekt behövs i utgångsläget 22 uppgifter per månad från företagets redovisningssystem (huvudboken). Denna insamling finns på en separat sida “Monthly keys” som av utrymmesskäl inte presenteras här.
Paradigmskifte i beslutssystem för högsta ledningen. Systemet och speciellt den sammanfattande informationen i tabell 3 representerar ett paradigmskifte till modern “Executive decision support“, där planering och budgetering effektiveras och samordningen inom ledningsgruppen förbättras.
Ovannämnda modell skiljer sig vid första anblicken inte markant från storföretagens system i dag. Men systemets inbyggda komponenter för riskhantering erbjuder möjligheter till mera mångskiftande riskanalyser än vad som kan göras genom traditionell riskanalys. Vidare tillåter beräkningsplattformen GHA unika möjligheter att koppla holistiska företagsmodeller med företagets teknologiska processer. GHA är skribentens akademiska livsverk.
Modern riskanalys. I figur 1 presenterar jag en riskanalys av exempelföretaget, där jag använt massivt parallell processering av parametrarna i ovannämnda företagsmodell. Riskanalysen består av tre steg:
(i) bestämning av unika kombinationer av företagets centrala parametrar
(ii) lösning av företagsmodellen för varje parameterkombination
(iii) bestämning av downside-risken för varje lösning.
Figurerna 1–2 kräver lösning av tusentals flerperiodiska strategialternativ, beräkning av 102.4 miljarder fullständiga internt konsistenta flerperiodiska bokslut var för sig, med mera. Figurerna illustrerar företagets risk-yta i den relevanta parameterrymden.
Den gröna ytan anger nivån vilken företagets diskonterade totalresultat understiger med högst 2.5 procents sannolikhet. Den blå ytan anger den förväntade riskytan. Varje punkt på ytorna representerar en strategi vars konsistenta ekonomiska räkenskaper kan återges exakt. Figurerna 2-3 demonstrerar att systemet fungerar med godtycklig planeringshorisont, i detta fall 100 år. Den matematiska uppgiften växer förstås men blir inte ohanterlig. Genom en långsiktig kalkyl får man reda på om ledningens plan är stabil eller inte. Med en dator skulle figurerna 1 och 2 kräva 3 respektive 66 dagar kontinuerliga beräkningar, medan jag med hjälp av GHA får beräkningarna utförda med 4096 processorer på CSC’s Cray XC40 superdator på 1 respektive 23 CPU-minuter.
Vi söker samarbetspartners för fortsatt forskning vid Åbo Akademi och kommersialisering av systemet.
Källbas:
Östermark, R (1999): Solving irregular econometric and mathematical optimization problems with a genetic hybrid algorithm. Computational Economics 13:2 pp. 103-115.Östermark, R (2015): A parallel algorithm for optimizing the capital structure contingent on maximum value at risk. Kybernetes. The International Journal of Systems and Cybernetics, 44 No 3, 384-405. (http://www.emeraldinsight.com/doi/abs/10.1108/K-08-2014-0171).
