International scientific e-journal

ΛΌГOΣ. ONLINE

13 (September, 2020)

e-ISSN: 2663-4139
КВ №20521-13361Р

ENGINEERING AND IT

UDC 519.86

DOI 10.36074/2663-4139.13.02

ТЕХНОЛОГІЯ ОЦІНЮВАННЯ РИЗИКІВ ФІНАНСУВАННЯ ПРОЕКТІВ

БІЛАК Юрій Юрійович

канд. ф.-м. наук, доцент, завідувач кафедри програмного забезпечення систем

Ужгородський національний університет

 

БІЛАК Іван Михайлович

здобувач вищої освіти факультету інформаційних технологій

Ужгородський національний університет

 

ВАРГА Саболч Федорович

здобувач вищої освіти факультету інформаційних технологій

Ужгородський національний університет

 

УКРАЇНА


Анотація. У роботі наведена технологія отримання кількісної оцінки ризику фінансування проектів на етапі розширення бізнесу. Технологія з одного боку використовує кількісні оцінки проекту по різних показниках та на основі різних моделей, а з іншого використовує досвід, знання та компетенції експертів у предметній області. Модель використовує нейро-фаззі мережу глибокого навчання, підвищує точність та об’єктивність оцінювання.

Ключові слова: оцінювання ризиків; нейро-нечітка мережа; проект; критерії оцінювання; компетенції експертів.

Вступ

Кожного дня зароджуються нові технологічні ідеї, які переростають у реальні проекти. Від зародження ідеї, до працюючого проекту – довгий та ризиковий шлях. В динамічному темпі, інвестиційні чи інноваційні проекти все більше зароджуються, а інвестори зважено підходять до питання їх фінансування та впровадження. Для інвесторів постає задача оцінювання ризиків фінансування таких проектів. Серед великої кількості подібних проектів, необхідно вибрати безпечні для фінансування інвесторами. Для оцінювання таких ризиків, не достатньо класичних моделей оцінювання інвестиційних проектів [1]. Тому, піднімається питання, яким чином оцінити проекти та вибрати безпечні для фінансування (впровадження).

Постановка проблеми

З огляду на вище наведене, постає актуальна задача розроблення технології оцінювання ризиків безпеки фінансування (впровадження) проектів. Адекватний розв’язок такої задачі можливий тільки із залученням компетентних експертів зі знаннями про предметну область. Тому, у роботі запропонуємо модель інформаційної технології оцінювання ризиків безпеки фінансування або впровадження проектів, яка ґрунтується на класичних методах оцінювання проектів та знань різних експертів про проект.

Нехай маємо деякий проект , який потрібно оцінити щодо ризику його фінансування або впровадження. В залежності від задачі оцінювання фінансування або впровадження, маємо множину кількісних оцінок з інтервалу [0; 1], відповідно по показниках . Показники будемо розглядати, як моделі оцінювання проектів, на основі яких виводиться одна нормована оцінка . Для проекту, крім кількісних оцінок показників, експерт (чи група експертів) ставить одну лінгвістичну оцінку, на основі своїх міркувань для кожного показника , з множини: {«низький показник по проекту»; «показник по проекту нижче середнього»; «середній показник по проекту»; «показник по проекту вище середнього»; «високий показник по проекту»}.

Таким чином, для оцінювання проекту щодо ризику фінансування, вхідні дані наступні (табл. 1).

 

Таблиця 1. Вхідні дані

[авторська розробка]

 

Тоді на основі представлених вхідних даних, по проекту , необхідно вивести вихідну нормовану оцінку , на основі якої приймається рішення щодо ризику фінансування (впровадження) проекту.

Показники оцінювання

Нехай для задачі оцінювання ризику фінансування проекту, запропонуємо показники та критерії оцінювання, а також відомі моделі оцінювання.

 

– показник ідеї проекту.

Кількісну оцінку можемо отримати, наприклад використавши нечітку модель оцінювання стартап проектів [2], або метод оцінки вартості стартапу [3]. За критерії оцінювання можемо взяти наступні показники: – що собою представляє запропонована проект? до якої галузі відноситься розроблена ідея? соціальне значення ідеї? – сила ідеї (якщо венчурні компанії вирішили поставити свої ресурси конкурентам  в даній сфері, то завтра продукт на основі ідеї буде?)  – наскільки сильна конкуренція? – які прогнозовані продажі та маркетингові плани? – які очікувані доходи у найближчому майбутньому? – наявність стратегічних партнерів? – наявність чіткого бізнес-плану? Та інші.

 

– показник компетентності команди розробників проекту.

За будь-яким проектом є люди, які його реалізують. Навіть для дуже хорошого проекту, з дуже високою оцінкою та перспективами на успіх, вдала комерціалізація залежить, в більшій мірі, від якісного складу розробників, готових вивести продукт на ринок і успішно приймати рішення щодо його продажей. Тому інвестори люблять говорити, що вони в першу чергу інвестують в команду.

Кількісну оцінку можемо отримати, наприклад використавши інформаційну модель оцінювання та виведення рейтингу розробників стартап проектів [4]. За критерії оцінювання пропонуємо наступні: – стаж роботи в проекті, вимірюється у місяцях роботи над проектом; – успішний досвід роботи у великих або аналогічних проектах; – професійна освіта у членів команди; – участь команди у професійних для проекту конференціях, інвестиційних сесіях або профільних заходах; – публікації у засобах масової інформації або професійних для проекту онлайн джерелах; – наявність зв’язків із командою у соціальних мережах та месенджерах; – наявність зв’язків із радниками у соціальних мережах та інші.

 

– показник ризику реалізації проекту.

З ризиком тісно пов’язується поняття економічної безпеки проекту, причому як безпека суб’єкта, що представляє проект, так і безпека інвестора. Безпека суб’єкта полягає у тому, що ризиковий і неуспішний проект призведе до збитків підприємства. Безпека інвестора прямо залежить від адекватної оцінки проекту і суб’єкта, що представляє проект. Підвищення безпеки інвестиційних проектів забезпечує стійкість регіональної економіки [5].

Для отримання однієї кількісної оцінки можемо використати нечітку математичну модель оцінювання ризиків [6], або стратегічний аналіз ризиків [7]. Критерії оцінювання визначимо наступні, наприклад: – ризик втрати клієнтської бази; – ризик втрати постачальника; – ризик втрати ринкової долі; – ризик зниження рівня управління; – ризик виробничого конфлікту і неефективної мотивації; – ризик зниження якості процесів; – ризик зниження продуктивності праці та інші.

Математичний апарат

Системи нечіткого виведення можуть використовувати людські експертні знання та виконувати нечітке виведення для отримання вихідної оцінки. Формування правил і відповідних функцій належності дуже залежить від апріорного знання щодо розглянутої системи. Відсутні універсальні способи перетворення дослідних людських експертних знань у базу знань систем нечіткого виведення. Також існує потреба в розробці методів навчання для отримання вихідної оцінки з необхідним рівнем точності. Крім того, механізм навчання нейронних мереж не покладається на людську експертизу, а через однорідну структуру нейронних мереж [8] складно витягти структуровані знання.

Виконаємо нечітке виведення використовуючи нейро-нечітку модель багатокритеріального оцінювання [9]. Дана модель використовує п’яти шарову нейро-нечітку модель для виведення кількісної та лінгвістичної оцінки щодо рівня об’єкта дослідження, базуючись на мережі глибокого навчання TSK (Takagi-Sugeno-Kang) [10], використовуючи досвід, знання та компетенції експертів у відповідній предметній області. Для поставленої задачі оцінювання ризиків фінансування (впровадження) проектів та виведення вихідної оцінки можемо використовувати дану модель.

В результаті дефазифікації даних отримується оцінка ризику фінансування (впровадження) проекту, яке зіставимо до одної з терм-множин покладаючи наступний зміст: якщо (0,7; 1] тоді = «низький ризик та високий рівень фінансування (впровадження) проекту»; якщо (0,5; 0,7] тоді = «середній ризик та рівень фінансування (впровадження) проекту – вище середнього»; якщо (0,4; 0,5] тоді = «спекулятивний ризик та середній рівень фінансування (впровадження) проекту»; якщо (0,2; 0,4] тоді = «високий ризик та низький рівень фінансування (впровадження) проекту»; якщо [0; 0,2]  тоді  = «дуже високий ризик та дуже низький рівень фінансування (впровадження) проекту».

Висновки

Розроблена технологія підвищує точність та об’єктивність оцінювання, оскільки з одного боку використовує кількісні оцінки проекту по різних показниках та на основі різних моделей, а з іншого використовує досвід, знання та компетенції експертів у предметній області. Модель базується на нейро-нечіткій мережі глибокого навчання, що має можливість змінювати налаштування синаптичних ваг, можна проводити навчання мережі та коригувати рівні прийняття рішень. Подальше дослідження проблематики вбачаємо у апробації розробленої моделі для широкої вибірки проектів у різних сферах та застосуванням технології на інших соціо-економічних задачах.


СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ:

 

  • Polishchuk, V. V. (2018). Fuzzy Method for Evaluating Commercial Projects of Different Origin. Journal of Automation and Information Sciences50(5).

  • Kelemen, M., Polishchuk, V., Gavurová, B., Szabo, S., Rozenberg, R., Gera, M., ... & Blišt’an, P. (2019). Fuzzy model for quantitative assessment of environmental start-up projects in air transport. International journal of environmental research and public health16(19), 3585.

  • Звегінцова, О. Д., Золотарьова, І. О., & Щербаков, О. В. (2015). Інтегрована оцінка стартап-проектів. Системи обробки інформації, (4), 163-165. 

  • Polishchuk, V., & Kelemen, M. (2019, April). Information Model of Evaluation and Output Rating of Start-up Projects Development Teams. In CMIS (pp. 674-688).

  • Belás, J., Mišanková, M., Schönfeld, J., & Gavurová, B. (2017). Credit risk management: financial safety and sustainability aspects. Journal of Security and Sustainability Issues. 

  • Polishchuk, V., Kelemen, M., Gavurová, B., Varotsos, C., Andoga, R., Gera, M., ... & Szabo, S. (2019). A fuzzy model of risk assessment for environmental start-up projects in the air transport sector. International journal of environmental research and public health16(19), 3573. 

  • Абдулаева, З. И., & Недосекин, А. О. (2013). Стратегический анализ инновационных рисков.

  • Kotsovsky, V., & Batyuk, A. (2020, May). Representational Capabilities and Learning of Bithreshold Neural Networks. In International Scientific Conference “Intellectual Systems of Decision Making and Problem of Computational Intelligence” (pp. 499-514). Springer, Cham.

  • Маляр, М. М., Поліщук, А. В., Поліщук, В. В., & Шаркаді, М. М. (2019). Нейро-нечітка модель багатокритеріального оцінювання. Radio Electronics, Computer Science, Control, (4).

  • Зайченко, Ю. П. (2008). Нечеткие модели и методы в интеллектуальных системах. К.: Слово, 344.


PROJECT FINANCING RISK ASSESSMENT TECHNOLOGY

BILAK Yu.,
Ph.D., Associate Professor, Head of the Department of Systems Software
Uzhhorod National University
UKRAINE

BILAK I.,
Student of the Faculty of Information Technology
Uzhhorod National University
UKRAINE

VARHA S.,
Student of the Faculty of Information Technology
Uzhhorod National University
UKRAINE

Abstarct.
The paper presents the technology of obtaining a quantitative assessment of the risk of financing projects at the stage of business expansion. The technology on the one hand uses quantitative assessments of the project on different indicators and on the basis of different models, and on the other hand uses the experience, knowledge, and competencies of experts in the subject area. The model uses a neuro-phase network of deep learning, increases the accuracy and objectivity of assessment.


Keywords: risk assessment; fuzzy network; project; evaluation criteria; competence of experts.

© Білак Ю.Ю., Білак І.М., Варга С.Ф., 2020

© Bilak Yu., Bilak I., Varha S., 2020

 

This work is licensed under a Creative Commons Attribution 4.0 International License.

PUBLISHED : 13.09.2020