CC BY
106
ванные направления инноваций и поможет в их устранении. Для решения этой задачи нужно определить модель процесса анализа, определения и управления операционными рисками для интегрирования в систему управления [3]:
1. Введение карты рисков инновационного процесса.
2. Составление статистики сбоев по первичным элементам операционного риска.
3. Опрос и учет жалоб, нареканий со стороны внутрибанковских работников.
4. Оценка рисков экспертными и количественными методами.
5. Расчет вероятностных потерь при внедрении.
6. Расчет вероятностей и рисков неэффективности инновации.
7. Расчет требований к финансовым и материальным ресурсам для покрытия рисков.
8. Расчет и определение лимита потерь на операционные риски.
На каждом этапе ведется постоянный мониторинг, который контролирует превышение значений рисков над заданными при составлении планов максималь-
ных рисковых значений. Этот же мониторинг позволяет оценить операционные потери по рискам. Кроме того, после каждого этапа составляется краткий отчет по элементам риска и корректируются первоначальные их значения.
Выявлено, что ключевыми факторами, влияющими на эффективность инноваций, для российских банков являются их кадровый потенциал, уровень технологического развития и степень давления со стороны конкурентов. Для эффективного управления риском инноваций банкам необходимо обладать возможностью ранжировать риск-факторы по силе их влияния на кредитную организацию. В этих целях предлагается использовать карту риска банковских инноваций, позволяющую распределить все факторы по степени значимости на основе их индекса риска.
Понимание сущности риска инноваций в банке, знание причин, приводящих к его реализации, а также масштабов возможного ущерба позволит руководству кредитной организации выстроить процесс управления этим видом риска таким образом, чтобы свести к минимуму его негативное воздействие.
Статья поступила 18.12.2013 г.
Библиографический список
1. Дистанционное банковское обслуживание / А.П. Аксенов, А.Ф. Андреев [и др.]. М.: КноРус, 2010. 328 с.
2. Петров И. Банковский менеджмент: связь с кредитной политикой // Банковские технологии. 2008. № 6. С. 32-42.
3. Молчанов И.В. Коммерческий банк в современной России. М.: Финансы и статистика, 2007. 260 с.
4. Банковское дело: учебник для студентов экономи-
ческих вузов. 5-е изд., перераб. и доп. / под ред. Г.Н. Белоглазовой, Л.П. Кроливецкой. М.: Финансы и статистика, 2003. 592 с.
5. Сверидов О.Ю. Деньги, кредиты, банки: учеб. пособие. М.: ИКЦ «МарТ», 2004. 480 с.
6. Ревенков П.В. Электронный банкинг: управление операционным риском // Банковское дело. 2010. № 2. С. 60-62.
УДК 331.108.2
ТЕОРЕТИЧЕСКИЕ ПОДХОДЫ К МОДЕЛИРОВАНИЮ УГРОЗ КАДРОВОЙ БЕЗОПАСНОСТИ ОРГАНИЗАЦИИ
© Н.В. Кузнецова1, М.В. Кривов2
1Байкальский государственный университет экономики и права, 664003, Россия, г. Иркутск, ул. Ленина, 11. 2Ангарская государственная техническая академия, 665835, Россия, г. Ангарск, ул. Чайковского, 60.
Предложена модель угроз кадровой безопасности организации; выделены личностные и внутриорганизационные факторы, влияющие на состояние кадровой безопасности организации и провоцирующие возникновение угроз со стороны персонала. На основе использования аппарата теории нечетких множеств синтезирована математическая модель нарушителя кадровой безопасности, учитывающая влияющие факторы в количественной и качественной форме. Ил. 8. Табл. 3. Библиогр. 13 назв.
Ключевые слова: персонал; кадровая безопасность организации; угрозы кадровой безопасности; модель нарушителя; теория нечетких множеств; потенциал профессиональной и личностной надежности.
Кузнецова Наталья Викторовна, кандидат экономических наук, доцент кафедры экономики труда и управления персоналом, тел.: 89041458607, e-mail: [email protected]
Kuznetsova Natalya, Candidate of Economics, Associate Professor of the Department of Labor Economy and Human Resources Management, tel.: 89041458607, e-mail: [email protected]
2Кривов Mаксим Викторович, кандидат технических наук, зав. кафедрой вычислительных машин и комплексов, тел.: 89025614935, e-mail: [email protected]
^ivov Maxim, Candidate of technical sciences, Head of the Department of Computing Machinery and Complexes, tel.: 89025614935, e-mail: [email protected]
THEORETICAL APPROACHES TO COMPANY PERSONNEL SECURITY THREATS MODELING N.V. Kuznetsova, M.V. Krivov
Baikal State University of Economics and Law, 11 Lenin St., Irkutsk, 664003, Russia. Angarsk State Technical Academy, 60 Chaikovsky St., Angarsk, 665835, Russia.
The article proposes a model of threats to company personnel security and identifies personal and intra-company factors affecting the state of company personnel security and provoking the rise in personnel threats. Based on the tools of the fuzzy sets theory the authors have synthesized a mathematical model of a personnel security breaker. The model takes into account the affecting factors in qualitative and quantitative forms. 8 figures. 3 tables. 13 sources.
Key words: personnel (human resources); company personnel security; threats to personnel security; model of a breaker; theory of fuzzy sets; potential of professional and personal reliability.
Необходимость обеспечения кадровой безопасности организации в современных условиях вызвана высоким уровнем вероятности и масштабом ее имущественных и неимущественных потерь, причины которых имеют непосредственное отношение к ее персоналу.
При построении систем поддержки принятия решения и ситуационного управления кадровой безопасностью организации требуется формализовать оценку потенциального риска неблагонадежного поведения персонала. Для этого разработаем модель угроз кадровой безопасности:
[РхС]^Я (1)
где P - множество личностных качеств сотрудников; C - множество факторов влияния на персонал (внешних и внутренних); R - множество, содержащее оценку угроз кадровой безопасности.
Выражение (1) показывает, что отношение множеств личностных качеств персонала и факторов влияния на персонал должно ставить в определенное соответствие некую систему оценки угроз, исходящих от персонала.
К сожалению, на практике с реализацией модели возникают существенные трудности. Одна из самых главных сложностей заключается в том, что предлагаемые подходы к оценке личностных и прочих факторов влияния, как и оценки корпоративной безопасности, оперируют преимущественно качественными понятиями и признаками. Это в свою очередь порождает лингвистическую неопределенность высказываний и сложность формализации представлений модели. Существенной проблемой оказывается также неполнота модельных представлений о некоторых сложных системах в связи с их слабой формализацией, изученностью и другими причинами.
Тем не менее в литературе встречаются попытки преобразования качественных оценок в количественные значения в экономических и социальных системах. Базируются эти методы на использовании экспертных шкал или аналитических функций, разбивающих систему качественных представлений о факторе на ряд диапазонов. Однако субъективность таких шкал и методика идентификации параметров такой модели подвергается критике. Все это требует независимых групповых экспертных опросов, обработки экспертной информации и компетентности самих экспертов и в целом значительно усложняет систему мо-
делирования и делает ее непрозрачной для лица, принимающего решение.
В свете успехов современных подходов искусственного интеллекта целесообразно использовать для поставленной задачи методологию нечеткого моделирования. Данная методология не исключает и не заменяет общепринятую методологию системного моделирования, а наоборот расширяет ее возможности при моделировании сложных систем.
Применение теории нечетких множеств, лежащей в основе нечеткого моделирования, позволит решить следующие задачи [1]:
- представление процесса принятия решения по оценке угроз кадровой безопасности, поскольку оно осуществляется в категориях и понятиях на языке, близком к естественному языку общения экспертов;
- формализация неопределенностей факторов путем воспроизведения причинно-следственных связей между качественными признаками;
- формирование однозначной лингвистической определенности описания причинно-следственных связей факторов модели;
- применение операторов теории нечетких множеств («растяжение», «концентрация» и др.) для усиления или ослабления влияния качественных признаков при принятии решения;
- прозрачность логического вывода модели, поскольку используемая база знаний при выводе формируется на естественном языке.
Введем определение нечеткой модели угроз кадровой безопасности. Это информационно-логическая модель системы в форме причинно-следственного отношения множеств факторов влияния на состояние кадровой безопасности организации, вычисляющая значение критерия «опасности» сотрудника или коллектива.
При формировании нечеткой модели используются следующие этапы построения: анализ проблемной области, ее структуризация, вычислительный эксперимент, а также коррекция и доработка модели.
Задачей анализа проблемной области является ориентация вычислительных процессов модели с целью построения системы оценок угроз кадровой безопасности с возможностью классификации индивидуумов в различные группы с определенными характеристиками.
На основе анализа проблемной области сформи-
руем структурную схему модели, обозначим ее входы и выходы (рис. 1). При формировании модели в качестве входных переменных были выбраны личностные характеристики персонала, а также внешние по отношению к нему факторы, оказывающие влияние на состояние кадровой безопасности и провоцирующие возникновение угроз со стороны персонала.
В качестве личностных характеристик персонала предлагается использовать показатели, составляющие структуру личности [2-4]:
1. Prof - подготовленность личности, которая включает черты, характеризующие ее профессионально-квалификационный уровень (знания, умения, навыки, привычки) и определяющие профессиональную надежность работника.
2. Pers - направленность личности, которая включает в себя мировоззрение, убеждения, идеалы, склонности, влечения, желания, ценности, интересы и пр. Направленность личности определяет мотивацию поведения и деятельности человека, позволяет судить о конструктивном или деструктивном морально-нравственном потенциале личности, характеризует моральную надежность работника.
Эти два фактора определяют характеристику личностных качеств работника как потенциального субъекта угроз кадровой безопасности.
Учет таких факторов, как индивидуальные особенности отдельных психических процессов или психических функций (память, эмоции, ощущения, мышление, восприятие, чувства, воля) и биопсихические особенности личности (свойства темперамента, половозрастные свойства личности и т.д.) не включен в число входных переменных в силу того, что влияние этих особенностей на кадровую безопасность не доказано [5; 6].
3. Staf - уровень лояльности, определяющий степень разделения работником целей и ценностей организации.
4. Satisfact - степень защищенности жизненно важных интересов работника. Включение данной переменной является необходимым в силу того, что
жизненно важные интересы персонала являются предметом кадровой безопасности организации.
Для описания факторов внутриорганизационного уровня приняты следующие показатели [7]:
1. Soc - уровень внутрикорпоративной социальной ответственности организации.
2. Charism - степень признания основных ценностей компании ее сотрудниками, заложенная в корпоративной культуре компании и фиксирующая нетерпимость ко всем противоправным действиям и неблагонадежному поведению ее сотрудников.
3. Sec - уровень обеспечения корпоративной безопасности как основной показатель оценки эффективности контроля деятельности персонала.
Применение модели предлагается посредством ее реализации в виде экспертной системы либо интеллектуальной советующей системы для поддержки принятия решений руководством компании относительно вероятности реализации угроз кадровой безопасности. Пользователь, охарактеризовав вектор входных переменных и задав их в данной системе, имеет возможность получить некоторую оценку возможных угроз кадровой безопасности - R. При этом формирование оценки R будет осуществляться на базе продукционной модели, представляющей базу знаний предлагаемой интеллектуальной системы.
Структура модели содержит три звена: субмодель нарушителя как субъекта угроз кадровой безопасности, агрегатор надежности всего коллектива организации и субмодель кадровой безопасности. В нее введены также промежуточные переменные: уровень персональной надежности, характеризующий потенциал сотрудника к нарушению норм и правил, и уровень надежности коллектива как обобщающая оценка личностных характеристик, формируемая модулем «агрегатор».
Проектирование базы знаний предлагается вести по восходящей траектории от индивидуума (работника организации) до модели ее кадровой безопасности.
В продукционной базе знаний модели нарушителя эксперт должен сформировать причинно-
Рис. 1. Структура модели угроз кадровой безопасности организации
Таблица 1
Соответствие шкале признаков нечетких множеств из трех терм-множеств_
Значение нечеткого признака Условное обозначение Ядро множества
Низкое L 1
Существенное или нормальное N 5
Очень сильное превосходство H 9
следственные зависимости между личностными качествами работника и уровнем его надежности, а также между внутриорганизационными факторами и надежностью коллектива.
Предлагается следующая методика синтеза компонентов модели угроз кадровой безопасности, изображенной на рис. 1:
1. Определим множество факторов V, являющееся вектором переменных (как входных, так и выходных) для субмодулей (компонентов) системы:
r = .....Un = [l.....П (2)
где N - сумма входных и выходных переменных.
2. Для формализации экспертных оценок введем шкалу оценок X е [ 0 ,. . ., 1 0 ] для каждого фактора.
Экспертная шкала позволяет обобщить мнения экспертов и минимизировать субъективизм их высказывания за счет ограничения диапазона восприятия значений факторов.
3. При необходимости введем функцию отображения предметной шкалы:
х = 77 (хп), х £ х,хп £ хп,, (3)
где X е [0 ,..., 1 0 ] - универсум экспертных оценок;
[ ] - универсум количественной меры
фактора (предметная шкала).
Такой подход применяется в технических системах для идентификации свойств системы, но также успешно может быть использован и при моделировании социально-экономических систем.
Функция отображения шкалы 7т(хп) позволяет масштабировать значения абстрактной экспертной шкалы и некоторой количественной меры фактора (если такая мера существует).
Удобство функции отображения заключается в возможности корректирования соотношения между понятиями экспертов и количественной мерой факторов при внешних воздействиях.
4. Для каждого фактора Vi , выступающего в роли лингвистической переменной, зададим терм-множество, определяющее качественные значения этого фактора (другими словами, значения лингвистической переменной Vi):
р = {Р^,^,.. .,4), m = [ 1 ,. . .,M'],i = [ 1 ,. . .,W], (4) где Mj - количество нечетких терм-множеств у /'-го фактора.
Степень принадлежности значений фактора к качественным признакам определяется функциями принадлежности термов:
. (х) е [0 ,1 ], хеХ , (5)
где х - текущее значение экспертной оценки фактора из интервала ее определения X - экспертной шкалы фактора.
Для операции над нечеткими множествами зададимся нормальным нечетким множеством:
Др. (ж) = 1 , 3 жеХ. (6)
Таким образом, высота генерируемых нечетких множеств равна 1.
5. Выберем на универсуме экспертных оценок расположение нечетких терм-множеств значений факторов. Количество термов в пространстве экспертной шкалы определяется возможностью разбиения признака на данное количество диапазонов качественных значений с сохранением смысла и физической сути фактора, а также возможностью экспертов однозначно различать эти диапазоны (табл. 1).
6. Зададим для каждого терм-множества тип функции принадлежности [1]:
- функции принадлежности крайних термов L, H должны быть L- и R-типа (S- или Z-вида соответственно);
- для термов, не являющихся крайними на универсуме, функции принадлежности должны быть L-R-типа (сигмоидные, треугольные, трапецеидальные и т.п.);
- для недопущения неопределенности в любой точке универсума должно существовать хотя бы одно терм-множество с функцией принадлежности больше или равной 0,5:
vxe^a //(ж) > о , 5. (7)
7. Сформируем базу знаний нечеткого вывода. Для этого с помощью экспертного опроса сформируем систему нечетких лингвистических высказываний вида
если « V1 есть P», то « V2 есть P», (8,а) где V1 - влияющий фактор (входная лингвистическая переменная); V2 - зависимый фактор (выходная лингвистическая переменная); P - нечеткое значение лингвистической переменной, либо высказываниями вида
если « V1 есть VP», то « V2 есть P», (8,б)
где V - модификатор высказывания, соответствующий выражениям «очень», «более или менее» и др.
8. Выбор правила нечеткого вывода. Для этого рекомендуется использовать правило максминной композиции нечетких множеств (нечеткую импликацию Л. Заде):
Г(91 - 8) = max{mi n{(T(9I), Т( 8)}, 1 - Т(9Г)} (9) где Т - отражение истинности; 91 - нечеткий антецедент, представляющий левое логическое выражение (предпосылку) в высказываниях (8,а) и (8,б); - нечеткий консеквент, представляющий правое логическое выражение (заключение) в (8,а) и (8,б).
В результате получается нечеткое множество, являющееся композицией терм-множеств зависимого (выходного) фактора.
Итоги расчета нечеткой модели могут быть применены в следующих вариантах:
- получение с помощью методов дефазификации
(например, по центру тяжести термов) численного значения экспертной оценки, соотнесение с классами оценок опасности;
- нечеткое сравнение с эталонами и отнесение результата к определенному классу по степени нечеткого включения или нечеткого равенства.
Таким образом, результаты вычислений можно преобразовать в количественную форму и использовать в дальнейшем как числовые значения или оставить результат в нечеткой форме и, используя операции нечеткой логики, получить качественные (смысловые) результаты расчета.
Продемонстрируем предложенную методику на примере создания компонентов модели кадровой безопасности.
В соответствии с предлагаемой структурой модели угроз кадровой безопасности на рис. 2 приведена модель потенциального нарушителя с учетом ее декомпозиции. Она состоит из субмодуля, формирующего характеристику «профессионально-должностного потенциала надежности» (Рпэ^Р), и субмодуля личностных качеств, формирующего характеристику «личностного потенциала надежности» (Реге_Р).
Рис. 2. Структура модели нарушителя
Для определения профессионально-должностного потенциала надежности экспертная модель включает базу знаний по отношениям входных переменных Prof («квалификация») и Staf («лояльность»).
В соответствии с предложенной методикой определим данный входной фактор как лингвистическую переменную Prof («квалификация») на универсуме Х в виде кортежа
{Prof,< низкая^)>,<средняя(^>,<высокая(Н)>, Xe[0,...,10]}. (10,a)
Фактор лояльности Staff определим в виде линг-
вистической переменной на универсуме X в виде кортежа
{Staf ,<низкая^) >,<средняя(^>,<высокая(Н)>»,
Xe[0.....10]}. (10,б)
Выходную лингвистическую переменную Prod_P («профессионально-должностной потенциал надежности») на универсуме X определим в виде кортежа {Prod_P,<низкий(L)>,<средний(N)>,<высокий(H)>»,
Xe[0.....10]}. (10,в)
Для характеристики личностных качеств сотрудника введем модель индивидуальной надежности, связывающую обобщенные личностные качества (Регз) и уровень защищенности жизненно-важных интересов ^аМай). Выходом модели является личностный потенциал надежности (Реге_Р). Входные переменные модели описываются кортежами
^аМай ,<низкая >,<средняя>,<высокая>»,
Xe[0.....10]}, (11,а)
{Реге ,<низкие>,<умеренные>,<высокие>»,
Xe[0.....10]} , (11,б)
{Реге_Р ,<очень опас-
ный>,<опасный>,<неопасный>», Xe[0.....10]}.(11 ,в)
Предлагаемые в (11,а)-(11,в) термы нечетких множеств заданы исходя из обработки оценок экспертов и возможности их характеристики предлагаемыми качественными категориями на естественном языке.
Далее для каждого терм-множества лингвистической переменной требуется определить функцию принадлежности, определяющую степень принадлежности лингвистической переменной к нечеткому подмножеству. На рис. 3. показаны функции принадлежности для лингвистических переменных.
Вопрос о выборе функций принадлежности ^-функций) является одним из самых важных вопросов в теории нечетких множеств [9]. При выборе функций принадлежности нечетких множеств будем руководствоваться методикой, предложенной Д. Рутков-ской [10].
Асимметрия функций принадлежности, изображенных на рис. 3,6, с точки зрения экспертов отражает непропорциональность мотивации должностному статусу сотрудника и его стремление к саморазвитию.
Широкое плато среднего терма (средний потенциал - N выходной переменной Рго^Р (рис. 3,е) предложено экспертами для компенсации неучтенных факторов, оно определяет значимость сотрудника в коллективе, его ценность.
Рис. 3. Функции принадлежности термов модели профессионально-должностного потенциала надежности
нарушителя: а - Prof; б - Staf; в - Prof_P
а) б) в)
Рис. 4. Функции принадлежности термов модели личностного потенциала надежности нарушителя:
а - Регг; б - Satisfact; в - Регг_Р
Для характеристики личностных качеств предложены следующие конфигурации термов лингвистической переменной (рис. 4).
База знаний экспертной модели профессионально-должностной надежности, базирующаяся на продукционных правилах, приведена в табл. 2.
Это объясняется тем, что при низком морально-нравственном потенциале личности понятия о достатке и другие ценности могут быть искажены или неправильно трактованы, поэтому в этом случае потенциал человека нивелируется к опасному с точки зрения кадровой безопасности уровню.
Таблица3
База нечетких правил модели личностных качеств
Таблица 2 База нечетких правил модели профессионально-должностной надежности
Лингвистическая переменная «Квалификация» - Prof
«Лояльность» -Staf - L N H
L L L N
N L N H
H N H H
Лингвистическая переменная «Личностные качества» -Pers
«Удовлетворенность» - Satisfact - L N H
L L L N
N L N N
H L N H
Выполним трассировку решений экспертной системы. Пусть эксперты оценили сотрудника как работника, имеющего «нормальный» уровень квалификации (Prof=5) и «нормальную» степенью лояльности (Staff = 3,2). Тогда решение модели дает оценку профессионально-квалификационного потенциала надежности, равную 4,81, что соответствует «нормальной» оценке.
Рассмотрим пример, когда сотрудник по уровню квалификации был оценен, как имеющий «низкий» уровень (Prof=2) и «низкую» лояльность (Staf=1). Тогда система моделирования на базе правил принимает решение об оценке его потенциала в 2 балла, т.е. его потенциал оценивается как «низкий».
Возникает вопрос об источниках оценок для формирования значений входных переменных Prof и Staff. Для этих целей предлагается формирование оценки профессионализма на основании результатов аттестации, а также с помощью рейтинговых таблиц, где сопоставляется каждая профессия (должность) с 10-балльной шкалой ее ценности.
Для оценки лояльности также предлагается рейтинговая таблица, где лояльность каждого работника оценивается экспертами по 10-балльной шкале [11].
Синтез модели личностных качеств проведем по аналогичной методике. В табл. 3 приведена база нечетких правил для вывода личностного потенциала надежности персонала.
Модель формирует крайне низкий личностный потенциал надежности при любых условиях, когда личностные качества оценены экспертами как «низкие».
Приведем примеры трассировки решений модели. Пусть требуется оценить работника, экспертная оценка персональных качеств которого является высокой (Реге=8) и степень удовлетворенности его жизненно важных интересов больше, чем «средняя» ^аМай=6). В этом случае система моделирования оценивает личностный потенциал надежности как «больше, чем нормальный», а самого работника как «неопасного» (Реге_Р=6,19) (рис. 5).
Так же, как и в предыдущем случае, важными вопросами при формировании данной модели является вопрос «точки отсчета» и вопрос системы мер. Основным решением здесь видится формирование некой шкалы или списка личностных качеств, достаточных для характеристики сотрудника как «очень опасного», «опасного» и «неопасного».
Возможно, именно при формировании системы шкал будет внесена погрешность субъективного формирования оценки экспертом. Вместе с тем системность формирования профессионально-должностного и личностного потенциалов надежности для всех сотрудников позволит объективно позиционировать их как субъектов угроз кадровой безопасности.
В соответствии со структурой, приведенной на рис. 1, следующим важным элементом является агре-гатор указанных потенциалов надежности - модель нарушителя.
Данная модель также представляет собой систему нечеткого вывода и формируется аналогичным образом.
Рис. 5. Пример вывода индивидуального потенциала надежности сотрудника
Рис. 6. Смещение числового значения от максимума при дефазификации
При формировании функций принадлежностей следует учитывать тот факт, что при дефазификации выходных переменных используется метод определения центра тяжести. При активации правил, ориентированных на минимальный (левый) на универсуме терм, дефазифицированное значение переменной лежит правее медианы крайнего терма, а в случае активации - максимального (правого) терма (рис. 6).
Таким образом, минимальное значение профессионально-должностного и личностного потенциала равно 1,3; максимальное значение - 8,7.
Определим функции принадлежности для входной лингвистической переменной «профессионально-должностной потенциал» (Prod_P) (табл. 4).
Таблица 4
База нечетких правил модели нарушителя
Лингвистиче ская переменная «Профессионально-должностной потенциал» - Ргос1_Р
«Личностный потенциал» -РЭГБ Р - 1. N Н
Н Н Н
N Н N N
Н Н N 1.
Графики функций принадлежности лингвистической переменной приведены на рис. 7.
В основу правил нечеткого вывода, приведенного в табл. 4, заложены следующие принципы:
а) б) в)
Рис. 7. Термы лингвистических переменных модели нарушителя: а - Prod_P; б - Регг_Р; в - ЛП г
- если сотрудник не лоялен, имеет низкий уровень квалификации и не обладает необходимыми морально-нравственными личностными качествами, то он опасен;
- независимо от того, каков социальный статус работника и уровень его квалификации, при низком уровне лояльности и степени защищенности его жизненно важных интересов он опасен.
Данные принципы соответствуют предложенным А. Фернхамом и Р. Хаэром характеристикам отрицательной личности [12; 13].
В итоге была сформирована нечеткая модель, поверхность решений которой изображена на рис. 8.
PwsP
Рис. 8. Поверхность решений нечеткой модели нарушителя
По результатам моделирования можно сделать следующие выводы:
- на основе аппарата теории нечетких множеств была синтезирована математическая модель нарушителя кадровой безопасности, учитывающая влияющие факторы в количественной и в качественной форме;
- в процессе синтеза модели проведена с помощью экспертного опроса ее параметрическая идентификация путем подбора типа и параметров функций принадлежностей термов лингвистических переменных;
- результаты синтеза модели апробированы в пакете МаАаЬ, создана работающая модель в среде визуального моделирования Simulink.
Величину оценки можно использовать как основу для формирования стратегии в области обеспечения кадровой безопасности и разработки соответствующей ей политики управления персоналом организации.
Работа выполнена при финансовой поддержке НИР «Активизация ресурсного потенциала Прибайкальского региона как фактора его устойчивого социально-экономического развития» по государственному заданию № 2014/52 на выполнение государственных работ в сфере научной деятельности в рамках базовой части проекта № 1841 (номер госрегистрации в ФГАНУ ЦИТиС - 01201458900).
Статья поступила 15.01.2014 г.
1. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений. М.: Мир, 1976. 165 с.
2. Забродин Ю.М. Психология личности и управление человеческими ресурсами. М.: Финстатинформ, 2002. 360 с.
3. Половинко В.С. Управление персоналом: системный подход и его реализация: монография / под науч. ред. Ю.Г. Одегова. М.: Информ-Знание, 2002. 484 с.
4. Былков В.Г. Компоненты человеческого капитала: вопросы теории и практики // Известия ИГЭА. 2011. № 6. С. 109116.
5. Алавердов А.Р. Управление кадровой безопасностью организации. М.: Маркет ДС, 2010. 176 с.
6. Антонян Ю.М. Личность преступника. Криминолого-психологическое исследование. М.: Норма; Инфра-М, 2010. 367 с.
7. Стерхов А.П. Повышение безопасности инновационного бизнеса через формирование корпоративной культуры //
ский список
Известия ИГЭА: электронный журнал. 2013. № 3.
8. Борисов А.Н. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982. 256 с.
9. Норвич А.М., Турксен И.Б. Фундаментальное измерение нечеткости // Нечеткие множества и теория возможностей: сб. науч. тр. / пер. с англ. М.: Радио и связь, 1986. С. 54-64.
10. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2004. 452 с.
11. Косенкова Н. Лояльность персонала: факторы формирования и инструменты оценки // Альманах: лояльность персонала. 2011. № 1. С. 59-68.
12. Фернхам А., Тейлор Д. Темная сторона поведения на работе. Как понять, почему сотрудники увольняются, воруют или обманывают вас, и как избежать этого. Днепропетровск: Баланс Бизнес Букс, 2005. 336 с.
13. Хаэр Р. Лишенные совести. Пугающий мир психопатов / пер. с англ. М.: ИД «Вильямс», 2007. 288 с.
