CC BY
281
ЭКОНОМИЧЕСКИЕ НАУКИ
УДК 330.131.7
А.Н. Бикетов
студент, кафедра «Экономика и управление в машиностроении», Арзамасский политехнический институт (филиал) ФГБОУ ВПО «Нижегородский государственный технический университет им. Р.Е. Алексеева»
О.В. Гпебова
д-р экон. наук, доцент, зав. кафедрой «Экономика и управление в машиностроении», Арзамасский политехнический институт (филиал) ФГБОУ ВПО «Нижегородский государственный технический университет им. Р.Е. Алексеева»
О.Ю. Мельникова ст. преподаватель, кафедра «Экономика и управление в машиностроении», Арзамасский политехнический институт (филиал) ФГБОУ ВПО «Нижегородский государственный технический университет им. Р.Е. Алексеева»
СИСТЕМА ОЦЕНКИ РИСКОВ, ОСНОВАННАЯ НА ПРИМЕНЕНИИ НЕЧЕТКОЙ ЛОГИКИ
Аннотация. В статье рассмотрено применение моделей нечеткой логики в сферах оценки рисков и принятии решений в целях усовершенствования их результатов. Так же были рассмотрены подходы к объединению мнений экспертов для их использования в моделях нечетких множеств.
Ключевые слова: оценка рисков, принятие решений, нечеткая логика, нечеткие множества.
A.N. Biketov, Arzamas Polytechnic Institute (branch) Nizhny Novgorod State Technical University n.a. R.E. Alexeev
O.V. Glebova, Arzamas Polytechnic Institute (branch) Nizhny Novgorod State Technical University n.a. R.E. Alexeev
О.Уи. Melnikova, Arzamas Polytechnic Institute (branch) Nizhny Novgorod State Technical University n.a. R.E. Alexeev
RISK ASSESSMENT SYSTEM BASED ON FUZZY LOGIC
Abstract. This article explores areas where fuzzy logic models may be applied to improve risk assessment and risk decision-making. It also discusses approaches to aggregation of different expert opinions to use it in fuzzy set models.
Keywords: risk assessment, decision-making, fuzzy logic, fuzzy sets.
Системы оценки рисков, построенные на основе применения нечеткой логики, могут характеризоваться логичностью и высокой устойчивостью в том случае, когда анализ рисков производится в условиях недостатка данных и знаний. Она позволяет экспертам сфокусироваться на самой сути оценки рисков, включающей в себя анализ не только причинно-следственных связей между ключевыми факторами рисков, но и анализ влияния каждого отдельно взятого риска.
На рисунке 1 показан простейший анализ рисков, основанный на системе нечетной логики.
Представленная структура является восходящей. В ее основе лежит каждый отдельный риск. Затем выявленные риски группируются на уровне отдельных бизнес единиц и компании в целом, чтобы определить главные риски, на которые следует обратить внимание менеджерам.
Представленная система должна стать сопоставимой со всеми видами рисков. Это возможно, когда при анализе воздействия каждого из рисков адаптированы их системы измерения. Единственным возможным вариантом решения данного случая является расчет суммарных потерь компании в
условиях возникновения экстремальной ситуации. При использовании общей суммы потерь в качестве выходной переменной, риски могут быть ранжированы на основе результата решения задачи методами нечеткой логики, т.е. на числовом значении, которое измеряет степень влияния рисков.
Рисунок 1 - Иерархическая структура оценки рисков
Числовое значение эквивалентно ранжированию, основанному на степени достоверности того, что данное влияние риска достаточно высоко. Рисунок 2 иллюстрирует ранжирование рисков, основанное на расчетной сумме потерь в условиях экстремальных ситуаций.
Рисунок 2 - Ранжирование рисков, основанное на суммарных потерях
Суммарные убытки могут быть определены на основе результата преобразования нечеткого множества в четкое число с использованием модели нечеткой логики. Нечеткая логиче-
ская модель может иметь значение общей суммы потерь в качестве выходной переменной. Значения входных переменных, возникающие во время возникновения экстремального события, поступают в модель в целях получения оценочной величины потерь для каждого определенного риска. Распределение суммы убытков может быть смоделировано, а значение на каждом процентиле может быть использовано для представления влияния рисков.
В дополнение к помощи определения главных рисков нечеткие логические модели могут включать в себя информацию о причинах возникновения рисков или о факторах, которые имеют существенное влияние на модель. Также этой информацией мы можем руководствоваться при поиске методов снижения влияния потенциальных рисков.
Стоимость хеджирования рисков или сумма затрат на их снижение могут быть добавлены как дополнительные выходные переменные в нечеткой логической модели. Это может помочь высшему руководству решить, какие риски должны быть устранены, а также, какими наиболее экономически выгодными путями можно это сделать.
Стоит отметить, что данный метод предполагает тот факт, что все эксперты имеют одинаковый взгляд на сущность рисков. Однако в реальных условиях применить данное утверждение практически невозможно. Ведь стоит учитывать, что у экспертов могут быть разные уровни понимания ситуации и разный практический опыт. Следовательно, нам необходимо учитывать различные точки зрения на природу рисков.
В экономической науке существует несколько подходов к объединению рисков:
1. Корректировка значения функции принадлежности с целью выведения линии для группировки различных мнений. В примере, показанном на рисунке 3, средневзвешенные значения функций принадлежности, представленные экспертами А и В, могут быть рассмотрены как обобщенная функция принадлежности для высокого нечеткого множества. Для каждого из экспертов могут быть определены веса на основе опыта и знаний в исследуемом вопросе, уверенности в своем мнении и точности прошлых оценок.
Возможен и другой вариант: у экспертов существуют разные мнения о правилах вывода самой линии. Если различие не слишком большое, то корректировка функции принадлежности может включать в себя эту разницу.
Предположим, что существуют два утверждения:
- эксперт А: если значение X высокое, то значение У высокое.
- эксперт В: если значение X не низкое (среднее или высокое), тогда значение У высокое.
Обобщенная функция принадлежности может быть сдвинута влево, как показано на рисунке 3.
При изменении функции принадлежности высокого нечеткого множества, она частично
отражает правило о том, что, если значение X среднее, то значение У высокое. Между тем необходимо включить в нечеткую логическую модель лишь одно правило вывода: если значение X высокое, то значение У высокое.
В том случае, если есть противоположные мнения по поводу правил вывода линии, то необходимо понять рассуждения, которыми руководствуются эксперты. Они могут пересмотреть свои мнения после изучения противоположных взглядов. В таком случае, если в конце дискуссии остались противоположные мнения, то оба правила вывода могут быть полностью исключены из модели, поскольку разногласия могут указывать на недостаток знаний и низкий уровень доверия.
2. Каждый эксперт может иметь свою нечеткую логическую модель с индивидуальными функциями принадлежности и правилами вывода. Суммарный результат оценки риска в этом случае представляется в виде средневзвешенного значения результатов, полученных от каждой из индивидуальной модели. В отличие от первого подхода, который регулирует входящие в модель значения, второй подход регулирует исходящие значения, объединяя их в единое целое.
3. Специфическим случаем второго подхода является назначение равного веса всем мнениям, которые распространены в литературе, посвященной нечетким логическим моделям. Обычно
этот метод используется, когда есть множество экспертов, а целью является их ранжирование, основанное на уровне риска.
Рисунок 3 - Обобщение функций принадлежности
Например, есть некоторое количество экспертов, которые представляют уровни риска А и В. Если большая половина экспертов голосует за вариант А, как наиболее рискованный, то вариант А будет считаться рискованнее варианта В. Это может быть целесообразно для выявления наиболее рискованных ситуаций для конкретного индивидуального риска. Однако метод не может использоваться для объединения рисков на уровнях бизнес единиц и компании в целом.
Таким образом, в качестве дополнения к вероятностным моделям, модели нечеткой логики могут быть применены для оценки рисков, характеризующихся недостатком данных и практических знаний. Нечеткая логика обеспечивает работу такой системы, где человеческое мышление и неточные данные могут повлиять на анализ рисков. Поэтому сфера применения нечеткой логики достаточно широка, ибо множество рисков невозможно проконтролировать, они не всегда понятны или могут быть неизвестны, о чем свидетельствует рост количества различных возникающих рисков.
При использовании соответствующей системы нечеткой логики становится возможным последовательный анализ множества рисков, которые еще не до конца понятны. Воздействие каждого риска теперь может быть оценено и ранжировано. Ключевые риски могут быть идентифицированы. В этом случае ими можно управлять. Для мониторинга и смягчения ключевых рисков, характеризующихся высоким воздействием, могут быть использованы ресурсы. Правила вывода в нечеткой логической модели могут помочь не только узнать причину возникновения конкретного риска, но и разработать действенные и эффективные планы смягчения последствий.
Список литературы:
1. Дилтс, Р. Моделирование с помощью НЛП I Р. Дилтс. - СПб.: Питер, 2000.
2. Недосекин, А.О. Оценка риска бизнеса на основе нечетких данных: монография
I А.О. Недосекин. - СПб., 2004.
3. Bellman, R.E., Zadeh, L.A. Decision-making in a fuzzy environment management
II Science. - 1970. - V. 17 (4). - P. 141-164.
4. Reveiz, A., Carlos L. Operational Risk Management using a Fuzzy Logic Inference System II Borradores de Economia. - 2009. - V. 574. - P. 9-24.
