В. С. Симанков, Е. В. Луценко
| ↑ | Оглавление | ||
| ← | Глава 8, «Технология» | Глава 8, «Психология» | → |
Повторяющиеся с завидной периодичностью межбанковские кризисы заставили участников финансового рынка всерьез задуматься о необходимости серьезной организации социально-экономического мониторинга, а также аналитических исследований. Наиболее дальновидные банки и финансовые компании, в том числе и кубанские, начали создавать и оснащать необходимым инструментарием свои аналитические службы.
Руководители давно поняли нехитрое правило: «Хочешь заработать сто миллионов — вложи в аналитика сто тысяч» [183, 299].
Рассмотрим службу мониторинга и прогнозирования, основная цель которой — прогнозирование и выработка рекомендаций по управлению на основе централизованного сбора, обработки и анализа разноплановой информации, необходимой для принятия управленческих решений.
Для достижения этой цели служба мониторинга непрерывно ведет исследование следующих объектов управления:
Рассмотрим эти направления подробнее.
Ценовой мониторинг обеспечивает непрерывный сбор и накопление баз данных по ценам на основные товары всех секторов рынка, а также по основным финансово-экономическим показателям (факторам), влияющим на цены, что позволяет выявить и изучить зависимости между ценами на разные товары, между ценами и факторами, и на этой основе осуществлять краткосрочное и перспективное прогнозирование динамики цен.
Данная функция не дублирует ведомственный ценовой мониторинг, который уже организуется некоторыми департаментами, так как:
во-первых, акцентирует внимание на взаимосвязи динамических закономерностей цен на товары различных секторов рынка;
во-вторых, изучает влияние макроэкономических и других показателей на динамику цен;
в-третьих, держит в поле зрения лишь основные товары каждого сектора рынка, тогда как в ведомственных системах перечень товаров по соответствующему сектору рынка значительно шире;
в-четвертых, перед ведомственными службами ценового мониторинга не ставится задача сбора и обобщения информации по ценовому мониторингу различных секторов рынка в комплексе.
Существует ежеквартальная отчетность регионов края по ходу экономической реформы. Однако эта отчетность слабо стандартизирована и формализована, не накапливается в компьютерных базах данных, содержит лишь абсолютные значения экономических показателей, а не информацию об экономических событиях и их динамике. В результате автоматизированный анализ этой информации с помощью интеллектуальных методов не проводится.
Предлагаемая методология и технология обеспечивают организацию этих работ, что позволяет в соответствии с установленным регламентом:
Конечно, в каждом инвестиционном проекте дается экономическое обоснование целесообразности инвестиций в выбранном направлении. Однако данное обоснование часто страдает некоторой односторонностью, так как обычно разработчики инвестиционной программы не в состоянии учесть обобщенный опыт инвестирования в ту или иную сферу в конкретных условиях рынка Кубани, так как просто не владеют необходимой информацией. Этот обобщенный опыт может быть формализован и накоплен лишь в специально созданной и уполномоченной на получение соответствующей информации структуре. Такая структура может дать независимую комплексную (а не только экономическую) оценку каждого инвестиционного проекта, т.е. сделать по нему заключение типа: «Опыт осуществления 25 подобных проектов показывает, что такого рода проекты, как правило, (в 85% случаев) в условиях Кубани приводят к тому-то и тому-то». Это заключение может быть отрицательным даже в том случае, если его экономическое обоснование является блестящим, но... проведенным по неадаптированным западным методикам, слабо учитывающим специфику России вообще и Кубани в частности.
На основе непрерывно ведущихся баз данных по динамике цен на ценные бумаги, ставкам банковских кредитов, курсам валют и т.д. позволяет выявлять и изучать закономерности кредитно —финансового и фондового рынка, и на этой основе прогнозировать его развитие, разрабатывать обоснованные рекомендации по управлению им.
Основные цели организации мониторинга предприятий — прогнозирование целесообразности инвестирования в данное предприятие, оценка рисков его кредитования и страхования, выявление предприятий, попадающих в различные «зоны риска».
Для достижения этих целей необходимы следующие виды работ:
Классификация предприятий, например, по трем шкалам:
Организация ведения базы данных, которая содержит и накапливает в формализованном виде информацию по предприятиям, необходимую для достижения сформулированных целей.
Формирование обобщенных информационных портретов предприятий различных категорий.
Выдача характеристики на основании запроса в необходимых аспектах по любому предприятию, по которому имеется заполненный формализованный паспорт.
Предлагаемая методология и технология обеспечивает сбор и обработку данных мониторинга по тем срезам социума, которые приняты как объекты постоянного контроля и управления:
Кроме того, может быть дан психологический анализ различных типов управленческого и вспомогательного персонала, разработаны фотороботы этих типов и автоматизированные методики их идентификации.
Таким образом, предлагаемый подход позволяет решить следующие задачи:
На базе предложенной методологии и технологии может быть создана система «Фонд-прогноз», обеспечивающая анализ и прогнозирование ситуаций на фондовом рынке [268].
Данная система относится к окружению инструментальной программной системы и представляет собой программный интерфейс между биржевыми базами данных (табл. 8.1) и специально разработанным приложением базовой инструментальной системы. По экспериментальным оценкам система «Фонд-прогноз» обеспечивает прогнозирование динамики курсов валют и ценных бумаг на 1-й 2-й, 3-й, ... 30-й день от текущего дня с достоверностью около 85%.
Преобразование данных из стандартов биржевых баз данных в стандарт инструментальной системы осуществляется автоматически с помощью специально для этого созданного программного интерфейса. При этом также осуществляется преобразование первичных параметров, т.е. чисел из временных рядов, характеризующих предметную область, во вторичные параметры — характеризующие наступление тех или иных экономических ситуаций (событий). Инструментальная система выявляет взаимосвязи между прошлыми и будущими событиями, и на этой основе позволяет осуществлять прогнозирование ситуаций разрабатывать рекомендации по управлению ими. Технические решения, реализованные в данном программном интерфейсе, являются типовыми и могут быть использованы в других приложениях, где необходимо преобразование временных рядов, характеризующих динамику предметной области, в события, анализируемые инструментальной системой.
При экспериментальном исследовании на ретроспективных данных авторами были подтверждены многие сильнодействующие закономерности валютного и фондового рынка, давно известные специалистам и вписывающиеся в так называемые «фундаментальные» (т.е. содержательные аналитические модели) и «технические» (т.е. феноменологические аналитические) модели [196]. В то же время необходимо подчеркнуть, что были открыты и новые, как правило, «более слабые» специфические закономерности валютного и фондового рынка, характерные именно для ММВБ на период, отраженный в базах данных. Была также обнаружена определенная динамика этих закономерностей. Оказалось, например, что наиболее существенно на текущие состояние рынка влияют события, произошедшие неделю назад, что отражает время реакции (инерционность) системы. Обнаружилось, что система имеет период собственных колебаний, также составляющий около недели.
Подход, реализованный на базе инструментальной системы в некоторых отношениях является синтезом подходов фундаментальной и технической школ и, по мнению авторов, имеет определенную новизну. Он также технологичен и легко поддается автоматизации, как и технический подход, так как информация о событиях и причинно-следственных взаимосвязях между ними выявляется непосредственно из анализа временных рядов, характеризующих предметную область. В то же время если в техническом подходе исследуется зависимость будущего поведения какого-либо параметра от его прошлого поведения, то в предложенном подходе, как и в фундаментальном, для прогнозирования и управления используются причинно-следственные связи между событиями, выявленные на основе анализа нескольких временных рядов.
На приведенных ниже диаграммах, которые выдает система «Фонд-прогноз», приводится фактический курс $ США, а также множество точечных прогнозов и средневзвешенный прогноз динамики курса $, рассчитанный с учетом содержания и значимости точечных прогнозов. В данном приложении на каждый конкретный день получается, как минимум, 30 прогнозов, первый из которых получен «с позиции во времени», отстоящей на 30 дней назад от текущего дня, второй — на 29 дней назад и т.д.
Фрагмент карточки результатов прогнозирования, получающейся на основе данных, имеющихся на текущий день, приводится в табл. 8.12:
| Номер анкеты: 24 Наим.физ.источника: 11.01.94 Качество результата распознавания: 0.000% | |||
|---|---|---|---|
| Код | Наименование класса распознавания | Гистограмма сходств/различий | % |
| 242 | На 2-й день: РЕЗКОЕ ПОНИЖЕНИЕ курса $ (3%-5%) | 53 | _______________ |
| 241 | На 1-й день: РЕЗКОЕ ПОНИЖЕНИЕ курса $ (3%-5%) | 49 | ______________ |
| 276 | На 6-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | 34 | __________ |
| 280 | На 10-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | 30 | ________ |
| 277 | На 7-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | 23 | ______ |
| 278 | На 8-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | 21 | ______ |
| 283 | На 13-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | 20 | _____ |
| 290 | На 20-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | 19 | _____ |
| 287 | На 17-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | 18 | _____ |
| 265 | На 25-й день: РЕЗКОЕ ПОНИЖЕНИЕ курса $ (3%-5%) | -10 | __ |
| 185 | На 5-й день: СЛАБОЕ ПОНИЖЕНИЕ курса $ (0.5%-1%) | -10 | ___ |
| 298 | На 28-й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ (более 5%) | -10 | ___ |
| 184 | На 4-й день: СЛАБОЕ ПОНИЖЕНИЕ курса $ (0.5%-1%) | -11 | ___ |
| 231 | На 21-й день: ПОНИЖЕНИЕ курса $ (1%-3%) | -11 | ___ |
| 224 | На 14-й день: ПОНИЖЕНИЕ курса $ (1%-3%) | -11 | ___ |
| 154 | На 4-й день: курс $ БЕЗ ОСОБЫХ ИЗМЕНЕНИЙ (не более 0.5%) | -12 | ___ |
| 230 | На 20-й день: ПОНИЖЕНИЕ курса $ (1%-3%) | -13 | ___ |
| 221 | На 11-й день: ПОНИЖЕНИЕ курса $ (1%-3%) | -14 | ____ |
| 228 | На 18-й день: ПОНИЖЕНИЕ курса $ (1%-3%) | -15 | ____ |
Таблица 8.12 Результат идентификации информационного источника с классами распознавания
На диаграммах, которые выдает данная система, приводится фактический курс $ США, а также множество точечных прогнозов и средневзвешенный прогноз динамики курса $.
Интересно, что наилучшее совпадение средневзвешенного прогноза с фактическим курсом $ наблюдается тогда, когда разброс точечных прогнозов минимален. Это означает, что в развитии фондового рынка, как и других сложных систем, хорошо предсказуемые «детерминированные» периоды чередуются с периодами, в которых поведение рынка практически непредсказуемо и легко может пойти по любому направлению, — это своеобразные «точки бифуркации». Именно в периоды второго типа и наблюдаются такие катастрофы, как «Черный вторник» и «17 августа».
Авторы рассматривают систему окружения «Фонд-прогноз», кратко описанную в данном разделе, как пример использования предложенной методологии и технологии для анализа временных рядов, характеризующих некоторую предметную область, путем выявления в этих рядах вторичных параметров, имеющих смысл событий, а также причинно-следственных взаимосвязей между этими событиями.
Необходимо отметить, что предположения и технологии, примененные при разработке данного примера, имеют общий характер и могут быть легко обобщены и перенесены на другие предметные области.
Известны зарубежные методики оценки рисков страхования и кредитования предприятий (РСК). Однако эти методики основаны на предположении о существовании определенных экономических реалий (макро — и микро-экономических законов и закономерностей), которые в экономике переходного периода, каковой в настоящее время является экономика России, действуют слабо или вообще не имеют места. Поэтому зарубежные методики в наших условиях не должны эффективно работать.
Эффективность адаптации зарубежных методик к нашим условиям также выглядит проблематичной, так как даже если ее и осуществить, то все равно из-за высокой динамичности нашей экономики и ее законодательно-правового аспекта эти адаптированные методики достаточно быстро потеряют свою адекватность. Возникает также вопрос о том, насколько для Южно-Российского региона, имеющего свою ярко выраженную специфику, годятся методики, адаптированные для Москвы или С.Петербурга и насколько они лучше, чем, например, Кембриджские или Стэндфордские.
Как правило, технология адаптации является весьма сложной, наукоемкой и интеллектуальной, и стоит на несколько порядков дороже самих методик или вообще не поставляется ее разработчиком.
Следовательно, весьма актуальной является разработка отечественных методик и технологий, обеспечивающих как оценку РСК, так и позволяющих разработать рекомендации по управлению предприятием, которые изменяли бы эти оценки в желательном направлении (санация).
Традиционные подходы к решению проблемы: фундаментальный и технический подход (содержательные и феноменологические модели)
Существуют два основных подхода к решению сформулированной выше проблемы:
Фундаментальный подход оперирует средствами многомерного факторного анализа и содержательным аналитическим аппаратом математической экономики. Технический подход основан на статистических феноменологических моделях, отражающих внешнюю сторону явлений. Первое выглядит более обоснованным, однако наталкивается на технические трудности сбора и подготовки исходной информации. Технический подход более технологичен в плане сбора информации и ее обработки, но является более поверхностным в ее анализе и дает менее качественные прогнозы.
Предлагаемая методология и технология как синтез технического и фундаментального подхода. Общие принципы решения проблемы
В данной работе авторы предлагают методологию и технологию, сочетающие глубину, содержательность и интерпретируемость фундаментального подхода с технологичностью технического подхода. Суть этой технологии состоит в том, что, как в техническом подходе, на основе анализа временных рядов определенных параметров, характеризующих как само предприятие, так и экономическую и правовую среду, в которой оно действует, выделяется информация о событиях в этих областях. После этого, как в фундаментальном подходе, анализируются причинно-следственные взаимосвязи между событиями, и на основе этого разрабатываются прогнозы и рекомендации по управлению.
В самом общем виде принцип решения сформулированной выше проблемы с помощью инструментальной программной системы состоит в следующем:
Рассмотрим эти этапы подробнее.
Автоматизированная система позволяет обрабатывать только формализованную информацию о предметной области. Это означает, что все изучаемые явления: как уровни РСК, так и различные факторы и параметры предприятий и окружающей среды, должны быть закодированы и представлены вместе со своими кодами и наименованиями в некоторых классификаторах.
и уровней РСК
В общем случае характер взаимосвязей между РСК и параметрами предприятий является различным для предприятий различной направленности и объемов деятельности, а также могут зависеть от региона, времени изучения взаимосвязей, успешности деятельности предприятий и других их особенностей. Поэтому необходимо изучать эти взаимосвязи либо для одного какого-то конкретного типа предприятий, либо для некоторой заранее определенной совокупности типов. В любом случае предварительно необходимо разработать классификацию предприятий, для которых будут изучаться РСК.
Аналогично, параметры предприятия, потенциально влияющие на уровень РСК, также должны быть классифицированы по различным группам (типам), чтобы при дальнейшем анализе можно было определить, какая группа параметров оказывает основное влияние, какие параметры поддаются управлению на уровне ААСУ предприятия, а какие нет и т.п.
Используя методы классификации, описанные в разделе 7.7.1 данной работы, рассмотрим несколько упрощенный вариант классификации предприятий и уровней РСК (табл. 8.13).
Введем, например, три шкалы по три градации на каждой:
| Шкалы | Градации | ||
|---|---|---|---|
| Направление деятельности | Торговля | Производство | Финансы |
| Объем деятельности | Малый | Средний | Крупный |
| Уровень РСК | Низкий | Средний | Высокий |
Таблица 8.13 — Классификация предприятий и РСК
Если представить эти шкалы как оси координат некоторого фазового пространства (в нашем случае трехмерного), то, очевидно, наиболее обобщенным классам соответствуют зоны на самих осях, перечень которых приведен в табл. 8.13 (всего 3+3+3=9 классов 1-го уровня обобщения).
Кроме того, возможны всего 3 варианта сочетаний по 2 оси, соответствующие областям на координатных плоскостях:
Таким образом, в нашем примере существует всего: 9+9+9=27 сочетаний градаций, соответствующих более детализированным классам 2-го уровня обобщения.
Кроме того, существуют области в фазовом пространстве, образованные сочетаниями градаций сразу всех трех шкал. Всего существует: 3⋅3⋅3=27 таких зон, соответствующих наиболее детализированным классам 3-го уровня обобщения, возможным в нашем примере (типа: «Направление деятельности: торговля, объем деятельности: малый, уровень РСК: высокий» и т.п.).
Итак, в результате в нашем примере имеем:
Всего: 9+27+27=63 классов различных уровней обобщения.
Естественно, пользователь может исследовать только те классы, которые его интересуют, сознательно принимая решение не рассматривать остальных. Но он должен знать, что и остальные классы также в принципе могут быть сформированы и исследованы, для чего необходима классификация, общие принципы которой рассмотрены нами.
От оценки и прогнозирования — к управлению.
Не только оценка, но и прогнозирование не могут быть конечными целями проведения исследований и разработок. Весь смысл проведения работ состоит в том, чтобы на основе результатов оценок и прогнозов определить такие управляющие воздействия на объект управления, которые могли бы привести его в желаемое состояние.
Предложенная авторами инструментальная программная система позволяет выявлять взаимосвязи между управляющими воздействиями на объекты управления и результатами этих воздействий.
Это позволяет поставить и решить не только задачи идентификации (оценки) и прогнозирования, но и управления. Иначе говоря, может быть создана методика, обеспечивающая выработку рекомендаций по составу управляющих воздействий на объект, которые с учетом его состояния и пути, по которому он попал в данное состояние с большой вероятностью переведут его в другое заданное состояние.
В нашем случае эксперт — это человек, который определяет, к каким классам относится то или иное предприятие, выбранное в качестве примера, т.е. образца для формирования обобщенных образов классов и решения других задач, возникающих при разработке методики.
Для того чтобы сознательно подходить к формированию экспертного совета, необходимо понимать, что при всех прочих равных условиях, разработанная методика будет давать такие же рекомендации, как и члены экспертного совета. Другими словами, методика создается «под мнение экспертов», но это не означает, что методика субъективна, так как эксперты при принятии решений могут руководствоваться вполне объективными и верифицированными показателями работы предприятий.
Основной функцией экспертного совета является качественная оценка уровня риска страхования и кредитования предприятий обучающей выборки на основе документальной апостериорной информации (без обоснования и объяснения механизма принятия решения).
Технология, реализованная в инструментальной программной системе не требует от экспертов формирования таблиц решений, логических правил вывода (продукций) или формализации или обоснования способов принятия решений в каких-либо других формах.
Используя только решения экспертов о принадлежности конкретных объектов к классам и описания объектов на языке признаков (атрибутов, параметров), инструментальная система автоматически рассчитывает такие решающие правила, на основе которых принимает те же решения о принадлежности объектов к классам, что и эксперты.
Таким образом, в инструментальной системе автоматизирована процедура взвешивания экспертных оценок или подбора баллов, которая является одной из наиболее трудоемких и ответственных процедур, при разработке методик тестирования и прогнозирования. Эта же процедура, как правило, является и источником погрешностей, сказывающихся на качестве работы методик.
Все параметры, используемые при разработке методики оценки и прогнозирования уровня РСК, можно классифицировать различным образом, также используя описанный выше аппарат шкал и градаций.
Так, например, все параметры можно разделить на внутренние и внешние по отношению к предприятию, т.е. на параметры, характеризующие само предприятие, и параметры, характеризующие среду, в которой предприятие действует. Параметры среды в свою очередь можно классифицировать «по степени отдаленности» от предприятия (ближайшее окружение, район, город, регион, страна), а также в соответствии со структурой этой среды (экономические, правовые, законодательные, криминальные, фискальные, состояние различных сегментов рынка и т.д.).
Большое значение имеет классификация параметров на те, которые поддаются управлению со стороны заказчика методики, т.е. в какой-то степени зависят от его воли и решения, и на параметры, которые в принципе изменить невозможно, но которые изменяются сами по определенным закономерностям. Это разделение является важным прежде всего для разработки методик управления состоянием предприятия.
Очень важным является понятие о первичных и производных параметрах, хотя эта классификация, как и всякая другая, несколько условна. Первичными параметрами являются те, которые разработчики методики и ее пользователи могут установить непосредственно на объекте (предприятии), без применения каких-либо особых специальных методов. Производные параметры — это те, которые получаются из первичных с помощью специальных методов математической обработки, или/и требуют для своего получения специального технического оборудования или других специальных технологий.
Как уже упоминалось выше, в инструментальной системе имеется возможность отнести параметры к определенным структурно —функциональным уровням или категориям, перечень и наименования которых определяют разработчики методики или даже ее пользователи.
При разработке классификатора параметров рекомендуется исходить прежде всего из того, что информацию по этим параметрам необходимо будет собирать как на этапе разработки методики, так и на этапе ее эксплуатации (по крайней мере по некоторым из них). Поэтому прежде всего это должны быть параметры, по которым реально, технологично, регулярно и с разумными издержками можно получить при создании методики и можно будет получать в будущем при ее эксплуатации необходимую информацию. Как минимум, эти параметры должны быть измеримы.
Учитывая это обстоятельство, разработчики традиционно стараются с самого начала по возможности сузить, ограничить набор фиксируемых параметров. При этом им приходится решать проблему отбора наиболее существенных параметров, т.е. таких из них, которые являются наиболее ценными для успешного решения задач методики. Эта задача решается на основе содержательных представлений, имеющихся у экспертов и разработчиков, или просто в соответствии с их уровнем компетентности.
В инструментальной системе функция выбора оптимального (при заданных граничных условиях) подмножества параметров автоматизирована. Поэтому перед разработчиками методики стоит несколько необычная задача: сформировать максимально возможный набор реально измеримых параметров в целях увеличения вероятности того, что при этом не будут упущены действительно важные параметры. При этом разработчикам методики рекомендуется провести «мозговой штурм», т.е. некритически постараться сформировать максимально —возможный перечень самых неожиданных на первый взгляд параметров, обладающих единственным свойством: информация о них должна быть доступной.
Итак, при разработке классификатора параметров, которые будут использоваться при разработке методики оценки и прогнозирования уровня РСК необходимо учитывать, что для разработки методики используется один набор параметров, а в готовой методике он скорее всего будет уже другой: количественно значительно более ограниченный.
Определение: обучающая выборка — это массив паспортов предприятий, в котором каждое предприятие описано двумя векторами: вектором принадлежности к определенным классам и вектором первичных и производных параметров. Обучающая выборка используется для формирования обобщенных образов классов, определения значимости признаков (параметров), оптимизации системы признаков, формирования решающих правил и выполнения других работ, необходимых для разработки методики.
Прежде всего, разработчики методики должны определиться с перечнем предприятий, которые войдут в обучающую выборку. При этом необходимо исходить из необходимости обеспечить:
Все эти условия взаимосвязаны и обычно достигаются одновременно, но все же необходимо их различать при планировании обучающей выборки.
Затем необходимо осуществить сбор информации по выбранным предприятиям. После чего необходимо ввести собранную информацию в компьютер.
Перед сбором исходной информации необходимо разработать формализованный паспорт предприятия, который служит как для аккумулирования информации по предприятию, так и для ввода ее в компьютер.
Разработана также технология автоматизированной подготовки обучающей выборки, исключающая ручной сбор и ввод информации в компьютер. Это возможно при наличии СУБД, содержащих информацию по предприятиям. Например, может быть использована информация Торгово —промышленных палат, налоговой инспекции и других государственных структур. Тип СУБД принципиальной роли не играет, но влияет на трудоемкость создания интерфейса между этой СУБД и инструментальной системой. Такой интерфейс относится к системам окружения [196, 268, 312].
В технологии разработки методик прогнозирования имеется существенная особенность, заключающаяся в том, что обучающая выборка может состоять из сотен описаний одного и того же предприятия в различные моменты времени, когда оно находилось в различных состояниях, которые и необходимо оценивать и прогнозировать.
Основное требование к обучающей выборке: она должна быть репрезентативна по отношению к той генеральной совокупности, на подмножествах которой будет применяться методика.
Практически это означает, что каждый класс должен быть представлен по крайней мере 3, а лучше 5 или более реализациями.
Из вышесказанного очевидно, что желание заказчиков и разработчиков создать методику, различающую большое количество классов, упирается в необходимость сбора значительного объема информации обучающей выборки, количество которой растет буквально как снежный ком при увеличении количества классов. Этот вывод можно рассматривать как одно из следствий известной теоремы Котельникова «об отсчетах».
Обычно существуют объективные границы в возможностях заказчиков и разработчиков, т.е. практически невозможно увеличить объем обучающей выборки больше некоторого предела. В результате приходится так проектировать набор идентифицируемых классов, чтобы при имеющемся объеме данных в обучающей выборке выполнялось условие репрезентативности.
С проблемой обеспечения репрезентативности тесно связан вопрос о «взвешивании или ремонте данных». Под этим понимается:
Когда обучающая выборка сформирована и обеспечена ее репрезентативность, то осуществляется обучение системы.
В нашем случае этот процесс заключается в формировании обобщенных образов классов, соответствующих различным уровням РСК.
Одновременно инструментальной системой вычисляются смысловые нагрузки и ценность параметров, а также простейшие и условные процентные распределения.
Ценность параметров используется для оптимизации их системы.
Система обеспечивает автоматизированное формирование минимального по количеству и максимального по объему информации об уровне РСК набора параметров из исходного максимального набора.
Эта операция может осуществляется в соответствии с несколькими итерационными алгоритмами. Сам алгоритм и его параметры определяют разработчики методики. Они также определяют граничные условия (размерность классификатора параметров, его избыточность и т.п.)
Этот процесс требует сравнительно больших вычислительных ресурсов (мощности процессора и оперативной памяти), но осуществляется редко: только при разработке и адаптации методики.
После оптимизации система параметров значительно сокращается по количеству параметров, но при этом в ней сохраняется необходимое для качественного решения задач методики количество информации о предметной области. Сокращение количества параметров уменьшает затраты труда и времени на сбор информации по ним, на ее ввод в компьютер и обработку и т.д.
После исключения из системы параметров тех из них, которые имели низкую ценность для решения задач оценки уровня РСК и прогнозирования его развития получается методика, которую необходимо испытать на работоспособность, чтобы планировать дальнейшие работы.
Проще всего это сделать, представив системе предприятия обучающей выборки в качестве оцениваемых на уровень РСК. В инструментальной системе имеется режим, обеспечивающий копирование обучающей выборки в распознаваемую. После выполнения этой операции просто запускается процесс идентификации предприятий с классами. После идентификации измеряется интегральная и дифференциальная валидность новой методики. Система определяет для каждого предприятия, относится ли оно в действительности к тому классу, на который оно оказалось наиболее похожим по результатам идентификации. Если да, то по этому классу засчитывается верная идентификация, если нет, то ошибочная. В результате по каждому классу становится известным процент правильно идентифицированных предприятий, — это и есть дифференциальная валидность. Рассчитывается также средневзвешенная по всем классам валидность, т.е. интегральная валидность методики.
Под валидностью в данном случае понимается способность методики давать те же оценки и прогнозы, что и совет экспертов. Здесь идет речь о внутренней валидности, так как для ее определения используется обучающая выборка и экспертные оценки, зафиксированные в ней.
Возможно, по некоторым классам может оказаться низкая валидность. Это означает, что у предприятий данного класса очень высокая вариабельность по параметрам, т.е. недостаточно закономерностей в корреляциях параметров, отличающих данный класс от других. Поэтому данный класс трудно идентифицируется. По-видимому, такие классы выделять для анализа нецелесообразно и нужно либо разделить их на несколько, либо расширить систему признаков и дообучить систему, представив ей больше предприятий, относящихся к плохо идентифицируемым классам.
Однако проверка работоспособности методики на обучающей выборке является самой «мягкой». Если методика не способна идентифицировать те предприятия, которые ей были предъявлены в качестве примеров, то значит она вообще не на что не способна, т.е. она просто обязана делать это хорошо. Поэтому все же настоящей проверкой методики можно считать лишь проверку, на предприятиях не представленных в обучающей выборке.
Естественно, эта проверка будет корректной, если эти новые предприятия будут из генеральной совокупности, по отношению к которой обучающая выборка репрезентативна.
Это означает, что если выявленные на обучающей выборке взаимосвязи параметров предприятий с уровнем РСК имеют место и в генеральной совокупности, то методикой можно пользоваться для подготовки исходных данных для принятия решений.
После оценки и прогнозирования уровня РСК с применением методики осуществляется независимая экспертная оценка и определяется внешняя валидность методики.
Вопрос о том, относится ли новая выборка к той же генеральной совокупности, что и обучающая выборка, может быть решен средствами классической статистики путем проверки соответствующих статистических гипотез. Однако косвенно об этом говорит и успешность применения методики.
Условие адекватности методики — неизменность закономерностей предметной области и способов оценки уровня риска страхования и кредитования предприятия
Конечно, если независимые эксперты относятся к одной научной школе, а экспертная группа, участвующая в разработке, — к другой, то внешняя валидность методики может оказаться заниженной. Но это отражает не низкое качество методики, а расхождение в оценках экспертов. Такие расхождения могут со временем появиться у методики и с оценками «своих» экспертов, так как их способы оценки претерпевают эволюцию, а методика нет.
Очевидно также, что если со времени разработки методики изменились закономерности предметной области, или методику применяют в другом регионе с существенно другими микро и макро —экономическими реалиями, то там она будет работать плохо или вообще не будет работать.
Кстати, все это относится и к зарубежным экономическим программам, которые у нас работают почти так же, как на Луне или Марсе.
Следовательно, необходима периодическая адаптация и локализация методики как для учета динамики предметной области, так и для учета динамики ее оценок экспертами.
Инструментальная система обеспечивает эксплуатацию созданных с ее помощью методик в так называемом адаптивном режиме. Суть его заключается в том, что информация по идентифицируемым новым предприятиям после оценки и прогнозирования переписывается в обучающую выборку. Когда по ним появляются экспертные оценки, то они дозаносятся в обучающую выборку и производится переформирование обобщенных образов классов и решающих правил. Эта же операция выполняется, если изменились экспертные оценки тех предприятий обучающей выборки, которые там были с самого начала. Например, после получения информации обратной связи об успешности оценок, прогнозов и рекомендаций, полученных с применением методики.
Этим обеспечивается непрерывная адекватность методик, используемых в промышленном адаптивном режиме.
Необходимо отметить, что западные разработчики крайне редко делятся своей технологией, которая стоит на несколько порядков дороже продуктов, и стараются все творческие и наукоемкие работы концентрировать на своей территории, превращая нас в пользователей, прочно привязанных к зарубежным технологическим центрам.
Необходимо с большой осторожностью относиться к применению методик не в тех регионах, в которых они разработаны, или на предприятиях, не входящих в генеральную совокупность, представляемую обучающей выборкой. Таким образом, применение методики корректно на предприятиях, входящих в генеральную совокупность, по отношению к которой обучающая выборка репрезентативна.
Но методики, созданные на базе предлагаемой методологии и технологии с применением инструментальной системы могут быть адаптированы и локализованы к своим регионам практически самими пользователями, если они начнут их экспериментальную эксплуатацию в адаптивном режиме и будут периодически измерять внутреннюю валидность. Когда она достигнет приемлемого уровня, можно стандартизировать методику и перевести ее в опытную эксплуатацию, а при достижении приемлемого уровня и внешней валидности — и в промышленную эксплуатацию.
Новые предприятия расширяют базу принятия решений методики, и, увеличивая объем обучающей выборки, могут привести и к расширению представляемой ей генеральной совокупности.
Инструментальная система обладает высокой степенью адаптивности, которая обеспечивается на нескольких уровнях адаптивности:
Когда обобщенные образы классов, в том числе уровней РСК, сформированы, система позволяет вывести их на дисплей и печать в виде текстовых и графических форм.
Всего в системе формируется 50 видов тестовых форм и 50 видов двухмерных и трехмерных цветных графических форм. Это позволяет получить развернутую характеристику различных уровней РСК, выявить, какими факторами они обусловлены для различных типов предприятий.
Инструментальная система позволяет сравнивать обобщенные образы классов, оценивать их сходство и различие, формировать группы наиболее похожих классов (кластеров) и системы наиболее непохожих кластеров (конструктов).
Кластеры и конструкты выводятся в форме текстовых и графических форм.
Система обеспечивает не только определение и констатацию той или иной степени сходства или различия классов, но и раскрывает причины этого сходства или различия в виде текстовых и наглядных графических форм.
Кроме того система обеспечивает формирование и вывод текстовых и графических форм, дающих смысловую характеристику параметров, показывающих степень их сходства и различия по смыслу и причины этого сходства или различия.
Для успешного выполнения работ по разработке, применению и развитию методики необходимо создание специальной инфраструктуры, предназначенной для этой цели и соответствующих видов обеспечения: правового, организационного, кадрового, технического, информационного, программного и др.
Предложенная в данной работе технология позволяет разрабатывать:
Из вышесказанного может возникнуть впечатление, что предлагаемая методика не имеет слабых мест, но объективности ради необходимо признать, что, к сожалению, это не так.
По мнению авторов, основным недостатком предлагаемого подхода является необходимость предоставления системе большого количества различных примеров, статистически значимо представляющих все многообразие анализируемых ситуаций (в нашем случае — различных видов предприятий с различными уровнями РСК). В действительности сбор соответствующей информации (а также в меньшей степени ее формализация и ввод в компьютер) является достаточно трудоемким и возможен на базе организаций, обладающих подобной информацией: например, таких как торгово-промышленная палата, регистрационная палата, налоговые и правоохранительные органы, администрация и т.п.
| ↑ | Оглавление | ||
| ← | Глава 8, «Технология» | Глава 8, «Психология» | → |
© Виктор Сафронов, 2006–2017
Пользовательское соглашение | RSS | Поддержать проект | Благодарности