Optimization and simulation approach to determining critical combinations of company parameters

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Предлагается оптимизационно-имитационный метод определения комбинаций воздействий, позволяющих вывести организационно-техническую систему из потенциально неблагоприятного состояния. Решение показано на примере обратной задачи стресс-тестирования зрелых компаний традиционных отраслей реального сектора. Условием нахождения компании в потенциально неблагоприятном состоянии считается прогнозируемый отрицательный остаток денежных средств. Для определения изменений, улучшающих прогноз, методами математического программирования решается задача максимизации выгоды от таких изменений – разности прогнозируемого остатка денежных средств и затрат на изменения. Полученные результаты могут быть применены при решении вопросов стабилизации в условиях рисков: пандемии, экономических санкций, стихийных бедствий и др. Приводится модельный пример.

References

  1. Kahneman D., Tversky A. Prospect Theory: An Analysis of Decision under Risk // Econometrica. XVLII (1979). P. 263–291.
  2. Kahneman D., Tversky A. Advances in Prospect Theory: Cumulative Representation of Uncertainty // J. Risk Uncertaint. 1992. No. 5. P. 297–323.
  3. Sunstein C., Thaler R. Libertarian Paternalism is Not an Oxymoron // Univer. Chicago Law Rev. 2003. No. 70. P. 1159–1202.
  4. Thaler R., Sunstein C. Nudge: improving decisions about health, wealth, and happiness. Soundview Executive Book Summaries. Norwood: Mass. 2010.
  5. Талер Р. Архитектура выбора. Как улучшить наши решения о здоровье, благосостоянии и счастье / М.: Манн, Иванов и Фербер, 2017.
  6. Журба М.В. Критический взгляд на теорию подталкивания // Экономические исследования и разработки. 2017. № 8. C. 213–222.
  7. Жильцов В.А., Пахомов А.П. .Nudge. – теория .мягкого подталкивания. // Вост.-европ. науч. журн. Т. 11. № 3. 2016. C. 129–137.
  8. Богомолов А.С. Анализ путей возникновения и предотвращения критических сочетаний событий в человекомашинных системах // Изв. Сарат. ун-та.Серия: Математика. Механика. Информатика. 2017. Т. 17. № 2. С. 219–230.
  9. Богомолов А.С., Иващенко В.А., Кушников В.А. и др. Моделирующий комплекс для анализа критических сочетаний событий в авиационных транспортных системах // Проблемы управления. 2018. № 1. С. 74–79.
  10. Резчиков А.Ф., Кушников В.А., Богомолов А.С. и др. Математические модели и методы анализа выполнимости планов управления сложными системами в условиях критических комбинаций событий. Саратов: Изд-во Саратов. ун-та, 2023. 128 с.
  11. Цвиркун А.Д., Акинфеев В.К., Филиппов В.А. Имитационное моделирование в задачах синтеза структуры сложных систем. Оптимизационно-имитационный подход. М.: Наука, 1985. 173 с.
  12. Антонова Г.М., Цвиркун А.Д. Оптимизационно-имитационное моделирование для решения проблем оптимизации современных сложных систем управления // Проблемы управления. 2005. № 5. С. 19–27.
  13. Арутюнов А.Л. Синтез оптимизационно-имитационных моделей структуры использования различных видов энергоресурсовв производственном цикле АПК // Управление развитием крупномасштабных систем (MLSD’2013) : Материалы международной конференции. 2013. С. 272–278.
  14. Семушина Е.И. Оптимизационно-имитационное моделирование как инструмент анализа социально-экономического развития региона // Научный ежегодник Центра анализа и прогнозирования. 2017. № 1. С. 247–249.
  15. Бабина О.И. Разработка оптимизационной имитационной модели для поддержки процессов планирования складских систем // Компьютерные исследования и моделирование. 2014. Т. 6, № 2. С. 295–307.
  16. Васильев С.Н., Цвиркун А.Д. Проблемы управления развитием крупномасштабных систем в условиях кризиса // Управление развитием крупномасштабных систем (MLSD’2009): Материалы международной конференции. 2009. С. 14–18.
  17. Горошникова Т.А. Оптимизационная модель и алгоритмы поиска оптимального решения для анализа эффективности удаления неприбыльных предприятий из компании // Управление большими системами: сборник трудов. 2012. № 36. С. 173–185.
  18. Гopoшникова Т.А., Синюков А.В. Оптимизационные модели анализа эффективности слияний и поглощений // Управление большими системами. 2010. № 31. С. 177–191.
  19. Nwogugu M. Decision-making, risk and corporate governance: New dynamic models/ algorithms and optimization for bankruptcy decisions // Appl. Math. Comput. 2006. V. 179. No. 1. P.386–401.
  20. Elhoseny M. et al. Deep Learning-Based Model for Financial Distress Prediction // Annals of operations research. 2022.
  21. Lu Y., Zeng N., Liu X. A New Hybrid Algorithm for Bankruptcy Prediction Using Switching Particle Swarm Optimization and Support Vector Machines // Discrete dynamics in nature and society. 2015. 294930.
  22. Sen Z., Li Y., Yang W. et al. A Financial Distress Prediction Model Based on Sparse Algorithm and Support Vector Machine // Mathematical Problems in Engineering. 2020(4). P. 1–11.
  23. Карманов В.Г. Математическое программирование. М.: Физматлит, 2004.
  24. Рыбкин В.А., Язенин А.В. Возможностная регуляризация задач линейного программирования // Известия Российской академии наук. Теория и системы управления. 2003. № 3. С. 80–89.
  25. Голиков А.И., Евтушенко Ю.Г., Ячимович М. Нормальное решение и регуляризация задач линейного программирования. В сб. .Динамика неоднородных систем. под ред. Ю.С. Попкова, 2004. C. 107–135.
  26. Федоров В.В. К вопросу об устойчивости задачи линейного программирования // Журн. вычисл. матем. и матем.физ. 1975. Т. 15. № 6. С. 1412–1423.
  27. Ашманов С.А. Условия устойчивости задач линейного программирования // Журн. вычисл. матем. и матем. физ. 1981. Т. 21. № 6. С. 1402–1410.
  28. Дранко О.И. Эмпирический вид производственной функции предприятия // Экономика и менеджмент систем управления. 2014. №. 3.2 (13). С. 245–253.
  29. Ириков В.А. и др. Разработка программы инновационного развития предприятия: Методика, практика, рекомендации по внедрению. М.: Логос, МЗ-Пресс, 2013.
  30. Балашов В.Г., Ириков В.А., Токарев В.Д. Опыт реформирования: четырехкратный рост и техперевооружение. Трехлетний опыт ОАО .Салаватстекло.. М.: Книга сервис, 2002.
  31. Богомолов А.С., Дворяшина М.М., Дранко О.И. и др. Стресс-тестирование нефинансовых организаций: подход к обратной задаче на основе аналитического решения // Проблемы управления. 2021. № 6. С. 15–29.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 The Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».