Возможности использования статистических моделей на основе нейронных сетей для оценки качества деятельности организаций сектора государственного управления
Автор: Жукова Анастасия Геннадьевна
Журнал: Технико-технологические проблемы сервиса @ttps
Рубрика: Безопасность цифрового сервиса
Статья в выпуске: 4 (50), 2019 года.
Бесплатный доступ
Целью настоящей статьи является разработка подходов для практического применения искусственного интеллекта для оценки качества финансового менеджмента в секторе государственного управления.
Сектор государственного управления, качество деятельности, методы оценки качества, искусственный интеллект
Короткий адрес: https://sciup.org/148318820
IDR: 148318820
Текст научной статьи Возможности использования статистических моделей на основе нейронных сетей для оценки качества деятельности организаций сектора государственного управления
Основным способом практического применения искусственных нейронных сетей является их обучение по схеме «с учителем». Но для этого должен быть предварительно получен ряд значений параметров вектора качества при соответствующих управляемых и неуправляемых параметрах процесса. В качестве таких параметров могут быть использованы количественные и качественные характеристики финансового менеджмента (далее – ФМ), используемые для оценки качества ФМ главными распорядителями средств федерального бюджета, как наиболее полные [1].
Автором разработана методика определения параметров процессов, обеспечивающих оптимальное качество финансового менеджмента, где возможно применить инструменты построения многослойных нейронных сетей, а также блок-схема ее реализации, представленная следующей последовательностью операций:
-
1. Определение параметров вектора качества
-
2. Определение входных параметров
-
3. Построение комплексного вектора качества
-
4. Формирование кластеров основных параметров вектора качества
-
5. Сокращение латентных переменных за счет применения метода главных компонент
-
6. Проведение имитационного моделирования для оптимизации полученной целевой функции
-
7. Многокритериальный выбор оптимальных параметров процесса
-
8. Принятие решения о выборе предпочтительного варианта реализации процесса.
и области их существования
Основной новацией этой методики является введение в рассмотрение и дальнейшую оценку всего множества управляемых и неуправляемых входных параметров процесса и соответствующего им комплекса выходных параметров, характеризующих его качество.
Для комплексной оценки качества финансового менеджмента с учетом формирования объединенных групп параметров можно воспользоваться специальными алгоритмами с применением нейронных сетей.
Для оценки качества финансового менеджмента на первом этапе можно использовать вектор качества, который показывает степень, в которой выбранный процесс финансового менеджмента можно отнести к категории (множеству) надежных. Такой вектор будет определяться исходя из значений функции принадлежности, которая будет представлять собой функцию многих переменных, для конкретного процесса. В рамках предложенной классификации мы должны определить имеющуюся зависимость, а после определения, по ее виду охарактеризовать качество финансового менеджмента.
Отметим, что итоговый вектор качества не будет являться результатом определения величины интенсивности отклонений. Он будет формироваться на основании полученной комплексной оценки выбранного числа управляемых и неуправляемых параметров.
Например, если сравнивать две организации сектора государственного управления по данному методу, то более надежным процесс будет считаться в организации, для которой в расчетном периоде наблюдается меньшее число отклонений.
Еще одним расширением предложенной модели является возможность ранжирования по значимости управляемых и неуправляемых параметров. В рамках такого подхода ранг приоритетности можно формировать через создание матрицы доминирования. Такая матрица демонстрирует связность всех элементов системы параметров. Это ранжирование, как правило, осуществляется экспертным путем.
Еще одним способом решения проблемы является применение динамического аналога описанного подхода. В рамках такой модели значимость управляемых и неуправляемых параметров формируется с учетом заранее определенных весовых коэффициентов на основе аналитических моделей.
Применение такого самонастраивающегося классификатора на практике дает возможность при оценке сбоев в работе органов государственной власти принять во внимание такие факторы как ненадежность системы управления рисками и внутреннего контроля. Однако при оценке реализации внутреннего финансового контроля обычно не учитывается надежность самой системы.
На основе имеющихся статистических данных автором статьи предлагается определять функцию принадлежности к множеству надежных процессов на основе моделей искусственных нейронных сетей.
Искусственные нейронные сети, представляют собой класс нелинейных регрессионных моделей, которые могут включать в себя большое количество управляемых и неуправляемых параметров [2]. Рассматриваемые параметры могут быть соединены различными способами, а также могут обладать интерполяционными и экстраполяционными свойствами. Указанные свойства помогают моделировать поведение сложных объектов и систем.
В данном случае задача классификации будет состоять в отнесении элементов набора управляемых и неуправляемых параметров к требуемому множеству. Для рассматриваемого нами примера определения функции принадлежности для государственной организации можно использовать модель искусственной многослойной нейронной сети без обратных связей.
Особенностью этой модели является то, что передаваемый сигнал идет от входного слоя через скрытые слои к выходному слою. Для построения такой функции принадлежности нечеткого множества можно воспользоваться программой STATISTICA Neural Networks, которая позволяет строить модели многослойной нейронной сети в программном обеспечении. Такой метод построения называется «обучение нейронной сети с учителем» [3]. Он заключается в том, что сначала собирается факт о статистических характеристиках параметров, учитываемых в процессе финансового менеджмента. В процесс финансового менеджмента включают такие типовые процессы, как планирование, исполнение бюджета, ведение учета и формирование отчетности, а также осуществление внутреннего финансового контроля. Таким образом, каждый процесс однозначно характеризуется определенным набором входных параметров ( X ) - его количественными и качественными характеристиками. Нормированную величину входных характеристик по нескольким процессам ФМ – вектор качества можно рассматривать как значение функции принадлежности к множеству надежных, качество ФМ которых, характеризуется как низкое, надлежащее или высокое (соответственно присваиваются значения 1, 2, 3).
Второй этап формирования модели заключает в «обучении» сформированной нейронной сети. Результатом этого процесса будет являться создание такой структуры моде- ли, которая по входным параметрам однозначно определяет его вектор качества. Такое преобразование представляет собой преобразование синаптических матриц.
Алгоритм осуществления такого преобразования состоит из нескольких этапов. На начальном этапе массив статистических данных разделяется на две части. Одна часть массива данных необходима для обучения сети. Объем этой части данных обычно составляет более 80% объема имеющейся информации. На основании этого массива обучение происходит следующим путем: на сетевом входе поочередно задаются векторы характеристик процессов, а на сетевой выход – известные индексы качества (эталонные сигналы). Результатом этого моделирования является итерационный процесс обучения сетевой модели. Как следствие, связи в искусственной нейронной сети трансформируются под воздействием такого моделирования. Итоговая искусственная нейронная сеть, смоделированная таким образом, однозначно по входным параметрам классифицирует процессы, с учетом принадлежности их к множеству надежных.
Оставшаяся неиспользованная часть исходного массива данных, которая составляет не более 20%, будет применяться для проверки качества работы искусственной нейронной сети. Если качество работы удовлетворит исследователя, то построенная и обученная искусственная нейронная сеть используется в дальнейшем для проведения классификации процессов, которые не вошли в выборку исходных данных.
Для практической апробации определения параметров процессов, обеспечивающих его оптимальное качество в соответствии с разработанной автором блок-схемой, необходимо осуществить ряд управленческих действий.
На первом этапе необходимо собрать все статистические данные, на основании которых осуществляется оценка качества финансового менеджмента на сегодняшний день [4]. Желательно, чтобы это были динамические данные за несколько лет.
В качестве выходных параметров вектор качества принимает три значения – низкое, надлежащее или высокое качество ФМ, соответственно которым присваиваются значения – 1, 2, 3.
В качестве входных сигналов искусственной нейронной сети принимаются единичные показатели деятельности организаций сектора государственного управления. На первоначальном этапе структура показателей должна дублировать существующую аналитическую модель, на основе которой проходит оценка качества финансового менеджмента с целью сопоставимости результатов исследования. В дальнейшем необходимо вводить ряд единичных показателей (входных параметров), которые могут существенно влиять на качество финансового менеджмента конкретной организации и должны в дальнейшем учитываться при построении многопараметрической модели. Даже первоначальная структура позволяет косвенно эксплицировать большинство управляемых и неуправляемых параметров.
Следующим шагом является определение вектора состояний – то есть исследуется динамическое изменение параметров вектора качества за периоды времени.
При программной реализации блок-схемы определения параметров процессов, обеспечивающих оптимальное качество финансового менеджмента п. 4, 5, 6, а именно корреляционный анализ и оптимизация, осуществляются с помощью построения и обучения нейронной сети, возможно использование соответствующего блока программы STATISTICA Neural Networks . В этом случае работа ведется в режиме автоматического построения многослойных линейных персептронов.
Отбор лучшей нейронной сети осуществляется после оценки качества всех построенных сетей, которая осуществляется с использованием описательных статистик, встроенных в программу [5]. Отбор осуществляется путем сравнения суммарных статистик с кроссрезультатами классификации. Под суммарной статистикой в данном случае понимается общее число наблюдений в каждом классе наблюдений или число классифицированных правильно, неправильно и неклассифицированных. В итоге мы получается ответ на вопрос о том, какое число наблюдений отнесено к разным уровням классификаций.
Построенная и обученная сеть должна давать результаты совпадений более 80%, что будет являться приемлемым для решения задач классификации.
В случае наличия достаточного количества векторов состояний, то есть динамических показателей, с помощью медианы Кемени можно определить наилучшее состояние (точку во времени), когда была достигнута макси- мальная эффективность всех организаций или органов государственной власти.
Завершающим этапом в разработанной блок-схеме является принятие решения о существенности входных параметров. Именно использование обученной нейронной сети позволяет практически мгновенно с высокой достоверностью получать качественные оценки моделируемого процесса, а также анализировать влияние изменения одного, нескольких или различных комбинаций входных параметров на определяемый вектор качества [6].
Также данный инструмент позволит быстро просчитывать решения об изменении параметров бюджета в определенный момент времени с целью оптимального распределения финансовых ресурсов.
Достоинство предложенного подхода заключается в том, что значимость управляемых и неуправляемых параметров устанавливается с использованием данных реального статического материала. Данные включенные в анализ в дальнейшем могут уточняться при использовании системы. Подобная система классификации с использованием обучаемых нейронных сетей позволяется формировать корректные результаты при наличии нечетко заданных входных параметров. Применение такого метода моделирования дает результаты, превосходящие классические статистические методы.
Вывод: Использование обученной нейронной сети позволяет практически мгновенно с высокой достоверностью получать качественные оценки моделируемого процесса, а также анализировать влияние изменения одного, нескольких или различных комбинаций входных параметров на определяемый вектор качества.
Также данный инструмент позволит быстро просчитывать решения об изменении параметров бюджета в определенный момент времени с целью оптимального распределения финансовых ресурсов между различными институтами государственного сектора управления для достижения максимальной результа- тивности и эффективности использования бюджетных средств.
Дальнейшая адаптация современных инструментов цифрового моделирования и машинного обучения для оценки качества финансового менеджмента позволит эффективно работать с разнородными, неполными, частично недостоверными и (или) частично отсутствующими статистическими данными, что крайне актуально при обработке больших массивов статистической информации в секторе государственного управления.
Список литературы Возможности использования статистических моделей на основе нейронных сетей для оценки качества деятельности организаций сектора государственного управления
- О формировании отчета Министерства финансов Российской Федерации о результатах мониторинга качества финансового менеджмента, осуществляемого главными администраторами средств федерального бюджета (главными распорядителями средств федерального бюджета, главными администраторами доходов федерального бюджета, главными администраторами источников финансирования дефицита федерального бюджета): Приказ Министерства финансов Российской Федерации от 29.12.2017 № 264н [Электронный ресурс]. - Режим доступа: https://www.minfin.ru/ru/document/?id_4=122362. (дата обращения 05.07.2019)
- Круглов В.В. Искусственные нейронные сети. Теория и практика / B.В. Круглов, В.В. Борисов. - М.: Горячая линия-Телеком, 2001. - 381 с.
- Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия-Телеком, 2004. - 452 с.
- Жукова, А.Г. Статистические методы в управлении качеством: учебное пособие / А.Г. Жукова, Т.И. Леонова, Л.В. Виноградов. - СПб: Изд-во СПбГЭУ, 2016. - 71 с.
- Боровиков В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных / 2-е изд., перераб. и доп. / В.П. Боровиков. - М.: Горячая линия-Телеком, 2008. - 392 с.
- Хайкин С. Нейронные сети: Полный курс / С. Хайкин. - М.: ИД "Вильямс", - 2018. - 1104 с.