Содержание к диссертации
Введение
1. Современные методы математического моделирования и компьютерного анализа техногенно-природных рисков 14
1.1. Классификация техногенно-природных рисков 14
1.2. Анализ компьютерных методов исследования рисков в сложных техногенно-природных системах 18
1.3. Возможность применения математического аппарата искусственного интеллекта для автоматизированных процедур анализа техногенно-природных рисков 35
1.4. Формализация процедуры оценки техногенно-природных рисков с использованием когнитивных карт и нечеткой логики 44
1.5. Выводы 50
2. Метод и алгоритмы разработки когнитивных нечетко- логических моделей оценки техногенно-природных рисков 52
2.1. Метод построения когнитивных нечетко-логических моделей оценки техногенно-природных рисков при различных стратегиях управления рисками 52
2.2. Алгоритм построения динамических когнитивных нечетко-логических моделей интегральных оценок техногенно-природных рисков с учетом возможности раздельного и интегрированного влияния рисков на элементы сложных систем 70
2.3. Алгоритм принятия управленческих решений по предотвращению и снижению техногенно-природных рисков с использованием когнитивной нечетко-логической модели 75
2.4. Выводы 79
3. Комплекс программ компьютерной оценки техногенно-природных рисков с использованием когнитивной нечетко-логической модели 81
3.1. Обобщенная архитектура комплекса программ оценки техногенно-природных рисков «MRISK» 81
3.2. Информационная модель комплекса программ «MR1SK» 89
3.3. Программное обеспечение комплекса программ «MRISK» 106
3.4. Выводы 114
4. Результаты практического применения комплекса программ «MRISK» для управления техногенно-природными рисками 115
4.1. Методика применения комплекса программ «MRISK» для управления техногенно-природными рисками на этапах жизненного цикла сложных промышленных объектов 115
4.2. Разработка когнитивной нечетко-логической модели оценки техногенно-природных рисков на этапах жизненного цикла сложного промышленного объекта 120
4.3. Результаты научно-обоснованных решений по управлению техногенно-природными рисками с использованием комплекса программ «MRISK» при функционировании завода по сжиганию твердых бытовых отходов . 124
4.4. Выводы 131
Заключение 133
Список литературы
- Анализ компьютерных методов исследования рисков в сложных техногенно-природных системах
- Формализация процедуры оценки техногенно-природных рисков с использованием когнитивных карт и нечеткой логики
- Алгоритм построения динамических когнитивных нечетко-логических моделей интегральных оценок техногенно-природных рисков с учетом возможности раздельного и интегрированного влияния рисков на элементы сложных систем
- Программное обеспечение комплекса программ «MRISK»
Введение к работе
Риски в общем случае являются неизбежными, сопутствующими факторам функционирования или развития практически любой сложной системы или процесса. Концепция анализа и управление рисками представляет собой одну из основных современных концепций управления сложными системами и процессами различной природы. Использование данной концепции обосновано высокой степенью неопределенности и сложностью управляемых (разрабатываемых) систем, изменяющимися требованиями к их функционированию, и предполагает построение их математических моделей, позволяющих выявлять, оценивать, отслеживать и устранять риски до их превращения в проблемы, т.к. обычно принятие мер до превращения рисков в проблемы требует гораздо меньших ресурсов. В первую очередь это относится к техно-генно-природным системам (ТПС), для которых при управлении рисками необходимо учитывать существующую взаимовлияние, взаимообусловленность различных рисков, а также различные механизмы их воздействия.
Данное обстоятельство во многом определило большое количество фундаментальных и прикладных работ по применению методов математического моделирования для исследования рисков в сложных системах, в том числе ТПС. Под риском, как правило, понимается сочетание вероятности (возможности) события (нанесения ущерба) и его негативных последствий (тяжести этого ущерба). В ряде случаев под риском также понимают вероятность (возможность) отклонения ожидаемого результата от планируемого.
Широко известны фундаментальные труды отечественных и зарубежных учёных в области применения математических методов исследования рисков, возникающих при управлении сложными системами: Анфилатова B.C., Блекуэлла Д., Бореля Э., Буркова В.Н., Батнарина Д., Бродецкого ГЛ., Вентцель Е.С., Гиршика М.А., Губко М.В., Дрешера М., Дуброва A.M., Дю-бина Г.Н., Емельянова А.А., Зайченко Ю.П., Интрилигатора М, Катылева А.Н., Карлина С, Кини Р.Л., Конюховского П.В., Крапивина В.Ф., Кремера Н.Ш., Ларичева О.И., Мак-Кинси Дт., Моргенштерна О., Неймана Дж., Новикова Д.А., Орловского С.А., Поспеловаа Д.А., Редкозубова С.А., Саати Т., Северцева Н.А., Суздаля В.Г., Уткина Э.А., Хедми А., Юдина Д.Б.
Анализ публикаций, посвященных вопросам управления рисками в сложных системах, показывает, что важнейшим этапом данной процедуры является оценка рисков, который означает процесс систематического контроля и оценки эффективности действий, направленных на предотвращение и смягчение рисков, и идентификацию новых рисков в соответствии с принятой для этого системой предпочтений. Ключевым фактором оценки является учет эффективности мероприятий по предотвращению рисков или смягчению их последствий в сравнении с ущербом при реализации рисков.
Другой основной задачей оценки рисков является анализ показателей-индикаторов, которые могут указывать на приближение или реализацию рисков. Превышение значений индикаторов мониторинга рисков свыше установленных пределов (критериальных значений) является основанием для последующей оценки рисков и принятия мер в соответствии с принятой стратегией.
Существенной особенностью оценки рисков является то, что для его качественного осуществления предварительно должны быть решены основные задачи управления рисками: планирование управления рисками, выявление рисков, анализ приоритетности рисков, планирование мероприятий по предотвращению и снижению рисков.
В последние годы для исследования сложных систем используется построение и анализ их когнитивных моделей - когнитивных карт данных систем, представляющих собой граф, узлами (концептами) которого являются элементы или подсистемы исследуемой системы, а дуги отражают характер и силу их взаимного влияния. Проблемам построения и использования когнитивных математических моделей сложных систем посвящены работы таких отечественных и зарубежных учёных как Борисов В.В., Блишун А.Ф., Кача-ев С. Н., Корноушенко Е. К., Максимов В. И., Силов В.Б., Трахтенхерц Э,А,
Федулов А.С., Шапиро Д.И., Axelrod R., Babuska R., Baldwing J.F., Kosko В., Kumata Y., Hwang Ch.-L., Miyakoshi M., Lin M, J., Sanches E., Sung Ho. L., Wenstop F. и др. Очевидно, что указанный аппарат построения математических моделей сложных ТПС может использоваться при разработке автоматизированных систем поддержки принятия решений по управлению рисками в ТПС при реализации процедур мониторинга рисков.
Перспективным направлением решения задач оценки рисков является развитие методов формализации, анализа и моделирования показателей риска на основе их обобщения для случаев информации нестатистической природы, в том числе информации, имеющей качественный характер, характеризующейся различного рода неопределенностью, оценкой и агрегированием с помощью различных шкал. Сказанное определяет целесообразность применения при построении когнитивных моделей ТПС и СЭС, используемых на этапе исследования и оценки рисков, методов теории нечетких множеств (основоположником является Л. Заде), развитию которой посвящены научные труды Алтунина А.Е., Асаи К., Бутусова О.Б., Верескова С.К., Дорохова И.Н., Комарцовой Л.Г., Кофмаиа А., Круглова В.В., Кузьмина В.Б., Леонен-кова А.В., Мешалкина В.П., Орловского С.А., Поспелова Д.А, Регеджа Р.К., Семухина М.В., Сугэно М., Терано Т., Федорова В.В. и других отечественных и зарубежных ученых.
Вместе с тем, существующие методы когнитивного моделирования сложных ТПС не позволяют в полной мере учесть разнонаправленный характер влияния их элементов на основные характеристики рисков возникновения неблагоприятной ситуации при управлении данными системами, а также реализовать процедуру оценки рисков на основе использования динамического мониторинга индикаторов - показателей опасности и реализации риска с целью выработки комплексных упреждающих мероприятий по минимизации его последствий, что снижает эффективность указанных методов при разработке алгоритмического и программного обеспечения комплексов про грамм, используемых для информационной поддержки принятия решений по управлению ТПС
В соответствии с вышеизложенным, задача разработки методов построения когнитивных нечетко-логических моделей и комплекса программ для оценки рисков в сложных техногенно-природных системах, учитывающих сложный характер взаимосвязи элементов ТПС и позволяющих на основе анализа характеристик-индикаторов рисковых ситуаций, представленных при помощи различных шкап измерения, вырабатывать комплексные мероприятия по минимизации последствий реализации рисковых ситуаций является актуальной научной задачей, имеющей существенное значение для теории и практики математического моделирования сложных систем.
Основные разделы диссертации выполнялись в соответствии с заданиями комплексной программы социально-экономического развития Смоленской области на 2005-2008 г.г. Тема диссертации.соответствует перечню критических технологий, определенных «Основами политики РФ в области развития науки и технологии на период до 2010 г. и на дальнейшую перспективу» - «Компьютерное моделирование» и «Искусственный интеллект».
Цель работы. Разработать методы и комплекс программ для построения математических когнитивных нечетко-логических моделей ТПС, используемых для оценки и динамического мониторинга техногенно-природных рисков на основе анализа характеристик-индикаторов рисковых ситуаций, представленных при помощи различных шкал измерения, и выработки комплексных мероприятий по минимизации последствий реализации рисковых ситуаций.
Применить разработанный комплекс программ для построения математических когнитивных нечетко-логических моделей ТПС, используемых для оценки и динамического мониторинга рисков в информационных системах управления региональной природоохранной деятельностью для уменьшения вредных техногенных воздействий промышленных предприятий на окружающую среду, что на основе применения результатов моделирования рис ковых ситуаций при разработке стратегического плана развития Смоленской области будет способствовать созданию условий для перехода региона к устойчивому развитию.
Для реализации указанной цели поставлены и решены следующие задачи.
1 .Исследование особенностей рисков управления сложными ТПС, классификация и анализ современных методов исследования рисков в ТПС на основе применения математического моделирования, в том числе в случае отсутствия или неполноты статистической информации о характеристиках рисков.
2. Проведение системного анализа основных задач, решаемых на этапе оценки и мониторинга рисков, представляющего собой процесс систематического контроля и оценки эффективности действий, направленных на предотвращение рисков; обоснование показателей - индикаторов и параметров рисков, которые могут быть использованы для проведения оценки и мониторинга рисков в сложных ТПС.
3. Классификация типов неопределенности информации при управлении рисками. Выработка требований к математическим моделям оценки рисков в сложных ТПС с учетом различных типов неопределенности информации о функционировании данных систем.
5. Разработка метода построения нового типа когнитивных нечетко-логических моделей ТПС, обеспечивающих расширенные возможности для оценки и мониторинга рисков за счет формализации в рамках обобщенной модели системных факторов, опасностей возникновения рисков, самих рисков, а также мероприятий по предотвращению и/или снижению рисков.
6. Разработка метода построения динамической когнитивной нечетко-логической модели для оценки и мониторинга рисков с учетом возможного раздельного и интегрированного влияния рисков на системные концепты ТПС и СЭС.
7. Разработка алгоритма оценки и мониторинга рисков на основе предложенной когнитивной нечетко-логической модели ТПС и СЭС.
8. Разработка методики построения комплекса программ оценки рисков в сложных ТПС.
9. Практическое применение разработанных методов и комплекса программ оценки рисков для повышения эффективности управления ТПС и СЭС Смоленской области.
Методы исследования в диссертации: методы математического моделирования, управления рисками, нечетких множеств, нечеткой логики и имитационного моделирования, нейронных сетей, когнитивного моделирования.
Основные положения, выносимые на защиту.
1. Теоретико-математический аппарат реализации процедур оценки техногенно-природных рисков на основе применения когнитивных нечетко- логических моделей.
2. Метод построения нового типа когнитивных нечетко-логических моделей ТПС, обеспечивающий повышение эффективности оценки и мониторинга рисков в условиях неопределенности информации.
3. Метод построения динамических когнитивных нечетко-логических моделей для оценки и мониторинга технегенно-природжных рисков, учитывающих возможность раздельного и интегрированного влияния рисков на элементы и подсистемы ТПС.
4. Алгоритмическое обеспечение оценки и мониторинга техногенно-природных рисков на основе построения когнитивной нечетко-логической модели ТПС.
5. Методика построения, архитектура и режимы функционирования комплекса программ для оценки и мониторинга техногенно-природных рисков «MRISK».
Обоснованность научных результатов, выводов и рекомендаций, сформулированных в диссертации, определяется корректным применением методов математического моделирования, управления рисками, нечетких множеств, нечеткой логики и имитационного моделирования, нейронных сетей, когнитивного моделирования.
Достоверность теоретических разработок подтверждена вычислительными экспериментами на персональных компьютерах и реальными натурными экспериментами, согласование результатов которых позволяют сделать вывод об адекватности разработанных математических моделей.
Научная новизна работы состоит в следующем.
1. На основе результатов проведенного анализа особенностей рисков управления сложными техногенно-природными системами обоснована возрастающая роль этапов оценки и мониторинга рисков в процессе управления рисками ТПС, а также целесообразность применения в случае отсутствия или неполноты статистической информации о характеристиках рисков для построения математической модели оценки рисков аппарата когнитивного моделирования, что позволило классифицировать типы неопределенности, возникающие при оценке рисков: неопределенность в описании системы; неопределенность в результате неучета различных факторов; нечеткое задание уровней риска; нечеткое описание критериев риска, т.е. правил, по которым оценивается его значимость; нечеткое описание событий (набора обстоятельств, при которых происходит явление); неопределенность влияния рисков различных типов друг на друга.
2. Сформулированы основные задачи, решаемых на этапах оценки и мониторинга техногенно-природных рисков, представляющего собой процесс систематического контроля и оценки эффективности действий, направленных на предотвращение и смягчение рисков и идентификацию новых рисков в соответствии с принятой для этого системой предпочтений, которые в отличие от известных предполагают динамический анализ показателей-индикаторов и параметров рисков, что позволяет обобщить понятие возможности опасного события, под которым понимается степень его осуществления, оцениваемая или измеряемая в зависимости от характера этого события, особенностей доступной информации и используемых методов формализации и анализа рисков.
3. Выработаны требования к математическим моделям оценки техно-генно-природных рисков, которые в отличие от известных охватывают аспекты построения и использования нечеткой когнитивной модели мониторинга рисков; модели оценки влияния системных факторов и идентифицированных опасностей на показатели риска (модель оценки риска); модели оценки влияния мероприятий на предотвращение и/или снижение риска (модель оценки и выбора мероприятий); модели агрегирования влияния мероприятий на предотвращение и/или снижение риска, что позволяет повысить обоснованность решений по минимизации последствий реализации рисковых ситуаций.
4. Разработан метод построения нового типа когнитивных нечетко-логических моделей оценки техноногенно-природных рисков, отличающихся формализацией в рамках обобщенной модели системных факторов, опасностей возникновения рисков, самих рисков, а также мероприятий по предотвращению и/или снижению рисков, что обеспечивает повышение эффективности оценки рисков в условиях неопределенности информации.
5. Разработан метод построения динамических когнитивных нечетко-логических моделей для оценки рисков, который в отличие от известных учитывает возможность раздельного и интегрированного влияния рисков на системные концепты ТПС, что позволяет научно-обоснованно выбирать упреждающие мероприятия по предотвращению и/или снижению рисков на основе анализа информации о внешней и внутренней среде исследуемых сложных систем, представленной при помощи различных шкал измерений.
6. Предложен алгоритм оценки рисков на основе построения когнитивной нечетко-логической модели ТПС, включающий этапы построения локальных моделей агрегированного влияния предлагаемых мероприятий по предотвращению или снижению рисков, что позволяет на основе оценки их эффективности вырабатывать решения по управлению ТПС с учетом временного фактора.
7. Разработана методика построения, архитектура и режимы функционирования комплекса программ «MRISK», реализующие предложенные методы построения и использования динамических когнитивных нечетко-логических моделей для оценки рисков, которые характеризуются высокой степенью универсальности и позволяют за счёт повышения обоснованности решений по предотвращению или минимизации последствий возникновения рисковых ситуаций повысить эффективность управления природоохранной деятельностью в районах экологически опасных промышленных предприятий.
Научная значимость работы. Разработанные в диссертации методы построения когнитивные нечетко-логические модели для оценки рисков в ТПС вносят вклад в развитие методов математического моделирования сложных систем в условиях неопределенности информации.
Практическая значимость работы.
1. Разработанные в диссертации методы и алгоритмы построения когнитивные нечетко-логические модели для мониторинга рисков практически использоваться при создании ИАСППР по управлению ТПС, что позволит повысить обоснованность принимаемых управленческих решений.
2. На основе предложенных методов и алгоритмов с использованием среды визуального программирования BORLAND DELPHI 6.0 разработан комплекс программ автоматизированного построения когнитивных нечетко-логических моделей для оценки рисков «MRISK», который может практически применяться для управления природоохранной деятельностью в регионах экологически опасных промышленных предприятий.
Реализация результатов работы. Разработанный комплекс программ «MR1SK.» и научно-обоснованные рекомендации по его применению практически используются Администрацией города Смоленска в составе экологической геоинформационной системы для управления природоохранной дея тельностью, что позволяет повысить эффективность использования материально-технических и финансовых ресурсов на природоохранные мероприятия и снизить уровень негативного техногенного воздействия промышленных предприятий на окружающую среду, а также повысить обоснованность принимаемых решений по стратегическому управлению регионом.
Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на Всероссийской конференции «Современные информационные технологии в медицине и экологии» (Смоленск, 2003), Международной конференции «Системы компьютерной математики и их приложения» (Смоленск, 2006), а также на научных семинарах в РХТУ им Д.И. Менделеева и Смоленском государственном университете.
Публикации. По теме диссертации опубликовано 8 печатных работ, общим объемом 2,1 п.л.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 105 наименований, и приложений. Диссертация содержит 145 страниц, 22 рисунка и 10 таблиц.
Анализ компьютерных методов исследования рисков в сложных техногенно-природных системах
Риск является неизбежным, сопутствующим фактором функционирования или развития любой сложной системы или процесса. Для рисков характерны неожиданность, внезапность возникновения, что предполагает прогнозирование и управление рисками.
Управление рисками представляет собой одну из основных современных концепций управления сложными системами и процессами, в том числе социально-экономическими. Использование данной концепции обосновано большими размерами и сложностью управляемой (разрабатываемой) системы, неясными и изменяющимися требованиями. Это во многом субъективный процесс, в ходе которого учитываются не только количественные показатели, но и показатели, неподдающиеся формализации.
Управление рисками позволяет выявлять, оценивать, отслеживать и устранять риски до или во время их превращения в проблемы на основе реализации процедур мониторинга. После выявления риска принимаются решения о мерах, которые позволят снизить вероятность (возможность) неблагоприятного события или уменьшить его последствия в случае реализации риска. Обычно принятие соответствующих мер до превращения рисков в проблемы требует гораздо меньших ресурсов.
Под риском в данной концепции управления, как правило, понимается сочетание вероятности (возможности) события (нанесения ущерба) и его негативных последствий (тяжести этого ущерба) [18, 90]. В ряде случаев под риском также понимают вероятность (возможность) отклонения от ожидаемого результата или события [40,89]. В своей совокупности, различные виды рисков отличаются между собой по месту и времени возникновения, совокупности внешних и внутренних факторов, влияющих на их уровень и, следовательно, по способу их анализа и методам описания.
Как правило, все виды рисков взаимосвязаны, и при этом изменение значения рисков одного вида может вызывать изменение большинства остальных.
Классификация рисков представляют собой достаточно сложную проблему. Это подтверждается уже тем, что само понятие "классификации рисков" возникло одновременно с появлением понятия "риск".
Поскольку в настоящий момент практически в каждой книге, посвященной вопросам риска, приводится свой отличный от других вариант классификации рисков. В большинстве случаев выбранные критерии не позволяют охватить все множество рисков. Однако анализ литературных источников по проблемам управления рисками в социально-экономических системах позволяет выделить ряд основных классов рисков [48].
Так, на начальном этапе возможно деление рисков на риски, свойственные социально-экономическим институтам, и риски, им несвойственные.
Однако, отталкиваясь от вышеуказанных критериев, можно построить базовую классификацию рисков в зависимости от того, в какой области деятельности они проявляются. Например, формируя подобную классификацию для рисков производственного предприятия, можно выделить риски, связанные с производством (они формируют понятие производственных рисков) и риски, связанные с непроизводственной деятельностью компании.
Дальнейшее деление рисков на подгруппы позволяет выделить следующие их классы:
1. Организационные риски: в этот пункт можно включить риски, связанные с ошибками менеджмента компании, ее сотрудников; проблемами системы внутреннего контроля, плохо разработанными правилами работ и пр., то есть риски, связанные с внутренней организацией работы компании. Наилучшим примером подобного риска была "проблема 2000" , которая могла привести к значительным потерям.
2. Рыночные риски - это риски, связанные с нестабильностью экономической конъюнктуры: риск финансовых потерь из-за изменения цены товара, риск снижения спроса на продукцию, трансляционный валютный риск, риск потери ликвидности и пр.
3. Кредитные риски - риск того, что контрагент не выполнит свои обязательства в срок. Эти риски существуют как у банков (классический риск невозврата кредита), так и предприятий, имеющих дебиторскую задолженность и организаций, работающих на рынке ценных бумаг
4. Юридические риски - это риски потерь, связанных с тем, что законодательство или не было учтено вообще, или изменилось в период сделки; риск несоответствия законодательств разных стран; риск некорректно составленной документации, в результате чего контрагент в состоянии не выполнять условия договора и пр.
5. Технико-производственные риски - риск нанесения ущерба окружающей среде (экологический риск); риск возникновения аварий, пожаров, поломок; риск нарушения функционирования объекта вследствие ошибок при проектировании и монтаже, ряд строительных рисков и пр.
Как уже было сказано ранее, существующие на данный момент в теории риска подходы к классификации рисков не являются универсальными в общем смысле. Существует много подходов к классификации рисков, например, по характеру наносимого ущерба, виду источника, степени управляемости, уровню опасности, времени воздействия, частоте воздействия, способу описания и методам анализа. Рассмотрим основные из них.
Формализация процедуры оценки техногенно-природных рисков с использованием когнитивных карт и нечеткой логики
Для эффективного управления рисками на первом этапе стоит их изучение. Возможно, для различных целей понадобятся различные классификации, основанные на различных методологических принципах. Исследование риска целесообразно проводить в последовательности, представленной на рисунке 1.1.
Из рисунка видно, что первых пять этапов процедуры следования рисков можно объединить при помощи понятия «мониторинг рисков», которое более подробно будет рассмотрено ниже.
Моделирования рисков с помощью математических структур, как правило, осуществляется на основе моделирования с на основе оценки степени вероятностей и случайных величин. При этом используются такие характе 19 ристики случайной величины, как математическое ожидание, дисперсия, квантили, коэффициент вариации, линейные комбинации математического ожидания и среднего квадратического отклонения и др. [25].
Заметим, что эти характеристики следует рассматривать в непараметрической постановке, поскольку нет никаких оснований предполагать, что распределение характеристики риска входит в то или иное из известных параметрических семейств.
Перспективной представляется разработка методов описания рисков с помощью теории нечетких множеств, лингвистических переменных, качественных признаков, интервальных математических и эконометрических моделей и др.
Следующий этап - разработка методологии применения различных методов управления рисками с использованием экспертных оценок, современных методов прогнозирования, эконометрических и экономико-математических моделей с целью повышения эффективности деятельности организации в условиях риска.
Оценка риска - это оценка вероятности, точечная или интервальная, по статистическим данных или экспертная. В таком случае для управления риском задают ограничения на вероятности нежелательных событий. Иногда под уменьшением риска понимают уменьшение дисперсии случайной величины, поскольку при этом уменьшается неопределенность. В теории принятия решений риск - это плата за принятие решения, отличного от оптимального, он обычно выражается как математическое ожидание. В экономике плата измеряется обычно в денежных единицах, т.е. в виде финансового потока в условиях неопределенности.
Методы математического моделирования предлагают разнообразные методы оценки риска. Каждый из существующих в настоящее время методов анализа риска и неопределенности имеет свою область применения и свои процедуры, во много определяющие возможности метода. Все многообразие методов анализа риска при функциональном подходе разделяют на качественные и количественные (рисунок 1.2).
Историко-ассоциативные методы анализа риска и неопределенности заключаются в привлечении сведений исторического характера. В этой связи возникает вопрос о правомерности использования сведений, почерпнутых из истории.
Литературно-фантастические аналогии как методы анализа риска и неопределенности заключаются в использовании литературных источников.
В этом случае сведения, почерпнутые из литературных источников, служат основой для принятия решений и в том числе оценки риска.
Экспертные методы анализа риска и неопределенности заключаются в привлечении специалистов для высказывания суждений о проблеме и последующем сведении результатов и предложений в систему, на базе которой и делаются выводы [27,44,32]. Метод применим при решении проблемы, требующей широкого спектра знаний, различных точек зрения, где нет строгой необходимости количественных оценок. Если речь идет о вероятности наступлении рискового события Р и і-й эксперт указывает для этой вероятности число pi, то простейший способ получения обобщенной оценки состоит в вычислении средней вероятности
Алгоритм построения динамических когнитивных нечетко-логических моделей интегральных оценок техногенно-природных рисков с учетом возможности раздельного и интегрированного влияния рисков на элементы сложных систем
Рассмотренный в предыдущем параграфе способ построения нечеткой когнитивной карты для мониторинга рисков предполагает анализ нескольких независимых моделей оценки и выбора мероприятий по предотвращению/снижению рисков. Очевидно, что пи исследовании рисков в сложных социально-экономических системах различные риски могут влиять на систему не только по отдельности. Это воздействие может носить интегральный характер, например, многократно усиливая либо ослабляя это влияние.
При необходимости учета данного обстоятельства в рамках пятого этапа общей процедуры (см. параграф. 2.1) предполагается построение модели агрегирования влияния мероприятий на предотвращение и/или снижение риска.
Этап 5. Построение модели агрегирования влияния мероприятий на предотвращение и/или снижение риска.
При этом при построении данной модели необходимо учитывать следующие факторы: интегральный риск может быть представлен либо в виде явной иерархии частных рисков, либо эта иерархия может быть неявной (т.е. без семантической интерпретации риска на верхнем уровне иерархии); интегральный риск может оцениваться как при равнозначности, так и при неравнозначности частных рисков; воздействие различных рисков может быть противоречивым; при определении интегрального влияния различных рисков на системные факторы необходимо учитывать степень согласованности влияния рисков.
В данной работе предложим вариант построения модели агрегирования влияния для наиболее распространенного случая, заключающегося в том, что иерархия рисков является неявной (с учетом реализации остальных вышеперечисленных факторов).
Если бы было необходимо агрегировать результаты работы двух нечетких продукционных моделей, реализующих, например, один из известных способов логического вывода, например, Мамдани, то можно было бы использовать, например, каскадное соединение нескольких баз нечетких правил [107]. Однако этот подход неприемлем для «интеграции» результатов работы нейро-нечетких классификаторов.
Предложим модель агрегирования влияния мероприятий на предотвращение и/или снижение риска, лишенную указанного выше ограничения, процедура построения которой заключается в следующем:
Идентификация операций свертки проводится для каждой пары значений уровней частных рисков TermR и TermR . Так, для представленного на рисунке 2.7 примера необходимо выполнить идентификацию операции свертки
Формирование агрегированного влияния осуществляется на основе свертки (в соответствии с идентифицированной операцией) значений уровней частных рисков, с учетом «взвешивания» этих значений: агрегированное влияние мероприятий на предотвращение и/или снижение риска для TermR](l) и TermRi(k); TermR](l) и TermRi(k) -уровни частных рисков, полученные в результате срабатывания 1-й и 2-й моделей оценки рисков, соответственно; w,fJ и wfj, - весовые коэффициенты влияния соответствующих мероприятий (концепты AT,fv и Kfks) на предотвращение и/или снижение риска; 1,к- индексы «сработавших» концептов; ОР - идентифицированная операция свертки для TermR (/) и TermR (к), выбираемая в зависимости от степени их согласованности.
Задача согласования должна быть решена и для большего числа частных рисков. В этом случае возможно использование подхода на основе создания иерархической (каскадной) структуры моделей оценки, состоящей из модулей оценки с двумя входными и одним выходным показателем, для последовательного попарного согласования влияния частных рисков.
Другим возможным подходом для решения этой задачи является использование для идентификации операции свертки отношений с арностью большей двух (например, тернарных и др. отношений).
Программное обеспечение комплекса программ «MRISK»
Для получения данных о документе, организации, подавшей отчет, целесообразно использовать SAX-napcep, так как извлечение этих данных не требует сложных преобразований.
В процессе разработки структуры подсистемы в качестве клиентского приложения был выбран приложение обработчик, который подключается к WEB-серверу. Приложение обработчик осуществляет отображение информации и предназначен для реализации взаимодействия с пользователем. Задача приложение обработчика отображать необходимую пользователю информацию в удобном виде. Так как документы хранятся в виде XML-документов, подсистема должна иметь средства преобразования XML-отчетов в форму отчетов, которые понятны пользователю и соответствуют нормативным документам. Отчеты могут быть представлены в виде форматированных HTML-страниц, содержащих данные XML-отчетов.
Для преобразования XML-отчетов в HTML-страницы целесообразно использовать XSLT (от англ. extensible Stylesheet Language for Transformations - Расширяемый Язык Стилей для Преобразований). XSLT используется для преобразования из XML (или любого другого формата, использующего пространство имен XML) в любой другой формат, даже в простой текст.
Консорциум W3 [45] определяет три составные части языка XSL (от англ. extensible Stylesheet Language - Расширяемый Язык Стилей): XSLT, XPath (язык путей и выражений, используемый в XSLT для доступа к отдельным частям XML-документа) и XSL Formatting Objects - словарь, определяющий семантику форматирования документов.
При помощи XSLT-сценариев преобразования XML достаточно просто осуществить вывод содержимого документов пользователю, так как XSLT имеет средства обращения к атрибутам документа, позволяет использовать переменные, создавать циклы и условия обработки.
Интерфейс обеспечивает удобное взаимодействий подсистемы сбора данных с пользователем и представление документов.
Элементы интерфейса должны помочь пользователю во взаимодействии с программной подсистемой и вызове основных операций, предоставляемых подсистемой. Интерфейс ориентирован на пользователя средней профессиональной квалификации.
В качестве формата документа в ходе разработки был выбран XML как наиболее распространенный формат передачи данных. Разрабатываемое приложение проектируется как универсальная подсистема сбора произвольных статистических данных в формате XML.
В основе обеспечения безопасности данных и программ и предотвращения несанкционированного доступа к данным лежат стандартные системные механизмы защиты MS SQL Server и MS Windows:
1. Система безопасности MS SQL Server. Реализует защиту данных на уровне СУБД, обеспечивает возможность только авторизованного доступа, т.е. работать с данными может только пользователь/приложение, знающий имя пользователя и пароль.
2. Система безопасности MS Windows. Обеспечивает авторизованный доступ к программам (за счёт прав доступа файловой системы).
Настройкой и администрированием системных средств должен заниматься администратор сети / администратор СУБД.
Для резервирования данных (то есть хранения резервных копий данных и программ) предусмотрено использование стандартных механизмов: - Операционной системы - для файлов программ, для служебных файлов, файлов отчётов и т.д.; - MS SQL Server - для хранения резервных копий баз данных. - Для обеспечения высокой надежности хранения данных рекомендуется использование дисковых систем с поддержкой зеркалирования RAID.
Расписание планов резервного копирования устанавливает системный администратор или администратор базы данных.
При передаче информации не используется шифрования, поэтому программа целесообразно использовать для передачи данных, не содержащих конфиденциальной информации. Если требуется передача конфиденциальной, то целесообразно применение SSL-протокола для шифрования трафика и систему сертификатов.
В качестве программы-клиента используется приложение-обработчик, входящий в комплект операционной системы. Приложение обработчик имеет встроенные способы защиты и настройку параметров безопасности, поэтому использование программы не представляет угрозы для безопасности системы, ее использование не влияет значительно на работоспособность системы (использование оперативной памяти: около 4 Мб, ресурсов процессора в момент передачи данных: менее 20%). На основе сделанных заключений программу можно считать надежной.
Надежность хранение документов обеспечивается средствами СУБД MSSQL Server 2000. Данная СУБД считается надежным и безопасным хранилищем данных. Для высокой надежности хранения данных рекомендуется использование дисковых систем с поддержкой зеркалирования RAID и осуществлять периодическое резервирование данных. Для повышения надежности программу рекомендуется использовать в незагруженных сетях и высокой скоростью подключения к Internet.
