автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Адаптивная автоматизированная система мониторинга рисков в цепях поставок наукоемкой продукции

На правах рукописи

НЕКРАСОВА МАРИЯ АЛЕКСЕЕВНА

АДАПТИВНАЯ АВТОМАТИЗИРОВАННАЯ СИСТЕМА МОНИТОРИНГА РИСКОВ В ЦЕПЯХ ПОСТАВОК НАУКОЕМКОЙ

ПРОДУКЦИИ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 2 ¿ЕЯ /|Щ

Москва-2010

004617443

Работа выполнена на кафедре «Менеджмент» в Московском автомобильно-дорожном государственном техническом университете (МАДИ)

Ведущая организация: Федеральное государственное- унитарное предприятие «Государственный центр системных исследований» (ФГУП «ГосЦСИ »), г. Москва.

Защита состоится 24 декабря 2010 г. в 10.00 на заседании диссертационного совета Д212Д26.05 Московского автомобильно-дорожного государственного технического университета (МАДИ) по адресу: 125319, ГСП А-47, Москва, Ленинградский пр., д. 64., ауд. 42.

С диссертацией можно ознакомиться в библиотеке МАДИ.

Текст автореферата размещен на сайте Московского автомобильно-дорожного государственного технического университета (МАДИ): vvww.madi.ru

Автореферат разослан «23» ноября 2010г.

Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института.

Научный руководитель

доктор технических наук, профессор Миротин Леонид Борисович,

Официальные оппоненты

доктор технических наук, профессор Юрчик Петр Францевич

доктор технических наук, профессор Карташев Алексей Викторович

Ученый секретарь диссертационного совета, кандидат технических наук, доцент

Михайлова Н.В.

Общая характеристика работы

Актуальность исследования

За последнее десятилетие совершенствование технологий управления интегрированными цепями поставок, преобразование эксплуатационных структур логистики и бизнеса в целом упростили объединение ранее обособленных организационно-технических систем. В результате за последние 20 лет зафиксировано увеличение значений показателей международной и национальной торговли. Одновременно, приобретая интегрированный характер, экономика становится все более уязвимой к инцидентам безопасности цепей поставок наукоемкой продукции (далее по тексту - цепи поставок), особенно в рамках глобального экономического кризиса.

Организационно-техническая оптимизация цепей поставок привела к географической концентрации риска и увеличила системную уязвимость по отношению к нарушениям в функционировании этих цепей. Цепи поставок в большинстве случаев «рассеивают» риск за счет многочисленных участников. Эффективное управление и контроль могут предотвратить мгновенное распространение глобальных рисков и ограничить последствия локального случая риска. Реализовавшийся риск в цепях поставок отдельного предприятия может трансформироваться в кризисное состояние целого направления промышленности или отдельного производства.

Эффективность развития национальной экономики страны в значительной степени определяется потенциалом ее производственных систем, их конкурентоспособностью и устойчивостью развития. Управление организациями осуществляется под влиянием факторов внешней среды на основе новейших концепций ведения бизнеса и математических методов. Это особенно важно в современных условиях в связи с адаптацией промышленных и транспортных предприятий к динамике рыночной конъюнктуры, складывающейся под воздействием различных обстоятельств неопределенности и риска.

На сегодняшний день производство представляет собой сложную динамическую систему потоковых процессов, характеризующуюся многочисленностью изменяемых параметров и переменных. Действуя в условиях рыночных отношений, промышленные предприятия находятся под влиянием различных типов внешних и внутренних возмущающих факторов, снижающих их эффективность и уровень устойчивого функционирования.

Теория управления операционным риском рассматривается рядом авторов лишь в контексте финансово-банковских систем. Сами понятия «риск» и «операционный риск» традиционно связаны с финансовой и банковской деятельностью. Базовые аспекты теории и лучших мировых практик управления риском в полной мере не распространяются на область функционирования цепей поставок.

Актуальность диссертационной работы связана с преодолением дезинтеграции в проведении аналитической работы в области идентификации и управления рисками, особенно в условиях глобального кризиса, применением новых методов, связанных с управлением рисками в масштабе цепи поставок предприятия. В исследовании объединяются понятия операционного риска и методы системного управления на базе международных стандартов и нейросетей. Диссертационная работа направлена на повышение уровня результативности и эффективности функционирования цепи поставок промышленного предприятия. Использование передовой технологии нейросетей позволяет выявить потенциальные несоответствия и возможные сбои на ранней стадии их формирования.

Исследование содержит методические положения, системные разработки и рекомендации в области риск-менеджмента цепей поставок, до этого применяемые лишь в 1Т - области. С помощью представленной в работе модели нейрологистического модуля обеспечивается выведение объекта на новый уровень безопасности. При этом происходит существенное улучшение качественных показателей управления рисками при сравнении полученных данных с базой данных аналогов («инцидентов»).

Проблема обеспечения устойчивости производственных предприятий в условиях модернизации приобретает решающее значение при выборе стратегии развития. В настоящее время управляющие системы в состоянии контролировать достаточно сложные объекты, масштабы которых варьируются от нанороботов до комплексов атомных электростанций. Решение проблемы поддержания устойчивости цепей поставок требует использования новейших информационных интеллектуальных технологий, а также разработки методического подхода, позволяющего на основании анализа выявлять и управлять рисками. Этот подход ведет к необходимости внедрения принципиально новых моделей мониторинга рисков.

Цель к задачи исследования

Целью диссертационного исследования является повышение эффективности и качества функционирования цепей поставок наукоемкой продукции за счет создания адаптивной автоматизированной системы мониторинга рисков на базе искусственной нейронной сети в режиме реального времени.

В рамках реализации основной цели исследования были сформулированы и решены следующие задачи:

•формирование устойчивого развития цепи поставок предприятия в условиях конкуренции и нестабильности внешней среды;

»разработка поэтапного алгоритма мониторинга рисков;

•построение структурной модели и алгоритма работы нейрологистического модуля управления рисками на этапе принятия стратегических решений;

• определение классификации метрик и вычисление их пороговых значений для формирования обучающей выборки;

•формирование методического подхода к построению прикладной программы оценки рисков цепи поставок;

•разработка программно-инструментального комплекса реализации нейрологистического модуля;

• построение модели взаимодействия блоков программного обеспечения;

•определение приоритетной роли категорий метрик, оказывающих влияние на конечный уровень риска цепи поставок.

Объектом исследования являются интегрированные цепи поставок производственного предприятия с непрерывным функциональным циклом.

Предметом исследования в диссертационной работе являются системные методы анализа рисков с использованием искусственного нейрологистического модуля.

Методологическая база исследования

В диссертационном исследовании широко используются методы системного анализа и управления рисками сложных систем, методы построения экономико-математических моделей, принципы стратегического менеджмента, методология функционального моделирования, методические основы построения нейросетей.

Научная новизна и практическая значимость исследования Обоснован и определен переход от традиционного представления об управлении цепями поставок предприятия к комплексному интегральному анализу данных, необходимых для создания информационной системы поддержки принятия решений с учетом выявленного уровня риска. На защиту выносятся:

•методические положения формирования механизма принятия решений на основе прогнозного значения уровня рисков цепи поставок предприятия;

•поэтапный алгоритм мониторинга, включающий адаптацию системы в соответствии с изменяющимися внешними условиями;

•структурная модель и алгоритм работы нейрологистического модуля системы мониторинга для принятия стратегических решений;

•классификация метрик, применяемых в качестве показателей наступления рисковых ситуаций;

•методический подход к построению прикладной программы; •программно-инструментальный комплекс реализации

нейрологистического модуля;

•модель взаимодействия блоков программного обеспечения; •приоритеты метрик для определения их влияния на конечный уровень риска.

Достоверность научных положений, рекомендаций и выводов

Обоснованность научных положений, рекомендаций и выводов определяется корректным использованием нейроалгоритмов и подтверждена положительными результатами использования разработанных методов, моделей и алгоритмов на промышленных предприятиях.

Практическая значимость исследования заключается в разработке концепции и методов управления рисками на основе системы мониторинга, применение которых позволит производственному предприятию:

•обеспечить эффективную работу в условиях рыночной среды и кризисных явлений;

•сократить время принятия управленческого решения в условиях рисков;

•уменьшить отрицательное влияние неопределенностей внешней среды и выделения наиболее проблемных областей;

•сблизить стратегические показатели деятельности с ключевыми показателями результативности процессов;

•избежать потери клиентов и дополнительных логистических издержек.

Апробация основных результатов

По материалам диссертации опубликовано 9 работ, в том числе 4 работы в изданиях по перечню ВАК РФ. На основе теоретических и методических положений диссертации был разработан и апробирован моделирующий учебный компьютерный комплекс «Управление вариабельностью в цепи поставок».

Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий (ООО «Силтэк», ООО «Молта», ОАО «В/О «Авиаэкспорт», ЗАО «Авиатехснаб», ООО «ИнтегПрог»).

Содержание отдельных разделов диссертации было доложено и получило одобрение:

• на ежегодной конференции «Интегрированные системы менеджмента и безопасность цепей поставок» (2009, 2010 гг.) XII и XIII Московского международного логистического форума;

• V Российско-Немецкой конференции по логистике и 8СМ БЛ-ЬОСЮ;

• на совместном заседании кафедр «Менеджмент» и «АСУ» МАДИ.

СОДЕРЖАНИЕ РАБОТЫ

Структура работы соответствует перечисленным задачам, содержит описание разработанных методов и моделей.

Во сведении обосновывается актуальность проблемы и приведено краткое описание содержания глав диссертации.

Глава 1. Анализ проблем построения систем управления рисками в цепях поставок

В первой главе диссертации проведен обзор и анализ основных подходов и принципов построения систем управления цепями поставок. Рассмотрены проблемы разрастания кризисных явлений и их последствий для экономики и цепей поставок компаний. Описаны модели и методы мониторинга и снижения рисков.

Организационно-техническая оптимизация цепей поставок привела к географической концентрации риска и увеличила системную уязвимость по отношению к нарушениям работы этих цепей. Эффективное управление и контроль могут предотвратить мгновенное распространение глобальных рисков и ограничить последствия локального случая риска. Однако ошибки в разработанной стратегии управления цепями поставок запускают механизмы передачи глобальных рисков. Их воздействие усиливается на системном уровне, а последствия их реализации распространяются за границы корпоративного сектора.

В работе модель управления цепями поставок компании рассматривается как открытая динамическая система, в которой материальный, финансовый и соответствуюший им информационный потоки связаны с поставщиками, потребителями и посредническими организациями, а также с операциями внутри самого предприятия.

Интеграция становится основной тенденцией современной экономики и подразумевает широкое сотрудничество между организациями в области продаж, сервиса, менеджмента цепей поставок. Также учитывается влияние управленческих процессов на информационные технологии. Цепи поставок предприятий включают в себя географически распределенные объекты, где приобретается, преобразуется, хранится или продается сырье, незавершенная и готовая продукция, и каналы распределения, соединяющие эти объекты, по которым перемещается продукция.

Рассмотренная в работе методология управления цепями поставок (8СМ) направлена на снижение ВиП^Флр-эффекта и запуск стратегической координации потока поступающей информации и планирования действий по нейтрализации угроз. Ви11\\'Ыр-эффект представляет собой ситуацию, при которой незначительные изменения спроса конечного потребителя приводят к значительным отклонениям в деятельности и планах других участников логистической цепи.

С помощью мониторинга контролируется соответствие заданным пороговым значениям для решения возникающих проблем. В результате внедрения системы становится возможным предоставление участникам цепей поставок информационных и консалтинговых услуг, а также логистическая поддержка этих цепей в заданном режиме.

Целью мониторинга является отслеживание влияния возмущающих факторов на параметры функционирования цепи и хода выполнения логистического процесса. Управлять цепями поставок в режиме «реального времени» - сложная, но крайне важная задача для современного предприятия. В организациях, которые эффективно управляются в режиме «реального времени», постоянно отслеживаются важные для бизнеса в целом события, идентифицируются проблемы и новые возможности для качественного развития. Решение задачи мониторинга обеспечивает возможность отслеживать и обрабатывать важнейшие бизнес-события.

Информация обрабатывается и предоставляется пользователям, которые могут оперативно выполнить соответствующие ответные действия. Мониторинг бизнес-активности, в т.ч. цепей поставок, способствует принятию быстрых, обоснованных и четких управленческих решений. Результатом внедренной системы становятся конкурентные преимущества, получаемые предприятием.

Мониторинг бизнес-активности тесно связан с интеграцией корпоративных приложений. При этом возникает проблема достоверного представления данных о состоянии этих систем. В методологии системного моделирования сложные цепи поставок представляют наибольший интерес в контексте постановки и решения задач планирования и оптимизации. Результатом становится построение некоторой модели системы и соответствующей предметной области, описывающей важнейшие с точки зрения решаемой проблемы аспекты.

В общем случае, по мнению ряда авторов, процесс постановки и решения задач оптимизации может быть представлен в стандартной форме взаимосвязанных этапов. На каждом из них выполняются действия, направленные на построение и последующее использование информационно-аналитических систем (рис.1).

Характерная особенность данного процесса - его циклический характер. Каждый новый цикл инициируется этапом анализа проблемной ситуации, в чем проявляется реализация требования проблемно-ориентированного подхода к построению и использованию информационно-логических моделей. Содержание каждого из этапов напрямую зависит от специфических особенностей решаемых задач оптимизации.

Автоматизацию систем мониторинга целесообразно осуществлять с учетом постоянно изменяющихся внешних условий. Для решения таких задач все больше компаний применяют интегрированные логистические системы, использующие современные ИТ-средства. Они связывают воедино по всей длине цепи поставок такие бизнес-операции, как производство и распределение, с одной стороны, с операциями поставщиков и, с другой, - с операциями потребителей.

Рис. 1. Информационно-аналитическая система

В работе дается обзор существующих международных стандартов, затрагивающих область управления, анализа рисков и безопасности в цепи поставок. Международные стандарты предлагают механизмы перехода к внедрению инновационных технологий, удовлетворению всех заинтересованных сторон и способствуют повышению эффективности функционирования цепей поставок. Стандарты серии ISO 28000 содержат руководства и указания по внедрению и управлению системой безопасности цепей поставок, а также ряд требований по проведению их аудитов. COSO и CobiT затрагивают управление рисками и интеграцию единой информационной системы.

Каждый из представленных стандартов охватывает только свою область реализации, при этом не обеспечизается их взаимодействие. Стандарты серии ISO 28000 не рассматривают информационную составляющую менеджмента безопасности цепи поставок. COSO и CobiT анализируют управление рисками и интеграцию в единой информационной системе. Однако они не учитывают контекст их

применения в отношении цепей поставок. В отличие от стандартов серии ISO 28000, COSO охватывает процесс управления рисками предприятия в целом. Данная модель служит основой для организации деятельности внутреннего контроля и аудита компаний, не рассматривая в качестве объекта применения цепи поставок. Базовым методом в COSO является оценка соответствия целей предприятия рискам и методам управления этими рисками.

CobiT формализует не только конкретные проекты в сфере IT, но и создает то ядро управления и контроля IT, вокруг которого выстраиваются производственные процессы компании с максимально возможным уровнем эффективности. На основе этого в исследовании была сформулирована цель по созданию адаптивной автоматизированной системы мониторинга рисков на базе искусственной нейронной сети.

Глава 2. Разработка нейрологистической модели мониторинга рисков цепи поставок

Во второй главе диссертации разрабатывается модель автоматизированной системы мониторинга, рассматриваются основы применения нейронной модели как базиса для составления прогноза работы цепей поставок в условиях риска.

В исследовании управление цепями поставок представляется в качестве открытой системы, на вход которой поступают контрольные параметры цепи поставок X¡, зависящие от времени (t) (рис.2.). На выходе системы будут сгенерированные в ответ на внешние воздействия ответные реакции, информация для пользователей í^t). Внутренний регулятор R образует контур обратной связи.

Контур обратной связи

Рис. 2. Структурная модель системы управления

Основной целью такой системы управления должно являться поддержание функционирования цепей поставок на заданном уровне в условиях внешних и внутренних возмущений, особенно на транснациональном уровне. Нормы законодательства стран, на территории которых располагаются звенья цепочки, текущая экономическая ситуация, уровень квалификации и знаний сотрудников, выполняющих анализ, являются ограничителями. По причине их несовершенности система управления реагирует на поступающие воздействия с запаздыванием т.

Каждый процесс связан со временем, так как он не статичен. Внутренний регулятор И. не срабатывает в случае, когда запаздывание т очень велико. Чтобы система функционировала на заданном уровне и защитила себя от опасности, необходимо чтобы действие совершалось как можно быстрее. В этом случае время запаздывания должно принимать значения X] «т. Временной фактор играет важную роль при организации обратной связи. Быстрая реакция в таких условиях предполагает наличие в системе управления цепями поставок организационно-технических структур, которые позволяют распознавать инцидент и выполнять реагирующие действия. Для этого необходим набор отработанных и заготовленных сценариев. Быстрое поступление информации по обратной связи обеспечивает более оперативное управление процессом.

Система после воздействия возмущения удаляется от равновесного состояния или начинает совершать вокруг него колебания с нарастающей амплитудой. При неблагоприятном соотношении внешних параметров колебательный процесс может быть незатухающим и даже расходящимся.

Систему управления цепями поставок можно отожествить с передаточной функцией Ж, отображающей заданное множество входных параметров во множество выходных параметров:

= (1)

где У} - выходной сигнал системы управления, Х1 - входной сигнал системы управления.

Для проектирования системы мониторинга рисков необходимо определить структуру модели процесса, описывающую проведение анализа и реакции в зависимости от полученных результатов. В ряде случаев она заранее неизвестна. Следствием данного факта становится необходимость проектирования модели с гибкой структурой и параметрами. То есть структура и параметры модифицируются в соответствии с изменениями характеристик процесса при его функционировании. Такая модель будет называться адаптивной. Ее построение связано с использованием методов итерации. При этом в каждый момент времени функционирования производится оценка

значений параметров по данным входных (X,) и выходных (У,) переменных (см. рис. 2.).

Адаптивная система мониторинга характеризуется наличием представленной в виде базы инцидентов модели управляемой цепи поставок, В базе инцидентов анализируются возможные последствия, и формируется прогноз развития событий (рис. 3.).

Рис. 3. Адаптивная система мониторинга

Адаптивной является система, в которой в результате изменения характеристик внутренних и внешних свойств цепи поставок происходит соответствующее изменение структуры и параметров регулятора управления Я. За счет такой трансформации обеспечивается стабильность функционирования цепи поставок. Автоматизированная система мониторинга рисков рассматривается как многоуровневая система адаптивного управления, ориентированная на интеллектуальные технологии. Она охватывает весь жизненный цикл процессов в цепи поставок и базируется на применении особого, реализованного на программном уровне блока - нейрологистического модуля.

Учитывая нестационарность и эволюционирование во времени систем мониторинга рисков, результативность использования формальных методов моделирования таких систем минимизируется. Математически формализованные модели управления цепями поставок не дают адекватной картины процесса, не позволяют в полном объеме учитывать возмущения, а также производить компенсации отклонений, возникающих вследствие этих возмущений.

Для функционирования системы мониторинга в работе применяется алгоритм получения выводов У,, (рис.4.) на основе имеющихся в базе данных инцидентов. Вывод на основе инцидентов - это метод принятия решений, в котором используются знания о предыдущих ситуациях или случаях (прецедентах). При рассмотрении новой проблемы (текущего случая) находится похожий инцидент в качестве аналога. Можно попытаться использовать его решение, возможно, адаптировав к текущему случаю, вместо того, чтобы искать решение каждый раз сначала. После того, как текущий случай будет обработан, он вносится в базу инцидентов вместе со своим решением для его возможного последующего использования.

Инцидент - это описание проблемы или ситуации в совокупности с подробным указанием действий, предпринимаемых в данной ситуации или для решения данной проблемы.

Нейрологистический модуль (НЛМ) - формирует на основании поступившего классифицированного инцидента возможные последствия -прогноз - и обеспечивает реагирование на выявленные инциденты функционального цикла логистики.

Рис. 4. Модель вывода решений на основании инцидентов

Базовыми блоками такой системы мониторинга являются:

1. идентификация события;

2. классификация:

• анализ поступившего в систему события;

• идентификация события как инцидента, если его параметры выходят за установленные пороговые значения

• сравнение инцидента с имеющейся базой знаний;

• классификация инцидента;

3. реакция в ответ на выявленные инциденты при:

• нарушении временного интервала функционального цикла или отдельных его операций;

• невыполнении предусмотренных функциональным циклом процедур;

• нарушении последовательности операций и т.д.;

4. оценка соответствия - блок нормативного регулирования на основе международных стандартов ИСО 28000:2007.

На рис.5 представлена базовая нейрологистическая модель, разработанная автором, охватывающая весь цикл получения прогноза и выработки управляющего воздействия.

АДАПТИВНАЯ СИСТЕМА МОНИТОРИНГА ЦЕПИ ПОСТАВОК

Вариант

Прогноз

Управление

Цепь поставок

РЕЗУЛЬТАТ (У/)

идентификация события

н

ч

классификация инцидента

реагирование на инцидент

блок нормативного регулирования

Рис. 5. Модель адаптивной системы мониторинга

В отношении применяемой в работе теории нейросетей выражение (1) приобретает следующий вид, при котором текущее состояние нейрона определяется, как взвешенная сумма его входов:

S = f>,wj+i, (2)

y=f(S), (3)

где w, - вес синапса (weight), (i=l,2...N); b - значение смещения (bias); S - результат суммирования (sum); Xj - компонента входного вектора (входной сигнал или параметры), (i'=l,2,...N); у - выходной сигнал нейрона; N - число входов нейрона; f - нелинейное преобразование (функция активации).

Каждый синапс характеризуется величиной синаптической связи или ее весом w,-, который по физическому смыслу эквивалентен электрической проводимости.

Для оценки числа нейронов в скрытых слоях однородных нейронных сетей в работе используется формула для оценки необходимого числа синаптических весов Lw в многослойной сети с сигмоидальными передаточными функциями:

———<,L,<m\—+1 ](и+т + 1) + /п , (4)

l + Iog2 jV U у W

где п - размерность входного сигнала; т - размерность выходного сигнала; N- число элементов обучающей выборки.

Оценив необходимое число весов, можно рассчитать число нейронов в скрытых слоях. Например, для двухслойной сети это составит:

£ = (5)

п + т

Также количество нейронов можно оценить по формуле:

N о 1 s N

--п-т < L <--п-т, (6)

10 2 к '

Нейросеть в работе проходит обучение на основании алгоритма обратного распространения (Back Propagation). Он представляет собой распространение сигналов ошибки от выходов нейросети к ее входам в направлении обратном прямому распространению сигналов в обычном режиме работы. Обучение нейронных сетей является задачей оптимизации в тех случаях, когда удается оценить работу сети. Это означает, что можно указать, хорошо или плохо сеть решает поставленные ей задачи, и оценить это «хорошо или плохо» количественно. Для этого выстраивается функция оценки. Она, как правило, явно зависит от выходных сигналов сети и неявно (через функционирование) - от всех ее параметров. Простейший и самый распространенный пример оценки - сумма квадратов расстояний от выходных сигналов сети до их требуемых значений. При этом суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам.

Пусть описание формального нейрона иерархической нейронной сети описывается уравнением:

at = arctgp, ^ (7)

N

Я=2>Л+4 (8)

м

где Л,- - внешние входные сигналы; а,- - сигнал ¡-ого нейрона в выходном векторе нейросети, а} - входные сигналы от других блоков; хц -веса межнейронных связей.

Можно получить сколь угодно точное приближение любой непрерывной функции многих переменных, используя операции сложения и умножения на число, суперпозицию функций, линейные функции, а также одну произвольную непрерывную нелинейную функцию одного переменного. Для нейрологистического модуля это означает, что для получения указанного результата от функции активации нейрона требуется только нелинейность. Адаптивные возможности предлагаемых алгоритмов с ускоренным стохастическим поиском позволяют в полной мере реализовать потенциальные возможности нейрологистического модуля.

В процессе адаптации (обучения) нейрологистического модуля происходит подстройка весовых коэффициентов ху до тех пор, пока не будет получен набор ху, удовлетворяющих условию Я<ц, где ц максимально допустимая величина ошибки, а Я - значение соответствующей целевой функции.

На этапе функционирования описываемый нейрологистический модуль совпадает по быстродействию с нейросетями, обученными по детерминированным алгоритмам. При обучении даже с учетом предложенных усовершенствований случайный поиск остается процессом достаточно медленным. Для его ускорения в работе возможно применение прогнозирования последующего направления поиска с использованием предыдущего опыта адаптации. Набор численных методов, пригодных для прогноза наилучшего изменения величин р, достаточно широк.

Приведенный в работе подход представляет собой простую самонастраиваемую модель, основанную на вычислении так называемой экспоненциальной средней.

Завершающий нормативный блок в составе механизма оценки нейрологистического модуля осуществляет проверку полученных результатов с позиций международных стандартов серии ISO 28000: 2007. Конечной целью такого внедрения становится совершенствование функционирования цепи поставок предприятия. Менеджмент безопасности охватывает все виды деятельности, которые находятся под управлением организации или ее партнеров в пределах единой цепи, и могут прямо или косвенно оказывать влияние на безопасность. Областью применения ISO 28000: 2007 являются финансирование, производство, информационный менеджмент, оборудование для упаковки, хранения и перевозки товаров между различными видами транспорта и местоположениями. Кроме того, его системную основу составляют стандарты ISO 9001:2000 и ISO 14001:2004, образующих площадку для развития системы управления безопасностью, основанной на управлении рисками.

Глава 3. Разработка алгоритмов и методов автоматизированной системы мониторинга в задачах управления рисками

В третьей главе определена классификация метрик и вычислены их пороговые значения для формирования обучающей выборки, на основании построенных моделей созданы методы и алгоритмы работы нейрологистического модуля и смежных систем для исследуемого объекта.

Рассмотрение стабильной работы цепи поставок в качестве фактора повышения конкурентоспособности предполагает, что последствия принимаемых решений в данной области должны поддаваться измерению в плане их воздействия на функциональные затраты и доходы предприятия. В связи с этим становится актуальной задача нахождения способа контроля издержек и показателей, наиболее корректно отражающих соотношение критериев системы мониторинга с основными экономическими и финансовыми индикаторами деятельности компании.

Управление рисками в цепи поставок представляет собой определенную бизнес-концепцию, позволяющую оптимизировать ресурсы предприятия, которые связаны с управлением материальными и сопутствующими потоками. Определить количественные параметры последствий принятия решений в данной области весьма сложно.

Применение методов интегрированного логистического управления в практике компании позволяет значительно сократить товарно-материальные запасы, ускорить оборачиваемость оборотного капитала, снизить логистические издержки, обеспечить наиболее полное удовлетворение потребителей в качестве товаров и сопутствующего сервиса.

Внедрение системы мониторинга как ряда строго определенных и тесно взаимосвязанных процессов позволяет, с точки зрения автора, сформировать целостный подход, охватывающий все множество направлений деятельности предприятия. В качестве параметров могут быть использованы метрики, представляющие собой «веса» измерений. Создание таких критериев является одной из задач программы непрерывного улучшения качества обслуживания.

При внедрении метрик как составной части функционирования нейрологистического модуля особое значение приобретает коммуникация. Если заинтересованные стороны получают своевременную и точную информацию о показателях риска в цепи поставок предприятия, они могут внести общий вклад в достижение глобальных долгосрочных целей, поддерживая открытость и прозрачность и отмечая происходящие улучшения.

В общем случае методика применима к анализу цепочек поставок как локального, так и транснационального масштаба при производстве, сервисе, хранении или транспортировке.

Методика предполагает прохождение семи этапов алгоритма мониторинга, згмыкаясь с помощью обратной связи (рис.6.). Он стартует с формирования базы метрик (этапы 1-2), по которой будет производится регистрация событий, далее осуществляется передача полученных данных в нейрологистический модуль. Система мониторинга производит их обработку с помощью выбранного нейропахета (этапы 3-6) и выдает пользователю прогноз в отношении управляющего воздействия на цепь поставок (этап 7).

Рис. 6. Алгоритм этапов мониторинга

Результат работы нейрологистического модуля можно представить в виде «светофора». Если риски по оценке системы мониторинга превысили допустимое значение - во внешнее программное обеспечение передается предупреждающий (красный) сигнал, если риски находятся на допустимом уровне - разрешающий (зеленый) сигнал. Если с течением времени происходят внутренние и внешние изменения предприятия с помощью обратной связи производится корректировка выбранных метрик и загрузка их в соответствующее программное обеспечение.

Разработанная автором методология нейрологистического модуля прошла внедрение на одном из предприятий по производству запасных частей для АЗС, готовых колонок, оборудования для нефтебаз и газораздаточного оборудования ЗАО «Нара». При внедрении применялись научно-методические разработки ООО «Силтэк», занимающейся технологиями сохранности в цепях поставок.

Для системы мониторинга рассматриваемого объекта автором предлагается использовать 12 подробно описанных в работе категорий метрик или критериев (рис.7.).

Каждая метрика представляет собой категорию риска цепи поставок, характерного для данного производственного предприятия. В случае присвоения ей значения «1» данный риск считается реализовавшимся, «0»-нереализовавшимся. С помощью обработки полученных данных в нейрологистическом модуле авторизованные пользователи получают предупреждающий сигнал с указанием наиболее значимых метрик для управляющего воздействия на выделенные области.

Рис. 7. Виды метрик (критериев) системы мониторинга

Структурно работу системы мониторинга можно представить как взаимодействие четырех блоков (подсистем).

Для интеграции полученных значений метрик и передачи их в нейрологистический модуль необходимо специальное программное обеспечение Блока 1 (рис.8.), взаимоувязанное с остальными блоками.

Блок 2 представляет из себя программу, отвечающую за нейроалгоритмическую обработку поступающих данных (нейрологистический модуль).

В Блок 3 входят учетная и бухгалтерская система, установленная на предприятии. Блок 4 непосредственно работает с пользователями с различными правами доступа и в человекочитаемой форме выдает запрещающий или разрешающий сигнал.

Блок 2. Нейрологистический модуль: выдача результата

Блок 4. Управляющий ^ч модуль: выдача \

управляющего сигнала

Блок 1. Передача значений метрик и запуск Блока 2

Блок 3. Учетная бухгалтерская

система предприятия

Рис. 8. Интеграция блоков программного обеспечения

Эти взаимосвязанные подсистемы осуществляют информационно-компьютерную поддержку всех функций мониторинга цепи поставок предприятия и связь с микро- и макрологистической окружающей средой.

Глава 4. Программная реализация автоматизированной системы мониторинга рисков

В четвертой главе диссертации приведено описание программно-инструментального комплекса системы мониторинга рисков цепи поставок, определены приоритетные роли категорий метрик, оказывающих влияние на конечный уровень риска.

Блок 1 представляет собой автоматизированную систему управления (АСУ) - вычислительный комплекс, оснащенный соответствующими аппаратными и программными средствами. Они должны быть надежными, устойчивыми, масштабируемыми, удобными, гибкими, достаточно легко перенастраиваемыми, открытыми для настройки и доработки.

Для реализации работы нейрологистического модуля (Блока 2) автор предлагает использовать программный продукт нейропакет NeuroPro (НейроПро) Версия 0,25. Данный программный продукт представляет собой менеджер обучаемых искусственных нейронных сетей, работающий в среде Windows.

Блоки 1и 3 реализуются в ЗАО «Нара» на платформе 1С: Предприятие 8.1 с помощью разработки специализированной конфигурации. Блок 4 реализован на базе платформы программного обеспечения «Парус» модуль «Управление деловыми процессами» путем его доработки. При необходимости выдачи в Блок 4 информационного сигнала, устанавливает соединение с сервером баз данных Oracle, в котором программное обеспечение Блока 4 хранит свои данные, производит вызов хранимой процедуры и передачу полученной информации авторизованным пользователям. Для выполнения такой передачи данных на сервере Блока 1 устанавливается программное обеспечение Oracle Objects for OLE версии 9.2.0.7.0. В указанной базе Блока 4 должна быть создана специализированная таблица с обозначением кодов возможного сбоя в цепи поставок наукоемкой продукции и метрик, оказавших наибольшее влияние на возникновение риска.

В состав службы технического директора рассматриваемого объекта вводится новая штатная единица - специалист внутреннего контроля. Данный сотрудник будет осуществлять поддержку и обеспечение системы мониторинга.

Для устранения расхождений между фактическими и учетными данными и автоматической фиксации прохождения технологического цикла и перемещений узлов и готовой продукции по наиболее значимым позициям необходимо вести их идентификацию с помощью шртих-кодирования. Цех литья комплектуется специализированными термопринтерами с расходными материалами для печати этикеток.

Ответственным начальникам участков для фиксации прохождения номеров на входе и выходе выдаются терминалы сбора данных во время рабочей смены. Их рабочее место оснащается персональным компьютером для установки специализированного программного обеспечения. Терминалы сбора данных - технические устройства, предназначенные для автоматического считывания индивидуального штрих-кода, отвечающие определенным техническим требованиям.

Для запуска нейрологистического модуля установим пороговые значения для 12 сформированных метрик (табл.1.), вычисляемые аналитически на основании отчетов из 1С.

Таблица 1. Пороговые значения метрик

№л& 1 2 3 4 5 б 7 8 9 10 11 12

Значшие 0 10% 3,5 85% Провод, 4 из 7,5% 86% 13,5 0 12% 62% 89%

метрики т- 5 баллов ДН

С помощью выбранного программного обеспечения и заданных пороговых значений в работе представлены показатели метрик для 31 примера прохождения запчастей и готовой продукции по внутренней цепи (табл.2.).

Таблица 2.Обучающая выборка

ЛЬслучая Класс результата Обучающие параметры

1 2 3 4 5 б 7 8 9 10 И 12

1 1 1 1 0 0 0 0 1 1 1 0 1 0

2 1 1 0 0 1 0 0 1 1 0 0 0 0

3 1 1 1 0 0 0 0 с 1 0 0 0 1

4 1 1 1 0 0 1 1 1 1 0 0 1 0

5 1 1 1 0 0 0 0 1 0 0 0 0 0

б 1 0 0 0 0 1 0 1 0 0 0 0 0

7 1 0 0 0 0 1 0 0 0 0 0 0 0

8 1 0 0 0 0 1 0 0 1 1 0 0 0

9 2 0 0 1 1 1 1 0 0 0 1 0 1

10 2 1 1 1 1 1 0 1 0 0 0 0 0

11 2 1 1 0 1 0 1 0 0 0 1 0 0

12 1 1 1 1 0 1 0 0 1 0 0 0 0

13 1 1 1 0 0 1 0 ! 1 0 0 1 0

14 1 0 1 0 0 1 0 1 0 0 0 0 1

15 1 1 1 0 0 1 0 1 0 0 0 1 0

16 1 0 1 0 0 1 1 1 1 0 0 1 0

17 2 1 в 0 1 0 0 1 0 0 1 0 1

18 1 0 0 0 0 1 0 1 0 1 0 0 0

19 1 0 с 0 1 0 1 0 1 1 0 1 0

20 2 1 0 0 1 0 0 1 0 1 0 1 0

21 1 0 1 0 0 0 0 0 0 с 0 1 0

22 1 1 1 0 0 1 0 0 0 0 0 1 0

23 2 1 1 0 0 0 1 а 0 0 0 0 1

24 2 1 0 0 1 0 0 0 1 1 0 0 0

Ю VI 2 1 0 1 1 0 0 1 0 1 0 0 0

26 1 0 0 0 0 1 0 0 1 0 0 0 0

27 2 1 1 0 0 1 1 0 0 1 0 0 1

28 2 1 0 1 1 0 0 0 0 1 0 0

29 1 с 1 1 0 1 0 1 0 1 0 0

30 2 1 1 1 1 0 0 1 1 1 0 0 а

31 2 0 0 1 0 1 0 0 1 1 0 0 1

Для каждой метрики от 1 до 12 вычисляется ее значение. Класс

результата «1» означает, что в данной ситуации не произошел сбой функционального цикла цепи поставок, класс результата «2» - сбой произошел.

После обучения сети с помощью нейрологистического модуля

прогнозируется результат для следующего случая №32, отраженного в табл.3.

Таблица 3. Прогнозируемый случай

№ Класс Обучающие параметры

случая результата ! 2 3 4 ! 5 б 7 8 9 10 ¡1 12

32 ? 0 1 ! 111 1 0 1 1 1 0 с

По результатам исследования получаем результат - 2,01401= 2. Этот класс результата свидетельствует о высокой вероятности сбоя в цепи

поставок предприятия. Нейрологистический модуль выдает в Блок 4 предупреждающий сигнал, формируя список оказавших наибольшее влияние метрик.

Наибольшее влияние на возникновение риска в цепи поставок предприятия оказали метрики: 3. Период времени от формирования заказа до поставки товара; 4. Уровень сервиса поставщика; 8.Покрытие запасов готовых изделий; 9. Нормативный блок.

Развернутая в ЗАО «Нара» система мониторинга рисков позволила уменьшить потери и дополнительные затраты, связанные с задержкой времени выполнения операций и недостаточной информированностью участников функционального цикла. Расчетный экономический эффект У„тог от внедрения системы, учитывающий снижение размера ущерба и упущенной выгоды из-за потери клиентов и дополнительных логистических издержек, составил:

У,™,. =7 309 292,3 руб.

В заключении представлены основные результаты работы.

Приложения содержат методики оценки рисков, структурные схемы, документы об использовании результатов работы.

Публикации. По результатам выполненных исследований опубликовано 9 печатных работ, которые приведены в списке публикаций.

Основные выводы и результаты работы

1. На основе проведенного анализа существующих методов и научных разработок систем управления цепями поставок наукоемкой продукции был предложен и обоснован новый подход к анализу рисков на базе применения понятия «операционного риска», метрик и положений теории нейросетей. Внедрение этого метода имеет большое значение для динамичного и устойчивого развития цепей поставок предприятий и обеспечения его функционирования на заданном уровне.

2. Создан поэтапный алгоритм мониторинга, включающий получение информации из учетной и бухгалтерской системы предприятия и адаптацию системы в соответствии с изменяющимися внешними условиями. Алгоритм предполагает интеграцию всех задействованных в работе блоков программного обеспечения и учитывает сформированную базу инцидентов. Показатели системы мониторинга напрямую связаны с основными экономическими и финансовыми индикаторами деятельности предприятия. Анализ результатов обеспечивает обратную связь, необходимую для эффективного управления процессами.

3. Разработана и апробирована структурная модель и алгоритм работы нейрологистического модуля системы мониторинга, содержащие инструментарий по поддержке принятия стратегических решений на основании полученной информации о вероятности отказа в цепи поставок предприятия. Это позволяет повысить эффективность работы компании и снизить операционные издержки. Анализ потенциальных несоответствий помогает предотвратить возможные потери в цепи поставок за счет принятия предупреждающих, мер.

4. Предложена и обоснована классификация параметров измерения системы мониторинга - метрик, характеризующих уровень реализации рисковых ситуаций. Каждой метрике по итогам проведенной оценки в сравнении с полученным аналитическим путем пороговым значением присваивается индекс «О» или «1». Такой параметр измерения представляет собой категорию риска цепи поставок, характерного для конкретного объекта. В случае присвоения ей значения «1» данный риск считается реализовавшимся.

5. Предложен подход к построению прикладной программы для оценки риска в цепи поставок на основании полученных значений метрик с использованием искусственной нейронной сети. Обучение выполняется на компьютерной модели нейрологистического модуля, что позволяет формировать прогнозные варианты реализации рисковых ситуаций в рассматриваемых областях.

6. Разработан программно-инструментальный комплекс нейрологистического модуля, позволяющий использовать его как элемент общей информационной системы предприятия.

7. Представлена модель взаимодействия блоков программного обеспечения, которая обеспечивает сбор информации для передачи в нейрологистический модуль, его запуск и выдачу результата пользователям о возможном отказе цепи поставок

8. Выявлена приоритетная роль ряда категорий метрик, оказывающих влияние на конечный уровень риска и вероятность отказа цепи поставок предприятия. Одной из таких метрик стал нормативный блок, что еще раз подтверждает ведущее значение международных стандартов в области менеджмента безопасности цепей поставок.

9. Основные результаты диссертационной работы докладывались, обсуждались и получили одобрение на межотраслевых ежегодных конференциях «Интегрированные системы менеджмента и безопасность цепей поставок» (2009 г.) и «Системы менеджмента рисков и безопасность цепей поставок» (2010 г.), на V Российско-Немецкой конференции по логистике и 5СМ «ОЛ-ШСЮ». Разработанный программный комплекс, методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий (ООО «Силтэк», ООО «Молта», ОАО «В/О «Авиаэкспорт», ЗАО «Авиатехснаб», ООО «ИнтегПрог»).

10. Принципы работы нейрологистического модуля могут применяться на стратегических уровнях управления корпорациями, включая межотраслевое взаимодействие предприятий, производящих и поставляющих наукоемкую продукцию, а также в сфере военно-технического сотрудничества. Полномасштабная реализация научных методов, изложенных в исследовании, может внести определенный вклад в обеспечение безопасности и устойчивости функционирования промышленности и транспорта.

11.Применение автоматической идентификации запчастей и нейрологистического модуля позволяет заложить основы противодействия обороту контрафактной продукции. Результатом реализации мониторинга рисков может стать создание интегрированной системы, обеспечивающей выявление фальсифицированных и некачественных изделий, и объединение в рамках единого информационного пространства различных участников рынка.

ПУБЛИКАЦИИ ПО ТЕМЕ РАБОТЫ

ПУБЛИКАЦИИ В РЕЦЕНЗИРУЕМЫХ ЖУРНАЛАХ ИЗ СПИСКА ВАК

1. Некрасова М.А., Некрасов А.Г., Атаев К.И., Безопасность и управление рисками в цепях поставок на транспорте. - Железнодорожный транспорт, №7,2007, с.66-68.

2. Некрасова М.А. Методы идентификации и оценки рисков в цепях поставок. - Логистика, № 1,2008, с. 14-15.

3. Некрасов А.Г., Некрасова М.А. Развитие систем управления событиями в цепях поставок. - Железнодорожный транспорт, №4, 2009, стр. 62-65

4. Некрасова М.А. Об адаптивном управлении цепями поставок.-Логистака, №4,2009, с.14-15.

ПУБЛИКАЦИИ В ДРУГИХ ИЗДАНИЯХ

5. Миротин Л.Б., Некрасов А.Г., Некрасова М.А. Нейросети в системе мониторинга цепей поставок/ Логистика: современные тенденции развития: материалы IX Междунар. науч.-практ. конф.15, 16 апреля 2010 г./ ред.кол.: В.С.Лукинский (отв.ред.) [и др.] . - СПб.: СПбГИЭУ, 2010, 488, с. 267-271.

6. Некрасов А.Г., Некрасова М.А. Логистический подход к управлению рисками в цепях поставок. - Эффективная логистика Сборник статей участников I Всероссийской научно-практической конференции (3 декабря 2007 г.), Челябинск: Изд-во ЮУрГУ, 2007, стр. 148-153

7. Некрасов А.Г., Некрасова М.А. Проблемы обеспечения безопасности цепочек поставок на транспорте. - Транспортная безопасность и технологии, № 2,2008, стр.151-154,

8. Некрасов А.Г., Некрасова М.А. Управление рисками в цепях поставок.-Прикладная логистика, № 5,2007, стр. 12-16.

9. Некрасова М.А. Аналитические методы снижения рисков в цепи поставок. - Прикладная логистика, №8,2005, стр. 14-15.

Подписано в печать 23 ноября 2010 г Формат 60x84x16 Усл.печ.л 1,0 Тираж 100 экз. Заказ № 47

ТЕХ П О Л И ГРАФ ЦЕНТР Россия, 125319 , г. Москва, ул. Усиевича, д. 8 а. Тел.: 8-916-191-08-51 Тел./факс (499) 152-17-71

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМ ПОСТРОЕНИЯ СИСТЕМ 10 УПРАВЛЕНИЯ РИСКАМИ В ЦЕПЯХ ПОСТАВОК

1.1 .Глобальный ландшафт рисков в разрезе менеджмента 10 безопасности цепей поставок

1.2.Теоретические проблемы построения логистических систем

1.3. Элементы системного моделирования цепей поставок

1.4.Международные стандарты и инструменты 41 интеллектуального управления в области безопасности цепей поставок

1.5. Выводы по главе

ГЛАВА 2. РАЗРАБОТКА НЕЙРОЛОГИСТИЧЕСКОЙ

МОДЕЛИ МОНИТОРИНГА РИСКОВ ЦЕПИ ПОСТАВОК

2.1. Анализ проблем автоматизации и мониторинга отрасли. 55 производства оборудования для АЗС

2.2. Разработка базовой структуры системы менеджмента 62 безопасности цепей поставок

2.3. Построение и основные этапы системы мониторинга 71 рисков цепей поставок

2.4. Нейрологистическая модель системы мониторинга рисков

2.5. Нормативные требования к управлению рисками на основе 92 международного стандарта ISO 28000:

2.6. Выводы по главе

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ И МЕТОДОВ 99 АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА В ЗАДАЧАХ УПРАВЛЕНИЯ РИСКАМИ

3.1. Модель управления рисками на основе 100 нейрологистического модуля

3.2. Формирование категорий метрик для управления рисками в 107 цепях поставок

3.3. Алгоритм функционирования системы мониторинга

3.4. Модель процессно-функциональных связей системы 118 мониторинга

3.5. Выводы по главе

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ 125 АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ МОНИТОРИНГА РИСКОВ

4.1. Структура принятия решений о выборе режима 125 функционирования цепи поставок с .учетом риска

4.2. Схема устранения отклонений (адаптация) в цепи поставок

4.3. Программная реализация нейрологистического модуля

4.4. Реализация удаленного доступа к нейрологистическому 144 модулю

4.5. Оценка эффективности устойчивости и адаптивности 148 системы мониторинга

4.6. Выводы по главе 4 154 ЗАКЛЮЧЕНИЕ 156 Список использованной литературы 162 Приложение 1 174 Приложение 2 182 Приложение 3 183 Приложение 4 184 Акты о внедрении

Актуальность исследования

Актуальность диссертационной работы связана с преодолением дезинтеграции в ведении аналитической работы в области анализа и управления рисками, особенно в условиях глобального кризиса, введением новых методов, связанных с управлением рисками в масштабах цепи поставок предприятия. В исследовании объединяются понятия операционного риска и методы системного управления на базе международных стандартов и нейросетей. Диссертационная работа направлена на повышение уровня результативности и эффективности функционирования цепи поставок промышленного предприятия. Использование передовой технологии нейросетей позволяет выявить потенциальные несоответствия и возможные сбои на ранней стадии их формирования.

Исследование содержит методические положения, системные разработки и рекомендации в области риск-менеджмента цепей поставок, до этого применяемые лишь в 1Т - области. С помощью представленной в работе модели нейрологистического / модуля обеспечивается выведение объекта на новый уровень безопасности. При этом происходит существенное улучшение качественных показателей управления рисками при сравнении полученных данных с базой данных аналогов («инцидентов»).

Проблема обеспечения устойчивости производственных предприятий в условиях модернизации приобретает решающее значение при выборе стратегии развития. В настоящее время управляющие системы в состоянии контролировать достаточно сложные объекты, масштабы которых варьируются от нанороботов до комплексов атомных электростанций. Решение проблемы поддержания устойчивости цепей поставок требует использования новейших информационных интеллектуальных технологий, а также разработки методического подхода, позволяющего на основании анализа выявлять и управлять рисками. Этот подход ведет к необходимости внедрения принципиально новых моделей мониторинга рисков.

Цель и задачи исследования

Целью диссертационного исследования является повышение эффективности и качества функционирования цепей поставок наукоемкой продукции за счет создания адаптивной автоматизированной системы мониторинга рисков на базе искусственной нейронной сети в режиме реального времени.

В рамках реализации основной цели исследования были сформулированы и решены следующие задачи:

• формирование устойчивого развития цепи поставок предприятия в условиях конкуренции и нестабильности внешней среды;

• разработка поэтапного алгоритма мониторинга рисков;

• построение структурной модели и алгоритма работы нейрологистического модуля управления рисками на этапе принятия стратегических решений;

• определение классификации метрик и вычисление их пороговых значений для формирования обучающей выборки;

• формирование методического подхода к построению прикладной программы оценки рисков цепи поставок;

• разработка программно-инструментального комплекса реализации нейрологистического модуля;

• построение модели взаимодействия блоков программного обеспечения;

• определение приоритетной роли категорий метрик, оказывающих влияние на конечный уровень риска цепи поставок.

Объектом исследования являются интегрированные цепи поставок производственного предприятия с непрерывным функциональным циклом.

Предметом исследования в диссертационной работе являются системные методы анализа рисков с использованием искусственного нейрологистического модуля.

Методологическая база исследования.

В диссертационном исследовании широко используются методы системного анализа и управления рисками сложных систем, методы построения экономико-математических моделей, принципы стратегического менеджмента, методология функционального моделирования, методические основы построения нейросетей.

Научная новизна и практическая значимость исследования.

Обоснован и определен переход от традиционного представления об управлении цепями поставок предприятия к комплексному интегральному анализу данных, необходимых для • создания информационной системы поддержки принятия решений с учетом выявленного уровня риска.

На защиту выносятся:

• методические положения формирования механизма принятия решений на основе прогнозного значения уровня рисков цепи поставок предприятия;

• поэтапный алгоритм мониторинга, включающий адаптацию системы в соответствии с изменяющимися внешними условиями;

• структурная модель и алгоритм работы нейрологистического модуля системы мониторинга для принятия стратегических решений;

• классификация метрик, применяемых в качестве показателей наступления рисковых ситуаций;

• методический подход к построению прикладной программы; г

• программно-инструментальный комплекс реализации нейрологистического модуля;

• модель взаимодействия блоков программного обеспечения;

• приоритеты метрик для определения их влияния на конечный уровень риска.

Практическая значимость исследования заключается в разработке концепции и методов управления рисками на основе системы мониторинга, применение которых позволит производственному предприятию:

• обеспечить эффективную работу в условиях рыночной среды и кризисных явлений;

• сократить время принятия управленческого решения в условиях рисков;

• уменьшить отрицательное влияние неопределенностей внешней среды и выделения наиболее проблемных областей;

• сблизить стратегические показатели деятельности с ключевыми показателями результативности процессов;

• избежать потери клиентов и дополнительных логистических издержек

Диссертация состоит из четырех глав, в которых приводится решение поставленных задач.

В первой главе диссертации проведен обзор и анализ основных подходов и принципов построения систем управления цепями поставок. Рассмотрены проблемы разрастания кризисных явлений и их последствий для экономики и цепей поставок компаний. Описаны модели и методы мониторинга и снижения рисков.

В главе дается обзор существующих международных стандартов, затрагивающих область управления, анализа рисков и безопасности в цепи поставок. Международные стандарты предлагают механизмы перехода к внедрению инновационных технологий, удовлетворению всех заинтересованных сторон и способствуют повышению эффективности функционирования цепей поставок. Стандарты серии ISO 28000 содержат руководства и указания по внедрению и управлению системой безопасности цепей поставок, а также ряд требований по проведению их аудитов. COSO и

CobiT затрагивают управление рисками и интеграцию единой информационной системы.

Во второй главе диссертации разрабатывается модель автоматизированной системы мониторинга, рассматриваются основы применения нейронной модели как базиса для составления прогноза работы цепей поставок в условиях риска.

Для практической реализации нейрологистического модуля как составной части системы мониторинга необходимо обратиться к реакциям живого организма, а именно к возможностям высшей нервной деятельности. Нейронные сети рассматриваются автором как современные вычислительные системы, которые преобразуют информацию по образу процессов, происходящих в мозге человека. Под нейронными сетями подразумеваются вычислительные структуры, способные к адаптивному обучению путем анализа положительных и отрицательных воздействий.

В третьей главе определена классификация метрик и вычислены их пороговые значения для формирования обучающей выборки, на основании" построенных моделей созданы методы и алгоритмы работы нейрологистического модуля и смежных систем для исследуемого объекта.

Автором предлагается использовать 12 подробно описанных в работе категорий метрик, исходя из потребностей производственного предприятия.

В четвертой главе диссертации приведено описание программно-инструментального комплекса системы мониторинга рисков цепи поставок, определены приоритетные роли категорий метрик, оказывающих влияние на конечный уровень риска.

Для реализации работы нейрологистического модуля (Блока 2) автор предлагает использовать программный продукт нейропакет NeuroPro (НейроПро) Версия 0,25. Данный, программный продукт представляет собой менеджер обучаемых искусственных нейронных сетей, работающий в среде Windows.

Блоки 3 и 1 реализуются на платформе 1С: Предприятие 8.1 с помощью разработки специализированной конфигурации. Блок 4 реализован с помощью платформы программного обеспечения «Парус» Модуль «Управление деловыми процессами» путем его доработки.

Апробация основных результатов.

По материалам диссертации опубликовано 9 работ, в том числе 4 работы в изданиях по перечню ВАК РФ. На основе теоретических и методических положений диссертации был разработан и апробирован моделирующий учебный компьютерный комплекс «Управление вариабельностью в цепи поставок».

Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий (ООО «Силтэк», ООО «Молта», ОАО «В/О «Авиаэкспорт», ЗАО «Авиатехснаб», ООО «ИнтегПрог»).

Содержание отдельных разделов диссертации было доложено и получило одобрение:

• на ежегодной конференции «Интегрированные системы менеджмента и безопасность цепей поставок» (2009, 2010 гг.) XII и XIII Московского международного логистического форума;

• V Российско-Немецкой конференции по логистике и SCM DR-LOG'IO;

• на совместном заседании кафедр «Менеджмент» и «АСУ» МАДИ.

Структура и объем исследования

Диссертационная работа состоит из введения, четырех глав с выводами по каждой главе, заключения, таблиц, рисунков, списка литературы, включающего 154 наименования, и 4 приложений. Общий объем диссертационного исследования составляет 185 страниц машинописного текста.

9. Основные результаты диссертационной работы докладывались, обсуждались и получили одобрение на межотраслевых ежегодных конференциях «Интегрированные системы менеджмента и безопасность цепей поставок» (20091 г.) и- «Системы менеджмента рисков и безопасность цепей поставок» (2010 г.), на V Российско-Немецкой, конференции по> логистике и SCM «DR-LOG'IO». Разработанный- программный- комплекс, методы и алгоритмы прошли апробацию и внедрены для практического применения в ряде промышленных предприятий (ООО «Силтэк», ООО «Молта», ОАО1 «В/О «Авиаэкспорт», ЗАО «Авиатехснаб», ООО «ИнтегПрог»).

10. Принципы работы иейрологистического модуля могут применяться на стратегических уровнях управления корпорациями, включая межотраслевое взаимодействие предприятий, производящих и поставляющих наукоемкую продукцию, а также в сфере военно-технического сотрудничества. Полномасштабная реализация научных методов, изложенных в исследовании, может внести определенный, вклад в обеспечение безопасности и устойчивости функционирования промышленности и транспорта.

11. Применение автоматической идентификации запчастей и нейрологистического модуля позволяет заложить основы противодействия обороту контрафактной продукции. Результатом реализации мониторинга рисков может стать создание интегрированной системы, обеспечивающей выявление фальсифицированных и некачественных изделий, и объединение в рамках единого информационного пространства различных участников рынка.

ЗАКЛЮЧЕНИЕ

Современный уровень рыночной экономики характеризуется кризисными явлениями, нарастанием процессов глобализации и интеграции связей экономических субъектов. Очевидно, что при сохранении подобных тенденций, ведущим направлением останется создание цепей поставок, позволяющих снизить временные и финансовые потери на пути от производителя к потребителю. Активный обмен новейшими технологическими достижениями (ноу-хау), результатами эффективных научных разработок, изобретениями, способствует сближению экономических уровней разных стран. При этом очевидны тенденции индивидуализации продукта (производители ориентируются на запросы клиентов), сокращения так называемого «жизненного цикла» продукта, а также роста запросов потребителей.

Бизнес-процессы в рамках концепции В2С предполагают автоматизацию более интенсивных поставок, так как ожидания клиентов относительно сокращения сроков поставок более высокие, чем при обычных методах осуществления заказов. С другой стороны, существенное значение для реализации современных глобальных цепей поставок имеют процедуры дерегулирования, проводимые многими странами' для, снятия торговых, таможенных, транспортных и финансовых барьеров на пути развития международных социально-политических и экономических взаимоотношений. Вместе с тем, поиск резервов роста и обострение конкуренции вызывают стремление предприятий искать новые рынки сбыта, дешевые источники сырья и трудовых ресурсов за пределами своих национальных границ, а значит еще более увеличивается неопределенность.

Эти факторы определяют повышение уровня требований к системе управления и необходимость прогнозирования вероятных сбоев и нарушений. Проведенное в рамках диссертационной работы исследование продемонстрировало, что одной из актуальных проблем производственных предприятий становится учет риска в их цепях поставок, а также его мониторинг в режиме реального времени.

Новые разработки в информационных системах, начиная от электронного обмена данными до компьютерных комплексов, устанавливаемых на транспортных средствах, фундаментально изменили характер работы многих организации. Эти разработки позволяют осуществлять операции более гибко, в том числе эффективно решать поставленные задачи даже в отдаленных регионах. В настоящее время при использовании передовых технологий традиционные функциональные области логистики (транспортировка, управление запасами, закупками и заказами, складирование, грузопереработка, упаковка) интегрировались на базе общей информационно-компьютерной платформы, образовав стратегическую инновационную модель.

Нейрологистический модуль, реализованный на основе бухгалтерской и учетной систем предприятия, позволяет прогнозировать результат работы цепи поставок предприятия за счет взаимодействия блоков программного» обеспечения. Мониторинг рисков, выявляет узкие области- (виды метрик), оказывающие наибольшее влияние на реализацию нарушений и сбоев.

Международная кооперация привела к созданию большого количества1 транснациональных компаний, использующих в бизнесе глобальные цепи поставок. Перспективы, их развития- связаны, прежде всего, с возможным увеличением отдачи на вложенный капитал, более низкими тарифами логистических посредников в других странах, лучшими финансовыми условиями. Созданию глобальных цепей поставок способствуют крупные международные транспортно-экспедиторские фирмы, страховые компании, использующие глобальные телекоммуникационные сети. В то же время нельзя считать, что все ограничения на пути развития цепей поставок сняты. Существует достаточно много барьеров, обусловленных различными причинами, в том числе политическими системами, разным экономическим и социальным уровнем развития стран.

Интеграция работает на обеспечение более плавного перемещения продукции.от поставщиков начального уровня до конечных потребителей. Такие процедуры облегчают движение капитала, товаров и информации через национальные границы, но создают предпосылки для возникновения нарушений и рисков. Новейшие модели и технологии мониторинга рисков обеспечивают стратегическое управление ресурсным потенциалом логистических сетей и корпораций, основанных на принципах адаптации и безопасности. Они учитывают требования международных стандартов серии ISO 28000, а также специализированных стандартов из области информационных технологий.

Анализ отечественных и зарубежных работ в сфере управления рисками цепей поставок выявил необходимость разработки принципиально новой модели автоматизированного мониторинга. Приведенные в работе подходы, предоставляют возможности для. трансформации промышленной и транспортной инфраструктуры- с использованием- методологии искусственных нейросетей. Научная разработка проблемы мониторинга', рисков представляется крайне актуальной проблемой, носит общеметодологическую■ значимость, для- всех отраслей экономики и предприятий различной направленности.

По итогам диссертационного исследования. можно сделать следующие выводы:

1. На основе проведенного анализа существующих методов и научных разработок систем управления цепями поставок наукоемкой продукции был предложен и обоснован'новый подход к анализу рисков, на базе применения понятия «операционного риска», метрик и положений теории нейросетей. Внедрение этого метода имеет большое значение для динамичного и устойчивого развития цепей поставок предприятий и обеспечения его функционирования на заданном уровне.

2. Создан поэтапный алгоритм мониторинга, включающий получение информации из учетной и бухгалтерской системы предприятия и адаптацию системы в соответствии с изменяющимися внешними условиями. Алгоритм предполагает интеграцию всех задействованных в работе блоков программного обеспечения и учитывает сформированную базу инцидентов. Показатели системы мониторинга напрямую связаны с основными экономическими и финансовыми индикаторами деятельности предприятия. Анализ результатов обеспечивает обратную связь, необходимую для-эффективного управления процессами.

3. Разработана и апробирована структурная модель и алгоритм работы нейрологистического модуля системы мониторинга, содержащие инструментарий по поддержке принятия стратегических решений на основании полученной информации о. вероятности отказа в цепи поставок предприятия. Это позволяет повысить эффективность работы компании и снизить операционные издержки. Анализ потенциальных несоответствий' помогает предотвратить возможные потери в цепи поставок за счет принятия предупреждающих мер.

4. Предложена и- обоснована классификация параметров измерения системы мониторинга - метрик, характеризующих уровень реализации рисковых ситуаций. Каждой метрике по итогам проведенной оценки- в сравнении с полученным' аналитическим путем пороговым значением^ присваивается индекс «О» или «1». Такой параметр измерения1 представляет собой категорию, риска цепи поставок, характерного для конкретного объекта. В- случае присвоения- ей значения «1» данный риск считается реализовавшимся.

5. Предложен подход к построению прикладной программы для оценки риска в цепи поставок на основании полученных значений метрик с использованием искусственной нейронной сети. Обучение выполняется на компьютерной модели нейрологистического модуля, что позволяет формировать прогнозные варианты реализации рисковых ситуаций в рассматриваемых областях.

6. Разработан программно-инструментальный комплекс иейрологистического модуля, позволяющий использовать его как элемент общей информационной системы предприятия.

7. Представлена модель взаимодействия блоков программного обеспечения, которая обеспечивает сбор- информации для передачи в нейрологистический модуль, его запуск и выдачу результата пользователям о возможном отказе цепи поставок

8. Выявлена приоритетная'роль ряда категорий метрик, оказывающих влияние на конечный уровень риска и вероятность отказа цепи поставок предприятия. Одной из таких метрик стал нормативный, блок, что еще раз подтверждает ведущее значение международных стандартов в области менеджмента безопасности цепей поставок.

1. Абовский Н.П., Абросимов П.С., Бабанин В.Б., Ланкин Ю.П., Смолянинова Л.Г. Автоматическое управление конструкциями с помощью нейронных сетей.- Красноярск: КрасГАСА, 1996 — 88с.

2. Акимова Н.Ф. Многоуровневая система показателей экономической» эффективности управления коммерческой деятельности авиакомпании. М: Доброе слово, 2000.

3. Акопов М.Г. Надежность систем Авиационного оборудования./Учебное пособие.- М.: Изд-во МАИ, 1996.

4. Акофф Р. Планирование будущего корпорации. М.: Сирин, 2002.

5. Бауэрсок Д., Клосс Д., Логистика. Интегрированная цепь поставок./ Пер. с англ. ЗАО «Олимп-Бизнес». Ml: 2001.

6. Басканова Т.Ф., Ланкин Ю.П. Нейросетевые алгоритмы самостоятельной адаптации.// Научная сессия МИФИ-99. Всероссийская научно-техническая конференция "Нейроинформатика-99". Сборник научных трудов. В 3 частях. 4.1.- М.: МИФИ, 1999.- С.17-24.

7. Ю.Бир С. Мозг фирмы/ Пер.с англ. М.: Радио и связь, 1993.

8. П.Бочкарев A.A. Планирование и моделирование цепи поставок: Учебно-практическое пособие. -М.: Альфа-Пресс, 2008.

9. Бочарников В.П. Fuzzy-технология: математические основы. Практика моделирования в экономике. -М.: Наука, 2001.

10. Браун М.Г. Сбалансированная система показателей: на маршруте внедрения/ Пер. с англ. — М.: Альпина Бизнес Букс, 2005.

11. Н.Брукс П. Метрики для управления ИТ-услугами/ Пер. с англ. М.: Альпина Бизнес Букс, 2008.

12. Бютимэн А. К. Оценка экономической эффективности оптимизации в реальном масштабе времени //Нефтегазовые технологии, №6, 2006г., с.76-79.

13. Витяев Е.Е. Извлечение знаний из данных. Компьютерное познание. Модели когнитивных процессов. Новосибирск: НГУ, 2006.

14. Витяев Е.Е. Объяснение теории движений Н.А.Бернштейна // VII Всероссийская научно-техническая конференция «Нейроинформатика-2005». Сборник научных трудов. М.: МИФИ, 2005. - Ч. 1. - С. 234-240.

15. Витяев Е.Е. Принципы работы мозга, содержащиеся в теории функциональных систем П.К. Анохина и теории эмоций П.В. Симонова // Нейроинформатика, 2008, том 3, № 1, стр. 25-78.

16. Волков Л.И. Безопасность и надежность систем. М.: Изд-во*СИП РИА, 2003.

17. Вяткин В.Н. и др. Управление рисками фирмы: программы интегративного риск-менеджмента. М.: Финансы и статистика, 2006.2

18. Гаврилов Д.А. и др. Управление производством на базе стандарта MRP II: принципы и практика.- СПб.: Питер,2002.

19. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем — СПб.: Питер, 2001.

20. Галушкин А.И. Синтез многослойных систем распознавания образов-М.: Энергия 1974.

21. Гершун А., Горский М. Технологии сбалансированного управления. 2-е изд., перераб. -М.: Олимп-Бизнес, 2006.

22. Геттинг Б. Международная производственная кооперация в промышленности. Роль логистики в усилении конкурентоспособности хозяйственных структур/ Пер. с немец. М.: ДЕЛО, 2000.

23. Годин В.В., Корнеев И.К. Управление информационными ресурсами./ Модульная программа для менеджеров, т. 17. М: ИНФРА — М, 2000.

24. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1991.

25. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере.- Новосибирск: Наука, 1996.

26. Джексон П. Введение в экспертные системы. — М*.: Вильяме, 2000.

27. Джеффри Е. Хинтон. Как обучаются* нейронные сети. // В мире науки, № 11-12, 1992, с. 103-107.

28. Деревицкий Д.П., Фрадков A.JL, Прикладная теория дискретных адаптивных систем управления. М.: Наука, 1981.

29. Детмер У. Теория ограничений Голдратта: Системный подход к непрерывному совершенствованию/ Пер. с англ. М.: Альпина Бизнес Букс, 2007.

30. Долгов А.П., Козлов В.К., Уваров С.А. Логистический менеджмент фирмы: Учебн. пособие. СПб.: Бизнес-пресса, 2005.

31. Друри К. Управленческий и производственный учет. М.: ЮНИТИ, 2005.

32. Дубейковский В.И. Практика функционального моделирования с AllFusion Process Modeler 4.1. Где? Зачем? Как? М.: ДИАЛОГ-МИФИ, 2004.

33. Дыбская В.В. Логистика складирования. М.: ГУ-ВШЭ; 1999.

34. Дыбская В.В. Складское хозяйство. // Риск, № 2-3, 1998.

35. Еремин Д.И. Контрастирование // Нейропрограммы/ под. ред. А.Н.Горбаня. Красноярск: изд. КГТУ, 1994. С. 88-108.

36. Ефимов В.В. Статистические методы в управлении качеством продукции: учебное пособие. — М.: КНОРУС, 2006.

37. Жданов A.A. Автономный искусственный интеллект (монография). -М.: БИНОМ. Лаборатория знаний, 2008.

38. Жданов A.A. Метод автономного адаптивного управления // Известия Академии Наук. Теория и системы управления, № 5, 1999, с. 127-134.

39. Иванов Д.А.Логистика. Стратегическая кооперация. М.: Вершина, 2006.

40. Иванов Д.А. Управление цепями поставок. — СПб.: Изд-во Политехи, ун-та, 2009.

41. Известия ТРТУ. Тематический выпуск «Управление в экономических системах». Таганрог: Изд-во ТРТУ, 2006. № 10 (65).

42. Калянов Г.Н. CASE-технологии. Консалтинг в автоматизации бизнес-процессов. 3-е изд. - М.: Горячая линия - Телеком, 2002.

43. Каплан P.C., Нортон Д.П. Сбалансированная' система показателей. От стратегии к действию/ Пер. с англ. 2-е изд., исп. и доп. М.: Олимп-Бизнес, 2006.

44. Керн А. Прибыль и применение в режиме онлайн мониторинга со многими переменными. // Нефтегазовые технологии, №2, 2006, с.59-65.

45. Кокинз Г. Управление результативностью: Как преодолеть разрыв между объявленной стратегией и реальными процессами / Пер. с англ. М.: Альпина Бизнес Букс, 2007.

46. Кондуков A.M. Подход к организации многоуровневых систем автономного адаптивного управления // Сборник научных трудов Всероссийской Научно-технической конференции «Нейроинфоматика — 2007», ч.З, стр.68-76.

47. Конке A.A., Кошевая И.П. Основы логистики: Учебн. пособие. — М.: КНОРУС, 2010.

48. Крайзмер Л.П. Кибернетика. Учеб пособие для с.-х. вузов по специальности «Экономическая кибернетика». -М.: Экономика, 1977.

49. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и , практика. 2-е изд., стереотип. - М.: Горячая линия — Телеком, 2002.

50. Кренке Д. Теория и практика построения баз данных. 8-е изд. -СПб.: Питер, 2003.

51. Ланкин Ю.П., Лалетин А.П. Моделирование изменений"1 экологических объектов с помощью нейронных сетей// Сибирский экологический журнал, t.IV, №4, 1999, с.449-452.

52. Макеев Р.В. Построение систем внутреннего контроля: от проверок отчетности к эффективности бизнеса. -М.: Вершина, 2008.

53. Маклаков C.B. Моделирование бизнес-процессов с AllFusion Process Modeler (BPwin 4.Г.). M.: ДИАЛОГ-МИФИ, 2004.

54. Масалович А. И. От нейрона к нейрокомпьютеру. // Журнал доктора Добба, № 1, 1992, с. 20-23.

55. Мешалкин В.П., Дови' В.Г., Марсанич А. Стратегия управления логистическими цепями химической продукции и устойчивое развитие. — М.: РХТУ им. Д.И. Менделеева, 2003.

56. Миротин Л.Б., Корчагин В.А., Ляпин С.А., Некрасов А.Г. Логистические цепи сложно технических производств: Учебное пособие. -М.: Экзамен, 2005.

57. Миротин Л.Б., Некрасов А.Г. Безопасность в логистике новые правила игры. // «Наука и жизнь». № 7, 2002.

58. Миротин Л.Б., Некрасов А.Г. Интегрированная логистика и ее ресурсы. /Мир транспорта, № 1, 2003.

59. Миротин Л.Б. Некрасов А.Г. Интегрированная логистика при поставках авиазапчастей (САЬБ/ИПИ технологии) //ЛОГИНФО, № 12, 2001.

60. Миротин Л.Б., Некрасов А.Г. Интегрированная логистическая поддержка поставок запчастей в авиацию.//Аэрокосмический курьер, № 6, 2001.

61. Миротин Л.Б., Некрасов А.Г. Информационные ресурсы интегрированной логистики. // БТИ, № 12(90), 2002.

62. Миротин Л.Б., Некрасов А.Г, Логистика интегрированных цепочек поставок: Учебник. — М.: Экзамен, 2003.

63. Миротин Л.Б., Некрасов А.Г. Новый этап в развитии логистики в России. //Экспедирование и логистика, № 1, 2002.

64. Миротин Л.Б., Некрасов А.Г. Объединяющая сила. //«БОСС»,№ 7-8, 2001.

65. Миротин Л.Б., Некрасов А.Г. Эффективность интегрированной логистики./ Сборник материалов Московского Международного Логистического Форума «Бизнес и логистика-2001». М.: КС Л, 2001.

66. Миротин Л.Б., Прокофьева Т.А., Лопаткин О.М., Некрасов А.Г., Крыгина И.Е. Зарубежная практика создания и функционирования транспортных терминальных комплексов./Железнодорожный транспорт,№ 7. 2003.

67. Миротин Л.Б., Ташбаев Ы.Э. Системный анализ в логистике./ Учебник. М: Экзамен, 2002.

68. Миротин Л.Б., Ташбаев Ы.Э., Касенов А.Г. Логистика: обслуживание потребителей: Учебник. М.: ИНФРА-М, 2002.

69. Миротин Л.Б., Ташбаев, Ы.Э., Порошина О.Г. Эффективная логиистика.- М.: Экзамен, 2002.

70. Миротин Л.Б., Чубуков А.Б., Ташбаев Ы.Э. Логистическое администрирование.- М.:. Экзамен, 2003:

71. Могилевский В.Д. Методология систем. М: Экономика, 1999.

72. Научная сессия^МИФИ 2004, VI Всероссийская научно-техническая конференция «Нейроинформатика-2004»: Лекции по нейроинформатике. Ч.2.- М.: МИФИ, 2004.

73. Нейроинформатика/ А.Н.Горбань, В.Л.Дунин-Барковский, А.Н:Кирдин и др: Новосибирск: Наука. Сибирское предприятие РАН, 1998.

74. Нейронные сети. STATISTICA Neural Networks: Методология» и технологии современного анализа5данных/Под редакцией В.П. Боровикова-2-е изд., перераб. и доп. — М.: Горячая линия Телеком, 2008.

75. Некрасов А.Г. Безопасность цепей поставок в авиаиндустрии. М.: Авиадот, 2006.

76. Некрасов А.Г., Атаев К.И., Некрасова М.А. Безопасность и управление рисками в цепях поставок на транспорте. // Железнодорожный транспорт, № 7,2007

77. Некрасов А.Г., Некрасова М.А. Логистический подход к управлению рисками в цепях поставок. Эффективная логистика Сборник статей участников I Всероссийской научно-практической конференции (3 декабря 2007 г.) - Челябинск: Изд-во ЮУрРУ, 2007, с. 148-153.

78. Некрасов А.Г., Некрасова М.А. Проблемы обеспечения безопасности цепочек поставок на транспорте: // Транспортная безопасность и технологии, №2,2008, с.151-154.

79. Некрасов А.Г., Некрасова М.А. Развитие систем управления событиями в цепях поставок. //Железнодорожный транспорт, №4, 2009, с. 6265.

80. Некрасов А.Г., Некрасова М.А. Управление рисками в цепях поставок.// Прикладная логистика, № 5, 2007.

81. Некрасова М.А. Аналитические методы снижения рисков в цепи поставок. // Прикладная логистика, №8, 2005, с. 14-15.

82. Некрасова М.А. Методы идентификации, и оценки рисков в цепях поставок. // Логистика, № 1, 2008, с. 14-15.

83. Некрасова М.А. Об адаптивном управлении цепями поставок.// Логистика, №4, 2009, с. 14-15.

84. Неруш Ю.М. Коммерческая' логистика: -Учебник для вузов.- М.: ЮНИТИ, 1997.

85. Неруш Ю.М. Логистика. Учебник./ 2-е издание, переработанное и дополненное. М: ЮНИТИ, 2000;

86. Никитин В.А. Управление качеством на базе стандартов ИСО 9000:2000: Политика. Оценка. Формирование. Ресурсы,- СПб.: Питер, 2002.

87. Новиков O.A. и др. Логистика: Учеб. Пособие. -СПб.: СЗПИ, 1996.

88. Новиков O.A., Уваров С.А. Коммерческая логистика: Учеб. Пособие.-СПб.: СПбУЭиФ, 1993.

89. Попченко Е.Л., Ермасова Н.Б. «Бизнес-контроллинг». М.: Альфа-Пресс, 2006.

90. Просветов Г.И. Управление рисками: задачи и решения: Учебно-практическое пособие. -М.: Альфа-Пресс, 2008.

91. ЮО.Редько В.Г. От моделей поведения к искусственному интеллекту // Серия «Науки об искусственном» / под ред. Редько В.Г. — М.: УРСС, 2006.

92. Резер С.М. Общие вопросы организации и развития транспорта // ВИНИТИ Обзорная информация. Транспорт, наука, техника, управление, №12, 1996, с.2-4.

93. Репин В.В., Елиферов В.Г. Процессный подход к управлению. Моделирование бизнес-процессов. -М.: РИА «Стандарты и качество», 2004.

94. ЮЗ.Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. — М.: Горячая линия — Телеком, 2008.

95. Саати T.JL Аналитическое планирование и организация систем. -М.: Радио.и связь, 1991'.

96. Сай В.М. Формирование организационных структур управления. Научная монография. М.: ВИНИТИРАН, 2002.

97. Савин Г.И. Системное моделирование сложных процессов. М.: Фазис, 2000.

98. Саридис Дж. Самоорганизующиеся стохастические системы управления. — М.: Наука, 1980.

99. Сергеев В.И. Логистика: учебное пособие. СПб.: Издательство СПб УЭФ, 1995.

100. Сергеев В.И., Сергеев И.В. Логистические системы мониторинга цепей поставок. Учебное пособие. -М.: ИНФРА-М, 2003.

101. Срагович В.Г. Адаптивное управление. М.: Наука, 1981. Ш.Стерлигова А.Н, Управление запасами в цепи поставок. - М.:1. Инфра-М, 2007.

102. Сток Д.Р., Ламберт Д.М. Стратегическое управление логистикой/ Пер. с англ. М.: Инфра-М, 2005.

103. Транспортная логистика. Учебник./ Под общей ред. Л.Б. Миротина.- М.: Экзамен, 2002.

104. Трикоз Д. В. Нейронные сети: как это делается? II Компьютеры + программы, № 4(5), 1993, с. 14-20.

105. Трояновский В.М. Математическое моделирование в менеджменте.- М.: Издательство РДЛ, 2003.

106. Уваров С.А. Логистика. СПб: ЗАО «Инвестиции в науку и производство», 1996.

107. Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989.

108. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

109. Уотерс Д Логистика. Управление цепью поставок. М.: ЮНИТИ, 2003.

110. Фирон X., Линдере М. Управление снабжением и запасами. Логистика. /11-е издание/ Пер. с англ. СПб: Полигон, 1999.

111. Фомин В.Н., Фрадков А.Л., Якубович В.А. Адаптивное управление динамическими объектами. -М.: Наука, 1981.

112. Харрингтон Д., Эсселинг К., Ван Нимвеген X. Оптимизация бизнес-процессов. Документирование, анализ, управление, оптимизация./ Пер. с англ. СПб: АЗБУКА: Б-Микро, 2002.

113. Цимбал A.A., Аншина М.Л. Технологии создания распределенных систем. Для профессионалов. — СПб.: Питер, 2003.

114. Цыпкин Я.З. Адаптация и обучение в автоматических системах. — М.: Наука, 1968.

115. Чеботаев A.A. Логистика. Логистические технологии./ Учебное пособие. М.: ИТК «Дашков и К», 2002.

116. Чернова Г.В. Практика управления рисками на уровне предприятия./ Учебное пособие СПб - М.: - Харьков - Минск, «ПИТЕР», 2000.

117. Човушян Э.О., Сидоров М.А. Управление риском и устойчивое развитие. -М.: Изд-во РЭА им. Г.В. Плеханова, 1999.

118. Шапиро Дж. Моделирование цепи поставок/ Пер. с англ. СПб.: Питер, 2006.

119. Шатт Д.Г. Управление товарным потоком. Руководство по оптимизации логистических цепочек. — Минск: Гревцов Паблишер, 2008.

120. Швец В.Е. Менеджмент качества в системе современного менеджмента. М.: Стандарты и качество, 1997.

121. Шевалье Ж., Вань Т. Логистика. Новые принципы менеджмента и конкурентоспособности. /Пер. с франц.- М.: Изд-во АО «Консалтбанкир», 1997.

122. Шеннон Р. Имитационное моделирование систем искусство и наука./Пер. с англ. -М.: Мир, 1978.

123. Шеффи И. Жизнестойкое предприятие: как повысить надежность цепочки поставок и сохранить конкурентное преимущество/ Пер. с англ. -М.: Альпина Бизнес Букс, 2006.

124. Штатов Д., Зинкевич В.Разработка положения по управлению операционными рисками коммерческого банка. // Бухгалтерия и банки, №10, 2006, с.23-33.

125. World Economic Forum Report: Global risk 2006, www.weforum.com

126. ГОСТ 34.601 90. Автоматизированные системы. Стадии создания. -М.: 1991.

127. ГОСТ 24525.0-80. Управление производственным объединением и промышленным предприятием. Основные положения. М.: 1981.

128. ГОСТ 164877 83 УССАСУ. Автоматизированные системы управления. Термины и определения. -М.: 1985.

129. ГОСТ 34.601 90. Автоматизированные системы. Стадии создания. -М.: 1991.

130. ГОСТ Р 51294.10-2002 «Автоматическая идентификация. Кодирование штриховое. Общие требования к символам линейного штрихового кода и двумерным символам на этикетках для отгрузки, транспортирования и приемки».

131. ГОСТ Р 51294.1-99. Автоматическая идентификация. Кодирование штриховое. Идентификаторы символик. -М.: 1999.

132. ГОСТ Р 51294.3-99. Автоматическая идентификация. Кодирование штриховое. Термины и определения. -М.: 1999.

133. ГОСТ Р 51294.4-2000. (ИСО/МЭК 15459-1-99). Автоматическая идентификация. Международная уникальная идентификация транспортируемых единиц. Общие положения. -М.: 2000.

134. ГОСТ Р 51294.5-2000.(ИСО/МЭК 16023-2000). Автоматическая идентификация. Международная уникальная идентификация транспортируемых единиц. Порядок регистрации. М.: 2000

135. ГОСТ Р ИСО 9000-2008. Системы менеджмента качества. Основные положения и словарь. М.: 2008.

136. ГОСТ Р ИСО 9001-2005. Системы менеджмента качества. Требования. М.: 2005.

137. ИСО 28000: 2007 «Технические условия для систем менеджмента безопасности цепи поставок».149. http://www.aac-lab.com/150. http://www.altsi.ru/151. http://www.infostat.ru152. http://www.gs 1 .org153. http://www.securpress.ru154. http://www.uniscan.ru