Delist.ru

Оценка эффективности управления инвестиционно-строительными проектами с использованием метода нейросетевой оптимизации (16.03.2010)

Автор: Морозов Александр Алексеевич

6. Оценка модели эффективности управления ИСП и ее изменение в случае необходимости (уточнение варьируемых параметров, параметров состояния и критериальных оценок).

Шаги 2-6 зацикливаются, образуя последовательность итераций, на каждой из которых производятся дополнительные расчеты по традиционной программе, а нейросетевая модель доучивается на результатах этих

7. Контроль полученного решения задачи (расчет модели оценки эффективности управления ИСП с найденными параметрами по традиционной вычислительной программе).

8. Вывод результатов решения задачи оценки эффективности управления ИСП.

На основе предложенной схемы влияния различных видов эффективности на определение класса проекта (Рис. 1), а также с помощью представленного алгоритма оценки эффективности управления ИСП (Рис. 2) на основе нейронных сетей, представляется возможным получить следующие результаты:

ранжирование ИСП по их эффективности на основе группы общепринятых критериев;

нейросетевая модель зависимости эффективности ИСП от изменения различных

ускорение времени принятия решения о выполнении или прекращении выполнения ИСП;

упорядоченная система показателей для принятия решения о выделении финансирования под ИСП (группу проектов);

повышение уровня эффективности принятых решений о выделении финансирования для ИСП;

контроль принятия и выполнения решений о финансировании отдельных этапов

В результате проведенного исследования по изучению методов оценки эффективности управления ИСП, возможно выбрать соответствующий способ оценки проекта, который основывается на таких показателях, как: чистый дисконтированный доход, цены на оборудование, цены на материалы, стоимость продажи продукции, инфляция, человеческие ресурсы (данный показатель выражается в наличии данных ресурсов или в положительном воздействии на них), срок окупаемости, рентабельность, жизненный цикл проекта и учет проектных рисков. Система показателей (Таблица 2) для оценки эффективности проекта выбрана на основании проведенного исследования существующих методов, и выбора наиболее значимых показателей для оценки эффективности ИСП. Представленный перечень показателей оценки эффективности может быть, как увеличен, так и уменьшен в каждом конкретном случае стороной проводящей исследование. Основное отличие предложенного метода оценки от всех остальных методов заключается в возможности учета всех существующих показателей для оценки эффективности ИСП, определяя влияние каждого из применяемых показателей на значение класса проекта.

Таблица 2 – Система показателей

№ Метод Показатель Описание Измерение

1 Нейросетевой оптимизации Класс проекта Служит для определения уровня эффективности ИСП по 10-ти бальной шкале, чем выше – тем лучше.

2 Метод чистой текущей стоимости Чистый дисконтированный доход (ЧДД) Сумма текущих стоимостей всех денежных потоков варьируется от 1 до 10

3 Анализ затрат Цены на оборудование Затраты на оснащение оборудованием низкая, средняя и высокая

4 Анализ затрат Цены на материалы Расходы на сырьё, эксплуатацию, техническое обслуживание и текущий ремонт низкая, средняя и высокая

5 Методы оценки коммерческой эффективности Стоимость продажи продукции проекта Стоимость реализации продукции и услуг низкая, средняя и высокая

6 Методы учета воздействия инфляц. проц. на показатели ком. эф. Инфляция Инфляционные воздействия на потоки денежных средств низкая, средняя и

7 Определение социальной эффективности проекта Человеческие ресурсы выражается в наличии или в положительном воздействии низкий, средний и

8 Метод дисконтированного срока окупаемости инвестиций Срок окупаемости время, которое потребуется для возмещения инвестиционных расходов варьируется от 1 до 5 лет

9 Модифицированная внутренняя норма доходности Рентабельность определение скорректированной с учетом нормы реинвестиции внутренней нормы доходности, при которой чистая текущая стоимость инвестиции равна нулю низкая, средняя и высокая

10 Метод средневзвешенного срока жизненного цикла проекта Жизненный цикл проекта определение эффективного времени действия проекта варьируется от 8 до 15 лет

11 Методы оценки эффективности инвестиционных проектов с учетом фактора неопределенности Риски при осуществлении проекта вероятность неблагоприятных показателей эффективности проекта низкие, средние и

Чтобы оценить эффективность инвестиционно-строительного проекта нужно подготовить структуру данных – обучающую выборку. В диссертационной работе подготовлены исходные данные и рассматривается пример, в котором имеются данные для обучающей выборки более чем по ста проектам. Подобная информация является основой для построения любой нейронной сети и подготавливается в основном с помощью статистических данных в каждом конкретном случае, однако может быть повторно использована в похожих расчетах. При этом распределение между «хорошими» и «плохими» проектами осуществлено равно пропорционально. В противном случае группа «хороших» или «плохих» проектов будет оказывать большее влияние при построении модели. Класс проекта характеризуется по десятибалльной шкале, а соответствующий показатель отображен в переменной «Класс 1-10», данная переменная будет весовой для всех проектов. На основе подготовленной структуры данных построена нейронная сеть.

Рисунок 3 - Искусственный нейрон

На n входов ячейки каждого нейрона (Рис. 3 и 4) поступают сигналы, проходящие по входным связям (синапсам) на k нейронов, образующие слой этой нейронной сети и выдающие k выходных сигнала:

, j=1...k (1)

Все весовые коэффициенты входных связей одного слоя нейронов можно свести в матрицу W, в которой каждый элемент wij задает величину i-ой входной (синоптической) связи j-ого нейрона. Таким образом, процесс, происходящий в нейронной сети, может быть записан в матричной форме:

Y=F(XW) (2)

где X и Y – соответственно входной и выходной сигнальные векторы, F(V) – активационная функция, применяемая поэлементно к компонентам вектора V.

Рисунок 4 - Двухслойная нейронная сеть

После построения нейронных сетей необходимо выбрать сеть, которая показала в ходе проверки наилучшие результаты, это выражается в наиболее точном построении модели – самом высоком уровне точности функции нейронной сети. Функцию выбранной нейросетевой модели, параметры которой представлены на Рисунке 5, необходимо сохранить и в будущем производить оценку схожих ИСП по налаженной нейронной сети для оценки эффективности ИСП. Построенная нейронная сеть позволяет производить оценку ИСП на основе имеющихся критериев. При этом построение нейронной сети произведено в программе Statistica Neural Networks, а сама функция нейронной сети была записана на языке программирования: STATISTICA Enterprise, PMML script, либо С/С+ +.

Рисунок 5 – Параметры построенных нейронных сетей

Для того чтобы построенная нейросетевая модель оценила эффективность интересующего проекта необходимо в окне результатов во вкладке с прогнозами (Рис. 6) ввести значения показателей нового проекта, после чего программа сообщит - к какому классу относится неизвестный проект. Тем самым на основе построенной нейросетевой модели для оценки эффективности ИСП может быть оценен любой другой ИСП, подходящий по параметрам к построенной нейросетевой модели.

Рисунок 6 - Окно результатов, вкладка с предсказаниями

Рисунок 7 - График функции, переменные: Класс, NPV (ЧДД), Рентабельность

При выводе графических результатов исследования может быть построена 3-х мерная модель, однако данная модель не может отобразить все показатели, влияющие на оценку эффективности ИСП. При выборе показателей, которые будут отображаться на графиках с решениями, необходимо руководствоваться правилом, что на 3D графиках должны отображаться самые значимые показатели. В связи с этим 3D график эффективности проектов при его построении может быть, характеризован тремя показателями, такими как - класс проекта по 10-ти бальной шкале, прогноз чистого дисконтированного дохода (ЧДД) и рентабельность (Рис. 7). Тем не менее, все остальные показатели также оказывают непосредственное влияние на построение графика, а его структура зависит от всех показателей, в не зависимости от того какие из них были отображены на графике.

В зависимости от выбранных показателей 3D вид функции будет изменяться, даже в случае заменены одного из трех показателей. В случае замены, при построении графика, только одного показателя «рентабельность» на показатель «срок окупаемости», получится следующий вид 3D графика (Рис. 8), имеющий совершенно другую поверхность. Однако построенная нейронная сеть и её функция никак не изменятся, тем самым, в случае попытки определения класса проекта, при вводе одинаковых значений переменных, результаты расчетов не будут изменяться вне зависимости от выбранных показателей для построения визуального 3D графика. Это объясняется тем, что эта функция построена и зависит от 11 различных показателей.

загрузка...