CC BY
17НЕЧЕТКИЕ ПОВЕДЕНЧЕСКИЕ МОДЕЛИ ПРИНЯТИЯ РЕШЕНИЙ C УЧЕТОМ ИРРАЦИОНАЛЬНОСТИ ПОВЕДЕНИЯ ЧЕЛОВЕКА
FUZZY BEHAVIORAL DECISION-MAKING MODEL BASED ON HUMAN IRRATIONAL BEHAVIOR
Аверкин А.Н. — Кандидат физико-математических наук, доцент, доцент кафедры информатики Российского экономического университета имени Г.В. Плеханова
Averkin A.N. — Candidate of Science (Physics and Mathematics), Associate Professor of the Department of Informatics, Russian Plekhanov University of Economics
Аннотация
Имеется большое количество работ по поведенческой экономике, в которых используются классические модели на основе рациональности. ЛПР (лицо принимающие решение) демонстрируют ограниченную рациональность и полную иррациональность, что затрудняет прогнозирование и принятие решений в экономике, в ситуациях неопределенности. В работе предлагается построить модель поведенческого принятия решений человеком, учитывающую ментальные модели человека (на базе «система 1», «система 2» Д. Канемана).
Анализ поведение ЛПР в ситуации неопределенности, проводится на основе поверхностей нечеткого вывода полученных путем моделирования, и эксперимента учитывающего эвристические ошибки при принятии решения.
Abstract
There are a large number of papers on behavioral economics, which are used in the classical models based on rationality. DMP exhibit bounded rationality and complete irrationality, which makes forecasting and decision-making in the economy, in situations of uncertainty. The paper proposes to build a behavioral model of decision-making person, taking into account the human mental models (based on the «System 1», «System 2» D. Kahneman).
Analysis of the behavior of decision-makers in a situation of uncertainty is based on fuzzy inference surfaces obtained by simulation and experiment, taking into account the heuristic errors in decision making.
153
Ключевые слова: принятие решений, когнитивные модели, нечеткая логика, универсальные множества, нейронная сеть, эвристики, продукционные правила.
Keywords: decision-making, cognitive models, fuzzy logic, universal sets, neural network, heuristics, production rules.
Введение
Целью работы было увеличение точности экономического прогнозирования в ситуациях неопределенности с помощью поведенческих моделей принятия решений в моделировании бизнес-процессов на основе ментальных моделей. Задачей являлось создание поведенческой модели принятия решений на основе теории перспектив.
Основой данной работы послужили исследования в области поведенческой экономики. Поведенческая экономика — это область экономики, которая изучает влияние социальных, когнитивных и эмоциональных факторов на принятие экономических решений. Она тесно взаимосвязана с когнитивной и экспериментальной экономиками [1]. В этих областях научных исследованиях используется методы нейрофизиологии, психологии, лингвистики, антропологии, а также весь аппарат современных компьютерных наук вплоть до робототехники и моделирования мозга на суперкомпьютере. Все эти направления, так или иначе, связаны с представлением знаний в мозге человека.
Нерациональность человеческого поведения не раз подтверждалась экспериментально. Нобелевский лауреат Д. Канеман (Kahneman, 2003) выдвинул предположение о существовании двух эволюционно и структурно различающихся систем, обусловливающих принятие решений:
а) быстрой, автоматической, или бессознательной (Система 1), и
б) медленной, целенаправленной, произвольной (Система 2).[2].
В настоящее время многочисленные нейроэкономические исследования посвящены изучению взаимодействия рациональной и эмоциональной систем в рамках дуализма Канемана. Среди наиболее часто используемых экспериментальных моделей можно назвать игру «Ультиматум» (Ultimatum Game).
Особого внимания заслуживает тот факт, что по соотношению активности островковой и лобной коры (DLPFC) можно предсказать, будет полученное игроком предложение принято или отвергнуто (рис. i).[3].
Результатом вышеприведенных исследований стало развитие такой дисциплины, как когнитивная экономика и нейроэкономика.
154
г
Рис. 1. Области головного мозга вовлеченные в процесс принятия решения.
Исходя из современных представлений нейроэкономики, принятие решений и, как следствие, — выбор оптимального поведения происходят на уровне специализированных нейронных сетей.
Область когнитивных технологий в экономике основана на применении когнитивной науки к экономике и изучает модели принятия экономических решений в сознании человека.
Структура и основные функции модели
При создании поведенческой модели принятии решения учитывались эмоции ЛПР (Система 1), и репрезентативность (Система 2). В модели используется нечеткая логика и продукционные правила. Этот подход делает модель принятия решений интуитивно понятной, благодаря лингвистическим переменным, формирующим продукционные правила. Еще одно преимущество это универсальность, получаемая при переходе от конкретных значений к универсальным шкалам. Для решения поставленной задачи использовалась среда MATLAB, а именно Fuzzy logic Toolbox.
На этапе построения модели выделено шесть входных переменных (Service, Offer, DuringEmotions, Income, Cost, EmotionBefore) и две выходные (Deal, EmotionAfter). Каждая переменная принимает от трех до шести состояний имеющих соответствующее лингвистическое значение, так например первая входная лингвистическая переменная Service имеет терм-множество Т1 = {«bad», «good», «excellent»}. Соответственно: DuringEmotions T2 = {«bad», «okay», «good»}, Cost T3={«small», «normal», «huge»}, и так далее.
В модели применяется алгоритм нечеткого вывода Мамдани. Учитываются только активные правила нечетких продукций. Для
дефаззификации выходных переменных в среде MATLAB используется метод центра площади [4].
В качестве результата моделирования получаем процентные значения выходных переменных на универсальной шкале. Основной интерес с точки зрения анализа полученных результатов представляют поверхности нечеткого вывода, позволяющие проанализировать значения выходных переменных при изменении входных.
Проведение эксперимента
Для достоверности было необходимо сравнить поверхности, полученные с помощью продукционной модели, с поверхностями численного моделирования. Следующим этапом стало создание приложения позволяющего проводить эксперимент по нескольким сценариям, учитывая эвристики выявленные Д. Канеманом. Приложение представляет собой игру в конверты. В каждом конверте с заданной вероятностью может находиться денежный приз (рис. 2).
Рис. 2. Формы приложения
На выходе создается файл с числовыми данными, отражающими степень риска, на который идет ЛПР, от размера выигрыша.
Анализ полученных поверхностей
В нашей модели было получено тридцать поверхностей нечеткого вывода. Большинство полученных поверхностей имеют схожий вид. Это обуславливается тем, что все входные и выходные переменные можно отнести к одной из двух конкурирующих при принятии решения систем. Для примера рассмотрим поверхность отражающую зависимость величины расходов или склонности к риску от уровня доходов ЛПР. То есть, эта поверхность представляет собой функцию полезности (рис. 3, слева). Для сравнения приведена функция полезности, полу-
156
ченная в труде «анализ полезности при выборе среди альтернатив, предполагающих риск» М. Фридмен, Л.Дж. Сэвидж (рис. 3, справа)
Рис. 3. Функция полезности учитывающие доход ЛПР
На рисунке видно, что поверхность нечеткого вывода имеет участки схожие с функцией полезности полученной Дж. Сэвиджем на основе принципов, схожих с эвристиками Д. Канемана. Графики, полученные экспериментальным путем (рис. 4), подтверждают данные, полученные при моделировании. В работе учитывается конкуренция долей мозга ЛПР, что позволяет смоделировать ограниченную рациональность или полную иррациональность поведения в неопределенности. То есть ЛПР может отвергать выгодные предложения или принимать невыгодные под действием эмоций и ошибочных суждений.
Рис. 4. Графическое представление экспериментальных данных
Библиографический список
1. Абдикеев Н.М., Аверкин А.Н., Ефремова Н.А. Когнитивная экономика в эпоху инноваций // Вестник РЭА, 2010, № 1.
157
2. Канеман Д., Словик П., Тверски А.. Принятие решений в неопределенности: Правила и предубеждения/Пер. с англ. — Х.: Изд-во Институт прикладной психологии «Гуманитарный Центр», 2005. — 632 с. ISBN 966-8324-14-5.
3. Ключарев В.А., Шестакова А.Н. Нейроэкономика: нейробиоло-гия принятия решений. Экспериментальная психология, 2011, том 4, № 2, с. 14-35..
4. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. — СПб.: БХВ-Петербург, 2005. — 736 с.: ил. ISBN 5-94157-087-2.
Контактная информация:
141980, Московская обл., г. Дубна, ул. Университетская, 19; e-mail: averkin2003@inbox.ru.
Contact links:
141980, University st. 19, Moscow Reg., Dubna, ул.; e-mail: averkin2003@inbox.ru.
158
