CC BY
25
УДК 338.34
комплексное диагностирование
устойчивости предприятия на основе экспертных и нейросетевых моделей
Н. С. ВАСИН,
кандидат экономических наук, начальник отдела E-maN:vasinn@ramЫer.ru Тульский филиал ОАО «Банк Москвы»
Е. Б. ФАНГУЛ,
специалист E-mail:jobm@bk.ru Федеральное казначейство
В статье рассмотрены вопросы комплексного диагностирования деятельности предприятия в условиях неопределенности внешней среды. Предложено осуществлять комплексное диагностирование по нескольким параметрам, используя экспертные и нейросетевые модели, работающие в режиме самообучения.
Ключевые слова: диагностика, устойчивость, экспертная и нейросетевая модели.
На современном этапе развития теории и практики анализа экономических систем появилась возможность решения сложных задач диагностирования состояния промышленных предприятий с точки зрения сохранения их устойчивого функционирования в конкурентной среде. Для этого используется современная вычислительная техника, обладающая мощными вычислительными возможностями и высоким быстродействием, что открывает новые перспективы реализации достаточно сложных алгоритмов прогнозирования возникновения аномалий, нарушающих устойчивость функционирования предприятий еще до их появления. При этом возникает задача определения возможности обнаружения тенденции нарушения устойчивости при появлении ее предпосылок. Для обнаружения этих предпосылок можно использовать принципы, использованные в известных самообучающихся системах многофакторной оценки опасности воз-
никновения кризисных явлений функционирования, базирующиеся на алгоритмах экспертных систем. Подобные системы могут быть использованы как при долгосрочном прогнозировании, где они наиболее эффективны вследствие их стохастического характера прогнозирования, так и при краткосрочном прогнозировании и непосредственном обнаружении предпосылок кризисных явлений.
Однако практически для любой кризисной ситуации на предприятии имеет место сложность априорной оценки информативности параметров с точки зрения ее прогнозирования. Поэтому целесообразно построить критериальные зависимости для прогнозирования этих ситуаций с обеспечением возможности их оперативной коррекции, т. е. система прогнозирования кризисных ситуаций должна строиться на принципах самообучения. При этом в качестве способа самообучения в простейшем случае может быть выбрано параметрическое самообучение.
Рассмотрим множество входных контролируемых параметров их ,и2 ,из ,...,и1 как множество фазовых состояний, изменение которых может свидетельствовать о возможности наступления кризисной ситуации, связанной с нарушением устойчивости функционирования предприятия. Этими параметрами могут быть:
- коэффициент фактического использования
производственных мощностей;
46 (184) - 2013
Вопросы экономики
- коэффициент загрузки оборудования;
- портфель заказов;
- коэффициент снижения транспортных расходов;
- удельная материалоемкость или коэффициент использования материала;
- коэффициент стабильности поставок каждого из предприятий-поставщиков;
- рентабельность;
- фондоотдача;
- коэффициент автономии;
- коэффициент маневренности собственного капитала;
- коэффициент структуры долгосрочных вложений;
- коэффициент финансовой устойчивости;
- другие показатели.
Поскольку система параметрически самообучающаяся, количество параметров может быть выбрано с запасом, а в процессе работы система выберет из них наиболее информативные. Выходом системы должны явиться рекомендации по реакциям на возникновение предпосылок нарушения устойчивости функционирования предприятия W1,W2 ,W3,..., WN. В зависимости от параметров U1,U2,U3,...,UI вычисляются критерии оценки опасности нарушения устойчивости функционирования предприятия K , Kai, K ,..., K , которые являются аддитивными критериями и для некоторых ситуаций типа S имеют следующий вид:
Kas = af (U) + af (U2) +... + Qjfj (UI),
i
где выполняется условие a1 + a2 +... + aI = Z ai.
i=i
Функции f (U) имеют вид:
- fi U) = Ui - для параметров (факторов), уве-
.max
личение которых сигнализирует о повышении опасности нарушения устойчивости функционирования;
U - U г
- fi (Ui) = —^-- для параметров (факторов),
уменьшение которых сигнализирует о повышении опасности нарушения устойчивости функционирования;
Ui - максимальное значение параметра. Физическим смыслом критерия является вероятность нарушения устойчивости функционирования в прогнозируемом периоде.
Сущность параметрического самообучения заключается в изменении значения весовых коэффициентов при появлении признаков нарушения устойчивости или их предпосылок. С этой целью значения функции (Ц) в течение ряда циклов запоминается в области буферной памяти. В случае появления первых признаков нарушения устойчивости данного типа или его предпосылок устанавливается соответствующий критерий К = 1, и производится перераспределение весовых коэффициентов на основе следующего алгоритма:
1) фиксируется значение f (Ц) а - для периода, в котором появились первые признаки нарушения устойчивости;
2) из буферной памяти вызываются значения f (Ц) - для предыдущего периода, в котором ранее наблюдались подобные признаки, сохраняющиеся в буферной памяти;
3) вычисляются приращения А^ имеющие место в процессе нарастания опасности нарушения
устойчивости Ьfi = 1 + ^(Ц)а (Ц) ;
4) вычисляются новые значения весовых коэффициентов по формуле вычисления апостериорной
аМ
вероятности Байеса а i =
Z a, ¥
Применение данной зависимости особенно целесообразно для предприятий, у которых уже имелись проблемы с сохранением устойчивости функционирования, так как она весьма чувствительна к изменениям значений критериев, но в то же время она может выдавать ложные прогнозы нарушения устойчивости;
5) для повышения чувствительности в процессе работы системы может осуществляться коррекция предельных значений критериев по зависимости
Кпред = к ЫЦ + а2Л(Ц2) +... + а^(Ц)],
где к3 - коэффициент запаса.
Современная вычислительная техника, обладающая большими ресурсами памяти и быстродействием, достаточно легко может обеспечить возможность реализации рассмотренных алгоритмов.
Другим возможным способом прогнозирования тенденций к нарушению устойчивости функционирования предприятия является использование ней-росетевых моделей, которые получили в настоящее время весьма широкое распространение. Эта модель
также позволяет осуществлять уточнение весовых коэффициентов в выражениях для критерия оценки опасности нарушения устойчивости. С математической точки зрения нейронная сеть представляет собой многослойную структуру, состоящую из однотипных процессорных элементов - нейронов. Нейроны, связанные между собой различной топологией соединений, группируются в слои, среди которых выделяются входной и выходной слои. В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах модели, а выходной слой формирует прогнозируемый критерий.
Подобная нейросетевая модель прогнозирования нарушения устойчивости функционирования предприятия представляет собой многослойный персептрон с линейными диагностическими коэффициентами (сигналами) на выходе аксонов. Весовые коэффициенты здесь выступают в качестве синаптических весов. Предложенная нейросетевая модель может быть использована для прогнозирования нарушения устойчивости функционирования и также является самообучающейся системой.
При разработке экспертной системы для каждой ситуации, в которой появляются предпосылки к нарушению устойчивости, необходимо предусматривать свою программу реакции на ситуацию, которая будет вносить изменения в процесс управления предприятием, позволяющие устранить возможность развития тенденции к нарушению устойчивости функционирования предприятия.
Для более раннего обнаружения тенденции к нарушению устойчивости можно использовать также анализ динамики изменения диагностических параметров. Для этого можно воспользоваться предположением о том, что нарушение устойчивости происходит не сразу, а формируется постепенно. Поэтому для его обнаружения целесообразно отслеживать временной ряд продолжительностей изменения диагностических параметров и.
При анализе временных рядов широко используются методы, связанные с вычислением первых и вторых разностей ряда. Первые разности представляют собой величины =и\ _ и\_.
Однако в некоторых случаях диагностирования функционирования предприятия эти отклонения могут быть столь незначительны, что на их основе трудно будет определить регрессионные зависимости (уравнения тренда Ц), поэтому традиционные методы анализа временных рядов не всегда могут
быть применимы для подобных задач. В то же время вычисление первых разностей может позволить определить некоторые весьма интересные показатели. Для этого из всего множества первых разностей выделим два подмножества: подмножество положительных (мощностью N+) и подмножество отрицательных первых разностей (мощностью N_), определенных при нормальном функционировании предприятия. Тогда можно определить некоторый - г N _
критерий К , по величине которого в совокупности с анализом тренда и. (при возможности его определения) можно судить об особенностях функционирования предприятия. Наилучшим вариантом будет величина данного критерия, равная 1, что будет свидетельствовать о случайном характере
изменения величины Ц. Если К. < 1, то имеется
I д '
тенденция к повышению Ц, а при приближении к предельному уровню имеет место резкое его снижение. Если Кд > 1, то имеет место периодическое повышение Ц, а затем постепенное его снижение. В
V
обоих случаях подобные изменения свидетельствуют об определенной нестабильности и тенденции к нарушению устойчивости функционирования.
Приведенный анализ динамики изменения параметров может быть использован как в экспертных, так и в нейросетевых моделях как дополнительный чувствительный элемент для обнаружения ранних предпосылок к нарушению устойчивости. Все перечисленное в целом может быть рассмотрено как часть диагностической модели предприятия, в которой имеется некоторое пространство диагностических параметров, являющееся отображением пространства состояний предприятия в сфере основных направлений его деятельности.
В диагностической модели все множество состояний предприятия и его диагностических параметров должно быть разбито на устойчивые и неустойчивые состояния и определен критерий этого разбиения. Кроме того, должны быть определены пограничные состояния, в которых имеются те или иные предпосылки или тенденции к нарушению устойчивости функционирования.
Для выработки рекомендаций по предотвращению возникновения ситуаций, выводящих производственную систему из состояния устойчивого функционирования, необходимо создавать и использовать банки стереотипных решений по выводу предприятия из кризисной ситуации, являющиеся реакциями диагностической системы на обнаруже-
7х"
23
46 (184) - 2013
Вопросы экономики
ние негативных явлений. Таким образом, на базе полученных результатов диагностики состояния предприятия разрабатываются соответствующие мероприятия-реакции. В зависимости от конкретной ситуации эти мероприятия, например, могут быть направлены на снижение уровня объема ресурсов-затрат, сокращение избыточных активов и повышение контроля за перемещением денежных средств. На основе результатов диагностирования промышленного предприятия можно судить о положительной или отрицательной динамике его функционирования.
Рассмотренная методика диагностики предприятия основана на анализе внутренней среды предприятия. Однако в целом ряде случаев причина нарушения устойчивости возникает вследствие неопределенности внешней среды, наличия ее непрогнозируемых изменений. Вместе с тем эти изменения также могут быть проанализированы с помощью рассмотренных экспертных и нейро-сетевых систем, так как они оказывают влияние на внутренние параметры, контролируемые этими системами. Для снижения уровня неопределенности внутри производственной системы необходимо разрабатывать и внедрять технологические, организационные и маркетинговые инновации.
Однако при использовании перечисленных методов анализа диагностических параметров, позволяющих оценить реальное состояние предприятия, возможен случай, когда самообучение экспертной системы или нейросети будет недостаточно быстрым и система не успеет отреагировать на негативные изменения диагностических параметров. Это связано также и с тем, что изменение коэффициентов модели будет происходить при приближении системы к области неустойчивых состояний, что, в общем случае, нежелательно. Получается, что для того, чтобы «обучить» модель, необходимо, чтобы предприятие потеряло устойчивость. Естественно, что подобное «обучение» весьма нежелательно.
Ускорить самообучение системы можно на основе использования методологии факторного анализа, позволяющей заранее выделить наиболее значимые факторы. При этом в зависимости от используемого типа факторной модели может быть использован как детерминированный, так и стохастический анализ.
Детерминированный факторный анализ следует использовать в тех случаях, когда связь факторов, в качестве которых выступают диагностические
параметры с критерием, по которому оценивается состояние анализируемой системы, может быть представлена в виде некоторой функции, представляющей собой произведение, частное или алгебраическую сумму факторов. Это вид факторного анализа достаточно прост, но далеко не всегда возможно привести критерий оценки к перечисленным простейшим функциям.
Стохастический анализ применяется, если требуется исследовать факторы, связь которых с критерием оценки состояния не может быть представлена простой функцией, так как эта связь является недостаточно полной или вероятностной (корреляционной) и неоднозначной. Этот вариант анализа лучше соответствует реальной ситуации, когда одни и те же диагностические параметры могут свидетельствовать о различных ситуациях, или, наоборот, в одинаковых состояниях возникают различные значения диагностических параметров.
Стохастический анализ может быть использован также для дополнения и углубления детерминированного факторного анализа. При этом на первом этапе проводится качественный анализ, затем осуществляется предварительный анализ моделируемой системы, на основе полученных данных строится стохастическая (регрессионная) модель, производится оценка адекватности модели, и, наконец, выполняется экономическая интерпретация и практическое использование модели
Как детерминированный, так и стохастический анализ может быть прямым и обратным, одноступенчатым и многоступенчатым, статическим и динамичным, а также ретроспективным и перспективным (прогнозным). При прямом факторном анализе исследование ведется дедуктивным способом - от общего к частному, а при обратном - способом логичной индукции - от частных, отдельных факторов к обобщающим.
При одноступенчатом анализе исследуются факторы только одного уровня, а при многоступенчатом факторном анализе проводится детализация факторов на составные элементы в целях изучения их поведения для различных уровней соподчиненности.
Для выбора наиболее значимых факторов могут быть использованы статические и динамические разновидности факторного анализа. Однако статический анализ менее полезен, так как он рассматривает ситуацию для данного конкретного момента времени, в то время как динамический анализ позволяет рассмотреть систему в развитии.
Воспользовавшись ретроспективным факторным анализом, можно изучить и накопить информацию об изменении критериев за прошлые периоды, а перспективный позволяет прогнозировать развитие системы.
Рассмотренные подходы к формированию систем диагностирования функционирования промышленных предприятий на основе объединения экспертных и нейросетевых моделей и факторного анализа открывают перспективы для реализации в этой сфере принципов превентивной диагностики, когда обнаруживаются тенденции к нарушению устойчивости предприятия задолго до наступления первых признаков этого нарушения, что позволяет
своевременно принять соответствующие меры для устранения этого негативного явления.
Список литературы
1. Бокс Д., Дженкин Г. Анализ временных рядов. М.: Наука, 1974. 406 с.
2. Комарцова Л. Г., Максимов А. В. Нейрокомпьютеры: учеб. пособие для вузов. М.: МГТУ им. Н. Э. Баумана, 2004. 400 с.
3. Факторный, дискриминантный и кластерный анализ: пер. с англ. / Дж.-О. Ким, Ч. У Мьюл-лер, У. Р. Клекка [и др. ] / под ред. И. С. Енюкова. М.: Финансы и статистика, 1989. 215 с.
Шльский дом
111% [ЯП
Лучшие журналы для профессионалов-финансистов, экономистов, бухгалтеров, налоговиков
Не пропустите! Продолжается подписка на все издания! (495) 989-96-10, podpiska@fin-izdat.ru www.fin-izdat.ru
