Перспективы применения нейросетевых технологий. - Оценка чувствительности рисков при изменении определяющих факторов

Уже из приведенного примера видно, что "управлять" величинами изменения значимости тех или иных элементов иерархии достаточно проблематично вследствие ее принципиальной нелинейности. В связи с этим предлагается иной подход. В нем используется случайность выбора вариантов сочетаний уровней переменных и реализуется идея нейросетевого моделирования. Как известно, преимущество нейросетевых технологий заключается в том, что при достаточном объеме исходных данных с их помощью можно получить нелинейные модели практически любой сложности. В работе обосновано, что из многообразия нейросетевых программ, реализующих процедуры моделирования с помощью нейронных сетей, выгодно выделяется система Neural Connection, отличающаяся сочетанием прозрачности интерфейса с развитыми функциональными характеристиками. Из инструментальных средств этой системы наибольший интерес представляют два вида нейросетей - многослойный персептрон (Multi-Layer Perceptron, MLP) и радиальная базисная функция (Radial Basis Function, RBF).

Сеть первой структуры может моделировать нелинейную функцию практически любой сложности в зависимости от количества слоев и числа элементов в каждом слое. Сети RBF быстрее обучаются, но их недостаток в том, что при большом числе факторов входа возникают определенные трудности в создании достаточно точной модели.

Однако существует и ограничение на использование столь эффективных средств моделирования - необходимость располагать достаточно большим объемом обучающей выборки, представляющей собой набор входных факторов и известного результата (выходной величины). При формировании обучающей выборки необходимо соблюдать следующее правило: размер соответствующей ей электронной таблицы должен составлять не менее 10 (m + n) строк, где m - число входных факторов, n - число выходных факторов. Кроме того, в соответствии с принятой при нейросетевом моделировании практикой сети предоставляется для обучения 80% от всего объема выборки, 10% резервируется для проверки правильности настройки модели и 10% - для тестирования. Оценим необходимый объем выборки для рассматриваемого примера. В нем имеется пять входных и три выходные переменные, следовательно, исходная эмпирическая база для нейросетевого моделирования должна содержать около 80 строк. Сначала можно рассмотреть модель для первого направления инвестиций, затем для второго и третьего, и тогда достаточно располагать 60 строками. Учитывая, что размерность матрицы парных сравнений 5x5, результаты сравнений одного эксперта обеспечивают 21 вариант (20 вариантов с измененными оценками + базовый вариант), при наличии информации от трех-четырех экспертов (с учетом возможных повторов), мы получим необходимый объем выборки. Это максимальная оценка, но, как показано в работе, практически успешное решение сформулированной выше подзадачи было достигнуто даже при объеме полной выборки N = 21, который оказался достаточным для ее разделения на обучающую (17 вариантов), тестовую и контрольную (по два варианта) подвыборки.

Более продуктивным нам представляется иной подход: поскольку, как правило, в группу входит от 5 до 9 экспертов ("магическое" число Миллера 7±2, рекомендуемое в), для большей устойчивости результатов следует увеличить выборку путем имитации парных суждений по результатам опроса не одного, а нескольких экспертов. Такой подход был реализован нами при решении задачи анализа чувствительности оценок рисков инновационных проектов в сфере создания новых информационных технологий и показал свою эффективность. Так, в математическом плане было показано, что сгенерированная с помощью предложенной методики эмпирическая база значимости рисков отвечает требованиям многомерного статистического анализа: переменные являются количественными, измерены по шкале отношений, а их распределение не противоречит нормальному закону.

Получены и экономически значимые результаты - выполнена оценка значений средней (хордовой) эластичности приоритетов направлений инвестиций по значимости рисков различного вида, определены их рейтинги. Обосновано, что в число наиболее чувствительных факторов риска входят: производственный риск - рейтинг 1 в направлении "Выпуск новой продукции" и рейтинг 2 в двух других направлениях инвестиций; социальный риск - рейтинг 2 в направлениях "Выпуск новой продукции" и "Переход на менее затратные технологии"; финансовый риск - рейтинг 3 в направлении "Выпуск новой продукции" и рейтинг 1 в двух других направлениях инвестиций. Следовательно, именно на эти виды рисков следует обращать внимание в первую очередь при количественной оценке денежных потоков.

В данной статье мы не обсуждаем результаты нейросетевого моделирования чувствительности оценок рисков инновационных проектов, этот вопрос будет рассмотрен в отдельной публикации. Описанная методика обладает общностью и рекомендуется к использованию в анализе чувствительности рисков не только проектов реструктуризации промышленных предприятий, но и любых других инвестиционных проектов в различных сферах экономики.

Похожие статьи




Перспективы применения нейросетевых технологий. - Оценка чувствительности рисков при изменении определяющих факторов

Предыдущая | Следующая