Принятие управленческих решений в кризисных ситуациях на основе нейронной сети «дерево решений»

Сенин А.С.1, Лясников Н.В.2,1
1 Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
2 Институт проблем рынка РАН

Статья в журнале

Экономика и социум: современные модели развития (РИНЦ)
опубликовать статью

Том 9, Номер 1 (Январь-Март 2019)

Цитировать:
Сенин А.С., Лясников Н.В. Принятие управленческих решений в кризисных ситуациях на основе нейронной сети «дерево решений» // Экономика и социум: современные модели развития. – 2019. – Том 9. – № 1. – С. 98-110. – doi: 10.18334/ecsoc.9.1.40541.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=38479966
Цитирований: 8 по состоянию на 07.12.2023

Аннотация:
Цель. На основе анализа литературных источников, а также международного опыта развития технологий виртуального ситуационного центра исследовать особенности использования нейронной сети «дерево решений» для поддержки принятия управленческих решений в кризисных ситуациях. Материалы и методы. Методической основой данной статьи являются литературные источники по развитию технологий виртуального ситуационного центра, а также открытые аналитические материалы по опыту использования нейронной сети «дерево решений» для поддержки принятия управленческих решений в кризисных ситуациях. Результаты. В настоящей статье определена сущность технологии виртуального ситуационного центра: и его роли для поддержки принятия управленческих решений в кризисных ситуациях Проведен анализ использования нейронной сети «дерево решений» для поддержки принятия управленческих решений в кризисных ситуациях. Выводы. Алгоритмы машинной поддержки управленческих решений в критических ситуациях могут использоваться во многих сферах, как правило, там, где необходима автоматизация решения сложных задач, для которых принято использовать знания и опыт человека. На сегодняшний день широко используются нейронные сети. В основе нейросетей лежит представление о том, что нейрон – это простой элемент, который можно промоделировать. Причем вся сложность человеческого мышления происходит из огромного количества нейронов (в человеческом мозгу их более 1010) и сложности связей между ними. Так, к примеру, в банковских структурах для поддержки принятия управленческих решений нейронная сеть позволяет обнаружить сложные, нелинейные и нетривиальные зависимости между характеристиками клиента и его платежеспособностью, вернет ли он кредит в срок или нет, которые невозможно обнаружить с помощью логистической регрессии и деревьев классификации. На сегодняшний день нейронные сети нашли широкое применение в крупных финансовых компаниях. Так, к примеру, Lloyds Bowmaker Motor Finance использует нейронные сети «дерево решений» для принятия решений в автокредитовании; Security Pacific Bank – в кредитовании малого бизнеса и так далее. Однако самым важным недостатком нейронных сетевых моделей является сложность интерпретации, так как структура нейронной сети не позволяет описать взаимосвязи простым способом. Применение. Полученные выводы и результаты исследования могут быть использованы при дальнейшем использовании нейронной сети «дерево решений» для поддержки принятия управленческих решений в кризисных ситуациях.

Ключевые слова: нейронные сети, кризисные ситуации, искусственный интеллект, новейшие технологии, виртуальный центр, дерево решений управленческие решения, компьютерные программы

Источники:

1. Поддубный В.В., Шевелёв О.Г. Сравнение стилей текстовых произведений по частотному признаку на основе гипергеометрического критерия // Теоретическая и прикладная информатика / под ред. проф. А.Ф. Терпугова. Томск: изд-во Том. ун-та, 2004. Вып. 1. С. 101–109.
2. Шевелёв О.Г. Тютерев В.В. Многослойные перцептроны в задаче разрешения спорного авторства текста // Сборник трудов научно-технической конференции «Нейроинформатика-2003», 29–31 января 2003 г., Москва. М.:МИФИ, 2003, Ч. 2. С. 206–212.
3. Никишов С.И. Применение нечеткой композиции для моделирования логистических потоков // Вопросы инновационной экономики. 2017. Том 7. № 3. С. 247–256. doi: 10.18334/vinec.7.3.38197. 4. Тютерев В.В., Новосельцев В.Б. Теория нейронных сетей. Томск: издво Томского государственного университета, 2000. 56 с.
5. Луизова Л.А. От постановки задачи до принятия решения. Петрозаводск: изд-во ПетрГУ, 2002.
6. Харасова А.С., Блаженкова Н.М. Технология принятия управленческих решений в теории и практике менеджмента // Лидерство и менеджмент. 2015. Том 2. № 2. С. 99–110. doi: 10.18334/lim.2.2.598.
7. Тюник О.Р., Панкина Т.В. Принятие решений в хозяйственной деятельности торговых организаций в условиях риска // Торгово-экономический журнал. 2015. Том 2. № 3. С. 141–150. doi: 10.18334/ tezh.2.3.592.
8. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.
9. Короткий С. Нейронные сети: алгоритм обратного распространения [Электронный ресурс]. Режим доступа: http://www.orc.ru/ stasson/ n2.zip, свободный.
10. Ежов А.А, Шумский С.А. Нейрокомпьютинг и его приложения в экономике и бизнесе [Электронный ресурс]. Режим доступа: http://soft. neurok.ru/pub/lectures.shtml, свободный.
11. Шевелёв О.Г.,Петраков А.В. Классификация текстов с помощью деревьев решений и нейронных сетей прямого распространения // Вестник ТГУ. Томск: изд-во Том. ун-та, 2005.
12. Глущенко В.В., Глущенко И.И. Теоретические аспекты предупредительного антикризисного управления в корпорациях // Лидерство и менеджмент. 2017. Том 4. № 4. С. 169–188. doi: 10.18334/lim.4.4.38373.
13. Marsden T., Sonnino R. Rural development and the regional state: Denying multifunctional agriculture in the UK // Journal of Rural Studies. 2008. Vol. 24. No. 4. P. 422–431.
14. Reshetov K.Yu., Khoroshavina N.S., Mysachenko V.I., Komarov V.Yu., Timofeev M.I. State policy in the area of implementation of innovations in industrial production // The Journal of Social Sciences Research. 2018. № S3. P. 271–276.
15. Cheyns E., Daviron B., Djama M., Fouilleux E., Guéneau S. The standardization of sustainable development through the insertion of agricultural global value chains into international markets // Sustainable Development and Tropical Agri-chains. Springer, Dordrecht, 2017. С. 283–303.
16. Giannakis E., Bruggeman A. The highly variable economic performance of European agriculture // Land Use Policy. 2015. Vol. 45. P. 26–35.

Страница обновлена: 06.01.2024 в 15:34:17