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
-
Рассмотрим алгоритм создания эмпирической базы для моделирования на примере трехуровневой иерархии, на среднем уровне которой есть пять видов рисков...
-
Постановка задачи. - Оценка чувствительности рисков при изменении определяющих факторов
Вернемся к постановке задачи анализа чувствительности приоритетов инновационно-инвестиционных проектов. Выше отмечено, насколько широка область их...
-
Определение риска при проведении внешнеэкономической операции методом экспертных оценок
Валютные риски Валютные риски представляют собой вероятность денежных потерь в результате изменения курса валюты (реальной стоимости денег) за какой-то...
-
Оценка влияния межрегионального воздействия на экономическое развитие
В статье рассматриваются основные методы, применяемые для оценки степени влияния межрегионального взаимодействия на экономическое развитие....
-
Математическое моделирование экономических явлений и процессов является, как указывалось выше, важным инструментом экономического анализа. Оно позволяет...
-
Третий этап реализации методики (см. рисунок) предполагает расчет показателей эффективности инвестиционных проектов. В процессе оценки и выбора...
-
До появления современных ИТ не было широких возможностей использовать эффективные экономико-математические модели непосредственно в процессе...
-
Рассмотрим более подробно второй этап методики. После идентификации итогов реализации проектов осуществляется стоимостная оценка предполагаемого ущерба и...
-
Выбор математической формы функции при моделировании зависимости выпуска продукции от производственных факторов Постановка проблемы. Одним из важнейших...
-
Методика оценки риска при посадке многолетних растений
Предприятия, занятые в сельскохозяйственном производстве, условно можно разделить на два типа в зависимости от длительности их производственного цикла:...
-
Таблица 11. Исходные данные Вид товара Единица измерения Количество реализованного товара, тыс. Цена товара, руб. Базисный период Отчетный период...
-
Построение, или моделирование, конечной факторной системы для анализируемого экономического показателя хозяйственной деятельности можно осуществить как...
-
Построим теперь на базе полиинтервальной оценки такую теоретико-вероятностную модель представления экспертных знаний, которая сочетала бы в себе описание...
-
Определяется суммой денежных средств необходимых для осуществления инвестиционнго проекта. Общая потребность в инвестициях складывается из суммы...
-
Общая схема метода Монте-Карло Сущность метода Монте-Карло состоит в следующем: требуется найти значение а некоторой изучаемой величины. Для этого...
-
Современная экономика во многом зависит от соблюдения экологических норм и ориентации на международную концепцию устойчивого развития. При переходе к...
-
Необходимо обозначить современную связь финансовой стратегии предприятия с внешней экономической средой. В условиях нестабильного развития мировой...
-
Оценка качества суспензий. Перспективные стабилизаторы в технологии суспензий Оценка качества суспензий проводится так же, как и всех жидких...
-
Проводя на практике анализ мезо среды поступают следующим образом: производится оценка динамики количественных значений показателей состояния...
-
Рассмотрим факторы, определяющие динамику ФЗП (таблица 5) Таблица 5. Исходные данные для факторного анализа динамики ФЗП Факторы, влияющие на изменение...
-
Введение - Моделирование времени жизни ипотечного кредита
Постановка задачи. Экономическое и практическое обоснование важности ее решения. Рассмотрим задачу моделирования денежных потоков по портфелю (пулу)...
-
Основные методы экономическо-математического прогнозирования Кратко рассмотрим различные методы прогнозирования (предсказания, экстраполяции),...
-
Прогнозирование курса Ukb/Usd, Общий подход к прогнозированию курса UKB/USD - Прогнозирующие системы
В данной главе описаны эксперименты по прогнозированию курса американского доллара по отношению к украинскому карбованцу (UKB/USD). Сначала описаны...
-
Реализация интеллектуальных систем поддержки решений (ИСППР) в задачах оценки перспективности объектов природопользования на ранних стадиях их...
-
В настоящее время нельзя назвать область человеческой деятельности, в которой в той или иной степени не использовались бы методы моделирования. Особенно...
-
Генеральная совокупность и выборка - Основы научных исследований
Распределение случайной величины содержит всю информацию о ее статистических свойствах. Много ли нужно знать значений случайной величины, чтобы построить...
-
Для прогнозирования банкротства, некоторые исследователи создают модели, основанные на использовании искусственных нейронных сетей. Как правило,...
-
В процессе анализа и обобщения результатов исследований, проведенных в [4 - 10], стало ясно, что не все ситуации экспертного задания исходных параметров,...
-
Оценка времени поездки на основе моделирования транспортных потоков
Оценка времени поездки на основе моделирования транспортных потоков С. Н.Козорезова Постоянное увеличение количества транспортных заторов на...
-
Применение статистических методов анализа для адекватной интерпретации результатов контроля остаточных знаний соискателей высшего образования на примере...
-
Применение нейронных сетей в финансовой сфере - Прогнозирующие системы
Характерный пример успешного применения нейронных вычислений в финансовой сфере - управление кредитными рисками. Как известно, до выдачи кредита банки...
-
Применение эконометрического анализа в управлении - Практические аспекты эконометрического анализа
Статистические и математические модели экономических явлений и процессов определяются спецификой той или иной области экономических исследований. Так, в...
-
Методы классификации - неотъемлемая часть математических методов исследования, интересная теоретически и важная практически. Обзоры этой научной области...
-
В зависимости от содержания задачи может быть два случая: когда ребра графа G единичной длины; когда ребра графа произвольной длины. Для каждого из этих...
-
Например, если изучается модель спроса как соотношение цен и количества потребляемых товаров, то одновременно для прогнозирования спроса необходима...
-
Заключение - Практическое применение модели Марковица
Существенный вклад в данную теорию был сделан другим американским математиком - Дж. Тобином (Tobin J. The Theory of Portfolio Selection in F. H. Hahn and...
-
Для достижения поставленной цели предприятию требуются материалы, оборудование, энергия, рабочая сила и другие ресурсы. Каждое предприятие такими...
-
1. Название проекта: "Математические модели в экономике". 2. Руководитель: учитель математики Тыкоцкая Л. И. 3. Учебные предметы: математика, экономика....
-
Сущность и основные условия применения корреляционного анализа В соответствии с сущностью корреляционной связи ее изучение имеет две цели: 1) измерение...
-
Статистики, Свойства оценок - Основы научных исследований
Любая функция от элементов выборки называется Статистикой . Следовательно, точечная оценка также является статистикой. Однако не всякая статистика может...
Перспективы применения нейросетевых технологий. - Оценка чувствительности рисков при изменении определяющих факторов