CC BY
27
ночного механизма экономических отношений в сфере природопользования (аренда, лицензирование, рентные отношения).
Основой разрешения проблем регулирования территориально-отраслевых отношений являет-
ся создание эффективной экономики, условий для тесных контактов между районами и отраслями. Применение вышеуказанных подходов и принципов поможет создать условия для стабильного экономического развития региона.
СПИСОК ЛИТЕРАТУРЫ
1. Мильнер Б. 3. Теория организаций. М.: ИНФ-РА-М, 1998. С. 336.
2. Моришима М. Равновесие, устойчивость, рост. Многоотраслевой анализ. М., 1972.
3. Садовский В. Н. Основания общей теории систем. М.: Наука, 1974.
4. Социально-экономическое положение Республики Дагестан в 2000 году. Доклад Госкомстата РД.
5. Социально-экономическое положение Республи-
ки Дагестан в 2001 году. Доклад Госкомстата РД.
6. Социально-экономическое положение Республики Дагестан в 2002 году. Доклад Госкомстата РД.
7. Социально-экономическое положение Республики Дагестан в 2003 году. Доклад Госкомстата РД.
8. Социально-экономическое положение Республики Дагестан в 2004 году. Доклад Госкомстата РД.
9. Эшби У. Росс. Введение в кибернетику. М.: Изд-во Иностр. Лит. 1959.
Л.В. Николова Формирование системы управления рисками
инновационного процесса региона
Современный этап развития деятельности регионов отличается от предшествующих, возросшей ролью и самостоятельностью в формировании и создании инновационного комплекса региона, что привело к необходимости формирования региональной системы управления рисками инновационного процесса.
В данной работе рассматривается один из подходов формирования системы управления рисками инновационного процесса региона, который основан на логике развивающихся систем с применением логико-вероятностного метода оценки рисков, метода системной оптимизации при формировании модели оценки и управления рисками инновационного комплекса региона.
Инновационный комплекс региона характеризуется значительной неоднородностью, взаимодействием элементов и участников его составляющих и представляет собой сложный процесс. Каждый из участников инновационного процесса, исходя из своих экономических интересов, осуществляет целенаправленную инновационную деятельность, выступая в разные периоды либо в роли инвесторов, либо в роли реципиентов. Это является основанием для рассмотрения инновационного комплекса как системы, представляющей собой совокупность хозяйствующих субъектов, образующих единое целое, взаимосвязанных
и взаимодействующих между собой в процессах накопления, вложения и эффективного использования капитала с целью его расширенного воспроизводства, что дает возможность признать инновационный комплекс региона сложнооргани-зованной системой, которая, с одной стороны, является частью системы более высокого иерархического уровня, а с другой стороны, сама состоит из элементов, представляющих собой самостоятельные подсистемы. Инновационный комплекс можно представить как замкнутую, непрерывную систему взаимодействия рисков, структуру, свойства, оценку и управление которыми необходимо исследовать. Любой риск можно представить как систему, понимая под ней совокупность риск-факторов с независимыми эффектами взаимодействия между ними.
Риск-фактор - случайное событие или группа событий, обуславливающих данный вид риска. Иначе говоря, это, так называемые, факторы и эффекты их взаимодействия, которые позволяют определить, что одно риск-событие может определяться одним или несколькими риск-факторами, наносящими ущерб объекту, обладающему данным риском. Это говорит о двойственности системного образования как инновационного комплекса, так и рисков, вызывающих неопределенность получения результата инновационного про-
цесса. Для управления рисками инновационного процесса проведем анализ и оценку, которые основываются на трех уровнях принципов: методологические принципы, определяющие концептуальные положения и не зависящие от специфики вида риска, такие как - однотипность рисков для участников инвестирования, позитивность рисков (приемлемость их интегрального уровня), объективность рисков, корректность рисков (интегральная монотонность, непропорциональность, транзитивность, аддитивность), комплексность и взаимозависимость рисков; методические принципы, непосредственно связанные с видом деятельности, его спецификой, ценностными представлениями, конкретно-историческими ситуациями, такие как диссонансируемость рисков, разновоспринимаемость, динамичность, согласованность рисков; операционные принципы, связанные с наличием, достоверностью, однозначностью информации и возможностями ее обработки, такие как - моделируемость и симп-лифицируемость рисков.
Для анализа и оценки рисков был использован подход исследования систем. Все многообразие подходов исследования систем делится на анализ и синтез, которые, в свою очередь, классифицируются как: анализ - функциональный и структурный; синтез - эмержентный (определяющий наличие у системы свойств целостности) и синергетический (характеризующий совместность, мультипликативность воздействия). Выявление эмерджентных свойств риск-факторов констатирует факт появления новых риск-факторов у взаимодействующих объектов. Принимая во внимание выше изложенное, можно сделать вывод о том, что использование системно-синерге-тической методологии позволяет по иному взглянуть на инновационный комплекс региональной экономики и открывает новые возможности при формировании системы управления рисками инновационного процесса.
Экономико-математические методы анализа рисков инновационного процесса, при решении прямых и обратных задач управления рисками, условно можно разделить на количественные и качественные. К количественным методам относятся: планирование эксперимента, спираль рисков, метод аналогий или консервативные прогнозы, метод ставки процента с поправкой на риск, анализ сценариев, метод «деревья решений», анализ чувствительности, метод имитационного моделирования. К качественным методам относятся: метод экспертных оценок, SWOT-анализ. Ана-
лиз научной литературы по использованию математических моделей, при разработке экономико-математических методов, позволил сделать вывод, что далеко не все методы сформированы на базе моделей их обосновывающих. Математическая модель - приближенное описание какого-либо класса явлений внешнего мира, выраженное с помощью математической символики. Анализ математической модели позволяет проникнуть в сущность изучаемых явлений. Математическая модель - мощный метод познания внешнего мира, а также прогнозирования и управления [1]. Существует множество типов моделей для управления рисков сложных систем [3]: сценарий неуспеха, аварии или катастрофы; структурные или граф-модели риска; логические модели риска; вероятностные модели риска; критические вопросы для прогнозирования неприятностей; модели технологии испытаний, состоящие из процедур и операций, представленных в виде семантической сети; модели описания объектов в виде требований технических условий; модели затрат на решения и возможного ущерба при отсутствии решений; модели организационного управления в виде фреймовой сети, ведущей технологию и протоколы, выпуск отчетов и извещений; модели программ и протоколов испытаний в виде таблиц; модели состояния системы эксплуатации в виде таблицы «состояния и параметры»; экспертные системы с правилами «если - то» и «по аналогии», семантическими и фреймовыми сетями. В названных моделях и правилах важную роль играют допустимые значения параметров, являющихся, как правило, случайными величинами. Реализация выше перечисленных моделей возможна при решении следующих задач управления рисками инновационного комплекса региона: построение сценарной и структурной моделей риска; определение событий-признаков и событий-градаций; определение групп несовместных событий (ГНС); дискретизация распределений случайных событий-градаций; генерирование произвольных дискретных распределений; построение логической модели риска; ортогона-лизация логической модели риска; построение вероятностной модели риска; нормализация вероятностей событий; оптимизация логико-вероятностной (ЛВ)-модели риска; определение связи параметров риска Yad, Risk, Nad, Had. Рассмотрим методы и способы решения перечисленных выше задач: построение сценарной и структурной моделей риска [3]. Можно использовать как сценарий риска успеха, так и сценарий неуспеха.
Вероятности успеха и неуспеха связаны простой зависимостью и дополняют одна другую до 1. Конструктивно необходимо акцентировать внимание на неуспехе и строить и использовать сценарий и ЛВ-модели риска неуспеха. Сценарий может иметь физическую основу или быть ассоциативным и определять все или ограниченное число опасных состояний инновационного процесса. Сценарий представляется в виде графа. Определение событий-признаков и событий-градаций. Вероятности событий-признаков и событий-градаций заданы, или определяются по статистическим данным по частоте использования событий-градаций в состояниях, или определяются в результате решения задачи идентификации по статистическим данным. Определение групп несовместных событий (ГНС) и дискретизация распределений случайных событий-градаций. Дискретизация случайной переменной может быть естественной и искусственной. Например, случайная переменная 2. для признака назначения инвестиций имеет естественную дискретизацию на градации, означающие назначение инноваций в жилищном строительстве 2.1, при замене оборудования 2.2, в коммуникации 2.3 и т. д., а случайная переменная доходности акции 2, разбитая на интервалы-градации 2 2 ..., 2 , имеет искусственную дискретизацию. В ряде задач при оценке риска инноваций, используются как естественная дискретизация, так и искусственная дискретизация. Во всех случаях события-градации для одного признака инновационного процесса или доходности акции составляют группу несовместных событий, в которой сумма вероятностей событий-градаций равна 1. Генерирование произвольных дискретных распределений. Для отработки методик логико-вероятностной оценки и анализа риска и целей обучения ЛВ-мо-делей риска необходимо генерировать события-градации признака с произвольным дискретным распределением; например, события-градации признаков инновационного процесса доходности акций, значения влияющих параметров и параметра эффективности. Произвольное дискретное распределение получают сложением нескольких элементарных распределений, сгенерированных по разным законам. В качестве элементарных распределений будем использовать, например, распределения по нормальному закону, равномерному закону, закону трапеции, закону возрастающей или убывающей прямой, закону Вейбулла и др. Технология получения произвольного дискретного распределения следующая:
1) по выбранному элементарному закону распределения параметра Z . генерируются случайным образом N значений параметра в диапазоне его изменения {Z ,Z };
v j min j max7 7
2) полученные значения параметра разбиваются на N градаций;
3) для градаций подсчитываются частоты-вероятности по формуле (3);
4) повторяется пп. 1-3 для генерирования выбранных элементарных распределений, каждое из которых также имеет N градаций;
5) полученные разные элементарные распределения складываются
Pj = XPlj + X2P2j + - + XPj (1)
где x1, x2, ..., xk - веса элементарных распределений с суммой 1; P. - вероятность градации j параметра; p1j, ..., Pj. - вероятности градаций j элементарных распределений.
Построение логической модели риска. Логическая модель риска неуспеха записывается в виде дизъюнктивной (ДНФ) или конъюнктивной (КНФ) нормальной формы, то есть в виде логического выражения с операциями OR, AND, NOT, циклами и группами несовместных событий, но без скобок. Логическая модель риска неуспеха записывается также в виде ортогональной дизъюнктивной нормальной формы (ОДНФ) или совершенной дизъюнктивной нормальной формы (СДНФ). Логическая модель риска неуспеха определяет все или ограниченное число опасных состояний системы. Ортогонализация логической модели риска. Ортогонализация позволят перейти от логической функции риска неуспеха к вероятностной функции риска неуспеха или, другими словами, от логических выражений к арифметическим выражениям. Последние позволяют количественно оценивать и анализировать риск. Построение вероятностной модели риска. Вероятностная модель риска неуспеха строится после ортогонализации логической модели риска неуспеха. Вероятностная модель риска неуспеха может определять все или ограниченное число опасных состояний системы. Эта модель позволяет количественно оценивать и анализировать риск. Нормализация вероятностей событий. Нормализация вероятностей событий (состояний) исходит из того, что их сумма по смыслу должна быть равна 1. Она выполняется в следующих случаях: при идентификации (оптимизации) вероятностной модели риска неуспеха по статистическим данным для событий-градаций в ГНС; при наличии статистики для ограниченного множества состояний системы или объектов из полного мно-
жества возможных состояний или объектов; при моделировании методом Монте-Карло ограниченного множества состояний (объектов) из полного множества возможных состояний. Нормализация выполняется делением вероятности каждого события (состояния) на сумму вероятностей рассматриваемого множества событий (состояний). Оптимизация (идентификация) ЛВ-модели риска. При построении ЛВ-модели риска в системах с ГНС решаются задачи оптимизации на множестве объектов и состояний объекта. Оптимизация, при формировании системы управления рисками инновационного процесса, заключается в определении оптимальных долей капитала, вкладываемого в инновационный процесс региона. Оптимизация в задаче эффективности заключается в определении весомостей процессов, влияющих на итоговый процесс. Определение связи параметров риска Yad, Risk, Nad, Had. В системах с ГНС часто рассматриваются следующие параметры, характеризующие риск: Yad - допустимое значение параметра эффективности; Risk — вероятность иметь значение параметра эффективности меньше допустимого; Nad — число объектов (состояний объекта) в «хвосте» распределения параметра эффективности; Hd — энтропия вероятностей объектов (состояний объекта) в «хвосте» распределения параметра эффективности. Вычисление допустимого значения выходного параметра Yd при заданном риске Risk является сложной алгоритмической задачей. Рассмотрим разные способы ее решения [3].
1. Метод интерполяции. Строится дискретное дифференциальное распределение выходного параметра Y. Для этого весь диапазон его изменения разбивается на Ny интервалов (градаций). Выполняется суммирование вероятностей Pi значений параметра на выбранных интервалах. Далее строится интегральное дискретное распределение для параметра У. После этого можно вычислить допустимое значение Yad при заданном риске Risk, используя формулу линейной интерполяции.
2. Метод сортировки. Простой и точный алгоритм вычисления допустимого значения выходного параметра Yd предоставляет метод сортировки. Массивы значений параметра Yi и его вероятностей Pi из i = l, 2, ..., N значений сортируют по величине выходного параметра Yis порядке его возрастания. Тогда для отсортированных массивов следует суммировать вероятности P значений параметра Y. до тех пор, пока не будет получен заданный риск Risk. Последнему слагаемому
в сумме из массива вероятностей будет соответствовать значение выходного параметра, которое следует принять за допустимое значение Yad. Трудоемкость сортировки зависит от числа состояний N выходного параметра Yd для практических случаев время многократного выполнения сортировки при оптимизации вполне приемлемо.
3. Метод половинного деления. Интервал [Y ,
А L mm
Ymax] последовательно делится на две равные части [Ymim Y1/2] и [YVT Ymax]. Д™ кажд°й части суммированием определяют вероятности Р. = P{Y <
Y} и P2 = P{ Y > Y122} и число объектов в частях Nj и N2. Часть, в которой находится Risk, опять делится пополам. Процедура продолжается до тех пор, пока число состояний в части не станет равным одному объекту. При N = 1000 объектов поиск Yad методом половинного деления занимает в три раза меньше времени, чем при сортировке.
Параметр Nad определяет число состояний выходного параметра Yad, находящихся в «хвосте» распределения, то есть при условии Yi < Yad. Это очень важная характеристика риска, так как она является целой и может быть вычислена с точностью до 1. Следовательно, можно решать задачу оптимизации, оценки риска инновационного процесса комплекса региона, используя не целевую функцию Yad, а эквивалентную ей целевую функцию Nad.
Энтропия Hd является еще одной характеристикой для «хвоста» распределения (энтропия Шеннона). Степень неоднородности или разнообразия множеств каких-либо объектов или их состояний зависит от общего числа объектов, входящих в данное множество, от числа различных объектов и их вероятностей в данном множестве. Для измерения разнообразия объектов или состояний объекта в «хвосте» будем использовать энтропию, определяемую из выражения:
Had =-Х PilnPi
i=1
(2)
где НаЛ — энтропия; Р. — вероятность объекта или состояния объекта г в «хвосте» распределения; N , — число объектов или состояний объектов в
аа
«хвосте». Суммирование производится по всем объектам «хвоста».
Энтропия вполне оправдывает себя в качестве меры разнообразия в самом общем случае, так как обладает следующими свойствами:
1. Обращается в нуль, когда появление одного элемента множества достоверно, а других -невозможно.
2. Имеет максимум при заданном числе различных элементов, когда появление этих элементов равновероятно.
3. Увеличивается при увеличении числа элементов во множестве.
4. Обладает свойством аддитивности, т. е. когда множество независимые элементов-событий объединяются в одно, их энтропия складывается, и сумма является энтропией объединенного множества.
Как доказал А. Я. Хинчин, энтропия является единственной функцией, обладающей такими свойствами. Следует отметить, что ЛВ-теория риска может быть изложена как теория целых чисел с арифметическими операциями сложения и деления целых чисел.
Широко известны в научном мире модели разработанные М. В. Грачевой: модель оценки эффективности проекта с учетом антирисковых мероприятий, модель оптимизации интегральных рисковых затрат, модель оптимизации интегральных внешних и внутренних рисковыгс затрат, которые используются в методах анализа чувствительности и анализа сценариев. Также хорошо разработаны и часто используются модели С. Майерса и Д. Пога: модель финансового планирования «Longer» и модель оптимального размещения денежных активов компании (задача рационирования капитала), которые также используются в методах анализа чувствительности и анализа сценариев. Сложность вычислений, присущая вероятностно имитационным моделям оценки, управления и оптимизации А. Г. Ново-крещенова, основанных на методе имитационного моделирования, привела к тому, что данные модели редко используются при решении практических задач инновационной деятельности. Из сказанного выше, можно сделать вывод, что только три метода оценки и управления рисками инновационного процесса региона используют экономико-математические модели при решении экономических задач - это анализ чувствительности, анализ сценариев и метод имитационного моделирования.
Остановимся подробнее на анализе чувствительности, который представляет собой однокри-териальную оптимизационную задачу, т. е. при его реализации использовали одну целевую функцию - фактор, влияющий на эффективность инноваций. Расчет предельных значений факторов, влияющих на эффективность инновационного процесса при решении прямых задач является итоговым результатом анализа чувствительнос-
ти. Автор предлагает рассмотреть дальнейшее развития метода анализа чувствительности: перейти от однофакторного анализа к многофакторному, используя аналитический метод Л. С. Понтрягина - решения вариационных задач с ограничениями, встречающихся при оптимизации управления в динамических системах. Аналитический метод, обоснованный Л. С. Понтря-гиным, применен для обоснования метода устойчивости инновационного процесса. Метод определения устойчивости инновационного процесса обеспечивает расчет предельных значений факторов, влияющих на эффективность инновационной деятельности при решении прямых задач. Отличается от анализа чувствительности тем, что позволяет перейти к мнофакторному анализу и управлению рисками процесса инноваций региона. Представим себе гипотетическую модель инновационного процесса региона в виде системы сформированную из двух взаимовлияющих систем: системы рисков, состоящей из риск-факторов и системы условно-определенных этапов реализации инноваций. Совокупность данных систем представляет собой модель реализации инноваций. Инновационный процесс региона определяется также совокупностью перечисленных выше систем и представляет собой замкнутый процесс - инновационную систему, которая подчиняется законам теории оптимального управления систем. Инновационная система представляет собой комплекс программ, реализация которых сопряжена с рисками при решении как текущих, так и долгосрочных инновационных зада самого различного масштаба.
Теория инновационного процесса региона, ее характеристики позволяют оптимизировать риск инноваций и управлять им. Особой сложностью формирования инновационного процесса региона является необходимость синтеза при оценке эффективности инноваций. Инвестиционной процесс региона является сложной динамической системой, на эффективность которой влияет много критериев - рисков (риск-факторов). В ряде случаев риск-факторы удается свести к одному риску и тем самым вернуться к известному методу однокритериальной оптимизации. Простейший способ такого сведения заключается в так называемом взвешивании критериев. Если 11(х), ..., 1и(х) - целевые функции, выражающие значения используемых критериев, то для каждой из них, сообразуясь с влиянием этого критерия на эффективность инноваций, выбирается положительный весовой коэффициент 1/. Операция
взвешивания критериев (целевых функций) 11(х), ..., 1и (х) состоит в замене их единственным критерием (целевой функцией) 1(х) = 1111(х) + ... + + 11 (х). Однако, для управления рисками инновационного процесса, подобное сведение оказывается практически невозможным, так что в процессе оптимизации необходимо иметь дело с векторной (многокритериальной) целевой функцией. При этом допустимая область М может меняться в процессе оптимизации. Более того, в ее целенаправленном изменении как раз и заключается основная содержательная сущность процесса оптимизации для подобного класса задач. Поскольку законы возможных изменений допустимой области М задаются обычно системой моделей, то описываемый подход к оптимизационным задачам называется системным. При системном подходе, изменения ограничений, задающих допустимую область в пространстве тех или иных параметров, происходят, в результате последовательности решений, выбираемых из дискретного множества возможных решений, причем само это множество в начале процесса оптимизации бывает не полностью заданным и пополняется в процессе разработки и реализации инновационного процесса. Одним из характерных формализованных постановок задачи системной оптимизации является двукритериальный анализ. Предположим, что выбором значений этих критериев однозначно определяется соответствующее решение. Иными словами, искомое решение ищется непосредственно в пространстве К критериев оптимизации, которые мы обозначим х1 и х2. Процесс решения начинается с того, что в заданном пространстве К выбирается некоторая точка Ао с координатами а Ь0 — желательное решение задачи. Далее, строятся начальные ограничения Р^^, х2 )> 0,..., Р„(0 (( , х2 )> 0, задающие начальную допустимую область Р Прямой проверкой устанавливается, принадлежит ли точка А0 области Р0. В первом случае в принципе может быть применена обычная (классическая) процедура оптимизации либо по одному из критериев х1, х2, либо по той или иной их комбинации. Однако при системном подходе применяется обычно совершенно другой прием, а именно: в соответствии с моделью М высшего уровня, управляющей выбором критериев, точка А0 выводится из пределов допустимой области Р0. После этого выделяются те ограничения, которые не выполняются в точке А 0 (в рассматриваемом случае ими будут ) и ) . Обращаясь к моделям М3 и М4, фор-
мирующим эти ограничения, в диалоговом режиме рассматриваются те или иные решения, изменяющие соответствующие ограничения в нужном направлении (если такое изменение оказывается возможным). Нужным при этом считается то направление, которое уменьшает абсолютную величину отрицательных невязок Р(0 (( , ¿0 )(в рассматриваемом случае /3°(а0, Ь0) и р4°^(а0,Ь0).
Следует иметь в виду, что во многих случаях ограничения Р. оказываются взаимосвязанными, так что изменение одного из них приводит к изменению определенной части других ограничений. Управление выбором решений для изменения ограничений определяется при этом минимизацией некоторой функции штрафа £0 (а Ь0). В качестве такой функции выбирается обычно максимальная абсолютная величина отрицательных невязок А) (а0 , Ь0 ) (где — X — некоторые положительные весовые коэффициенты). Если таких невязок нет, то по определению g0(а0, Ь0) = 0. В результате управления появляется ряд решений Я1, ..., Ят, приводящих к уменьшению значения функции штрафа, которое после т-го решения обозначим gm(a0, Ь0). Каждое из принятых решений, изменяя ограничения, приводит к соответствующему изменению допустимой области. Рассмотрим два таких изменения: первое изменяет ограничения ^3(0), ^2(0), заменяя их соответственно ограничениями, ^3(1), ^2(1) второе затрагивает лишь одно ограничение ^4(0) заменяя его ограничением ^4(1). Полученная допустимая область Р2 ограничена линиями ^(0), Р2т, Р3(1\ Р4(1\ а соответствующее значение функции штрафа равно g2(а0, Ь0). Заблаговременный выбор конечной допустимой области невозможен ввиду того, что последовательность областей Р Р1, ... может не быть упорядочена по вложению. Кроме того, огромная трудоемкость формирования новых ограничений не позволяет выполнить эту работу заблаговременно, поскольку при этом потребовалось бы сделать много лишней работы по изменению несущественных ограничений. Если g2(я0, Ь0) > 0, а решений, приводящих к дальнейшему уменьшению значения функции штрафа, нет, то происходит возвращение к высшей модели М, управляющей выбором желательного решения А (а, Ь). Путем ряда последовательных решений Б2, ..., Ок на изменение начального решения задачи Ао(а0, Ь0) оно заменяется на А1(а1, Ь1), ..., Ак(ак, Ьк), пока очередная точка Ак(ак, Ьк) не окажется в допустимой области (к = 1). Решения на изменения выбираются из допустимого множества решений с
целью минимизации функции штрафа. Этот процесс близок к классическому процессу оптимизации, за исключением того обстоятельства, что шаги выбираются не произвольно, а в соответствии с допустимыми (моделью М) решениями. После попадания точки Л^в заключительную допустимую область Pm может быть применена дополнительная процедура оптимизации по каким-либо комбинациям критериев х1 и х2 в пределах этой допустимой области. Такая процедура отличается от классической лишь тем, что выбор шагов оптимизации не произволен, а управляется моделью высшего уровня М. Если дальнейшему улучшению избранного критерия мешают некоторые ограничения, поддающиеся дальнейшим изменениям в нужную сторону, то процесс оптимизации может быть продолжен за счет включения в него последовательных решений на такие изменения. Однозначное решение задачи выбором значений всех критериев оптимизации нельзя применить для обоснования модели управления рисками инновационного процесса региона, так как отсутствует однозначность решения данной задачи. Пространство, в котором ищется решение, помимо координат, соответствующих критериям оптимизации, может иметь и другие координаты. Описанный выше процесс оптимизации при этом усложняется за счет того, что точки Л .(а., b) заменяются гиперплоскостями - областями устойчивости инвестирования. Усложняется и определение функции штрафа: в качестве нее может быть взято, например, расстояние от выбранной гиперплоскости до очередной допустимой области в пространстве с заданными сжатиями (растяжениями) вдоль осей, соответствующих критериям оптимизации - факторов изменения предельных значений модели устойчивости. Оценка влияния рисков (риск-факторов) на эффективность инвестиционной программы выполнена на основании интегральных показателей: чистого дисконтированного дохода (NPVT), индекса доходности (PITd), внутренней норме доходности (IRR), сроку окупаемости (PPTd). Чувствительность показателя эффективности к изменениям риск-фактор оценена путем определения эластичности показателя по данному фактору. Риск-факторы обозначим через q1, q , их значения получим их формулы NPV(q1, q2, q3, ..., qn) > 0. Модель обеспечения устойчивости инвестиционной программы региона может быть определена как множество наборов значений риск-факторов q1, q2, q3, ..., qn, удовлетворяющих системе неравенств:
NPV(q1) > 0; NPV(q2) > 0;
NPV(q3) > 0; ..., NPV(qn) > 0.
При выполнении условий, наложенных на величину показателя NPV, значения показателей, PITd, IRR, PPTd, изменится соответственно. Проведенный автором анализ позволил определить инновационный процесса региона сложной динамической системой, управление рисками которой возможно при применении метода определения устойчивости, использующего модель управления рисками, основанную на математическом методе Л. С. Понтрягина. При рассмотрении большого количества рисков(риск-факторов), влияющих на эффективность инновационного процесса региона и подлежащих анализу и управлению, гиперплоскость, если ее представить в трехмерном пространстве, стремится к двуполостному гиперболоиду. В самом общем случае вместо гиперплоскостей могут фигурировать точечные множества произвольного вида. Возможны постановки, при которых на этих множествах значения критериев определены неоднозначно, а для определения более или менее предпочтительных решений на множествах задаются (моделью высшего уровня М) соответствующие весовые функции. Самой важной чертой системной оптимизации, сохраняющейся при всех подходах, помимо многокритериальности и возможности изменения допустимой области является взаимодействие моделей различных уровней. В данном случае это взаимодействие систем при структурном анализе: системы рисков, состоящей из риск-факторов и системы реализации инвестиционной программы региона - моделью уровня М. Инновационный процесс региона представляет собой сложную систему, управление состоянием и развитием которой осуществляется по законам теории управления систем. Управление состоянием и развитием сложной системы осуществляется как управление сложным объектом в теории управления. Такое управление заключается в управлении движением по выбранной траектории и коррекцией при отклонении от нее [3]. В качестве параметра, задающего траекторию, выберем риск. Таким образом, инновационный процесс переводится из начального состояния А в заданное конечное состояние В по выбранной программной траектории А-В за несколько этапов j = 1,2, ..., п. В случае отклонения системы от программной траектории осуществляется коррекция. Исходя из такой интерпретации, введены следующие понятия:
У(У, У2, ...) - контролируемые параметры; Н(Н1,И2,...) - этапы; и(и, ит ...) - управляющие воздействия для задания этапа; Щ(Щ, Щ2,...) -корректирующие воздействия на этапах.
Названные параметры являются векторными величинами.
Контролируемые параметры У - это измеряемые или наблюдаемые параметры (доход, затраты и т. п.), по которым судят о работоспособности системы. Первый этап (точка А) - начало инновационной деятельности, последний этап (точка В) завершение процесса инноваций. Процесс инноваций из начального состояния в конечное переводится за дискретное число этапов с постепенным увеличением показателей. При разработке программы управления заранее готовятся к возникновению рисковых ситуаций, предусматривая коррекции Щ представляющие собой некие варианты конструктивных или технологических решений или ресурсы. инновационного процесса процесса необходимо определить значения У, Щ, и на каждом этапе реализации. Для инновационного процесса векторы У, Щ и имеют большую размерность, и их реализация может потребовать чрезмерных средств. Для опти-
мального выбора компонент векторов нужно знать затраты на их введение: 0у(0у1, 0 „...) -
У2
на измерение и контроль; 0и(0и1, 0ы2,-) - на управляющие воздействия; 0(0к1, 0„2,-) - на корректирующие воздействия; 0/0к1, 0к2,-) - на этапы; а также следующие возможные ущербы, если эти затраты не делать: Яу(Яу1, Яу2,...) - при отсутствии измерений и контроля; Яи(Яи1 ,Я ,...) -при отсутствии управляющих воздействий; Я(ЯЫ, Я.,...) - при отсутствии корректирующих воздействий; Я(ЯЫ, Як2,...) - при отсутствии этапов.
В результате исследования можно сделать вывод, что формирование системы управления рисками инновационного процесса региона -сложный, многогранный процесс, который подчиняется теории управления сложным объектом, оптимизация которого возможна, если применить логико-вероятностный метод оценки риска и метод системной оптимизации при формировании модели оценки, основанного на методе предельных значений факторов, проверяемых на риск, приводящих расчетную величину, соответствующего критерия эффективности инноваций, к критическому пределу, при решении прямых задач анализа и управления рисками региона.
СПИСОК ЛИТЕРАТУРЫ
1. Математический энциклопедический словарь. М.: «Советская энциклопедия», 1988. 847 с.
2. Риск-анализ инвестиционного процесса: Учебник для вузов/ под ред. М. В. Грачевой. М.:ЮНИТИ-
ДАНА, 2001. 351с.
3. Соложенцев Е. Д. Сценарное логико-вероятностное управление риском в бизнесе и технике. Изд. 2-е. СПб.: Издательский дом «Бизнес-пресса», 2006. 530 с.
З.З. Иванов, М.М. Кандрокова
региональные инновационные системы в агропромышленном комплексе
Региональные аспекты освоения инноваций в АПК в своей основе имеют характерные особенности специализации сельскохозяйственного производства, размещения мощностей по переработке сельскохозяйственного сырья. Факторы специализации и размещения агропромышленного производства предопределяют набор материально-технических средств и технологические затраты на производство сельскохозяйственной продукции. В рыночных условиях на специализацию агропромышленного производства влияют состояние аграрных рынков, потребности регио-
нов в продовольствии и сырье для перерабатывающих предприятий. Все эти особенности целесообразно учитывать при формировании инновационной системы в региональном АПК.
Инновационный процесс как механизм стратегической модернизации отраслей АПК, является ключевым фактором преодоления затянувшегося кризиса в продовольственном секторе страны на основе обеспечения темпов и качества наращивания воспроизводственного потенциала, достижения устойчивого развития, повышения конкурентоспособности выпускаемой
