Материал: Розробка моделі комплексної оцінки конкурентоспроможності страхової компанії

. If (X1 is HC) and (X2 is HC) and (X3 is H) and (X4 is C) and (X5 is HC) and (X6 is H) and (X7 is H) and (X8 is HC) then (Y is H) (1)

. If (X1 is C) and (X2 is H) and (X3 is H) and (X4 is HC) and (X5 is HC) and (X6 is C) and (X7 is H) and (X8 is H) then (Y is H) (1)

В результаті одержано нечітку систему, яка має структуру відповідно до рис. 3.1.

Рисунок 3.1 - Структура нечіткої системи для оцінки конкурентоспроможності страхової компанії

Для одержання графіків функцій належності нечітких лінгвістичних змінних, поверхні відгуку системи та її основних параметрів запускаємо на виконання програму, лістинг якої наведено нижче.

Вивід даних про основні параметри нечіткої системи

(RK);

%Одержання структури нечіткої системи у вигляді схеми(RK);

%Вивід графіків функцій належності вхідних змінних системи(4,2,1);(RK, 'input', 1);on;(4,2,2);(RK, 'input', 2);on;(4,2,3);(RK, 'input', 3);on;(4,2,4);(RK, 'input', 4);on;(4,2,5);(RK, 'input', 5);on;(4,2,6);(RK, 'input', 6);on;(4,2,7);(RK, 'input', 7);on;(4,2,8);(RK, 'input', 8);on;

%Вивід графіка функцій належності вихідної змінної системи(RK, 'output', 1);on;

%Одержання основних параметрів функцій належності(RK);

%Одержання бази знань нечіткої системи(RK);

%Вивід поверхні відгуку нечіткої системи(RK);on;

В результаті виконання програми ми одержали графіки функцій належності вхідних (рис. 3.2) та вихідної змінної (рис. 3.3).

Рисунок 3.2 - Графіки функцій належності гаусівського типу вхідних змінних нечіткої системи

Рисунок 3.3 - Графіки функцій належності вихідної змінної нечіткої системи

страховий компанія конкурентоспроможність оцінка

На рис. 3.4 зображені поверхні відгуку системи при різних варіантах сталих та варіативних значеннях вхідних змінних.

Рисунок 3.4 - Поверхні відгуку нечіткої системи

У додатку Б подана структура файлу створеної fis-системи типу Мамдані.

3.1 Процес навчання нечіткої експертної системи

Аналіз поверхонь нечіткого логічного висновку дозволив зробити висновок про те, що створена нечітка система недостатньою мірою відображає залежність оцінки рівня конкурентоспроможності страхової компанії оскільки при її розробці в базу знань було занесено надто мала кількість правил (38) відносно максимально можливої (390 625 (оскільки максимальна кількість правил визначається nm, де n - кількість функцій належності однієї вхідної змінної, а m - кількість вхідних змінних). Реально людині практично неможливо створити хоча б половину такої кількості правил, тому потрібно вдаватися до методів автоматичного налаштування нечіткої системи. Один з методів - це метод налаштування параметрів нечіткої системи за допомогою функції оптимізації fmincon пакету Optimization Toolbox системи MATLAB, який запропонував у своїй праці к.т.н. С.Д.Штовба [link].

Він передбачає зміну параметрів нечіткої системи, таких як координати максимумів функцій належності змінних та коофіцієнти концентрації, а також зміну ваг правил. Для успішного застосування даного методу потрібна наявність в базі знань системи хоча б тої частини правил, при якій похибка системи суттєво не погіршується (так зване явище «Плато насичення» [link Корчемний]). В MATLAB передбачений ефективний алгоритм навчання нечітких систем ANFIS (adaptive neuro fuzzy inference system). За даним алгоритмом можна здійснити тільки оптимізацію нечітких систем логічного висновку типу Сугено. За допомогою функції mam2sug конвертуємо раніше створену систему Мамдані в Сугено.

=mam2sug(RK),

- система логічного висновку Мамдані;- новоутворена система типу Сугено.

Основні відомості про конвертовану систему:

=:'RK':'sugeno':'min':'max':'wtaver':'min':'max':[1x8 struct]:[1x1 struct]:[1x38 struct]

Отже, для здійснення зміни параметрів системи необхідно сформувати вибірку даних, по яких буде проводитися оптимізація. Програма створення навчальної вибірки (tr_data):

Завдання вектора значень вхідних змінних

=0:0.5:1;

Обчислення довжини вектора 'k'

=length(k);

Формування тренувальної вибірки

=1;x1=1:nx2=1:nx3=1:nx4=1:nx5=1:nx6=1:nx7=1:nx8=1:n_data(i,1)=k(x1);_data(i,2)=k(x2);_data(i,3)=k(x3);_data(i,4)=k(x4);_data(i,5)=k(x5);_data(i,6)=k(x6);_data(i,7)=k(x7);_data(i,8)=k(x8); tr_data(i,9)=(k(x1)+k(x2)+k(x3)+k(x4)+k(x5)+k(x6)+k(x7)+k(x8))/8;=i+1;

Формування матриці входів

=tr_data(:, 1:8);

Формування стовпця вихідних значень

=tr_data(:, 9);

На рис. 3.5 ми можемо бачити значення матриці тренувальної вибірки у вікні workspace ситсеми MATLAB.

Рисунок 3.5 - Вікно перегляду змінної tr_data

Для здійснення навчання відкриваємо FIS-редактор і завантажуємо систему RKs логічного висновку Сугено.

Переходимо у редакторі до пункту меню Edit\Anfis. У вікні anfis-редактора у вкладці Load data завантажуємо тренувальну матрицю для подальшого навчання системи за її даними. На рис. 3.6 зображений графік контрольних точок навчальної вибірки.

Рисунок 3.6 - Графік контрольних точок навчальної вибірки

Проводимо навчання системи натиснувши кнопку Train. На рис. 3.7 показаний графік залежності величини похибки від епох навчання системи.

Рисунок 3.7 - Графік величини похибки системи

Навчання було здійснено гібридним методом, що включає в себе зміну параметрів функцій належності нечітких змінних, яка відбувається на основі генетичних алгоритмів. Структуру гібридної мережі показано на рис. 3.8.

Рисунок 3.8 - Структура гібридної нейро-нечіткої мережі

Після оптимізації ми одержали поверхню відгуку системи, що зображена на рис. 3.9.

Рисунок 3.9 - Поверхня відгуку оптимізованої нечіткої системи

На основі створеної та налаштованої системи створено модель комплексної оцінки конкурентоспроможності страхової компанії методом візуального моделювання пакету Simulink середовища MATLAB.

Для завдання значень вхідних змінних використано блоки Constant. Блок Mux об’єднує значення факторів, що впливають на рівень конкурентоспроможності в один вектор, який є входом в блок Fuzzy Logic Controller бібліотеки Fuzzy Logic Toolbox (рис. 3.10). Даний блок виконує роль нечіткого контролера, логіка відгуку якого ґрунтується на базі знань створеної експертної системи і є фактично підсистемою, що складається з блоків Simulink (рис. 3.11). Оцінка рівня конкурентоспроможності відображається в блоці Display.

Рисунок 3.10 - Модель нечіткої системи для визначення рівня конкурентоспроможності страхової компанії

Рисунок 3.11 - Фрагмент моделі нечіткого логічного висновку

3.2 Приклад застосування комплексної моделі для оцінки конкурентоспроможності СК

Було розглянуто приклад застосування комплексної моделі щодо оцінки конкурентоспроможності страхової компанії.

Таблиця. 3.3 - Тестування моделі нечіткої системи

Проведене тестування дозволяє виділити три нечітких стани конкурентоспроможності, залежно від факторів впливу, а саме:Y є [0;0,25] - низький рівень конкурентоспроможності, Y є [0,25;0,75] - середній рівень конкурентоспроможності і Y є [0,75;1] - високий рівень конкурентоспроможності.

З 10 страхових компаній 1 СК має низький рівень конкурентоспроможності (“Вусо”), 6 СК мають середній рівень конкурентоспроможності (“Оранта”, “Брокбізнес”, “Еталон”, “Омега”, “Аска”, “Добробут та захист”) та 3 СК - високий рівень конкурентоспроможності (“Український страховий дім”, “Провідна”, “Універсальна” ).

Висновки

У роботі розглянуто існуючі методи оцінки конкурентоспроможності підприємства.

На основі бази нечітких правил побудовано систему нечіткого логічного висновку у формі Мамдані, яка дає змогу отримати оцінку конкурентоспроможності СК. Побудовану модель реалізовано в середовищі Matlab, що дало змогу з певною ймовірністю визначити рівень конкурентоспроможності 10 СК.

Проведене тестування дозволяє виділити три нечітких стани конкурентоспроможності, залежно від факторів впливу, а саме:Y є [0;0,25] - низький рівень конкурентоспроможності, Y є [0,25;0,75] - середній рівень конкурентоспроможності і Y є [0,75;1] - високий рівень конкурентоспроможності.

З 10 страхових компаній 1 СК має низький рівень конкурентоспроможності, 6 СК мають середній рівень конкурентоспроможності та 3 СК - високий рівень конкурентоспроможності.

Перелік посилань

1.      Грищенко Н.Б. Основы страховой деятельности / Н.Б. Грищенко. - М.:Фінанси і статистика, 2006. - 352с.

.        Журавин С.Г. Страховые компании в условиях глобализации / С.Г. Журавин. - М.:Анкил, 2005. - 176 с.

.        Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH / А.В. Леоненков. - М. БХВ, 2005. - 736 с.

4.      Конкурентоспроможність [Електронний ресурс]. - Режим доступу:<http://www.grandars.ru/college/ekonomika-konkurentosposobnost.html> (дата звернення 02.03.14).

.        Нечітка логіка [Електронний ресурс]. - Режим доступу:http:// www. victoria. lviv. ua / html /oio / html / theme 11_1.htm #11_8 <http://google.com.ua/> (дата звернення 04.03.14).

.        Конкурентоспроможність [Електронний ресурс]. - Режим доступу:<http://www.financialguide.ru/encyclopedia/konkurentosposobnost> (дата звернення 08.04.14).

.        Фактори, що впливають на конкурентоспроможність підприємства [Електронний ресурс]. - Режим доступу:<http://library.if.ua/book/14/1233.html%20> (дата звернення 08.04.14).

.        Нечітка логіка в Matlab [Електронний ресурс]. - Режим доступу:https://www.google.ru/#newwindow=1&q=нечітка+логіка+в+matlab <https://www.google.ru/%23newwindow=1&q=нечітка+логіка+в+matlab> (дата звернення 12.04.14).

.        Методи оцінювання конкурентоспроможності підприємства [Електронний ресурс]. - Режим доступу:<http://pidruchniki.ws/19570411/marketing/metodi_otsinyuvannya_konkurentospromozhnosti_pidpriyemstva%20> (дата звернення 16.04.14).

.        Діяльність страхових компаній [Електронний ресурс]. - Режим доступу:<http://pidruchniki.ws/1163/finansi/diyalnist_strahovih_kompaniy_uk%20> (дата звернення 16.04.14).

.        Балабанова Л.В. Маркетинг / Л.В. Балабанова. - К.:Знання-прес,2006. - 640 с.

.        Штовба С.Д. Проектирование нечетких систем средствами MATLAB / С.Д. Штовба. - М.:Телеком, 2007. - 288с.

.        Дюжіков Є.Ф. Аудит діяльності страхових організацій / Є.Ф Дюжіков. - М.:Аудитор, 2001. - 90с.

.        Моесенкова Н.К. Методы оценки конкурентоспособности / Н.К. Моесенкова. - М.:Фінанси, 2008. - 238с.

Додаток А

Вхідні дані

Додаток Б

Вміст файлу.fis нечіткої експертної системи логічного висновку типу Мамдані

[System]='RK-SK'='mamdani'=2.0=8=1=38='min'='max'='min'='max'='centroid'

[Input1]='X1'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Input2]='X2'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Input3]='X3'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Input4]='X4'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Input5]='X5'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Input6]='X6'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]

Продовження додатку А='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Input7]='X7'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Input8]='X8'=[0 1]=5='H':'gaussmf',[0.1062 0]='HC':'gaussmf',[0.1062 0.25]='C':'gaussmf',[0.1062 0.5]='BC':'gaussmf',[0.1062 0.75]='B':'gaussmf',[0.1062 1]

[Output1]='Y'=[0 100]=3='H':'gaussmf',[0.2123 0]='C':'gaussmf',[0.2123 0.5]='B':'gaussmf',[0.2123 1]

[Rules]

4 4 5 3 4 4 4, 3 (1):1

4 5 3 5 4 4 4, 3 (1):1

5 4 4 3 4 5 4, 3 (1):1

4 5 3 4 5 5 4, 3 (1):1

5 2 5 5 5 5 5, 3 (1):1

5 5 5 5 4 4 5, 3 (1):1

3 4 5 5 5 5 5, 3 (1):1

4 4 4 4 1 5 4, 3 (1):1

4 4 5 4 4 4 4, 3 (1):1

3 4 4 5 5 5 5, 3 (1):1

3 4 5 3 5 4 5, 3 (1):1

5 5 4 3 3 4 5, 3 (1):1

5 5 5 5 5 5 5, 3 (1):1

4 4 4 4 4 4 4, 3 (1):1

5 5 4 4 4 4 4, 3 (1):1

5 5 1 1 3 1 5, 2 (1):1

1 5 2 1 5 5 5, 2 (1):1

2 2 3 3 3 5 5, 2 (1):1

3 3 3 3 3 3 3, 2 (1):1

5 3 2 3 2 3 2, 2 (1):1

5 3 3 3 1 3 3, 2 (1):1

3 3 3 4 3 3 1, 2 (1):1

1 3 3 3 5 3 3, 2 (1):1

3 5 1 3 3 3 4, 2 (1):1

2 2 2 2 2 2 2, 1 (1):1

1 1 1 1 1 1 1, 1 (1):1

2 2 1 3 2 2 2, 1 (1):1

1 1 1 1 1 1 1, 1 (1):1

5 5 1 1 1 1 1, 1 (1):1

1 1 2 5 1 1 1, 1 (1):1

2 1 1 1 1 5 1, 1 (1):1

1 1 3 1 1 3 1, 1 (1):1

1 1 2 1 1 1 2, 1 (1):1

1 1 1 1 5 1 5, 1 (1):1

3 1 1 3 1 1 1, 1 (1):1

1 2 2 1 2 3 1, 1 (1):1

2 1 3 2 1 1 2, 1 (1):1

1 1 2 2 3 1 1, 1 (1):1