Содержание к диссертации
Введение
Глава 1 Интеллектуальные советующие системы принятия управленческих решений 10
1.1 Концепции, принципы и парадигмы разработки управленческих решений 14
1.2 Экспертные системы экономической ориентации 17
1.2.1 Классификация, состав и функции экономических советующих систем 17
1.2.2 Технология создания советующих систем экономической ориентации 22
1.2.3 Информационная система финансов 24
1.3 Автоматизация поддержки управленческих решений 29
1.3.1 Концепция автоматизации поддержки принятия управленческих решений 33
1.3.2 Типы управленческих решений и формы их поддержки 36
1. 3.3 Системы поддержки принятия управленческих решений 41
1.4 Человеческий аспект в системе управления 42
1. 4.1 Роли менеджеров и информационные системы в управлении 42
1.4.2 Целесообразность использования информационных технологий управлении 44
1.4.3 Технология получения и структурирование знаний для экспертных систем 46
Выводы по главе 1 50
Глава 2 Технология выработки управленческих решений в условиях неопределенности будущей ситуации 51
2.1 Задачи обоснования управленческих решений в условиях неопределенности будущей ситуации 52
2.2 Составляющие и источники рисков в управлении 57
2.3 Прогнозирование экономического состояния предприятия 61
2.3.1 Управление финансовой деятельностью предприятия 61
2.3.2 Прогнозирование в структурах управления финансами предприятия 73
2.3.3 Логико-лингвистическое прогнозирование 81
2.4 Причинная модель прогнозирования 87
2.4.1 Тактика лингвистического прогнозирования 88
2.4.2 Свойства причинной модели 94
2.4.3 Реализация причинной модели 99
Выводы по главе 2 103
Глава 3 Разработка системы поддержки управленческой деятельности 104
3.1 Системы поддержки принятия решений 104
3.1.1 Обзор популярных систем 104
3.1.2 Обоснование разработки новой системы 113
3.2 Формализация прогнозирующего текста для причинной модели 119
3.2.1 Конкретизация понятий и определение структуры прогнозирующего текста 119
3.2.2 Построение лингвистических переменных причинной модели прогнозирования погашения дебиторской задолженности 130
3.3 Разработка структуры базы данных и пользовательского интерфейса 138
3.4 Разработка системы поддержки принятия решений 146
Выводы по главе 3 151
Заключение 152
Список использованных источников 154
- Классификация, состав и функции экономических советующих систем
- Составляющие и источники рисков в управлении
- Обзор популярных систем
- Построение лингвистических переменных причинной модели прогнозирования погашения дебиторской задолженности
Введение к работе
з
Актуальность темы обусловлена тем, что экономическая устойчивость является основным фактором существования и развития любого предприятия (компании). Задачи принятия решения постоянно возникают при управлении финансами предприятия (компании). При принятии решения всегда существует проблема выбора и учета наиболее существенного и не учета второстепенного. Тем самым человек проводит интуитивное сравнивание различных вариантов решения. Условия избытка информации, превышающего границы познания человека, определяют самое актуальное требование в области принятия решений - предоставление человеку средств помощи для оценки вариантов решений и сжатого представления сущности проблемы.
Переход к рыночной экономике в России привел многие предприятия в состояние, близкое к банкротству. Так, например в 1996 г. в арбитражные суды поступило 3740 заявлений о признании должников банкротами, в 1997 г. - 5687, а в 1998 г. - 12781. По данным статистики в 2000 г. было ликвидировано более 1800 предприятий России.
В этих условиях необходимо научиться своевременно распознавать ненадежных партнеров, объективно оценивать ситуацию, отличая временные проблемы с ликвидностью от полной неплатежеспособности. Необходимо объективно оценивать положение дел у существующего или потенциального контрагента и принимать решение о путях дальнейшего взаимодействия с ним.
Эта проблема актуальна для ГПС МЧС России, так как в соответствии со статьей 24 Федерального закона № 69-ФЗ от 21 декабря 1994 г. «О пожарной безопасности», ГПС предоставлено право оказывать предприятиям и гражданам услуги в области пожарной безопасности, а также организовывать по договорам охрану от пожаров предприятий или их по-жарно-профилактическое обслуживание. При этом, средства, получаемые от хозяйственной деятельности и платных услуг, оказываемых ГПС, определены в качестве одного из источников финансового обеспечения
деятельности ГПС.
В частности, платная деятельность Санкт-Петербургского института ГПС МЧС России осуществляется путем предоставления платных образовательных услуг, выполнения проектно-конструкторских и других работ, проведения экспертиз, испытаний, подготовки соискателей ученых степеней, подготовки и проведения конференций и семинаров, предоставления юридических, спортивных, медицинских и других услуг, а также научной, исследовательской, издательской и полиграфической деятельности.
Обычно заключается договор (контракт) с заказчиком, в котором предусмотрены: характер оказываемых услуг (предмет договора), срок исполнения, размер и условия оплаты предоставляемых услуг, ответственность сторон и иные условия. Согласно заключаемым договорам, заказчики должны перечислять денежные средства в ГПС МЧС России, однако не все выполняют это условие. Здесь возникает вопрос о возможности предотвращения неоправданной дебиторской задолженности, которая так же может возникать в результате нарушения расчетной и финансовой дисциплины, имеющихся недостатков в ведении учета, ослабления контроля за отпуском материальных ценностей, что, естественно, отражается на экономическом состоянии (стабильности функционирования) объекта. Так как ни решения Арбитражного суда, ни обращения к главам администраций, на территории которых находятся предприятия-должники, ни письма с требованиями погасить задолженность обычно не дают должного эффекта, подобные ситуации необходимо прогнозировать и своевременно предотвращать.
При анализе движения денежных средств большую часть показателей достаточно трудно спрогнозировать с необходимой точностью Поэтому прогнозирование денежного потока, как правило, сводят к построению бюджетов денежных средств в планируемом периоде. Опыт показывпает, что этого недостаточно. Более последовательный учет особенностей экономического состояния партнеров, рынка финансов и политических
5 рисков возможен на основе использования методов лингвистического прогнозирования, что позволит повысить надежность прогноза и, следовательно, повысить эффективность работы конкретной компании и обеспечить ее экономическую устойчивость. Такой прогноз формируется на основе имеющейся информации в режиме реального времени при непосредственном участии менеджера Известные методы мало учитывают человеческий фактор и его активное влияние на процесс управления.
Вместе с тем, попыток решить проблему оценки экономического состояния предприятия на основе лингвистического прогнозирования с использованием причинной модели пока немного. В отечественной литературе данное направление исследования остается малоизученным. Необходимость совершенствования моделей и алгоритмов управления свидетельствует об актуальности выбранной темы.
Цель исследования - совершенствование методического обеспечения оптимального прогнозирования экономического состояния предприятия.
Объект исследования - методы и системы прогнозирования экономического состояния предприятия.
Предмет исследования - алгоритмы принятия управленческих решений и методы прогнозирования экономического состояния предприятия в условиях неопределенности будущей ситуации и нечетких экспертных оценок.
Научные задачи включают:
анализ существующей практики функционирования предприятий и финансовых потоков;
разработку модели прогнозирования в условиях неопределенности будущей ситуации;
создание алгоритма и подсистемы принятия управленческих решений, направленных на повышение экономического состояния подразделений ГПС МЧС России.
Научная новизна результатов исследования представлена:
причинной моделью прогнозирования в виде прогнозирующего текста, каждое предложение которого является предложением на естественном языке с придаточным обстоятельством причины;
экспертной технологией прогнозирования для прямой лингвистической реализации прогнозирующего текста средствами совместного использования идей исчисления предикатов и теории нечетких множеств, допускающих наличие нечеткого предиката и присутствие малодостоверности;
алгоритмом прогнозирования для прямой лингвистической реализации прогнозирующего текста формальными средствами языка, допускающего присутствие малодостоверности и развитие прогнозирования в реальном времени;
системой поддержки управленческой деятельности для прогнозирования экономического состояния предприятия в условиях неопределенности будущей ситуации, включающую структуры базы знаний и базы данных, подсистему для работы с ними, блоки приобретения знаний, логического вывода и объяснений, структуру пользовательского интерфейса.
Методы исследования, примененные для решения указанных научных задач: теории информации и управления; методы логико-лингвистического и математического моделирования, экспертного анализа; теории моделирования экономических, социальных систем, нечеткой логики и вероятностей, проектирования баз данных и разработки программного обеспечения, искусственного интеллекта.
На защиту вынесены следующие результаты диссертационного исследования:
Причинная модель лингвистического прогнозирования, основанная на совместном использовании идей исчисления предикатов и теории нечетких множеств.
Экспертная технология прогнозирования для прямой лингвистической реализации прогнозирующего текста.
Алгоритм для программного модуля прогнозирования и принятия решений.
Система поддержки управленческой деятельности.
Научно-практическая ценность результатов исследования.
логико-лингвистическая модель управления экономической устойчивостью предприятия позволяет наиболее полно отразить объект управления (финансовые отношения ГПС с клиентами) по сравнению с известными моделями;
алгоритм логико-лингвистического прогнозирования позволяет давать прогноз на будущее, предупреждая критические ситуации и строить советующие фразы на естественном языке, доступном для менеджеров средней квалификации;
система поддержки управленческой деятельности предоставляет возможность анализа динамики развития отношений с заказчиками и выбора рациональной политики управления в финансовых структурах МЧС России и других организациях.
Результаты работы реализованы в Санкт-Петербургском институте ГПС МЧС РФ, ФГУП «Главное управление ведомственной охраны» при контроле взаимодействия с технически сложными ядерно- и радиационно-опасными объектами судостроительной отрасли, Санкт-Петербургском государственном морском техническом университете и ДФГУП «Гипро-рыбфлот-Экос».
Апробация научных результатов осуществлена на научно-практических конференциях:
всероссийская научная конференция «Управление и информационные технологии». УИТ-2003 (3-4 апреля). Санкт-Петербург, 2003;
международная конференция по мягким вычислениям и измерениям. SCM-2003 (25-27 июня). Санкт-Петербург, 2003;
международная конференция по мягким вычислениям и измерениям. SCM-2004 (17-19 июня). Санкт-Петербург, 2004.
Публикации по теме диссертации включают 14 печатных работ.
s Структура и объем работы. Диссертация состоит из введения, трех глав, заключения и списка использованной литературы (116 источников), содержит 16 таблиц и 34 рисунка.
Классификация, состав и функции экономических советующих систем
Экономические советующие системы (ЭСС) относятся к одному из направлений, разрабатываемых в рамках искусственного интеллекта [17, 18].
В процессе создания искусственных интеллектуальных систем используется множество информационных технологий, призванных помочь в деле управления обществом, производством, торговлей, кредитной и финансовой сферами и т.д. Наиболее популярными технологиями являются: экспертные системы [19], советующие системы, системы поддержки принятия решений, системы исполнения решений, интеллектуальные системы [20, 21]. Общей чертой этих технологий можно назвать то, что все они в различной форме используют знания человека-эксперта.
Если выделить среди них технологии, ориентированные на решение экономических задач, то полученный класс систем можно назвать ЭСС. Далее под ЭСС будет пониматься любой программный продукт, отражающий экономические знания специалиста-профессионала, его навыки и опыт, используемые в процессе выдачи пользователю совета-решения.
Описанные фундаментальные направления в развитии методов (принципов) представления знаний позволяют классифицировать известные сегодня информационные технологии, реализующие ЭСС, по способу отражения знаний - рис. 1.2 [17].
Принципиальным отличием ЭСС следует считать их способность воспроизводить и манипулировать обрывочными, неточными и противоречивыми знаниями. Они должны выполнять рассуждения не только на основе формальной (математической) логики, сколько на основе логики приближенной к человеческой (лингвистической).
ЭСС, составляющие первый класс, отражают статически осознанные умственные действия человека. Отражение осуществляется либо с помощью экспертов с помощью конструкций ЕСЛИ-ТО [9].
Второй подкласс «экспертные системы приближенных рассуждений» предназначены не для поиска путей достижения главной цели, а оценки гипотез появления тех или иных событий. В основе их создания лежат не деревья целей, а деревья вывода И-ИЛИ.
ЭСС подкласса «экспертные системы приближенных рассуждений» имеют устоявшееся название и известны как экспертные. Они являются самыми распространенными в практике экономического оценивания состояния дел.
Применение жестких правил обработки знаний возможно в тех областях, где удается установить детерминированные или стохастические зависимости между объектами и их свойствами. Довольно часто связи такого рода описать или невозможно, или затруднительно. Распространенность подобной ситуации потребовала создания иного класса ЭСС, характерной чертой которых является способность манипулирования зависимостями. правильность которых сомнительна.
Интерес к таким системам объясняется несколькими причинами:
- существует множество задач, алгоритмы решения которых неизвестны; ряд задач манипулирует исключительно обрывочной, неполной, зашумленной информацией, представляющей качественную характеристику объектов или их состояний;
- тиражирование знаний экспертов высокого профессионального уровня является достаточно выгодным с экономической точки зрения.
Системы, созданные в качестве средства борьбы с перечисленными трудностями, стали называться экспертными, составляющими значительную часть ЭСС. В отличие от ЭСС расчетного характера в экспертных системах (ЭС) приближенных рассуждений цели не формулируются. Они заменяются на гипотезы, доказательство которых базируется на правилах, оцениваемых с точки зрения достоверности. Правила в свою очередь манипулируют неточными данными. Неопределенность, возникающая в результате полученного от ЭС совета-решения, оценивается в заранее установленном диапазоне.
Типичный состав ЭС приближенных рассуждений представлен на рис. 1.5.
База знаний в такого рода ЭС состоит из двух частей: базы правил и базы фактов. База правил представляется деревом И-ИЛИ. База фактов отражает знания о предметной области в форме семантической сети. В узлах семантической сети находятся имена объектов, состояний или процессов, а дуги между узлами указывают на существующие между ними связи (отношения).
Блок логического вывода реализуется на основе логического программирования. Механизм вывода базируется на поиске требуемой принимающего решения. Например, расчетные ЭСС характеризуются четко поставленными целями, вполне определенными алгоритмами их достижения, значительным объемом расчетных процедур. База знаний для них отражается в форме дерева целей, синтезированных с графом показателей.
Системы, ориентированные на приближенные рассуждения, наоборот, характеризуются размытостью целей, называемых гипотезами, нечеткими алгоритмами (мягкими вычислениями), и незначительным объемом исходных данных. База знаний таких систем содержит деревья вывода (деревья И-ИЛИ) и базу фактов, представляемых обычно в форме семантической сети.
Системы эволюционного моделирования создаются с целью быстрой адаптации к изменяющейся внешней среде путем самопрограммирования. Однако это вторичная цель, главная же цель лица, принимающего решение, характеризуется ясностью, хотя пути ее достижения в смысле алгоритмизации или формализации неизвестны. Именно тогда, когда неизвестны ни принципы решения задач, ни правила, ни формулы, ни алгоритмы, создаются ЭСС эволюционного моделирования.
База знаний подобного рода систем существует в форме синаптической матрицы, в которой отражаются зависимости между моделируемыми объектами или процессами. Характерной чертой таких ЭСС является минимальный объем обрабатываемых исходных данных после того, как сеть обучена и прошла тестирование.
В настоящее время существует множество технологий создания информационных систем различного класса. Основными среди них являются структурно-ориентированный и объектно-ориентированный подходы, поддерживаемые мощными программными средствами. Такие технологии предназначены для создания больших информационных систем, являются, как правило, дорогостоящими и требуют значительных затрат времени на разработку и внедрение.
Системы советующего характера - это локальные системы, которые не требуют серьезных средств для своего создания, ибо обычно пользуются информационной поддержкой уже действующей на предприятии информационной системой. Поэтому можно воспользоваться технологией, специально созданной для разработки советующих систем экономического профиля, ориентированной на программные оболочки. Технология представляет собой связанную цепь процедур (операций), а также систему правил, регламентирующую выполнение этих процедур.
Информационная технология - связанная согласно правилам цепь процедур (операций), обеспечивающих информационное сопровождение процессов управления с помощью ЭВМ и средств коммуникации.
Можно выделить три вида информационных технологий: предметная, обеспечивающая и функциональная.
Предметная технология - это последовательность каких-либо процедур (действий), выполняемых с целью обработки информации без привлечения вычислительной техники.
Обеспечивающая информационная технология (ОИТ) представляет собой программные средства, ориентированные на некоторый класс задач, но не снабженные конкретными технологическими правилами их решения. Это, как правило, программные оболочки, пустые, но снабженные правилами их заполнения.
Функциональная информационная технология - это обеспечивающая технология, наполненная правилами из предметной технологии и данными из предметной области.
Составляющие и источники рисков в управлении
Рискуют всегда конкретные люди. Одних заставляют рисковать их амбиции, стремление к лидерству, честолюбие или авантюризм. Других толкает на риск профессия, их социальный и общественный статус. Любая организация, чтобы добиться высокой эффективности функционирования, действует в соответствии с принципом разделения труда. В таком случае одни отдают распоряжения и несут ответственность за их последствия, другие с той или иной степенью успешности выполняют конкретные поручения. Другими словами, и одни и другие рискуют, но по-своему. В то же время разделение труда предполагает, в первую очередь, делегирование определенных полномочий и свободы принятия решений членам организации. И здесь кроется определенная ловушка для организации: индивидуальный риск отдельного субъекта становится ее риском. Кроме того, следует иметь в виду, что на различных должностях, для разных статусов субъектов уровни риска могут существенно различаться, однако сказать, кто или что является «главным источником риска» подчас далеко непросто. Поэтому ответы на вопросы об источниках и составляющих риска, несомненно, помогут грамотному управленцу принять верное решение и о расстановке кадров, и о том, какими полномочиями их наделить и каких рискованных последствий от деятельности подчиненных следует ждать [15].
В наибольшей степени определяют риск в проблемной ситуации, выделены две главные составляющие риска: индивидуальный и ситуационный.
Индивидуальный риск обусловлен исключительно самим субъектом, принимающим решения и проводящим операцию. В то же время человек как часть общества, организации действует в соответствии со своей профессией и занимаемой должностью, вступает в деловые контакты, отдает распоряжения и исполняет чужие решения. Все это определяют его общественная роль, социальный статус.
К ситуационной составляющей риска отнесем все, что непосредственно не зависит от рискующего индивида, а составляет операциональный контекст. Ясно, что практически в любой операции ЛПР испытывает ряд затруднений из-за того, что ему не хватает или времени, или ресурсов, или информации для принятия решений и проведения операции. Кроме того, интересы и действия других лиц, втянутых в операцию ЛПР, возможно, даже против их воли, могут существенно повлиять на качество исхода операции, а иногда даже привести к срыву операции ЛПР.
Наконец, риск возникает при принятии ЛПР решений без учета того, какой уровень потребностей других лиц эти решения затрагивают. Например, большинство решений человека, связанных с удовлетворением ею личных потребностей, обеспечением необходимой защиты и безопасности, биологическим выживанием заставляют его подчас жестоко рисковать. Решение указанных «бытовых» проблем довлеет над психикой человека, делает его эгоистичным, заставляет проявлять невиданную склонность к риску. А раз это так, то ЛПР следует помнить, что чем более низкий уровень потребностей субъекта затрагивает деятельность ЛПР, тем более решительно будет действовать этот субъект ради удовлетворения своих потребностей. Другими словами, если ЛПР не хочет сознательно повышать ситуационный риск, ему не следует без необходимости своими действиями затрагивать первичные потребности и интересы других людей. И еще. Чем сильнее у субъекта агрессивные установки и потребность в доминировании, тем более высокий уровень риска он допускает. Важно также знать, что, как правило, решения, принимаемые коллегиально, оказываются более рискованными, чем принимаемые индивидуально, а решения, последствия которых проявляются спустя значительное время, также обычно более рискованные, чем решения, чьи последствия проявятся почти мгновенно или с небольшой задержкой после их реализации.
Также нерешительность чаще всего проявляется и имеет наиболее тягостные последствия во время принятия решений стратегического характера на уровне «Высшего руководства». Нерешительность возникает на любом уровне, когда у ЛПР есть трудности в оценке полезности альтернатив или когда оценки полезности близки по величине.
К сожалению, знание этих закономерностей отнюдь не означает, что ЛПР может успешно им воспользоваться. Руководители разного уровня часто ошибочно полагают, что если некая организационная структура или некий род деятельности прекрасно «работают» на бумаге, то они также хорошо будут работать и в жизни. Это далеко не так. Прежде всего он должен подбирать людей на должности так, чтобы было как можно большее соответствие их личной склонности к риску и тем уровнем риска, который эта должность допускает. Нужно обучать будущих исполнителей знаниям и умениям по занимаемой должности. Но при этом постоянно помнить, как сказал Монтень, что можно передать знания и опыт, но нельзя передать умения воспользоваться ими. Поэтому нужно готовить исполнителей так, чтобы они постепенно приобрели такое умение - воспользоваться в нужный момент приобретенными знаниями. А это возможно, только если обучение и тренировки не будут идти по шаблону.
Для снижения уровня риска ЛПР должно конкретно ставить исполнителям задачу и одновременно сообщать им четкие критерия достижения цели, предоставлять исполнителям необходимую свободу принятия локальных решений в рамках конкретных обстоятельств. В целях снижения уровней риска ЛПР обязано постоянно лично координировать работу исполнителей и побуждать их выполнять ее как можно более качественно. Короче говоря, ЛПР должно руководить. Руководство должно быть непрерывным.
Таким образом, для обеспечения необходимого соответствия между возможным и допустимым уровнями индивидуального риска в операции, обеспечения наименьшего уровня ситуационного риска ЛПР следует хорошо знать составляющие риска в операции и особенности проявления тех или иных из них.
Обзор популярных систем
Программы, предназначенные для прогнозирования, можно разделить на две категории: универсальные и предназначенные для определённой задачи. Универсальные программы, как правило, представляют собой среду программирования, ориентированную на решение разных математических задач и предоставляющую для этого различные средства. Программы, предназначенные для решения одной (или нескольких) задач имеют пользовательский интерфейс, ориентированный именно на эти задачи, оформленный с использованием терминов бизнес-задачи, а не математики. Универсальные программы, безусловно, мощнее и способны выполнять более сложные задачи, но это преимущество полностью нивелируется их сложностью - они предназначены для математиков-разработчиков, а не для менеджеров. К первому типу относятся такие программы как SPSS, Statistica, Maple. Ко второму - Predictor, Project Expert, Бизнес-Прогноз, Банковский аналитик. В принципе, есть и некий «средний» класс - который решает узкий круг проблем, но при этом ориентирован на математически образованных людей - к такому роду программ можно отнести Forecast Expert.
Рассмотрим подробнее программы универсального типа. Программа SPSS - это один из признанных лидеров рынка программ прогнозирования и статистического анализа [97]. SPSS - это всеобъемлющая и гибкая система статистического анализа и управления данными. При использовании SPSS доступны многие виды анализа, имеется возможность анализировать огромные файлы данных с тысячами переменных. SPSS предоставляет стандартный для такого рода программ пользовательский интерфейс. Нельзя сказать, чтобы он был простым, однако и запутанным он не является. В дополнение к диалоговому (основному) интерфейсу для статистического анализа SPSS предоставляет: редактор данных и таблично-ориентированный редактор для определения, ввода, редактирования и отображения данных, редактор графиков. Так же в стандартном наборе инструментов системы имеется возможность построения различных графиков.
Как в большинстве такого рода программ в SPSS есть свой язык программирования. К сожалению, это не один из стандартных встроенных языков (таких, как VBA или еС++), а собственная разработка, что несколько усложняет работу со средой.
Ещё один из лидеров рынка, Statistica - это универсальная интегрированная система, предназначенная для статистического анализа и визуализации данных, управления базами данных и разработки пользовательских приложений, содержащая широкий набор процедур анализа для применения в научных исследованиях, технике, бизнесе, а также специальные методы добычи данных [98, 99].
Помимо общих статистических и графических средств в системе имеются специализированные модули, например, для проведения социологических или биомедицинских исследований, решения технических и, что очень важно, промышленных задач: карты контроля качества, аналіи процессов и планирование эксперимента.
В основном, возможности Statistica и её пользовательский интерфейс очень похожи на SPSS - тот же табличный интерфейс, практически тот же способ задания данных для анализа, практически тот же математический аппарат. Можно только отметить, что субъективно интерфейс программы выглядит более современно (но не дружественным), чем у SPSS, также остаётся впечатление, что в стандартной поставке Statistica, по сравнению с SPSS, имеется большее количество различных графопостроителей.
Ещё одним плюсом Statistica является то, что в качестве встроенного языка программирования фактически используется стандарт в отрасли - VBA.
Statistica Visual Basic (SVB) - это язык программирования. интегрированный в Statistica. Сложные процедуры анализа и графический вывод результатов можно записать как макрос Visual Basic для дальнейшего многократного использования и редактирования.
Об интерфейсе (и, как следствие, о квалификации пользователя) Statistica можно сказать практически всё то же самое, что об SPSS, если бы не одно отличие - а именно то, что SVB предоставляет полный набор средств для построения своего пользовательского интерфейса. Используя SVB, можно написать практически полноценное Windows-приложение, которому будет доступна вся мощь математического аппарата Statistica. Минусы такого решения, прежде всего, в неудобности распространения (необходимо везде устанавливать Statistica). кроме того, не вполне очевидна надёжность такого решения.
Maple - программа, созданная исследовательской группой The Symbolic Computation Group отделения вычислительной техники университета города Ватерлоо (Канада) [100]. Язык Maple - это функции и команды сравнительно небольшого по объему, но быстрого ядра, написанного на языке Си, основной библиотеки, содержащей около 500 команд и функций, написанных уже на собственном языке Maple, и большого количества специализированных библиотек, также написанных на собственном языке Maple и расширяющих «способности» Maple в различных областях математики. К настоящему времени программа Maple превратилась в мощную вычислительную систему, предназначенную для выполнения сложных проектов. Maple умеет:
- производить сложные алгебраические преобразования и упрощения над полем комплексных чисел;
- находить конечные и бесконечные суммы, произведения, пределы и интегралы;
- находить все корни многочленов;
- решать аналитически и численно алгебраические (в том числе трансцендентные) системы уравнений и неравенств, а также системы обыкновенных дифференциальных уравнений и
- решать некоторые классы уравнений в частных производных.
Maple является самой специфической из рассмотренных универсальных программ. Её интерфейс - это приглашение командной строки, типа MS DOS или UNIX. Все команды вводятся в текстовом виде посредством этого приглашения - у данной программы практически отсутствует меню. Хорош этот подход или плох - вопрос спорный и не имеющий однозначного ответа (бесконечные войны Windows Explorer и Linux Shell - лишнее тому подтверждение).
Как уже говорилась, Maple имеет встроенный язык программирования. Он нестандартный и практически ни на что не похожий (по внешнему виду -странная смесь Pascal и SQL), что едва ли можно назвать достоинством. Кроме того, данный язык (как и в случае с SPSS) не предоставляет практически никаких средств для реализации пользовательского интерфейса, поэтому использование Maple при создании приложения для конечного пользователя практически невозможно.
Далее рассмотрим программы предназначенные для решения узкого круга проблем рассмотрим Predictor, «Бизнес-прогноз» и Forecast Expert (все они являются российскими разработками).
Основное назначение Predictor [101] - прогнозирование спроса, объемов продаж, цен и других рыночных показателей на основе накопленных статистических данных о фирме, конкурентах, состоянии рынка.
Программный модуль Predictor успешно применяется для решения задач как оперативного, так и стратегического планирования и сочетает в себе самые современные математические методы прогнозирования с легкостью их применения.
Функциональные возможности:
- анализ «ЧТО-ЕСЛИ», то есть моделирование рыночной ситуации;
- оптимизация (например, оптимизация ценообразования для достижения определенной прибыли в конкретный временной период);
- прогнозирование одного или нескольких показателей на основании взаимосвязанных рядов данных (метод многоканальной авторегрессии);
- анализ влияния показателей друг на друга и временной задержки этого влияния (корреляции и лаги);
- анализ сезонных колебаний;
- ретропрогноз (сначала прогнозирование для уже существующих значений, при неудовлетворительном качестве прогноза меняются параметры и прогнозирование повторяется);
- несколько различных методов прогноза (регрессия, многоканальная авторегрессия, выделение тренда).
Построение лингвистических переменных причинной модели прогнозирования погашения дебиторской задолженности
Реализация прогнозирования погашения дебиторской задолженности на основании причинной модели предполагает формализацию, построенного заранее прогнозирующего текста [107]. Основным этапом такой формализации является построение лингвистических переменных.
Лингвистическая переменная. Согласно [94] лингвистическая переменная, как формальный объект, должна содержать:
- название самой переменной;
- терм-множество (Г), то есть совокупность ее лингвистических значений универсальное множество;
- синтаксическое правило, порождающее термы терм-множества;
- семантическое правило, моторое каждому лингвистическому значению X ставит в соответствие его смысл М(Х), причем М(Х) обозначает нечеткое подмножество множества U.
Поскольку универсум представляет собой множество, то форма его задания может быть одной из общепринятых: перечисление элементов, интервал, характеристическая функция и т.п. Сложнее дело обстоит с заданием подмножеств универсума, характеризующих объемы понятий соответствующих термам. Эти подмножества могут не иметь четких границ. Для их задания используется понятие нечеткого множества.
Нечеткое множество отличается от обычного тем, что нельзя однозначно определить принадлежит или не принадлежит некоторый элемент универсума этому множеству. Для ответа на этот вопрос вводится степень принадлежности - число из интер вала [0,1], характеризующее, на сколько элемент принадлежит нечеткому множеству. Степень принадлежности, равная 0, означает, что элемент не принадлежит, а равная 1 - элемент полностью принадлежит. Остальные значения степени принадлежности выражают градации уверенности в принадлежности элемента.
Модальность в нашем формальном языке лингвистического уровня представления рассматривается как лингвистическая переменная с именем «модальность» и некоторым множеством лингвистических значений и универсумом [0,1].
Функция принадлежности. Функции принадлежности нечетких множеств, описывающих смысл термов лингвистической переменной, должны удовлетворять следующим ограничениям [108]:
І.При упорядоченном универсуме, функции принадлежности каждого из термов должны быть выпуклыми и нормальными.
2. Хотя бы один элемент универсума должен иметь принадлежность нечеткому множеству, равную 1.
3. Если упорядочить элементы терм-множества в соответствии с порядком универсума, то:
- граничные элементы универсума должны принадлежать нечетким множествам, соответствующим граничным элементам терм - множества со степенью принадлежности равной 1;
- не должно быть таких элементов универсума, которые одновременно принадлежат нескольким нечетким множествам со степенью принадлежности равной 1 (свойство непротиворечивости);
- не должно быть элементов, не принадлежащих ни одному из термов (свойство полноты).
Будем считать, что лингвистические переменные, формализующие признаки, определены на упорядоченных универсумах - интервалах действительных чисел, и примем трапециевидную форму функций принадлежности. Такая форма выбрана из следующих соображений: эта функция (трапеция) выпукла; ее график сроится по четырем точкам на действительной плоскости. Учитывая, что нечеткое множество для терма лингвистической переменной должно быть нормальным, для задания функции принадлежности достаточно всего 4 числа.
Для построения функции принадлежности отвечаем на вопросы. Какой подинтервал универсума полностью соответствует определяемому лингвистическому значению? Интервал [Ь,с], называемый иногда ядром нечеткого множества (рис. 3.1). Какая часть универсума совсем не соответствует определяемому лингвистическому значению? Интервалы [х,а] и [d,y], где [х,у] - универсум. Интервал [а,Ь] является носителем нечеткого множества. При таком задании, в аналитическом виде функцию принадлежности определим как [91 ]
Отметим, что вовсе необязательно располагать точными значениями степеней принадлежности. Небольшая ошибка в определении границ ядра или носителя и в определении степени принадлежности будет менее значимой, чем при представлении смысла лингвистического значения обычным множеством (интервалом). Ошибка не будет возрастать при оперировании с этой информацией, поскольку большей частью используются только операции нахождения максимума и минимума. Лингвистическая переменная — дебиторская задолженность
При конкретизации понятия состояния определялся признак дебиторская задолженность. Построим лингвистические переменные для формализации этого признака в настоящий момент времени и в прошлый момент времени и формализующий прогнозирующий параметр - ожидаемая дебиторская задолженность.
Назовем эти лингвистические переменные дз(ґ), дз(ї — 1) и дз(Ґ + І) соответственно. Универсум каждой из этик переменных должен совпадать с диапазоном измерения конкретной дебиторской задолженности. Для удобства рассуждений нам достаточно ограничиться процентом ее погашения, и будем наблюдать дебиторскую задолженность в диапазоне [О, J 00 J %.
