автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация процесса управления рисками промышленных предприятий

На правах рукописи

БУДИХИН Сергей Анатольевич

АВТОМАТИЗАЦИЯ ПРОЦЕССА УПРАВЛЕНИЯ РИСКАМИ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ

Специальность 05 13 08- Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва - 2008

003449672

Работа выполнена в Московском автомобильно-дорожном институте (государственном техническом университете)

Научный руководитель Заслуженный деятель науки РФ,

Доктор технических наук, профессор, Николаев Андрей Борисович, профессор МАДИ(ГТУ)

Официальные оппоненты Лауреат премии Правительства РФ,

Доктор технических наук, доцент Строганов Виктор Юрьевич, профессор МГТУ им Н Э Баумана

Кандидат технических наук, Брыль Владимир Николаевич, Начальник отдела Научно-исследовательский центра электронно-вычислительной техники (ОАО НИЦЭВТ), г Москва

Ведущая организация Российский научно-исследовательский институт информационных технологий и систем автоматизированного проектирования (Рос НИИ ИТ и АП), г Москва

Защита состоится 20 октября 2008г в 10 часов на заседании диссертационного совета Д 212 126 05 при Московском автомобильно-дорожном институте (государственном техническом университете) по адресу

125319, ГСП А-47, Москва, Ленинградский пр , д 64

С диссертацией можно ознакомиться в библиотеке МАДИ (ГТУ) Текст автореферата размещен на сайте Московского автомобильно-дорожного института (государственного технического университета) www madi ru

Автореферат разослан 19 сентября 2008 г

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

Ученый секретарь диссертационного совета, кандидат технических наук, доцент

Михайлова Н В

Общая характеристика работы Актуальность проблемы

Хозяйственный риск привязан как к явлениям макроэкономического плана, например инфляции, так и к обстоятельствам микроэкономики В последние входят такие виды рисков, как вероятность реального достижения технико-эксплутационных параметров проекта, несвоевременная реализация проекта, отрицательные отклонения в поведении поставщиков, потребителей По природе возникновения риск в инновационной деятельности предстоит как субъективный и объективный По сфере своего возникновения риск может быть внешним и внутренним Субъективный вид риска связан с личностью конкретного предпринимателя, руководителя, вообще лица принимающего то или иное техническое решение Это недостаток опыта профессионализма, допускаемые ошибки, несовершенство систем учета и расчета показателей Или, наоборот, высокие деловые качества, должный уровень построения нормативной базы предприятия Объективные виды риска неполнота информации о технических параметрах техники, условиях ее эксплуатации, конъюнктура национального и мирового рынков, экономическая и политическая обстановка в стране Внутренний риск, как таковой, всегда связан со специализацией данного предприятия, субъективными условиями его развития, существующим личным персоналом Существенное влияние на риски предприятия оказывает политика государства (неопределенность показателей экономической реформы финансовая, кредитная, денежная, налоговая политика государства)

Для принятия решения об осуществлении инвестиционного проекта необходимо оценить уровень его риска Риск определяется как опасность, возможность убытка или ущерба Под риском принято понимать вероятность потери предприятием части своих ресурсов, недополучения доходов или появления дополнительных расходов в результате осуществления определенной производственно-хозяйственной деятельности

Риск — это неопределенность в отношении возможных потерь на пути к цели Любое вложение денег в бизнес с осознанной целью получить доход вовлекает в рассмотрение вопрос о соотношении риска и потенциального дохода Последнее должно быть достаточно привлекательным для инвестора Чем выше рискованность вложения, тем больше должен быть обещаемый инвестору доход

Увеличение количества промышленных предприятий, усложнение самих процессов обработки и анализа данных для принятия решений по управлению рисками требует новых подходов к комплексной обработке информации В последнее время на промышленных предприятиях сильно усложнились процессы производства, в связи с этим задачи управления рисками становятся

все более актуальными В подтверждении этого многие ведущие производители разрабатывают системы управления рисками, где реализован ряд стандартных алгоритмов

Однако, мало рассматриваются особенности промышленных предприятий в условиях российской экономики, в которой экономические циклы отличаются от принятых на западе Многие стационарные модели уже неадекватны сегодняшнему дню из-за быстрого темпа роста показателей предприятий В связи с этим, рассматриваемая диссертационная работа, направленная на решение вопросов автоматизации процесса анализа и управления рисками промышленных предприятий представляется актуальной

Объектом исследования является типовое промышленное предприятие, на котором выполняются операции связанные с управлением рисками

Цель и основные задачи исследования Целью диссертационной работы является разработка научных методов и алгоритмов комплексной обработки информации о рисках промышленных предприятий и их реализация в виде макета информационной системы

В соответствии с поставленной целью решаются следующие задачи

• исследование и анализ методов и подходов управления рисками промышленных предприятий,

• разработка алгоритма сезонной корректировки временных рядов для показателей оценки рисков,

• для дискретного случая задачи выделения циклов разработка конкретных процедур для выделения динамических сезонных циклов с оптимальными весовыми коэффициентами,

• разработка алгоритма нечеткой классификации рисков как объектов метрического пространства,

• разработка статистической базы данных производственных и финансово-экономических показателей типового промышленного предприятия,

• разработка макета программно-моделирующего комплекса и архитектуры автоматизированной системы управления рисками

Методы исследования

Результаты диссертационной работы получены на основе комплексного использования теории нечетких множеств, теории временных рядов, многомерного анализа, оптимального управления, факторного анализа, кластерного анализа, теории баз данных и др Научная новизна

Научная новизна диссертации состоит в разработке методов, моделей и алгоритмов комплексной автоматизации управления рисками промышленных предприятий

На защиту выносятся следующие основные научные результаты

• архитектура системы управления рисками промышленных предприятий

• алгоритм нечеткой классификации рисков позволяющий рациональным образом выбирать кластеры с невыпуклой структурой,

• постановка задачи выделения динамических сезонных циклов с оптимальными весовыми коэффициентами а„ (а - для скалярной задачи),

• макет информационной системы управления рисками промышленных предприятий

Достоверность научных положений, рекомендаций и выводов Обоснованность научных положений, рекомендаций и выводов, изложенных в работе, определена проверкой согласования результатов аналитических моделей с эквивалентными компонентами имитационных моделей Достоверность научных положений, рекомендаций и выводов подтверждена положительными результатами внедрения в ряде предприятий

Практическая ценность и реализация результатов работы Результаты проведенных научных исследований были использованы при создании ряда систем анализа и управления рисками на промышленных предприятиях Основные результаты диссертации внедрены в ООО «СТРОЙСТАНДАРТ ПЛЮС», ООО «ТАРИНА», а также используются в учебном процессе на кафедре «АСУ» МАДИ (ГТУ)

Основные научные положения и результаты диссертации докладывались и обсуждались на заседаниях кафедры «Автоматизированные системы управления» МАДИ (ГТУ) в 2005-2008 годах, на 58-61 научно-методических конференциях МАДИ (ГТУ) (Москва 2005-2008 годы), а также на международных конференциях «Информационные и телекоммуникационные технологии в интеллектуальных системах» (Италия 2006 г, Испания 2007 г)

Публикации. Отдельные положения диссертации отражены в восьми печатных работах

Объем работы и структура диссертации Диссертационная работа состоит из введения, 4 глав основного текста, выводов по главам, заключения, списка использованной литературы из 117 наименований и приложения

Во введении приводится краткая характеристика диссертационной работы Обоснована актуальность выбранной темы, приведено краткое содержание работы

В первой главе проведен детальный анализ методов, средств и систем автоматизации управления рисками промышленных предприятий Проанализированы наиболее распространенные

системы управления рисками Показаны их особенности достоинства и недостатки Обоснована актуальность комплексного подхода к управлению рисками промышленного предприятия Проведена классификация рисков

Показано, что данные, используемые при анализе рисков, подразделяются на две группы случайные переменные и неопределенные переменные нестохастической природы Важным является то, что при помощи методов (отмеченных пунктирными линиями на рис 1 ) можно осуществлять переходы между классами рисков, что позволяет исследовать риски разной природы

Классификация рисков

Рис 1

Случайные переменные, используемые при описании рисков, с неизвестным распределением в диссертации подразделяются на два вида с известными параметрами распределения и с неизвестными При исследовании систем со случайными факторами широко используют вероятностно-статистические методы Например, методами параметрического статистического оценивания можно определить параметры распределения случайных переменных на основе статистических испытаний Непараметрическое оценивание позволяет установить виды распределений случайных переменных, влияющих на показатели риска

Неопределенные факторы рисков нестохастической природы можно условно разделить на две группы с известными и неизвестными функциями принадлежности (диапазонами изменения переменных) Функция принадлежности задает некоторое подмножество общей допустимой области изменения показателя риска, определяемой, например, физическим происхождением соответствующего фактора

Таблица 1

Взаимосвязь методов и задач управления рисками

Методика Решаемая задача

Идентификация Оценивание Прогноз

Статистические, вероятностно- статистические Проверка статистических гипотез, корреляционный , дисперсионный и факторный анализ Статистическое оценивание, теория распределений, проверка гипотез Временные ряды, прогнозирование

Теоретико-вероятностные Феноменологии еский и детерминистски й методы, теория вероятностей, теория графов Теория вероятностей, теория графов, имитационное моделирование Случайные процессы, нелинейная динамика, химия, физика и механика катастроф

Эвристические Экспертное оценивание (качественно- количественное ранжирование рисков) Экспертное оценивание, нечеткие модели Экспертное оценивание, теория перемен

Сложность структуры рисков обосновывает комплексный подход к решаемой проблеме Выбор метода сильно зависит от природы изучаемого процесса, а сложность процессов на промышленных предприятиях за последнее время сильно возросла

Поэтому в диссертации проведена классификация методов и задач управления рисками (Табл 1 )

На основе проведенного анализа обоснована актуальность разработки новых методов анализа рисков и предложена архитектура системы управления рисками промышленных предприятий

Рассмотрены проблемы современного развития работ в области создания информационного обеспечения поддержки управления рисками, которые характеризуется ориентацией на их практическое использование при решении задач анализа и синтеза, возникающих на этапах проектирования, разработки и эксплуатации систем поддержки принятия решений

В результате проведенного анализа в диссертации показано, что важное место в процессе организации управления рисками отводится реалистическим стохастических моделям, отображающим на достаточно высоком уровне детализации производственные процессы, комбинированным моделям, объединяющим модели различной математической природы, обеспечивающим решение комплексных задач, выполнению комплексных модельных экспериментов, анализу и интерпретации результатов моделирования методами многомерного статистического анализа

Во второй главе работы рассматривается задача прогнозирования и выделения циклических изменений во временном ряде финансово-экономических показателей, связанных с управлением рисками

Решение задачи синтеза управления рисками, в первую очередь основывается на прогнозе различных финансовых показателей Поэтому предварительно в диссертации проведен статистический анализ временных рядов деятельности конкретного производственного предприятия В результате статистической обработки динамики показателей риска получены спектральная плотность и линейный тренд потоков, графики которых представлены на рис 2

Спектральная плотность в отличие от ковариационной функции менее употребительна в практических задачах, однако она весьма полезна для анализа сезонности и периодичности процесса

В диссертации использована оценка Барлета, которая основана на выборе спектрального окна И/м(Я)=амБ(амА,), при этом

В(К) = -

1 . 2^ ЦП — 4

2л X 2

(1)

График спектральной плотности явно показывает пик, который соответствует четырем месяцам (рис 2 а), что связано со сроками

реализации заказов. Кроме того, наблюдается явная тенденция общего увеличения объемов производства (рис.2.б).

Спектральная плотность и тренд показателей риска

а) Спектральная плотность б) Линейный тренд

Рис. 2.

В переходной экономике значительно возрастает роль прогноза развития экономической системы или отдельных ее частей в краткосрочной перспективе. Неадекватный анализ ситуации может приводить к потере контроля над экономическими процессами, и, как следствие, к кризисным явлениям. Сказанное относится как к анализу временных рядов, так и к статистическому анализу экономических явлений. Дело в том, что характерные особенности переходной экономики - это быстрые изменения показателей и структурная неустойчивость отдельных секторов. Быстрое изменение темпов роста показателей означает, что методы анализа стационарных процессов становятся малопригодными. Большое значение приобретают методы анализа циклических процессов в структурно неустойчивых системах, таких как российская экономика. Характерная особенность переходной экономики состоит в том, что существуют режимы изменения показателей со стационарной сезонной составляющей и режимы, когда сезонная волна возникает, затухает или существенно меняется. В связи с этим актуальной является разработка новых методов анализа данных

В связи с полученными результатами анализа, в диссертации решается задача прогнозирования временного ряда. При этом циклические изменения рассматриваются как «стационарная сезонная волна». Для диагностики динамической сезонной волны необходимо разделить изменения волны и изменения тренда так, чтобы динамическая волна и тренд были определены однозначно. Определение динамической волны должно быть, с одной стороны,

достаточно широким, чтобы процедура сезонной корректировки была максимально универсальной относительно формы цикла, с другой стороны - удовлетворять условиям однозначного разделения изменений тренда и изменений волны Априори можно считать, что сезонные циклы имеют стационарный характер, а все их изменения соотносятся с динамикой тренда Кроме того, изменения формы циклов влекут изменения формы тренда Поэтому общий алгоритм выделения сезонных эффектов должен эффективно работать для сезонных циклов произвольного типа, включая стационарные сезонные волны на основе единого критерия «гладкости» тренда Для определения динамического сезонного цикла выделим на интервале наблюдения К целых периодов длительностью Т (без потери общности далее положим, что весь интервал наблюдения состоит из К целых периодов)

Исходную реализацию y(t) и динамические сезонные циклы s(t) на интервале {0,КТ} можно представить в виде набора функций, определенных на одном периоде

yk(t) = y(t + (k-VT),(n sk(t) = s(t + (k-VT), (2)

к = \..,к

Каждому периоду соответствует своя часть исходной реализации и свой сезонный цикл Для того чтобы определить изменения сезонного цикла от периода к периоду, в диссертации разработана процедура выделения sk(t) на /с-м периоде Предлагается модель, в которой сезонный цикл определяется в первую очередь исходной реализацией на том же периоде (весовой коэффициент а°=1, причем 0<а<1), а остальные периоды учитываются с меньшими весами Чем дальше /-Й период отстоит от анализируемого - к-го периода, тем меньше его вес (весовой коэффициент - а(к-1)) Такое выделение анализируемого периода (цикла sk(t)) означает, что задача определения динамических сезонных циклов из исходной реализации распадается на К задач определения стационарной сезонной волны - sk(t) для К соответствующим образом

взвешенных по периодам реализаций - y<k)(t) Взвешенную реализацию y<k>(t) можно представить в виде набора функций

yl(*)(t) = ^~ly(t + (k-VT), l = U,K (3)

В результате, тренд на k-м периоде (x/^VU) при выделении цикла sk(t), будет иметь следующий вид

xl(k>(t)^a^'l(yl(t)-sk(t)). (4)

При этом стационарная сезонная волна определяется как функция, доставляющая минимум функционалу

X = |хги

сН => тт.

(5)

Используя выражения для х(1) получим явный вид функционала Ф

Т.(К

о Ы

\к-1\

У1<()-зк(()

сН => тт,

где

ы

(6)

(7)

С учетом условия периодичности = О и условия

о

существования цикла 8к(0) = зк(Т) задача сводится к классической вариационной задаче с лагранжианом

Уравнение Эйлера для задачи имеет вид

з^Еа1*"'-!^-'' у,а) = 0, при 1е[0,Т]

(8)

(9)

1=1 м

Конкретное значение оптимального (в смысле (5)) весового коэффициента ак на заданном периоде реализации ук(1) определяется из решения экстремальной задачи

(10)

Фк(х1к>0,а«))^ тт

0<а<1

В дискретном случае функционал

П=1 /=1

Т(1-1)+п Ут(1-1+п-1)

(11)

условия экстремума функционала Ф<к)(хп) на всех периодах определяются из условия

бФ(к)

= 0, (77 = 1,. .,Т),

(12)

что в итоге приводит для К систем из Т линейных уравнений вида

А23<пк>=-

1-сс

1 + а-аш-а' м

2> А2уТ(1_.

1 )+П '

(13)

для к-го периода исходного ряда (Д2гп = гпА -2тп +гл+1) - вторая центральная разность, соответствующая переменной) Из (13) видно, что сезонный цикл на к-м периоде определяется средневзвешенным значением вторых разностей исходного ряда Для нахождения

оптимального значения а, при котором результирующий тренд будет минимально гладким функционал (6) табулируется как функция а

Экстремальное значение при этом определяется стандартной процедурой нахождения минимума функционала с начальным значением а=1 Значение а, при котором (14) имеет наименьшее значение и будет оптимальным в смысле (10)

Таким образом, в случае дискретного времени в диссертации определены конкретные процедуры для выделения динамических сезонных циклов с оптимальными весовыми коэффициентами ак (а -для скалярной задачи)

Тестирование данного алгоритма проводилось на модельных рядах и реальных данных На рис 3 представлен ряд объема выпуска продукции

В итоге в диссертации предложен непараметрический алгоритм сезонной корректировки временных рядов с динамическими сезонными эффектами, основанный на использовании вариационных принципов Исследование временных рядов экономических показателей в промышленности показало, что наиболее ярко эффекты структурной перестройки экономики проявились в сезонной динамике ряда отраслей промышленности строительных материалов и пищевой промышленности Именно там отношение спрос/предложение (дефицит) является управляющим параметром

Методы анализа рисков обычно рассматриваются как качественные и количественные Качественный анализ может быть сравнительно простым Его главная задача - определить факторы риска, назвать работы, при выполнении которых риск возникает, то есть установить потенциальные области риска, после чего -идентифицировать все возможные риски Количественный анализ риска, те численное определение размеров отдельных рисков и риска проекта в целом - проблема более сложная

В практике расчетов можно использовать два альтернативных основных подхода скорректировать на фактор риска прогнозные денежные потоки по проекту, а затем дисконтировать их по ставке, не учитывающей фактор риска, скорректировать на фактор риска ставку дисконтирования, а затем дисконтировать по ней ожидаемые денежные потоки

В первом случае, денежные потоки по проекту технического решения корректируются по фактору риска на основе аппарата математической статистики Происходит формализованное описание неопределенности путем преобразования исходной информации об обстоятельствах неопределенности в информацию о вероятностях получения соответствующих показателей эффективности и

(14)

интервалах их изменения. Таким образом, ожидаемое значение экономического параметра определяется путем умножения проектного значения параметра на вероятность его достижения. Важным вопросом является допустимые ограничения, накладываемы на исследуемые данные и способы их оценки.

Выделение тренда с использованием линейной экстраполяции сезонных циклов

2900

3 2400

1900

оР

месяц. гол

-тренд (01.95 - 04.01) ......трем 112.96 - 04.01)

Рис.4

# # ^ О!" Л

-V

■трекл (06.98 - 04.01;

В качестве метода исследования структурных зависимостей данных в диссертации предлагается использовать факторный анализ и нечеткие множества. Каноническая модель факторного анализа выглядит следующим образом: X. = Р1<?/1 +Я2<?/2 + + ,

¡е/\..т[ где Х„...,Хт - анализируемые признаки (для удобства

полагаем МХ,=0), общие факторы Я,_____,- некоррелированные

случайные величины, имеющие математическое ожидание 0 и дисперсию 1, характерные факторы ¿у - некоррелированные случайные величины, имеющие математическое ожидание 0 и неизвестные дисперсии г-у, величины Р, и е, некоррелированы, ц

факторные нагрузки, представляющие ковариацию между признаками и факторами.

Как правило, при получении факторного решения производят преобразование факторов (ортогональное или косоугольное) для того чтобы содержательно интерпретировать новые факторы. Это позволяет уменьшить сложность параметров влияющих на факторы и перейти к простым структурам (если можно подобрать систему координат таким образом, чтобы каждый вектор лежал в одной или более гиперплоскостях, то полученная система называется простой

структурой) В работе рассматриваются следующие методы вращения факторов

- «квартимакс» метод максимизирующий дисперсию факторов

л т к л т к

I V V у 7 — ? .2 I

=

mktiPi

■Г)

тк

• «варимакс» метод максимизирующии величину

1 m , (1 т Л2

т,=1 ' vm'=1 у - модифицированный "варимакс" метод решение близкое к простой структуре

к (п а^

■ЕЙ

/Ч'=1 rJ /

(15)

(16)

к т

;=1 (=1

позволяющий получить

(17)

где гj -коэффициент нормировки

В третьей главе решается задача кластеризации предприятий региональной подчиненности по показателям управления рисками При этом явно выражен характер иерархической структуры взаимосвязей управления и нечетко выражен типовой характер количественной оценки показателей производственной деятельности

Одной из актуальных задач в области управления рисками является задача кластеризации предприятий по набору некоторых (финансовых или операционных показателей) в группы рисков Пусть у нас определено как множество предприятий М = (т^т2 т ), для

которого строится разбиение Для каждого предприятия определен набор параметров, характеризующих элемент множества / Эти параметры считаются заранее известными и определенными методом экспертных расчетов Задача состоит в построении множества сЦе^ с2, ,с ) здесь С кластер, содержащий похожие друг на друга

объекты из множества М

Основные известные алгоритмы кластеризации (например, модификации алгоритмов K-Means, Expectation Maximization) налагают ограничения на геометрию получаемых кластеров, в частности, требуя возможности охвата каждого кластера отдельным выпуклым множеством В результате, эти алгоритмы не в состоянии адекватно разбить на кластеры невыпуклые множества, тем более вложенные структуры

В связи с этим в диссертации разработан алгоритм кластеризации, который не требует существования центров кластеров и позволяет выделять кластеры в виде невыпуклых множеств, а также вложенные структуры кластеров

Предлагается подход к кластеризации конечного набора элементов произвольного метрического пространства на основании разбиения множества на классы эквивалентности по нечеткому отношению На основании метрики определяется нечеткое отношение, обладающее свойствами четкой рефлексивности и нормальной а-симметричности Далее строится транзитивное замыкание отношения, которое для каждого значения а в диапазоне от 0 до 1 позволяет определить отношение эквивалентности на исходном множестве По построению отношения два элемента входят в один класс эквивалентности тогда и только тогда, когда между ними есть последовательность попарно «близких» друг к другу элементов

Пусть X - метрическое пространство и с/: X Я? определенная на нем метрика, (Хи...,Хп) с Х- последовательность элементов из X В работе предполагается, что V/ е {%..,п}3] е {1, .,п} : X, * Х) и, следовательно, справедливо

тах{д(Х,,Хк)\к е{1..п}}>0, VI &{%..,п} (18)

Таким образом, для каждого индекса i можно определить

функцию, описывающую меру сходства ]-ого элемента последовательности с 1-ым элементом : {1,...,л}-> [0,1]

Ъ (]):='[___

тах{(1(Х1,Хк)\ке{\ ,п}}

Для каждого индекса I определим функцию, описывающую меру сходства к-ого и 1-ого элемента относительно 1-ого элемента ql ■{%..,п}2 ^[0,1], ь(к,1):=1-\ихк)-Ь,(Х1)\ Определим далее функцию, описывающую меру сходства любых двух элементов последовательности относительно всех элементов последовательности ц ; {1, .,п}2 -» [0,. 1/,

¡1(1,]).= тт{гк(1,])\ке{Х...,п}}

Для к=1,2, ,п рекурсивно определим функции ц™ {1, .,п}2-> [0,1]

О.]) (20)

Для а е [0,1] на множестве {Хи...,Хп} определим бинарное отношение Яа с {Хи.,.,Хп}2 Яа ;<=> ц(п)(/,;)> а При этом

отношение /?а является отношением эквивалентности и выполняются свойства

1 рефлексивности

ц(п)М = 1>а^(Х,,Х,)еЯа,

2 симметричности

)

{Х,, X,) 6 Я0 => ц(п)(/, у) > а => Ц(/, у) = ц<">(/, /) * а => {Х,, X,) е Яа,

3 транзитивности

(X,, Х])е Ка, {Х], Хт)е Я?а => цМ(/, у) > а, ц(п)(у, п?) > а =>

Таким образом, отношение эквивалентности порождает разбиение исходного множества {Х^,...,Хп} на классы эквивалентности В случае если пространство кластеризуемых элементов является векторным пространством, то полученные при помощи описанного алгоритма кластеры могут иметь произвольную структуру

Таким образом, в диссертации разработан метод кластеризации не предполагающий существование центров кластеров В качестве преимуществ предложенного метода кластеризации можно отметить отсутствие необходимости в априорных предположениях относительно структуры данных (вид и параметры распределения вероятности по кластерам, центров плотности, числа кластеров)

В результате интеграции разработанных в диссертации моделей, приведенных выше, исходя из кривой вероятностей получения прибыли, полученной на основании расчетов управления рисками, строится кривая распределения вероятностей возможных потерь (кривая риска) На основе анализа кривой выделяется ряд характерных точек Точка 1 определяет вероятность нулевых потерь прибыли В соответствии с принятыми допущениями вероятность нулевых потерь максимальна - Вр Точка 2 характеризуется величиной возможных потерь, равной ожидаемой прибыли, т е полной потерей прибыли, вероятность которой равна - Вд Точки 1 и 2 являются граничными, определяющими положение зоны допустимого риска Точка 3 соответствует величине потерь, равных расчетной выручке Точки 2 и 3 определяют границы зоны критического риска Точка 4 характеризуется потерями, равными имущественному состоянию (ИС) предпринимателя, вероятность которых равна Вкт Между точками 3 и

4 находится зона катастрофического риска Вероятности определенных уровней потерь являются показателями, Таким образом, для каждого разработанного плана управления рисками методика позволяет определить вероятностные характеристики оценки экономической эффективности деятельности предприятия Это позволяет при выбранных критериях эффективности провести сравнительный анализ различных стратегий развития фирмы в плане наращивания резервов

В связи с многообразием и сложности структур данных для анализа риска, а именно, финансово-экономических, производственных, операционных, да и практически всех показателей

производственной деятельности, для реализации методики статистического анализа управления риска разработана формализованная методика проектирования систем баз данных (БД), учитывающая особенности методов управления рисками Предполагается, что задано множество приложений /?*={/?'}, 161,Ыяа где я, - приложение / -го типа, л/д3 - количество приложений

Каждое приложение представляется в виде /?,3 = т(и')хи(я'), где 7"(я,а) - множество задач (функций) приложения, и(я(а) -множество пользователей /-го приложения Множество задач (функций) конечно и 7"(я,а) = |у = 1, сагс/(т(й?))|, где - ]-ая задача I-

го приложения, а множество пользователей 1/(я/)с связано с тем или иным типом задач приложения

Для всех - общему множеству задач - и типов пользователей определим модель пользователя 1/"а по задаче *"а в виде

Л7ос/^"а ,и«а} £< ,ияа ,и"а ],С^а ,и«а ] >, (21) где - информационная потребность пользователя по

задаче , О^.и'^ - потребность пользователя по запросам,

С(1кА ) - характеристики элементов модели пользователя

Имея на входе множество приложений, определяемых составом задач и моделями пользователей по каждой из них, формализованная методика проектирования систем БД на концептуальном уровне включает следующие шаги

Шаг 1. Начальная концептуализация данных V/ е 1кД осуществление

_ £ )

отображения 11Р(1 ,и*')-»щя*), , , где

и"

Р({к\ик* ) = ЗЬ((я\ик*) - информационная потребность пользователя ирА по задаче (функции) 1кЛ, выраженная с помощью реляционной схемы !511(1*А,икА)

Шаг 2. Осуществляется построение КМД приложения из неструктурированной информации, представленной в виде множества отношений и выделение тех семантических свойств данных, которые должны быть представлены на концептуальном уровне Формирование КМД приложений М,У|е1,М А, то есть осуществление отображения

fc1M Sh (Rf; =<lt',Cnl >, (22)

где - множество типов элементов КМД М,, Cri - система ограничений модели М,

ШагЗ Осуществляется разбиение приложения, если КМД данного класса не может быть сформирована, то есть в рамках КМД не могут быть согласованы информационные потребности пользователей Если 3i М, = 0, то осуществить разбиение Rf = IJRf положить

/

Ra = Ra \(jRf и перейти к шагу 1 , иначе - шаг 4

X

Шаг 4. Выполняется описание КМД на языке специального типа или используются графические диаграммы Текст описания КМД является основной исходной информацией для работы процедур автоматизированного проектирования систем БД VM, выполняется процесс концептуального описания данных

Шаг 5. Процедуры шага 5 позволяют построить оценки элементов КМД различного типа При этом в качестве оценок рассматриваются различные модификации коэффициентов различия Выбор оценок в виде коэффициентов различия объясняется тем, что на коэффициент различия наложено меньше ограничений, чем на функцию расстояния, поскольку этот коэффициент не обязан удовлетворять неравенству треугольника Вместе с тем, он хорошо служит целям анализа данных сложной структуры, где характеристики исследуемых объектов имеют дискретный характер и определяют содержание или отсутствие определенного признака в конкретном анализируемом объекте Vie 1Д строятся оценки элементов КМД типа I Vl2 >|, cKlt^.Iti ) ((JltJ,)2-»В, где d(lt, ,lt|2) - оценка элементов I, и

I

l2 типа I , В = {b, |Ь, е[0,1] ¡-область возможных оценок, представленных в виде коэффициентов различия

Шаг 6 Осуществляется классификация элементов КМД различного типа, что позволяет проанализировать элементы различных приложений Выполняется анализ элементов Vie 1.N, и формируется

множество отношений эквивалентности

Шаг 7. Выполняется подсчет оценок КМД на основе результатов шага 6 строятся оценки КМД в виде \Л2 >1-, : \и\2 е1,Мра.

сЦМ^М,) (ум,)2 ->В

I

Шаг 8 Информация шагов 6 и 7 позволяет на шаге 8 сформировать систему ПО (предметных баз данных), каждая из которых состоит из множества КМД приложений Выполняется решение задачи формирования множества ПО (предметных баз данных)

= ^ 11 = Тдг1},1 <т <Мра,0] е

__1 (23)

Шаг 9 Строятся КМД предметной области (У\е1,т) Выполняется согласование КМД приложений и строится система КМД ПО С ' IIм, ^М, =<К',Сп' >

Шаг 10 Осуществляется заполнение словаря-справочника данных Фактически этот шаг распределен по каждому из предыдущих шагов Заполнение словаря-справочника данных

Шаг 11 Выполнение процедуры шага позволяет получить реальные оценки М, Если они неудовлетворительны, то необходимо снова

повторить решение задачи формирования ПО В противном случае (шаг 12) осуществляется процесс построения внешних схем путем отображения элементов М; на сопутствующие элементы

М,

Шаг 12 Корректировка КМД приложений \/М, е 01

Шаг 13 Шаги 13-14 показывают связь процессов концептуального и логического проектирования Реализуется концептуализация запросов пользователей

и"'^? (24)

И? 6 О,

Шаг 14. Отображение каждой М, в структуры данных целевой СУБД с учетом эффективности реализации 0(М;>) и ограничений на объем БД

Шаг 15. Определяет условие окончания процессов концептуального и логического проектирования систем БД Если отображение

выполнимо - то конец , иначе - переход к шагу 1 с учетом пересмотра характеристик

Предложенная формализованная методика позволяет в полной мере определить последовательность действий при проектировании баз данных сложной структуры и большой размеренности - систем баз данных

В четвертой главе диссертации рассматриваются вопросы построения программного комплекса автоматизации процесса управления рисками промышленных предприятий Разработана структура базы данных, интегрирующая статистические данные и данные вычислительных экспериментов Приведен список программных приложений с описанием их основных функциональных возможностей

Архитектура автоматизированной системы управления рисками

Интерфейсы пользователя загрузка данных

Пакеты прикладных

программ прогнозирования и анализа временных рядов

субд oracle

\1У

—

-о— -*-«

Реляционная

БД

-J

-J

Система визуализации построение отчетов

Пакеты прикладынх программ кластерного анализа нечеткой классификации

Рис 5

Пакеты прикладных программ аналитического метода, факторного анализа и снижения размерности

В качестве программного продукта реализующего типовые математические алгоритмы используется пакет Statistics Данный пакет имеет API, что делает его доступным из других приложений Также данные пакет используется в виде системы получения отчетов и графического анализа, так как обладает большими возможностями визуализации данных

В диссертации разработана формализованная методика проектирования систем БД, учитывающая особенности методов управления рисками Так как объем анализируемых данных для управления рисками достаточно большой, то в качестве СУБД выбирается СУБД Oracle 10g, поддерживающая распределенные вычисления по технологии GRID Данная СУБД имеет улучшенные способности к масштабированию и высокую производительность и встроенный язык программирования Pi\SQL позволяющий реализовать большую часть статистических процедур на стороне сервера БД, что снижает нагрузку на компьютеры клиентов

Для организации открытой структуры в процессе его апробации и внедрения, комплекс имеет отдельные приложения, которые носят самостоятельный характер, а методы аналитической обработки данных базируются на интерфейсном взаимодействии с пакетами аналитической обработки данных

В заключении представлены основные результаты работы В приложении приводятся акты внедрения результатов диссертационной работы

Публикации. По результатам выполненных исследований опубликовано 8 печатных работ

Основные выводы и результаты работы

1 Проведен комплексный анализ методов и подходов управления рисками промышленных предприятий, который определил основные задачи диссертационной работы

2 Предложен алгоритм сезонной корректировки временных рядов, используемый при оценке рисков Рассмотрена проблема прогнозирования рисков и оценки доверительного интервала прогноза

3 Для дискретного случая задачи выделения циклов определены конкретные процедуры идентификации динамических сезонных циклов с оптимальными весовыми коэффициентами

4 Разработан алгоритм нечеткой классификации промышленных предприятий, позволяющий рациональным образом выбирать кластеры с невыпуклой структурой

5 Предложена методика проектирования статистической базы данных управления рисками промышленных предприятий

6 Предложена архитектура автоматизированной системы управления рисками промышленных предприятий, позволяющая реализовать комплексную обработку статистической информации о показателях рисков

7 Разработанные методики, методы и алгоритмы прошли апробацию и внедрены для практического применения в ООО «СТРОЙСТАНДАРТ ПЛЮС», ООО «ТАРИНА», а также используются в учебном процессе в МАДИ (ГТУ)

Публикации по теме работы

1 Будихин С А Прикладные аспекты задач минимизации / Будихин А В, Будихин С А // Моделирование и оптимизация в управлении Сб науч тр МАДИ ( ГТУ ), М 2006 г, С 11-16

2 Будихин С А Автоматизация управления финансовыми документами предприятия / Колдашев К С , Будихин С А // Методы и модели автоматизации управления, Сб науч тр МАДИ (ГТУ), М 2006 г, С 84-88

3 Будихин С А Методы нечеткой кластеризации для управления рисками на предприятии / Будихин С А, Горячев А С , Шень Янь // Межвузовский сборник научных трудов "Теория и практика информационных технологий" - М , МАДИ (ГТУ), 2006 С 57-66

4 Будихин С А Применение Data Mining для анализа данных и прогнозирования / Будихин С А Пронин И Е // Новые технологии в автоматизации управления, Сб науч тр МАДИ (ГТУ), М 2006 С 1116

5 Будихин С А Использование словаря-справочника данных для реализации пользовательских средств обработки информации I Остроух А В , Баринов А П , Николаев А В , Будихин С А // Приборы и Системы Управление, контроль, диагностика № 3, 2008 С 13-15

6 Будихин С А Сравнение методов вращения факторов для управления рисками на промышленных предприятий / Будихин А В Будихин С А , Остроух А В II Приборы и системы Управление, контроль, диагностика № 10, 2008 С 60-62

7 Budikhin S A Using Data mining in financial and business development II 4-th International Conference On Information and Telecommunication Technologies in Intelligent Systems May 27- June 0306, Catania, Italy P 98-99

8 Budikhin S A Robust estimators for real financial data / Budikhin A V, Ostroukh A V, Budikhin S A II 5-th International Conference On Information and Telecommunication Technologies in Intelligent Systems May 31 - June 07-09, Mallorca, Spain P 98-99

Подписано в печать /3 09, 2008 г Формат 60x84/16 Уел печ л V, О Тираж {ОО зкз Заказ № ' о "Техполиграфцентр" Россия,125319,гМосква.ул Усиевича, д 8а Тел/факс 8(499) 152-17-71 Т 8-916-191-08-51

Введение.

Глава 1 Анализ подходов методов и средств для управления рисками.

1.1 Управление рисками как объект исследования.

1.2 Классификация рисков и методы исследования.

1.3 Основные задачи автоматизации рисков промышленных предприятий

1.4 Обзор систем управления рисками промышленных предприяий.

1.5 Архитектура системы управлении рисками промышленных предприятий.

Глава 2. Разработка алгоритмов, сглаживания, выделения трендов и прогнозирования для управления рисками промышленных предприятий.

2.1 Основные операции с временными рядами.

2.2 Модели прогнозирования временных рядов. Модель авторегрессии порядка р.

2.3 Прогнозирование временных рядов.

2.4 Прогнозирование и выделение циклических изменений во временном ряде финансово-экономических показателей, связанных с управлением рисками.:.

2.5 Модель с непрерывным временем.'.

2.6 Вращения факторов как метод анализа данных для управления рисками промышленных предприятий.

Глава 3 Анализ методов и алгоритмов управления рисками промышленных предприятий.

3.1 Математические модели оценки стохастических рисков промышленных предприятий.

3.1 Методы нечеткой кластеризации для управления рисками на предприятии.

3.2 Методика проектирования систем баз данных на. концептуальном и логическом уровнях.

Глава 4. Структура автоматизированной системы управления рисками.

4.1 Выбор реляционной СУБД.

4.2 Реализация информационной системы в среде СУБД Oracle.

4.3 Система визуализации и анализа данных.

Актуальность проблемы.

Хозяйственный риск привязан как к явлениям макроэкономического плана, например инфляции, так и к обстоятельствам микроэкономики. В последние входят' такие виды рисков, как вероятность реального достижения технико-эксплутационных параметров проекта, несвоевременная реализация проекта, отрицательные отклонения в поведении поставщиков, потребителей. По природе возникновения риск в инновационной деятельности предстоит как субъективный и объективный. По сфере своего возникновения риск может быть внешним и внутренним. Субъективный вид риска связан с личностью конкретного предпринимателя, руководителя, вообще лица принимающего то или иное техническое решение. Это недостаток опыта профессионализма, допускаемые ошибки, несовершенство систем учёта и расчёта показателей. Или, наоборот, высокие деловые качества, должный уровень построения нормативной базы предприятия. Объективные виды риска: неполнота информации о технических параметрах, техники, условиях её эксплуатации, конъюнктура национального и мирового рынков, экономическая и политическая обстановка в стране. Внутренний риск, как таковой, всегда связан со специализацией данного предприятия, субъективными условиями его развития, существующим личным персоналом: Существенное влияние на риски предприятия оказывает политика государства (неопределённость показателей экономической реформы: финансовая, кредитная, денежная, налоговая политика государства).

Для принятия решения об осуществлении инвестиционного проекта необходимо оценить уровень его риска. Риск определяется как опасность, возможность убытка или ущерба. Под риском принято понимать вероятность потери предприятием части своих ресурсов, недополучения доходов или появления дополнительных расходов в результате осуществления определенной производственно-хозяйственной деятельности.

Риск - это неопределенность в отношении возможных потерь на пути к цели. Любое вложение денег в бизнес с осознанной целью получить доход вовлекает в рассмотрение вопрос о соотношении риска и потенциального дохода. Последнее должно быть достаточно привлекательным для инвестора. Чем выше рискованность вложения, тем больше должен быть обещаемый инвестору доход.

Увеличение количества промышленных предприятий, усложнение самих процессов обработки и анализа данных для принятия решений по управлению рисками требует новых подходов к комплексной обработке информации. В последнее время на промышленных предприятиях сильно усложнились процессы производства, в связи с этим задачи управления рисками становятся все более актуальными. В подтверждении этого многие ведущие производители разрабатывают системы управления рисками, где реализован ряд стандартных алгоритмов.

Однако, мало рассматриваются особенности промышленных предприятий в условиях российской экономики, в которой экономические циклы отличаются от принятых на западе. Многие стационарные модели уже неадекватны сегодняшнему дню из-за быстрого темпа роста показателей предприятий. В связи с этим, рассматриваемая диссертационная работа, направленная на решение вопросов автоматизации процесса анализа и управления рисками промышленных предприятий представляется актуальной.

Объектом исследования является: типовое промышленное предприятие, на котором выполняются операции связанные с управлением рисками.

Цель и основные задачи исследования

Целью диссертационной работы является разработка научных методов и алгоритмов комплексной обработки информации о рисках промышленных предприятий и их реализация в виде макета информационной системы.

В соответствии с поставленной целью решаются следующие задачи:

• исследование и анализ методов и подходов управления рисками промышленных предприятий;

• разработка алгоритма сезонной корректировки временных рядов для показателей оценки рисков;

• для дискретного случая задачи выделения циклов разработка конкретных процедур для выделения динамических сезонных циклов с оптимальными весовыми коэффициентами;

• разработка алгоритма нечеткой классификации рисков как объектов метрического пространства;

• разработка статистической базы данных производственных и финансово-экономических показателей типового промышленного предприятия;

• разработка макета программно-моделирующего комплекса и архитектуры автоматизированной системы управления рисками.

Методы исследования

Результаты диссертационной работы получены на основе комплексного использования теории нечетких множеств, теории временных рядов, многомерного анализа, оптимального управления, факторного анализа, кластерного анализа, теории баз данных и др.

Научная новизна

Научная новизна диссертации состоит в разработке методов, моделей и алгоритмов комплексной автоматизации управления рисками промышленных предприятий.

На защиту выносятся следующие основные научные результаты:

• архитектура системы управления рисками промышленных предприятий.

• алгоритм нечеткой классификации рисков позволяющий рациональным образом выбирать кластеры с невыпуклой структурой;

• постановка задачи выделения динамических сезонных циклов с оптимальными весовыми коэффициентами макет информационной системы управления рисками промышленных предприятий.

Достоверность научных положений, рекомендаций и выводов

Обоснованность научных положений, рекомендаций и выводов, изложенных в работе, определена проверкой согласования результатов аналитических моделей с эквивалентными компонентами имитационных моделей. Достоверность научных положений, рекомендаций и выводов подтверждена положительными результатами внедрения в ряде предприятий.

Практическая ценность и реализация результатов работы

Результаты проведенных научных исследований были использованы при создании ряда систем анализа и управления рисками на промышленных предприятиях. Основные результаты диссертации внедрены в ООО «СТРОЙСТАНДАРТ ПЛЮС», ООО «ТАРИНА», а также используются в е учебном процессе на кафедре «АСУ» МАДИ (ГТУ).

Основные научные положения и результаты диссертации докладывались и обсуждались на заседаниях кафедры «Автоматизированные системы управления» МАДИ (ГТУ) в 2005-2008 годах, на 58-61 научно-методических конференциях МАДИ (ГТУ) (Москва 2005-2008 годы), а также на международных конференциях «Информационные и телекоммуникационные технологии в интеллектуальных системах» (Италия 2006 г., Испания 2007 г.).

В первой главе проведен детальный анализ методов, средств и систем автоматизации управления рисками промышленных предприятий. Проанализированы наиболее распространенные системы управления рисками. Показаны их особенности достоинства и недостатки. Обоснована актуальность комплексного подхода к управлению рисками промышленного предприятия. Проведена классификация рисков.

Показано, что данные, используемые при анализе рисков, подразделяются на две группы: случайные переменные и неопределенные переменные нестохастической природы. Важным является то, что при помощи различных методов можно осуществлять переходы между классами рисков, что позволяет исследовать риски разной природы.

Случайные переменные, используемые при описании рисков, с неизвестным распределением в диссертации подразделяются на два вида: с известными параметрами распределения и с неизвестными. При исследовании систем со случайными факторами широко используют вероятностно-статистические методы. Например, методами параметрического статистического оценивания можно определить параметры распределения случайных переменных на основе статистических испытаний. Непараметрическое оценивание позволяет установить виды распределений случайных переменных, влияющих на показатели риска.

Сложность структуры рисков обосновывает комплексный подход к решаемой проблеме. Выбор метода сильно зависит от природы изучаемого процесса, а сложность процессов на промышленных предприятиях за последнее время сильно возросла. Поэтому в диссертации проведена классификация методов и задач управления рисками.

На основе проведенного анализа обоснована актуальность разработки новых методов анализа рисков и предложена архитектура системы управления рисками промышленных предприятий.

Рассмотрены проблемы современного развития работ в области создания информационного обеспечения поддержки управления рисками, которые характеризуется ориентацией на их практическое использование при решении задач анализа и синтеза, возникающих на этапах проектирования, разработки и эксплуатации систем поддержки принятия решений.

В результате проведенного анализа в диссертации показано, что важное место в процессе организации управления рисками отводится: реалистическим стохастических моделям, отображающим на достаточно высоком уровне детализации производственные процессы; комбинированным моделям, объединяющим модели различной математической природы, обеспечивающим решение комплексных задач; выполнению комплексных модельных экспериментов, анализу и интерпретации результатов моделирования методами многомерного статистического анализа.

Во второй главе работы рассматривается задача прогнозирования и выделения циклических изменений во временном ряде финансово-экономических показателей, связанных с управлением рисками.

Решение задачи синтеза управления рисками, в первую очередь основывается на прогнозе различных финансовых показателей. Поэтому предварительно в диссертации проведен статистический анализ временных рядов деятельности конкретного производственного предприятия. В переходной экономике значительно возрастает роль прогноза развития экономической системы или отдельных ее частей в краткосрочной перспективе. Неадекватный анализ ситуации может приводить к потере контроля над экономическими процессами, и, как следствие, к кризисным явлениям. Сказанное относится как к анализу временных рядов, так и к статистическому анализу экономических явлений. Дело в том, что характерные особенности переходной экономики — это быстрые изменения показателей и структурная неустойчивость отдельных секторов. Быстрое изменение темпов роста показателей означает, что методы* анализа стационарных процессов становятся малопригодными. Большое значение приобретают методы анализа циклических процессов в структурно неустойчивых системах, таких как российская экономика. Характерная особенность переходной экономики состоит в том, что существуют режимы изменения показателей со стационарной сезонной составляющей и режимы, когда сезонная волна возникает, затухает или существенно меняется. В связи с этим актуальной является разработка новых методов анализа данных

В связи с полученными результатами анализа, в диссертации решается задача прогнозирования временного ряда. При этом циклические изменения- рассматриваются как «стационарная сезонная волна». Для диагностики динамической сезонной волны необходимо разделить изменения волны и изменения тренда так, чтобы динамическая волна и тренд были определены однозначно. Определение динамической волны должно быть, с одной стороны, достаточно широким, чтобы процедура сезонной корректировки была максимально универсальной относительно формы цикла, с другой стороны — удовлетворять условиям однозначного разделения изменений тренда и изменений волны. Априори можно считать, что сезонные циклы имеют стационарный характер, а все их изменения соотносятся с динамикой тренда. Кроме того, изменения формы циклов влекут изменения формы тренда. Поэтому общий алгоритм выделения сезонных эффектов должен эффективно работать для сезонных циклов произвольного типа, включая стационарные сезонные волны на основе единого критерия «гладкости» тренда. Для определения динамического сезонного цикла выделим на интервале наблюдения К целых периодов длительностью Т (без потери общности далее положим, что весь интервал наблюдения состоит из К целых периодов). В случае дискретного времени в диссертации определены конкретные процедуры для выделения динамических сезонных циклов с оптимальными весовыми коэффициентами.

Тестирование данного алгоритма проводилось на модельных рядах и реальных данных. В итоге в диссертации предложен непараметрический алгоритм сезонной корректировки временных рядов с динамическими сезонными эффектами, основанный на использовании вариационных принципов. Исследование временных рядов экономических показателей в промышленности показало, что наиболее ярко эффекты структурной перестройки экономики проявились в сезонной динамике ряда отраслей промышленности строительных материалов и пищевой промышленности. Именно там отношение спрос/предложение (дефицит) является управляющим параметром.

В качестве метода исследования структурных зависимостей данных в диссертации предлагается использовать факторный анализ. Как правило, при получении факторного решения производят преобразование факторов (ортогональное или косоугольное) для того чтобы содержательно интерпретировать новые факторы. Это позволяет уменьшить сложность параметров влияющих на факторы и перейти к простым структурам.

В третьей главе решается задача кластеризации предприятий по показателям управления рисками. При этом явно выражен характер иерархической структуры взаимосвязей управления и нечетко выражен типовой характер количественной оценки показателей производственной деятельности. Основные известные алгоритмы кластеризации (например, модификации алгоритмов K-Means, Expectation Maximization) налагают ограничения на геометрию получаемых кластеров, в частности, требуя возможности охвата каждого кластера отдельным выпуклым множеством. В результате, эти алгоритмы не в состоянии адекватно разбить на кластеры невыпуклые множества, тем более вложенные структуры.

В связи с этим в диссертации разработан алгоритм кластеризации, который не требует существования центров кластеров и позволяет выделять кластеры в виде невыпуклых множеств, а также вложенные структуры кластеров.

Предлагается подход к кластеризации конечного набора элементов произвольного метрического пространства на основании разбиения множества на классы эквивалентности по нечеткому отношению. На основании метрики определяется нечеткое отношение, обладающее свойствами четкой рефлексивности и нормальной а - симметричности. Далее строится транзитивное замыкание отношения, которое для каждого значения а в диапазоне от 0 до 1 позволяет определить отношение эквивалентности на исходном множестве. По построению отношения два элемента входят в один класс эквивалентности тогда и только тогда, когда между ними есть последовательность попарно «близких» друг к другу элементов.

В качестве преимуществ предложенного метода кластеризации можно отметить отсутствие необходимости в априорных предположениях относительно структуры данных (вид и параметры распределения вероятности по кластерам, центров плотности, числа кластеров).

В связи с многообразием и сложности структур данных для анализа риска, а именно, финансово-экономических, производственных, операционных, да и практически всех показателей производственной деятельности, для реализации методики статистического анализа управления риска разработана формализованная методика проектирования систем баз данных (БД), учитывающая особенности методов управления рисками. Предполагается, что задано множество приложений.

В четвертой главе диссертации рассматриваются вопросы построения программного комплекса автоматизации процесса управления рисками промышленных предприятий. Разработана структура базы данных, интегрирующая статистические данные и данные вычислительных экспериментов. Приведен список программных приложений с описанием их основных функциональных возможностей. В качестве программного продукта реализующего типовые математические алгоритмы используется пакет Statistica. Данный пакет имеет API, что делает его доступным из других приложений. Также данные пакет используется в виде системы получения отчетов и графического анализа, так как обладает большими возможностями визуализации данных.

Так как объем анализируемых данных для управления рисками достаточно большой, то в качестве СУБД выбирается СУБД Oracle 10g, поддерживающая распределенные вычисления по технологии GRID. Данная СУБД имеет улучшенные способности к масштабированию и высокую производительность и встроенный язык программирования PL\SQL позволяющий реализовать большую часть статистических процедур на стороне сервера БД, что снижает нагрузку на компьютеры клиентов.

Для организации открытой структуры в процессе его апробации и внедрения, комплекс имеет отдельные приложения, которые носят самостоятельный характер, а методы аналитической обработки данных базируются на интерфейсном взаимодействии с пакетами аналитической обработки данных.

В заключении представлены основные результаты работы.

В приложении приводятся акты внедрения результатов диссертационной работы.

Публикации. По результатам выполненных исследований опубликовано 8 печатных работ.

Объем работы и структура диссертации. Диссертационная работа состоит из введения, 4 глав основного текста, выводов по главам, заключения, списка использованной литературы из 117 наименований и приложения.

Выводы к главе 4

1. Проведен анализ и сформулированы требования к СУБД используемой при построение информационной системы управления рисками.

2. Предложена реализация архитектуры информационной системы описанной в главе 2.

3. Разработана реляционная модель базы данных Oracle 10G, реализующая.

Заключение

1. Проведён комплексный анализ методов и подходов управления рисками промышленных предприятий, который определил основные задачи диссертационной работы.

2. Предложен алгоритм сезонной корректировки временных рядов, используемый при оценке рисков. Рассмотрена проблема прогнозирования рисков и оценки доверительного интервала прогноза.

3. Для дискретного случая задачи выделения циклов определены конкретные процедуры идентификации динамических сезонных циклов с оптимальными весовыми коэффициентами.

4. Разработан алгоритм нечеткой классификации промышленных предприятий, позволяющий рациональным образом выбирать кластеры с невыпуклой структурой.

5. Предложена методика проектирования статистической базы данных управления рисками промышленных предприятий.

6. Предложена архитектура автоматизированной системы управления рисками промышленных предприятий, позволяющая реализовать комплексную обработку статистической информации о показателях рисков.

7. Разработанные методики, методы и алгоритмы прошли апробацию и внедрены для практического применения в ООО «СТРОЙСТАНДАРТ ПЛЮС», ООО «ТАРИНА», а также используются в учебном процессе в МАДИ (ГТУ).

1. Энциклопедия финансового риск менеджмента 3-издание. A.A. Лобанов, A.B. Чугунова 2007 г.

2. Балабанов И.Т. Риск-менеджмент. М.: Финансы и статистика, 1996.

3. Будихин С.А. Прикладные аспекты задач минимизации Будихин

4. A.B., Будихин С.А. Моделирование и оптимизация в управлении Сб. науч. тр. МАДИ ( ГТУ ), М. 2006 г., С. 11-16.

5. Будихин С.А. Автоматизация управления финансовыми документами предприятия Колдашев К.С., Будихин С.А. Методы и модели автоматизации управления, Сб. науч. тр. МАДИ (ГТУ), М. 2006 г., С. 84-88.

6. Будихин С.А. Методы нечеткой кластеризации для управления рисками на предприятии Будихин С.А., Горячев A.C., Шень Янь. Межвузовский сборник научных трудов "Теория и практика информационных технологий" М., МАДИ (ГТУ), 2006. С. 57-66.

7. Будихин С.А. Применение Data Mining для анализа данных ипрогнозирования Будихин С.А. Пронин И.Е. Новые технологии в автоматизации управления, Сб. науч. тр. МАДИ (ГТУ), М. 2006. С. 11-16.

8. Будихин С.А. Использование словаря-справочника данных дляреализации пользовательских средств обработки информации Остроух A.B., Баринов А.П., Николаев A.B., Будихин С.А. Приборы и Системы. Управление, контроль, диагностика № 3, 2008. С. 13-15.

9. Будихин С.А. Сравнение методов вращения факторов для управления рисками на промышленных предприятий Будихин

10. А.В., Будихин С.А., Остроух А.В. Приборы и системы. Управление, контроль, диагностика № 10, 2008. С. 60-62.

11. Budikhin S. A. Using Data mining in financial and businessdevelopment 4-th International Conference On Information and Telecommunication Technologies in Intelligent Systems. May 27- June 03-06, Catania, Italy. P. 98-99.

12. Балдин K.B., Быстрое О.Ф., Соколов M.M. Эконометрика. М.:ЮНИТИ, 2004.

13. Балдин К.В., Уткин В.Б. Теоретические основы автоматизации управленческой деятельности. Воронеж: МОДЭК, 2004.

14. Балдин К.В., Воробьев С.Н., Уткин В.Б. Теоретические основы принятия управленческих решений. Воронеж: МОДЭК, 2004.

15. Балдин К.В., Быстрое О.Ф., Перцов В.В., Соколов М.М. Антикризисное управление. М.: Гардарики, 2005.

16. Балдин К.В., Воробьев С.Н. Риск-менеджмент. М.: Гардарики, 2005.

17. Балдин К.В. Антикризисное управление: макро- и микроуровень. -М.: Дашков и Ко, 2005.

18. Балдин К.В., Воробьев С.Н. Системный анализ управления рисками в предпринимательстве. Воронеж: МОДЭК, 2005.

19. Банковское дело / Под ред. О.И. Лаврушина. М.: ЮНИТИ, 2002.

20. Берка К. Измерения: понятие, теория, проблемы / Пер. с чеш. Под ред. Б.В.Бирюкова. М.: Прогресс, 1987.

21. Боумен У. Графическое представление информации / Пер. с англ. -М.: Мир, 1971.

22. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1968.

23. Вальравен К.Д. Управление риском в коммерческом банке: Пер. с англ. / Под ред. Мэри Э. Уорд и Я.М. Миркина. Вашингтон ИЭР, 1997.

24. Балабанов И.Т. Основы финансового менеджмента: Учеб. Пособие. -3-е изд., перераб. и доп. -М.: Финансы и статистика, 2002. -528 с.

25. Бланк И.А. Концептуальные основы финансового менеджмента. -К.: Ника Центр, Эльга, 2003. - 448 с.

26. Бланк И.А. Управление активами и капиталом предприятия. К.: Центр, Эльга, 2003. - 448 с.

27. Бланк И.А. Управление инвестициями предприятия. К.: Ника -Центр, Эльга, 2003. - 480 с.

28. Бланк И.А. Финансовый менеджмент: Учебный курс. К.: Ника -Центр, Эльга, 2002. - 528 с.

29. Бригхем Ю., Гапенски Л. Финансовый менеджмент, в 2-х томах. -М.: Экономическая школа, 1999. — тЛ — 497с., т.2 669 с.

30. Ковалев А. М. Финансы: Учебное пособие. 3-е изд., перераб. и доп. - М.: Финансы и статистика, 2000. - 384 с.

31. Ковалев В.В. Введение финансовый менеджмент. М.: Финансы и статистика, 2002. - 768 е.:

32. Ковалев В.В. Практикум по финансовому менеджменту. Конспект лекций с задачами. М.: Финансы и статистика, 2003. - 288 с.

33. Ван Хорн, Джеймс, К., Вахович,, Джон, М., Основы финансового менеджмента, 11-е издание,: Пер. с англ. М.: Издательский дом «Вильяме», 2001, 992 е.: - Парал. Тит. англ.

34. Колосс Б. Управление финансовой деятельностью предприятия: проблемы, концепции, методы. М.: Финансы, ЮНИТИ, 1997.

35. Колб Р.В., Родригес Р. Финансовый менеджмент: Учебник/Пер. 2-го англ, издания; Предисловие к русск. изд.к. э. н. Драгевой E.JI. -М.: Издательство «Финпресс», 2001. 496 с.

36. Леонтьев В.Е., Бочаров В.В. Финансовый менеджмент. СПб.: ИВЭСЭП, Знание, 2004. - 520с.

37. Ли Ч.Ф., Финнерти Финансы корпораций: теория, методы и практика. М.: Инфра-М, 2000. - 321с.

38. Лукасевич И.Я. Анализ финансовых операций. Методы, модели, техника вычислений: Учебное пособие для ВУЗов. М.: Финансы; ЮНИТИ, 1998.- 145 с.

39. Маренго А.К. Финансовый менеджмент. Экспресс-курс.М.: Братор Пресс, 2002. - 144 с.

40. Финансовый менеджмент: теория и практика: Учебник / Под ред.Е. С. Стояновой. 5-е изд., перераб. и доп. - М.: Изд-во «Перспектива», 2004. -656 с.

41. Финансовый менеджмент: Практикум: Учеб. пособие для ВУЗов/Л.А. Бурмистрова, Е.Ю. Ветрова, O.A. Жеволюкова и; Под ред.Н. Ф. Самсонова. М.: ЮНИТИ - ДАНА, 2001. - 269 с.

42. Финансовый менеджмент: Учебник для ВУЗов/Н.Ф. Самсонов, Н.П. Баранникова, A.A. Володин и; Под ред. проф.Н. Ф. Самсонова, М: Финансы, ЮНИТИ, 2001. - 495 с.

43. Финансовый менеджмент: Учебное пособие/Под ред. проф.Е. И. Шохина. М.: ИД ФКБ - ПРЕСС, 2003. - 408 с.

44. Финансовый менеджмент: Учебник/Под ред.д. э. н. проф.А. М. Ковалевой. М.: ИНФРА - М, 2002. - 284 с.

45. Финансы: Учебное пособие / Под ред. A.M. Ковалевой. 4-е изд., перераб. и доп. - М.: Финансы и статистика, 2001. — 384 с.

46. Вентцель Е.С. Исследование операций: задачи, принципы, методология. М.: Наука, 1980.

47. Воробьев С.Н., Варфоломеев В.И. Принятие управленческих решений. М.: КУДИЦ-ОБРАЗ, 2001.

48. Воробьев С.К., Уткин В.Б., Балдин К.В. Управленческие решения. М: ЮНИТИ, 2003.

49. Гамза В.А., Екатеринославский Ю.Ю. Рисковый спектр коммерческих организаций. М.: Экономика, 2002.

50. Глушаков С.В., Ломотъко Д.В. Базы данных: Учеб. курс. М.: ООО «Издательство ACT», 2001.

51. Грантурое В.М. Экономический риск, сущность, методы измерения, пути снижения. Методическое пособие. М.: Дело и Сервис, 2002.

52. Дойль П. Менеджмент: стратегия и тактика. М.: Дело, 1999.

53. Искусственный интеллект. Кн.1. Системы общения и экспертные системы / Под ред. Э.В. Попова. М.: Радио и связь, 1990.

54. Исследование операций: В 2 т. Т. 1. Методологические основы и математические методы / Под ред. Дж. Моудера, С. Элмаграби / Пер. с англ. М.: Мир, 1981.

55. Кандинская O.A. Управление финансовыми рисками: поиск оптимальной стратегии. М,: Изд-во АО «Консалтбанкир», 2000.

56. Кини Р., Райфа X. Принятие решений при многих критериях: предпочтения и замещения / Пер. с англ. Под ред. И.Ф. Шахнова. -М.: Радио и связь, 1981.

57. Кофман А. Введение в теорию нечетких множеств/ Пер. франц. -М.: Радио и связь, 1982.

58. Лескин A.A., Мальцев В.Н. Системы поддержки управленческих и проектных решений. Л.: Машиностроение, 1990.

59. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / Пер. с франц. А. Тейз, П. Грибомон, Ж. Луи и др. М.: Мир, 1990.

60. Лэнд П.Э. Менеджмент искусство управлять / Пер. с англ. -М.: ИНФРА-М, 1995.

61. Льюис Р., Райфа X. Игры и решения / Пер. с англ. Под ред. Д.Б. Юдина. М.: Иностр. лит., 1961.

62. Максимей И.В. Имитационное моделирование на ЭВМ. М.: Радио и связь, 1988.

63. Малыхин В.И. Финансовая математика. М.: ЮНИТИ, 2002.

64. Менеджмент / Под ред. М.М. Максимцова, М.А. Комарова. М.: ЮНИТИ, 2002.

65. Мескон М., Альберт М., Хедуори Ф. Основы риск менеджмента. Учебник, 3-е изд. / Пер. с англ. М.: Дело, 1992.

66. Методика определения категории риска при инвестиционном кредитовании и проектном финансировании, применяемая в Сбербанке РФ. Регламент по финансированию инвестиционных проектов» № 479-р от 05.02.1999 г. Сбербанка России.

67. Нагао М., Катаяма Т., Уэмура С. Структуры и базы данных / Пер. с япон. М.: Мир, 1986.

68. Надежность и эффективность в технике: Справочник. Т. 3. Эффективность технических систем / Под общ. ред. В.Ф. Уткина, Ю.В. Крючкова. М., 1988.

69. Нанс Б. Компьютерные сети / Пер. с англ. М.: БИНОМ, 1995.

70. Шуман Э. Принять решение но как? / Пер. с нем. - М.: Мир, 1987.

71. Нейлор К. Как построить свою экспертную систему / Пер. с англ. -М.: Энергоатомиздат, 1991.

72. Норткотт Д. Принятие инвестиционных решений. Пер. с англ.-М.: Банки и биржи, ЮНИТИ, 1997.

73. Оуэн Г. Теория игр / Пер. с англ. М.: Мир, 1971.

74. Панов А.И. Инвестиционное проектирование. М.: Экономика и финансы, 2002.

75. Проблемы итогового согласования результатов оценок, полученных с использованием различных подходов / Стенограмма круглого стола: январь-феврать 2003 // Российский оценщик. 2003. № 1.

76. Риск-менеджмент как инструмент контроля финансовых результатов деятельности компании // Финансовая газета. № 7 (583), февраль 2003 года.

77. Роберте Ф. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. М.: Наука, 1986.

78. Боровков А. А. Теория вероятностей. 4-е изд. М.: УРСС, 2003.

79. Гихман И. И., Скороход А. В., Ядренко М. И. Теория вероятностей и математическая статистика. Киев: Вища школа, 1979.

80. Гихман И. И., Скороход А. В. Введение в теорию случайных процессов. М.: Наука, 1977.

81. Гнеденко Б. В., Колмогоров А. И. Предельные распределения для сумм независимых случайных величин. М.-Л.: Гостехиздат, 1949.

82. Вентцель А. Д. Курс теории случайных процессов. М.: Наука, 1975.

83. Карлин С. Основы теории случайных процессов. М.: Мир, 1975.

84. Кендалл М., Моран П. Геометрические вероятности. М.: Наука, 1972.

85. Климов Г. П. Теория вероятностей и математическая статистика. М.: Изд-во МГУ, 1983.

86. Климов Г. П., Кузьмин А. Д. Вероятность, процессы, статистика: задачи с решениями. М.: Изд-во МГУ, 1985.

87. Коваленко И. //., Кузнецов Н. 10., Шуренков В. М. Случайные процессы; справочник. Киев: Наукова думка, 1983.

88. Коваленко И. П., Филиппова А. А. Теория вероятностей и математическая статистика. М.: Высшая школа, 1973.

89. Королюк В. С. (редактор). Справочник по теории вероятностей и математической статистике. Киев: Наукова думка, 1978.

90. Круглое В. М., Королев В. Ю. Предельные теоремы для случайных сумм. М.: Изд-во МГУ, 1990.

91. Лоэв М. Теория вероятностей. М.: ИЛ, 1962.

92. Лукач Е. Характеристические функции. М.: Наука, 1979.

93. Майстров Л. Е. Развитие понятия вероятности. М.: Наука, 1980.

94. Мешалкин Л. Д. Сборник задач по теории вероятностей. М.: Изд-во МГУ, 1963.

95. Неве Ж. Математические основы теории вероятностей. М.: Мир, 1969.

96. Нейман Ю. Вводный курс теории вероятностей и математической статистики. М.: Наука, 1968.

97. Прохоров Ю. В., Розанов Ю. А. Теория вероятностей. 2-е изд. М.: Наука, 1985.

98. Розанов Ю.А. Случайные процессы. М.: Наука, 1971.

99. Савельев Л. Я. Комбинаторика и вероятность. Новосибирск: Наука, 1975.

100. Афанасьев В.Н. Анализ временных рядов и прогнозирование В.Н.Афанасьев, М.М.Юзбашев. М. : Финансы и статистика, 2001.

101. Ваганов П.А. Экологические риски / П.А.Ваганов. СПб. : Изд-во СПбГУ, 2001.

102. Вопросы математической теории надежности / под ред. Б. В. Гнеденко. М. : Радио и связь, 1993.

103. Кузнецов И. В. К проблеме классификации катастроф: параметризация воздействий и ущерба /

104. Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой / А.Н.Мелихов, JI. С. Берштейн, С.Я.Коровин. М. : Наука, 1990.

105. Не X. and Wang G. (1996) Cross-checking using the minimum volume ellipsoid estimator, Statistica Sinica, 6, 367-374.

106. Joe H. (1997) Multivariate Models and Dependence Concepts, Chapman & Hall, London.

107. Lobanov A. (2006) Risk management, Alpine Business book.

108. Kendall M.G. and Gibbons J.D. (1990) Rank Correlation Methods, 5th edition, Griffin, London.

109. Crutchfield J.P., McNamara B.S. "Equations of motion from a data series", Com-plex Systems, 1987, Vol. 1, P. 417-452.

110. Cremers J., Hubler A. "Construction of differential equations from experimental data", Z.Naturforschung A, 1987, Vol. 42, P. 797-802.

111. Fanner J.D., Sidorowich J.J. "Predicting chaotic time series", Phys.Rev.Lett., 1987, Vol. 59, P. 845-848.

112. Breeden J.L., Hubler A. "Reconstructing equations of motion from experimental data with unobserved variables", Phys.Rev. A, 1990, Vol. 42, № 10, P. 5817-5826.

113. ПЗ.Вааке E., Baake M., Bock H.J., Briggs K.M. "Fitting ordinary differential equa-tions to chaotic data", Phys.Rev. A, 1992, Vol. 45, № 8, P. 5524-5529.

114. Gouesbet G., Maquet J. "Construction of phenomenological models from numeri-cal scalar time series", Physica D, 1992, Vol. 58, P. 202215.

115. Gouesbet G., Letellier C. "Global vector-field approximation by using a multi-variate polynomial approximation on nets", Phys.Rev. E, 1994, Vol. 49, P. 4955-4972. 2L

116. A. Capponi, A convex optimization approach to Filtering in Jump Non Linear Systems, Technical Report, California Institute of Technology. 2008. P. 180-202.

117. Altman, A. Resti and A. Sironi, Analyzing and explaining default recovery rates,E. Technical report: The International Swaps and Derivatives Association (2000).