Диагностика кризисного состояния на примере предприятия №3

 

московский государственный университет экономики,

СТАТИСТИКИ И ИНФОРМАТИКИ (МЭСИ)

Специальность

" Антикризисное управление "

Курсовая работа

По дисциплине: Диагностика кризисного состояния предприятия

На тему: Диагностика кризисного состояния на примере

предприятия №3

Студент Горячкин А.В.

№ зачётной книжки  121163

                                                                        Научный руководитель Очеповский  А.В.

Дата сдачи  курсовой работы:  

Дата защиты курсовой работы:  

 

 

 

 

 

 

 

 

Москва 2013

 

Содержание

 

Введение………………………………………………………………………………..3

Глава 1. Описание методов  диагностики…………………………………………….4

Глава 2. Постановка задачи и проведение диагностики…………………………...12

Глава 3. Оценка точности решения…….……………………………………………20

Заключение……………………………………………………………………………22

Список используемой литературы………….……………………………………….23

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Введение

 

Научная дисциплина диагностика кризисного состояния предприятия возникла как результат удачного применения статистической теории распознавания  образов к задаче антикризисного управления предприятием. Диагностика кризисного состояния предприятия призвана выяснить, имеет ли место на самом деле кризисное явление, насколько велика его глубина, а главное, каким образом можно достоверно и точно идентифицировать кризис.

Задачей диагностики кризисных  состояний фирмы является типичная задача двухальтернативного принятия решений с риском и решается в  рамках теории распознавания образов. Риск – это вероятность принятия ошибочного решения. В данном случае эта вероятность является объективной, то есть вычисляется методом интегрирования распределения оценки отношения правдоподобия.

Методы распознавания образов  занимают центральное место в  курсовой работе.

           Цель  данной курсовой работы – осуществить  на практике применение методов распознавания кризисного состояния на предприятии.

Для достижения поставленной цели необходимо решение следующих задач:

1) обучение распознающей системы,  т.е. создание обобщенных портретов (классов) убыточных S₂ и процветающих S₁ фирм для снятия неопределенности с помощью обучающих наблюдений;

2) принятие решений – отнесение фирмы к классу кризисных S₂ или к классу преуспевающих S₁;

3) оценка достоверности полученного  в результате решения. 

 

 

 

 

Глава 1. Описание методов диагностики

 

Главную роль в антикризисном управлении фирмой играет своевременное распознавание ее кризисного состояния с требуемым уровнем достоверности:    D= 1 — a = 1 — b (a, b— ошибки распознавания 1-го и 2-го рода) для своевременного принятия мер по предупреждению и предотвращению кризиса.

В общем виде можно полагать, что  исследуемая фирма может принимать  одно из двух взаимоисключающих состояний: S₁ - нормальное (бескризисное) и S₂ — кризисное. Распознавание представляет собой отнесение наблюдаемого неизвестного coстояния, заданного совокупностью Х_n наблюдений над его признаками Х₁, Х₂, ..., Х_р,

                                             (1)

к одному из двух взаимоисключающих  состояний S₁ или S₂.

Каждый столбец  матрицы          

представляет собой p-мерный вектор наблюдаемых значений р признаков Х₁, Х₂, ..., Х_р, отражающих наиболее важные для распознавания свойства.

Набор признаков р, как правило, является одинаковым для всех распознаваемых классов S₁, S₂. Если каждый класс S₁ и S₂ описывается своим набором признаков, то задача распознавания становится тривиальной, поскольку однозначное отнесение имеющейся совокупности наблюдений к определенному классу легко осуществляется по набору составляющих ее признаков.

 

 

Общая схема системы распознавания  кризисного состояния фирмы приведена  на рис.

 

 

 

 

 

 

 

 

 

 

Рис.1. Общая схема распознавания кризисного состояния предприятия

 

Таким образом, рассматривается  задача принадлежности наблюдаемого состояния  к одному из двух классов S₁ , S₂ описываемых одинаковым для всех классов набором признаков Х₁, Х₂, ..., Х_р. При этом различие между классами будет проявляться только в том, что у разных объектов одни и те же признаки будут иметь различные характеристики (количественные, качественные и др.)

Основные этапы и параметры  распознавания

I этап. определение набора признаков Х₁, Х₂, ..., Х_р, т.е. формирование признакового пространства. Этот этап является неотъемлемой составной частью распознающего процесса. С одной стороны, выбранная совокупность признаков должна в наибольшей степени отражать все те свойства состояний, которые важны для их распознавания, т.е. набор Х₁, Х₂, ..., Х_р должен быть наиболее полным. С другой стороны, с увеличением размерности р признакового пространства очень быстро возрастают вычислительная сложность процедур обучения и принятия решения, материальные и трудовые затраты на измерение необходимых характеристик объектов, т.е. на получение наблюдений на этапе обучения и принятия решений.

Сокращение количества признаков уменьшает затраты на проведение измерений и вычислений, но может привести к снижению достоверности распознавания. Если время на обучение принятие решения жестко ограничено, то повышение размерности признакового пространства может оказаться единственным средством увеличения достоверности. Таким образом, одновременное достижение минимума общей размерности признаковой пространства и максимума достоверности распознавания оказывается, как правило, невозможным, и, следовательно, одной из основных задач синтеза распознающих систем является выбор из заданного множества признаков Х₁, Х₂, ..., Х_р оптимального набора Х₁, Х₂, ..., Х_р0 из р₀ признаков, обеспечивающего требуемый по условиям решаемой задачи уровень достоверности распознавания и минимизирующего затраты на проведение измерений и вычислений.

II этапом распознающего процесса является обучение, цель которого — восполнение недостатка априорных знаний о распознаваемых классах S₁ и S₂ путем использования информации о них, содержащейся в обучающих выборках:

             (3)

где m_i— количество обучающих наблюдений.

Информация, содержащаяся в обучающих выборках, перерабатывается системой принятия решений таким образом, что на заведомо преуспевающей фирме из класса S₁ система делает вывод об ее отнесении к классу  S_1, а на заведомо кризисной – к классу S_2.

Увеличение времени обучения m₁ и m₂ имеет такие же последствия как и увеличение размерности признакового пространства. В то же время увеличение времени обучения влечет за собой рост затрат на измерения и вычисления и, что самое главное, увеличение общего времени, требуемого для решения задачи распознавания. Сокращение же времени обучения может повлиять на качество эталонных описаний и в конечном итоге привести к снижению достоверности распознавания. Следовательно, определение минимального времени обучения, обеспечивающего заданный уровень достоверности распознавания, является одной из важных задач, возникающих при синтезе распознающих систем.

III этап – процедура принятия решений по контрольной выборке (1), т.е. принимается решение об отнесении фирмы к классам S₁ и S_2. Данный этап занимает центральное место в распознающем процессе. Процедура сводится к сопоставлению неклассифицированных наблюдений с эталонными описаниями и указанием номера класса l из множества 1, 2 номеров классов, к которому принадлежит рассматриваемая совокупность наблюдений. Таким образом, решающая процедура осуществляет отображение наблюдений на конечное множество натуральных чисел 1, 2 с использованием информации о классах, содержащейся в обучающих наблюдениях и отражаемой в эталонных описаниях классов S₁ и S_2.

Увеличение продолжительности  процедуры принятия решения, в принципе, повышает достоверность распознавания за счет вовлечения в процесс принятия решения большего количества информации о состоянии фирмы, содержащейся в описывающей совокупности наблюдений (1) - контрольной выборке. Однако для подавляющего большинства распознающих систем естественными являются требования минимальной продолжительности процедуры принятия решения как с точки зрения быстроты решения задач, так и с позиций минимизации затрат на измерения и вычисления. Таким образом, определение минимального времени принятия решения, обеспечивающего заданный уровень достоверности распознавания, также является одной из важных задач синтеза распознающих систем.

 

Основные параметры распознавания

Основным показателем качества распознающей системы является достоверность принимаемых ею решений, которая определяется как вероятность правильного решения

                                                                                              (3)

Если распознающая процедура допускает большой процент ошибочных решений, то, подобно ненадежным компьютерам, она делает практически непригодной любую, пусть даже очень совершенную в других отношениях, систему, частью которой она является. Таким образом, чем ближе D к 1, тем лучше качество диагностики кризисного состояния предприятия.

Другими параметрами являются:

- количество признаков p;

- объем обучающих (m₁ и m₂)  и контрольных (n) выборок.

 Реализация диагностики кризисного состояния предприятия

Реализация методов распознавания  кризисного состояния предприятии  может быть осуществлена большим  количество способов:

- статистический;

- перцептронный;

- на основе  нечеткой логики;

- лингвистический;

- логический;

- алгебраический  и др.

Детерминистские (перцептронные) методы основаны на использовании перцептрона и обучения на основе принципа подкрепления-наказания. Основная модель перцептрона, обеспечивающая отнесение образа к одному из двух классов, состоит из сетчатки S сенсорных элементов, соединенных с ассоциативными элементами сетчатки A, каждый элемент которой воспроизводит выходной сигнал, только если достаточное число сенсорных элементов, соединенных с его входом, находятся в возбужденном состоянии.

Признаками в  лингвистических (синтаксических) методах  служат подобразы (непроизводные элементы) и отношения, характеризующие структуру  образа. Для описания образов через  непроизводные элементы и их отношения  используется язык образов. Правила  такого языка, позволяющие составлять образы из непроизводных элементов, называются грамматикой. Грамматика определяет порядок построения образа из непроизводных элементов. При этом образ представляется некоторым предложением в соответствии с действующей грамматикой.

Распознавание состоит  из двух этапов:

1) определение  непроизводных элементов и их  отношений для конкретных типов  объектов и обучение;

2) проведение  синтаксического анализа предложения,  представляющего объект, чтобы установить, какая из имеющихся фиксированных грамматик могла породить имеющееся описание объекта (грамматический разбор).

В логических системах распознавания  классы и признаки объектов рассматриваются  как логические переменные. Все  априорные сведения о классах S₁, S₂ и признаках X₁, X₂,…, Хр, присущих объектам классов S₁, S₂, полученные в результате проведения ряда экспериментов (обучения), также выражаются в виде булевых функций. Основным методом решения задач логического распознавания является метод построения сокращенного базиса с помощью алгоритмов получения произведения для булевых функций и отрицания булевой функции и приведения последней к тупиковой дизъюнктивной нормальной форме.

Статистические методы КСП

Проверка статистических гипотез при распознавании образов. Ставится задача по известному наблюдаемому параметру принять решение об отнесении предприятия к одному из двух типов S₁ или S₂. Схематично процесс проверки статистических гипотез изображен на рис.2.

 

 

 

 

 

Рис.2. Схема проверки статистических гипотез

 

Система обработки по входным данным по значениям показателей предприятия  рассчитывает согласно некоторого алгоритма  обобщающий показатель L., который сравнивается порогом С. Значение порога С рассчитывается предварительно, исходя из требований к качеству распознавания.

Действительно, можно выдвинуть  простую гипотезу Н1 о том, что предприятие принадлежит к классу S1 против простой альтернативы Н2 (предприятие принадлежит к классу S2).

Задача состоит в том, чтобы  по результатам наблюдения принять либо опровергнуть гипотезу Н1.

В общем случае для решения поставленной задачи необходимо задать априорные  вероятности Р1=P(S1) и Р2=Р(S2), и матрицы потерь .

Если данные о потерях П и априорных вероятностях классов Р1 и Р2 отсутствуют, то может применяться алгоритм максимального правдоподобия, который получается из байесовского алгоритма при потерях П11=П22=0; П12=П21=1 и априорных вероятностях классов Р1=Р2=1/2 и заключается в принятии решения о наличии того класса S₁ и S₂, которому соответствует большее значение функции правдоподобия w^{^}( /S₁) или w^{^}( /S₂).