44
У предприятия есть 14 покупателей, которые вовремя оплачивают платежи.
Эти покупатели практически не наносят ущерб фирме.
Рисунок 5 Дендрограмма по принципу «дальнего соседа»
Общая сумма заказа этих контрагентов 3979 тыс. руб. Получается
три кластера:
1. Клиенты, которые расплачиваются немедленно за покупку («хорошие»
дебиторы).
2. Клиенты, у которых небольшой срок просрочки («ситуационные»
дебиторы).
3. Клиенты, у которых срок просрочки больше двух месяцев («плохие»
дебиторы).
Всего покупателей за год 20. Далее рассчитывается ущерб, наносимый
вторым и третьим кластерами.
Ущерб фирмы от задержки оплаты поставленных товаров покупателям
(Тзi) рассчитывается по формуле Ущ.ф.=
Ущ.i(Тзi), при этом
Ущ.iC
y
(Тз)
, (3)
где р – годовая ставка банковских процентов по депозитам с учетом
прироста инфляции: Р Рб инфл., Тнс – нормативный срок оплаты.
45
В итоге на основе кластерного анализа оптимизируем дебиторскую
задолженность.
Таким образом, кластерный анализ позволяет выделять группы
дебиторов (кластеры) основываясь на коэффициенте ненадежности, что
позволяет выделять «хороших», «ситуационных» и «плохих» дебиторов и по-
разному с ними работать. Применение кластерного анализа способствует
оптимизации дебиторской задолженности организации и рекомендуется
к применению в практической деятельности организаций различных сфер
деятельности [37].
Структура интеллектуальной СППР представлена на рисунке 6. В левой
части схемы представлены источники данных о компании. Данные из всех
источников объединяются для формирования профиля компании, который
будет использован в системе нечеткого вывода для принятия решения
о реструктуризации долга, продолжении сотрудничества, необходимости
запроса дополнительных данных от контрагента и т.п. На основе профиля
компании производится классификация. Для каждого класса компаний
определяются дополнительные правила системы нечеткого вывода, а также
веса для общих правил. Такой подход позволяет осуществлять принятие
решений с учетом специфики отдельных компаний.
Для формирования базы правил необходимо определить множество
входных лингвистических переменных
NnV
n
|},...,,{
21
и множество
выходных лингвистических переменных
NswwwW
s
|},...,,{
21
.
Отдельная лингвистическая переменная задается следующим образом:
MGXT
i
,,,,
, (4)
где
– наименование лингвистической переменной;
T – базовое терм-множество лингвистической переменной, каждый
элемент которого представляет наименование отдельной нечеткой
46
переменной a.
},...,,{
21 n
AAAT
,
Nn
.
X – область определения (универсум) нечетких переменных,
входящих в
;
G – синтаксическая процедура, описывающая процесс образования из
множества T новых, осмысленных в заданном контексте значений для
i
;
M – семантическая процедура, которая позволяет поставить в
соответствие каждому значению, образованному с помощью G, некоторое
осмысленное содержание посредствам задания нечеткого множества,
определенного на X.
Для задания функции принадлежности термов лингвистических
переменных воспользуемся трапецеидальным нечетким интервалом (ТНИ).
,,, baA
, (5)
где a и b – нижнее и верхнее модальные значения ТНИ;
и
- левый
и правый коэффициенты нечеткости ТНИ.
Функция принадлежности в виде ТНИ может быть задана следующим
образом:
dx
dxc
cd
xd
cxb
bxa
ab
ax
ax
dcbaxf
,0
,1
,
,0
),,,;(
.
Схема системы поддержки принятия решений представлена на рис. 6
(6)
47
Рисунок 6 - Схема СППР
База знаний интеллектуальной СППР может быть определена
следующим образом:
NmRRRR
m
|},...,,{
21
, (7)
где
i
R
– отдельное правило. Каждое правило базы знаний записывается
следующим образом:
FSBAR
i
,,:)(
, (8)
где
BA
– ядро правила; A и B – нечеткие высказывания, антецедент
48
и консеквент правила;
– знак логического следования; S – метод
определения количественного значения степени истинности заключения; F –
коэффициент определенности правила. Коэффициент определенности
правила может отсутствовать. В таком случае его значение принимается
равным единице.
Рассмотрим следующие входные лингвистические переменный
с базовыми терм множествами для системы нечеткого вывода:
1. Чистая прибыль (низкая, средняя, высокая).
2. Долг (низкий, средний, высокий).
3. Рост дохода (низкий, средний, высокий).
4. Спад числа сотрудников (низкий, средний, высокий). [38]
Выходная лингвистическая переменная:
1. Риск (низкий, средний, высокий).
Терм множество для входной лингвистической переменной «Спад
числа сотрудников» будет выглядеть следующим образом T={Alow, Amed,
Ahigh}; Alow = <0,0,8,12>, Amed = <8, 12,20,24>, Ahigh = <20,24,36,36>;
Функции принадлежности термов входной лингвистической переменной
«Спад числа сотрудников» в виде трапецеидальных нечетких интервалов
представлены на графике (рис. 7).
Рисунок 7 - Функции принадлежности термов входной лингвистической
переменной «Спад числа сотрудников»
49
Терм множество для выходной лингвистической переменной «Риск»
будет выглядеть следующим образом: T={Alow, Amed, Ahigh}; Alow =
<0,0,20,30>, Amed = <20,30,50,60>, Ahigh = <50,60,100,100>; Функции
принадлежности термов выходной лингвистической переменной «Риск»
в виде трапецеидальных нечетких интервалов представлены на графике
(рисунок 8).
Рисунок 8 - Функции принадлежности термов выходной лингвистической
переменной «Риск»
В качестве возможных правил системы нечеткого вывода рассмотрим
следующие:
П1: ЕСЛИ Долг Высокий И ЧистаяПрибыль Низкая И РостДохода
Низкий ТО Риск Высокий F(П1)=1.
П2: ЕСЛИ СпадЧислаСотрудников Высокий ТО Риск Высокий
F(П2)=0.5.
П3: ЕСЛИ СпадЧислаСотрудников Средний ТО Риск
Средний F(П3)=1. [39]
Рассмотрим работу системы нечеткого вывода для правил П2 и П3
с коэффициентами определенности F(П2) = 0.5 и F(П3) = 1. Четкое значение
входной переменной СпадЧислаСотрудников примем равным 21. Таким
образом истинность антецедента правила П2 будет равна 0.25, а степень
истинности антецедента правила П3 будет равна 0.75.
После выполнения этапов активизации и аккумулирования будет
50
получена функция принадлежности выходной лингвистической переменной
«Риск» (Рис. 9). При выполнении этапа активизации необходимо учитывать
веса привил.
0
1
0.5
20 30 50 6010 8040 70 90 100
Рисунок 9 - Функция принадлежности выходной лингвистической
переменной Риск
Для получения четкого значения на основе функции принадлежности
выходной лингвистической переменной можно воспользоваться одним
из существующих методов дефаззификации, например: метод левого
модельного значения, метод правого модельного значения, метод
центра тяжести.
Для рассмотренных методов дефаззификации четкое значение
выходной переменной «Риск» будет:
1. Метод левого модельного значения y = 27,5.
2. Метод правого модельного значения y = 100.
3. Метод центра тяжести y = 46,8. [40]
Говоря о нечеткой логике в системах аналитики и управления, можно
дать следующее определение системы нечеткого вывода. Система нечеткого
вывода – это процесс получения нечетких заключений о требуемом
управлении объектом на основе нечетких условий или предпосылок,
представляющих собой информацию о текущем состоянии объекта. Этот
процесс соединяет в себе все основные концепции теории нечетких
множеств: функции принадлежности, лингвистические переменные, методы
51
нечеткой импликации и т.п. База правил систем нечеткого вывода
предназначена для формального представления эмпирических знаний
экспертов в той или иной предметной области в форме нечетких
продукционных правил. Таким образом, база нечетких продукционных
правил системы нечеткого вывода – это система нечетких продукционных
правил, отражающая знания экспертов о методах управления объектом в
различных ситуациях, характере его функционирования в различных
условиях и т.п., т.е. содержащая формализованные человеческие знания [41].
В заключение отметим, что задание жестких правил невозможно,
так как нечеткость присутствует во входных данных по контрагентам,
что приводит нас к использованию системы нечёткого вывода, которая
позволяет осуществлять адаптивную оценку риска для класса компаний.
Также более точный анализ компании-контрагента достигается за счет
применения системы нечеткого вывода, содержащей знания экспертов,
выраженные в правилах и весовых коэффициентах.
2.3. Правовое обеспечение в отношении сбора данных и конкурентной
разведки
Сталкиваясь с необходимостью проверить контрагента, сотрудники
служб безопасности все чаще обращаются за помощью
к специализированным продуктам и системам обработки информации. Базы
данных по контрагентам можно разделить на легальные и нелегальные,
по юридическим и физическим лицам. Нелегальные базы данных имеют
несколько недостатков:
1. Они нелегальны.
2. Данные в таких базах, как правило, обладают слабой актуальностью.
3. Охватывают такие базы данных не каждый регион. [42]
Однако всю или почти всю необходимую информацию
по юридическим лицам (контрагентам) можно найти в легальных базах
данных, более того – в открытых источниках. Ведь эта информация
52
не относится к разряду персональных данных и является публичной. Минус
здесь только один – информацию нужно собирать из разных мест.
Для того, чтобы составить консолидированный портрет контрагента,
рационально инициировать разработку корпоративной системы рискового
ранжирования контрагентов на основе открытых источников. Разработка
автоматизированной системы позволит избежать временных затрат
и позволить оперативно обрабатывать большой набор данных в контексте
деятельности организации.
Основные официальные источники:
1. Федеральная налоговая служба (ЕГРЮЛ\ЕГРИП).
2. Федеральная служба государственной статистики.
3. Федеральный Арбитражный суд РФ.
4. Федеральная служба судебных приставов.
5. Генеральная прокуратура РФ.
6. Центральный Банк РФ.
7. Единый федеральный реестр сведений о фактах деятельности
юридических лиц.
8. Портал государственных закупок РФ.
9. Электронные торговые площадки. [43]
Основные группы данных:
1. Регистрационные данные (Регистрационная информация ООО
и ИП).
2. Отчетность (Годовая и квартальная отчетность юридических лиц).
3. Сведения о деятельности (Участие в тендерах, лицензии, проверки, набор
персонала).
4. Рисковые факторы (Банкротства, суды, смена владельцев).
Типовые входные данные для построения отчета и ранжирования:
1. Сведения о регистрации ФНС (Федеральная налоговая служба).
2. Информация из вестника ЕГРЮЛ.
53
3. Финансовую информацию – баланс, отчет о прибылях и убытках
(Росстат).
4. Коэффициенты доверия компании.
5. Индекс финансового риска.
6. Арбитражные дела компании (если есть).
7. Сообщения о банкротствах (если были).
8. Информация о руководителе.
9. Совпадения и вероятные совпадения.
10. Информация об органах управления предприятия.
11. Данные о лицах, имеющих право действовать без доверенности.
12. Структура компании.
13. Данные о совладельцах.
14. Данные о деятельности компании.
15. Сведения о государственных заказах.
16. Сведения о коммерческих заказах.
17. Список лицензий.
18. Информация об отраслевой принадлежности предприятия на основе
ОКВЭД [44].
Рассмотрим правовую сторону использования и публикации данных
в информационном пространстве компании. Используемая информация
для рискового ранжирования контрагента является открытой
и общедоступной в соответствии со следующими нормативно-правовыми
актами:
1. Сведения из ЕГРЮЛ и ЕГРИП — п.1 ст.6 Федерального закона
от 08.08.2001 № 129-ФЗ «О государственной регистрации юридических
лиц и индивидуальных предпринимателей».
2. Бухгалтерская отчетность — п.42 Положения по бухгалтерскому учету
«Бухгалтерская отчетность организации» (ПБУ 4/99), утвержденному
Приказом Минфина РФ от 06.07.1999 N 43н.