В работе обосновано, что методологической основой управления инновационными проектами является системный анализ на базе алгоритмов метода анализа иерархий – метода, показавшего свою эффективность при решении разнообразных слабоструктурированных проблем с множеством не только количественных, но и качественных факторов. Именно к таким проблемам относятся инновационные проекты, при оценке которых необходимо учитывать многочисленные факторы, большинство которых невозможно оценить количественно. Место традиционных количественных методов анализа здесь заменяют экспертные методы оценки приоритетов элементов системы в их иерархической подчиненности.
Метод анализа иерархий в трактовке его создателя Т. Саати основан на следующих положениях:
1) любая сложная проблема может быть подвергнута декомпозиции;
2) результат декомпозиции можно представить в виде иерархической системы наслаиваемых уровней, каждый из которых состоит из многих элементов (факторов);
3) на любом уровне иерархии качественные сравнения экспертами попарной значимости элементов (субъективные суждения) могут быть преобразованы в количественные соотношения между ними, при этом они будут отражать объективную реальность;
4) возможен синтез отношений между различными элементами и уровнями иерархии.
Системный анализ на базе алгоритмов метода анализа иерархий сводится к следующим этапам:
- построение концептуальной иерархической модели сложной проблемы;
- предъявление концептуальной модели группе экспертов и «наполнение» ее экспертными знаниями, т.е. разработка информационной модели;
- расчет согласованных групповых оценок приоритетов элементов иерархической модели;
- проведение имитационного эксперимента на основе полученной модели с целью выработки оптимальных (рациональных) управленческих решений.
Применительно к управленческому консалтингу выделены две основные задачи:
1) оценка экспертами приоритетов альтернативных инновационных проектов и/или вариантов их реализации и
2) расчет групповой экспертной оценки вектора приоритетов альтернатив.
Решение первой задачи – оценка приоритетов альтернативных инновационных проектов – связано с учетом многочисленных факторов, большинство которых нельзя оценить количественно. Использование метода анализа иерархий позволяет выполнить сравнение альтернатив с учетом различных критериев и их весов; при этом можно не только сравнить альтернативные проекты по принятым в рассмотрение критериям, но и дать оценку эффективности участия в проекте его реальных и возможных участников.
В методическом плане эта задача решается путем построения концептуальной иерархической модели, содержащей необходимые для анализа альтернативных инновационных проектов уровни. При этом состав уровней иерархии и набор элементов каждого иерархического уровня определяются в каждом случае отдельно, в соответствии с поставленными задачами и конкретной ситуацией.
В работе показано, что в большинстве случаев достаточно построить одну общую иерархическую модель, включив в нее как «позитивные», так и «негативные» критерии оценки проектов. В технологическом плане задача оценки приоритетов альтернативных инновационных проектов может быть успешно решена путем экспертно-аналитического прогнозирования факторов их привлекательности и риска на основе метода анализа иерархий, поддерживаемого системой поддержки принятия решений (СППР) Expert Decide.
В качестве примера реализации предлагаемой методики в работе рассматриваются результаты сравнения трех альтернативных инновационных проектов по следующим критериям: рентабельность; возможные рынки сбыта; первоначальные средства (группа «прибыль»); производственный риск; инвестиционный риск (группа «риск»), из которых критерии группы «прибыль» относятся к позитивным критериям, критерии группы «риск» – к группе негативных критериев. На нижнем уровне иерархической концептуальной модели находятся альтернативные проекты. Опрос экспертов проводится непосредственно в программной среде СППР Expert Decide, что позволяет корректировать суждения экспертов в интерактивном режиме по результатам их первичной обработки, принимать решения по упрощению иерархической модели (пример обработки приведен на рисунке 1).
Рисунок 1 – Пример обработки экспертных суждений по приоритетам критериев оценки инвестиционных проектов
В частности, из диаграммы рисунка 1 следует, что последующие оценки вполне можно проводить только по двум наиболее значимым критериям – инвестиционному риску (вес 0,417) и рентабельности (вес 0,333). Это существенно упрощает дальнейший опрос группы экспертов, что особенно важно в случае ее многочисленности (согласно рекомендациям Т. Саати – автора метода анализа иерархий, оптимальная численность группы экспертов в случае ее однородности и хорошей согласованности их суждений – от пяти до девяти).
Все дальнейшие вычислительные операции алгоритма метода аналитических иерархий – вычисление приоритетов альтернативных проектов с учетом весов критериев оценки, расчет средних приоритетов по однородной группе экспертов, расчет показателей согласованности суждений каждого из экспертов по уровням иерархии и иерархии в целом – также производятся в программной среде СППР Expert Decide.
В методе анализа иерархий приоритеты альтернативных проектов рассчитываются по группе экспертов, для чего, как правило, рекомендуется добиваться сближения их субъективных суждений путем организации дискуссии, при этом важным считается достижение консенсуса. Тем самым обеспечивается надежность групповой экспертной оценки вектора приоритетов альтернатив как геометрического среднего индивидуальных оценок каждого эксперта. Модификацией алгоритма групповой экспертной оценки вектора приоритетов альтернатив является учет весов логичности суждений экспертов k, рассчитываемых по формуле
k = (1 OСИk)2, (1)
где OСИk – отношение согласованности иерархии в целом по данным матриц оценок k-го эксперта. Однако высокая логичность суждений конкретного эксперта еще не гарантирует его компетентность, и в диссертационной работе принят иной подход к расчету групповой экспертной оценки вектора приоритетов альтернатив, основанный на учете весов компетентности экспертов в группе с близкими суждениями.
Данный подход предполагает последовательное решение следующих взаимосвязанных подзадач:
- расчет групповых экспертных оценок с учетом компетентности экспертов;
- проверка согласованности мнений экспертов;
- расчет групповой экспертной оценки вектора приоритетов альтернатив по выделенной подгруппе экспертов.
Такой подход базируется на предпосылке, что экспертные оценки основаны на субъективном представлении экспертов о будущем развитии ситуации, и в этой связи необходимым условием является обоснованность и надежность прогнозных оценок, осуществляемых группой экспертов. В классическом варианте метод анализа иерархий предполагает консенсус группы экспертов, когда при обсуждении соотношений между элементами иерархии одного уровня эксперты приходят к единому суждению. Однако, сформировать однородную группу экспертов практически невозможно, более того, однородная группа далеко не всегда обеспечивает необходимый уровень объективности результатов экспертизы, и результаты опроса такой группы могут оказаться смещенными. Более рациональным является подход, при котором предусматривается возможность выявления мнения каждого эксперта – уникального носителя экспертных знаний. Это актуализирует задачу оценки согласованного мнения экспертов.
Поскольку состав группы экспертов, как правило, немногочисленный – от пяти до одиннадцати экспертов, здесь не применимы традиционные статистические методы оценки согласованности их суждений, основанные на сопоставлении рангов альтернатив, и необходимо прибегать к более «тонким» методам анализа.
В работе проанализированы два метода групповой экспертной оценки вектора приоритетов альтернатив.
Первый основан на итеративном алгоритме расчета экспертной оценки группы, проводимым одновременно с определением весовых коэффициентов компетентности экспертов. Метод предполагает вычислительные операции с матрицами в программной среде математического пакета Mathcad. Результатом выполнения ряда последовательных итеративных циклов вычислений (до 10) являются два вектора – вектор групповой оценки приоритетов сравниваемых альтернатив, с одной стороны, и вектор весовых коэффициентов компетентности экспертов, с другой. Путем сравнения индивидуальных векторов приоритетов с полученной таким образом групповой оценкой приоритетов сравниваемых альтернатив выделяется подгруппа экспертов с суждениями, близкими к групповым, причем они характеризуются также наибольшими весами компетентности. Затем групповая оценка вектора приоритетов уточняется по этой подгруппе, используя тот же итеративный алгоритм.
Расчет векторов групповой оценки pt и весовых коэффициентов компетентности vt производится по итеративным формулам:
pt = 1/tPPтpt-1; (2)
vt = 1/tPтPvt-1, (3)
где 1/t – нормирующий коэффициент. Начальное приближение вектора компетентности
v0 = (1/m, 1/m, …, 1/m)т, (4)
т.е. предполагается, что все m экспертов неразличимы по компетентности.
Вычислительный процесс продолжается до тех пор, пока различия в значениях весовых коэффициентов не будут превышать заданной величины.
Первая итерация групповой оценки определится как
p1 = Pv0. (5)
Нами установлено, что практически достаточно выполнить две-три итерации, чтобы уже с точностью до тысячных долей единицы оценить вектор групповой оценки и вектор весовых коэффициентов компетентности.
Заключительный этап анализа – проверка согласованности мнений экспертов. Поскольку индивидуальные экспертные оценки носят характер данных, измеренных по количественной шкале отношений, следует выполнить корреляционный анализ, например, в программной среде пакета анализа данных общественных наук SPSS Base; в этом же пакете выполняется также факторный анализ, цель которого – выявить структуру корреляционной матрицы.
Второй метод расчета групповой экспертной оценки вектора приоритетов альтернатив основан на факторном анализе индивидуальных экспертных оценок приоритетов сравниваемых альтернатив, при этом переменными являются оценки экспертов, дополненные групповой оценкой весов относительной значимости альтернатив по формуле среднего геометрического, а в качестве наблюдений рассматриваются сравниваемые альтернативы. В результате факторного анализа по методу главных компонент выделяются главные факторы, объясняющие большую долю общей дисперсии; при необходимости проводится оптимизация факторной структуры по критериям типа «варимакс». Выделение подгрупп экспертов с суждениями, близкими к групповой оценке приоритетов альтернатив по формуле среднего геометрического, производится визуально. Затем, уже по этой выделенной подгруппе экспертов, производится расчет групповой оценки приоритетов альтернатив по формуле среднего геометрического.
В качестве примера на рисунке 2 приведено распределение факторных нагрузок и расположение оцениваемых экспертами альтернатив на плоскости латентных факторов.
Из рисунка 2 видно, что первый главный фактор «нагружен» оценками экспертов 1, 3, 4, 5 (первая подгруппа экспертов); с ними коррелирует и групповая оценка с учетом весов компетентности. Второй главный фактор связан с оценками экспертов 2 и 6 (вторая подгруппа экспертов). Различие подгрупп экспертов, связанных с главными факторами 1 и 2, обусловлено разницей в их экспертной оценке альтернатив 1 и 2: если эксперты первой подгруппы на первое место поставили альтернативу 1, то эксперты второй подгруппы – альтернативу 2. Тем самым, факторный анализ позволил выявить две группы экспертов, по-разному оценивающих некоторые из сравниваемых альтернатив.
Сравнение результатов расчета групповых оценок приоритетов сравниваемых альтернатив, полученных по обеим методам, показывает, что расчеты по группе экспертов с близкими суждениями по формуле среднего геометрического и по итеративному алгоритму с учетом компетентности экспертов, достаточно близки (рисунок 3).
На основании представленных результатов апробации обоих методов расчета групповых оценок сделан вывод, что в большинстве случаев применим подход, основанный на многомерном статистическом анализе.
а б
Рисунок 2 – Распределение факторных нагрузок (а) и расположение оцениваемых экспертами альтернатив на плоскости латентных факторов (б)
а б
Рисунок 3 – Распределение групповых оценок приоритетов сравниваемых альтернатив: а – расчет непосредственно по первичным экспертным данным по формуле среднего геометрического без учета компетентности экспертов; б – расчет по группе экспертов с близкими суждениями по формуле среднего геометрического и итеративному алгоритму с учетом компетентности экспертов
Обращение к методам экспертно-аналитического моделирования не снижает ценности фактологической информации о развитии ситуации даже на небольших временных интервалах. Инновационная деятельность специалистов консалтинговых фирм неразрывно связана с умением не только оценить ситуацию, связанную с консультационным проектом, но и применять современные методы и технологии прогнозирования. Прогноз, как вероятностное представление о перспективах развития информативных показателей хозяйственной деятельности в ближайшем будущем, позволяет увидеть основные ориентиры происходящих перемен, разрабатывать обоснованные управленческие решения.
В то же время, традиционные методы прогнозирования, основанные на выявлении трендовых тенденций с их последующей экстраполяцией, в большинстве задач управленческого консалтинга не обеспечивают необходимого уровня надежности вследствие высокой вероятности изменения наблюдаемых тенденций в современных рыночных условиях; кроме того, выявление трендовых тенденций требует наличия достаточно длинных временных рядов показателей функционирования хозяйствующих субъектов. В этой связи, необходимо обращаться к новейшим методам прогнозирования тенденций развития процессов в коротких временных рядах.
Один из таких подходов основан на гипотезе о специфическом характере структурного взаимодействия показателей бизнес-процессов, при котором любое изменение произвольного показателя зависит от величины остальных. Учет взаимодействий производится введением в рассмотрение косвенных темпов прироста vij, отражающих степень влияния j-го показателя на изменения, происходящие в i-м показателе
vij = xti / xtj. (6)
В предположении, что на формирование прироста все показатели оказывают равномерное воздействие, а их число равно n-1 (n – число показателей), получаем:
xti = 1/(n-1)vijxtj. (7)
Поскольку xti = xti – xti-1, величина любого i-го показателя xti рассчитывается по предшествующему его значению xti-1 и приросту xti:
xti = xti-1 + 1/(n-1)vijxtj. (8)
В векторной форме выражение (8) представляется формулой
xt = xt-1 + Vxt, (9)
где V – матрица косвенных темпов прироста, диагональные элементы которой равны нулю, а внедиагональные – косвенные темпы прироста – определяются по формуле (6) с учетом множителя 1/(n-1), т.е.
{V}ij = 1/(n-1)xti / xtj, ij. (10)
Из матричного уравнения (9) получаем выражение для расчета прогнозных оценок:
xt = (I-V)-1xt-1, (11)
где I – единичная матрица порядка n.
Более перспективной является другая модель, также основанная на использовании матричного мультипликатора – матричная модель с разделенными переменными (аналог модели многофакторного регрессионного анализа). Суть подхода в том, что переменные разбиваются на две группы: целевые и ресурсные. Первые характеризуют результаты функционирования изучаемого объекта, вторые – его потенциальные возможности. Если переменные упорядочить так, что вначале идут целевые переменные (вектор xt1=xtцел), а затем – ресурсные (вектор xt2=xtресурс), то в модели (10) необходимо заменить векторы xt и xt-1 на (xtцел, xtресурс)т и (xt-1цел, xt-1ресурс)т соответственно, а матрицу V представить в блочном виде:
(12)
В этой матрице блок V11 отражает косвенные темпы прироста целевых переменных, блок V22 – косвенные темпы прироста ресурсных переменных. Блок V12 характеризует влияние ресурсных переменных на прирост целевых переменных, а блок V21 – напротив, влияние целевых переменных на прирост ресурсных переменных.
С учетом (12), выполнив в (11) умножение и сгруппировав матрицы для целевых и ресурсных переменных, получаем два уравнения:
xtцел = (I-V11)-1 (xt-1цел + V12xtресурс), (13)
xtресурс = (I-V22)-1 (xt-1ресурс + V21xtцел). (14)
Первое из них определяет значения целевых переменных в момент времени t через «запаздывающие» их значения (в момент времени t-1) и значения ресурсных переменных в момент времени t. Второе уравнение позволяет рассчитывать необходимые ресурсы, обеспечивающие заданные значения целевых переменных.
В работе выполнена апробация модели с разделенными переменными на примере прогнозирования показателей инновационной деятельности консалтинговой фирмы, оказывающей информационные и консалтинговые услуги и включающей три ресурсных (фонд оплаты труда, затраты на обучение персонала, затраты на информационно-коммуникационные технологии) и два целевых (объем информационных услуг, объем консалтинговых услуг) показателя. Ставились следующие задачи:
1) сравнить прогностические качества ряда моделей с матричным предиктором – с линейным приростом показателей; с учетом их взаимодействия; с разделенными переменными);
2) исследовать возможность пошагового прогнозирования на период упреждения более одного временного интервала.
3) выявить характер динамики изменения параметров моделей, учитывающих взаимодействия показателей.
В качестве информационной базы исследований использовали реальные данные по статистике показателей деятельности фирмы, оказывающей информационные и консалтинговые услуги, в течение трех лет (таблица 1).
Таблица 1 – Динамика показателей инновационной деятельности информационно-консультативной фирмы, тыс. руб.
Год Период Фонд оплаты труда Затраты на обучение персонала Затраты на ИКТ Объем информационных услуг Объем консалтинговых услуг
z1 z2 z3 z4 z5
2004 1 6913 1605 1498 8374 21631
2005 2 8160 1733 1838 8827 26363
2006 3 9550 1901 2259 9305 31506
Используя модель с разделенными переменными, получаем следующий прогноз: если в текущем периоде фонд оплаты труда составит 9550 тыс. руб., затраты на обучение персонала – 1901 тыс. руб. и затраты на ИКТ – 2259 тыс. руб., то следует ожидать, что объем информационных услуг составит 9241 тыс. руб., а объем консалтинговых услуг – 32006 тыс. руб. (фактически целевые показатели составили 9305 и 31506 тыс. руб., соответственно). Меняя значения плановых затрат, можно проследить динамику прогнозных оценок целевых переменных.
Можно решить также обратную задачу: задаваясь значениями целевых переменных, определить уровень необходимых для их достижения ресурсов. Согласно прогнозу, для достижения требуемых значений целевых показателей – объема информационных услуг 9356 тыс. руб. и объема консалтинговых услуг 31721 тыс. руб. – необходимо вложить ресурсы в объеме: фонд оплаты труда 9581 тыс. руб., затраты на обучение персонала – 1882 тыс. руб. и затраты на ИКТ – 2222 тыс. руб. Как видно из таблицы 1, фактически эти значения целевых показателей были получены при затратах на оплату труда, обучение персонала и развитие ИКТ 9550; 1901 и 2259 тыс. руб. соответственно, т.е. наблюдается достаточно хорошее совпадение прогноза с фактом.
Практически важной задачей является планирование значений ресурсных показателей с целью достижения заданных значений целевых показателей. Если в одномерном случае эта задача решается достаточно просто – имитацией одномерного процесса и построением соответствующих графиков, то в многомерном случае необходимо прибегать к многомерному регрессионному анализу или к нейросетевому моделированию.
Здесь возникают следующие вопросы:
1) являются ли соответствующие многомерные регрессионные модели линейными;
2) можно ли предложить достаточно удобный в практическом использовании алгоритм планирования значений ресурсных показателей.
Для решения этих вопросов в работе выполнены расчеты целевых показателей на 2006 год по схеме полного факторного эксперимента (ПФЭ) 33, в котором каждый из ресурсных показателей варьировали на трех уровнях: фонд оплаты труда – 8000, 9000 и 10000 тыс. руб., затраты на обучение персонала – 1700, 1900 и 2100 тыс. руб. и затраты на ИКТ – 1800, 2300 и 2800 тыс. руб.
В результате реализации процедуры многомерного регрессионного анализа пакета SPSS Base 8.0 получены следующие модели, адекватные на высоком уровне значимости:
у1 = 8946 + 0,00200 х1 + 0,06833 х2 + 0,06467 х3 ; (15)
у2 = 27829 + 0,145 х1 + 0,692 х2 + 0,652 х3 . (16)
Значения коэффициентов в уравнениях (15) и (16) могут быть интерпретированы следующим образом: при увеличении фонда оплаты труда менеджеров на 1000 тыс. руб. прогнозируемый объем консалтинговых услуг возрастает на 145 тыс. руб., в то время как объем информационных услуг – всего лишь на 2 тыс. руб. Более значимым является рост расходов на ИКТ: каждые 100 тыс. руб. дополнительных инвестиций в развитие информационно-коммуникационных технологий ведут к увеличению расчетных объемов консалтинговых услуг на 65 тыс. руб. и объемов информационных услуг – на 6 тыс. руб. Еще более значимы инвестиции в обучение персонала: каждые 100 тыс. руб. дополнительных расходов по данной статье ведут к увеличению расчетных объемов консалтинговых услуг на 69 тыс. руб. и объемов информационных услуг – на 7 тыс. руб.
Результаты вычислительного эксперимента позволяют сделать выводы:
1) многомерные регрессионные модели, отражающие зависимость целевых показателей от значений ресурсных показателей, являются линейными;
2) как следствие их линейности, для планирования значений ресурсных показателей можно использовать многомерные регрессионные модели целевых показателей, причем оценку коэффициентов регрессии можно проводить по достаточно малому объему расчетов, ограничившись планом вычислительного эксперимента по схеме ПФЭ 2k, где k – число ресурсных показателей.
Похожие рефераты:
|
Дипломные работы 
