Zabawa Jacek, zarządzanie
[ Pobierz całość w formacie PDF ]
Politechnika Wrocławska
Wydział Informatyki i Zarządzania
Podejście hybrydowe
w analizie ekonomicznej przedsiębiorstwa
Jacek Zabawa
Rozprawa doktorska napisana pod kierunkiem
prof. dr hab. inż. Edwarda Radosińskiego
Słowa kluczowe:
systemy wspomagania decyzji
symulacja komputerowa
systemy hybrydowe
analiza finansowa
Wrocław 2005
Spis treści
1 Analiza decyzyjna 1-1
1.1 Określenie przedmiotu badań. Systematyka podejmowania decyzji oraz znaczenie
kapitału intelektualnego 1-1
Omówiono własności decyzji menedżerskich. Podkreślono złożony charakter procesu podejmowania
decyzji i konieczność opracowania ich metodologii. Przedstawiono znaczenie pojęcia kapitału
intelektualnego w uwzględnieniu oprócz wielu wskaźników ekonomicznych także rozumienia
znaczenia zjawisk. Przedstawiono argumenty za koniecznością rozważania wielu miar w zadaniu
wyznaczania wartości przedsiębiorstwa.
1.2 Analiza decyzyjna jako proces 1-3
Przedstawiono kategorie działań badawczych prowadzących do podjęcia decyzji. Podkreślono
konieczność opracowania alternatyw decyzyjnych i ich oceny. Omówiono związki analizy decyzyjnej
ze strukturalizacją problemów oraz weryfikacją symulacyjną.
1.3 Analiza wielokryterialna, modelowanie wariantów decyzyjnych, ocena ryzyka 1-4
Przedstawiono rozważania nad podejmowaniem decyzji przy uwzględnieniu wielu kryteriów, zmian
już wybranych wariantów oraz nad istotnością posiadania odpowiedniej informacji. Omówiono fazy
analizy decyzyjnej i ich zgodność z etapami budowy modelu. Zaprezentowano techniki modelowania
niepewności za pomocą tabeli wypłat, drzewa decyzyjnego, teorii wartości informacji, analizy pre
posteriori oraz analizy wrażliwości.
1.4 Metodologia i instrumentarium analizy decyzyjnej 1-9
Przedstawiono porównanie metod analizy ekonometrycznej i modelowania symulacyjnego.
Omówiono znaczenie weryfikacji merytorycznej w badaniu hipotez. Przedstawiono klasyfikację wg
regularności podejmowania decyzji.
1.5 Metody optymalizacyjne w analizie decyzyjnej 1-11
Zdefiniowano pojęcie optymalizacji. Przedstawiono istotę wielokryterialności, skalaryzowanie,
optymalności w sensie Pareto.
1.6 Problemy na jakie napotyka analiza decyzyjna 1-12
Omówiono perspektywy zastosowania analizy wrażliwości oraz integracji metod symulacyjnych
i innych technik poszukiwania rozwiązań. Przedstawiono przesłanki prowadzące do systemu
innowacyjnego oraz wyróżniono kompetencje przedsiębiorstwa. Wskazano na ich wsparcie przez
systemy wspomagania decyzji.
1.6.1 Analiza decyzyjna a pojedynczy podmiot decyzyjny 1-13
Podkreślono konieczność zastosowania zasady racjonalności w trakcie podejmowania decyzji oraz jej
krytykę z pozycji psychologii kognitywnej wynikającą z ograniczeń reprezentacji problemu.
1.6.2 Uwzględnienie grupowego podmiotu decyzyjnego 1-14
Przedstawiono uwarunkowania grupowego podejmowania decyzji oraz jego wymiary: społeczny,
teoriogrowy i sieci komunikacji społecznych. Omówiono komunikację synchroniczną
i asynchroniczną oraz poziomy komunikacji.
1.6.3 Podejmowanie decyzji – aspekty psychologiczne – strategie
Przedstawiono uwarunkowania strategii o charakterze autokratycznym oraz partycypacyjnym.
1.6.4 Zebranie informacji o procesach gospodarczych 1-17
Omówiono kluczową rolę rachunkowości jako źródła wiarygodnej informacji dla analizy oraz
prezentacji stanu faktycznego.
1-16
1.7 Podejmowanie decyzji w warunkach niepewności 1-19
1.7.1 Zastosowanie podejścia teoriogrowego oraz wiedzy eksperckiej 1-19
Omówiono kryteria oceny wariantów decyzyjnych (max-min). Podkreślono wagę wiedzy eksperckiej
i przesłanki podejścia hybrydowego. Przedstawiono zalecenia dotyczące postępowania w warunkach
ryzyka.
1.7.2 Symulacja i analiza statystyczna
1-21
Omówiono istotę systemów wczesnego ostrzegania i modele dekompozycji i agregacji ryzyka.
1.7.5 Technika estymacji 1-24
Zaprezentowano technikę szacowania nieznanych wartości zmiennych w celu usunięcia z modelu
niepewności.
1.8 Analiza decyzyjna jako przedmiot badań 1-26
Przedstawiono podstawowe pojęcia analizy decyzyjnej takie jak wybór, proces poznawczy i celowość.
Zdefiniowano pojęcia tabeli wypłat i funkcji użyteczności Omówiono klasyfikację reguł decyzyjnych.
1.9 Podejmowanie decyzji jako proces fazowy 1-28
Przedstawiono podział procesu podejmowania decyzji na poszczególne fazy wyróżnione przez Simona
a następnie rozszerzone przez Mintzberga.
2 Modelowanie i symulacja 2-1
2.1 Symulacja i modelowanie symulacyjne - przedmiot badań 2-1
Zdefiniowano pojęcie modelowania. Podkreślono rolę modelowania i symulacji w badaniach
naukowych. Określono korzyści płynące z zastosowania symulacji. Opisano działania składające się
na proces modelowania. Podkreślono podobieństwa modelowania i symulacji. Zaprezentowano
definicje symulacji.
2.2 Cele zastosowania symulacji 2-3
Przedstawiono argumenty świadczące o konieczności zastosowania symulacji jako metody
weryfikacyjnej wariantów decyzyjnych oraz jej wykorzystania w analizie wrażliwości.
2.3 Symulacja a optymalizacja 2-5
Wskazano na odmienność podejścia symulacyjnego i optymalizacji. Podkreślono przewagę symulacji
pod względem realistyczności i przydatności w podejmowaniu decyzji. Omówiono charakterystykę
zmiennych modelu symulacyjnego. Przedstawiono priorytety obowiązujące podczas budowy modelu
symulacyjnego.
2.4 Definicje pojęć modelowania 2-7
Podano różnorodne definicje pojęcia modelu. Przedstawiono oczekiwania dotyczące postępowania
mającego na celu budowę modelu. Podkreślono rolę prawidłowego wypełnienia modelu danymi.
Omówiono użytkowe wartości oferowane przez proces modelowania i jego efekty.
2.5 Modelowanie – klasyfikacja 2-10
Podano klasyfikację i cele modelowania wg Savolainena, dotyczącą: procesów biznesowych, danych,
finansów i symulacji, optymalizacji procesów i modelowania produktu.
1-23
II
Omówiono zastosowanie symulacji i podstawowe pojęcia statystyki.
1.7.3 Drzewa prawdopodobieństw 1-22
Przedstawiono technikę reprezentacji niepewności za pomocą drzew prawdopodobieństw i rolę reguły
Bayesa.
1.7.4 Aspekty zarządzania ryzykiem i ocena zagrożenia
2.6 Znaczenie uwzględnienia losowości w modelach 2-13
Omówiono charakterystykę modeli deterministycznych, probabilistycznych. Podkreślono rolę
symulacyjnej techniki Monte Carlo w badaniu modeli deterministycznych i jej przydatność
w decyzyjnej analizie kosztów i zysków.
2.7 Budowa modelu symulacyjnego 2-16
2.7.1 Model konceptualny: weryfikacja i walidacja 2-16
Przedstawiono zespoły czynności prowadzące do zbudowania modelu konceptualnego. Omówiono
zagadnienia weryfikacji i walidacji modeli na platformie informatycznej. Podano szczegółowe
zalecenia w kontekście budowy hybrydowego SWD Ekanwin.
2.7.2 Etapy tworzenia modelu symulacyjnego 2-20
Zaprezentowano charakterystykę siedmiu etapów prowadzących do opracowania modelu
symulacyjnego gotowego do zatwierdzenia. Wskazano na podobieństwo z wymaganiami powodzenia
(sukcesu) implementacji systemów eksperckich.
2.7.3 Wskazówki metodologiczne i techniki walidacji 2-21
Przedstawiono czynności wymagane do przeprowadzenia walidacji modelu. Omówiono znaczenie
kalibrowania i strojenia modelu. Wskazano na realną konieczność budowy lub obsługi wielu
wariantów modelu w zależności od scenariuszy warunków. Wyróżniono nieformalne i formalne
metody walidacji. Omówiono walidację konceptualną i operacyjną. Przedstawiono klasyfikację
technik walidacji.
2.7.4 Badania symulacyjne – wskazówki metodologiczne, instrumentarium 2-24
Omówiono wskazówki dotyczące badań symulacyjnych w kontekście etapów badania naukowego, od
zdefiniowania problemu do wyciągnięcia wniosków z wykonanych eksperymentów. Zaprezentowano
dwunastoetapowy schemat badania symulacyjnego wg Wintona. Przedstawiono pożądane
charakterystyki etapu akwizycji danych i techniki ich wykonywania.
2.7.5 Wskazówki metodologiczne - eksperymenty i raport z badań symulacyjnych 2-29
Przedstawiono definicję eksperymentu. Przedstawiono proponowaną przez Lawrence’a i Pasternacka
strukturę raportu. Podkreślono znaczenie czynnika losowości w modelowaniu niepewności.
Wyróżniono trzy podstawowe podejścia prowadzenia wielowariantowych eksperymentów: takiej
samej liczby eksperymentów dla wszystkich strategii, takich samych rozkładów zmiennych losowych
i takich samych wartości zmiennych losowych.
2.8 Symulacja ciągła i dyskretna 2-32
2.8.1 Pojęcia symulacji ciągłej 2-32
Zaprezentowano podstawowe pojęcia symulacji ciągłej takie jak zasoby, strumienie i atrybuty.
Omówiono znaczenie i rodzaje sprzężeń zwrotnych. Omówiono zastosowania modeli
systemodynamicznych.
2.8.2 Pojęcia symulacji dyskretnej 2-32
Przedstawiono zastosowanie symulacji dyskretnej i główne podejścia w modelowaniu systemów
zdarzeń dyskretnych. Omówiono charakterystykę pojęć wykorzystywanych w opisie modelu
dyskretnego.
III
2.9 Symulacja – podstawowe zalety i trudności 2-34
Wymieniono przesłanki wykorzystania symulacji i eksperymentu w rozwiązywaniu problemów
zarządzania. Przedstawiono wartości uzyskiwane dzięki symulacji, użytkowe zalety symulacji,
porównano modele symulacyjne i optymalizacyjne. Omówiono utrudnienia i niedogodności symulacji
w tym brak możliwości zapewnienia optymalności wyznaczonych rozwiązań. Sformułowano postulaty
mające prowadzić do lepszego wsparcia rozwiązywania problemów przez narzędzia symulacyjne takie
jak przygotowanie szablonów programowych i konfigurowalnych modułów.
3 Zarządzanie wiedzą, sztuczna inteligencja, systemy wspomagania decyzji 3-1
3.1 Metodologia reprezentacji wiedzy 3-1
Przedstawiono związek reprezentacji wiedzy z modelowaniem. Wyróżniono statyczne i dynamiczne
aspekty wiedzy i klasyfikację metod odkrywania wiedzy.
3.2 Znaczenie psychologii poznania dla metodologicznych podstaw reprezentacji wiedzy
i technik sztucznej inteligencji 3-2
Omówiono klasyfikację procesów podejmowania decyzji z punktu widzenia psychologii decyzji.
Przedstawiono zasady dekompozycji procesu podejmowania decyzji. Wskazano na znaczenie ontologii
w procesie formalizacji wiedzy. Przedstawiono podstawowe struktury reprezentacji wiedzy
w systemach eksperckich.
3.3 Wiedza a informacja i zarządzanie wiedzą 3-4
Przedstawiono rodzaje reprezentacji wiedzy w klasyfikacji Mechitova i Moshkovicha tzn.
reprezentację regułową i reprezentację za pomocą przykładów i ich charakterystykę. Zaprezentowano
definicję wiedzy, cele oraz etapy jej pozyskania. Przedstawiono jej związki z informacją i danymi oraz
rodzaje wiedzy i ich uwarunkowania. Omówiono kodyfikację i personalizację jako sposoby
pozyskiwania i współdzielenia wiedzy.
3.4 Rola uczenia maszynowego 3-7
Zdefiniowano pojęcie uczenia się i jego cechy charakterystyczne. Wskazano na konkurencyjność
uczenia maszynowego i pozyskiwania wiedzy za pomocą dialogu z ekspertem. Zaakcentowano
przydatność rozumowania przez analogie. Wyszczególniono metody uczenia maszynowego w tym
nadzorowane, ze wzmocnieniem oraz bez nadzoru. Podano przykłady metod indukcyjnych
i automatycznego analizowania i ich zastosowania w budowie modelu dziedziny wiedzy. Wskazano na
istotną rolę heurystyk i podejścia generalizującego.
3.5
3-9
Przedstawiono definicję sztucznej inteligencji.
3.5.1 Systemy wspomagania decyzji – sieci neuronowe 3-9
Przedstawiono definicję sztucznych sieci neuronowych. Omówiono mocne i słabe strony SSN.
Zaprezentowano obszary zastosowań. Przedstawiono zasadę działania. Podkreślono znaczenie procesu
uczenia (trenowania) sieci. Omówiono działanie neuronów i poszczególnych warstw SSN.
3.5.2 Systemy wspomagania decyzji – metody wnioskowania symbolicznego 3-11
Przedstawiono cechy wyróżniające systemów eksperckich. Omówiono zasady wnioskowania
symbolicznego i reprezentację wiedzy za pomocą ram. Przedstawiono komponenty systemu
eksperckiego i wskazano na kluczową rolę procesu pozyskiwania wiedzy.
3.6 Systemy eksperckie - zastosowanie w analizie finansowej 3-14
Opisano pięć głównych grup zastosowań systemów eksperckich w analizie bankowej (oceny
zagrożenia bankructwem). Przedstawiono przesłanki wykorzystania technologii SE oraz przykłady
wdrożeń. Zaprezentowano także wdrożenia decyzyjnej analizy wielokryterialnej na platformie
systemów wspomagania decyzji. Omówiono podejście optymalności Pareto oraz hierarchii celów.
IV
Sztuczna inteligencja + psychologia kognitywna – definicja
[ Pobierz całość w formacie PDF ]