нню з метою вирішення сформульованої проблеми. Природно, результати дослідження моделі будуть вважатися дослідниками результатами дослідження самого модельованого об'єкта в ступеня відповідності моделі реальному об'єкту управління.
Розробляється математична модель дозволить виявити закономірності між індивідуальними особливостями позичальника та його кредитоспроможністю і сформувати рекомендації банкам для більш ефективного визначення ступеня ризику при кредитуванні юридичних осіб.
Аналіз статистичних характеристик діючих і закритих договорів на кредитування юридичних осіб показує, що створювана математична модель матиме:
значну розмірність (велика кількість факторів);
різні фактори вимірюються в різних одиницях виміру (різна природа даних);
різні фактори змінюються в різних діапазонах;
вихідні дані фрагментовані (тобто не всі повторності є в наявності);
не виключається певна зашумленность (недостовірність) вихідних даних.
Слід зазначити, що подібного роду вихідні дані вельми проблематично досліджувати за допомогою стандартних математичних методів, таких, наприклад, як факторний аналіз або індексний метод. З іншого боку, для вирішення поставленого завдання добре підходить новий математичний метод економіки - системно-когнітивний аналіз (СК-аналіз).
Даний метод задовольняє вимогам, які слідують із структури вихідних даних та інших особливостей проблеми, наприклад велика кількість факторів або різна природа даних.
Необхідно відзначити, що цей метод добре теоретично обгрунтований, оснащений зручним програмним інструментарієм і успішно апробований в ряді завдань інтелектуальної обробки даних.
Спеціальним програмним інструментарієм СК-аналізу, які реалізують його математичну модель і методику чисельних розрахунків, є
універсальна когнітивна аналітична система «транзакте».
СК-аналіз являє собою системний аналіз, структурований по невеликому числу базових пізнавальних (когнітивних) операцій, для кожної з яких розроблена математична модель, методика числових розрахунків і реалізують їх модулі в спеціальному програмному інструментарії.
Метод СК-аналізу дозволяє вирішити сформульовану вище проблему шляхом її декомпозиції в наступну послідовність завдань і їх поетапного вирішення.
) Когнітивна реструктуризація предметної області.
) Формальна постановка задачі та підготовка навчальної вибірки.
) Синтез семантичної інформаційної моделі (СІМ) предметної області.
) Визначення сили і напряму впливу факторів.
) Якщо необхідно, виключення факторів, слабо впливають на стан об'єкта управління.
) Вимірювання ступеня адекватності СІМ, а також її збіжності та стійкості.
) Рішення задач ідентифікації та прогнозування.
) Вивчення системи детермінації стану об'єкта управління і функції впливу факторів на його стан. Підтримка прийняття рішень, вироблення науково обгрунтованих рекомендацій з мінімізації ризику при кредитуванні населення.
) Побудова семантичних мереж когнітивних діаграм, класичних і узагальнених когнітивних діаграм, що відображають виявлення в моделі причинно-наслідкові залежності.
На прикладі інформації Курганське ОСБ № 8599попитаемся побудувати модель для визначення кредитоспроможності клієнта.
Розглянемо вибірку, що складається з 137 кредитних досьє банку. З них в 119 випадках клієнти платять справно протягом терміну кредитування, а в 18
випадках допускають прострочення.
Визначимо класи та ознаки, відповідної нашій вибірці. За класи ми приймемо результат кредитної історії позичальника - «позитивна» або «негативна», а ознаками виступлять особливості позичальника. Розділимо нашу вибірку випадковим чином на дві. Більшу частину використовуємо як навчальної (103 анкети), що залишилися анкети використовуємо як розпізнавану вибірку. Обробимо навчальну вибірку за допомогою програми «транзакте». Визначимо цінність кожної ознаки у вибірці і видалимо ті ознаки, які не несуть великий інформаційного навантаження (оптимізація моделі). За допомогою цього процесу ми добиваємося збільшення адекватності моделі з 21,9 до 81,75%.
Наступним кроком вводимо розпізнавану вибірку, що складається з 34 анкет (з них 31 анкета класу «позитивна» і 3 анкети класу «негативна» кредитна історія). Програма розпізнала з 31 «позитивної» анкети вірно 27, а з 3 «негативних» - 2 анкети. Середній відсоток ідентифікації моделі...
