Применение нечеткой логики для анализа рисков инвестиционных проектов

Определение риска и неопределенности. Примеры применения метода нечеткой логики. Основные методы учета рисков при анализе инвестиционных проектов. Имитационное моделирование (метод Монте-Карло). Преимущества и недостатки метода нечетких множеств.

Рубрика Экономико-математическое моделирование
Вид реферат
Язык русский
Дата добавления 07.04.2015
Размер файла 1,0 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

РЕФЕРАТ

ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ ДЛЯ АНАЛИЗА РИСКОВ ИНВЕСТИЦИОННЫХ ПРОЕКТОВ

Тщательная проработка и учет рисков стала неотъемлемой частью и важной составляющей успеха деятельности каждой компании. Однако все чаще компаниям приходится принимать решения в условиях неопределенности, которые могут привести к непредвиденным последствиям и, соответственно, нежелательным исходам и убыткам. Особенно серьезные последствия могут иметь неправильные решения относительно долгосрочных инвестиций, которые обычно подразумеваются при оценке инвестиционных проектов. Поэтому своевременное выявление, а также адекватная и наиболее точная оценка рисков является одной из насущных проблем современного инвестиционного анализа.

К сожалению, существующие на сегодняшний день методы учета и оценки рисков не лишены субъективизма и существенных предпосылок, приводящих к неправильным оценкам риска проектов. Теория нечеткой логики - это новый, динамично развивающийся подход к оценке риска. В последнее время нечеткое моделирование является одной из наиболее активных и перспективных направлений прикладных исследований в области управления и принятия решений.

В данной работе представлены:

Определение риска и неопределенности,

обоснование необходимости применения новых подходов к анализу риска,

краткое описание метода нечеткой логики,

примеры применения нечеткой логики

Необходимо разделять понятия «риск» и «неопределенность».

Неопределенность:

ситуация, при которой возможны многие исходы, но при которых результаты действий не являются детерминированными, т.е. их вероятности неизвестны. (Франк Найт)

Риск:

ситуация, в которой существует конечное число исходов при известных вероятностях для каждого из них (Ф. Найт)

возможность появления обстоятельств, обусловливающих неуверенность или невозможность получения ожидаемых результатов от реализации поставленной цели; (www.glossary.ru)

вероятность потерь, или вероятность получить результат, отличный от ожидаемого; (wikipedia.org)

Итак, риск - это субъективная оценка объективной неопределенности. Если неопределенность - неустранимое качество рыночной среды, то риск - это численная характеристика возможности потерь.

Риск инвестиционного проекта:

возможность отклонения будущих денежных потоков по проекту от ожидаемого потока, обусловленная как внешними (законодательство, реакция рынка на выпускаемую продукцию, действия конкурентов), так и внутренними факторами (компетентность персонала фирмы, ошибочность определения характеристик проекта), возникающими вследствие неполноты и асимметрии информации.

Основные методы учета рисков при анализе инвестиционных проектов.

Качественный анализ

Цель методов:

выявление конкретных видов риска проекта, которые оказывают влияние на формирование потока наличности, а также возможных причин их возникновения.

Методы:

Экспертных оценок, аналогий.

«+»:

Наглядность результатов;

Выявленные риски могут быть использованы для получения рекомендаций по их минимизации.

«-»:

нет числовой оценки рисков

Количественный анализ

Цель методов:

присвоить рискам определенную количественную характеристику, показать, как какие численные последствия для проекта повлекут те или иные риски.

Мера риска:

дисперсия, стандартное отклонение, коэффициент вариации ежегодного денежного потока инвестиционного проекта и др.

Анализ чувствительности

Цель:

определение чувствительности критерия при «последовательно-единичном» изменении каждой переменной.

«+»:

простота в применении;

наглядность результатов

«-»:

допущение изменения только одного из факторов, в то время как остальные считаются неизменными.

Сценарный анализ.

Цель:

определения риска неэффективности проекта как сумма вероятностей отрицательных значений NPV проекта.

«+»:

простота в применении;

наглядность результатов

«-»:

субъективизм в присвоении вероятностей каждому из рассматриваемых сценариев;

не охватывает все возможные варианты и сценарии развития проекта.

Имитационное моделирование. (Метод Монте-Карло)

Цель:

множеством итераций получить распределение доходности проекта, т.е. множество значений NPV, для которых рассчитывается среднее, а также величина риска.

«+»:

Дает более точную и четкую оценку рискам проекта

удачно сочетается с другими экономико-статистическими методами, а также с теорией игр и другими методами исследования операций [6]

«-»:

базируется на серьезных допущениях:

взаимонезависимость переменных (их некоррелированность)

нормальное распределение

сложность и громоздкость вычислений

Теория Нечеткой Логики (FUZZY LOGIC)

Теория нечеткой логики (или теория нечетких множеств, или Fuzzy Logic) - новый подход к описанию бизнес-процессов, в которых присутствует неопределенность, затрудняющая и даже исключающая применение точных количественных методов и подходов.

Начало:

Теория нечетких множеств (fuzzy sets theory) ведет свое начало с 1965г., когда профессор Лотфи Заде (Lotfi Zadeh) из университета Беркли опубликовал основополагающую работу “Fuzzy Sets” в журнале “Information and Control”.

Основные этапы формирования:

этап формирования основных теоретических постулатов (1965 - начало 80-х гг.);

Zadeh L.A. (1965, 1973)

Dubois D., Prade H. (1979, 1980) - операции над нечеткими числами

этап практических разработок в различных областях жизни, основанных на нечеткой логике; рождение нового научного направления в рамках нечеткой логики «Fuzzy Economics» (1973 - начало 90-х гг.);

Buckley, J. (1987,1992) - «Решение нечетких уравнений в экономике и финансах» и «Нечеткая математика в финансах» [16]

Kosko, Bart. (1993) - доказана основополагающая FAT-теорема (Fuzzy Approximation Theorem), подтвердившая полноту нечеткой логики

И многие другие

этап массового использования продукции, в основе работы которых лежит нечеткая логика (1995 - наше время).

48 японских компаний образовали совместную лабораторию LIFE (Laboratory for International Fuzzy Engineering - Международная лаборатория разработок, основанных на нечеткой логике)

огромный вклад в развитие направления Fuzzy Logic в России в последние годы:

Недосекин А.О., Воронов К.И., Максимов О.Б., Павлов Г.С., Фролов С.Н. [11]

Основное отличие метода:

Введение лингвистических переменных (субъективных категорий)

Лингвистические переменные - переменные, которые нельзя описать с помощью математического языка, т.е. им сложно придать точную (объективную) количественную оценку. Например, понятия «малый» и «средний» (говоря о бизнесе), «высокая» или «низкая» (о процентной ставке) не имеют четкой границы и не могут быть представлены точным математическим описанием.

Согласно Л. Заде, лингвистической переменной называется такая переменная, значениями которой являются слова или предложения естественного языка.

В литературе нечетких множеств лингвистические переменные также называют терм-множествами (от англ. term - называть). [14]

Пример 1

Часто, для получения интегральной оценки риска недостаточно только значений изменения цены, спроса и других количественных переменных. Необходимо также учитывать и многие качественные переменные, как например, сила конкурентов, грамотность менеджмента, погодные условия (особо актуально для строительных проектов). Так, для получения численной оценки лингвистической переменной «условия для проведения строительных работ» зададим интервал значений оценки от 0 до 10, где 0 - самые суровые условия, мешающие процессу проведения работ. На основе здравого смысла и экспертных оценках, можно утверждать, что если работы планируется вести в жилой зоне (где повешенные риски) и в условиях отсутствия подготовительных работ, то ее оценка будет колебаться от 0 до 3 баллов, что будет означать суровые условия строительных работ. Если же строить здание планируется на уже подготовленной к работе площадке, в условиях сухой местности и вдали от жилых домов, то оценки переменной будут принимать значения от 7 до 10 баллов, что означает благоприятные условия строительных работ. Переменная примет значения в интервале от 3 до 7 баллов, если погодным условиям будут присущи как способствующие, так и препятствующие строительству характеристики. Данные баллы присваиваются либо оценщиками, либо группой экспертов, непосредственно привлекаемых к процессу анализа инвестиционного проекта.

Пример 2

Еще одним примером оценки лингвистической переменной может служить нечеткость границы переменной «низкая процентная ставка». Какая ставка процента по кредиту считается низкой? Ответ на этот вопрос может искаться путем его постановки для множества экспертов. Так, основываясь на здравой логике, могут быть получены ответы, например, что ставка по кредиту менее 7% - низкая, от 8 до 15% - средняя, а от 16 и выше - высокая. Следовательно, границы между этими представлениями - нечеткие, размытые, и понятие «низкая стоимость кредита» является субъективной оценкой.[26]

Основной инструмент метода:

функция принадлежности

Функция принадлежности - инструмент перевода лингвистических переменных на математический язык для дальнейшего применения метода нечетких множеств.

Функцией принадлежности является некая математическая функция, задающая степень или уверенность, с которой элементы некоторого множества принадлежат заданному нечеткому множеству А. Чем больше аргумент x соответствует нечеткому множеству А, тем больше значение , т.е. тем ближе значение аргумента к 1.

Основанием для построения функции принадлежности могут служить экспертные оценки.

Пример 3 (продолжение примера 2)

Рис.1. Функция принадлежности для переменной «высокая ставка процента».

На рисунке 1 изображена функция принадлежности для переменной «высокая ставка процента», где по оси Х располагаются значения ставки процента, а по оси У - значения функции принадлежности для терм-множества «высокий процент». Поскольку значения от 16% и выше были признаны экспертами как высокая ставка процента, то функция принадлежности принимает значение 1, что соответствует истинности принадлежности процента терм-множеству «высокий процент». При значениях процента от 0 до 7% (т.е. низкая ставка процента) значение функции принадлежности равно нулю. В промежутке от 7 до 16% функция принадлежности монотонно возрастает, тем самым, повышая достоверность высказывания при приближении значений процента к 16%.

Виды функций принадлежности.

Основные виды функций принадлежности:

треугольные,

трапециевидные,

кусочно-линейные,

распределения Гаусса,

сигмоидные.

Методы построения функций принадлежности.

Выделяют две группы методов построения по экспертным оценкам функций принадлежности нечеткого множества : прямые и косвенные методы [3].

Прямые методы характеризуются тем, что эксперт непосредственно задает правила определения значений функции принадлежности , характеризующей элемент х. Примерами прямых методов являются непосредственное задание функции принадлежности таблицей, графиком или формулой. Недостатком этой группы методов является большая доля субъективизма.

В косвенных методах значения функции принадлежности выбираются таким образом, чтобы удовлетворить заранее сформулированным условиям. Экспертная информация является только исходной информацией для дальнейшей обработки. К группе данных методов можно отнести такие методики построения функций принадлежности, как построение функций принадлежности на основе парных сравнений, с использованием статистических данных, на основе ранговых оценок и т.д.

Предпосылки для анализа с помощью метода нечеткой логики.

Поскольку теория нечетких множеств - отдельный раздел математики, то он базируется на своих предпосылках.

В работе Л. Заде и Р. Беллмана указаны основные свойства, которыми должны обладать нечеткие множества:

Нормальность.

Унимодальность.

Выпуклость.

Применение метода нечеткой логики для анализа инвестиционных проектов

Треугольный вид функции принадлежности - самый часто используемый в практике анализа инвестиционных проектов.

Треугольное число А задается с помощью трех параметров: минимальное значение (a), модальное (b) и максимальное (c), , что соответствуют пессимистическому, базовому и оптимистическому сценариям.

Рис.2 Вид треугольной функции принадлежности.

Математически треугольный вид функции принадлежности можно описать, как , где при любом функция принадлежности принимает значения , а .

Основные операции над нечеткими множествами.

Сложение.

где , .

Умножение.

где ,

Деление.

где , , если положительны, и , , если отрицательно [8].

Оценка риска на основе интегральной оценки риска V&M (Воронова и Максимова)[10]

Рассмотрим любой инвестиционный проект, в котором можно свести к треугольному числу

где - чистый денежный доход (ЧДД) при оптимистическом сценарии;

- ЧДД при пессимистическом сценарии;

- ожидаемый ЧДД.

- критерий эффективности проекта (обычно принимается равным нулю).

Проект признается прибыльным, если NPV больше заданного инвесторами критерия .

Определив крайние значения ЧДД, можно описать функцию принадлежности:

, (*)

Где .

Взяв интеграл, можно преобразовать вышеприведенные уравнения к виду:

где

Оценка :

принимает значения от 0 до 1

каждый инвестор, исходя из своих инвестиционных предпочтений, может классифицировать значения , выделив для себя отрезок неприемлемых значений риска.

Преимущества метода:

на основе теории нечетких множеств формируется полный спектр возможных сценариев инвестиционного процесса;

решение принимается не на основе двух оценок эффективности проекта, а по всей совокупности оценок;

ожидаемая эффективность проекта не является точечным показателем, а представляет собой поле интервальных значений со своим распределением ожиданий, характеризующимся функцией принадлежности соответствующего нечеткого числа.

Пример. [26]

Рассмотрим инвестиционный проект со следующими показателями:

Проект будет осуществляться в течение трех лет, t=3;

Размер стартовых инвестиций известен точно и составляет I = 2 млн. рублей;

Ставка дисконтирования может колебаться в пределах от 10% до 20% годовых;

Чистый денежный поток планируется в диапазоне от CFmin = 0 до CFmax = 2 млн. рублей;

Остаточная (ликвидационная) стоимость проекта равна нулю.

Применим метод нечеткой логики для анализа риска.

Следовательно,

Т.к., , то .

Размещено на http://www.allbest.ru/

Рис. 3

Т.о. треугольное число для рассматриваемого проекта .

Т.к. , то по формуле (**):

, , .

Риск-менеджер может самостоятельно установить шкалу неприятия риска, в зависимости от дополнительных параметров проекта и своих предпочтений.

Используя следующую градацию: [23]

Степень риска

Решение компании относительно инвестирования

0 - 0,07

Очень низкая

Точно принять проект

0,07 - 0,15

низкая

Принять, но с осторожностью и последующим мониторингом

0,16 - 0,35

средняя

Принять с ограничениями

0,36 - 0,4

высокая

Отклонить и пересмотреть проект

> 0,40

Очень высокая

Отказаться с уверенностью

можно сказать, что риск данного инвестиционного проекта средний.

Применение метода нечеткой логики с помощью пакета MATLAB

Говоря о нечеткой логике, чаще всего имеют в виду системы нечеткого вывода, которые лежат в основе различных экспертных и управляющих процессах. Основными этапами нечеткого вывода являются:

Формирование базы правил системы нечеткого вывода.

Фаззификация входных параметров.

Агрегирование.

Активизация подусловий в нечетких правилах продукций.

Дефаззификация [8].

Данная схема относится к алгоритму нечеткого вывода Мамдани, который один из первых нашел применение в системах нечетких множеств [14].

Опуская математические подробности теорий нечетких множеств, рассмотрим основные особенности каждого из этих этапов, основные из которых изображены на примере рисунка 7.

Рассмотрим модель, состоящую из трех параметров, где «А» и «В» - входные переменные, а «С» - выходная. Причем, каждая из переменных может принимать соответствующие значения, т.е. обладает своим лингвистически задаваемым терм-множетсвом, т.е. , , . В свою очередь для каждого из терм-множеств задается функция принадлежности. Задача нечеткого вывода для данного примера является определение числового значения для выходной переменной С.

Рис.4. Этапы нечеткого вывода [17]

Формирование базы правил системы нечеткого вывода

Процесс формирования базы правил нечеткого вывода представляет собой формальное представление эмпирических знаний эксперта в той или иной проблемной области. Наиболее часто база правил имеет вид структурированного текста:

Правило_1: Если «Условие_А1» или «Условие_В1» ТО «Следствие_С1»

Правило_2: Если «Условие_ А2» или «Условие_В2» ТО «Следствие_ С2»

Правило_n: Если «Условие_ Аn» или «Условие_Вn» ТО «Следствие_ Сn»,

где «Условие_А1», «Условие_ А2», …, «Условие_ Аn» и «Условие_В1», «Условие_В2», …, «Условие_Вn» - входные лингвистические переменные,

«Следствие_C1», «Следствие_ C2», …, «Следствие_ Cn» - выходные лингвистические переменные.

Следует отметить, что входные и выходные лингвистические переменные считаются определенными, если для них заданы функции принадлежности. Так, на рис.4 изображен этап формирования трех групп правил (этапы 1-3), где для каждой из переменных заданы функции принадлежности.

Фаззификация входных параметров

Фаззификацией, или введением нечеткости, называется процесс нахождения функции принадлежности нечетких множеств на основе обычных исходных данных. На данном этапе устанавливается соответствие между численным значением входной переменной системы нечеткого вывода и значением функции принадлежности соответствующей ей лингвистической переменной. Для примера на рис.4 группой экспертов входная переменная «А» была оценена в 3 балла по 10-балльной шкале, а переменная «В» - в 8 баллов. Причем оценка в 0 баллов показывает «низкое» качество переменной (например, плохое качество продукции, низкая репутация команды), а оценка в 10 баллов - «превосходные» характеристики описываемого параметра (например, выгодные условия кредитования, высокая конкурентоспособность товаров).

Агрегирование

Целью данного этапа является определение степени истинности каждого из подзаключений по каждому из правил систем нечеткого вывода. Далее это приводит к одному нечеткому множеству, которое будет назначено каждой выходной переменной для каждого правила. В качестве правил логического вывода обычно используются операции min (минимум) или prod (умножение). В логическом выводе с помощью функции min принадлежность выводу «отсекается» по высоте, соответствующей степени истинности предпосылки правила (нечеткая логика «И») (см. рис.4).

Активизация подусловий в нечетких правилах продукций

Нечеткие подмножества, назначенные для каждой выходной переменной, объединяются вместе, чтобы сформировать одно нечеткое подмножество для каждой переменной.

Дефаззификация

Полученные результаты всех выходных переменных на предыдущих этапах нечеткого вывода преобразуются в обычные количественные значения каждой из выходных переменных. Дефаззификация нечеткого множества по методу центра тяжести осуществляется по формуле

[14].

Физическим аналогом этой формулы является нахождение центра тяжести плоской фигуры, ограниченной осями координат и графиком функции принадлежности нечеткого множества.

Результаты дефаззификации путем нахождения центра фигуры изображены на рис.5.

Рис. 5. Результаты дефаззификации

ПРИМЕР 1

Рассмотрим наглядный пример, иллюстрирующий применение метода. [17]

Представим, что Вы после рабочего дня Вы проголодались и решили зайти поужинать в кафе. Допустим, что Вы выбрали первое кафе на улице, которые Вам понравилось, но у Вы не обладаете никакой информацией, насколько вкусно там готовят и хороший ли там сервис обслуживания. Т.е. выбор данного кафе связан с неопределенностью. Предположим также, что степень своей удовлетворенности от кафе Вы будете выражать в размере чаевых, которые колеблются в интервале от 0 до 25% от счета заказа. Будем полагать, что щедрость чаевых будет зависеть от двух факторов, которые обозначим как:

качество еды (т.е. насколько еда была хорошо приготовленной, свежей и пр.), которое будет оцениваться, как:

вкусно,

невкусно Здесь рассматривается только 2 оценки еды: либо вкусно, либо невкусно, т.е. «третьего не дано».

качество обслуживания (т.е. насколько быстро был оформлен заказ, был ли чистым стол и пр.), оцениваемое по шкале:

отличное;

среднее;

плохое.

Пусть по итогам посещения кафе, Вы пришли к выводу, что еда была достаточно хорошей, а вот сервис был на низком уровне, т.е. плохим.

Возникает вопрос - сколько же дать чаевых официанту в зависимости от выбранных параметров? И как включить количественную оценку данных параметров в решение задачи? Ни качество еды, ни качество сервиса нельзя явно представить в количественном виде, т.к. понятия «вкус» и «сервис» - субъективные категории. В данной ситуации воспользуемся методом нечеткой логики.

Алгоритм

Решим данную задачу с помощью программного продукта MATLAB с использованием приложения FuzzyTech. Воспользуемся алгоритмом нечеткого вывода Мамдани для спецификации условий данной задачи.

Формирование базы правил системы нечеткого вывода.

На основе здравого смысла и, в данном случае, нашей экспертной оценки, сформулируем когнитивные правила:

Если «сервис» «плохой» или «еда» «плохая», то «чаевые» «маленькие»;

(If service is poor or the food is rancid, then tip is cheap)

Если «сервис» «хороший», то «чаевые» «средние»;

(If service is good, then tip is average)

Если «сервис» «отличный» и «еда» «вкусная», то «чаевые» «высокие».

(If service is excellent or food is delicious, then tip is generous)

Итак, «сервис» и «еда» - входные переменные, а «чаевые» - выходная переменная.

Фаззификация входных параметров.

На данном этапе необходимо провести фаззификацию входных параметров, или описание каждого из терм-множеств (лингвистических переменных) с помощью функции принадлежности.

Будем оценивать выбранные параметры («еда» и «сервис») по 10-балльной шкале, где 0 соответствует самому низкому качеству, как еды, так и сервиса, а 10 - наивысшему. В соответствии с условием примера, еда была оценена как «достаточно хорошей». Следовательно, параметру «еда» может быть присвоена оценка 8 по 10-балльной шкале. Для переменной «сервис» - оценка 3, т.к. он был оценен как «плохой». Значение функции принадлежности лежит в интервале от 0 до 1, где 1 - полное соответствие истинности высказывания, а 0 - полное ее отсутствие.

Так, например, фаззификация входной переменной «вкусная еда» представлено на рис.6.

Рис.6. Фаззификация входной переменной.

Таким же образом описывается каждая из входных переменных, а также для каждого из обозначенных в пункте 1 правил (Рис. 7).

Размещено на http://www.allbest.ru/

Рис. 7. Фаззификация входных переменных.

Как показано на Рис.7, на основе оценок, присвоенных нами входным параметрам, результатом дефаззификации стала оценка в 0,7.

Агрегирование.

Размещено на http://www.allbest.ru/

Рис. 8. Агрегирование и активизация

На данном этапе, используя операторы min (минимум) или prod (умножение), определяем выходные множества для каждого из правил путем «отсечения» по высоте каждого из выходных множеств.

Активизация подусловий в нечетких правилах продукций.

Нечеткие подмножества, назначенные для каждой выходной переменной, объединяются вместе, чтобы сформировать одно нечеткое подмножество для каждой переменной.

Дефаззификация

На основе правила нахождения центра тяжести фигуры, а также при помощи программы МАТLAB, находим выходное значение искомой переменной «чаевые». Таким образом, 16,7% от счета следует оставить официанту в качестве денежного вознаграждения. Необходимо отметить, что данное значение получено с учетом предпосылок модели и выбранных экспертами видов функций принадлежности.

Размещено на http://www.allbest.ru/

Рис. 9 Результат дефаззификации.

ПРИМЕР 2

Оценка внешнего риска (off-site Риск) с помощью метода нечеткой логики. Данный пример представляет собой мониторинг и оценку рисков текущей (операционной) деятельности предприятия.

Источник примера: статья Mahant, Narendra. Risk Assessment is Fuzzy Business - Fuzzy Logic Provides the Way to Assess Off-site Risk from Industrial Installations”. Risk 2004. 2004. No. 206. [18]

В статье Mahant, Narendra,Risk Assessment is Fuzzy Business - Fuzzy Logic Provides the Way to Assess Off-site Risk from Industrial Installations (2006) рассматривается завод, на территории которого хранится хлор. На заводе внедрена система безопасности жизнедеятельности (Safety Management System, SMS), однако она не всегда отражает полную и точную информацию, поэтому всегда существует риск утечки хлора и, соответственно, последствия влияния на здоровье и жизнь людей. Если утечка хлора произошла непосредственно из резервуара, то этот вид риска характеризуется как внешний риск, поскольку он уже не может быть устранен в случае происшествия и его последствия сложно контролировать.

Менеджеры ставят перед собой задачу оценить риск операционной деятельности завода на жизнедеятельность сотрудников и жителей территории, расположенной вблизи от завода.

Решение поставленной задачи осуществляется с помощью методов нечеткой логики. В качестве входных переменных системы нечеткого вывода были рассмотрены:

надежности системы безопасности жизнедеятельности;

последствия от утечки хлора.

Для оценки первой из входных переменных экспертом была составлена таблица критериев надежности системы безопасности жизнедеятельности, в соответствии с которой группа экспертов оценивала ее на рассматриваемом заводе.

Надежность

Критерий

Шкала от 0 до 100

Низкая (Inadequate)

Система не отвечает необходимым условиям безопасности, нет тренингов для персонала по технике безопасности и пр.

25-44

Средняя (Good)

Система, в целом, отвечает требованиям безопасности, но нет достаточной подготовки персонала.

45-75

Высокая (Excellent)

Система, которая полностью интегрирована в процесс деятельности предприятия, персонал ознакомлен системой.

>75

Оценка второй входной переменной основана на анализе давления (концентрации) хлора в резервуаре. Для этого экспертами опять же была составлена таблица категорий «суровости» последствий в случае утечки хлора.

Категория

Критерий

Шкала от 0 до 100

Категория 1

Концентрация хлора не превышает 50 PPM и в случае утечки не принесет вреда людям.

0 - 12

Категория 2

Концентрация хлора может достигать на короткие промежутки времени 100 PPM и в случае утечки лишь с малой вероятностью принесет лишь незначительные повреждения.

12 - 37

Категория 3

Концентрация хлора не превышает 100 PPM и в случае утечки принесет лишь незначительные повреждения.

37 - 62

Категория 4

Концентрация хлора не превышает 200 PPM и в случае утечки принесет повреждения людям с низкой вероятностью смертельного исхода.

62 - 87

Категория 5

Концентрация хлора превышает 200 PPM и в случае утечки с высокой вероятностью (допустим, 50%) приведет к смертельному исходу.

87 - 100

Выходная переменная «риск» операционной деятельности была оценена по следующим параметрам:

Категория риска

Критерий

Очень высокий

Высока вероятность смертельных исходов на заводе и прилегающей территории;

Высокий

Низкая вероятность смертельных исходов, но высокая вероятность вредя для здоровья;

Умеренный

Остается вероятность легких повреждений для здоровья.

Низкий

Нет риска смерти или вреда для здоровья.

Очень низкий

Полное отсутствие риска для резидентов.

Для формирования системы нечеткого вывода были сформулированы 12 правил:

1. Если <Последствия утечки соответствуют Категории 5> и <НАДЕЖНОСТЬ SMS Низкая> then <Риск Очень высокий>

2. Если <Последствия утечки соответствуют Категории 5> и <НАДЕЖНОСТЬ SMS Средняя > тогда <Риск Высокий>

3. Если <Последствия утечки соответствуют Категории 5> и <НАДЕЖНОСТЬ SMS Высокая> тогда <Риск Умеренный>

4. Если <Последствия утечки соответствуют Категории 4> и <НАДЕЖНОСТЬ SMS Низкая> тогда <Риск Высокий>

5. Если <Последствия утечки соответствуют Категории 4> и <НАДЕЖНОСТЬ SMS Средняя> тогда <Риск Умеренный>

6. Если <Последствия утечки соответствуют Категории 4> и <НАДЕЖНОСТЬ SMS Высокая> тогда <Риск Низкий>

7. Если <Последствия утечки соответствуют Категории 3> и <НАДЕЖНОСТЬ SMS Низкая> тогда <Риск Умеренный>

8. Если <Последствия утечки соответствуют Категории 3> и <НАДЕЖНОСТЬ SMS Средняя> тогда <Риск Низкий>

9. Если <Последствия утечки соответствуют Категории 3> и <НАДЕЖНОСТЬ SMS Высокая> тогда <Риск Очень низкий>

10. Если <Последствия утечки соответствуют Категории 2> и <НАДЕЖНОСТЬ SMS Средняя> тогда <Риск Низкий>

11. Если <Последствия утечки соответствуют Категории 2> и <НАДЕЖНОСТЬ SMS Высокая> тогда <Риск Очень низкий>

12. Если <Последствия утечки соответствуют Категории 1> тогда <Риск Очень низкий>

Собранная комиссия экспертов, изучив операционную деятельность завода, оценила последствия утечки риска в 65 баллов из 100, что соответствует 4 Категории. Надежность системы безопасности была оценена в 75 баллов из 100, что попадает в класс Высокой надежности системы. В соответствии с сформулированными правилами, а также применяя алгоритм нечеткого вывода Мамдани, была получена выходная оценка риска, равная 43 балла (Рис.000). Таким образом, полученный результат соответствует средней степени риска, т.е. риск умеренный.

Несмотря на достаточно подробное описание ситуации, авторы не приводят дальнейшего описания применения полученной оценки. Тем не менее, можно предположить, что, настроив таким образом систему, у компании появляется мощный и незаменимый инструмент для последующего мониторинга и контроля рисков.

Размещено на http://www.allbest.ru/

Рис. 10. Система нечеткого вывода для оценки риска

Пример 3

В данном примере рассматривается применение метода Нечеткой Логики для анализа рисков строительных проектов.

Источник примера: статья J.H.M Tah and V. Carr (2000) «A proposal for construction project risk assessment using fuzzy logic» [21]

Авторы статьи отмечают, что строительные проекты - проекты, где неопределенность особо высока. Как известно, существует много методов учета количественных рисков, но ни один из них не дает исчерпывающей и глобальной оценки для строительных проектов.

Tah и Car рассматривают гипотетический строительный проект, связанный с различными рисками, которые сложно описать математическим языком. Авторы поставили задачу получить интегральную оценку риска для строительного проекта с помощью метода нечетких множеств. Данная задача решается в несколько этапов.

Этап 1. Идентификация рисков.

Основными рисками для рассматриваемого проекта экспертами были выделены:

Геологические работы

Производительности труда

Как показано на Рис. 11, каждая из основных групп риска зависит от последующих факторов риска. Каждый из факторов риска независимый. Так, например погодные условия могут воздействовать как на производительность труда, так и на строительные работы, но данный фактор рассматривается отдельно, что позволяет получить более реалистичную оценку.

Размещено на http://www.allbest.ru/

Рис. 11. Классификация рисков для строительного проекта

Этап 2. Определение степени воздействия факторов на общий риск проекта.

Для этого была составлена матрица так называемых Fuzzy associative memories (FAMs), которая ставит в соответствие возможность реализации фактора риска и силу его воздействие на проект.

Сила воздействия фактора

Высокая

Средний

Средний

Умеренно-высокий

Высокий

Высокий

Умеренно-высокая

Ниже среднего

Средний

Средний

Умеренно-высокий

Высокий

Средняя

Ниже среднего

Ниже среднего

Средний

Средний

Умеренно-высокий

Ниже среднего

Низкий

Ниже среднего

Ниже среднего

Средний

Средний

Низкая

Низкий

Низкий

Ниже среднего

Ниже среднего

Средний

Эффект фактора риска

Низкая

Ниже среднего

Средняя

Умеренно-высокая

Высокая

Возможность реализации фактора риска

На данном этапе также необходимо рассмотреть и учесть, как риск каждой из входных групп параметров повлияет на рассматриваемый проект, а именно на изменения:

Сроков

Затрат

качества работ

Безопасность работ

Возможная интерпретация последствий представлена в Таблице 0000.

Описание

Влияние

Изменение сроков

Изменение в затратах

Изменение в качестве

Изменение в безопасности

1

Производительность труда

Низкое

Очень низкое

Очень низкое

Очень низкое

Очень низкое

Среднее

Низкое

Низкое

Очень низкое

Очень низкое

Высокое

Среднее

Среднее

Очень низкое

Очень низкое

2

Геологические работы

Низкое

Низкое

Низкое

Низкое

Низкое

Среднее

Среднее

Среднее

Низкое

Среднее

Высокое

Высокое

Высокое

Среднее

Высокое

Каждый из входных параметров риска был описан с помощью функции принадлежности. Авторами статьи был выбран треугольный вид функции принадлежности «как наиболее часто используемый». Так, например, графическая иллюстрация выходной переменной риск проекта представлена на рис. 12.

Рис.12. Фаззификация выходной переменной «риск проекта».

Этап 3. Оценка входных переменных и формирование правил.

Каждая из входящих переменных, т.е. каждый из факторов рисков, входящих в подгруппы факторов риска оцениваются на основе экспертных оценок. Так, например, в то время как возможность изменения «погодных условий» была оценена экспертами как СРЕДНЯЯ и воздействие данного фактора риска на производительность рабочих также как СРЕДНЕЕ, то для фактора «наличие документации» возможность изменения - НИЗКАЯ (т.к., видимо, большинство разрешений уже получено), а воздействие фактора - СРЕДНЕЕ. риск нечеткий логика моделирование

Далее, в соответствии с матрицей FAMs, формируются логические правила.

Этап 4. Применение метода нечеткой логики для оценки риска Авторы не представляют расчеты на основе метода нечеткой логики, констатируя лишь определенные моменты. .

Используя алгоритм нечеткого вывода Мамдани, а также все предположения, закладываемые в течение анализа, была получена оценка риска изменения входных параметров риска на ключевые параметры проекта (Рис. 13).

Рис. 13. Результат анализа.

Итак, влияние на факторы риска проекта:

На изменение сроков - среднее;

На изменение в затратах - среднее;

На изменение в качестве - низкое;

На изменение в безопасности - среднее.

На основе полученных данных менеджмент компании может сделать вывод, насколько компания готова идти на данный риск в случае принятия проекта.

Применение метода нечеткой логики позволило включить такие лингвистические факторы риска, как производительность труда, погодные условия, сбои в работе оборудования, наличие разрешительной документации к необходимому моменту времени и пр., а также помогла представить наглядные результаты для лиц, принимающих решения.

Преимущества и недостатки метода нечетких множеств

Использование метода нечетких множеств дает ряд преимуществ, т.к. позволяет:

включать в анализ качественные переменные;

оперировать нечеткими входными данными;

оперировать лингвистическими критериями;

быстро моделировать сложные динамические системы и сравнивать их с заданной степенью точности;

преодолевать недостатки и ограничения существующих методов оценки проектных рисков.

Недостатки метода:

существует субъективность в выборе функций принадлежности и формировании правил нечеткого ввода;

отсутствие информированности о методе, а также незначительно внимание к применение метода профессиональными финансовыми учреждениями;

необходимость специального программного обеспечения, а также специалистов, умеющих с ним работать.

Несмотря на недостатки и ограничения теории, метод нечетких множеств получил признание как перспективного и дающего точные результаты рядом крупнейших международных компаний (Motorola, General Electric, Otis Elevator, Pacific Gas & Electric, Ford). Для России, а также развивающихся рынков, использование метода нечеткой логики особо перспективно. Анализ рисков на основе статистических методов для большей части недавно образовавшихся компаний неприменимо, т.к. нет накопленной статистической информации для получения объективных оценок.

Таким образом, метод нечетких множеств не исключает применение статистических методов, а становится инструментом, когда другие подходы к оценке риска неприменимы.

Характерные приложения теории нечётких множеств к финансовому менеджменту следующие:

Анализ риска банкротства предприятия.

Оценка риска инвестиционного проекта.

Построение оптимального портфеля ценных бумаг и бизнесов.

Оценка справедливой стоимости объектов (в том числе объектов недвижимости).

Оценка инвестиционной привлекательности акций и облигаций.

Анализ необходимости и обоснованности IT-решений. Х [24]

Литература

1. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Издательство Тюменского государственного университета, 2000. 352 с.

2. Богатин Ю.В. Инвестиционный анализ: Учебное пособие для вузов. / Ю.В. Богатин, В.А. Швандер - М.: ЮНИТИ-ДАНА, 2000

3. Борисов А.Н., Крумберг О.А., Федоров И.П. принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне. 1990. 184 С.

4. Волков И.М., Грачева М.В. Проектный анализ, Изд. 2-е, перераб., доп., М.: Банки и биржи, ЮНИТИ, 1998, 423 стр. [Электронный ресурс]: http://www.itrealty.ru/analit/book05.html

5. Дубинин Е. Анализ рисков инвестиционного проекта. Журнал «Финансовый директор», №Размещено на http://www.allbest.ru/

11,2003. [Электронный ресурс]: http://www.fd.ru/article/5625.html

6. Кошечкин С.А. Концепция риска инвестиционного проекта [Электронный ресурс]: http://koshechkin.narod.ru/Риск.html, http://www.cfin.ru/finanalysis/quant_Риск.shtml

7. Круглов В. В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. -- М.: Издательство Физико-математической литературы, 2002. -- 252 с.

8. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTech. - СПб.: БХВ-Петербург, 2003. - 736 с.: ил.

9. Масалович А. Нечеткие когнитивные схемы - новый инструмент для моделирования экономических, политических, социальных ситуаций. [Электронный ресурс]: http://www.tora-centre.ru/library/fuzzy/kognit.htm

10. Недосекин А.О. Применение теории нечетких множеств к задачам управления финансами. Журнал «Аудит и финансовый анализ, №2,2000, [Электронный ресурс]: http://www.cfin.ru/press/afa/2000-2/08-2.shtml

11. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций [Электронный ресурс]: http://sedok.narod.ru/sc_group.html

12. Ротштейн А.П., Штовба С.Д. Нечеткий многокритериальный анализ вариантов с применением парных сравнений // Известия РАН. Теория и системы управления.- 2001.- №3.- С.150-154.

13. Теплова Т.В. Финансовый менеджмент: управление капиталом и инвестициями: Учебник для вузов. - М.: ГУ ВШЭ, 2000 - 504 с.

14. Штовба С.Д."Введение в теорию нечетких множеств и нечеткую логику" проекта [Электронный ресурс]: http://matlab.exponenta.ru/fuzzylogic/book1/

15. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб.пособие. - М.: Финансы и статистика, 2004. - 320 с.: ил.

16. Buckley, J. The Fuzzy Mathematics of Finance // Fuzzy Sets & Systems, 1987, N 21.

17. Fuzzy Logic Toolbox. Manual. 1994-2006 The MathWorks, Inc. http://www.mathworks.com/access/helpdesk/help/toolbox/fuzzy/index.html

18. Mahant, Narendra. “Risk Assessment is Fuzzy Business - Fuzzy Logic Provides the Way to Assess Off-site Risk from Industrial Installations”. Risk 2004. 2004. No. 206.

19. Ross Stephen A., Westerfield Randolph W., Jaffe Jeffrey, Corporate Finance, 7th Edition, McGraw-Hill, New York, 2005, p.216.

20. Sanches A.; Pamplona E., Jose A. Capital Budgeting Using Triangular Fuzzy Numbers. V Encuentro Internacional de Finanzas. Santiago, Chile, 2005

21. Tah, H. M., Carr, V., J. A proposal for construction project risk assessment using fuzzy logic //Construction Management & Economics. - 2000.- Vol. 18, №4, pp. 491-500

22. Zadeh L., Bellman R. Decision-making in a fuzzy environment. Management Science, vol.17. No. 4, 1970

23. Zimmerman H.-J. Fuzzy Set Theory and its Applications. Dordrecht: Kluwer Academic Publishers. 1996. 315p.

24. www.wikipedia.org

25. www.glossary.ru

26. http://www.ecsocman.edu.ru/db/msg/140059/2837.html (Теплова Т.В., Инвестиционный анализ, Дополнительные статьи к курсу)

Приложение. Краткий перечень основных терминов (понятий) метода нечеткой логики

Активизация подусловий

- этап алгоритма нечеткого вывода Мамдани, при котором нечеткие подмножества, назначенные для каждой выходной переменной, объединяются вместе, чтобы сформировать одно нечеткое подмножество для каждой переменной.

Алгоритм нечеткого вывода типа Мамдани

- алгоритм нечеткого вывода, основными этапами которого являются 1) Формирование базы правил системы нечеткого вывода, 2) Фаззификация входных параметров, 3) Агрегирование, 4) Активизация подусловий в нечетких правилах продукций, 5) Дефаззификация.

Агрегирование

- этап алгоритма нечеткого вывода Мамдани, целью которого является определение степени истинности каждого из подзаключений по каждому из правил систем нечеткого вывода..

Дефаззификацией

- (defuzzification) - процедура преобразования нечеткого множества в четкое число.

Лингвистические переменные

- переменная, значениями которой могут быть слова или словосочетания некоторого естественного или искусственного языка.

- переменные, которые нельзя описать с помощью математического языка, т.е. им сложно придать точную (объективную) количественную оценку. Например, понятия «малый» и «средний» (говоря о бизнесе), «высокая» или «низкая» (о процентной ставке) не имеют четкой границы и не могут быть представлены точным математическим описанием.

Нечёткое множество

- это подмножество некоторого множества-носителя, принадлежность к которому устанавливается введенной экспертом или экспертным сообществом функцией принадлежности.

Нечеткий логический вывод

(fuzzy logic inference) - апроксимация зависимости с помощью нечеткой базы знаний и операций над нечеткими множествами.

Нечеткое число

- выпуклое нормальное нечеткое множество с кусочно-непрерывной функцией принадлежности, заданное на множестве действительных чисел.

Нечеткая база знаний

- совокупность нечетких правил "Если - то", определяющих взаимосвязь между входами и выходами исследуемого объекта.

Теория нечеткой логики

- (или теория нечетких множеств, или Fuzzy Logic) новый подход к описанию бизнес-процессов, в которых присутствует неопределенность, затрудняющая и даже исключающая применение точных количественных методов и подходов.

Теория нечетких множеств

См. Теория нечеткой логики

Терм

- (от англ. term - называть) любой элемент терм-множества. В теории нечетких множеств терм формализуется нечетким множеством с помощью функции принадлежности.

Терм-множество

- множество всех возможных значений лингвистической переменной.

Формирование базы правил системы нечеткого вывода

- этап алгоритма нечеткого вывода Мамдани, представляющий собой формальное представление эмпирических знаний эксперта.

Фаззификация

- (fuzzification) - процесс нахождения функции принадлежности нечетких множеств на основе исходных данных.

Функция принадлежности

- инструмент перевода лингвистических переменных на математический язык для дальнейшего применения метода нечетких множеств.

- некая математическая функция, задающая степень или уверенность, с которой элементы некоторого множества принадлежат заданному нечеткому множеству А.

Экспертная система

- набор правил, позволяющих системе работать по заданному «экспертному» алгоритму.

Fuzzy Logic

См. Теория нечеткой логики

Размещено на Allbest.ru

...

Подобные документы

  • Анализ традиционных методов оценки экономической эффективности инвестиционных проектов в условиях риска и неопределенности. Применение теории нечетких множеств в оценке экономической эффективности и риска инвестиционных проектов.

    реферат [109,0 K], добавлен 21.10.2006

  • Связь стохастических процессов и дифференциальных уравнений. Алгоритм Бюффона для определения числа Пи. Геометрический алгоритм Монте-Карло интегрирования. Применение метода Монте-Карло в логистике. Алгоритм Метрополиса, квантовый метод Монте-Карло.

    курсовая работа [258,0 K], добавлен 26.12.2013

  • Описание основных положений нечеткой логики: функций принадлежности, лингвистические переменные, база правил нечетких высказываний. Деревья решений и типы решаемых задач. Степень принадлежности примеров к атрибутам. Механизмы анализа нечеткой информации.

    контрольная работа [1,4 M], добавлен 30.01.2015

  • Понятие и структура интеллектуальной системы. Математическая теория нечетких множеств. Причины распространения системы Fuzzy-управления. Предпосылки для внедрения нечетких систем управления. Принципы построения системы управления на базе нечеткой логики.

    реферат [68,3 K], добавлен 31.10.2015

  • Понятие имитационного моделирования, применение его в экономике. Этапы процесса построения математической модели сложной системы, критерии ее адекватности. Дискретно-событийное моделирование. Метод Монте-Карло - разновидность имитационного моделирования.

    контрольная работа [26,7 K], добавлен 23.12.2013

  • Изучение особенностей метода статистического моделирования, известного в литературе под названием метода Монте-Карло, который дает возможность конструировать алгоритмы для ряда важных задач. Решение задачи линейного программирования графическим методом.

    контрольная работа [1,2 M], добавлен 17.12.2014

  • Случайная выборка из генеральной совокупности. Сущность метода Монте-Карло. Определение адекватности принятой эконометрической модели. Линейная регрессионная модель вида. Система нормальных уравнений в матричной форме. Параметры регрессионной модели.

    контрольная работа [323,5 K], добавлен 08.12.2010

  • Характеристика метода Монте-Карло. Его преимущество и недостатки, области применения. Решение задач по оптимизации использования ресурсов, управлению запасами и системе массового обслуживания с помощью средств аналитического и имитационного моделирования.

    контрольная работа [1,4 M], добавлен 22.11.2013

  • Программы инвестиционного анализа, моделирующие развитие проекта. Проработка финансовой части бизнес-плана, оценка инвестиционных проектов. Учет дисконтирования, налогов и инфляции. Формирование плана сбыта. Экономическая эффективность проекта.

    отчет по практике [924,2 K], добавлен 02.06.2015

  • Автоматизация расчета основных показателей эффективности инвестиционных проектов. Финансовая схема реализации в соответствии с типом потоков инвестиций и доходов. Аналитические зависимости для вычисления показателей, построение соответствующих графиков.

    контрольная работа [370,9 K], добавлен 23.03.2011

  • Статистическая модель случайного процесса. Численный метод Монте-Карло. Типы имитации, ее достоинства и возможности. Простая имитационная модель системы обработки документов. Использование для моделирования языка Siman. Его основные моделирующие блоки.

    презентация [1,6 M], добавлен 22.10.2014

  • Эффективность капитальных вложений. Статистические методы оценки целесообразности инвестиций с риском. Анализ чувствительности, сценариев. Установление номинальных и предельных значений неопределенных факторов. Имитационное моделирование Монте-Карло.

    контрольная работа [34,4 K], добавлен 27.10.2008

  • Определение понятия страховых рисков. Изучение основ математического и компьютерного моделирования величины премии, размера страхового портфеля, доходов компании при перестраховании рисков, предела собственного удержания при перестраховании рисков.

    дипломная работа [1,7 M], добавлен 17.09.2014

  • Определение площади фигуры аналитическим методом (с помощью вычисления определенного интеграла) и методом статистических испытаний Монте-Карло. Построение графиков для наглядной демонстрации результатов эксперимента. Вычисление доверительного интервала.

    лабораторная работа [211,9 K], добавлен 15.10.2013

  • Нечеткие множества. Основные понятия нечеткой логики, необходимые для моделирования процессов мыслительной деятельности человека. База правил. Формы многоугольных функций принадлежности. Гауссова функция. Системы нечеткого вывода в задачах управления.

    реферат [844,8 K], добавлен 16.07.2016

  • Определение экономических рисков разными авторами. Основные способы анализа чувствительности модели. Суть и технология анализа чувствительности модели как способ восстановления финансового равновесия, принятия оптимального решения, недостатки метода.

    курсовая работа [205,0 K], добавлен 27.05.2009

  • Теоретические основы математического прогнозирования продвижения инвестиционных инструментов. Понятие системы имитационного моделирования. Этапы построения моделей экономических процессов. Характеристика ООО "Брянск-Капитал". Оценка адекватности модели.

    курсовая работа [2,1 M], добавлен 20.11.2013

  • Анализ роли инвестиций в накоплении капитала. Общая характеристика модели динамики капитала, предложенной выдающимся польским ученым Михаилом Калецким. Примеры оценки результатов реализации различных инвестиционных проектов при помощи моделирования.

    контрольная работа [112,5 K], добавлен 01.08.2010

  • Численные методы решения трансцедентных уравнений. Решение с помощью метода жордановых исключений системы линейных алгебраических уравнений. Симплексный метод решения задачи линейного программирования. Транспортная задача, применение метода потенциалов.

    методичка [955,1 K], добавлен 19.06.2015

  • Применение метода равномерного расположения для оптимизации бизнес-процессов. Программное обеспечение Staffware Process Suit, суть его работы и преимущества. Разработка приложения-прототипа для автоматизации применения метода равномерного расположения.

    дипломная работа [214,9 K], добавлен 21.08.2016

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.