WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Схема ситуационного управления лизинговой деятельностью в условиях риска (рис. 1) отображает основные блоки модуля интеллектуальной информационной поддержки принятия управленческих решений. За основу схемы взята двухконтурная система ситуационного управления. Схема включает: внешний контур выбора стратегии и внутренний контур реализации стратегии управления лизинговой деятельностью. Под стратегией понимается план действий, разрабатываемый руководством лизинговой компании – лицом, принимающим решения (ЛПР) в процессе управлении лизинговой деятельностью в условиях риска.

Задача управления заключается в своевременном распознавании рисковых ситуаций, разработке и вводе в действие соответствующей стратегии управления лизинговой деятельностью.

Задачи предотвращения кризисных ситуаций лизинговой сделки являются основной частью комплекса задач управления лизинговой деятельностью. Ситуации, связанные с риском лизинговой сделки, характеризуют состояния, которые необходимо избежать в процессе управления лизинговой деятельностью.

Организация интеллектуальной информационной поддержки принятия управленческих решений основана на использовании принципов интеллектуального управления, в частности, предусмотрен «блок распознавания рисковой ситуации» (рис.2), предназначенный для мониторинга, планирования и поддержки принятия управленческих решений ЛПР, учитывающий возможность риска лизинговой сделки. В качестве ЛПР выступают независимый эксперт либо руководитель лизинговой компании.

Рисунок 1. Схема ситуационного управления лизинговой деятельностью

Для решений задач системного моделирования использована методология SADT, поддержанная CASE-средством моделирования IDEF. На рис. 3 представлен фрагмент функциональной модели, построенной на основе данной методологии, которая является основой для разработки программного обеспечения информационной поддержки принятия решений (ИППР) в процессе управления лизинговой деятельностью в условиях риска.

Модуль интеллектуальной информационной поддержки принятия решений реализован в соответствии с трехзвенной структурой: служба баз данных (сделок); служба приложения; служба интерфейса.

Рисунок 2. Блок распознавания рисковой ситуации

Рисунок 3. Фрагмент функциональной модели

При использовании трехзвенных структур появляется возможность снять часть нагрузки с клиента и сервера баз данных на специально выделенный сервер приложений. В этом случае можно проводить вторичную обработку данных отдельно от отработки интерфейса с пользователем и передавать только актуальные данные от сервера приложений к клиенту.

В третьей главе предложены методы информационной поддержки принятия управленческих решений в процессе лизинговой деятельности и показана целесообразность прогнозирования риска коллективами решающих правил.

Предполагается, что получена последовательность ситуаций, (1, 1), (2, 2), …, (N, N), (N+1, N+1), …, (N+m, N+m), которая является результатом предыдущей работы лизинговой компании (ЛК) с конкретными лизингополучателями. При этом считается, что вектор j принадлежит к первому классу, если j = 0, ко второму классу, если j = 1, и т. д. j =1, 2,..., N+m. Эта последовательность состоит из обучающей (1, 1), (2, 2), …, (N, N) и контрольной (N+1, N+1), …, (N+m, N+m) последовательностей. Требуется на основании обучающей последовательности синтезировать решающее правило, которое классифицировало бы вновь поступающие ситуации (совпадающие или отличающиеся от ситуаций обучающей последовательности) с минимальными потерями от неправильного распознавания. Качество построенного решающего правила проверяется на контрольной последовательности (N+1, N+1), …, (N+m, N+m).

В рассматриваемом случае два класса векторов соответствуют двум состояниям прогнозируемой лизинговой сделки:

= 0 – состояние нормального завершения лизинговой сделки,

= 1 – состояние убыточного завершения («кризисная ситуация»).

В теории распознавания образов решающее правило строится с помощью дискриминантной функции g () и имеет следующую структуру: принять решение = 0, если g ()>0 и = 1, если g () 0, так что задача обучения заключается в построении по обучающей последовательности (1, 1), …, (N, N) оптимальной дискриминантной функции g ().

Если обозначить через ij – потери в ситуации, когда предсказывается состояние i (i=0, 1; где 0 – «норма», 1 – кризисная ситуация), а контролируемый лизинговый контракт (сделка) будет находиться в состоянии j (j =0, 1), а через Pij – вероятность указанной ситуации, то средние потери будут равны R

R= 0000 + 0101 + 1010 + 1111 (1)

и зависят от способа разделения, т.е. от выбора множества ситуаций В, R=R(B).

Таким образом оптимальность разделения означает, что в качестве В необходимо выбрать множество В0,

.

Задача разделения всего пространства ситуаций на два класса оптимальным, в определенном смысле, образом хорошо известна как задача распознавания образов. Поэтому задачу прогнозирования риска в процессе управления лизинговой деятельностью предложено интерпретировать в терминах теории распознавания образов и решать ее методами данной теории.

Для применения статистических методов распознавания к задаче прогнозирования риска в лизинговой деятельности произведена бинаризация факторов риска (табл. 1).

Пространство факторов риска состоит из 2d векторов, а P(/0) и P(/1) имеют смысл условных вероятностей появления вектора в состоянии = 0 и = 1 соответственно.

Показано, что в этом случае, байесовское решающее правило является оптимальным в смысле минимума финансовых потерь по критерию экономической эффективности (1).

Байесовское решающее правило получено в предположении, что ситуации возникают случайно в соответствии с некоторыми вероятностными распределениями в каждом из двух классов. Если бы вероятности были известны, то никаких других методов прогнозирования риска в процессе управления лизинговой деятельностью не потребовалось. Однако ситуации, когда известны все указанные распределения, на практике встречаются крайне редко. В лучшем слу­чае относительно распределений бывает известно, что они принадлежат к одному из унимодальных классов распределений, характеризующихся одним или несколькими параметрами. В задаче прогнозирования риска в лизинговой деятельности финансовые потери от правильного решения равны нулю, 00 = 11 = 0, а потери от ошибочных решений не равноценны. Причем потери от пропуска «кризисной ситуации» в раз, > 1, превосходят потери от ложной тревоги, то есть 01 > 10, 01 = 10.

По обучающей последовательности находят оценки неизвестных параметров и, подставляя их в выражение для распределений, получают из байесовского решающего правила псевдобайесовское правило:

принять решение = 0, если, = 1, в противном случае.

Таблица 1. Бинаризация факторов риска

Факторы риска

Бинаризация факторов риска

Общие

Х1

Политические

0 - стабильное состояние социально- политической

системы,

1 – нестабильное состояние;

Х2

Макроэкономические

0 - подъем в экономике,

1 – кризис в экономике;

Х3

Правовые

0 - статическое состояние законодательства,

1 – динамическое состояние;

Х4

Налоговые

0 - четкая формулировка налоговых правил,

1 – противоречия в формулировке;

Специфические

Х5

Проектные

0 – финансовая состоятельность лизингового

проекта,

1 – финансовая несостоятельность проекта;

Х6

Х7

Х8

Предметные:

Невозврат лизингового имущества

Утрата лизингового имущества

Невозможность реализации лизингового имущества

0 – возврат лизингового имущества,

1- невозврат лизингового имущества;

0 - лизинговое имущество сохранено,

1 - лизинговое имущество физически утрачено;

0 - реализовано на вторичном рынке,

1 - не реализовано;

Х9

Х10

Х11

Финансовые:

Портфельные

Процентные

Валютные

0 - правильное распределение портфеля лизинговых

контрактов,

1 - неадекватное распределение;

0 – плавающая процентная ставка по банковскому

кредиту,

1 – фиксированная процентная ставка;

0 –стабильная цена валюты,

1- нестабильная цена валюты;

Х12

Инвестиционные

0 –оптимальность решения о лизинговом проекте,

1 – неоптимальность решения;

Х13

Неуплата лизингового платежа

0 – оптимальность графика лизингового

платежа,

1 – неоптимальность графика лизингового

платежа.

В основе конструкции целого класса решающих правил, отличных от псевдобайесовского, ле­жит следующая идея: вводится метрика в пространстве призна­ков (т.е. указывается способ исчислять расстояние между лю­быми двумя векторами из ) и при поступлении очередной ситуа­ции, вычисляется расстояние (,l) l = 1,..., N до каждого элемента обучающей последовательности. Затем ситуацию относят к тому классу, представители которого ближе к l.

Эта группа решающих правил, отличающихся друг от друга конкретным видом метрики, а также тем, сколько элементов обуча­ющей последовательности, близких к распознаваемой ситуации учитывается (один, К, 1< К< N, или все) в процессе управления лизинговой деятельностью, отнесена к эвристическим решающим правилам.

В основе стационарного эвристического подхода лежат решающие правила методов потенциальных функций, Фикса—Ходжеса и минимума расстояния до средних. Данные методы формируют решения, не зависящие от момента поступления вектора риска на распознавание.

Для нестационарного случая более предпочтительны методы прогнозирования, формирующие решение, зависящее как от состава вектора риска, так и от предыстории его поступления на распознавание. Учет предыстории обуславливает то, что прогнозирование риска в процессе управления лизинговой деятельностью, в общем случае, не может быть сведено лишь к мето­дам теории распознавания образов и требует применения специальных методов. Наиболее универсальными среди них являются эволюционные предсказывающие алгоритмы (ЭПА). Универсальность ЭПА обусловлена возможностью работы в условиях предельной информативной неопределенности. Строящиеся ими решающие правила постоянно адаптируются к изменяющимся условиям генерации векторов риска, т.е. к изменени­ям во внешнем проявлении функционирования прогнозируемой лизинговой сделки.

В работе показано, что с целью повышения качества долгосрочных прогнозов риска в процессе управления лизинговой деятельностью, прогнозирование це­лесообразно вести коллективами разнотипных решающих правил или, что то же самое, на основании синтезированного составного (гибридного) решающего правила (ГРП). ГРП строит свои прогнозы исходя из прогнозов всех разнотипных решающих правил (РП).

В работе выделено три основных принципа проектирования коллектива РП: одинаковой сложности, осуществимости и необходимого разнообразия.

Оценка качества разработанных алгоритмов эконометрического прогнозирования риска в процессе управления лизинговой деятельностью рассматривалась на основе реальных данных и данных, полученных с помощью генератора лизинговых сделок.

В четвертой главе разработано алгоритмическое обеспечение для прогнозирования риска в лизинговых сделках, на основе которых создано программное обеспечение на языке C++. Данный программный продукт анализирует любую сделку по системным факторам риска, прогнозирует результат и относит ее к одному из двух классов (прибыльных или опасных).

Проведен анализ работоспособности и целесообразности использования разработанного подхода к методологии информационной поддержки принятия управленческих решений на основе прогнозирования риска в процессе лизинговой деятельности.

Наибольшее число повторений лизинговых сделок с одинаковым количеством факторов риска, относящихся к «кризисной ситуации», принимающих значение 1 – это 4 фактора. В реальной действительности финансовый риск наступал чаще в тех лизинговых сделках, где количество факторов риска, относящихся к 1, было равно 5.

Анализ эффективности показал, что прогнозирование с помощью ГРП дает наименьшее среднее значение частоты ошибочных прогнозов по сравнению с другими разнотипными РП (табл. 2). Применение гибридного решающего правила позволяет повысить качество прогнозов, в частности, в рассмотренных примерах на 25–30 %.

Таблица 2. Частота ошибочных прогнозов (среднее значение)

Вероятность

появления 1

Метод Байеса

Метод потенциальных функций

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»