Прогнозирование рисков организации, эксплуатирующей транспортные средства на природном газе, с использованием скоринг-модели логистической регрессии при наличии экспертных ограничений

Бесплатный доступ

В работе предложен способ и описана математическая модель экспресс-анализа привлекательности эксплуатации транспортных средств на природном газе для автотранспортного предприятия. Предложенное решение базируется на скоринг-модели логистической регрессии, используемой банками для оценки кредитоспособности заемщика. Для повышения качества результатов модель расширена набором экспертных ограничений, сформулированных в виде правил. В процессе анализа выявлены признаки, требующие квантования, поскольку отдельные интервалы значений оказались по-разному связаны с риском. Разработанная математическая модель реализована в виде программного обеспечения на языка программирования высокого уровня, информация модели хранится в системе управления базами данных и интегрирована с информационной системой поддержки принятия управленческих решений при эксплуатации транспортных средств на природном газе. Проведена проверка разработанной математической модели на тестовой обучающей выборке. Результаты тестирования показали удовлетворительную точность предложенной модели на уровне 77 % без использования экспертных ограничений и 79 % с их использованием. При этом доля ошибок второго рода составила 2,7 %, а ошибок первого рода - 7, 2 %, что говорит о том, что модель достаточно консервативна, и относительно высокая доля соответствующих требованиям транспортных средств получила отказ.

Еще

Скоринг-модель, логистическая регрессия, эксплуатация транспортных средств, принятие решений, сложная техническая система

Короткий адрес: https://sciup.org/149139549

IDR: 149139549   |   DOI: 10.15688/mpcm.jvolsu.2021.3.4

Список литературы Прогнозирование рисков организации, эксплуатирующей транспортные средства на природном газе, с использованием скоринг-модели логистической регрессии при наличии экспертных ограничений

  • Абричкина, А. Г. Структура скоринг-модели анализа кредитных рисков / А. Г. Аб-ричкина // ДМК Пресс. — 2003. — Т. 8. — C. 60-61.
  • Васильев, Ю. Н. Газозаправка транспорта / Ю. Н. Васильев, А. И. Гриценко, К. Ю. Чириков. — М. : Недра, 1995. — 446 с.
  • Вишняков, И. В. Методы и модели оценки кредитоспособности заемщиков / И. В. Вишняков. — СПб. : СПбГИЭА, 1998. — 267 с.
  • Дедков, В. К. Косвенные методы прогнозирования надежности / В. К. Дедков. — М. : ВЦ им. А.А. Дородницына, 2006. — 272 с.
  • Евстифеев, А. А. Основы логико-вероятностного анализа безопасности транспортных средств на газовом топливе / А. А. Евстифеев, С. В. Люгай. — М. : ООО «Газпром ВНИИГАЗ», 2017. — 206 с.
  • Евстифеев, А. А. Аналитическое моделирование безопасности и отказоустойчивости сложных технических систем / А. А. Евстифеев. — М. : НИЯУ «МИФИ», 2010. — 252 с.
  • Кочедыков, Д. А. Система кредитного скоринга на основе логических алгоритмов классификации / Д. А. Кочедыков // Математические методы распознавания образов. — 2005. — Т. 12. — C. 349-353.
  • Куртова, Л. Н. Основы математической логики / Л. Н. Куртова. — Белгород : Изд-во НИУ «БелГУ», 2018. — 85 с.
  • Льюис, Дж. Ядро Огас1е. Внутреннее устройство для администраторов и разработчиков баз данных / Дж. Льюис. — М. : ДМК Пресс, 2015. — 372 с.
  • Маккинни, У. Python и анализ данных / У. Маккинни. — М. : ДМК Пресс, 2015. — 482 с.
  • Ноутон, П. Java2. В подлиннике. Наиболее полное руководство / П. Ноутон. — СПб. : БХВ-Петербург, 2007. — 1067 с.
  • Открытый курс машинного обучения: анализ временных рядов с помощью Python. — Электрон. текстовые дан. — Режим доступа: https://habг.com/гu/company/ods/b1og/327242/. — Загл. с экрана.
  • Решение проблемы оптимального синтеза технологических процессов сложных систем / Е. Н. Малыгин, В. А. Немтинов, Ж. Е. Зимнухова, Ю. В. Немтинова // Вестн. Тамбов. ун-та. Серия: Естественные и технические науки. — 2002. — Т. 7, № 2. — C. 242-245.
  • Рашка, С. Python и машинное обучение / С. Рашка. — М. : ДМК Пресс, 2017. — 418 с.
  • Рыбина, Г. В. Применение интеллектуального анализа данных для построения баз знаний интегрированных экспертных систем / Г. В. Рыбина // Авиакосмическое приборостроение. — 2012. — Т. 11. — C. 36-53.
  • Сравнение экономических показателей при использовании жидкого моторного и газомоторного топлив / С. В. Люгай, А. А. Евстифеев, В. В. Тимофеев, М. Л. Балашов, Ю. Н. Дрыгина // Транспорт на альтернативном топливе. — 2013. — № 5 (35). — C. 14-19.
  • Шестакова, Е. С. Анкетный опрос / Е. С. Шестакова, М. И. Кулик, А. Ю. Скриган // Метод кейсов в комплексных социально-экологических исследованиях. — Псков : Изд-во Псков. гос. ун-та, 2017. — C. 77-88.
  • Fan, J. Variable Selection via Nonconcave Penalized Likelihood and Its Oracle Properties / J. Fan, R. Li // Journal of the American Statistical Association. — 1996. — Vol. 6. — P. 1348-1360.
Еще
Статья научная