Структурно-функциональная организация информационного обеспечения системы поддержки принятия решений при управлении инвестированием малого инновационного бизнеса Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.89

Цепов Артем Юрьевич

Юго-Западный государственный университет

Россия, Курск

Аспирант кафедры «Информационные системы и технологии»

E-Mail: artem.tsepov@yandex.ru

Теплова Виктория Валерьевна

Курская Академия государственной и муниципальной службы,

Росси, Курск Кандидат технических наук Доцент кафедры «Информационная, техносферная безопасность и правовая защита информации» E-Mail: viktoria_teplova@mail.ru

Структурно-функциональная организация информационного обеспечения системы поддержки принятия решений при управлении инвестированием малого инновационного бизнеса

Аннотация: В статье представлен вариант формирования базы данных и знаний, которая будет являться основой системы поддержки принятия управленческих решений по инвестированию малых инновационных предприятий с оценкой степени риска, и будет способна в достаточной мере учитывать специфику данной области. Также разработана структурно-функциональная организация ее взаимодействия с основными модулями системы поддержки принятия решений, такими как: ДСМ система автоматического порождения гипотез с OWA интеграцией входящих данных, блок нейтрософского когнитивного моделирования и прочими элементами. Рассматриваемый в статье вариант учитывает нечёткий, неточный и разнородный характер данных, участвующих в работе системы и представляющих собой результаты проведенной бизнес разведки, информацию из бизнес плана, результаты вычислений ДСМ системы и ряд других категорий, для работы с которыми предлагается включить в состав базы данных и знаний фреймовый модуль хранения данных, продукционный модуль хранения знаний, реляционную базу данных и гипертекстовое хранилище чётких и нечётких сведений, оснащённое средствами документального, полнотекстового и семантического поиска. Дано описание ключевых аспектов этих модулей, а так же приведены практические примеры заполнения фреймов.

Ключевые слова: База данных и знаний; система поддержки принятия решений; малое инновационное предприятие; фрейм; фреймовая модель представления знаний;

продукционная модель представления знаний; реляционная база данных.

Идентификационный номер статьи в журнале 79ТУЫ613

Artem Tsepov

South-West State University, Russian Federation, Kursk

E-Mail: artem.tsepov@yandex.ru

Viktoria Teplova

Kursk Academy of State and Municipal Service, Russian Federation, Kursk

E-Mail: viktoria_teplova@mail.ru

Structural and functional organization of decision support systems information support in the management of investment small business innovation

Abstract: The article presents a version of the database and knowledge, which will be the basis of decision support system of the management in investment small business innovation with the assessment of risk, and developed a structural-functional organization of its interaction with the basic modules of a decision support system. Viewed in the paper version takes into account the fuzzy , imprecise and heterogeneous nature of the data involved in the operation of the system and represent the results of the business intelligence information from the business plan , the results of calculations DSM system and a number of other categories for which is proposed to include in the database and knowledge frame- data storage unit , a production unit of knowledge storage , relational database and hypertext repository of clear and unclear information , equipped with the means of documentary , full-text and semantic search. A description of the key aspects of these modules , as well as practical examples filling the frame .

Keywords: Database and knowledge; decision support system; a small innovative company; frame; frame-based knowledge representation model; production model of knowledge representation; a relational database.

Identification number of article 79TVN613

Важным этапом выбора предприятия, как объекта инвестирования является всесторонний анализ его деятельности, а так же внешней среды с целью прогнозирования вероятных исходов реализации инвестиционного проекта. В ходе анализа применяется ряд методик, основанных на экспертных и статистических оценках[7].

Становление инновационной экономики существенно повлияло на инвестиционные процессы в России, так в частности, наиболее широким классом инвестиционных объектов стали малые инновационные предприятия (МИП), анализ деятельности которых может быть затруднен по ряду причин, среди которых следует отметить:

• отсутствие статистических данных о реализации конкретных инновационных проектов;

• существенное влияние на успех реализации личности руководителя и основных членов его команды;

• необходимость учета инновационной составляющей;

• невозможность анализа предприятия по его бухгалтерской отчетности;

• нечеткий, неточный и разнородный характер имеющейся о МИП информации, на основании которой принимается решение об инвестировании.

В этих условиях для решения задачи инвестирования МИП и оценки его риска целесообразно использовать системы поддержки принятия решений (СППР).

В работах [1,2] рассматривался подход к оценке риска инвестирования малого инновационного бизнеса с использованием современных информационных технологий, в частности методов и средств искусственного интеллекта. Прогнозирование риска системой осуществляется на основе разнородной информации, которая, пройдя предварительную подготовку с применением OWA оператора Ягера[8,9,10], обрабатывается ДСМ системой автоматического порождения гипотез. Результатом работы системы является гипотеза о степени риска инвестирования. Также в рамках СППР имеются дополнительные модули, позволяющие прогнозировать исход реализации проекта МИП, в частности модуль нейтрософского когнитивного моделирования.

Качество функционирования СППР по инвестированию малого инновационного бизнеса во многом определяется характеристиками базы данных и знаний (БДиЗ). Структура БДиЗ, прежде всего, зависит от типов информации, знаний и данных, которые используются при работе СППР. В рамках построения СППР оценки риска инвестирования малого инновационного бизнеса можно выделить следующие информационные составляющие:

1. Входящие данные из внешней среды, включающие:

• значения показателей, характеризующих деятельность каждого МИП.

• дополнительную разнородную информацию, в частности: патенты, статьи, отчетность, текстовые и графические файлы.

2. Правила, гипотезы, формируемые ДСМ системой, а также различные коэффициенты, вычисляемые в ходе работы СППР (в том числе, необходимые для построения нейтрософских когнитивных карт).

Для построения БДиЗ необходимо разработать соответствующие модели представления данных и знаний. Анализ специфики предметной области показывает, что в качестве основы для ее построения следует выбрать комбинированную фреймовопродукционную модель представления знаний с интегрированными модулями гипертекстовой информации и таблицами реляционной базы данных. Данный выбор обусловлен следующими особенностями функционирования СППР при оценке риска инвестирования малого инновационного бизнеса:

1. Перечень показателей одинаков для всех предприятий, поэтому для работы с ними целесообразно использовать фреймовую модель, где можно сформулировать фрейм-прототип, определяющий общую структуру данных о МИП и фреймы-экземпляры, отражающие специфику каждого конкретного предприятия.

2. Разнородные данные, используемые в ходе работы СППР, целесообразно представить в виде гипертекста, оснащенного навигацией, информационным поиском, а так же метаданными в которых следует указывать связь текста или файла с определенным фреймом-экземпляром.

3. В ходе ДСМ вычислений, из фреймов-примеров, формируется база фактов, которую можно представить в виде:

P1 . . Pn

Ol Й1 . . Йп

Om 6п1 . . Йпп

где, Ol...Om - множество предприятий, pl...pn - множество их свойств, a Йпп- значения свойства п у объекта m.

Анализируя базу фактов, ДСМ-система находит сочетания показателей, (фрагменты) вызывающих появление целевого свойства, а так же наоборот - указывающих на его отсутствие. Для хранения и работы с полученными на этом шаге гипотезами целесообразно воспользоваться продукционной моделью представления знаний. В этом случае каждая запись базы будет представлять собой правило вида:

ЕСЛИ {<условие>} ТО {<действие>}.

4. Различные коэффициенты, полученные экспертным путем, а так же в ходе работы ДСМ-решателя, и необходимые для интеграции входящих данных с использованием OWA-оператора, построения нейтрософских когнитивных карт и функционирования других модулей СППР целесообразно хранить в реляционной базе данных.

Разработку информационной базы предметной области необходимо начать с фреймовой модели представления знаний. Для этого определим абстрактные объекты и основные понятия предметной области и представим их в виде фреймов-прототипов, а также определим конкретные объекты предметной области в виде фреймов-экземпляров[3,5,6].

Ключевыми понятиями для построения СППР оценки риска инвестирования малого инновационного бизнеса будут:

• тип и характеристики малого инновационного предприятия (МИП);

• руководство стратегического и тактического уровня управления МИП;

• сотрудники МИП.

Поскольку у сотрудников и руководителя имеются общие характеристики, такие, как: возраст, образование, опыт и т.д. целесообразно выделить общее абстрактное понятие -участник проекта. Тогда фреймы «МИП» и «Участник проекта» будут прототипами-образцами, а фреймы «Руководитель» и «Сотрудник» - прототипами-ролями. Наследование происходит по AKO-связям (A-Kiпd-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии. Фреймы-наследники будут содержать все слоты своих родителей, они явно прописываются только в случае изменения какого-либо параметра. Далее необходимо определить основные слоты данных фреймов, т.е. их характеристики, имеющие значение для построения СППР (таблицы 1 - 4).

Таблица 1

Характеристики фрейма «МИП»

МИП

Имя слота Значение слота Способ получения значения Демон

Название Текстовое Бизнес-план

Число реализованных ранее проектов Числовое Бизнес-план

Успешность реализации предыдущих проектов По шкале Бизнес-разведка

Сфера деятельности Вариант из множества Бизнес-план

Фаза реализации проекта Вариант из множества Бизнес-разведка

Таблица 2

Характеристики фрейма «Участник проекта»

Участник проекта

Имя слота Значение слота Способ получения значения Демон

Возраст От 0 до 100 лет Бизнес-план

Образование Вариант из множества Бизнес-план

Опыт работы в сфере конкретной инновации От 0 и более Бизнес-план

Опыт участия в иных проектах По шкале Бизнес-разведка

Таблица 3

Характеристики фрейма «Руководитель»

Руководитель (АКО Участник проекта)

Имя слота Значение слота Способ получения значения Демон

Возраст От 20 лет Бизнес-план

Образование Вариант из множества Бизнес-план

Опыт управления инновационными проектами По шкале Бизнес-план

Кредитная история По шкале Бизнес-разведка

Подчиненная организация Фрейм-объект Из внешних источников

Таблица 4

Характеристики фрейма «Сотрудник»

Сотрудник (АКО Участник п роекта)

Имя слота Значение слота Способ получения значения Демон

Возраст От 20 лет Бизнес-план

Образование Вариант из множества Бизнес-план

Должность Вариант из множества Бизнес-план

Сфера ответственности в рамках проекта Перечень направлений Бизнес-план

Уровень сотрудника По шкале Бизнес-разведка

Место работы Фрейм-объект Из внешних источников

Фреймы-экземпляры описывают конкретную ситуацию, а именно: какие МИП претендуют на инвестирование, их кадровый состав и руководство. Поэтому определим ряд фреймов-экземпляров, являющихся наследниками фреймов-прототипов (таблицы 5 - 7).

Таблица 5

Пример фрейма-экземпляра «МИП-1»

ООО «МИП-1» (АКО МИП)

Имя слота Значение слота Способ получения значения Демон

Название ООО «МИП-1» Бизнес-план

Число реализованных ранее проектов 5 Бизнес-план

Успешность реализации предыдущих проектов 8 Бизнес-разведка

Сфера деятельности Связь Бизнес-план

Фаза реализации проекта Разработка образца Бизнес-разведка

Таблица 6

Пример фрейма-экземпляра «Руководитель - 1»

Руководитель - 1 (АКО Руководитель)

Имя слота Значение слота Способ получения значения Демон

Возраст 45 Бизнес-план

Образование Высшее техническое Бизнес-план

Опыт управления инновационными проектами 12 Бизнес-план

Кредитная история Положительная Бизнес-разведка

Таблица 7

Пример фрейма-экземпляра «Сотрудник - 1»

Сотрудник - 1 (АКО Сотрудник)

Имя слота Значение слота Способ получения значения Демон

Возраст 29 Бизнес-план

Образование Высшее техническое Бизнес-план

Должность Главный инженер проекта Бизнес-план

Сфера ответственности в рамках проекта Координация опытноконструкторских работ Бизнес-план

Уровень сотрудника 9 Бизнес-разведка

Следующим этапом разработки фреймовой модели знаний является описание возможных стандартных ситуаций с помощью фреймов-событий и динамики возникновения и развития этих ситуаций с помощью фреймов-сценариев.

При принятии решения об инвестировании МИП инвестор, или другое лицо принимающее решение (ЛПР) имеет две альтернативы: инвестирование или отказ от инвестирования (таблицы 8, 9), также возможны и другие альтернативы при принятии решений, например, решение о проведении дополнительной бизнес-разведки с целью уточнения каких-либо фактов.

Таблица 8

Характеристика фрейма-события «Инвестирование»

Инвестирование

Имя слота Значение слота Способ получения значения Демон

ДСМ гипотеза о степени привлекательности По шкале Из ДСМ решателя

Степень полноты информации В % Фрейм экземпляр

Соответствие проекта профилю инвестора По шкале ЛПР

Таблица 9

Характеристика фрейма-события «Отказ от инвестирования»

Отказ от инвестирования

Имя слота Значение слота Способ получения значения Демон

ДСМ гипотеза о степени привлекательности По шкале Из ДСМ решателя

Степень полноты информации В % Фрейм экземпляр

Соответствие проекта профилю инвестора По шкале ЛПР

Ограничивающие факторы Варианты из множества ЛПР

Типичные ситуации возникают после наступления каких-либо событий, выполнения условий и могут следовать одна за другой.

Их динамика отображается с использованием фреймов-сценариев, наиболее значимым из которых является «Принятие решения об инвестировании» (таблица 10).

Таблица 10

Характеристика фрейма-сценария «Принятие решения об инвестировании»

Принятие решения об инвестировании

Имя слота Значение слота Способ получения значения Демон

Руководитель Фрейм-объект Бизнес-план, разведка

МИП Фрейм-объект Бизнес-план, разведка IF ADDED, IF REMOVED (изменяет слот «Сотрудник»)

Сотрудник Фрейм-объект Бизнес-план, разведка

Сцена 1 Прием бизнес-плана

Сцена 2 Собеседование с руководителем проекта

Сцена 3 Бизнес-разведка

Сцена 4 Опрос экспертов

Сцена 5 Инвестирование

Взаимосвязь различных типов фреймов, при представлении знаний представлена на

рис. 1.

в

Рис. 1. Схема взаимосвязи фреймов при функционировании БДиЗ

Следующим этапом создания БДиЗ является разработка продукционной модели.

Продукционная модель представления знаний используется при хранении правил необходимых для работы ДСМ-системы в случае оценки инвестиционной привлекательности МИП. Построение продукционной модели предполагает определение целевых и промежуточных действий, порядка их выполнения, а также условий для каждого из них.

При решении задачи оценки инвестиционной привлекательности в качестве объектов выступает множество МИП, целевым свойством которых является инвестиционная привлекательность {Р}. Множеством причин порождающих целевое свойство С = {с1, с2, ст } являются факторы, обусловливающие инвестиционную привлекательность.

Работа ДСМ-решателя рассмотрена в [4].

Процесс оценки МИП будет заключаться в нахождении скрытых закономерностей между проявлением целевого свойства и структурой признаков предприятия. В результате, формируется набор продукций, представляющих собой описание устойчивых сочетаний признаков, вызывающих проявление или отсутствие целевого свойства, на основании которых впоследствии осуществляется генерация гипотез об инвестиционной привлекательности анализируемых МИП.

ДСМ-решателем могут быть сформированы следующие гипотезы:

1. проект обладает инвестиционной привлекательностью;

2. проект не обладает инвестиционной привлекательностью;

3. в базе фактов присутствую либо отсутствуют факторы, свидетельствующие как

об инвестиционной привлекательности данного проекта, так и о ее отсутствии.

Заключительным этапом разработки структуры БДиЗ, применительно к решаемой задаче, является интеграция фреймовой и продукционной составляющих представления знаний, а также модулей гипертекстовой информации и таблиц реляционной базы данных.

В реляционной базе данных должны храниться коэффициенты, необходимые для OWA-оператора, построения нейтрософских когнитивных карт и функционирования других модулей СППР. Базу целесообразно представить в виде нескольких таблиц (например, в виде таблицы 11), каждая из которых соответствует определенному аспекту функционирования СППР.

Таблица 11

Вариант схемы реляционного хранилища показателей и коэффициентов, необходимых

для OWA интеграции входящих данных

Инвестирование

Объединённый показатель Объединяемые показатели Веса показателей Квантификатор

№1 №2 • • • №п Х1 Х.2 Хп

Уровень менеджмента

Уровень проработки инновационной идеи

Для хранения текстовой и графической информации (статьи из научных и публицистических изданий, тексты из сети интернет, не публиковавшиеся в печати, патенты, протоколы о проведенной бизнес разведке и т.д.) целесообразно использовать гипертекстовую технологию. Контент каждого текстового файла должен пройти индексацию, в ходе которой проводится семантический анализ содержимого, выявляются ключевые слова и т.д. В ходе контекстного анализа предполагается создание гипертекста путем автоматической установки гиперссылок между появляющимися в тексте именами собственными (возможно также между отдельными ключевыми словами) и имеющимися данными о них. В случае, если текстовый файл относится к одному или нескольким фреймам БДиЗ, эта связь отмечается в метаданных файла.

Интерфейс пользователя гипертекста БДиЗ должен содержать возможность документального, полнотекстового и семантического поиска.

В соответствии с вышеизложенным структурно-функциональная организация (СФО) БДиЗ можно представить в виде, приведенном на рис. 2.

Рис. 2. Структурно-функциональная организация взаимодействия основных модулей СППР и БДиЗ

Таким образом, можно полагать, что синтезированная СФО БДиЗ будет являться основой системы поддержки принятия управленческих решений по инвестированию МИП с оценкой степени риска.

ЛИТЕРАТУРА

1. Сизов А.С., Халин Ю.А., Цепов А.Ю. Использование OWA оператора Ягера для

интеграции данных на входе ДСМ системы оценки риска инвестирования малого инновационного предприятия // Инновации в науке, № 8 (21): сборник статей по материалам XXIV международной научно-практической

конференции. - Новосибирск: Изд. «СибАК», 2013. - С. 67 - 74.

2. Сизов А.С., Халин Ю.А., Цепов А.Ю. Подход к оценке инвестиционной привлекательности инновационного проекта малого предприятия с использованием ДСМ метода автоматического порождения гипотез // Развитие информационных технологий в аспекте экономической модернизации: материалы международной научно-практической конференции (25 сентября 2013 г.) Отв. ред. Зарайский А.А. - Саратов: Издательство ЦПМ «Академия Бизнеса», 2013. - С. 86 - 88.

3. Матвеев М.Г., Свиридов А.С., Алейникова Н.А. Модели и методы

искусственного интеллекта. Применение в экономике. - Москва «Финансы и статистика» 2008. - 448 с.

4. Халин Ю.А. Подход к прогнозированию состояний конкурирующих

предприятий на основе ДСМ-метода автоматического порождения гипотез // Естественные и технические науки, 2011, №6. - С. 521 - 522.

5. Советов Б.Я., Цехановский В.В., Чертовский В.Д. Представление знаний в информационных системах. - Москва Издательский центр «Академия»

6. Рыбина Г.В. Основы построения интеллектуальных систем. - Москва «Финансы и статистика»

7. Цепов А.Ю. К вопросу создания системы поддержки принятия решений при

инвестировании малого инновационного бизнеса//Научные аспекты

инновационных исследований (6-8 марта 2013 г.): Материалы международной научно-практической конференции - Самара: Издательство ООО «Инсома-пресс»

8. АверченковВ.И., ЛагеревА.В., ПодвесовскийА.Г.Представление и обработка нечеткой информации в многокритериальных моделях принятия решений для задач управления социальными и экономическими системами/ Вестник Брянского государственного технического университета. 2012. № 2(34)

9. Ягер Р.Р. Множество уровня для оценки принадлежности нечётких

подмножеств /Р.Р. Ягер // Нечеткие множества и теория возможностей.

Последние достижения: [пер. с англ.]; под ред. Р.Р. Ягера. - М.: Радио и связь,

1986. - С. 9-21.

10. Yager, R.R. On ordered weighted averaging aggregation operators in multicriteria decision making / R.R. Yager // IEEE Transactions on Systems, Man, and Cybernetics. - 1988. - Vol. 18. - P. 183-190.

Рецензент: Довбня Виталий Георгиевич д.т.н., доцент, главный научный сотрудник НИЦ (г. Курск) ФГУП «18 ЦНИИ» МО РФ.

REFERENCES

1. Sizov A.S., Halin Ju.A., Cepov A.Ju. Ispol'zovanie OWA operatora Jagera dlja

integracii dannyh na vhode DSM sistemy ocenki riska investirovanija malogo

innovacionnogo predprijatija // Innovacii v nauke, № 8 (21): sbornik statej po

materialam XHIV mezhdunarodnoj nauchno-prakticheskoj konferencii. -Novosibirsk: Izd. «SibAK», 2013. - S. 67 - 74.

2. Sizov A.S., Halin Ju.A., Cepov A.Ju. Podhod k ocenke investicionnoj privlekatel'nosti

innovacionnogo proekta malogo predprijatija s ispol'zovaniem DSM metoda avtomaticheskogo porozhdenija gipotez // Razvitie informacionnyh tehnologij v aspekte jekonomicheskoj modernizacii: materialy mezhdunarodnoj nauchno-

prakticheskoj konferencii (25 sentjabrja 2013 g.) Otv. red. Zarajskij A.A. - Saratov:

Izdatel'stvo CPM «Akademija Biznesa», 2013. - S. 86 - 88.

3. Matveev M.G., Sviridov A.S., Alejnikova N.A. Modeli i metody iskusstvennogo intellekta. Primenenie v jekonomike. - Moskva «Finansy i statistika» 2008. - 448 s.

4. Halin Ju.A. Podhod k prognozirovaniju sostojanij konkurirujushhih predprijatij na osnove DSM-metoda avtomaticheskogo porozhdenija gipotez // Estestvennye i tehnicheskie nauki, 2011, №6. - S. 521 - 522.

5. Sovetov B.Ja., Cehanovskij V.V., Chertovskij V.D. Predstavlenie znanij v informacionnyh sistemah. - Moskva Izdatel'skij centr «Akademija»

6. Rybina G.V. Osnovy postroenija intellektual'nyh sistem. - Moskva «Finansy i statistika»

7. Cepov A.Ju. K voprosu sozdanija sistemy podderzhki prinjatija reshenij pri investirovanii malogo innovacionnogo biznesa//Nauchnye aspekty innovacionnyh issledovanij (6-8 marta 2013 g.): Materialy mezhdunarodnoj nauchno-prakticheskoj konferencii - Samara: Izdatel'stvo OOO «Insoma-press»

8. AverchenkovV.I., LagerevA.V., PodvesovskijA.G.Predstavlenie i obrabotka nechetkoj informacii v mnogokriterial'nyh modeljah prinjatija reshenij dlja zadach upravlenija social'nymi i jekonomicheskimi sistemami/ Vestnik Brjanskogo gosudarstvennogo tehnicheskogo universiteta. 2012. № 2(34)

9. Jager R.R. Mnozhestvo urovnja dlja ocenki prinadlezhnosti nechjotkih podmnozhestv /R.R. Jager // Nechetkie mnozhestva i teorija vozmozhnostej. Poslednie dostizhenija: [per. s angl.]; pod red. R.R. Jagera. - M.: Radio i svjaz', 1986. - S. 9-21.

10. Yager, R.R. On ordered weighted averaging aggregation operators in multicriteria decision making / R.R. Yager // IEEE Transactions on Systems, Man, and Cybernetics. - 1988. - Vol. 18. - P. 183-190.