ИСПОЛЬЗОВАНИЕ  OWA  ОПЕРАТОРА  ЯГЕРА  ДЛЯ  ИНТЕГРАЦИИ  ДАННЫХ  НА  ВХОДЕ  ДСМ  СИСТЕМЫ  ОЦЕНКИ  РИСКА  ИНВЕСТИРОВАНИЯ  МАЛОГО  ИННОВАЦИОННОГО  ПРЕДПРИЯТИЯ

Сизов  Александр  Семёнович

д-р  техн.  наук,  профессор  Юго-Западный  государственный  университет  г.  Курск

Халин  Юрий  Алексеевич

канд.  техн.  наук  старший  преподаватель  Юго-Западный  государственный  университет  г.  Курск

Цепов  Артём  Юрьевич

Аспирант  Юго-Западный  государственный  университет  г.  Курск

E-mail: 

INTEGRATION  OF  INCOMING  DATA  BY  USING  YAGER’S  OWA  OPERATOR  TO  VALUATE  INVESTMENT  APPEAL  OF  A  SMALL  INNOVATION  BUSINESS  WITH  THE  USE  OF  DSM  METHOD

Sizov  Aleksandr  Semjonovich

doctor  of  Technical  Sciences,  professor  South-West  State  University  Kursk

Halin  Jurij  Alekseevich

candidate  of  Science,  senior  Lecturer  South-West  State  University  Kursk

Tsepov  Artem  Jur'evich

postgraduate  student  South-West  State  University  Kursk

АННОТАЦИЯ

В  работе  предлагается  подход  к  интеграции  данных  на  входе  ДСМ  системы  с  использованием  OWA  оператора  Ягера  для  оценки  инвестиционной  привлекательности  малого  инновационного  предприятия.

ABSTRACT

The  paper  suggests  an  approach  to  the  integration  of  incoming  data  by  using  Yager’s  OWA  operator  to  valuate  investment  appeal  of  a  small  innovation  business  with  the  use  of  DSM  method.

Ключевые  слова:  OWA  оператор  Ягера,  инвестиционная  привлекательность,  инновационный  проект,  малое  предприятие,  ДСМ-метод.

Keywords:  Yager’s  OWA  operator,  investment  attractiveness,  innovative  design,  small  business,  DSM  method.

Одной  из  важнейших  составляющих  развития  современной  рыночной  экономики  является  малый  инновационный  бизнес  и  соответственно  создание  малых  инновационных  предприятий  (МИП).

Это  особенно  актуально  для  высокотехнологичных  отраслей  т.  к.  при  современном  экономическом  укладе  достичь  в  этой  сфере  высоких  темпов  роста  без  активного  внедрения  инноваций  практически  невозможно.  Малые  инновационные  предприятия,  в  общем  случае  представляют  собой  научную  группу  при  НИИ  или  крупном  предприятии.  Чаще  всего  МИП,  пользуясь  результатами  фундаментальных  и  поисковых  исследований,  занимаются  прикладными  разработками.

С  позиции  системного  подхода  такие  МИП  следует  рассматривать  как  сложную  организационно-техническую  систему,  функционирующую  в  условиях  определённой  внешней  среды.  Важнейшим  средством  реализации  целевой  функции  МИП  являетяся  обспечение  устойчивого  финансирования  инновационного  проекта  (ИП).

Следует  отметить,  что  реализация  ИП  со  стороны  МИП  связана  с  риском,  который  во  многом  зависит  от  степени  новизны  проекта,  качества  его  проработки,  надёжности  инвестирования,  внутренних  характеристик  предприятия  и  коньюктуры  рынка.  В  свою  очередь  риск  инвестора  обусловлен  необходимостью  оценки  потенциальных  возможностей  МИП,  его  способности  выполнить  инновационный  проект  в  требуемые  временные  рамки.

Оценка  степени  риска  инвестирования  в  рассматриваемом  случае  связана  с  необходимостью  обработки  достаточно  большого  объёма  разнородных  данных  о  МИП. 

Решение  этой  задачи  в  современных  условиях  возможно  на  основе  создания  информационно-аналитических  систем  с  применением  методов  и  средств  искуственного  интеллекта.

Один  из  вариантов  создания  таких  систем  основан  на  использовании  ДСМ  метода  автоматизированного  порождения  гипотез  [5].  Сущность  подхода  заключается  в  порождении  гипотезы  о  наличии  у  МИП  определённого  свойства(в  данном  случае  —  инвестиционной  привекательности)  на  основе  совокупности  известных  о  нём  данных.  Другими  словами  ДСМ  метод  позволяет  ответить  на  вопрос  —  сочетание  каких  факторов  является  предпосылкой  экономически  успешного  исхода  реализации  инновационного  проекта.  Использование  данного  метода  потенциально  позволяет  породить  гипотезу  о  возможности  инвестирования  с  определённой  степенью  достоверности,  однако  в  случае  анализа  МИП  достоверность  вывода  может  оказаться  недостаточной  вследствие  сложности  объекта  анализа  и  большого  объёма  данных. 

Повышение  достоверности  оценки  риска  на  основе  интеллектуального  анализа  данных  с  использованием  ДСМ  метода  представляется  возможным  путём  предварительной  обработки  (интеграции)  данных,  поступающих  на  вход  ДСМ  системы.

Входящие  данные  о  МИП  представляют  собой  набор  значений  показателей,  характеризиющих  его  деятельность  с  различных  позиций.  Выделим  основные  факторы  влияющие  на  реализацию  проекта  МИП,  которые  описаны  в  ряде  работ  по  инновационному  проектированию  [3,  2,  6,  4]  и  дадим  каждому  из  факторов  символьное  обозначение  (Таблица  1).  Следует  отметить,  что  данный  перечень  не  претендует  на  полноту  и,  безусловно,  может  быть  расширен.  В  свою  очередь,  многие  из  факторов  могут  быть  подвергнуты  дальнейшей  декомпозиции. 

Заметим,  что  в  приведенном  перечне  существуют  группы  элементов,  характерезующие  один  и  тот  же  аспект  деятельности  МИП.  На  этапе  предварительной  обоработки(интеграции)  данных  такие  группы  целесообразно  объединить  в  единый  показатель,  представив  общее  воздействие  на  итог  реализации  проекта  в  виде  взвешенной  суммы  влияний  каждого  из  них.

Например,  при  оценке  конкурентной  среды  из  таблицы  целесообразно  выбрать  такие  характеристики,  как  C₁,  C₃,  C₈,  C₉,  C₁₀,  B₈,  A₅  которые  можно  укрупнить,  обьединив  в  интегральный  показатель  «Уровень  конкурентной  среды».

Наиболее  распространённым  путём  решения  этой  задчи  является  сложение  произведений  значений  характеристик  и  их  весов.  Однако  этот  подход  не  учитывает  допустимых  для  ЛПР  форм  компромисса  между  оценками  альтернатив  по  разным  критериям  [1],  поэтому  точность  вывода  о  степени  предпочтения  изучаемого  объекта  в  общем  случае  может  быть  недостаточной.

Таблица  1.

К  тому  же,  значения  данных  предпосылок  могут  иметь  разнородную  и  нечёткую  форму,  что  осложняет  их  суперпозицию.  В  этом  случае  эффективным  механизмом  сложения  может  быть  OWA  оператор  Ягера.

OWA  оператором  Ягера  является  соотношение  вида

,  (1)

где:  ,  весовой  вектор  и 

а  b_j  (j  =  1,  …,  n)  —  элементы  вектора  A  =  (a₁,  a₂,  …,  a_n),  упорядоченные  по  убыванию.

Фундаментальным  аспектом  данного  подхода  является  то,  что  весовой  вектор  оператора  связан  не  с  каким  то  конкретным  значением  a_n,  а  с  позицией  элементов  в  упорядоченном  по  убыванию  векторе  таким  образом,  что  w₁  соответствует  наибольшему  значению  b_j,  а  w_n  наименьшему.

Таким  образом,  предлагаемую  структуру  системы  оценки  риска  инвестирования  МИП  можно  представить  в  следующем  виде:

Рисунок  1.  Обобщённая  схема  оценки  риска  инвестирования  МИП

В  качестве  примера,  рассмотрим  вариант  использования  OWA  оператора  для  интеграции  одной  из  групп  критериев,  в  частности,  критериев,  характеризующих  уровень  конкурентной  среды  МИП.

В  работе  [1,  7]  предложен  подход  к  использованию  OWA  оператора  для  определения  степени  предпочтения  альтернатив,  согласно  которому  в  рассматриваемом  случае  систему  предпочтений  при  оценке  конкурентной  среды  можно  представить  как:

где:  xÎX  —  один  из  оцениваемых  проектов  МИП, 

L  —  множество  весов(степени  важности  критериев)  L  =  (l  ₁,  l  ₂,  …,  l  _n),  при  этом  l_j  ≥  0,  и  их  сумма  равна  1  ,  они  соответствуют  множеству  критериев  A  =  {  a₁  ,  a₂  …  a_n  };

Q  —  информация  о  допустимой  форме  компромисса  между  оценками  по  разным  критериям,  для  формализации  которого  воспользуемся  нечётким  квантификатором.  Квантификатор  представляет  собой  зависимость  значения  предпочтения  при  выборе  МИП(Q)  от  набора  его  качеств(r)  (рисунок  2).  Т.  е.  Q  =  0  ,  при  самых  низких  оценках,  Q  =  1  при  высоких.

Рисунок  2.  Пример  функции  принадлежности  нечеткого  квантификатора

Из  рассмотрения  данного  графика  следует,  что  при  40  %  и  менее  показателях  результат  совместного  воздействия  нескольких  факторов  имеет  нулевое  предпочтение.  Затем  на  интервале  предпочтение  от  0,4  до  0,8  линейно  возрастает  и  в  точке  0,8  достигает  максимума  —  абсолютного  предпочтения.

Таким  образом,  значение  предпочтения  можно  представить  в  следующем  виде

,

где:    —  OWA-оператор,  элементы  вектора  W  весов  которого  вычисляются  по  формуле:

    (2)

Здесь  s  —  ранжировка  индексов,  упорядочивающая  компоненты  C_j(x)  по  убыванию  (следует  отметить,  что  для  каждой  альтернативы  x  ранжировка  будет  своей).

Предположим,  что  по  результатам  анализа  данных  о  МИП  получены  следующие  значения(где  в  скобках  l  n  —  веса,  полученные  методом  Фишберна): 

Выполним  перестановку  значений  l  в  порядке  убывания  соответствующих  им  значений  свойств  для  «МИП  1» 

L  _σ  ={  0,3  0,15  0,2  0,13  0,1  0,07  0,05}

Вычислим  вектор  весов  OWA  оператора  по  формуле  (1).

w₁  =  0

w₂=  Q(0,3  +  0,15)  –  Q(0,3)  =  0,125

w₃  =  Q(0,3  +  0,15  +  0,2)  –  Q(0,3  +  0,15)  =  0,5

w₄  =  Q(0,3+0,15+  0,2+  0,13)  –  Q(0,3+  0,15  +  0,2)  =  0,325

w_{5  =}  Q(0,3+0,15  +  0,2+0,13+0,1)  –  Q(0,3+0,15+  0,2+0,13)  =  0,05

w₆=  w₇  =  0

Таким  образом,  имеем  следующий  весовой  вектор 

W  =  {0  ;  0,125  ;  0,  5  ;  0,325;  0,05  ;  0  ;  0}

Используя  полученные  значения,  проведём  свертку  свойств  в  единый  показатель 

Значение  этого  показателя  представляет  собой  количественную  характеристику  «Уровня  конкурентной  среды»,  полученную  с  учётом  нескольких  разнородных  и  нечётких  факторов  с  учётом  допустимой  формы  компромисса  между  оценками  по  разным  критериям.

Таким  образом,  использование  OWA  оператора  Ягера  позволяет  интегрировать  разнородные  данные  и  тем  самым  осуществлять  сжатие  пространства  факторов,  поступающих  на  вход  ДСМ  системы  оценки  риска  инвестирования.

Список  литературы:

1.Аверченков  В.И.,  Лагерев  А.В.,  Подвесовский  А.Г.  Представление  и  обработка  нечеткой  информации  в  многокритериальных  моделях  принятия  решений  для  задач  управления  социальными  и  экономическими  системами/  Вестник  Брянского  государственного  технического  университета.  —  2012.  —  №  2(34)

2.Каган  Е.Б.  Ключевые  аспекты  оценки  инновационного  потенциала  промышленного  предприятия  /  Е.Б.  Каган  //  Материали  за  7-а  научна  практична  конференция  «Найновите  постижения  на  европейската  наука»,  Том  9.  Икономики.  София:  «Бял  ГРАД-БГ»  —  2011.  —  С.  34—38 

3.Мыльников  Л.А.  Прогноз  развития  параметров  инновационных  проектов  с  учетом  их  взаимовлияний  друг  на  друга  на  основе  когнитивных  карт  //  Экономический  анализ:  теория  и  практика,  —  2012,  —  №  45  (300).  —  с.  55—64.

4.Рейтинговое  агенство  «Эксперт  РА»  .  Оценка  инновационного  риска  //  risk-manage.ru:  информационный  портал  [Электронный  ресурс]  —  Режим  доступа.  —  URL:http://www.risk-manage.ru/research/innovations/part9/  (дата  обращения:  15.06.2013).

5.Халин  Ю.А.  Подход  к  прогнозированию  состояний  конкурирующих  предприятий  на  основе  ДСМ-метода  автоматического  порождения  гипотез  //Естественные  и  технические  науки.  —  2011.  —  №  6.  —  С.  521—522.

6.Черняк  В.В.  Автоматизированная  оценка  инвестиционной  привлекательности  инновационных  проектов  /  Дисс.  канд.  техн.  наук.  СПБ.,  2004.  —  182  с.

7.Yager  R.R.  On  ordered  weighted  averaging  aggregation  operators  in  multicriteria  decision  making  /  R.R.  Yager  //  IEEE  Transactions  on  Systems,  Man,  and  Cybernetics.  —  1988.  —  Vol.  18.  —  P.  183—190.