CC BY
119
УДК 004.8+004.94 ББК 30в6
Горбачевская Е.Н.
МОДЕЛЬ НЕЙРОННОЙ СЕТИ В СИСТЕМЕ ОПРЕДЕЛЕНИЯ ЭФФЕКТИВНОСТИ РАБОТЫ ПРЕДПРИЯТИЯ
Gorbachevskaya E.N.
THE MODEL OF NEURAL NET IN THE SYSTEM FOR DETERMINING THE EFFICIENCY OF THE ENTERPRISE
Ключевые слова: эффективность работы предприятия, модель оценки эффективности работы предприятия, быстрые нейронные сети.
Keywords: efficiency of the enterprise, the model of evaluation of the efficiency of the enterprise, fast neural networks.
Аннотация
Использование модели нейронной сети в системе определения эффективности работы предприятия.
Abstract
The article deals with the use of the model of neural net in the system for determining the efficiency of the enterprise.
Каждая компания сталкивается с рядом фундаментальных задач: снизить издержки, максимально увеличить прибыль и опередить конкурентов и при этом не нарушить долговременную функциональность предприятия. Решение данных задач описывается одним емким понятием «эффективность работы» предприятия. В области определения методик оценки эффективности работы предприятия работы ведутся давно. Проблемой оценки эффективности работы предприятия занимались: М.Л. Шухгальтер, М.М. Глазов, А.Е. Карлика, В.И. Лоскутов, И.В. Сергеев, И.И. Веретенникова, О.И. Волков, В.М. Прудников, В.К. Скляренко, И.В. Омельченко, С.В. Краснов, Н.О. Куралесова, С.И. Трубачева, Г.В. Савицкая и т.д.
Оценка эффективности работы предприятия, как правило, основывается на анализе различных финансовых показателей, таких как чистая прибыль, рентабельность инвестиций, рыночная стоимость предприятия и др. Однако составляя список финансовых коэффициентов, на основании которых будут приниматься стратегические решения, необходимо учитывать преимущества и недостатки использования этих показателей на практике. Для определения влияния основных и оборотных фондов на выбранные показатели эффективности работы предприятия предлагается использовать модель на основе нейронной сети.
Гипотеза исследования: применение модели оценки эффективности работы предприятия на основе нейронной сети позволит определить влияние затрат предприятия на экономические показатели эффективности работы, спрогнозировать работу предприятия.
Методологической основой исследования явились общенаучные принципы проектирования, теория системно-комплексных подходов к изучению экономических явлений.
Для решения поставленных в исследовании задач применялись следующие методы: анализ литературы по проблеме исследования экономической и технической документации; обобщение опыта отечественной и зарубежной практики применения моделей в организации производства.
Рассмотрим модель на основе быстрых нейронных сетей в виде многослойного перцептрона. Общее графическое представление многослойного перцептрона представлено на рисунке 1.
Рисунок 1 - Двухслойный перцептрон
Нейронная сеть состоит из ядер (нейронов). Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон -выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Работа нейронной сети основана на принципе параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.
Текущее состояние ядер каждого слоя определяется как взвешенная сумма его входов:
(1)
где xi - входные показатели эффективности работы предприятия, а wi - их весовые коэффициенты, определяемые экспертами в работе данного предприятия.
Весовые коэффициенты синапсов одного слоя нейронов можно свести в матрицу W, в которой каждый элемент wij задает величину ьой синаптической связи j-ого нейрона. Таким образом, процесс, происходящий в НС, может быть записан в матричной форме:
У = Б(ХШ) (2)
где X и Y - соответственно входной и выходной сигнальные векторы, F( V) -
активационная функция, применяемая поэлементно к компонентам вектора V.
Результат функционирования любой р-слойной нейронной сети с весовыми
матрицами '^1), 1 = 1,2, ...р для каждого слоя i сводился бы к перемножению входного вектора сигналов X на матрицу
\у( (3)
то есть фактически такая р-слойная НС эквивалентна однослойной НС с весовой матрицей единственного слоя \У^:
У=ХШ(П). (4)
Для увеличения веса некоторых показателей можно использовать другую запись, например:
п
8 = ^ ' х((;+1)тоап)' ^ • (5)
¡=1
При этом данный нейрон (экономический показатель эффективности работы предприятия) увеличивает вычислительную мощь сети.
Число нейронов в каждом слое может быть произвольным. Чем сложнее нейронная сеть, чем более приближена она к работе конкретного предприятия, тем более точно можно определить влияние каждого показателя работы предприятия на общую эффективность работы в целом.
Выбор структуры нейронной сети осуществляется в соответствии с особенностями и сложностью поставленной задачи. При проектировании нейронной сети, определяющей эффективность работы предприятия, опираются на следующие принципы:
1. Возможности сети и точность вычислений возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоев;
2. Для увеличения динамической устойчивости сети необходимо введение обратных связей (учитывается влияние выходных показателей на входные);
3. Для увеличения вычислительной мощности сети усложняют алгоритмы функционирования сети (в том числе, например, введение нескольких типов синапсов -возбуждающих, тормозящих и др.).
Использование нейронной сети для конкретного предприятия определяет свойства сети, ее структуру и функциональные особенности. На основе экспертных оценок специалистов в области разработки моделей и специалистов, занимающихся стабилизацией работы данного предприятия, определяются функции нейронной сети.
Немаловажный этап использования модели на основе нейронной сети в системе определения эффективности работы предприятия - это этап обучения нейронной сети. Для обучения сети необходимо подготовить обучающую выборку показателей работы предприятия как входных X, так и выходных (целевых) Y, которые являются обучающей парой.
По заложенному внутреннему алгоритму нейронная сеть подстраивает веса своих синаптических связей. Для каждого входного вектора подбирают парный ему целевой вектор, задающий требуемый выход. Сеть обучается на многих парах. Механизм обучения сети в этом случае выглядит следующим образом: предъявляется входной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, при этом разность (ошибка) с помощью обратной связи подается в сеть. Весовые коэффициенты изменяются в соответствии с некоторым алгоритмом, стремящимся минимизировать ошибку. При последовательном предъявлении векторов обучающей выборки вычисляются ошибки, и весовые коэффициенты подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня [2].
Сущность действий, на которые способна модель на основе нейронной сети, зависит от величин синаптических связей, поэтому необходимо найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными).
На этапе обучения, кроме параметра качества подбора весов, важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса.
Наиболее часто используемый метод обучения нейронной сети, который используется на практике, - это обучение с учителем. В этом случае выходы нейронной сети формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.
Существует множество различных алгоритмов обучения нейронных сетей и определение конкретного алгоритма является отдельной темой исследования.
Построение адекватной модели оценки эффективности предприятия с участием экспертов, и наличие достаточного набора статистических данных работы предприятия (различных временных срезов данного предприятия) определяет возможность прогнозирования поведения выходных показателей в зависимости от изменения входных.
На точность прогноза модели нейронной сети влияют не только входные и выходные данные, но и уровень детализации. Выбор уровня детализации зависит: от доступности и точности данных, стоимости анализа и предпочтения пользователей результатов прогнозирования.
При прогнозировании определяют три параметра: период прогнозирования, горизонт прогнозирования и интервал прогнозирования. Период прогнозирования - это основная единица времени, на которую делается прогноз. Горизонт прогнозирования - это число периодов в будущем, которые покрывает прогноз. То есть может понадобиться прогноз на 10 дней вперед с данными на каждый день. В этом случае период - сутки, а горизонт - 10 суток. Наконец, интервал прогнозирования - частота, с которой делается новый прогноз. Часто интервал прогнозирования совпадает с периодом прогнозирования. Выбор периода и горизонта прогнозирования обычно диктуется условиями принятия решений в области, для которой производится прогноз [2]. При выборе элементов прогнозирования необходимо обратить внимание на статистические данные работы предприятия. По этим данным формируют обучающую выборку, на которой обучают нейросеть.
Рассмотрим один из возможных алгоритмов получения прогноза. Проектируют временной ряд с интервалом в выбранную временную итерацию. Далее проводится работа по заполнению «пробелов» в истории и сглаживании ряда. Получают прогноз с изменение одного входного показателя. Формируют так называемые таблицы «окон» с глубиной погружения временных интервалов, определяющие части выборки для проверки результатов прогнозирования. В обучающую выборку можно вносить изменения в зависимости от требований к показателям и точности прогноза.
При работе в условиях неопределенности повышается вариация ошибки прогнозирования. В этом случае рекомендуется сократить время прогнозирования.
В исследовании предлагается методика определения зависимости расходных данных предприятия и показателей эффективности его работы на основе использования модели нейронной сети. Данная модель позволит провести экспертную оценку коэффициентов эффективности работы от затратных показателей предприятия. Применение вышеуказанной модели позволит спрогнозировать показатели эффективности в зависимости от входящих в расчет данных, что позволит проводить качественную диагностику работы предприятия как в стабильный период, так и в период реорганизации.
Библиографический список
1. Дорогов А.Ю., Алексеев А.А., Буторин Д.А. Концепция структурного моделирования нейронных сетей. Управление в социальных, экономических и технических системах. Кн. 3. Управление в технических системах: Труды Межреспубликанской научной конференции г. Кисловодск 28 июня -2июля 1998 г. - С. 81-84.
2. http://cmsd.narod.ru/Neuronet Арзамасцев А.А., Зенкова Н.А. Книга по нейронным сетям.
