Снижение негативных последствий субъективной иррациональности экономических субъектов с помощью системы поддержки принятия решений Reducing the negative consequences of subjective irrationality of economic entities using a
decision support system
Ь Л московский ЩР экономический
^jj ЖУРНАЛ
DOI 10.24411/2413-046Х-2020-10056 Ермошина Галина Петровна,
кандидат экономических наук, доцент кафедры экономики, менеджмента и финансов НИУМИЭТ
Андреева Александра Андреевна, кандидат экономических наук, доцент кафедры экономики, менеджмента и финансов НИУМИЭТ
Добрынина Мария Владимировна, кандидат политических наук, доцент кафедры экономики, менеджмента и финансов НИУМИЭТ
Ermoshina Galina P., Andreeva Alexandra A., Dobrynina Mariya V.,
National Research University of Electronic Technology (MIET), Zelenograd, Moscow, Russia marin709@rambler.ru, andreeva.miet@yandex.ru
Аннотация: В статье рассматривается вопрос нивелирования влияния поведенческих аномалий экономических субъектов на процесс принятия решений. Авторами предлагается создание системы поддержки принятия решений на основе метода рейтинговой оценки. В статье представлен алгоритм работы системы, а также обозначены дальнейшие направления и задачи исследования.
Summary. The article considers the issue of leveling the influence of behavioral anomalies of economic entities on the decision-making process. The authors propose the creation of a decision support system based on the rating assessment method. The article presents the system, identifies further areas and objectives of the study.
Ключевые слова: система поддержки принятия решений, метод оценки, алгоритм. Keywords: decision support system, rating method, algorithm.
I. Введение
Система поддержки принятия решений (БББ) представляет собой автоматизированную систему основной целью которой является обеспечение лиц, принимающих решения (ЛИР), всей полнотой необходимой информации и логически обоснованными рекомендациями, что позволяет облегчить процесс принятия решений.
Начиная с 1970 годов БББ прошли эволюцию от личного ассистента, выполняющего функцию информационной и аналитической поддержки, до интеллектуальных систем, способных генерировать готовые решения, учитывая предпочтения пользователей [1].
Современная динамическая среда оказывает существенное влияние на все стадии управления - сокращается время формирования решения, а сам процесс принятия решений выходит за рамки ответственности одного лица и принимает групповой характер. В связи с этим БББ разделились на две категории: индивидуальные и групповые (ООББ).
При создании БББ активно применяются различные математические методы и модели, каждая из которых имеет ограничения и внутренние противоречия. Возможность создания единой математической модели принятия решений является открытым вопросом. Предпринимались попытки объединить существующие подходы к формированию решений в рамках одной модели для построения многоцелевой и многокритериальной системы [2].
В области проектирования ООББ активно применяются методы гранулярных вычислений с целью достижения консенсуса на уровне группы и согласованности на уровне отдельных ЛИР. Такой подход позволяет сделать систему более адаптивной, когда каждый из критериев оценивания имеет разный вес, как и каждое из ЛИР, имеет разную степень влияния на принимаемое решение по каждому критерию в силу неоднородности знаний и практических навыков [3].
Большое количество современных исследований посвящено моделированию мультиагентных систем поддержки принятия решений для организаций (ОБББ) в условиях неопределенности, базирующихся на принципах машинного обучения. ОБББ является сложной структурой, которая может охватывать все виды деятельности и все подразделения в организации, участвующие в процессе принятия решений. Ирименение ОБББ целесообразно при решении междисциплинарных, комплексных задач [1].
Системы, использующие методы искусственного интеллекта, носят название интеллектуальные системы поддержки принятия решений (ЮВББ). Использование искусственных нейронных сетей, нечеткой логики, эволюционных вычислений и
ситуационного анализа обеспечивает БББ необходимую функциональность при решении сложных прикладных задач, позволяет формировать решения в условиях неопределенности, работать с большим объемом неоднородных данных [4].
При всей важности систем, позволяющих формировать групповые решения, поддержка индивидуального лица при принятии решений имеет не менее важное значение. Условия неопределенности, высокой степени сложности, недостатка времени порождают эвристики, которые негативно сказываются на качестве принятых решений [5].
Одно из основных направлений совершенствования индивидуальных систем поддержки принятия решений связано с необходимостью нивелировать негативные последствия субъективной иррациональности в управлении.
Задачами данной работы являются:
- выявление групп поведенческих аномалий, оказывающих наибольшее влияние на эффективность принятия решений;
- выбор методики многокритериальной оценки альтернатив, отвечающей условиям универсальности, эффективности, простоты и возможности индивидуального использования;
- разработка алгоритма работы индивидуальной БББ на основе выбранной методики.
Актуальность исследования подтверждается и тем фактом, что, как показали многочисленные исследования интеллектуальных систем, когнитивные искажения, присущие человеку, присущи и искусственному интеллекту [6]. II. Влияние когнитивных искажений на процесс принятия решений
Одним из важных достижений науки в начале 21 века стало признание и изучение поведенческих аномалий, являющихся ограничением эффективности принимаемых решений. Происходит трансформация взглядов на теорию поведения субъектов.
Исследования, проведенные учеными психологами А. Тверски и Д. Канеманом, показало, что люди совершая ошибки, совершают их одинаково, что дает возможность их идентифицировать и классифицировать. Эти исследования положили начало новому направлению научных исследований, именуемому «поведенческая экономика» [5].
Поведенческие аномалии представляют собой когнитивные искажения и эвристики заставляющие людей в условиях неопределенности принимать решения, которые нарушают логические модели, в том числе классическую (байесовскую) теорию вероятностей [7].
В настоящее время единой системы классификации поведенческих аномалий не существует. С. Холден выделяет три основные группы поведенческих аномалий, влияющих на рациональность поведения субъекта: ограниченные когнитивные способности, предпочтения и самоконтроль, справедливость и социальные нормы [8]. Рассмотрим некоторые из поведенческих аномалий, на наш взгляд, оказывающих наибольшее влияние на процесс принятия решений.
A. Ограниченные когнитивные способности.
Классический подход к принятию решений подразумевает, что агенты являются рациональными, то есть максимизируют общую полезность. Допускается, что в силу асимметричности информации рациональность может быть ограничена. Однако, научные исследования показывают, что в сложных ситуациях при принятии решения агенты часто используют эвристический метод принятия решений, что может привести к серьезным систематическим ошибкам [8]. Рассмотрим некоторые проявления субъективизма в процессе принятия решений.
Под эвристикой репрезентативности понимается склонность людей относить тот или иной объект к некой группе на основе выявленных у него общих специфических свойств, характерных для этой группы объектов. Иными словами, человек судит о каком-либо явлении или объекте, имея недостаточное количество данных [5].
Эффект фрейминга объясняет влияние способа представления информации на принимаемое индивидуумом решение. На основе одной и той же информации, представленной в разной форме, могут быть сгенерированы разные решения [5].
Парадокс «черных лебедей» заключается в том, что эксперты, делающие вероятностные прогнозы, склонны игнорировать маловероятные и беспрецедентные события, что приводит к неправильной оценке и возможным реальным проблемам и потерям [9].
Эффект якоря или эффект привязки заключается в том, что для принятия решения человеку требуется исходная величина, которая корректируется в сторону окончательного ответа. Исходная величина может быть задана или рассчитана. Различные исходные значения могут приводить к различным оценкам одного и того же явления, что противоречит принципам рациональности [5].
B. Предпочтения и самоконтроль.
Искажения межвременного выбора заключаются в том, что для человека события разной степени отдаленности во времени имеют разную ценность. С одной стороны, события ближайшего будущего имеют большую ценность, чем отдаленные во времени
события. С другой стороны, отдаленные во времени масштабные негативные последствия события могут быть не учтены, если в ближайшей перспективе данное событие имеет положительный эффект [10].
Неприятие потерь заключается в том, что человеку свойственно оценивать отрицательную полезность от потери гораздо выше, чем положительную полезность от приобретения того же самого объекта. В связи с этим человек желающий избежать потери склонен к риску в большей степени, чем в ситуации возможного выигрыша [5]. C. Справедливость и социальные нормы.
Ограничения рациональности могут быть вызваны чувством справедливости, которое побуждает субъекта принятия решения учитывать не только личные интересы, но и интересы окружающих, например, партнеров, коллег, конкурентов и др. [11].
Проявления когнитивных искажений и эвристик оказывают значительное воздействие на процесс принятия решений и формирование предпочтений субъекта.
Отклонения от рационального поведения носят систематический характер, именно поэтому они поддаются изучению и описанию. Данный факт делает возможным их выявление, предсказание, а следственно и управление ими.
III. Методика многокритериальной оценки альтернатив при принятии решений
Разработка индивидуальных DSS оправдана в условиях применения недорогих, гибких и эффективных методов, главной задачей которых является оценка возможных альтернатив, исходя из предпочтений ЛИР, ограничений, накладываемых внешней средой и внутренних поведенческих аномалий.
Существует несколько разновидностей методик оценки альтернатив по множеству критериев, каждая из которых обладает как преимуществами, так и недостатками. Выбор методики оценки альтернатив при создании DSS зависит от конкретных задач. Сфера применения индивидуальных DSS в основном лежит в области экономики и управления, где множество проблемных ситуаций являются слабоструктурированными или неструктурированными, не имеющими аналогов.
Для решения неформализованных проблем целесообразно применение методов экспертных оценок - оценка альтернатив происходит на основании сбора и обработки мнений экспертов, с целью выявления оптимального варианта решения поставленной проблемы.
Рассмотрим наиболее распространенные методы принятия решений, основанные на мнении экспертов.
Метод Delphi является методом групповой экспертной оценки. Процесс принятия решения с использованием метода Delphi заключается в проведении итеративной процедуры оценки экспертами возможных вариантов решения проблемы: эксперты оценивают предложенные альтернативы по совокупности показателей; мнения экспертов собираются, обрабатываются и обобщаются; члены экспертной группы получают обобщенные сведения об оценках остальных экспертов и вносят свои коррективы; процедура продолжается до тех пор, пока не будет достигнуто согласованное решение [12].
Чаще всего данный метод применяется для решения проблем, связанных с прогнозированием в условиях неопределенности, когда отсутствуют аналогичные прецеденты.
К преимуществам метода Delphi можно отнести:
- возможность структурирования экспертной группы, привлечение экспертов из разный областей деятельности;
- эффективность при решении сложных, неструктурированных проблем.
Ограничения метода Delphi:
- невозможность использования данного метода в DSS, рассчитанных на индивидуальное принятие решений;
- при проведении процедуры оценки каждый из членов экспертной группы подвержен влиянию субъективных поведенческих аномалий, ограничивающих рациональность, что сказывается на качестве принимаемого решения;
- процедура принятия решения требует значительных временных и организационных затрат.
Метод анализа иерархий (AHP) заключается в построении иерархической структуры, где на верхнем уровне находится проблемная ситуация. Промежуточные уровни составляют критерии и подкритерии, характеризующие объект принятия решений. На нижнем уровне находится набор альтернативных вариантов решения данной проблемы. Методом попарных сравнений критериев по шкале относительной важности формируются парные матрицы. Далее, с использованием математического аппарата определяются локальные приоритеты (на каждом уровне иерархии) и глобальные приоритеты для альтернативных вариантов решения проблемной ситуации, на основании которых совершается выбор [13].
К преимуществам метода AHP можно отнести:
- возможность использования для проектирования индивидуальных DSS;
- работа с большим набором альтернативных вариантов решения и множеством критериев оценки.
- учет субъективных предпочтений ЛПР в случаях, когда проблема является неструктурированной.
Ограничения метода AHP:
- для построения иерархии и проведения процедуры попарного сравнения критериев ЛПР должно обладать достаточной компетентностью;
- результат принятия решения подвержен влиянию субъективных поведенческих аномалий эксперта, связанных с ограничением рациональности;
- процедура AHP требует значительных временных и трудозатрат.
Метод AHP является частью метода аналитических сетей (МАС). В отличие от иерархической структуры, где связи между элементами идут в одном направлении от цели к альтернативам, аналитическая сеть состоит из кластеров, элементы внутри которых имеют внутренние связи между собой и внешние связи с элементами других кластеров. Построение сетевой структуры позволяет также учитывать обратные связи, то есть влияние веса альтернатив на вес критериев оценки, а также взаимозависимость между альтернативами и критериями. Это позволяет решать более сложные, неструктурированные задачи в условиях риска и неопределенности [14]. Усложнение процедуры оценивания приводит к возрастанию организационных и временных затрат.
Метод рейтинговой оценки альтернатив заключается в ранжировании альтернатив по множеству показателей и критериев. Процесс принятия решения состоит из четырех этапов: выбор параметров и их значений, описывающих каждый из альтернативных вариантов решения; ранжирование параметров по степени важности; расчет комплексного показателя для каждой альтернативы; построение рейтинга альтернативных вариантов по критерию наибольшего результата. Данный метод дает возможность сравнивать показатели, выраженные в разных единицах, нечисловые и атрибутивные показатели. При этом отсутствует необходимость преобразовывать исходные данные под используемую формальную схему [15].
Метод рейтингового оценивания требует значительно меньшего количества трудовых и организационных затрат, чем описанные выше методы. Процедура метода не исключает, но минимизирует влияние субъективной иррациональности ЛПР на процесс принятия решения.
Для преодоления негативного влияния когнитивных искажений и эвристик на результативность процесса принятия решений предлагается использовать БББ основанную на методе рейтинговой оценки альтернатив.
IV. Алгоритм работы Б88 на основе метода рейтинговой оценки альтернатив
Рассмотрим поэтапно алгоритм работы БББ на основе метода рейтинговой оценки альтернатив (рис.1). Пусть необходимо оценить и найти оптимальное решение из множества альтернатив (А) по ряду параметров (Р). Этап 1. Пользователь формирует множество альтернативных решений:
А={А1,...,Ак}, (1)
где N - количество альтернатив.
Каждый альтернативный вариант решения определяется параметрами :
Р={Рь...,Рм}, (2)
где М - количество параметров, по которым будет производится оценивание альтернативных вариантов.
БББ включает в себя базу данных, содержащую информацию об объектах принятия решений. Это обеспечивает инвариантность БББ по отношению к предметной области, т.е. одна система может быть применима для разных объектов - оценка инновационных
Московский экономический журнал №1 2020
проектов, инвестиционная деятельность, управленческая деятельность, оценка рисков и др.
Пользователь выбирает из базы данных или вводит вручную значения параметров для каждой альтернативы (X):
Пример описания альтернативных решений представлен в таблице 1.
Пользовательский интерфейс предполагает выбор типа показателя: количественные показатели, где большее значение предпочтительнее меньшего; количественные показатели, где меньшее значение предпочтительнее большего; атрибутивные показатели; нечисловые показатели.
газ:е 1. Пример описания альтернативных решений
Р\ Р-1 ... Рм
1 Ли Х\.2 ... Х^
2 Х2Л XI.2 Х-1М
Лг Хул Х\-.\ Х\'м
(4)
Этап 2. Ранжирование параметров по степени важности:
д = {$}У] = 1,М,
где, Я/ - ранг/-го параметра.
При этом, рангЯ/=1 присваивается наиболее важному параметру, Я/=2 - менее важному параметру и т.д.
Правила ранжирования параметров содержатся в базе знаний. Если база знаний содержит подходящие правило ранжирования для данного набора параметров, то полученные варианты ранжирования в сопровождении справочной информации предлагаются пользователю. Пользователь может или принять один из вариантов ранжирования или назначить ранги для параметров в ручном режиме. Наличие базы знаний обеспечивает возможность сопоставления результатов ранжирования с эффективностью принятых решений, что способствует более объективному назначению рангов параметрам.
Этап 3. Оценка альтернативного варианта может быть найдена как:
- нормированный весовой коэффициент /-го параметра, который определяется как:
где, У)- весовой коэффициент у'-го параметра.
Расчет весового коэффициентау'-го параметра (У)) осуществляется по формуле:
где к - параметр уравнения.
Для атрибутивных показателей используется формула:
Этап 4. Оптимальный вариант решения (А*) может быть найден как:
А*=аг§шах О(А). (9)
Представленный алгоритм работы индивидуальной БББ обеспечивает информационную поддержку, способствует снижению риска возникновения ошибок в процессе принятия решения. Применение БББ на основе данного алгоритма позволяет частично нивелировать негативное влияние субъективной иррациональности ЛИР. V. Заключение
В целом использование БББ на основе метода рейтинговой оценки альтернатив способствует не только облегчению и ускорению процесса принятия решений, но и повышает качество принятых решений.
Однако, в представленном алгоритме этап ранжирования параметров с точки зрения негативного влияния индивидуальных поведенческих аномалий ЛИР, нарушающих рациональность, остается уязвимым.
Для улучшения качества принимаемых решений посредствам БББ предполагается автоматизация процесса ранжирования параметров с использованием методов машинного обучения.
Как мы говорили ранее, для решения неформализованных проблем участие эксперта является необходимостью. Использование принципов машинного обучения не призвано заменить эксперта, а лишь исключить возможное влияние субъективных когнитивных искажений на эффективность принимаемого решения.
В структуре представленной БББ присутствует база знаний, основное назначение которой сбор данных о предыдущих процедурах ранжирования, выполненных экспертом.
На основании этих данных возможно создание предсказательной модели, которая может рекомендовать ЛПР тот или иной порядок ранжирования.
Для совершенствования работы DSS дальнейшие исследования будут направлены на решение задач интеграции в единой системе аналитического метода - рейтинговой оценки альтернатив, и технологий машинного обучения.
Список литературы
1. F. Jiancong, L. Yongquan and Z. Qingtian, "Method for designing organization decision support system framework," in Journal of Systems Engineering and Electronics, vol. 17, no. 4, pp. 764-768, Dec. 2006.
2. O. Popescu "Barriers In The Mathematical Modelling Of Decision-Making," Annales Universitatis Apulensis Series Oeconomica, Faculty of Sciences, "1 Decembrie 1918" University, Alba Iulia, vol. 1(13), pp. 1-15, 2011.
3. E. A. Callejas, J. A. Cerrada, C. Cerrada and F. J. Cabrerizo, "Group Decision Making Based on a Framework of Granular Computing for Multi-Criteria and Linguistic Contexts," in IEEE Access, vol. 7, pp. 54670-54681, 2019.
4. G. Phillips-Wren "Intelligent decision support systems" in Multicriteria Decision Aid and Artificial Intelligence. John Wiley & Sons, Ltd, Chichester, UK, 2013.
5. D. Kahneman "Maps of bounded rationality: Psychology for behavioral economics" in American Economic Review,vol. 93(5), pp. 1449-1475, 2003.
6. D. Paulus, G. de Vries, B. Van de Walle "Effects of data ambiguity and cognitive biases on the interpretability of machine learning models in humanitarian decision making", arXiv: 1911.04787, 2019.
7. S. Uprety, D. Song "Reconciling Irrational Human Behavior with AI based Decision Making: A Quantum Probabilistic Approach", ArXiv: 1808.04600, 2018.
8. S. Holden, Implications of Insights from Behavioral Economics for Macroeconomic Models (October 31, 2012). Norges Bank Working Paper 2012/12.
9. N. Taleb, Black Swans: The Impact of Highly Improbable, Random House, 2007.
10. , Y. Guo, Q. Yu "Self-control makes the difference: The psychological mechanism of dual processing model on internet addicts' unusual behavior in intertemporal choice" in Computers in Human Behavior, vol. 101, pp. 95-103, 2019.
11. E. Fehr, K. M. Schmidt "A theory of fairness, competition, and cooperation" in The Quarterly Journal of Economics, vol. 114, pp. 817-868, 1999.
12. C.-C. Hsu and B. A. Sandford "The Delphi technique: Making sense of consensus" in Pract. Assessment, Res. Eval., vol. 12, no. 10, pp. 1-8, 2007.
13. T. Saaty "Decision making with the Analytic Hierarchy Process" in International Journal of Services Sciences, vol. 1, pp. 83-98, 2008.
14. T. Saaty "Relative measurement and its generalization in decision making Why Pairwise Comparisons are Central in Mathematics for the Measurement of Intangible Factors The Analytic Hierarchy/Network Process" Revista de la Real Academia de Ciencias Exactas, Físicas y Naturales. Serie A: Matemáticas (RACSAM), Vol. 102, n. 2, pp 251-318, 2008.
15. O. F. Bystrov "Decision-Making technique in selection tasks on the set of alternatives on the set of indicators - the BOFem method" in Economic and Social Research, Scientific Review of National Research University of Electronic Technology (MIET), vol. 3(19), pp. 12-18, 2018.