CC BY
16Нечёткая продукционная модель для отбора потенциально инвестицонных проектов в мультиагентной информационной системе сопровождения проектов инновационных бизнес-инкубаторов
Петухова Жанна Геннадьевна,
д.э.н., профессор, кафедра «Экономики, менеджмента и организации производства», Норильский государственный индустриальный институт, ist@norvuz.ru
Петухов Михаил Вадимович,
к.э.н., доцент, кафедра «Информационные системы и технологии», Норильский государственный индустриальный институт, ist@norvuz.ru
Беляев Игорь Сергеевич,
старший преподаватель, кафедра «Информационные системы и технологии», Норильский государственный индустриальный институт, ist@norvuz.ru
Основная задача функционирования бизнес-инкубаторов сводится к поддержке инвестиционное привлекательных проектов. Система отбора потенциально инновационных проектов долина учитывать множество факторов, которые с одной стороны обязаны быть универсальными для большинства проектов, а с другой должны учитывать уникальность проекта, которая зачастую является содержанием инновации как таковой. В данной статье для оценивания требуемых характеристик проекта, разработана иерархическая нейро-нечеткая модель. Все факторы для данной модели, были представлены в виде лингвистической переменной, где для каждой переменной были выявлены терм-множества. Сформирована иерархическая база нечетких правил. Разработанная нечеткая модель используется в муль-тиагентной информационной системе сопровождения инновационных бизнес-инкубаторов. Приведены результаты практической эксплуатации данной системы и ее эффективность. Ключевые слова Инвестиции, международные стандарты, модель отбора, лингвистическая переменная, функция принадлежности, алгоритм Мамдани.
Введение
Инвестиции играют очень важную роль в экономике. Они необходимы для фундаментального развития экономики, обеспечения постоянного экономического роста. Активный инвестиционный процесс программирует экономический потенциал страны в целом, способствует повышению жизненного уровня населения. Именно поэтому ведущие компании должны совершенствовать систему отбора потенциально инвестиционных проектов, учитывающие необходимые и достаточные критерии отбора, которые с одной стороны обязаны быть универсальными для большинства проектов, а с другой должны учитывать уникальность проекта, которая зачастую является содержанием инновации как таковой. Формирование набора критериев отбора и их оценки, очевидно, базируется на принципах, используемых для оценки эффективности инвестиционных проектов.
В современных условиях особую значимость приобретает применение международных стандартизированных методов их оценки. Выделяют несколько основных методов оценки их коммерческой привлекательности: финансовая оценка и экономическая оценка. В первом случае оценивается платежеспособность проекта в ходе его реализации, во втором - потенциальная способность проекта сохранить экономическую ценность вложенных средств и обеспечить достаточный темп их прироста. Эти важные критерии оказывают существенное влияние на выбор запрашиваемого потенциально инвестируемого проекта, где при сравнении двух потенциальных проектов, обладающих одинаковыми критериями, более подходит тот, критерии которого больше подходят для инвестора [2].
Кроме коммерческой привлекательности важной является социальная привлекательность проектов, которая может быть софинансирована государственными структурами и социально ответственными предприятиями. Но часто возникает ситуация, когда запрос от инвестора не может быть удовлетворен за счет работы всего с одним проектом, хотя представленные на рынке данные могут пересекаться по некоторым признакам и удовлетворять лишь часть потребностей предприятия или инвестора. В этом случае актуальной становится задача формирования комплексного проекта. В связи с этими проблемами ведущие компании должны постоянно совершенствовать систему отбора потенциально инвестиционных проектов и использовать при отборе современные методы и технологии, без которых сложно обеспечить точность поиска. Следовательно, архитектура системы отбора и оценки проектов должна быть открытой и легко адаптируемой при необходимости добавления дополнительных критериев, а задача проектирования и реализации такой архитектуры является актуальной.
X X
о
го А с.
X
го т
о
м о м о
о см о см
о ш т
X
3
<
т О X X
В данной статье проведен анализ существующих критериев оценки потенциально привлекательных инвестиционных проектов, которые позволили сформировать архитектуру онтологической модели, представленной в виде иерархической нейро-нечеткой сети типа ANFIS. Разработанная иерархическая нейро-нечеткая сеть реализована как программный продукт, на который получено свидетельство о государственной регистрации для ЭВМ № 2018617398 от 25.06.2018г. Разработка и внедрение данной системы позволили снизить процент выбора для финансовой поддержки заведомо некачественных и повысить число потенциально привлекательных инвестируемых проектов.
1. Анализ существующих критериев оценки потенциально привлекательных инвестиционных проектов
Важным аспектом для инвестирования, является экспертная оценка потенциальных проектов. В Америке, Европе и странах Азии используется методика Организации по промышленному развитию ООН.
Смысл данной методики состоит в том, чтобы в достаточной мере доказать жизнеспособность проектов, иногда дополняя консультациями различных специалистов. Структура данной методики включает следующие факторы (табл.1).
Таблица 1
Проектная документация Данные о технологии производства и требуемом оборудовании; информацию о необходимых НИОКР, лицензиях и импортном оборудовании; отбор наилучших технологических решений.
Организация предприятия и накладные расходы Оценка различных вариантов, возможные каналы сбыта и т.п.
Трудовые ресурсы. Оценка потребности в трудовых ресурсах с разбивкой по категориям
Планирование сроков осуществления проекта. Сроки реализации строительства предприятия. Монтаж, наладка оборудования
Финансово-экономическая оценка проекта. Периоды реализации проекта
В работе [3] отмечается, что основными параметрами оценки проектов для инвестора являются критерии, сгруппированные в пять групп: Группа 1 «Оценка проекта»:
- степень актуальности
- степень устойчивости
- степень соответствия инвестиционной потребности
- длительность реализации проекта
- степень корректности используемых моделей
- уникальность
Группа 2 «Оценка разработчиков»
- уровень квалификации исполнителей
- опыт разработки проектов
- опыт внедрения проектов
- наличие научных публикаций по тематике проекта
- наличие авторских прав
Группа 3 «Оценка полученных результатов»
- степень надежности
- степень новизны
Группа 4 «Экономическая оценка проекта»
- эффективность инвестиций
- востребованность на рынке
- возможность адаптируемости
Группа 5 «Соответствие онтологии проекта заявленной инвестором онтологии»
- полное соответствие запросу инвестора
- соответствие инвестиционного запроса предметной области проекта.
Каждый из указанных качественных параметров является лингвистической переменной, причем методология их использования подразумевает, что инвестор априорно задает минимально допустимое для него значение каждого параметра, а также весовое значение влияния этого параметра (от 1 до 10) в интегральной оценке проекта. В конечном результате данной оценки, абсолютно каждый проект представляется в виде многомерного нечеткого OLAP-куба, соответствующего нейро-нечеткой сети, над которыми в дальнейшем определены операции объединения и пересечения данных OLAP-кубов для формирования комплексных проектов.
2. Формирование архитектуры нейро-нечеткой продукционной модели
Классическая нечеткая продукционная модель предполагает, что ее архитектура определяется экспертной группой, имеющей большой опыт владения той или иной предметной областью. Эти же эксперты в процессе эксплуатации модели периодически корректируют параметры настройки лингвистических переменных. Однако при оценке потенциально привлекательных инвестиционных проектов, заявляют о наличии той или иной инновации, весьма трудно (а зачастую просто невозвожно) сформировать репезентативную группу экспертов. Выходом в такой ситуации является использование нейро-нечетких продукционных моделей [13]. Нейро-нечеткой продукционной моделью называется нечеткая п модель, где основные параметры базы правил, адаптируются с помощью нейронной сети. Теоретически обоснованные принципы автоматического построения архитектуры иерархических нейро-нечетких сетей представлены в работе [3], где указаны правила определения оптимального количества входных переменных для каждого элемента нейро-нечеткой модели, а также допустимое количество терм-множеств для лингвистических переменных.
Ориентируясь на данные принципы определим лингвистические переменные, их терм-множества и определим структуру нечёткой нейронной сети.
2.1. Формирование множеств лингвистических переменных
В процессе формирования пяти групп, с требуемыми параметрами оценки потенциально инвестиционных проектов, было получено 17 факторов, которые в дальнейшем и будут лингвистическими переменными.
В соответствии с проведенными данными соответствия профессионально важных качеств и критериев в данной работе используются следующие лингвистические переменные:
1. Хг - Степень актуальности.
2. Х2 - Степень устойчивости.
3. Х3- Степень соответствия приоритетным направлениям.
4. Хц - Наличие публикаций.
5. Х12 - Степень надежности.
6. Х17 - Возможность адаптируемости. Вследствие полученных данных, мы определили
терм-множество выходной переменной, которая также содержит три терма: низкая, средняя, высокая.
Рассмотрим два проекта значения нечетких критериев оценки проектов из работы [6] и сравним их по степени соответствия на основе описания входных и выходных лингвистических переменных.
Таблица 1.1.
см со ю (С г*- оо О) о см со ю (О г*- Итого-
вая
оценка
Степень 8'0
соответ-
ствия
оо г*- Г"- оо СО ю оо (О ю оо ю
о о о о о о о о о о о о о о
Р1 0,93
Таблица 1.2.
Проект Р1, желательнее с точки зрения инвестиционных условий (критерий с наивысшим приоритетом), так как этот проект превосходил проект Р2 по степени соответствия.
В зависимости от сферы профессиональной деятельности инвестора важные критерии оценки проектов могут отличаться, однако вышеописанные критерии являются общепринятыми. В разработанной авторами статьи многоагентной системе сопровождения бизнес-инкубатров кроме установленного по умолчанию ранга критериев, инвестор вправе в интерактивном режиме указать собственные их приоритеты, которые автоматически переконфигурируют архитектуру иерархической нейро-нечеткой сети оценки потенциально привлекательного проекта.
2.2. Блок прямого нечеткого вывода
Для полноценной функциональности системы требовалась разработка блока нечеткого вывода. Чтобы продукционная модель могла быть представлена структурой «много входов - один выход», а также относилась к типу нечетких лингвистических правил.
Взяв за основу тип нечетких лингвистических переменных, мы остановили свой выбор на алгоритме вывода Мамдани, ибо именно в этом алгоритме имеется возможность обучения с применением метода обратного распространения ошибки в качестве основной настройки, не брав во внимание скорость вычислений и точность аппроксимации, так как данная задача будет решена на этапе обучения нейронной сети.
см со ю (О г*- оо О) о _ см со ю (О г*- Итого-
вая
оценка
Степень оо СО оо
соответ-
ствия
СО оо со (О Г"- ю СО (О оо со г*-
о о о о о о о о о о о о
Р2 0,89
о es о es
о ш m
X
3
<
m О X X
Во время создания блока нечеткого вывода, была использована структура нечеткой продукционной сети типа ANFIS (рис. 1.), реализующая алгоритм нечёткого вывода Мамдани, которая включает в себя 5 слоёв.
В результате мы получаем гибридную систему с нейро-нечётким управлением для непрерывного мониторинга состояния информационной базы потенциально инвестиционных проектов. Представленная структура была реализована в отдельном программном модуле, интегрированном в программу МИС «СПиБи».
2.3. Функционал модуля выбора потенциально инвестиционного проекта
Для расчета уровня инвестиционной привлекательности проекта, реализован модуль с перечнем оцениваемых критериев (рисунок 2.). В этом модуле также задаются задания нижнего уровня (Х1 - Х17), а также вычисления общих показателей в результате формирования свертки. Кроме того, данный модуль позволяет сравнить оценки разных экспертов, а следовательно в случае несогласованности, отправить на повторное оценивание.
На форме «Печень оцениваемых критериев» имеется возможность построения диаграмм, таблиц. Где и производятся наглядные показатели о полученных оценках от экспертов.
После чего на форме «Сводная таблица экспертных оценок» производится экспертная оценка 1С:ССП и расчет его инвестиционной привлекательности (рисунок 2.1).
кече Фсн^нСГГ-ТН rwmcipf
neРЕЧЕкЬ OUïHHbAf M tri КРКГЕ P И£В
Ou» а проекта (tl и
1 1 готовности лт*.т* frfl | 0®
12 CmM^Tfnwn'CQI 0.7
2 О««»» Jt р*эр«0ег<м4« |U2)
Î-1 ÛftoT дое«ботг» проекте* pO| 0,7
гг OÎWT проектов (COj «
3 Oa«*-i raxvaiM [«»(»ти IUÎI
Рис. 2. Выбор эксперта
Предложенный подход может быть применен к моделированию отбора потенциально инвестируемых проектов.
Заключение
В ходе данной работы, была разработана методика оценки потенциально инвестиционных проектов на основе архитектуры онтологической модели, представленной в виде иерархической нейро-нечеткой сети типа ANFIS, позволяющая снизить процент выбора для финансовой поддержки заведомо некачественных и повысить число потенциально привлекательных инвестируемых проектов.
Данная нечеткая модель используется в мультиа-гентной информационной системе сопровождения инновационных бизнес-инкубаторов. Данная система разрабатывается для Норильского государственного индустриального института и в настоящее время находится в стадии апробации.
Литература
1. Мультиагентная информационная система сопровождения проектов инновационных бизнес-инкубаторов / С.Г. Фомичева, Т.Н. Елина, С.С. Панченко, И.С. Беляев // Современные тенденции в науке и образовании: сб. науч. тр. по материалам Междунар. науч.-практ. конф. 3 марта 2014 г. В 6 ч. Ч. II. - М.: АР-Консалт, 2014.
- С. 126.
2. Мультиагентная система управления рынком инвестиционных проектов в энергетике / Елин Н.Н., Елина Т.Н., Мыльников В.А. // Вестник ИГЭУ. - 2016. - № 2. - С. 1-8, 2016, № 177
3. Елин Н.Н., Фомичева С.Г., Елина Т.Н., Мыльников В.А. Моделирование редуцированных баз знаний при интеграции инвестиционных проектов в энергетике // Вестник ИГЭУ. - 2016 - Вып. 1 - С. 63-68.
4. Чертина, Е.В. Комплексная количественная оценка инновационных ИТ - проектов на основе нечетко
- множественных описаний /Е.В. Чертина, И.Ю. Квятков-ская // Прикаспийский журнал: управление и высокие технологии. - 2016.- № 1 (33). - С. 50-62.
5. Чертина, Е.В. Информационная система оценки, анализа, отбора и мониторинга инновационных ИТ - проектов / Е.В.Чертина, И.Ю. Квятковская //Фундаментальные исследования. - 2016. - № 5. Ч.3 - С. 526-530.
6. Елин Н.Н., Фомичева С.Г., Елина Т.Н., Мыльников В.А. Моделирование редуцированных баз знаний при интеграции инвестиционных проектов в энергетике // Вестник ИГЭУ. - 2016. - Вып. 1 - С. 63-68.
7. Коссов, В.В. Методические рекомендации по оценке эффективности инвестиционных проектов / В.В. Коссов, В.Н. Лившиц, А.Г. Шахназаров.-М.:Экономика. -2000. - 421 с.
8. Лубенцова, Е.В. Интеллектуальные технологии в управлении нечетко-определенными объектами биосистемы / Е.В. Лубенцова // Математические методы в технике и технологиях - ММТТ-26 : сб. трудов XXVI Междунар. науч. конф.: в 10 т. Т. 8. Секция 7 / под общ. ред. А.А. Большакова. - Нижний Новгород: Нижегород. гос. техн. ун-т, 2013. - С. 71-72.
9. Ганина, Я.О., Лаптев В.В. Нечеткая продукционная модель для оценки профессиональных качеств морских специалистов // Управление в социальных и экономических системах. - 2016.- № 6. - С. 101 - 107.
Рис. 2.1. Экспертная оценка 1С:ССП и расчет его инвестиционной привлекательности
10. Пегат, А. Нечеткое моделирование и управление. [Текст] / А. Пегат; пер. с англ. - М.: БИНОМ. Лаборатория знаний, 2009. - 798 с
11. Усков, А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечёткая логика / А.А. Усков, А.В. Кузьмин. - М.: Горячая Линия - Телеком, 2004. - 143 с.
12. Свидетельство о государственной регистрации программы для ЭВМ № № 2018617398 от 25.06.2018г., РФ, МПН (нет). «Программа управления мультиагентной информационной системой сопровождения проектов инновационных бизнес-инкубаторов» / И.С. Беляев, С.С. Панченко, С.Г. Фомичёва. - 2018
13. Рудковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рудковская ; пер. с пол. И.Д. Рудинского. - М. : Горячая линия-Телеком, 2008. -452 с.
Fuzzy production model for selecting potential investment projects in a multi-agent information system for supporting projects of innovative business incubators Petukhova Zh.G., Petukhov M.V., Belyaev I.S.
Norilsk State Industrial Institute
The main task of business incubators is to support attractive investment projects. The system for selecting potentially innovative projects must take into account many factors that, on the one hand, must be universal for most projects, and on the other hand, must take into account the uniqueness of the project, which is often the content of innovation as such. In this article, a hierarchical neuro-fuzzy model is developed to evaluate the required characteristics of the project. All factors for this model were presented as a linguistic variable, where term sets were identified for each variable. A hierarchical database of fuzzy rules has been formed. The developed fuzzy model is used in a multi-agent information system for supporting innovative business incubators. The results of practical operation of this system and its effectiveness are presented. Keywords Investment, international standards, selection model, linguistic variable, membership function, Mamdani algorithm.
References
1. Multiagent information system for supporting projects of innovative business incubators / S. G. Fomicheva, T. N. Elina, S. S. Panchenko, I. S. Belyaev // Modern trends in science and education: collection of scientific Tr. based on the materials of the international journal. scientific-practical Conf. March 3, 2014 6 h. h. II. - M.: AR-KONSALT, 2014. - 126
2. Multi-agent control system of investment projects in energy / Elin N. N., Elina T. N., Mylnikov, V. A. // Vestnik IGEU. - 2016. -No. 2. - S. 1-8, 2016, No. 177
3. Elin N. N., Fomichev S. G., Yellin, T. N., Mylnikov, V. A. Modeling of reduced knowledge bases at the integration of investment projects in the energy sector // Vestnik IGEU. - 2016 - Vol. 1 - 63-68.
4. Certina, E. V. Integrated quantitative assessment of innovative it projects based on fuzzy - set descriptions /Certina E. V., Kvyatkovskaya I. Yu. / / Caspian journal: management and high technologies. - 2016.- № 1 (33). - 50-62.
5. Chertina, E. V. Information system for evaluation, analysis, selection and monitoring of innovative it projects / E. V. Chertina, I. Yu. Kvyatkovskaya / / Fundamental research. -2016. - No. 5. H. 3 - 526-530.
6. Elin N. N., Fomichev S. G., Yellin, T. N., Mylnikov, V. A. Modeling of reduced knowledge bases at the integration of investment projects in the energy sector // Vestnik IGEU. -2016. - Vol. 1 - 63-68.
7. Kossov, V. V. Methodological recommendations on assessment of efficiency of investment projects / V. V. Kossov, V. N. Livshits, A. G. Shahnazarov.-M.:Economics. - 2000. -421.
8. Lubentsova, E. V. Intelligent technologies in the management of fuzzy-defined objects of the biosystem / E. V. Lubentsova // Mathematical methods in engineering and technology-mmtt-26: collection of works XXVI international. scientific Conf.: in 10 vols. 8. Section 7 / under the General ed. of A. A. Bolshakov. -Nizhny Novgorod: Nizhegorod. state technical University UN-t, 2013. - 71-72.
9. Ganina, Ya. O., Laptev V. V. Fuzzy production model for assessing the professional qualities of marine specialists / / Management in social and economic systems. - 2016. - No. 6. -101-107.
10. Pegat, A. Fuzzy modeling and control. [Text] / A. Pegat; TRANS. from English-M.: BINOM. Laboratory of knowledge, 2009. - 798.
11. . 11. Uskov, A. A. Intelligent control technologies. Artificial neural networks and fuzzy logic / A. A. Uskov, A.V. Kuzmin. -M.: Hotline-Telecom, 2004. - 143.
12. Certificate of state registration of the computer program no. 2018617398 dated 25.06.2018, Russian Federation, MPN (no). "Program for managing a multi-agent information system for supporting projects of innovative business incubators" / I. S. Belyaev, S. S. Panchenko, S. G. Fomicheva. - 2018
13. Rudkovskaya, D. Neural networks, genetic algorithms, and fuzzy systems / D. Rudkovskaya; per. from the floor Of I. D. Rudinsky. - M.: Hotline-Telecom, 2008. - 452.
X X О го А С.
X
го m
о
to о to о
