CC BY
28
Муханова Н.В., Елагина А.Е., Салкуцан С.В., Аркина К.Г.
МЕТОДИКА ОЦЕНКИ РИСКОВ ПРИ ОРГАНИЗАЦИИ НАУКОЕМКОГО ПРОИЗВОДСТВА НА ОСНОВЕ ПРОЦЕССНО-ОРИЕНТИРОВАННОГО ПОДХОДА
Аннотация. Оценка рисков является важнейшей частью планирования реализации инвестиционного проекта при организации наукоемкого производства. Для определения влияния риска требуется комплексный подход к моделированию и оценке, при этом необходимо учитывать, что сбой может не произойти из-за одного события риска, но комбинация взаимоисключающих событий риска может привести процесс к системному сбою. Для решения используют моделирование процессов, используемое в настоящее время в качестве инструмента принятия решений. В статье предлагается процессно-ориентированный подход оценки рисков, который распространяется на интеграцию механизмов идентификации и оценки рисков для использования в качестве инструмента принятия решений при оценке рисков производственных процессов. Методика устанавливает процесс оценки риска для разработки глобального индикатора риска, который может использоваться в качестве инструмента для принятия решений при организации наукоемких производств.
Ключевые слова. Наукоемкое производство, риск, математическая модель, процессно-ориен-тированный подход.
Mukhanova N.V., Elagina A.E., Salkutsan S.V., Arkina K.G.
THE METHODOLOGY OF RISK ASSESSMENT IN THE ORGANIZATION OF HIGH-TECH PRODUCTION BASED ON A PROCESS-ORIENTED APPROACH
Abstract. Risk assessment is the most important part ofplanning the implementation of an investment project in the organization of high-tech production. To determine the impact of risk, a comprehensive approach to modeling and evaluation is required, and it is necessary to take into account that the failure may not occur due to a single risk event, but a combination of mutually exclusive risk events can lead the process to a system failure. For the solution, process modeling is used, which is currently used as a decision-making tool. The article proposes a process-oriented approach to risk assessment, which extends to the integration of risk identification and assessment mechanisms for use as a decision-making tool when assessing the risks of production processes. The methodology establishes a risk assessment process for the development of a global risk indicator that can be used as a decision-making tool for the organization of high-tech industries.
Keywords. High-tech production, risk, mathematical model. a process-oriented approach.
ГРНТИ 06.77.02
© Муханова Н.В., Елагина А.Е., Салкуцан С.В., Аркина К.Г., 2021
Наталья Викторовна Муханова - кандидат экономических наук, доцент, доцент Института промышленного менеджмента, экономики и торговли Санкт-Петербургского политехнического университета Петра Великого. Анна Евгеньевна Елагина - инженер ООО «Металлофасад» (Санкт-Петербург).
Сергей Владимирович Салкуцан - заместитель руководителя Дирекции Центра НТИ «Новые производственные технологии» Санкт-Петербургского политехнического университета Петра Великого.
Ксения Георгиевна Аркина - кандидат физико-математических наук, доцент, доцент кафедры математического анализа Российского государственного педагогического университета имени А. И. Герцена (Санкт-Петербург). Контактные данные для связи с авторами (Муханова Н.В.): 195251, Санкт-Петербург, Политехническая ул., 29 (Russia, St. Petersburg, Politehnicheskaya str., 29). E-mail: nmukhanova@spbstu.ru. Статья поступила в редакцию 31.08.2021.
Введение
Оценка рисков является важнейшей частью планирования реализации инвестиционного проекта при организации наукоемкого производства [1] в целях увеличения глубины передела промышленной продукции [2]. Колебания на рынке капитала, стремительное развитие новых технологий, а также социально-политические процессы могут спровоцировать изменение соотношения между результатом инвестиционного проекта и затратами на его реализацию, а значит повлиять на эффективность инвестиций и их окупаемость [3-10].
Чтобы определить влияние риска, требуется комплексный подход к моделированию и оценке. Существуют различные инструменты и методы, чтобы справиться с риском [11]. Тем не менее, обычно в производственных системах практикуются методы, основанные на режимах отказа и анализе эффектов, анализе дерева отказов и анализ дерева событий. В дополнение к этим аналитическим методам используются методы теории игр [12, 13], а также моделирование Монте-Карло, основанное на статистическом подходе к оценке риска [14, 15, 16]. Независимо от области применения, часто методы оценки рисков разработаны для моделирования и анализа рисков перспективы подсистемы. Система сводится к подсистемам, а затем каждая подсистема рассматривается отдельно [17].
Однако сбой может не произойти из-за одного события риска, но комбинация событий риска может привести процесс к системному сбою. Для решения этой проблемы используют моделирование процессов, которое в настоящее время широко используется в качестве инструмента принятия решений, особенно в организациях, ориентированных на производственные процессы. В статье предлагается процессно-ориентированная методика оценки рисков. Эта методика, по большей части, опирается на материалы, касающиеся оценки рисков из подхода Ларсона и Кусиака [18], и распространяется на интеграцию механизмов идентификации и оценки рисков для использования в качестве инструмента принятия решений при оценке рисков производственных процессов. Модель оценки риска
С точки зрения процесса, неопределенность заключается во «внутренних» и «внешних» факторах (источниках риска), что может спровоцировать возникновение любого нежелательные события, которые в итоге повлияют на конечную цель [19]. Поэтому важно определить и оценить влияние рисковых событий, возникающих из факторов риска на определенные цели процесса. Для этого, прежде всего, риск параметризирован с точки зрения сценария риска (С), вероятности (Р) и следствия (У), он выражается уравнением:
R=(C,P,V). (1)
Затем он моделируется, и оценивается влияние внешних условий на производственную операцию. Базовым допущением для оценки рисков является то, что каждая операция в процессе подвержена факторам риска RF¡ = 1,..,п) и, таким образом, может спровоцировать одно из многих рисковых событий, что, в свою очередь, может повлиять на достижение целей процесса [20]. Для количественной оценки рисков технологического процесса необходимо вероятность всех событий риска умножить на их соответствующие последствия (влияние) на операцию:
где Ру - вероятность возникновения рискового события у по виду операции ¿; - влияние на
качество, стоимость и время.
Глобальный риск для операции I из-за возникновения рискового события у выражается с помощью уравнения:
^^(Р^Г), (3)
где - величина риска операции ¿.
Однако, необходимо учесть, что все рисковые события имеют не равнозначную важность для всех сценариев. Это зависит от того, на что они влияют. Для того, чтобы учесть этот фактор, необходимо ввести весовой коэффициент или индекс значимости для моделирования оценки риска в определенном сценарии. Следовательно, уравнение 3 приобретает вид:
Таким образом, глобальный риск пути развития проекта Я(Рк) задается следующим образом:
■О
R(pk) = У Ri==У У dij(PijxxVi^bi). (5)
При этом вероятность набора различных путей (или сценариев) развития проекта равна:
к
Рг(Рк) = 1. (6)
X
к=1
Таким образом, ожидаемый риск процесса, состоящего из наборов путей развития:
к .
E(Rp) = Ург(Рк)(У У' dij(PijxxVifi)). (7)
Уравнение (7) вычисляет ожидаемый риск всего процесса.
Методика оценки риска
Определив математическую модель для измерения риска при внедрении нового проекта, необходимо описать методику оценки риска. Предлагаемая методика опирается на моделирование, симуляции и различные подходы к принятию решений и устанавливает процесс оценки риска, состоящий из следующих этапов:
1. Определение внешних и внутренних параметров, которые следует учитывать при управлении рисками и определении их влияния и критериев оценки. В рамках данной методики этот этап определяет предметные области, заинтересованность сторон процесса, их роли и обязанности, а также верхние и нижние границы ожиданий и опасений для каждого участника. Процесс исследуется с использованием модифицированного метода моделирования технологических процессов ГОЕБЗ. ГОЕБЗ обеспечивает механизм сбора, документирования и анализа процессов, происходящих на производственных предприятиях. Определяются отношения приоритета и причинности между ситуациями и событиями в форме, естественной для экспертов предметной области, предоставляя структурированный метод выражения знаний о том, как работает система, процесс или организация [21].
2. Этап моделирования и анализа рисков. Для учета рисков в рамках данной методики используется два направления: идентификация риска, обусловленного целями, и подход к оценке рисков, основанный на процессах.
2.1. Целевая идентификация рисков начинается с определения целей [22]. Опираясь на это, можно сказать, что объективно-ориентированный подход к идентификации риска заключается в том, чтобы высказать предположение о том, что препятствует достижению поставленных целей. Например, если глобальная цель процесса состоит в том, чтобы выполнить заказ клиента, то соответствующий глобальный риск был бы «Невыполнение заказа клиента». Для определения всех возможных вариантов риска используется принцип декомпозиции. Это позволяет определить риски более низкого уровня при использовании принципов ценностно-ориентированного мышления (УБТ) [23]. Например, вопрос: «Что Вы подразумеваете под невыполнением заказа клиента?» - позволяет определить риски более низкого уровня, такие как риск неверной технологии производства, риск ограничений графика работы и риск перерасхода затрат, которые соответствуют качеству, времени и стоимости процесса. Для дальнейшего уточнения: ограничения графика работы означает задержку обработки заказа, производства и логистики. Аналогичным образом определяются риски перерасхода средств. После идентификации они структурируются в иерархию.
2.2. Процессно-ориентированный анализ рисков: взаимосвязи выявленных рисков определяются через матрицу действий, на цели которых влияют выявленные риски (таблица 1).
Таблица 1
Матрица влияния рисковых событий
Процесс Рисковое событие
д2 д3 Д4 д5
АЛ х х
А* х х
А, х х х
Например, Я5 представляет собой рисковое событие «Ошибка оценки времени», которое связано с А1 и А3 из-за их неопределенного времени выполнения. Точно так же все выявленные риски связаны с деятельностью по сценарию процесса. На следующем этапе они качественно анализируются с использованием метода БМБА. БМБА - это структурированный подход к выявлению потенциальных отказов, связанных с изменением технологического процесса на производственном предприятии. Для выявления и определения важности и ограничений этих режимов отказа, используется ранжирование по таким параметрам, как: значимость последствий отказа (8); частота возникновения причин отказа (О); способность обнаружения (Б).
После присваивания баллов по каждому из параметров, определяется приоритетное число риска (ПЧР). Оно является обобщенной количественной характеристикой отказов, учитывающей причины их возникновения и последствия. В зависимости от области использования данного метода исследования отказов и от объекта анализа устанавливается приоритет опасности последствий того или иного неверного режима работы на основе ранжирования значимости, вероятности возникновения и обнаружения [24].
С помощью описанной методики выявленные рисковые события качественно анализируются в таблице РБМБА. В процессе анализа для каждой -й операции выявляется режим работы, приводящий к несоответствию продукции заявленному качеству, а также его причины и последствия. В результате дается оценка в виде ранга (баллов) значимости, возникновения и обнаружения. Количественные значения перемножается и на выходе получается приоритетное число риска (ПЧР). Цель состоит в том, чтобы определить, стоит ли проводить дальнейший анализ или нет. Наиболее важные из идентифицированных рисковых событий затем интегрируются в модель процесса для количественного анализа в среде моделирования, как показано на рисунке 1. Для количественного анализа рисковых событий модели процесса в имитационном эксперименте используется модель измерения риска, описанная ранее.
Заготовки
тех. требования
ресурсы
Рис. 1. Выдержка из модели плана процесса с учетом риска
3. Анализ рисков на этапе моделирования. Количественная оценка риска требует количественных данных о параметрах рискового события, которые могут быть получены с использованием статистического анализа [25]. Однако, чаще всего их либо недостаточно, либо они находятся в той форме, которую нельзя использовать. В таких обстоятельствах моделирование является инструментом, который может генерировать достаточное количество данных о параметрах риска, которые имитационная модель использует позже для оценки мер риска. Для проведения имитационных экспериментов с этой целью генерируются входные данные для моделирования.
3.1. Генерация входных данных. Входные данные, необходимые для анализа рисков в среде моделирования, можно разделить на три категории: функциональные данные (виды деятельности); параметры для выполнения концептуальной модели процесса; методы оценки рисков. Первые данные получены на первом этапе методики путем моделирования процесса сценария с использованием метода ГОББЗ. Что касается параметров, то их целесообразно разделить на несколько категорий, таких как: параметры запуска (закон прихода задания, тип прихода: пакетный или единичный приход объекта, период прогрева и т.д.); параметры плана процесса (т.е. время работы); связанные с целями параметры (т. е. количество заказов) [26]. Что касается методов оценки, они являются математическими выражениями для показателей и необходимы для анализа сценария.
3.2. Имитационные эксперименты и сбор выходных данных. После определения входных данных модель процесса, связанная с риском (концептуальная модель), преобразуется в имитационную модель. Параметры моделирования и метод оценки вводятся в имитационную модель. В вероятностной установке имитационная модель генерирует случайные данные для каждого параметра и оценивает интересующие нас меры риска. Затем они вводятся в фазу оценки риска, чтобы вынести суждение по каждой мере риска, т.е. по определенным критериям риска. Такая мера риска, как перерасход средств, например, рассчитывается следующим методом:
Rc(PPk) = yn Pi(Ci >UB) xV(x). (8)
' i=l
Риск неверно составленного графика работ рассчитывается с помощью следующей формулы:
Rc(PPk) = У PiCSi >срок сдачи) xV(x). (9)
¿—4=1
Риск плохого качества продукции оценивается методом расчета:
Rq(PPk) = Pi(Qi * тех. требования) xV(x). (10)
4. Оценка и агрегирование рисков на этапе принятия многокритериальных решений. Оценка риска означает оценку значимости или оценку приемлемости риска. Значимость или суждение о риске может быть установлено только при сравнении с его целевым значением, верхней и нижней границами. Кроме того, меры риска вне имитационного эксперимента неоднородны по своей природе и чаще всего многочисленны. Поэтому желательно рассмотреть методику принятия решений по нескольким критериям, которая, с одной стороны, разрабатывает функцию нормализованного значения (также называемую функцией полезности) для каждой меры риска, сравнивая каждую меру риска с ее верхним и нижним пределом, с другой стороны, устанавливает основу для агрегирования нормализованных мер риска (далее - выражения риска) для облегчения процесса принятия решений.
В многокритериальной модели данной методики показатели риска нормируются с использованием метода MACBETH. Определение взаимодействия между мерами риска осуществляется с использованием емкости Густава Шоке, а агрегирование с использованием интеграла. MACBETH (Measuring Attractiveness by Categorial Based Evaluation Technique) - это многокритериальный подход к анализу решений, используемый для определения ценностных функций, а также агрегированных функций при сравнении различных сценариев. Набор функций риска отражает предпочтения лиц, принимающих решения (DMs), или суждения о критериях риска применительно к фиктивным ситуациям [27].
Две ситуации сравниваются попарно для критерия риска, и таким образом получается порядковая информация, которая затем преобразуется в основную информацию через «разницу привлекательности», что вполне естественно для лиц, принимающих решения, которые обычно полагаются на вербальные уровни привлекательности, такие как нулевой, очень слабый, слабый, умеренный, сильный, очень сильный, экстремальный. В настоящем исследовании процедура MACBETH используется для разработки выражений риска г^ путем решения проблемы критериальной соизмеримости и отображения их в масштабе [0,1]. Поскольку MACBETH полагается на взвешенное среднее для агрегирования выражений риска, что часто не имеет места в реальных примерах, где критерии могут взаимодействовать, интеграл Шоке (Choquet) был выбран в качестве оператора для агрегирования выражений риска. Он может обрабатывать взаимозависимости между различными выражениями риска с помощью емкости Choquet.
Для агрегирования выражений риска г^ используется следующая математическая модель:
П 1 П
Cu(x) = ^viri--^Iij|ri-rj|, (11)
i=1 i=1
где Cu - модель выражения риска гг; V; - индекс Шепли-Шубика (индекс влияния), V; = 1, который показывает важность риска r относительно остальных; I^ - взаимодействие между выражениями риска (r;,rj ) в пределах [—1,1].
Для вычисления неизвестных параметров (v; и I^) помимо альтернативных процессов рассматриваются две фиктивные ситуации, которые ранжируются попарно и индивидуально [13]. Ранжирование предпочтений этих ситуаций наряду с силой предпочтения даст систему уравнений, решение которых
определяет неизвестные параметры. При таком моделировании предпочтений альтернативы удовлетворяют одному или двум выражениям риска одновременно [28]. В ситуациях, когда только один г; = 1, а все остальные равны нулю, агрегированное значение выглядит следующим образом:
Агрегированное значение ситуаций, в которых один Г; = 0, а все остальные равны 1, будет выглядеть следующим образом:
Пример использования методики
Методика иллюстрируется на примере производственной организации ООО «Металлофасад» Санкт-Петербурга, которая разрабатывает и производит продукцию по индивидуальному заказу. Эталонным продуктом для данного примера является навесная фасадная система для частного строительства (рисунок 2).
Её особенность заключается в том, что для установки такой системы не требуются квалифицированные рабочие. Любой может использовать такую систему для облицовки своего частного дома без значительных финансовых и трудовых затрат [29]. Для предприятия производство таких систем позволяет выйти на новый рынок сбыта. Для иллюстрации использования предложенной методики определен производственный сценарий. Далее рассмотрим его.
Исследуемая организация получает от клиента заказ на 120 м2 навесной фасадной системы с облицовкой металлическими панелями из оцинкованной стали со сроком выполнения заказа две недели (10 рабочих дней). Цена системы держится на уровне 3000 руб. за м2. Наиболее важной целью в сценарии являются технические характеристики продукта, измеряемые с помощью индекса удовлетворенности (customer satisfaction index, CSI) [30]. Организация располагает достаточными ресурсами, поэтому некоторые изделия: несущие кронштейны, удлинители, направляющие, линеарные панели, прижимные планки, детали примыкания изготавливаются на самом предприятии, а заклепки, анкерные и тарельчатые дюбеля, утеплитель закупаются у поставщиков. Предполагается, что все сырье и приобретенные детали доступны в любое время. Невыполнение заказа клиента приведет к штрафу. Товар с индексом удовлетворенности ниже 0,8 отклоняется. Кроме того, установлена верхняя граница стоимости 4000 руб. за м2.
После описания производственного сценария предложенная методика оценки рисков применяется для определения уровня риска, связанного с этим сценарием. Чтобы оценить риски, связанные с производственным сценарием, организация составляет планы производственного процесса для изделия. Для разработки альтернативных технологических планов продукт разбивается на геометрические элементы. Для производства каждой функции кандидаты в процессы отбираются с помощью запросов к соответствующей базе знаний о производственных процессах [31]. После создания планов процессов они моделируются с использованием метода моделирования IDEF3.
(12)
(13)
Рис. 2. Навесная фасадная система для частного строительства
Для выявления рисковых событий и соответствующих факторов риска используется целевой подход к идентификации рисков. Глобальный риск: «Невыполнение заказа клиента», - для сценария фиксируется и раскладывается на риск планирования, перерасход средств и риск производительности. Поскольку критически важной задачей для выполнения заказа клиента являются технические характеристики продукта, этот аспект риска далее разбивается на более сложные составляющие. На втором этапе определяются факторы риска для каждого идентифицированного риска. Выявленные риски и факторы риска затем структурируются в иерархию рисков и сеть рисков, соответственно.
Чтобы определить параметры риска для событий риска, они сначала согласовываются в соответствии с определенным видом операции производственного процесса с помощью матрицы «операция / риск». После определения взаимосвязей они анализируются в таблице FMEA процесса. Например, для операции 003 «гибка» определяется провальный режим - гибка без высвобождения металла. Причиной такого режима работы является неправильно составленная развертка в CAD-программе, где должно учитываться высвобождение металла. Последствием такого режима гибки является смятие металла на стыках полок панелей. Ранг значимости последствий: S = 3. Ранг частоты возникновения причины неверного режима работы: О = 6. Ранг возможности отдела качества обнаружить причину: D = 2. Соответственно, приоритетное число риска возникновения рискового события «гибка без высвобождения металла»:
ПЧР = S^O^D = 3^6^2 = 36.
Таким образом, были проанализированы все возможные рисковые события для всех операций производственного процесса изготовления изделий навесной фасадной системы. Затем высокие риски ПЧР интегрированы в модель технологического плана для дальнейшего анализа в среде моделирования. Для расчета вероятности события риска достаточно наблюдать и регистрировать критическое действие (риск, вызывающий наибольшее беспокойство) в имитационной модели; количество случаев, когда цель операции не достигнута, деленное на общее количество проведенных наблюдений.
Для определения воздействия рискового события вычисляется функция воздействия у = /(х). Например, в случае задержки используется формула: у = аеЬх, где а и b - коэффициенты, а х - зависимая переменная, указывающая диапазон, который превышает срок выполнения. Аналогичным образом рассчитывается функция воздействия на стоимость, исходя из квадратичной функции (т.е. перерасход х на единицу затрат оказывает влияние на х2). Для оценки влияния нарушения качества используется шкала значимости FMEA. Для количественного анализа рисковых событий модели риск-плана производственного процесса преобразуются в исполняемые имитационные модели.
Затем они моделируются с помощью программного обеспечения для моделирования дискретных событий: Rockwell ARENA v.13.5. Было выполнено десять независимых репликаций для каждого плана процесса. В каждом прогоне репликации в имитационную модель загружались параметры, связанные с планом процесса и сценарием, и получались оценки мер риска. Чтобы получить выражения риска сначала определяются две фиктивные ситуации, представляющие верхнюю и нижнюю границы для каждой меры. Затем планы процессов и две фиктивные ситуации ранжируются в порядке их желательности и силы предпочтений (hi,i = 1 to 6) следующим образом:
Rt ^ годный > РР1 > РР2 > РР3 > средний, R2 ^ годный > РР3 > РР2 > РР1 > средний, R3 ^ годный > РР3 > РР1 > РР2 > средний.
Информация о моделировании предпочтений затем преобразуется в выражения риска с использованием процедуры MACBETH. Полученные в результате выражения риска заносятся в таблицу 2.
Таблица 2
Выражения риска (нормализованные меры риска)
Риск неверно спланированного Перерасход средств Риск низкой
техпроцесса (Д1) (Й2) производительности (Д3)
Производственный план 1 0,15 0,96 0,61
Производственный план 2 0,42 0,54 0,79
Производственный план 3 0,88 0,13 0,61
С помощью уравнений (12) и (13) рассчитывается индекс Шепли-Шубика (индекс влияния), который показывает важность риска гг относительно остальных, а также индекс взаимодействия между выражениями риска (г^гу ) в пределах [—1,1]
= 0,34,112 = 0,08; у2= 0,18,113 = 0,12; = 0,48,/23 = 0,08.
Выражения риска г^, а также параметры С1 (^ и определенные уравнениями (12) и (13), помещаются в уравнение (11), и рассчитывается глобальный риск для каждого плана процесса. Глобальный риск производственного плана 1:
Си1(х) = (0,34 • 0,15 + 0,18 • 0,54 + 0,48 • 1
•0,61) -^(0,08 • |0,15 - 0,96| + 0,12-
• |0,15 - 0,61| + 0,08- 10,96 - 0,61|)
1
= 0,441 - ^ (0,0648 + 0,0552 + 0,028) =
= 0,441 - 0,074 = 0,37 Глобальный риск производственного плана 2:
Си2(.х) = (0,34 • 0,42 + 0,18 • 0,54 + 0,48 • 1
•0,79) - ^ (0,08 • 10,42 - 0,54| + 0,12-
• 10,42 - 0,791 + 0,08- |0,54 - 0,79|)
1
= 0,629 - ^ (0,0096 + 0,0444 + 0,02) =
= 0,629 - 0,037 = 0,59 Глобальный риск производственного плана 3:
Сиз(.х) = (0,34 • 0,88 + 0,18 • 0,13 + 0,48 • 1
•0,61) - ^(0,08 • 10,88 - 0,13| + 0,12^
• 10,88 - 0,61| + 0,08^ |0,13 - 0,61|)
1
= 0,6154 - ^ (0,06 + 0,0324 + 0,0384) = = 0,6154- 0,0654 = 0,55
Анализ полученных результатов
Из расчетов, проведенных выше, можно сделать вывод, что план производственного процесса 1 включает наименьший риск (0,37), за ним следует план процесса 3 (0,55), план процесса 2 имеет максимальную оценку риска (0,59). Кроме того, решающее значение имеют технические характеристики. Риск низкой производительности имеет больший вес с индексом Шепли (0,48), за которым следует риск неверного планирования технологического процесса (0,34) и перерасход средств (0,18). Заключение
В статье представлена процессно-ориентированная методика оценки рисков для производственных процессов. Методика устанавливает процесс оценки риска для разработки глобального индикатора риска, который может использоваться в качестве инструмента для принятия решений. Для получения наиболее точных результатов с учетом всех внешних и внутренних факторов влияния, необходимо методику расширить для моделирования причинно-следственной связи между факторами риска и событиями риска через байесовскую сеть [32]. Кроме того, необходимо учесть экономически эффективную стратегию снижения рисков. Определить зону приемлемости риска по отношению к стоимости, чтобы сделать предлагаемую структуру производительности более устойчивой для принятия решений.
ЛИТЕРАТУРА
1. Соловейчик К.А., Микитась А.В., Аркин П.А. Методологические подходы к определению терминологии в области наукоёмкого производства // Известия Санкт-Петербургского государственного экономического университета. 2020. № 5 (125). С. 9-18.
2. Соловейчик К.А., Аркин П.А. Методические вопросы стимулирования роста глубины передела промышленной продукции субъектами Российской Федерации // Известия Санкт-Петербургского государственного экономического университета. 2015. № 4 (94). С. 25-30.
3. Аркин П.А., Рогова Е.М., Соловейчик К.А. Управление развитием технологических ресурсов хозяйственных систем: монография. СПб.: Изд-во С.-Петерб. ун-та, 2003. 174 с.
4. Алексеев А.А., Аркин П.А., Богданова Е.Л., Васильев В.Н., Гатчин Ю.А., Титов А.Б. Методология моделирования инновационного процесса на базе теории систем и теории сетей. СПб., 2013.
5. Аркин П.А., Богданова Е.Л., Максимова Т.Г. и др. Теория и практика управления инновациями в научной сфере, промышленности и бизнесе: монография. СПб.: ПОЛИТЕХ-ПРЕСС, 2020. 434 с.
6. Алексеев А.А., Аркин П.А., Богданова Е.Л., Соловейчик К.А., Ткалич В.Л., Васильев В.Н. Инновационное развитие промышленного комплекса: методология управления. СПб., 2013.
7. Аркин П.А., Соловейчик К.А. Кластерный подход как основа формирования производственных комплексов современной России // Известия Санкт-Петербургского университета экономики и финансов. 2010. № 3 (63). С. 23-26.
8. Соловейчик К.А. Совершенствование оценки контроля качества деятельности аудиторских организаций // Эффективные системы менеджмента: качество и цифровая трансформация. Материалы VIII международного научно-практического форума. 2019. С. 247-251.
9. Соловейчик К.А., Салкуцан С.В., Аркин П.А. Процессы управления наукоемкими производствами в машиностроении. СПб.: ПОЛИТЕХ-ПРЕСС, 2018. 438 с.
10. Виленский П.Л., Лившиц В.Н., Смоляк С.А. Оценка эффективности инвестиционных проектов. Теория и практика. М.: Дело, 2008.
11. Богданова Е.Л., Соловейчик К.А., Аркина К.Г. Экономико-математическое моделирование в риск-менеджменте. СПб., 2017.
12. Аркин П.А., Соловейчик К.А., Аркина К.Г. Организационно-экономическое моделирование. СПб.: Изд-во По-литехн. ун-та, 2016.
13. Аркин П.А., Левенцов В.А., Муханова Н.В., Соловейчик К.А., Аркина К.Г., Якубсон М.Я. Эффективное применение информационных технологий при реализации сложных программ: теория игр. СПб.: ПОЛИТЕХ-ПРЕСС, 2021.
14. Михайлов Г.А., Войтишек А.В. Статистическое моделирование. Методы Монте-Карло. М.: Юрайт, 2019. 323 с.
15. Аркин П.А., Соловейчик К.А., Аркина К.Г. Оптимизация процессов управления наукоемкими производствами: нелинейное программирование. СПб.: Изд-во Политехн. ун-та, 2016.
16. Воробьева Т.В. Управление рисками. Томск: Изд-во Том. гос. архит.-строит. ун-та, 2014. 68 с.
17. Аркин П.А. Организационно-экономический механизм экономической координации: логистический подход. СПб.: Изд-во СПбГУЭФ, 1998. 159 с.
18. Larson N., Kusiak A. Managing design processes: A risk assessment approach // IEEE Transactions on Systems, Man, and Cybernetics. Part A: Systems and Humans. 1996. № 26. Р. 749-759.
19. Elmaghraby S.E. On the fallacy of averages in project risk management // European Journal of Operational Research. 2005. № 165 (2). Р. 307-313.
20. Kayis B., Arndt G., Zhou M., Amornsawadwatana. A Risk mitigation methodology for new product and process design in concurrent engineering projects // CIRP Annals - Manufacturing Technology. 2007. № 56 (1). Р. 167170.
21. Черемных О.С., Черемных С.В. Моделирование и реинжиниринг бизнес-процессов. Вводный курс. М.: Финансовая академия, 2002.
22. Статистические методы анализа безопасности сложных технических систем / под ред. В.П. Соколова. М.: Логос, 2001. 230 с.
23. Parnell G., Hughes D.W. and others. Invited Review - Survey of Value-Focused Thinking: Applications, Research Developments and Areas for Future Research // Journal of Multi-Criteria Decision Analysis. 2013. № 20 (1). Р. 49-60.
24. Шмакалов А.Е., Аронов И.З. Метод FMEA и мониторинг бизнес-процессов // Методы менеджмента качества. 2005. № 10. С. 22-25.
25. Ahmed A., Kayis B., Amornsawadwatana S. A review of techniques for risk management in projects // Benchmarking: An International Journal. 2007. № 14 (1). Р. 22-36.
26. Shah L.A. Value-Risk based evaluation of industrial systems. Arts et Métiers ParisTech, PhD Thesis. 2012.
27. Costa C.A.B.E., Vansnick J.C. The MACBETH approach: basic ideas, software, and an application. Springer Netherlands, 1999.
28. Cliville V., Berrah L., Mauris G. Quantitative expression and aggregation of performance measurements based on the MACBETH multi-criteria method // International Journal of Production Economics. 2007. № 105 (1). Р. 171-189.
29. Официальный сайт ООО «Металлофасад». [Электронный ресурс]. Режим доступа: http://metallofasad.ru (дата обращения 08.12.2020).
30. Anselmetti B. Manuel de tolérancement: Volume 2, Bases de la cotation fonctionnelle. Hermès Science Publications, Paris, 2008.
31. Киселева И.А. Оценка рисков в бизнесе // Консультант директора. 2001. № 15. С. 25-27.
32. Соловейчик К.А., Светлов Р.В., Аркин П.А. Байесовские сети принятия решений в задачах управления рисками информационной подсистемы организации // Известия Санкт-Петербургского государственного экономического университета. 2021. № 2 (128). С. 88-99.
