Когнитивные динамические сценарии в системах поддержки принятия финансовых решений

Воронова Н.С.1, Яковлева Е.А.2, Шарич Э.Э.1, Яковлева Д.Д.1
1 Санкт-Петербургский государственный университет, Россия, Санкт-Петербург
2 Санкт-Петербургский государственный экономический университет, Россия, Санкт-Петербург

Статья в журнале

Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 12, Номер 1 (Январь 2022)

Цитировать:
Воронова Н.С., Яковлева Е.А., Шарич Э.Э., Яковлева Д.Д. Когнитивные динамические сценарии в системах поддержки принятия финансовых решений // Экономика, предпринимательство и право. – 2022. – Том 12. – № 1. – С. 211-222. – doi: 10.18334/epp.12.1.114200.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=48019676
Цитирований: 3 по состоянию на 07.08.2023

Аннотация:
В статье развит подход к формализации системы поддержки принятия решений в финансах с применением цифровых двойников объекта управления, интеллектуальных сквозных технологий управления. Авторами определены условия алгоритмизации принятия решений в финансах, особенности развития анализируемой предметной области, пути формализации цифрового двойника объекта управления. Обосновывается возможность применения киберфизических технологий (цифровых двойников) для разработки системы поддержки принятия решений в виде динамического когнитивного сценария. Используемые подходы базируются на теории систем, ситуационного подхода, теории адаптивного управления, экономического анализа, инвестиционного проектирования, проектного финансирования для целеполагания, оценки, анализа и прогноза материальных и нематериальных показателей в процессе обработки информации.

Ключевые слова: финансы, система поддержки принятия решений, когнитивные модели, динамический когнитивный сценарий

JEL-классификация: D81, D83, G00, G30



Введение

В настоящее время растет интерес к разработке интеллектуальных динамических решений в финансах с применением киберфизических технологий управления предприятием, основанных на искусственном интеллекте. Стратегический контур управления предприятием поддерживается финансовым обеспечением процесса предстоящих инвестиционных и операционных затрат. Последствия управленческих решений в финансах, многообразие и сложность развития стратегических проблемных ситуаций обусловливают применение когнитивного моделирования в виде динамического когнитивного сценария.

Процесс принятия решений в современной экономике играет важную роль, предопределяя ключевые решения и позволяя прогнозировать их последствия во многих видах деятельности. Финансовые отношения внутри хозяйствующих субъектов и между ними становятся важным звеном для реализации стратегического потенциала предприятия. Цифровизация финансовых отношений, в том числе на основе цифрового рубля, создает «параллельную реальность» для финансового обеспечения стратегических видов деятельности, прежде всего для развития инновационного процесса на разных уровнях экономики и дальнейшего развития инновационного предпринимательства в целом.

Концепция цифрового рубля как новой формы национальной валюты, обеспечивающей развитие системы платежных средств на основе цифровых технологий, укладывается в общий тренд цифровизации российской экономики. Использование подобной цифровой валюты даст дополнительные возможности предприятиям не только по линии расширения торгового финансирования за рамки традиционных отношений с банками, но также в плане большей безопасности и надежности расчетов на рынках капитала, являющихся внешней средой для любой коммерческой организации [1] (Kochergin, 2021). Вместе с тем глубокая цифровизация финансового сектора, обслуживающего платежи и расчеты, в том числе в рамках инвестиционной деятельности, влечет за собой дополнительные риски для предприятий как клиентов финансовых посредников [2] (Aleshina, Mikhaylov, Padalko, 2021). Расширение доступа к цифровым финансовым услугам сопровождается существенным усложнением как внутренней, так и внешней финансовой среды, что требует использования цифровых технологий в управлении экономикой и финансами предприятия. Для этих целей подходит, в частности, разработка интеллектуальных систем поддержки принятия решений.

Целью исследования является обоснование возможности внедрения так называемых цифровых двойников (киберфизических технологий) в систему поддержки принятия управленческих решений в виде динамического когнитивного сценария. Научная новизна проявляется в когнитивном усилении системы поддержки принятия решений.

Методы и подходы

Вопросы развития методического аппарата и применения современных информационной коммуникационных технологий в системах поддержки принятия решений продиктованы необходимостью соответствия между требованиями субъектов (лиц, принимающих решения) и информационной средой предприятия с учетом развития программных комплексов и интеллектуальных решений в управлении. В теоретическом аспекте представляются интересными положения концепций ситуационного управления Д.А. Поспелова [3] (Pospelov, 1986), адаптивного управления Б.Л. Кукора [4] (Kukor, Klimenkov, 2017), логико-лингвистического моделирования М.И. Игнатьева [5] (Ignatev, Yakovleva, Katermina, 2018), Л.С. Болотовой [6] (Bolotova, 2020), Е.Ю. Хрусталева [7] (Larin, Sokolov, Khrustalev, Khrustalev, 2020), которые служат методологическим фундаментом для масштабного развития теории управления и информационных технологий.

Динамический когнитивный сценарий был предложен Б.Л. Кукором, Е.П. Куршевым и А.Н. Виноградовым в 2020 г. на симпозиуме «Стратегическое планирование предприятия и развитие предприятия» [8] (Kukor, Kurshev, Vinogradov, 2020) для представления знаний в интеллектуальных системах, таких как «Руководитель» [9] (Klimenkov, Kukor, Pytkin, 2010) и «Миракл» [10] (Vinogradov, Kurshev, 2020), для «восприятия реальности» из «отдельных смысловых блоков» путем становления их взаимосвязанности на основе логико-лингвистического моделирования.

Современные системы поддержки принятия решений являются носителями баз знаний о характеристиках, правилах, критериях, показателях, параметрах входа и выхода из социальной экономической системы, ее составе и связях. В данном исследовании речь идет о когнитивных системах поддержки принятия решений (СППР), основанных на управлении знаниями о состоянии и развитии проблемных ситуаций.

Формализация системы поддержки принятия решений

В качестве результата исследования представим на рисунке 1 концептуальную структуру СППР в финансах.

Рисунок 1. Концептуальная структура СППР

Источник: составлено авторами на основе [6] (Bolotova, 2020).

В целях формализации системы поддержки принятия решений в финансах на основе системного ситуационного подхода с применением логико-лингвистического моделирования необходимо составить методику для СППР – алгоритм принятия решений в СППР.

Алгоритм принятия решений в финансах для СППР в рамках действия теории адаптивного управления Б.Л. Кукора и Л.С. Болотовой [6, 9] (Bolotova, 2020; Klimenkov, Kukor, Pytkin, 2010):

1. Процесс агрегирования и обработки информации о текущем состоянии объекта управления и системы с учетом взаимосвязей (потоков) на основе цифрового двойника (оцифрованных свойств и параметров объекта управления (предприятия)).

2. Распознавание и формализация проблемных ситуаций в виде фреймов на основе логико-алгебраического и логико-лингвистического моделирования, классификация их по трем классам согласно теории адаптивного управления Б.Л. Кукора, оценка их влияния друг на друга.

3. Построение когнитивной логико-лингвистической модели дискретно-ситуационной сети проблемных ситуаций согласно теории адаптивного управления для анализа их взаимосвязи в проектируемой области.

4. Анализ рисков угроз возникновения проблемных ситуаций посредством матрицы рисков. Под проблемной ситуацией понимается узкое место, диспропорция развития и/или функционирования, конфликты в объекте управления. Угроза – это причина возникновения проблемной ситуации, риск – это наиболее вероятная из угроз.

5. Оценка целесообразности принятия решений по проблемным ситуациям на основе анализа и выявления рисков посредством ранжирования в матрице рисков.

6. Если решение принимать нецелесообразно (риск не имеет большого веса, потери от его реализации недостаточно велики), необходимо проводить непрерывный мониторинг данной проблемной ситуации на основе цифрового двойника; в случае, если принятие решения целесообразно, переход к следующему пункту.

7. Выявление узких мест, дефицита ресурсов в потоках (как финансовых, так и информационных) между элементарными объектами, связанными с данной проблемной ситуацией, нарушения коммуникаций.

8. Формирование фрейма потоков – пути преодоления узких мест и дефицита ресурсов в потоках.

9. Определение параметров целеполагания для антиципации рисков угроз возникновения проблемных ситуаций:

а) выбор целевой установки на основе дескриптивных функций – целеполагание, анализ и учет проблемных ситуаций как цепочек событий по реализации стратегии;

б) разработка управляющего воздействия (например, корректировка, дополнение финансовой, налоговой, инвестиционной политики).

10. Формализация представления о стратегиях решения проблемных ситуаций (альтернативных сценариях и соответствующих сетевых графиках) на основе фреймов проблемных ситуаций, оцифровка и закрепление параметров проблемных ситуаций в цифровой двойник объекта управления;

11. Формализация стратегий перехода из исходной точки (текущего состояния объекта) в целевую на основе реализации основных функций управления – организация, планирование организации, координация организации и ее контроль с использование когнитивных карт [11, 12] (Karlik, Platonov, Krechko, 2018; Bergman, Dyukov, Platonov, 2015):

а) определение основных мероприятий для реализации решения;

б) определение узких мест и диспропорций;

в) определение направленности изменений;

г) определение лимитирующих критериев.

12. Составление финансовых планов реализации альтернативных сценариев по сетевым графикам достижения цели (планирование, организация планирования, синхронизация планирования и ее контроль по центрам финансовой ответственности) и оценка инновационного потенциала в целом [13, 14] (Yakovleva, Kozlovskaya, Boyko, 2018; Ustinova, Sirazetdinov, 2017) с учетом современных тенденций [15] (Andreeva, 2020) и возможностей выбора показателей [16].

13. Выбор альтернативного сценария на основе предпочтений ЛПР того или иного финансового плана [17] (Moseyko, Korobov, Tarasov, 2015).

14. Корректировка и утверждение стратегии. Закрепление ответственности.

15. Разработка планов действий по выбранной стратегии. Реализация стратегии с учетом состояния инфраструктуры объекта управления [18] (Sosnovskaya, 2018).

16. Контроль и координация управляющих воздействий по достижению плана;

17. Оценка результатов реализации принятого решения (выбранной стратегии из альтернативных сценариев;

18. Мониторинг оцифрованных в п. 10 параметров разрешенной ПС на основе цифрового двойника (во избежание повторения ПС).

Рассмотрев и проработав алгоритм функционирования СППР в финансах, смоделируем и формализуем данную систему в виде рисунка 2.

Рисунок 2. Моделирование СППР в финансах

Источник: составлено авторами на основе [6] (Bolotova, 2020).

Итак, рассмотрев и алгоритмизировав процесс принятия решения согласно системному подходу и на основе логико-лингвистического моделирования, была адаптирована модель СППР в финансах, проиллюстрированных на рисунках 1 и 2.

Фрагмент апробации системы поддержки принятия решений

Как было выявлено ранее, распознавание и диагностику проблемных ситуаций для СППР необходимо реализовывать на основе оцифрованных агрегированных данных об объекте управления, что возможно обеспечить посредством цифрового двойника (нейросетевая киберфизическая технология) объекта управления – компании АО «Связь». В связи с этим цифровой двойник необходимо интегрировать в СППР, данный IT-модуль как часть СППР будет собирать и обрабатывать информацию о текущем состоянии объекта (компании) для последующего распознавания рисков и угроз возникновения проблемных ситуаций.

Цифровой двойник, интегрированный в СППР в финансах для компании АО «Связь», представлен на рисунке 3.

Рисунок 3. Цифровой двойник для СППР на основе модели объекта

Источник: составлено авторами.

Полученная информация в виде оцифрованных параметров и индикаторов передается в СППР, где она анализируется и систематизируется на основе анализа потоков (информационных, финансовых и ресурсных) между элементарными объектами системы их текущем и целевом состоянии, их потребностями и возможностями, несовпадение которых, а также отклонение текущего состояния параметров от целевого (планового) и сигнализируют об узком месте, дефиците, диспропорции, т.е. необходимости принятия решения по избежание реализации рисков и угроз возникновения проблемных ситуаций, в том числе в сфере банковской деятельности [19] (Khrustalyov, 2011) и производстве [20, 21] (Yushina, 2018; Yagolnitser, Kolobova, 2018).

Указанный подход может достаточно точно отслеживать цифровой финансовый оборот предприятия для целей стратегического развития и фондовооруженности, уплаты налогов и обязательных платежей. Что позитивно скажется на экономии ресурсов предприятия, цене продукции.

Заключение

Оценка последствий управленческих решений в финансах, моделирование многообразия и неупрощаемой сложности развития стратегических проблемных ситуаций обусловливают применение когнитивного моделирования в виде динамического когнитивного сценария, создаваемого по правилам обратного логического вывода в процессе принятия решений. В контурах применяемого подхода к разработке системы поддержки принятия решений финансовые отношения и опосредующие их финансовые потоки внутри предприятия становятся более прозрачными, что благоприятно сказывается на отношениях между хозяйствующими субъектами, а в конечном счете положительно влияет на реализацию стратегического потенциала отдельного предприятия, отрасли, региона и экономики в целом за счет ускорения и увеличения надежности.


Источники:

1. Кочергин Д.А. Современные модели систем цифровых валют центральных банков // Вестник Санкт-Петербургского университета. Экономика. – 2021. – № 2. – c. 205-240. – doi: 10.21638/spbu05.2021.202 .
2. Алешина А. В., Михайлов К. С., Падалко А. Финтех и новые вопросы регулирования // Финансовые рынки и банки. – 2021. – № 4. – c. 112-119.
3. Поспелов Д.А. Ситуационное управление: Теория и практика. - М.: Наука. Гл. ред. физ.-мат. лит., 1986. – 288 c.
4. Кукор Б.Л., Клименков Г.В. Адаптивное управление промышленным комплексом региона: теория, методология, практика. - Екатеринбург: ФГБУН Институт экономики Уральского отделения Российской академии наук, 2017. – 305 c.
5. Игнатьев М.Б., Яковлева Е.А., Катермина Т.С. Единство адаптивного управления социально-экономическими и киберфизическими изменениями на основе лингво-комбинаторного моделирования смысла субъект-объектных отношений в сложных системах // Технологическая перспектива в рамках Евразийского пространства: новые рынки и точки экономического роста: Материалы 4-ой Международной научной конференции. Санкт-Петербург, 2018. – c. 482-491.
6. Болотова Л.С. Системы поддержки принятия решений в 2 частях. / 1 часть:учебник и практикум для вузов. - М.: Издательство Юрайт, 2020. – 257 c.
7. Ларин С.Н., Соколов Н.А., Хрусталев Е.Ю., Хрусталев Ю.Е. Модели и методы адаптивного регулирования экономических процессов в наукоемком производственном комплексе // Контроллинг. – 2020. – № 2(76). – c. 42-51.
8. Кукор Б.Л., Куршев Е.П., Виноградов А.Н. Разработка динамического когнитивного сценария функционирования предприятия и производственных комплексов в процессе управления экономикой. Секция 1 // Теоретические проблемы стратегического планирования на микроэкономическом уровне: Сборник докладов участников секционных заседаний XXI Всероссийского симпозиума. Москва, 2020. – c. 98-101.– doi: 10.34706/978-5-8211-0783-1-s1-27.
9. Клименков Г.В., Кукор Б.Л., Пыткин А.Н. Экспертные системы и системы ситуационного управления на базе логико-лингвистических моделей // Вестник Пермского научного центра УрО РАН. – 2010. – № 2. – c. 26-37.
10. Виноградов А.Н., Куршев Е.П. Интеллектуальные решения для системы стратегического управления и планирования // Системный анализ в проектировании и управлении: Сборник научных трудов XXIV Международной научной и учебно- практической конференции: в 3 ч. Санкт-Петербург, 2020. – c. 311-318.– doi: 10.18720/SPBPU/2/137 .
11. Карлик А.Е., Платонов В.В., Кречко С.А. Совместное когнитивное картирование -метод обеспечения междисциплинарных инновационных проектов меганауки // Экономическая наука современной России. – 2018. – № 4(83). – c. 65-84.
12. Бергман Ю.П., Дюков И.И., Платонов В.В. Когнитивное картирование как инструмент оценки качества стратегического мышления на предприятии // Национальные концепции качества: повышение качества в обеспечении конкурентоспособности экономики: Сборник материалов Международной научно-практической конференции. Санкт-Петербург, 2015. – c. 46-48.
13. Яковлева Е.А., Козловская Э.А., Бойко Ю.В. Оценка инновационного потенциала предприятия на основе стоимостного подхода // Вопросы инновационной экономики. – 2018. – № 2. – c. 267-282. – doi: 10.18334/vinec.8.2.39139.
14. Устинова Л.Н., Сиразетдинов Р.М. Инновационный потенциал предприятия: сущность, структура, оценка // Российское предпринимательство. – 2017. – № 23. – c. 3751-3764. – doi: 10.18334/rp.18.23.38616.
15. Андреева Т.В. Тенденции развития промышленности в современной экономической системе: инновационный потенциал // Инновации и инвестиции. – 2020. – № 2. – c. 3-6.
16. Кузьмина О.Е. Показатели, характеризующие инновационный потенциал предприятия. Elar.urfu.ru. [Электронный ресурс]. URL: http://elar.urfu.ru/bitstream/10995/55129/1/vestnik_2014_6 _003.pdf (дата обращения: 04.11.2020).
17. Мосейко В.О., Коробов С.А., Тарасов А.В. Когнитивное моделирование при формировании управленческих решений: потенциал ресурсно-факторного анализа // Креативная экономика. – 2015. – № 5. – c. 629-644. – doi: 10.18334/ce.9.5.267.
18. Сосновская М.С. Проблемы развития инновационной инфраструктуры в России // Инновационная наука. – 2018. – № 5. – c. 137-143.
19. Хрусталёв Е.Ю. Когнитивная модель развития банковской системы РФ // Экономика и математические методы. – 2011. – № 2. – c. 117-127.
20. Юшина К.С. Повышение эффективности деятельности наукоемких предприятий атомной отрасли через кластеризацию на основе теории адаптивного управления // Креативная экономика. – 2018. – № 8. – c. 1153-1164. – doi: 10.18334/ce.12.8.39256.
21. Ягольницер М.А., Колобова Е.А. Измерение влияния институциональных условий на образование инновационных кластеров в регионах России // Вопросы инновационной экономики. – 2018. – № 4. – c. 661-678. – doi: 10.18334/vinec.8.4.39485.

Страница обновлена: 15.07.2024 в 09:24:13