ПРИМЕНЕНИЕ НЕЙРОСИСТЕМ ДЛЯ ОЦЕНКИ РИСКА ЗАКУПОК ДЛЯ НУЖД УГОЛОВНО-ИСПОЛНИТЕЛЬНОЙ СИСТЕМЫ
Аннотация и ключевые слова
Аннотация (русский):
стабильная деятельность учреждений и органов уголовно-исполнительной системы, связана с осуществлением закупок необходимых товаров, работ и услуг. При проведении закупочных процедур возникают различные риски, включая экономические. Многие из приведенных рисков, как и их совокупность, приводят к нарушению закупочной процедуры или срыву закупки. Часто причиной появления рисков или их несвоевременного устранения связана с человеческим фактором. Его проявление многогранно. Для устранения или снижения влияния человеческого фактора на процедуру закупки, предлагается проведение идентификации, анализа и оценки рисков с применением искусственного интеллекта (нейронной сети) для последующей разработки мероприятий по их хеджированию.

Ключевые слова:
государственные закупки, риск, исполнение контракта, уголовно-исполнительная система, искусственный интеллект, нейронная сеть
Текст

Бурное развитие современных цифровых технологий все больше входит в повседневную жизнь отечественных организаций, учреждений и предприятий. Цифровизация преобразует не только бизнес процессы или цепочки поставок ресурсов, но и способствует созданию новых ценностей, например, элементов закупочной и распределительной логистики. Такая активная цифровизация повседневных процессов приводит к увеличению объемов анализируемых данных с которыми приходится работать не только коммерческим организациям, но и представителям государственного сектора. В свою очередь увеличение объемов данных сопровождается сокращением сроков их анализа и принятия оптимальных управленческих решений.

Для оптимизации процессов обработки больших объемов данных, и принятия на их основе управленческих решений активно применяются технологии нейронных сетей, часто называемых искусственным интеллектом. Данные технологии позволяют не только обрабатывать данные по заранее введенному алгоритму, но постоянно совершенствовать сам алгоритм на основе выявленных связей и полученного опыта. Результат, который позволяет получить программный комплекс помогает спрогнозировать будущий результат и повысить точность прогноза.

Сфера применения таких технологий чрезвычайно широка. В качестве примеров могут быть представлены комплексы, распознающие болезни на рентген снимках, системы автопилотов для транспорта, а также системы поведенческого анализа и оценки закупочной деятельности [3, 5, 6].

Использование искусственного интеллекта в коммерческих организациях для решения задач закупочной деятельности предпринимались в России с 2010 г. Многие компании лидеры рынка закупок в стремлении получения конкурентных преимущества инвестировали в искусственный интеллект и другие IT продукты, определяя автоматизацию закупочно-распределительных процессов в качестве приоритетных [3, 4]

Применение технологий искусственного интеллекта или нейросетей в процессах закупки в корне изменяет уровень этой функции. Современная концепция «Закупки 4.0» направлена на активное внедрение революционных технологий, включая искусственный интеллект и нейронные сети, которые позволят сделать стратегический и тактический сорсинг (англ. S2C Source to Contract) прозрачным и предсказуемым, а также выявить и минимизировать сопутствующие риски на этапе поиска поставщиков и заключения договоров.

Обеспечение деятельности учреждений уголовно-исполнительной системы (далее – УИС) является одним из приоритетных направлений работы соответствующих подразделений профильного ведомства. Многое из того что требуется для обеспечения жизнедеятельности учреждений системы производится ведомственным производственным сектором (вещевое имущество, продовольствие, строй материалы и т.д.). Недостающая часть ресурсов приобретается у сторонних поставщиков. Необходимо отметить что и для внутрисистемного производства также необходимо осуществлять закупки сырья, материалов и др. ресурсов. Вся закупочная деятельность учреждений УИС, функционирующих в условиях рынка, неразрывна связана с сопутствующими экономическими рисками.

Исследования отечественных и зарубежных исследователей по проблемам рисков и рискогенности подчеркивают отсутствие общего мнения в отношении определения термину «риск». При этом данный термин широко применяется в сферах от медицины и экономики, до права и государственного управления. Необходимо отметить также свои методы и подходы в управлении рисками, присущие каждому направлению деятельности. Такое разнообразие направлений исследования риска вынужденное и объясняется многоаспектностью данного явления [4]. Относительно новым направлением научной деятельности является теория управления рисками которая направлена на определение источников возможных потерь, исследованием вероятности возникновения неблагоприятных событий и формированием описательных и прогностических моделей, а также разрабатывает компенсационные механизмы, методы хеджирвания рисков или сценариев нейтрализации последствий [1, 5].

В настоящий момент в теории управления при построении моделей для описания неопределенностей (или условий возникновения рисков) зачастую применяют математические методы, среди которых наибольшее распространение получили:

  • вероятностно-статистические методы;
  • методы статистики нечисловых данных, в том числе интервальной статистики и интервальной математики, а также методы теории нечеткости;
  • метод теории игр;
  • метод теории искусственного интеллекта и нейронных сетей.

Следует отметить, что для оценки рискогенности (условий возникновения нежелательных событий) в процессе закупки, использование статистических методов может быть неточным или затруднительным, в связи с чем наряду с формально-экономическими методами, необходимо применение методов, основанных на экспертных оценках.

Учитывая вышеуказанное, использование нейросетевой технологии будет уместно, когда процесс принятия управленческого решения затруднительно формализовать. Нейронные сети являются отличным инструментом моделирования, и имеют высокую степень точности прогноза поскольку нелинейны по своей природе и применяются тогда, когда неизвестен или неясен вид связи между входными и выходными данными. Достаточно лишь точно знать, что такая связь существует. При этом сама зависимость будет построена в процессе обучения нейронной сети [1, 3, 5, 7].

Еще одним преимуществом применения нейросетевых технологий стоит выделить их универсальность и простоту. Нейросети не зависят от свойств входных данных, для них не существует требования к определенному типу распределения исходных данных, либо требования к линейности целевых функций. Применение нейронной сети не требует специальной подготовки. То есть, для ее практического применения нет необходимости вникать в механизмы работы сети. В отличие от статистических методов, требующих глубоких знаний в области математической статистики и теории вероятностей.

Для нейронных сетей нет проблемы «проклятия размерности», так как они способны моделировать зависимости для большого числа переменных, что особенно важно для оценки и прогнозирования закупочных рисков с большим числом факторов. Также они ускоряют процесс нахождения зависимости за счет одновременной обработки данных всеми нейронами [6, 8].

Преимущество применения методов нейронных сетей для оценки и прогнозирования рисков закупочного цикла обусловлено, в том числе, их простотой, что обеспечивает возможность их применения руководителями контрактных служб учреждений и органов уголовно-исполнительной системы, которые не всегда имеют специальное образование в области государственных закупок и управления рисками.

Применение описываемых технологий на данном этапе позволит оперативно решить следующие проблемы:

  • оптимизировать затраты;
  • предсказывать потребность в продукте;
  • выявление скрытых затрат и понимание совокупной стоимости продукта;
  • определение перспективных поставщиков и регионов поставок;
  • согласование условий договоров, возникающих изменений и дополнительных соглашений;
  • формирование системы аудита поставщиков;
  • выявление и оценка рисков в режиме on -line;
  • определение приоритетных рисков и способов хеджирования;
  • формирование превентивной системы управления и оценки поставщиков.

Если оптимизация затрат и выявление потребности в продукте решаются сегодня и без применения искусственного интеллекта, то выявление рисков – актуальная задача, как для коммерческого, так и для государственного сектора.

Искусственный интеллект, инструмент работы с большими объемами данных основан на применении нейронных сетей – программных алгоритмов, схожих по структуре с нейронами головного мозга человека. Возможное варианты применения нейронных сетей и наиболее распространенные алгоритмы его осуществления представлены на рисунке 1.

 

Рис. 1. Возможное применение нейронных сетей

 

Основу любой нейронной сети составляют простые элементы имитирующие работу нервных клеток человеческого мозга. Формируя в определенном порядке элементарные нейроны можно построить слой или несколько слоев каждый из которых будет выполнять набор функций или обработку определенной части потока данных. В совокупности слои будут обрабатывать потоковые данные в режиме реального времени уточняя результат в процессе тестирования или обучения.

Перечень возможного применения данной технологии очень велик, что не позволяет использовать универсальную сеть в связи с ограниченностью ресурсов и специфичностью решаемых задач. Примерами внедрения данной технологии можно привести множество от голосового помощника (Алиса от Яндекса) до системы выявления сомнительных закупок с запросами информации в Единой информационной системе, анонсированной представителями ОНФ («Общероссийский народный фронт») в 2017г.

Актуальность данной темы для учреждений УИС связана с закупками не только для обеспечения производства, но и для обеспечения жизнедеятельности самих учреждений. Для достижения намеченных целей, учреждениям необходимо не только осуществлять закупки у проверенных поставщиков, но и выявлять и производить оценку закупочных и сопутствующих рисков. Использование превентивных мер выявления и оценки риска может отнимать время и значительно влиять на принятие оптимального управленческого решения.

Одним из критериев эффективности процедуры закупки является определение перечня основных рисков, влияющих на достижение конечной цели процедуры закупки. Необходимо отметить что факторы, приводящие к появлению рисков, могут проявляются на всех этапах цикла закупки.

На сегодняшний день наиболее приемлемыми методами оценки закупочных рисков являются экспертные методы [1, 3, 7]. Причин, влияющих на данный подход много: дефицит качественной и достоверной информации для анализа; технические причины сбоя работы банков данных по закупкам; противоречивость или недостоверность данных о процедуре закупки; недостаток численности и/или слабая компетентность специалистов с соответствующими компетенциями на местах. В таком случае, суждения о вероятности неблагоприятного события в процессе закупки выносятся на интуитивном уровне экспертом в данной области.

При проведении процедуры закупок на поставки товаров, выполнение работ и оказание услуг для нужд учреждений и органов УИС целесообразно выделить две стороны которыми являются, с одной стороны – сотрудники контрактных служб, а с другой стороны – контрагент, являющийся исполнителем контракта.  

Так как объем информации связанный с проведением закупочной процедуры является существенным, то нередки случаи, когда одна из сторон ошибалась, или допускала неточности, что приводило к корректировке процедуры и появлению не только дополнительных документов, но и объемов информации.

На основе имеющихся данных и анализа литературных источников установлено, что многие ошибки были допущены на первом этапе процедуры, но проявиться могли гораздо позже – при выполнении условий контракта или после окончания процедуры (при эксплуатации или во время пользования). Выявление рисков на данном этапе является важным элементом работы сотрудника контрактной службы.

Для снижения человеческого фактора и повышения уровня качества выявления рисков предлагается применение искусственного интеллекта, основанного на нейронной сети. В алгоритм работы сети введены критерии и блоки, позволяющие определить совокупный риск на любом этапе процедуры закупки. Основываясь на проведенных исследованиях [1, 3, 4; 9; 10] была разработана иерархия закупочных рисков на выбранном этапе, а также рискогенные факторы, способствующие появлению рисков (рис. 2).

Рассматривая представленную иерархию видно, что на возникновение рисков этапа исполнения контракта будут оказывать влияние три основных фактора:

1. Деловая репутация, в том числе квалификация контрагента.

2. Квалификация инициатора закупки.

3. Изменение потребности в товаре, работе, услуге.

 

Рис. 2. Иерархия рисков этапа исполнения контракта

 

В результате, риск закупки на этапе исполнения контракта будет определяться по формуле:

где: Рик вероятность неблагоприятного события на этапе исполнения контракта;

Ркиз вероятность неблагоприятного события в зависимости от квалификации инициатора закупки;

Рдик вероятность неблагоприятного события в зависимости от деловой репутации, в том числе квалификации контрагента;

Рип вероятность неблагоприятного события в зависимости от изменения потребности в закупаемых товарах, работах, услугах;

К1…К3весовые коэффициенты каждого из факторов.

 

Весовые коэффициенты каждого из определенных нами факторов, рассчитываются с помощью метода анализа иерархий Т. Саати. В составе нейронной сети они будут устанавливаться в ходе «обучения с учителем», что повысит эффективность работы системы. Представленная методика предполагает субъективный характер оценки вероятностей наступления неблагоприятных событий и ее зависимость от сложившейся закупочной практики конкретного заказчика. В то же время, данная методика может получить достаточно широкое применение в работе органов и учреждений УИС при организации их закупочной деятельности.

Применение нейронной сети для выявления рисков, а также проверки и организации закупочной процедуры позволяет:

1. Осуществлять динамическое ценообразование или корректировку стоимостей при проведении закупочной процедуры.

2. Снижать нагрузку на сотрудников отдела закупок.

3. Повысить точность и прогнозируемость проводимой работы в условиях высокой неопределенности.

4. Быстрое адаптироваться к изменяющимся условиям конкурентной среды и выявлять связанные угрозы.

5. Ускорять процесс принятия оптимального управленческого решения о процедуре закупки.

6. Формировать базы данных о закупках и контрагентах, а также упростить формирование отчетности о процедуре закупки в части описания рисков.

Данная методика и программа с нейронной сетью позволит руководителям контрактных служб территориальных органов УИС, а также их подведомственных учреждений повысить эффективность своей работы.

Список литературы

1. Пружинина О.П. Оценка риска при закупках продовольствия для нужд уголовно-исполнительной системы России // Национальные интересы: приоритеты и безопасность. 2018. Т. 14. № 7. С. 1287–1304.

2. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и Связь, 1993. 278 c.

3. Пружинина О.П. Применение метода анализа иерархий для оценки рисков закупочного цикла в системе закупок товаров, работ, услуг для обеспечения государственных нужд // Математические методы и информационные технологии управления в науке, образовании и правоохранительной сфере: материалы Всерос. науч.-техн. конф. Рязань: Академия ФСИН России, 2017. С. 36–39.

4. Арыкбаев Р.К. Виды рисков и способы управления ими в рамках государственных (муниципальных) закупок // Финансы и кредит. 2009. № 34 (370). С. 23-28.

5. Веселовский М.Я., Погодина Т. В. Формирование стратегической конкурентоспособности компаний на основе интеллектуального лидерства и ключевых компетенций // Вестник Астраханского государственного технического университета. Серия: Экономика. 2020. № 2. С. 19–27. DOI:https://doi.org/10.24143/2073-5537-2020-2-19-27.

6. Рахматуллина В.Р., Горшенин В.Ф. Цифровая трансформация закупочной логистики // Общество экономика управление. 2018 Том 3, № 4. С. 40-45.

7. Симонович Л.Н. Искусственный интеллект: Оценивать государственные закупки будут машины // Вестник Московской академии Следственного комитета Российской Федерации 2017. № 2. С.46-48.

8. Михайлов А.С., Староверов Б.А. Проблемы и перспективы использования искусственных нейронных сетей для идентификации и диагностики технических объектов // Вестник ИГЭУ. 2013. Вып. 3. С. 64 68.

9. Суглобов А.Е., Банк С.В., Музалева Т.И., Музалев С.В., Донцов И.А., Орлова Е.А. Финансовый менеджмент: учебное пособие, 2-е изд., перераб и доп./под общей ред. Н.А. Адамова. -М.: ЗАО ИД «Экономическая газета», 2011.

10. Суглобов А.Е. Развитие межбюджетных отношений в Российской федерации // Финансы. 2009. №1


Войти или Создать
* Забыли пароль?