CC BY
55
корреляции между показателями видов преступности определяют направление, на котором необходимо сосредоточить силы правоохранительных органов.
С другой стороны, подобный анализ позволяет объяснить причины улучшения борьбы с организованной преступностью. Например, если Кд1^УКд2^Э1-=^дМ^„' то из анализа составляющих
обобщенных коэффициентов Кд1 { И можно определить причину выполнения соотношения
^с/\ ^с[2 ^
Оценка состояния организованной преступности в регионе представляется парой множеств ^с/ ^>Ра = ^’Щ , где Рд С - оценка вероятности появления состояния Ад С,
Ц _^ 1 _^ - ± у 1 У ) I |£—1 ^ иЦиП 1\С| I I VI I I XI и Л 1^/1 1У1/1 иии 1 \_/ЛПК1 Л -/
среди территорий региона, которая равна {Щд - число территорий региона, имеющих состояние
Тогда состояние организованной преступности в регионе в интервале времени С, ^ +1_ не изменилось, если частоты встречаемости состояний Ад^, Ад (.+1^ достоверно не отличаются для всех
д=Щ-
Заключение. Организованная преступность формирует различные виды преступности в систему и проявляется как ее показатель. Неоднородный и неопределенный характер подобной системы требует разработки принципиально нового подхода ее исследования. Для этой цели вводится понятие состояния изучаемой системы как области в пространстве показателей видов преступности, значение обобщенного коэффициента взаимосвязи между которыми определяет уровень организованной преступности на территории региона. Увеличению значений обобщенного коэффициента соответствует повышению уровня организованной преступности. Анализ составляющих обобщенного коэффициента взаимосвязи позволяет установить причины изменения уровня организованной преступности.
Полученные результаты создают методическую и алгоритмическую основу построения системы мониторинга организованной преступности региона для выбора эффективных мероприятий правоохранительных органов.
Литература
1. Непараметрические системы классификации / А.В. Лапко [и др.]. - Новосибирск: Наука, 2000. - 240 с.
2. Загоруйко, Н.Г. Методы распознавания и их применение / Н.Г. Загоруйко. - М.: Сов. радио, 1972. - 207 с.
3. Бендат, Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсон. - М.: Мир, 1989. - 540 с.
УДК 338.242 О.Н. Лимбах
ВЫБОР СТРАТЕГИИ ПРЕДПРИЯТИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОСЕТЕЙ
В работе предлагается использование различных нейронных сетей с целью определения позиции предприятия на карте осуществления стратегического выбора. В качестве критерия оптимальности принята средняя ошибка распознавания. Приведены результаты работы отдельных сетей при одинаковых заданных условиях. Сделаны выводы о невозможности применения какой-либо одной конкретной сети в качестве наилучшей для всех ситуаций и целесообразности использования различных нейросетей для решения подобной задачи.
Отсутствие долгосрочного управления на предприятиях становится причиной их неэффективной деятельности, ориентирования на краткосрочные цели (например, получение прибыли, а не развитие предпри-
ятия) и др. В связи с этим проблема выбора стратегии и реализации инструментов стратегического менеджмента является на сегодняшний день чрезвычайно актуальной. Однако неполнота, а зачастую противоречивость информации о среде функционирования предприятий, специфика предприятия как объекта исследования, изменчивость и иногда непредсказуемость происходящих в современной российской социальноэкономической среде явлений делает многие методики осуществления стратегического выбора неэффективными.
Любое предприятие можно охарактеризовать как открытую динамическую систему. При исследовании таких систем становится затруднительным, а иногда и невозможным получить достоверную математическую модель. Кроме этого, рекомендуемые в настоящее время информационные системы анализа и исследования требуют больших затрат на их внедрение и адаптацию к конкретному предприятию, что абсолютно неприемлемо для большинства предприятий, особенно малого бизнеса. Поэтому чаще всего ограничиваются использованием только статистического анализа. Однако такой анализ не позволяет исследовать влияние неопределенности среды, а также анализировать качественные показатели, которые, без сомнения, необходимо учитывать при анализе информации и выборе стратегии. Что касается математических методов, то некоторые из традиционных методов также оказываются неэффективными, так как для менеджмента характерно отражение основных тенденций развития процессов и явлений не в виде точных законов, а в виде закономерностей, при этом конкретные события являются проявлениями основных тенденций-закономерностей, допуская различного рода отклонения.
Каждое предприятие представляет собой систему, обладающую двумя интегральными характеристиками - совокупным потенциалом Рв и общим риском его изменения (Яв). Величина Рв принадлежит интервалу [0;1], где 0 - отсутствие совокупного потенциала предприятия, 1 - наивысшее, «идеальное» значение совокупного потенциала. Величина Яв принадлежит интервалу [-1;1], где -1 - наибольшая вероятность изменения совокупного потенциала в худшую сторону (наступления неблагоприятного события); 1 - наибольшая вероятность изменения совокупного потенциала в лучшую сторону (наступления благоприятного события). После определения конкретных значений Рв и Яв возникает необходимость определения позиции предприятия на карте осуществления стратегического выбора, которая представлена на рисунке 1.
&
& Я2 Яз
Я4 Яз Яб
&
Я,
Ря
Рис. 1. Карта осуществления стратегического выбора для разделения входного пространства на области, соответствующие наборам стратегий
На данной карте определяется область, в которую попадает предприятие, характеризующееся параметрами Рв и Яв.. Каждой области соответствует определенный набор альтернативных стратегий, которые наиболее эффективны для данного предприятия, что показано на рисунке 2.
Набор стратегий
IX---------
стратегия минимизации издержек; стратегия привлечения инвестиций; стратегия фокусирования
стратегия вертикальной диверсификации; стратегия следования за лидером; стратегия лидерства по издержкам; стратегия выделяемых отличий
стратегия интеграционного роста; стратегия равновесия, укрепления и защиты позиций; стратегия конгломеративной диверсификации, инноваций
стратегия деинвестирования; стратегия мобилизации; стратегия «снятия урожая»
стратегия следования за лидером;
стратегия инвестирования;
стратегия глубокого внедрения на рынок
стратегия равновесия; стратегия ограниченного роста; стратегия горизонтальной диверсификации; стратегия инвестирования в новые отрасли, продукты
стратегия откачки капитала, ликвидации; стратегия немедленного выхода из кризиса; стратегия деинвестирования
стратегия изменения курса и реструктуризации; стратегия горизонтальной диверсификации; стратегия резервирования
стратегия резервирования;
стратегия укрепления и агрессивной защиты;
стратегия диверсификации
направления наиболее желательного перехода
--------------♦ направления наименее желательного перехода
Рис. 2. Схема осуществления стратегического выбора
Однако проблема заключается в том, что практически невозможно экспертным путем точно установить истинный вид границ, разделяющих области. Очевидно, что для предприятий различных отраслей вы-
шеуказанные границы будут различными. Дело осложняется еще и тем, что в моделях принятия управленческих решений приходится учитывать элементы со стохастической природой. При этом установление значений вероятностей принадлежности позиции к той или иной области возможно только с помощью совокупности совместно используемых методов и процедур, основывающихся на прошлых эмпирических данных, на допущениях и результатах, полученных по различным стохастическим, динамическим моделям, на мнениях экспертов (после соответствующей калибровки, необходимой для того, чтобы учесть разницу мнений экспертов и смещения оценок, проистекающих из противоречивости мнений экспертов и их интересов), а также на субъективных суждениях лица, принимающего решения.
Все вышеперечисленные факторы определяют сложность проблемы определения позиции предприятия на карте и требуют использования для решения данной задачи адекватных методов. Представляется целесообразным воспользоваться инструментами, которые специально ориентированы на построение моделей, учитывающих неполноту и неточность данных. Сформулируем задачу выбора стратегии как задачу распознавания образов. В этом случае представляется возможным ее решение путем применения такого современного информационного инструмента, как искусственные нейронные сети (далее ИНС), обученные распознаванию образов. Преимуществом использования нейронных сетей в данном случае является их способность выявлять скрытые закономерности исследуемых объектов и явлений, а также способность к абстрагированию. Это выгодно отличает их от многих других методов, а потому их использование в стратегическом менеджменте представляет, на мой взгляд, определенный интерес.
Задача нейронной сети заключается в том, чтобы оптимальным (в смысле выбранного критерия оптимальности) образом отнести входной вектор с компонентами Рэ и Rs к одной из областей на карте.
Примем в качестве критерия оптимальности среднюю ошибку распознавания, определяемую по формуле
Nh
S =------------х 100%, (1)
Nn + Nn
где Ып, Ын - соответственно количество правильно и неправильно распознанных с помощью ИНС-векторов из тестовой выборки.
Известно большое количество различных типов ИНС и алгоритмов их обучения. С целью определения качества решения поставленной задачи с использованием ИНС в соответствии с критерием (1) выберем в качестве системы для моделирования MATLAB [1] методом имитационного моделирования исследуем следующие сети:
1. Сеть Хопфилда (Hopfield Network). Данная сеть состоит из единственного слоя нейронов, число которых является одновременно числом входов и выходов сети. Каждый нейрон связан синапсами со всеми остальными нейронами, а также имеет один входной синапс, через который осуществляется ввод сигнала. Сеть должна быть обучена из произвольного неидеального сигнала, поданного на ее вход, выделить («вспомнить» по частичной информации) соответствующий образец (если такой есть) или дать заключение о том, что входные данные не соответствуют ни одному из образцов. Такая сеть относится к классу рекуррентных нейронных сетей.
2. Сеть PNN (Probabilistic Neural Network). Архитектура данной сети базируется на архитектуре радиальной базисной сети, но в качестве второго слоя использует так называемый конкурирующий слой, который подсчитывает вероятность принадлежности входного вектора к той или иной области и в конечном счете сопоставляет вектор с той областью, вероятность принадлежности к которой выше.
3. Сеть LVQ (Learning Vector Quantization). Эти сети являются развитием самоорганизующихся сетей Кохонена, имеют два слоя: конкурирующий и линейный. Конкурирующий слой выполняет кластеризацию векторов, а линейный соотносит кластеры с целевыми областями, заданными заранее.
Детальное описание данных сетей весьма подробно изложено в книге [2].
Имитационное моделирование проводилось при следующих условиях. Исследовалось применение ИНС для сельскохозяйственной отрасли, характеризуемой картой стратегического выбора, представленной на рисунке 1. При этом обучающие и тестовые выборки для каждой из областей S, i = 1,..,9 представляли собой случайные двумерные нормально распределенные векторы. Компоненты векторов математических
ожиданий т для каждой из областей 5/, / = 1, ..., 9 представляют собой средние значения двух парамет-
ров Рэ и % соответствующих областей. Компоненты двумерных векторов средних квадратических отклонений а изменялись в процессе моделирования в диапазоне 16,7-60% от диапазона изменения параметров Рэ и % каждой из соответствующих областей 5/, / = 1, ..., 9. При этом для моделирования случайных векторов с указанными выше статистическими свойствами в качестве исходных были использованы случайные числа с нулевым математическим ожиданием и единичной дисперсией, генерируемые с помощью стандартного датчика РАШИ системы МАИ_АБ.
Такой подход позволил поставить в одинаковые условия моделирования области 5, / = 1, ..., 9, имеющие различные параметры.
Результаты моделирования можно представить следующим образом:
1. Сеть Хопфилда
Эта сеть была промоделирована при заданных условиях: количество обучающих и тестовых векторов в каждой из выборок, соответствующих областям 5, / = 1, ..., 9, было принято равным по 50 векторов. Число эпох моделирования в данном эксперименте задавалось равным 100. В таблице 1 представлены результаты моделирования с использованием сети Хопфилда.
Таблица 1
Результаты моделирования с использованием сети Хопфилда
о, % 16,7 20 30 40 50 60
5, % 2,89 5,78 11,33 15,56 15,11 16,67
2. Сеть PNN (Probabilistic Neural Network)
В таблице 2 представлены результаты моделирования с использованием сети PNN. Эта сеть была также промоделирована при заданных условиях: количество обучающих и тестовых векторов в каждой из выборок, соответствующих областям S, /=1,...,9, было принято равным по 50 векторов. Число эпох моделирования в данном эксперименте задавалось равным 100.
Таблица 2
Результаты моделирования с использованием сети PNN
о, % 16,7 20 30 40 50 60
5, % 1,11 4,67 12 11,78 15,78 14,22
3. Сеть LVQ (Learning Vector Quantization)
Результаты моделирования с использованием сети LVQ, выполненные при тех же условиях, что и для сетей Хопфилда и PNN, приведены в таблице 3.
Таблица 3
Результаты моделирования с использованием сети LVQ
о, % 16,7 20 30 40 50 60
5, % 5,3 4,32 11,2 15,67 13,66 17,6
Таким образом, представленные выше результаты моделирования (табл. 1-3) показывают возможности различных типов искусственных нейронных сетей при решении задачи выбора позиции предприятия на карте стратегического выбора.
По результатам, представленным в таблицах 1-3 и на рисунке 3, построены кривые, показывающие возможности различных типов искусственных нейронных сетей при решении задачи выбора позиции предприятия на карте стратегического выбора с использованием ИНС.
оо
Hopfield, 5, % PNN, 5, % LVQ, 5, %
о, %
Рис. 3. Результаты моделирования при использовании различных типов ИНС
По результатам моделирования представляется возможным сделать следующий вывод: анализ
результатов распознавания, представленных на рисунке 3, показывает, что качество распознавания (средняя ошибка распознавания 5) зависит как от типа сети, так и от характеристик распознававаемых векторов. Причем в зависимости от характеристик вектора ст лучшие результаты показывают разные нейросети. Поэтому можно утверждать, что невозможно рекомендовать одну конкретную сеть в качестве наилучшей для всех ситуаций. Следовательно, целесообразным является использование различных нейросетей или их совокупности для решения подобных задач.
Литература
1. Дьяконов, В. Математические пакеты расширения MATLAB: Спец. справ. / В. Дьяконов, В. Круглов. -СПб.: Питер, 2001. - 480 с.
2. Медведев, В.С. Нейронные сети. MATLAB 6 / В.С. Медведев, В.Г. Потемкин. - М.: ДИАЛОГ-МИФИ, 2002. - 496 с.
УДК 330.154 3:380.1 М.В. Кобалинский
МОДЕЛИРОВАНИЕ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ФИНАНСОВОГО РЫНКА
В работе исследуется возможности использования современных информационновычислительных технологий для анализа динамики ведущих экономических показателей финансового рынка. Показано, что используемое программное обеспечение для вейвлет-преобразования временных рядов и многопараметрического нелинейного регрессионного анализа экономических данных эффективно для выделения масштабных эффектов, исследования неоднородной структуры в данных и построения прогностических моделей поведения экономических показателей.
Введение
В проблеме моделирования динамики экономических показателей можно выделить класс задач, которые формулируются как заполнение пропусков в таблицах данных. Более общая задача ставится здесь как
