CC BY
158
определение кредитоспособности физических лиц и риска их кредитования
Е.В. ЛУЦЕНКО, доктор экономических наук, кандидат технических наук, профессор
Е.А. ЛЕБЕДЕВ, Кафедра компьютерных технологий и систем Кубанский государственный аграрный университет
Кредитование населения имеет большое социальное значение, так как способствует удовлетворению жизненно важных потребностей в жилье, различных товарах и услугах. Следует отметить, что кроме социальных, кредитование выполняет и чисто экономические задачи, позволяя рационально использовать временно свободные денежные средства вкладчиков. За счет кредитования банки получают большую часть прибыли. Но, как все активные операции, кредитование связано с высокой степенью риска, обусловленного возможностью невозврата заемных средств. Но как банкам правильно распорядиться свободными денежными средствами? Как выяснить, кому стоит давать кредит, а кому нет? Для этого необходимо определить кредитоспособность клиента.
Кредитоспособность клиента (заемщика) — одно из понятий, которое внесла в нашу жизнь новая экономическая эпоха. Сегодня можно с уверенностью сказать, что оно заняло в ней свое место прочно и навсегда.
Известно, что существует множество определений кредитоспособности клиента (заемщика). Самым распространенным из них является следующее: способность лица полностью и в срок рассчитаться по своим долговым обязательствам.
Существует множество дополнений, уточнений, и даже иных трактовок нашего искомого понятия, большинство которых можно кратко свести к следующим определениям. Кредитоспособность как:
• необходимая предпосылка или условие получения кредита;
• готовность и способность возвратить долг;
• возможность правильно использовать кредит;
• возможность своевременно погасить ссуду (реальный возврат кредита).
Между кредитоспособностью заемщика и рисками кредитования прослеживается обратная связь. Например, чем выше кредитоспособность заемщика, тем ниже риск банка потерять свои деньги. И наоборот. Чем ниже кредитоспособность клиента, тем меньше шансов у банка вернуть кредит.
луценко Евгений Бениаминович, профессор, доктор экономических наук, кандидат технических наук, профессор кафедры компьютерных технологий и систем Кубанского государственного аграрного университета, ответственный секретарь Научного журнала КубГАУ. Автор около 200 научных работ (в том числе: 12 книг, 8 свидетельств РосПатента РФ на системы искусственного интеллекта и учебного пособия по системам искусственного интеллекта. Сфера научных интересов: системно-когнитивный анализ, системы искусственного интеллекта, информационно-функциональная теория развития производительных сил, теория времени и стоимости.
Лебедев Евгений Александрович, аспирант кафедры компьютерных технологий и систем Кубанского государственного аграрного университета, автор 3 научных работ, ревизор отдела внутреннего контроля по Краснодарскому отделению Сбербанка России. Научные интересы: скоринг, оценка кредитоспособности физических лиц, прогнозирование рисков кредитования.
Исходя из этого можно сделать вывод, что правильная кредитная политика банка позволит ему с меньшим риском осуществлять активные операции и получать максимальный доход от размещения свободных денежных средств в кредиты.
Однако до сих пор не существует ни одной эффективной методики определения кредитоспособности физического лица. Поэтому коммерческие банки применяют различные способы, не всегда решающие поставленную задачу. Первоочередную роль при определении кредитоспособности заемщика банки отводят платежеспособности. Кредиторы исходят из того, что чем больше величина постоянного дохода клиента, тем большие обязательства перед банком заемщик готов исполнять. Но как показывает практика, это не всегда так. Когда дело касается кредитования населения, важную роль в определении кредитоспособности играет не столько способность возвратить долг со стороны заемщика, сколько готовность возвращать кредит и уплачивать проценты вовремя. Готовность эта у всех различна, и зависит она от личных особенностей каждого человека. Этими особенностями могут быть образование, возраст, социальный класс, пол, семейное положение и т.д.
Определение закономерности между особенностями заемщика и кредитоспособностью представляет значительный теоретический и практический интерес.
Очевидно, что выявить влияние индивидуальных особенностей заемщика на кредитоспособность возможно только на основе анализа имеющихся в распоряжении банков примеров (действующих и закрытых договоров). Поэтому предлагается провести исследование ретроспективных данных о причинно-следственных зависимостях между индивидуальными особенностями заемщика и его кредитоспособностью. Заметим, что персональные данные могут быть избыточно детализированы, часто это не увеличивает адекватности математической модели, но значительно усложняет анализ данных. Поэтому необходимо выявить важные составляющие и отсечь данные, не влияющие в значительной степени на кредитоспособность заемщика. На основе собранных данных предлагается осуществить синтез математической модели. После построения модели проверяется ее адекватность, т.е. проводится верификация модели. В случае успешной верификации модель подвергается исследованию в целях решения сформулированной проблемы. Естественно, результаты исследования модели будут считаться
исследователями результатами исследования самого моделируемого объекта в степени соответствия модели реальному объекту управления.
Разрабатываемая математическая модель позволит выявить закономерности между индивидуальными особенностями заемщика и его кредитоспособностью и сформировать рекомендации банкам для более эффективного определения степени риска при кредитовании физических лиц.
Анализ статистических характеристик действующих и закрытых договоров на кредитование физических лиц показывает, что создаваемая математическая модель будет иметь:
• значительную размерность (большое количество факторов и прогнозируемых состояний);
• различные факторы измеряются в различных единицах измерения (различная природа данных);
• различные факторы изменяются в различных диапазонах;
• исходные данные фрагментированы (т.е. не все повторности имеются в наличии);
• не исключается определенная зашумленность (недостоверность) исходных данных. Следует отметить, что подобного рода исходные данные весьма проблематично исследовать с помощью стандартных математических методов, таких, например, как факторный анализ или индексный метод. с другой стороны, для решения поставленной задачи хорошо подходит новый математический метод экономики — системно-когнитивный анализ (СК-анализ) [1]. Данный метод удовлетворяет требованиям, которые следуют из структуры исходных данных и других особенностей проблемы, например большое количество факторов или различная природа данных.
Необходимо отметить, что этот метод хорошо теоретически обоснован, оснащен удобным программным инструментарием и успешно апробирован в ряде задач интеллектуальной обработки данных.
Специальным программным инструментарием СК-анализа, реализующим его математическую модель и методику численных расчетов, является универсальная когнитивная аналитическая система "Эйдос".
СК-анализ представляет собой системный анализ, структурированный по небольшому числу базовых познавательных (когнитивных) операций, для каждой из которых разработана матема-
тическая модель, методика числовых расчетов и реализующих их модули в специальном программном инструментарии.
Метод СК-анализа позволяет решить сформулированную выше проблему путем ее декомпозиции в следующую последовательность задач и их поэтапного решения.
1. Когнитивная структуризация предметной области.
2. Формальная постановка задачи и подготовка обучающей выборки.
3. Синтез семантической информационной модели (СИМ) предметной области.
4. Определение силы и направления влияния факторов.
5. Если необходимо, исключение факторов, слабо влияющих на состояние объекта управления.
6. Измерение степени адекватности СИМ, а также ее сходимости и устойчивости.
7. Решение задач идентификации и прогнозирования.
8. Изучение системы детерминации состояния объекта управления и функции влияния факторов на его состояние. Поддержка принятия решений, выработка научно обоснованных рекомендаций по минимизации риска при кредитовании населения.
9. Построение семантических сетей когнитивных диаграмм, классических и обобщенных когнитивных диаграмм, отражающих выявленные в модели причинно-следственные зависимости.
На примере информации Сбербанка России попытаемся построить модель для определения кредитоспособности клиента. Рассмотрим выборку, состоящую из 137 кредитных досье банка. Из них в 129 случаях клиенты платят исправно в течение срока кредитования, а в18 случаях допускают просрочки.
Определим классы и признаки, соответствующие нашей выборке. За классы мы примем результат кредитной истории заемщика — «положительная» или «отрицательная», а признаками выступят особенности заемщика (пол, возраст, место работы, количество детей, семейное положение, место работы, стаж, заработная плата, наличие телефона и т.д.). Разделим нашу выборку случайным образом на две. Большую часть используем в качестве обучающей (103 анкеты), оставшиеся анкеты используем как распознаваемую выборку. Обработаем обучающую выборку с помощью программы «Эйдос». Определим ценность каждого признака в выборке и удалим те признаки, которые не несут большой информа-
ционной нагрузки (оптимизация модели). С помощью этого процесса мы добиваемся увеличения адекватности модели с 21,9 до 81,75%.
Следующим шагом вводим распознаваемую выборку, состоящую из 34 анкет (из них 31 анкета класса «положительная» и 3 анкеты класса «отрицательная» кредитная история). Программа распознала из 31 «положительной» анкеты верно 27, а из 3 «отрицательных» — 2 анкеты. Средний процент идентификации модели составил 85,3%. По «отрицательным» анкетам почти 67% программа идентифицировала верно. Это значит, что с помощью данной модели на этапе выдачи кредита можно отсеять 2/3 от клиентов, получивших кредит по решению кредитного комитета и не выполнивших своих обязательств перед банком.
Используя СК-анализ, банк получает ряд преимуществ перед своими конкурентами:
• сокращаются сроки принятия решения о предоставлении кредита. Увеличивается число и скорость обработки заявок за счет минимизации документооборота при выдаче кредита частным клиентам, как важнейший способ обеспечения доходности кредитования;
• снижается влияние субъективных факторов при принятии решения о предоставлении кредита. Обеспечивается объективность в оценке заявок кредитными инспекторами во всех филиалах и отделениях банка;
• реализуется возможность единого подхода при оценке заемщиков для различных типов кредитных продуктов банка (экспресс - кредиты, кредитные карты, потребительские кредиты, автокредитование, ипотечные кредиты);
• сокращение численности банковского персонала, экономия за счет использования персонала более низкой квалификации;
• контроль за всеми шагами рассмотрения заявки;
• возможность вносить коррективы в методологию оценки централизованно и немедленно вводить их в действие во всех отделениях банка;
• скоринговая система банка настраивается на условия конкретного региона. Предложенная технология рассматривается как
один из перспективных вариантов решения поставленной проблемы. Полученный инструмент позволит выработать научно обоснованную методику определения кредитоспособности с помощью анализа индивидуальных особенностей заемщика, что в свою очередь скажется на эффективности кредитования и приведет к уменьшению рисков [2].
Далее приведем краткое описание метода СК-анализа.
1. Теоретические предпосылки СК-анализа
Системно-когнитивный анализ представляет собой системный анализ, рассматриваемый как метод познания и структурированный по базовым когнитивным (познавательным) операциям (БКОСА) [4].
Следует отличать, что сам набор БКОСА следует из предложенной в формализуемой когнитивной концепции, рассматривающей процесс познания как многоуровневую иерархическую систему обработки информации, в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня.
На первом уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на второмм уровне интегрируются в чувственный образ конкретного объекта. Те, в свою очередь, на третьем уровне интегрируются в обобщенные образы классов и факторов, образующие на четвертом уровне кластеры, а на пятом конструкты. Система конструктов на шестом уровне образует текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На седьмом же уровне обнаруживается, что текущая парадигма не единственно возможная.
Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации.
Таким образом, происхождение смысла связывается со своего рода «разностью потенциалов», существующей между смежными уровнями интеграции-иерархии обработки информации в процессах познания.
Из данной концепции выводятся структура когнитивного конфигуратора, система базовых когнитивных операций и обобщенная схема автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций (СК-анализ) (рис. 1).
Между когнитивными структурами разных уровней иерархии существует отношение «дискретное — интегральное». Именно это служит основой формализации смысла.
Когнитивный конфигуратор представляет собой минимальную полную систему когнитивных операций, названных «базовые когнитивные
операции системного анализа» (БКОСА). Всего выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации:
1) присвоение имен;
2) восприятие;
3) обобщение (синтез, индукция);
4) абстрагирование;
5) оценка адекватности модели;
6) сравнение, идентификация и прогнозирование;
7) дедукция и абдукция;
8) классификация и генерация конструктов;
9) содержательное сравнение;
10) планирование и принятие решений об управлении.
В работе Е.В. Луценко [3] предложены математическая модель, методика счисленных расчетов, включающая структуры данных и алгоритмы реализации БКОСА, а также программный инструментарий СК-анализа — универсальная когнитивная аналитическая система «Эйдос».
Методика численных расчетов СК-анализа Детальный список БКОСА и их алгоритмов. В табл. 1 приведен детальный список базовых когнитивных операций системного анализа, которым соответствуют 24 алгоритма, которые здесь привести нет возможности из-за их объемности. Но они все приведены в полном виде в работе Е.В. Луценко [1].
иерархическая структура данных семантической информационной модели СК-анализа. На рис. 2 приведена в обобщенном виде иерархическая структура баз данных семантической информационной модели системно-когнитивного анализа. На этой схеме базы данных обозначены прямоугольниками, а базовые когнитивные операции системного анализа, преобразующие одну базу в другую, — стрелками с надписями. Имеются также базовые когнитивные операции, формирующие выходные графические формы. Из этой схемы видно, что одни базовые когнитивные операции готовят данные для других операций, относящихся к более высоким уровням иерархии системы процессов познания. Этим определяется возможная последовательность выполнения базовых когнитивных операций.
Специальный программный инструментарий СК-анализа — система «Эйдос»
Цели и основные функции системы «Эйдос». Универсальная когнитивная аналитическая система «Эйдос» является отечественным лицензионным программным продуктом, созданным
Рис. 1. Обобщенная схема системно-когнитивного анализа (СК-анализа)
С
ВХОД-1
СИНТЕЗ ИНФОРМАЦИОННОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ
3
1.1 ПРИСВОЕНИЕ ИМЕН КЛАССАМ: ЭКСТЕНСИОНАЛЬНОЕ ПРЕДСТАВЛЕНИЕ ОБЪЕКТА В ФОРМЕ СОПОСТАВЛЕНИЯ С ГРАДАЦИЯМИ ШКАЛ В ПРОСТРАНСТВЕ КЛАССОВ
I
1.2 ПРИСВОЕНИЕ ИМЕН ПРИЗНАКАМ ПУТЕМ СОПОСТАВЛЕНИЯ С ГРАДАЦИЯМИ СМЫСЛОВЫХ ШКАЛ В ПРОСТРАНСТВЕ ФАКТОРОВ
I
Г ВХОД-2 л ( АДАПТАЦИЯ ИНФОРМАЦИОННОЙ V МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ )
2.1 ВОСПРИЯТИЕ И ЗАПОМИНАНИЕ ИСХОДНОЙ ОБУЧАЮЩЕЙ ИНФОРМАЦИИ: ИНТЕНСИОНАЛЬНОЕ ПРЕДСТАВЛЕНИЕ ОБЪЕКТОВ В ФОРМЕ СОВОКУПНОСТИ ПРИЗНАКОЕ С УКАЗАНИЕМ ЭКСТЕНСИОНАЛЬНОЙ ВЗАИМОСВЯЗИ С ИМЕНАМИ КЛАССОВ
I
2.2 РЕПРЕЗЕНТАЦИЯ. СОПОСТАВЛЕНИЕ ИНДИВИДУАЛЬНОГО ОПЫТА С КОЛЛЕКТИВНЫМ (ОБЩЕСТВЕННЫМ)
I
3.1 ОБОБЩЕНИЕ (СИНТЕЗ, ИНДУКЦИЯ): ФОРМИРОВАНИЕ КЛАССОВ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ ЭКСТЕНСИОНАЛЬНЫХ И ИНТЕНСИОНАЛЬНЫХ ОПИСАНИЙ КОНКРЕТНЫХ ОБЪЕКТОВ ИСКЛЮЧЕНИЕ АРТЕФАКТОВ. 1 2 3
I
3.2 ОПРЕДЕЛЕНИЕ ЗНАЧИМОСТИ ШКАЛ И ГРАДАЦИЙ ФАКТОРОВ, А ТАКЖЕ УРОВНЕЙ МЕРЛИНА
I
3.3 ОПРЕДЕЛЕНИЕ СТЕПЕНИ РЕДУКЦИИ (СФОРМИРОВАННОСТИ) ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ, А ТАКЖЕ УРОВНЕЙ МЕРЛИНА
I
4.1 АБСТРАГИРОВАНИЕ ФАКТОРОВ (СНИЖЕНИЕ РАЗМЕРНОСТИ ПРОСТРАНСТВА ФАКТОРОВ)
I
4.2 АБСТРАГИРОВАНИЕ КЛАССОВ (СНИЖЕНИЕ РАЗМЕРНОСТИ ПРОСТРАНСТВА КЛАССОВ):
I
5 ОЦЕНКА АДЕКВАТНОСТИ ИНФОРМАЦИОННОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ
вход-з
ПРИМЕНЕНИЕ ИНФОРМАЦИОННОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ ДЛЯ ИДЕНТИФИКАЦИИ, ПРОГНОЗИРОВАНИЯ, АНАЛИЗА И ВЫРАБОТКИ УПРАВЛЯЮЩЕГО ВОЗДЕЙСТВИЯ
ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ
13 НЕФОРМАЛИЗУЕМЫЙ ПОИСК РЕШЕНИЯ ПРОБЛЕМЫ ВЫБОРА УПРАВЛЯЮЩЕГО ВОЗДЕЙСТВИЯ
I
14 ОКАЗАНИЕ УПРАВЛЯЮЩЕГО ВОЗДЕЙСТВИЯ НА ОБЪЕКТ УПРАВЛЕНИЯ
I
15 ЗАПОМИНАНИЕ НОВЫХ ФАКТОРОВ
1 > _________РЕШЕНИЕ ПРОБЛЕМЫ ¿^^НАЙЕНОТ^^; г
ЗАПОМИНАНИЕ
НОВЫХ КЛАССОВ,
17 СООТВЕСТВУЮЩИХ
НОВЫМ ЦЕЛЕВЫМ
СОСТОЯНИЯМ
ЗАПОМИНАНИЕ
НОВЫХ КЛАССОВ,
18 СООТВЕСТВУЮЩИХ НОВЫМ НЕЦЕЛЕВЫМ СОСТОЯНИЯМ
9.1 ДЕДУКЦИЯ КЛАССОВ. (СЕМАНТИЧЕСКИЙ АНАЛИЗ ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ РЕШЕНИЕ ОБРАТНОЙ ЗАДАЧА ПРОГНОЗИРОВАНИЯ)
I
9.2 ДЕДУКЦИЯ ФАКТОРОВ. (СЕМАНТИЧЕСКИЙ АНАЛИЗ ФАКТОРОВ)
I
10.1 КЛАССИФИКАЦИЯ ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ ФОРМИРОВАНИЕ БИНЕРНЫХ КОНСТРУКТОВ КЛАССОВ. ПОСТРОЕНИЕ СЕМАНТИЧЕСКИХ СЕТЕЙ КЛАССОВ 1 2 3
I
10.2 КЛАССИФИКАЦИЯ ФАКТОРОВ. ФОРМИРОВАНИЕ БИНЕРНЫХ КОНСТРУКТОВ ФАКТОРОВ. ПОСТРОЕНИЕ СЕМАНТИЧЕСКИХ СЕТЕЙ ФАКТОРОВ 1 2 3
I
10.3 СОДЕРЖАТЕЛЬНОЕ СРАВНЕНИЕ КЛАССОВРАСЧЕТ И ОТОБРАЖЕНИЕ МНОГОМНОГОЗНАЧНЫХ КОГНИТИВНЫХ ДИАГРАММ, В ТОМ ЧИСЛЕ ДИАГРАММ ВОЛЬФА МЕРЛИНА 1 2
10.4 СОДЕРЖАТЕЛЬНОЕ СРАВНЕНИЕ ФАКТОРОВ. РАСЧЕТ И ОТО-БРАЖЕНИЕМНОПОМНОПОЗНАЧНЫХ КОГНИТИВНЫХ ДИАГРАММ, В Т.Ч. ИНВЕРТИРОВАННЫХ ДИАГРАММ ВОЛЬФА МЕРЛИНА 1 2
I
11 МНОГОФАКТОРНОЕ ПЛАНИРОВАНИЕ И ПРИНЯТИЕ РЕШЕНИЯ О ПРИМЕНЕНИИ СИСТЕМЫ УПРАВЛЯЮЩИХ ФАКТОРОВ
ОБЪЕКТ ПЕРЕШЕЛ В ЗАДАННОЕ ЦЕЛЕВОЕ СОСТОЯНИЕ?
ДА
Таблица 1
Детальный список базовых когнитивных операций системного анализа (БКОСА)
№ алгоритма Код БКОСА по схеме СК-анализа К Б Наименование БКОСА Полное наименование базовых когнитивных операций системного анализа (БКОСА)
1.1 1 Присвоение имен Присвоение имен классам (интенсиональная, интегральная репрезентация)
1.2 Присвоение имен атрибутам (экстенсиональная, дискретная репрезентация)
1 2.1 Восприятие и запоминание исходной обучающей информа-
2 Восприятие ции
2 2.2 репрезентация. сопоставление индивидуального опыта с коллективным (общественным)
3 3.1.1 Иакопление первичных данных
4 3.1.2 исключение артефактов
5 3.1.3 3 Обобщение Расчет истинности смысловых связей между предпосылками и результатами (обобщенных таблиц решений)
6 3.2 (синтез, индукция). Определение значимости шкал и градаций факторов, уровней Мерлина
7 3.3 Определение значимости шкал и градаций классов, уровней Мерлина
8 4.1 4 Абстрагирование Абстрагирование факторов (снижение размерности семантического пространства факторов)
9 4.2 Абстрагирование классов (снижение размерности семантического пространства классов)
10 5 5 Оценка адекватности Оценка адекватности информационной модели предметной области
11 7 6 сравнение, идентификация и прогнозирование сравнение, идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)
12 9.1 7 Анализ, дедукция и абдукция Анализ, дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)
13 9.2 Анализ, дедукция и абдукция факторов (семантический анализ факторов)
14 10.1.1 Классификация обобщенных образов классов
15 10.1.2 Формирование бинарных конструктов классов
16 10.1.3 8 классификация Визуализация семантических сетей классов
17 10.2.1 и генерация конструктов Классификация факторов
18 10.2.2 Формирование бинарных конструктов факторов
19 10.2.3 Визуализация семантических сетей факторов
20 10.3.1 содержательное сравнение классов
21 10.3.2 9 содержательное Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. диаграмм Мерлина
22 10.4.1 сравнение содержательное сравнение факторов
23 10.4.2 Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. инвертированных диаграмм Мерлина
24 11 10 Планирование и управление Многовариантное планирование и принятие решения о применении системы управляющих факторов
"И Б КОС А 1.1, 1.2
Рис. 2. Иерархическая структура данных СК-анализа
КЛАССИФИКАЦИОННЫЕ И ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ
ОБУЧАЮЩАЯ ВЫБОРКА
Б КОС А: 3.1.1, 3.1.2,
МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ, ИСХОДНАЯ МАТРИЦА И Н ФОРМАТИВ НОС ТЕ Й
Б КОС А 4.1, 4.2
ОПТИМИЗИРОВАННАЯ МАТРИЦА ИНФОРМАТИВНОСТЕЙ
I БКОСА I
ОПТИМИЗИРОВАННАЯ МАТРИЦА ИНФОРМАТИВНОСТЕЙ
РАСПОЗНАВАЕМАЯ ВЫБОРКА
Б КОС А
БАЗЫ ДАННЫХ РЕЗУЛЬТАТОВ КЛАСТЕРНО-КОНСТРУКТИВНОГО АНАЛИЗА КЛАССОВ
i
Б КОС А
1а 1.з
РЕЗУЛЬТАТЫ ИДЕНТИФИКАЦИИ И ПРОГНОЗИРОВАНИЯ
БАЗЫ ДАННЫХ РЕЗУЛЬТАТОВ КОГНИТИВНОГО АНАЛИЗА КЛАССОВ
Б КОС А
10112
БАЗЫ ДАННЫХ РЕЗУЛЬТАТОВ КОГНИТИВНОГО АНАЛИЗА АТРИБУТОВ
БАЗЫ ДАННЫХ РЕЗУЛЬТАТОВ КЛАСТЕРНО-КОНСТРУКТИВНОГО АНАЛИЗА АТРИБУТОВ
i
Б КОС А 10.4.2
i
Б КОС А
10123
исключительно с использованием официально приобретенного лицензионного программного обеспечения. По системе «Эйдос» и различным аспектам ее применения имеется около 100 публикаций ряда авторов.
система «Эйдос» является одним из элементов предлагаемого решения проблемы и достижения цели данной работы, т.к. она обеспечивает решение следующих задач:
1. синтез и адаптация семантической информационной модели предметной области, включая активный объект управления и окружающую среду.
2. идентификация и прогнозирование состояния активного объекта управления, а также разработка управляющих воздействий для его перевода в заданные целевые состояния.
3. Углубленный анализ семантической информационной модели предметной области.
Таким образом, система «Эйдос» является инструментарием, решающим проблему данной работы.
Синтез содержательной информационной модели предметной области
Для разработки информационной модели предметной области необходимо владеть основными принципами ее когнитивной структуризации и формализованного описания. Синтез содержательной информационной модели включает следующие этапы:
1. Формализация (когнитивная структуризация предметной области).
2. Формирование исследуемой выборки и управление ею.
3. Синтез или адаптация модели.
4. Оптимизация модели.
5. Измерение адекватности модели (внутренней и внешней, интегральной и дифференциальной валидности), ее скорости сходимости и семантической устойчивости. Идентификация и прогнозирование состояния
объекта управления, выработка управляющих воздействий
Данный вид работ включает:
1. Ввод распознаваемой выборки.
2. Пакетное распознавание.
3. Вывод результатов распознавания и их оценку.
Углубленный анализ содержательной информационной модели предметной области
Углубленный анализ выполняется в подсистеме «Типология» и включает:
1. Информационный и семантический анализ классов и признаков.
2. Кластерно—конструктивный анализ классов распознавания и признаков, включая визуализацию результатов анализа в оригинальной графической форме когнитивной графики (семантические сети классов и признаков).
3. Когнитивный анализ классов и признаков (когнитивные диаграммы и диаграммы Вольфа Мерлина).
краткое описание некоторых результатов, полученных на основе применения автоматизированной системы когнитивного анализа (Аск). АСК-анализ успешно применялся для создания астропрофес-сиограмм и их применения для прогнозирования степени успешности деятельности в специальных областях, по заказу:
- АО «Новошип» (Новороссийское морское пароходство);
- Северо-Кавказской поисково-спасательной службы МЧС России.
Имеются акты об успешном проведении исследований с помощью данной системы в области социологии, политологии и прикладной психологии по заказам НИИ культуры Российской Федерации и Краснодарского государственного института культуры (ноябрь 1987 г.), Академии общественных наук под руководством доцента Б.И. Бессалаева (март 1987 г.), Института социологических исследований АН СССР под руководством доктора социологии профессора А.А. Хагурова (май 1987 г. и сентябрь 1987 г.).
В 1994 г. система «Эйдос» была представлена в ВЦ РАН в присутствии иностранных специалистов (в основном из Японии) и получила положительную оценку председателя комитета по искусственному интеллекту Российской академии наук академика Д.А. Поспелова (рекомендована для применения в социологических и психологических исследованиях), имеются положительные отзывы о Системе от Северо-Кавказской поисково-спасательной службы МЧС России (начальник — В.М. Нархов) и Министерства труда Российской Федерации (зам. нач. управления профессор Е.В. Белкин), прошла экспериментальную эксплуатацию в отделе информационного взаимодействия Аналитического центра при Президенте РФ (начальник отдела — доктор технических наук, академик МАИ, профессор А.Н. Райков), а также приобретена Аналитическим центром администрации Ярославской области (руководитель — А.В. Бушуев), Информационно -аналитическим центром администрации Краснодарского края (директор — С.Б. Лисицын), АО «Новороссийское морское пароходство» (вице-президент — капитан 1-го ранга, кандидат технических наук, доцент В.А. Бобыр), Краснодарским юридическим институтом МВд России (начальник — генерал-майор, доктор философских наук, профессор Ю.А. Агафонов).
Работы в МЧС России и АО «Новошип» проводились совместно с Научно-производственной фирмой «Эвритоп» (директор Б.В. Гауфман) под научным руководством кандидата технических наук, доктора биологических наук, профессора О.А. Засухиной. Под ее же руководством Кубанским государственным аграрным университетом совместно с НПП «Эйдос» была разработана методика прогнозирования урожайности и качества сельскохозяйственных культур в зависимости от вида почв, культуры-предшественника, применяемой агротехнологии (нормы высева, удобрения, вспашка и т.п.). Данная методика позволяет «про-
сматривать» различные варианты технологии, прогнозировать последствия их применения и на этой основе вырабатывать научно обоснованные рекомендации по выбору возделываемой культуры и оптимальной для поставленных целей агро-технологии. Это исследование показательно как само по себе, так и в качестве примера применения системы для выявления взаимосвязей между различными технологиями и хозяйственными результатами. Материалы этих и других работ были представлены на международной конференции «Партнерство во имя прогресса», проходившей в конце мая 1994 г. в г. Анапе. совместно с кандидатом медицинских наук Г.А. Авакимяном на базе системы «Эйдос» была разработана методика диагностики избыточности и недостаточности меридианов, основанная на внешней симптоматике и анамнезе.
Для строительной фирмы «Экстерн» (директор — В.Г. Очередько) была разработана методика прогнозирования профессиональной пригодности сотрудников для работы по должностям, имеющимся в фирме. Кроме того, прогнозируется возможность криминогенных проявлений. данная методика является автоматизированным рабочим местом (АРМ) менеджера по персоналу и эксплуатировалась несколько лет в адаптивном режиме, обеспечивающем постоянное повышение качества прогнозирования на основе роста представительности обучающей выборки.
Таким образом, опытпримененияАсК-анализа подтверждает эффективность его использования в следующих предметных областях:
- идентификация и анализ макроэкономических состояний городов и районов Краснодарского края и края в целом на основе оценки значимости индикаторов макроэкономики и применения методов статистической теории информации и искусственного интеллекта (департамент экономики и прогнозирования администрации Краснодарского края);
- социологические и политологические исследования, анализ общественного мнения (Краснодарский сектор института социологических исследований АН сссР, Краснодарский краевой агропромышленный комитет, Академия государственной службы при Президенте РФ, Краснодарский государственный институт культуры, информационно-аналитический центр администрации Краснодарского края, Аналитический центр администрации Ярославской области и др.);
- проектирование адаптивных АсУ сложными техническими объектами (Государственное предприятие особое конструкторское бюро «икар», Кубанский государственный технологический университет);
- решение ряда задач управления качеством подготовки специалистов (Краснодарский юридический институт МВД РФ);
- прогнозирование результатов применения агротехнологий и управление выращиванием сельскохозяйственных культур (Кубанский государственный аграрный университет);
- прогнозирование успешности будущей профессиональной деятельности в экстремальных ситуациях в условиях высокой ответственности и дефицита времени (северо-кавказская региональная поисково-спасательная служба Государственного комитета РФ по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий МЧс, АО «Новошип» (Новороссийское морское пароходство);
- решение задач Центра правительственной связи в Краснодарском крае.
Это подтверждается 17 актами внедрения предлагаемых технологий за период с 1987 по 2002 гг.
литература
1. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологическихи организационно-технических систем): Монография (научное издание). — Краснодар: КубГАУ. 2002. - 605 с.
2. Лебедев Е.А. Оценка рисков кредитования физических лиц (проблема исследования, ее актуальность, идея решения) / Лебедев Е.А. // Научный журнал КубГАУ [Электронный ресурс]. — Краснодар: КубГАУ, 2006. - 01(17). — Режим доступа: http://ej.kubagro. ги/2006/01/13/р13^р.
3. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов «Эй-дос-5.1»). — Краснодар: КЮи МВД РФ, 1996.— 280 с.
4. Луценко Е.В. интеллектуальные информационные системы: Учебное пособие для студентов специальности: 351400 «Прикладная информатика (по отраслям)». — Краснодар: КубГАУ. 2004. — 633 с.
5. Лебедев Е.А. Прогнозирование рисков кредитования физических лиц с применением системно-когнитивного анализа. Научное обеспечение агропромышленного комплекса: материалы 7-й региональной научно-практической конференции молодых ученых. — Краснодар: КубГАУ, 2005 — 450 с.
