Статьи

Версия для печати

Все статьи | Статьи за 2011 год | Статьи из номера N3 / 2011

Стратегическое управление на основе нейросетевого моделирования

Хлыстова О.В.,
к. э. н., доцент, заведующая кафедрой
«Налоги и налогообложение»
Дальневосточного федерального университета

 

Стратегическое управление особенно актуально для предпринимательских структур постиндустриальной экономики. В настоящее время традиционные методы и формы управления обращены внутрь предпринимательской структуры и служат, как правило, инструментом распределения внутрифирменных ресурсов. Внешние факторы, определяющие  конкурентоспособность предпринимательства, нередко игнорируются или исследуются только в части рынков сбыта. Однако к изучению влияния внешних изменяющихся факторов нельзя относиться как к вынужденной мере, отвлекающей внимание менеджмента от внутренних проблем и задач.

К изменяющимся факторам, влияющим на развитие предпринимательской структуры, можно отнести: инфляцию, растущее ограничение со стороны государства, недовольство потребителей (покупателей), вторжение иностранных конкурентов, новые технологии, меняющуюся трудовую мораль, изменение приоритетов покупателей. Все они увеличивают неопределённость среды функционирования фирмы. Нейросетевое моделирование позволяет быстро и чётко выработать стратегии для функциональных и общекорпоративных целей управления в условиях неопределённости.

До середины 80-х гг. прошлого века существовало несколько общепризнанных методов прогнозирования временных рядов (одномерная зависимость данных): эконометрические, регрессионные, методы Бокса–Дженкинса (ARIMA, ARMA). В случае многомерной зависимости на первый план выходят дисперсионный анализ и многомерное моделирование (линейное и нелинейное).

В это же время был опубликован ряд статей по нейросетевой тематике, в которых был приведён эффективный алгоритм обучения нейронных сетей и доказана возможность их использования для самого широкого круга задач.

Эти статьи возродили интерес к нейронным сетям в научном сообществе. Отчасти из-за относительной сложности (процесс происходит итеративно, но при проведении расчётов проследить все последовательные шаги невозможно) и недетерминированности интеллектуальных систем анализа данных (нейронных сетей и генетических алгоритмов) эти технологии не сразу стали применять в практической экономике. Тем не менее с течением времени их стали применять для оценки рисков, контроля технологических процессов, управления роботами. Одним из самых успешных приложений нейронных сетей стало прогнозирование временных рядов, особенно на финансовых рынках и рынках продаж.

Отметим главные принципы функционирования любой отрасли производства как системы. Во-первых, это естественным образом согласованное взаимодействие её отдельных элементов. Очевидно, что если некая система находится в состоянии экономического равновесия, то вариации поведения отдельных элементов ограничены.

Второй важный принцип – инерционность системы. Поэтому в стабильно работающей компании с устоявшимися технологическими процессами и коммерческими связями не может быть резких «всплесков» ключевых количественных характеристик.

Согласно этому возможно отыскать некий показатель, являющийся наиболее важным с позиции характеристики деятельности компании, который может быть использован как базовый для определения прогнозных значений других показателей с помощью пропорциональных зависимостей.

Н а мой взгляд, стратегическая модель управления должна оценивать выход системы, то есть основное внимание должно уделяться не входным, а выходным параметрам.

При этом строится идеальная модель выхода, а управление осуществляется по отклонению фактических результатов от конечной цели. Идеальная модель управления, то есть создание будущего организации, наиболее продуктивно, если система или её часть оказываются в положении, когда мелкие улучшения моделей и практик управления не гарантируют будущего успеха и, по существу, могут даже ускорить развитие кризиса.

Теория идеализированного проектирования была разработана и впервые предложена Расселом Л. Акоффом, который доказал, что она не имеет пределов в практическом использовании [1].

Я рассматриваю прежде всего инструментальное средство, позволяющее использовать различные расчётно-модельные модули, в том числе методы искусственного интеллекта. В качестве «экономической основы» был взят достаточно представительный ряд показателей деятельности рыбопромыслового комплекса по Приморскому краю (1999–2009 гг.), сформированных на основе статистической и бухгалтерской отчётности. Целевой функцией в исследовании является повышение эффективности и конкурентоспособности предпринимательских структур РПК по Приморскому краю с учётом прогнозирования минимальных и максимальных результатов деятельности.

В качестве средства оценки мы будем использовать показатели, сгруппированные в шесть наиболее важных групп, оценивающих уровень технико-организационного потенциала рыбопромышленного комплекса Приморского края (РПК ПК). Исходя из множества значений макроэкономических и микроэкономических показателей за ряд лет, попытаемся выявить их взаимосвязи, структурные и стохастические закономерности в виде простой модели, пригодной, во-первых, для прогнозирования значений этих показателей; во-вторых, для получения приемлемых значений управляемых величин.

Для решения задачи воспользуемся нейронными сетями. Под нейронными сетями подразумеваются вычислительные структуры, которые для обработки сигналов используют процессы анализа, аналогичные происходящим в нервной ткани живых существ. Важнейшая особенность сети состоит в параллельной обработке информации её звеньями сети. Это позволяет значительно ускорить процесс обработки сигналов в реальном времени. Кроме того, сеть приобретает устойчивость к возникающим ошибкам.

Другое важное свойство – способность к обучению и обобщению накопленных знаний. Нейронная сеть обладает свойствами искусственного интеллекта. Обученная на ограниченном множестве данных, сеть способна обобщать полученную информацию и показывать хорошие результаты на новых данных, не использовавшихся в обучении.

По архитектуре связей нейросети могут быть сгруппированы в два класса: сети прямого распространения, в которых связи не имеют петель, и сети рекуррентного типа, в которых возможны обратные связи.

Для реализации работы моделей нейронных сетей разного вида разработано специальное программное обеспечение. В качестве наиболее удобного и адаптированного для квалифицированного пользователя средства могут быть рекомендованы:
- пакет Statistica Neural Networks, в частности для решения задач регрессии и прогнозирования временных рядов;
- надстройка Excel Neural Package, реализующая концепцию нейронных сетей и возможности решения широкого круга финансово-экономических, статистических и управленческих задач с помощью сетей на основе однослойного и многослойного перцептрона.

К профессиональным пакетам прикладных программ можно отнести продукты компаний Ward Systems Group, Inc. и российской компании «НейроПроект».

На этапе обучения происходит вычисление синаптических коэффициентов в процессе решения нейронной сетью задач, в которых нужный ответ определяется не по правилам, а с помощью примеров, сгруппированных в обучающие множества [2, с. 26].

Такое множество состоит из ряда показателей с указанием для каждого из них выходного  параметра, который в нашем обучении включает наибольшее и наименьшее значение.

Это сделано для того, чтобы можно было определить максимальные и минимальные риски деятельности предпринимательской структуры, при которых она имеет возможность «жить». Происходящие при этом действия можно назвать контролирующим обучением с «учителем», который подаёт на вход нейросети вектор исходных данных, а на выходе сообщает желаемое значение критерия. Контролируемое «учителем» обучение нейронной сети можно рассматривать как решение оптимизационной задачи, целью которой является уменьшение ошибок или несогласованности параметров сети.

Всё множество показателей, представленных в экономических, социально-политических и технологических группах, можно разделить на два блока (прил.): блок показателей микроэкономического управления и блок показателей макроэкономического управления. Система ключевых факторов успеха формирует базу мониторинга эффективности деятельности предпринимательских структур, которая позволяет:
- установить критерии, оценивающие поставленные задачи мониторинга;
- отобрать из множества вариантов те показатели, которые наиболее полно отвечают сбалансированности тактических и стратегических целей предпринимательских структур;
- определить алгоритм реализации выбранных показателей в рамках имеющихся возможностей и ограничений, учитывая многообразие рисков;
- оценить связи и структуру связей с помощью показателей в системе стратегического управления.

Для решения поставленных задач и построения моделей нейронных сетей мы использовали программный пакет Statistica Neural Networks. В пакете STNN для решения задач прогноза временных рядов можно применять сети нескольких типов: линейная сеть (ЛС), многослойный перцептрон (МП), сеть радиальной базисной функции (РБФ), вероятностная нейронная сеть (ВНС), обобщённо-регрессионные нейронные сети (ОРНС).

Выбор входных переменных является исключительно важным этапом при построении нейронной сети. Для устранения из входных данных несущественных и редко встречающихся факторов необходимо провести предобработку данных, то есть восстановить пропущенные данные, устранить аномальные выбросы, убрать высокочастотные шумы. Качественная предобработка позволяет значительно улучшить качество прогноза. Предобработку данных и выбор нужных входных переменных при разведочном анализе данных мы выполняли с помощью модуля нейрогенетического отбора входных данных (Neuro-Genetic Input Selection), входящего в программный пакет STNN. Генетические алгоритмы позволяют производить поиск среди большого числа комбинаций при наличии внутренних зависимостей в переменных.

Алгоритм построения нейросетевой модели на основе исходных данных состоит из следующих этапов:
1. Создание и оптимизация выборки. Выборка создаётся на основе ежегодных данных за 1999–2009 гг., что позволяет учитывать цикличность сезонного спроса и наличие тренда развития по годам. Предобработка данных и выбор нужных входных переменных выполняется с помощью модуля нейрогенетического отбора входных данных.

2. Построение нейросетевой модели. На этом этапе необходимо выбрать структуру нейронной сети, алгоритм обучения. При построении сети для прогноза временного ряда используем входные переменные – значения критериев по годам, а в качестве выходных переменных берём прогнозируемые значения по годам (2010 min и 2010 max) и задаём ей тип Input/Output.

Для поиска лучшей архитектуры и выбора оптимального метода обучения был использован модуль «Интеллектуальный исследователь задач» (Intelligent Problem Solver, IPS), программный пакет STNN. Модуль IPS позволяет автоматически выбрать тип сети, архитектуру и способ обучения, рассматривая поиск лучшего варианта как оптимизационную задачу.

В процессе обучения алгоритма поиска сеть самостоятельно разбивает всё множество наблюдений на обучающее (Training), контрольное (Selection) и тестовое (Test).

С помощью модуля IPS исходные данные разбиваются случайным образом на три подмножества.

В нашем примере обучающее множество составило 35 позиций, или 50%; тестовое множество – 17, или 25%, контрольное – 17, или 25%. На обучающем множестве происходит непосредственное обучение сети, то есть изменение весовых коэффициентов нейронов пропорционально ошибке на выходе. Данные контрольного множества используются для кросспроверки: на каждом шаге обучения сети рассчитывается ошибка для всего набора наблюдений из контрольного множества и сравнивается с ошибкой на обучающем множестве.

Поскольку алгоритм обучения сети нацелен на минимизацию ошибки на выходе сети, то хорошей сетью следует признать ту, у которой ошибка одинаково мала на всех трёх подмножествах. Производительность сети (S.D. Ratio) – это отношение стандартного отклонения ошибок сети к стандартному отклонению исходных данных.

Если производительность сети не превышает значения 0,2, то сеть подобрана хорошо.

При выборе нейросети следует также учитывать, что общее число связей сети (весов) должно быть в несколько раз меньше объёма обучающей выборки. Это обеспечивает достаточно гладкую аппроксимацию данных.

Наиболее производительными оказались пять типов сетей разного качества, определяемого средней ошибкой, и разной сложности:
1) линейная сеть (ЛС 8:8-3:3);
2) многослойный перцептрон (МП 7:7-16-3:3);
3) сеть радиальной базисной функции (РБФ 9:9-4-3:3);
4) сеть радиальной базисной функции (РБФ 9:9-6-3:3);
5) обобщённо-регрессионные нейронные сети (ОРНС 9:9-35-4-3:3).

Из пакета STNN для решения задач прогноза временных рядов была исключена вероятностная нейронная сеть (ВНС), которая не прошла обучение по заданным параметрам. Многократное проведение экспериментов позволило оценить возможности прогнозирования временных рядов вышеуказанных типов сетей.

3. Обучение нейронной сети. Линейная сеть – это самая простая нейросеть, которая не содержит промежуточных (скрытых) слоёв и в выходном слое содержит только элементы с линейной функцией активации.

В зависимости от типа нейронной сети использовался соответствующий алгоритм её обучения:
- линейная сеть и многослойный перцептрон обучались с помощью алгоритма обратного  распространения ошибок или метода спуска по сопряжённым градиентам;
- нейронные сети РБФ и ОРНС обучались при помощи алгоритмов: К – средних для назначения радиальных центров, К – ближайшего соседства для определения отклонений (радиусов) радиальных элементов и минимальноквадратичного алгоритма оптимизации для линейного выходного слоя.

IPS выбрал лучшими сети типа РБФ и ОРНС, прежде всего благодаря наличию в РБФ и ОРНС скрытого слоя нейронов с нелинейными радиально-базисными функциями активации. Эта особенность позволяет отслеживать малейшие изменения в уровнях исследуемого временного ряда. Тестовая производительность нейросетей типа ЛС 8:8-3:3 составила 0,356715, а МП 7:7-16-3:3 – 0,385926, что и явилось обоснованием для их исключения из состава анализируемых сетей по результатам оптимизации производительности и сложности сети (табл. 1).

Архитектуры сетей РБФ и ОРНС показали наилучшие результаты по оптимизации между производительностью сети и её сложностью. Наиболее значимый критерий результата оптимизации – тестовая производительность и тестовая ошибка. Тестовая производительность РБФ и ОРНС не превышает 0,2, что является показателем хорошо подобранной сети. Анализ исследуемых архитектур с учетом тестовой ошибки представлен в табл. 2.

Нетрудно заметить, что ошибки обучения, контрольная и тестовая имеют наибольшее значение для архитектуры сетей типа ЛС и МП – более 0,2 (см. табл. 2).

Анализ статистики регрессии по результатам ошибки также свидетельствует, что нейросети РБФ 9:9-6-3:3 и ОРНС 9:9-35-4-3:3 дали наилучшие результаты обучения.

В число показателей статистики регрессии были включены: среднее значение целевой выходной переменной; стандартное отклонение целевой выходной переменной; средняя ошибка выходной переменной; абсолютная средняя ошибка; стандартное отклонение ошибки; отношение стандартного отклонения ошибки к стандартному отклонению данных; коэффициент корреляции.

Модуль IPS автоматически выбрал тип сети, архитектуру и способ обучения, рассматривая поиск лучшего варианта как оптимизационную задачу, что и было поставлено в качестве предварительного этапа стратегического управления. В дальнейшем на основании этого можно рассчитать уравнение нейрорегрессии и оценить его адекватность.


Литература
1. Акофф Р.Л., Магидсон Дж., Эдисон Г.Дж. Идеализированное проектирование. Создание будущего организации. – Днепропетровск : Баланс Бизнес Букс, 2007.
2. Ширяев В.И. Нейросетевые методы в анализе финансовых рынков : учеб. пособие.– М. : КомКнига, 2007.

Отдельные номера журналов Вы можете купить на сайте www.5B.ru
Оформление подписки на журнал: http://dis.ru/e-store/subscription/



Все права принадлежат Издательству «Финпресс» Полное или частичное воспроизведение или размножение каким-либо способом материалов допускается только с письменного разрешения Издательства «Финпресс».