CC BY
28
УПРАВЛЕНИЕ В СОЦИАЛЬНЫХ И ЭКОНОМИЧЕСКИХ СИСТЕМАХ
УДК 004.8:336.1
Т. И. Булдакова, А. Ш. Джалолов
ИНТЕЛЛЕКТУАЛЬНАЯ ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПО БЮДЖЕТНОМУ КРЕДИТОВАНИЮ РЕГИОНОВ
Рассмотрена задача о предоставлении бюджетных кредитов регионам, дана ее математическая постановка и выделены особенности решения. Приведены примеры показателей социально-экономического развития регионов. Вследствие слабоструктурированности задачи бюджетного кредитования предложен системный подход к ее решению. Сформированы основные группы факторов, влияющих на принятие решения. Эти факторы определяют финансовое состояние регионов, экономическую ситуацию в них и региональные процессы в социальной сфере. Оценка социально-экономических показателей и согласование решений по каждой группе факторов выполнены с помощью нейро-нечеткой сети. В структуре сети отражены знания квалифицированных экспертов в области бюджетного кредитования регионов, представленные в форме нечетких переменных и нечетких правил. Разработана архитектура сети, описаны особенности ее обучения.
Ключевые слова: принятие решений, бюджетное кредитование, показатели социально-экономического развития, нейро-нечеткая сеть.
Введение
Основным направлением работы при повышении эффективности решений, принимаемых органами государственной власти, является совершенствование системы государственного и регионального управления на основе ее информатизации, развития программно-алгоритмического обеспечения процесса принятия управленческих решений, внедрения современных информационно-коммуникационных и интеллектуальных технологий. Основное внимание должно уделяться повышению качества обработки информации [1, 2]. Особенно наглядно это проявляется при решении задач регионального управления, связанного с распределением ресурсов между регионами [3]. Одна из таких задач - задача бюджетного кредитования, когда решение принимается в зависимости от социально-экономической ситуации в регионе.
Целью нашего исследования являлось изучение возможности повышения объективности процесса принятия решений по бюджетному кредитованию регионов на основе системного подхода и применения современных интеллектуальных технологий.
Особенности задачи бюджетного кредитования
Задача бюджетного кредитования субъектов Российской Федерации может быть сформулирована следующим образом: распределить заданный объем V финансовых кредитных средств между m регионами. При этом решение D = (D1, D2, к, Dm) о предоставлении регионам кредитов принимается на основе анализа множества показателей социально-экономической ситуации х = (х1,X2,к,Хп), где п - количество групп показателей. Каждая группа включает ¡г показателей, где г = (1,2, к, п), т. е. Х1 = (хп, х12,..., х1к), ..., Хп =(хп1, хп2,..., хп1п ). Сумма предоставляемых регионам кредитов не должна превышать заданный общий объем кредитов V из федерального бюджета: у1 • D1 + У2 • D2 +... + Ут • Dm < V .
Решение по у-му региону, у = (1,2,..., т), имеет вид
/ ч 10, отказать в кредите, Бу (X ) = ! '
[1, предоставить кредит.
Необходимо также определить объемы кредитов V', ' = 1,..., т, для регионов
с положительным решением, исходя из их особенностей.
На принятие решения о предоставлении региону бюджетного кредита влияет большое количество факторов [4]. Кроме бюджетных показателей, могут учитываться социальные показатели (средняя продолжительность жизни в регионе, доля населения, живущего за порогом бедности), экономические показатели (доля в экспорте продукции обрабатывающей промышленности, ассигнования на науку), природные условия (специфика климатических и экологических условий, присутствие определенных природных и ресурсных факторов) и др. Возможен учет показателей, связанных с местными региональными особенностями (социально-экономическая структура региона, приоритеты экономической деятельности, специфика управления инновационными процессами в регионе, национальные и исторические особенности). Учитываемые факторы имеют разную природу и различно влияют на принятие решения. Таким образом, в основе решения задачи о бюджетном кредитовании регионов лежит анализ показателей социально-экономического развития с учетом политических, правовых и других отношений, существующих в конкретном регионе и его окружении [5, 6].
Сложность рассматриваемой задачи обусловлена многоаспектностью процессов, происходящих в регионе (экономических, социальных и т. п.), и их взаимосвязанностью; большим количеством разнородных факторов, многие из которых трудно оценить количественно; наличием неопределенных, не поддающихся количественному анализу закономерностей, зависимостей, признаков, характеристик, определяющих социально-экономическое состояние региона. В результате рассматриваемая задача становится слабоструктурированной, поэтому для ее решения используются методы экспертной оценки [1, 3, 5].
Предлагаемое решение
Выделение существенных факторов. Для повышения эффективности процесса принятия решений были выделены существенные факторы, которые в большей степени влияют на решения [7]. Эти факторы (показатели) были распределены по трем группам: группа Х\ -факторы, определяющие финансовое состояние регионов; группа Х2 - факторы, определяющие экономическую ситуацию в регионах; группа Х3 - факторы, определяющие региональные процессы в социальной сфере. Каждый учитываемый показатель был нормирован в диапазоне от 0 до 1. Примеры нормирования показателей приведены в табл. 1-3 (верхний индекс - это номер показателя в группе).
Таблица 1
Показатель дефицита бюджета х8
Результаты расчета Индекс предельного объема дефицита бюджета
недотационного/дотационного региона России
< 15 % | > 15 %
высокодотационного региона России
< 10 % > 10 %
Значение Х^ 1 0
Индекс предельного объема дефицита бюджета (1деф.б) определяется как
7деф.б = ^деф.б -^обств -^стV (*дох -^ост) > где ^еф.б - дефицит бюджета объекта Рф; ^обств - псютупда-
ния от продажи акций и иных форм участия в капитале, находящихся в собственности субъекта РФ; Уост -объем снижения остатков средств на счетах по учету средств бюджета субъекта РФ; Удах - итоговый объем доходов региона; Кпост - безвозмездные поступления.
Таблица 2
Показатель X валового регионального продукта
Результаты расчета Валовый региональный продукт
ВРП > 100 ВРП < 100
Значение X1 1 0
Таблица 3
Показатель дефицита общеобразовательных организаций Xj
Результаты расчета Дефицит общеобразовательных организаций
ДОО <- 30 - 30 < ДОО < 30 30 < ДОО < 100 ДОО > 100
Значение х 37 0,3 1 0,3 0
Показатель дефицита общеобразовательных организаций определяется как ДОО = (иКОпред/500) - ИЧОО, где ИКОпред - изменение количества обучающихся по сравнению
с предыдущим периодом; ИЧОО - изменение числа общеобразовательных организаций.
Далее задача бюджетного кредитования регионов представляется в виде взаимосвязанной иерархии задач меньшей трудоемкости (рис. 1):
- на первом уровне анализируются показатели внутри выделенной группы и по результатам анализа принимается частное решение;
- на втором уровне осуществляется обобщение результатов и принимается единое согласованное решение;
- на третьем уровне (при положительном решении) рассчитывается объем бюджетного кредита.
Рис. 1. Иерархическая совокупность задач при бюджетном кредитовании
Для согласования экспертных решений по каждой группе показателей применяется ней-ро-нечеткая сеть (ННС).
Архитектура ННС. Пусть существует неизвестная целевая зависимость - отображение y* : X ^ Y, значения которой известны только на объектах обучающей выборки
Xr = {(х15 y1),..., (xr, yr)} размерностью r. Применение нейро-нечеткой сети позволяет аппроксимировать неизвестное отображение в виде алгоритма а : X ^ Y . Для этого используется множество нечетких правил R = {Ru ..., Rk} следующего вида:
R : IF (x e 4 and... xn £ A) THEN (Y is y1), R2: IF (x1 e Al and . xn e A2n) THEN (Y is y2),
Rk :IF (x £ A1 and... x„ e A"t ) THEN (Y is ym),
где A - соответствующие нечеткие множества со своей лингвистической областью определения; j = 1, ..., n ; i = 1, ..., t; t - количество лингвистических терминов. Отметим, что в общем случае база правил содержит tn правил, однако она может быть улучшена за счет удаления неиспользуемых правил.
При решении задачи бюджетного кредитования регионов в структуре ННС отражаются знания квалифицированных специалистов (экспертов), представленные в форме нечетких переменных и нечетких правил [8].
Нейро-нечеткая сеть (рис. 2) имеет три входа - xb Х2 и Хз (принятые решения по каждой из трех групп анализируемых параметров), каждый вход описывается тремя лингвистическими терминами («Отрицательное», «Неопределенное», «Положительное»).
Слои 1
Четкие входные значения
Слои 2
Приведение к нечеткости
Слой 3
Нечеткие пра&ила
Слои 4
Композиция заключений нечетка* правил
Слои 5
Выходной слой
Рис. 2. Архитектура нейро-нечеткой сети
Основные этапы нечеткого логического вывода [9], распределенные по слоям ННС, реализуются следующим образом:
- введение нечеткости выполняется слоем входных функций принадлежности Ц — ц3,
jlx2 — Ц и Ц — М-3, осуществляющих преобразование каждого из четких входных значений x1, x2 и x3 в степень истинности соответствующей предпосылки для каждого правила;
- нечеткому логическому выводу соответствует слой нечетких правил R1 — R27, который
по степени истинности предпосылок ц1, ц2, ц3, i = 1, 2, 3, формирует подзаключения по каждому из правил;
- композиция (агрегирование) подзаключений нечетких правил R1 — R27 производится слоем выходных функций принадлежности цB , цB , цв для формирования нечетких подмножеств B1, B2, B3 (заключений);
- агрегирование нечетких подмножеств B1, B2, B3 и приведение к четкости выполняется в выходном слое и приводит к формированию выходного четкого значения у.
Так как в архитектуре нейро-нечеткой сети используются нечеткие правила, основанные на знании экспертов в области бюджетного кредитования регионов, то для обучения целесообразно выбрать метод обучения с учителем, например метод минимизации среднеквадратичной ошибки [10].
В качестве функций активации нейронов предпочтительнее выбрать сигмоидальные, а в качестве функций принадлежности можно выбрать, например, Z-образные и S-образные функции.
Обучение ННС позволяет не только настроить веса связей (т. е. откорректировать достоверность отдельных нечетких правил), но и устранить противоречивость системы нечетких правил в целом. При достаточном объеме обучающей выборки ННС автоматически преобразует скрытые (в данных обучающей выборки) закономерности в систему правил нечеткого логического вывода.
Выводы
По результатам исследования можно сделать следующие выводы:
- применение разработанной нейро-нечеткой сети повышает объективность процесса принятия решений по бюджетному кредитованию регионов по сравнению с методом экспертного опроса;
- включение нечеткой логики в состав нейросетевых средств позволяет учитывать априорный опыт экспертов в области бюджетного кредитования, реализовывать нечеткое представление информации, извлекать знания из входных неполных и не вполне достоверных данных.
СПИСОК ЛИТЕРА ТУРЫ
1. Ильин Н. И., Демидов Н. Н., Попович П. Н. Развитие систем специального информационного обеспечения государственного управления. М.: МедиаПресс, 2009. 229 с.
2. Булдакова Т. И., Джалолов А. Ш. Анализ информационных процессов и выбор технологий обработки и защиты данных в ситуационных центрах // Науч.-техн. информ. Сер. 1, Организация и методика информационной работы. 2012. № 6. С. 16-22.
3. Коваленко Е. Г. Региональная экономика и управление. СПб.: Питер, 2005. 288 с.
4. Buldakova T. I., Dzhalolov A. Sh. Analysis of Data Processes and Choices of Data-processing and Security Technologies in Situation Centers // Scientific and Technical Information Processing. 2012. Vol. 39, no. 2. P. 127-132.
5. Митрофанов И. В., Иванов Н. П., Митрофанова И. А. Регион: управление, политика, экономика: учеб. М.: Директ-Медиа, 2014. 600 с.
6. Андиева Е. Ю., Семенова И. И. Поддержка принятия решений в системе кредитования. Омск: СибАДИ, 2010. 168 с.
7. Булдакова Т. И., Джалолов А. Ш. Системный подход к решению задачи бюджетного кредитования регионов // Математические методы в технике и технологиях: сб. тр. XXIX Междунар. науч. конф. Т. 2. СПб.: СПбГТИ(ТУ), 2016. С. 179-180.
8. Джалолов А. Ш. Методика выбора технологий Data Mining для обеспечения принятия решений при региональном управлении // Наука и образование в XXI веке: сб. науч. тр. Междунар. науч.-практ. конф. Ч. 15. Тамбов, 2014. С. 50-52.
9. Булдакова Т. И., Миков Д. А. Оценка информационных рисков в автоматизированных системах с помощью нейро-нечёткой модели // Наука и образование. 2013. № 11. С. 295-310.
10. Круглое В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети: учеб. пособие. М.: Физматлит. 2001. 224 с.
Статья поступила в редакцию 7.10.2016
ИНФОРМАЦИЯ ОБ АВТОРАХ
Булдакова Татьяна Ивановна — Россия, 105005, Москва; Московский государственный технический университет им. Н. Э. Баумана; д-р техн. наук, профессор; профессор кафедры информационной безопасности; [email protected].
Джалолов Ахмад Шарофиддинович — Россия, 105005, Москва; Московский государственный технический университет им. Н. Э. Баумана; аспирант кафедры информационной безопасности; [email protected].
T. I. Buldakova, A. Sh. Dzhalolov
INTELLECTUAL DECISION-MAKING SUPPORT ON BUDGETARY CREDITING OF THE REGIONS
Abstract. The task about granting the budgetary credits to regions is considered, its mathematical formulation is given and features of decision are distinguished. The examples of socioeconomic development indicators of regions are given. Due to weak structuring of budgetary crediting problem the system approach to its decision is offered. The basic groups of the factors influencing decision-making are formed. These factors determine the financial state of the regions, their economic situation and regional processes in the social sphere. The assessment of socio-economic indices and coordination of decisions on each group of the factors are executed by means of neuro-fuzzy network. Network structure reflects the qualified expert knowledge in the field of the region budgetary crediting, presented in the form of fuzzy variables and fuzzy rules. The architecture of the network is developed and the features of its training are explained.
Key words: decision-making, budgetary crediting, indicators of socio-economic development, neu-ro-fuzzy network.
REFERENCES
1. Il'in N. I., Demidov N. N., Popovich P. N. Razvitie sistem spetsial'nogo informatsionnogo obespecheniia gosudarstvennogo upravleniia [Development of the system of special information maintenance of state control]. Moscow, MediaPress Publ., 2009. 229 p.
2. Buldakova T. I., Dzhalolov A. Sh. Analiz informatsionnykh protsessov i vybor tekhnologii obrabotki i zashchity dannykh v situatsionnykh tsentrakh [Analysis of information processes and choice of technologies for processing and protection of data in the situational centers]. Nauchno-tekhnicheskaia informatsiia. Seriia 1, Or-ganizatsiia i metodika informatsionnoi raboty, 2012, no. 6, pp. 16-22.
3. Kovalenko E. G. Regional'naia ekonomika i upravlenie [Regional economy and control]. Saint-Petersburg, Piter Publ., 2005. 288 p.
4. Buldakova T. I., Dzhalolov A. Sh. Analysis of Data Processes and Choices of Data-processing and Security Technologies in Situation Centers. Scientific and Technical Information Processing, 2012, vol. 39, no. 2, pp. 127-132.
5. Mitrofanov I. V., Ivanov N. P., Mitrofanova I. A. Region: upravlenie, politika, ekonomika [Region: control, policy, economy]. Moscow, Direkt-Media, 2014. 600 p.
6. Andieva E. Iu., Semenova I. I. Podderzhka priniatiia reshenii v sisteme kreditovaniia [Decision-making support in crediting system]. Omsk, SibADI, 2010. 168 p.
7. Buldakova T. I., Dzhalolov A. Sh. Sistemnyi podkhod k resheniiu zadachi biudzhetnogo kreditovaniia regionov [System approach to solution of the tasks of budgetary crediting of the regions]. Matematicheskie meto-dy v tekhnike i tekhnologiiakh. Sbornik trudov XXIX Mezhdunarodnoi nauchnoi konferentsii. T. 2. Saint-Petersburg, SPbGTI(TU), 2016. P. 179-180.
8. Dzhalolov A. Sh. Metodika vybora tekhnologii Data Mining dlia obespecheniia priniatiia reshenii pri re-gional'nom upravlenii [Methods of choosing technologies of Data Mining to provide decision making under the regional control]. Nauka i obrazovanie v XXI veke. Sbornik nauchnykh trudov Mezhdunarodnoi nauchno-prakticheskoi konferentsii. Ch. 15. Tambov, 2014. P. 50-52.
9. Buldakova T. I., Mikov D. A. Otsenka informatsionnykh riskov v avtomatizirovannykh sistemakh s pomoshch'iu neiro-nechetkoi modeli [Assessment of the information risks in the automated systems using neu-ro-fuzzy model]. Nauka i obrazovanie, 2013, no. 11, pp. 295-310.
10. Kruglov V. V., Dli M. I., Golunov R. Iu. Nechetkaia logika i iskusstvennye neironnye seti [Fuzzy logics and artificial neural networks]. Moscow, Fizmatlit Publ,. 2001. 224 p.
The article submitted to the editors 7.10.2016
INFORMATION ABOUT THE AUTHORS
Buldakova Tatyana Ivanovna — Russia, 105005, Moscow; Bauman Moscow State Technical University; Doctor of Technical Sciences, Professor; Professor of the Department of Information Security; [email protected].
Dzhalolov Akhmad Sharofiddinovich — Russia, 105005, Moscow; Bauman Moscow State Technical University; Postgraduate Student of the Department of Information Security; [email protected].
