Многопараметрическая кластеризация для инновационных проектов ранних стадий развития на рынке венчурного инвестирования сетями простейших нейропроцессоров тема диссертации по экономике, полный текст автореферата
- Ученая степень
- кандидата экономических наук
- Автор
- Брагина, Екатерина Игоревна
- Место защиты
- Волгоград
- Год
- 2014
- Шифр ВАК РФ
- 08.00.13
Автореферат диссертации по теме "Многопараметрическая кластеризация для инновационных проектов ранних стадий развития на рынке венчурного инвестирования сетями простейших нейропроцессоров"
На правах рукописи / 7
/ / / / и и
БРАТИНА ЕКАТЕРИНА ИГОРЕВНА
МНОГОПАРАМЕТРИЧЕСКАЯ КЛАСТЕРИЗАЦИЯ ДЛЯ ИННОВАЦИОННЫХ ПРОЕКТОВ РАННИХ СТАДИЙ РАЗВИТИЯ НА РЫНКЕ ВЕНЧУРНОГО ИНВЕСТИРОВАНИЯ СЕТЯМИ ПРОСТЕЙШИХ НЕЙРОПРОЦЕССОРОВ
08.00.13 - Математические и инструментальные методы экономики
АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук
4 ДЕК 2014
005556248
Волгоград -2014
005556248
Работа выполнена на кафедре «Информационные системы в экономике» в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Волгоградский государственный технический университет»
доктор экономических наук, доцент Павел Васильевич Терелянский. Анна Владимировна Шохнех доктор экономических наук, профессор, Волгоградский филиал РАНХиГС при Президенте РФ, кафедра «Учет, анализ и аудит», профессор; Нина Павловна Горидько
кандидат экономических паук, Вятский социально-экономический институт, кафедра «Экономика и финансы», доцент.
Федеральное государственное бюджетное учреждение науки «Институт проблем управления им. В.А. Трапезникова» Российской академии наук (ИПУ РАН).
Защита состоится 24 декабря 2014 г. в 15.00 часов на заседании диссертационного совета ДМ 212.028.07, созданного на базе Волгоградского государственного технического университета по адресу: 400005, Россия, г. Волгоград, проспект Ленина 28, ВолгГТУ, ауд. В-1001.
С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета и, на сайте www.vstu.ru по ссылке http;//ww^'. vstu.ru/nauka/dissertatsionnye-sovetv/Jm-21202807.html.
Автореферат разослан «20» ноября 2014 г.
Научный руководитель: Официальные оппоненты:
Ведущая организация:
Ученый секретарь диссертационного совета
Морозова Ирина Анатольевна
Общая характеристика работы Актуальность темы исследования. Институт частного инвестирования в России представляет собой сегмент рынка, на котором работают физические и юридические лица, вкладывающие свои свободные денежные средства в инновационные проекты ранних стадий развития (рге-зеес1-ы, зеес1-ы, 51аП-ир-ы).
Инновационные проекты ранних стадий развития характеризуются своей уникальностью и высокой степенью неопределенности и рискованностью. Так же в силу того, что в России данный сегмент венчурного инвестирования находится в стадии формирования, не существует определенного алгоритма оценки и принятия решений по инновационным проектам, подаваемым на рассмотрение частным инвесторам. В связи с этим для' оптимизации оценки инновационных проектов и принятия решения по инвестированию достаточно актуальным является отбор наиболее значимых критериев оценки проекта, которые стали бы универсальным набором характеристик проекта. Данный набор критериев давал бы избыточную информацию по инновационному проекту, что позволило бы даже при отсутствии каких-либо данных представить полную картину о проекте. Так же существует безусловная необходимость разработки универсального алгоритма работы частного инвестора с заявками на инвестирование, с дальнейшей разработкой системы поддержки принятия решений по каждому инновационному проекту. Именно решение данных проблем позволит облегчить работу частных инвесторов и ускорить процесс принятия решений по каждому проекту.
Для решения подобного рода задач весьма удачно подходят такие «интеллектуальные» системы анализа данных, как сети простейших нейропроцессоров. Отсюда вытекает необходимость и обоснованность разработки универсального программного обеспечения для многопараметрической оценки и кластеризации инновационных проектов ранних стадий развития и принятия решения об инвестировании, основанного на современных интеллектуальных компьютерных системах, что и явилось предметом нашего диссертационного исследования.
Степень научной разработанности проблемы. Разработка обобщенного алгоритма оценки инновационных проектов ранних стадий развития на рынке венчурного инвестирования является новым направлением российской прикладной науки. Теоретические и методологические положения диссертации и разработанные инструментальные средства строились на основе анализа широкого спектра работ зарубежных и отечественных ученых из различных областей научного знания. В области экономической значимости, тенденций развития, а так же характеристик субъектов рынка частного венчурного капитала проведен анализ работ В. Бигрейва, У. Ветцеля, Н. Грея, Р. Гэррисона, В. Делиуса, Г. Кландта, Т. Кольмана, К. Мэсона, Д. Сол и др.; в области,раззития и функционирования рын-
•■■■•..- з
ка частного венчурного капитала в России - М. Бунчука, А.И. Каширина, A.C. Семенова, Э.А. Фиякселя, В.Н. Фридлянова;"в области искусственного интеллекта - С.И. Барцева, В.В. Борисова, А.И. Галушкина, В.В. Круглова, В.И. Литвиненко, А.И. Масалова, М. Минского, В.А. Охонина, С. Хайкина, Н.И. Червякова и др.; в области применения искусственного интеллекта в экономике - Д. Бестенса, В.Ван ден Берга, Д. Вуда, А. Ежова, М. Минского, A.C. Шумского; в области моделирования и процессов принятия решений - A.B. Андрейчикова, О.Н. Андрейчиковой, А.Р. Белкина, Р. Беллмана, А.Н. Борисова, A.M. Дубова, В.Е. Жуковина, Л. Заде, А.О. Недосекина, П.В. Терелянского и др.; в области анализа и обработки изображений - A.B. Бондаренко, Ю. В. Визильтера, Р. Вудса, Р. Гонсалеса, В.Т. Фи-сенко, Т.Ю. Фисенко, В.В. Яншина и др.
Стоит отметить, что наименее изученными являются следующие вопросы: тенденции институционализации российского рынка венчурного капитала, нет универсального алгоритма оценки высоко рискованных инновационных проектов на ранних стадиях развития. Учитывая наличие вышеуказанных задач, актуальным являются моделирование процессов принятия решений на рынке венчурного инвестирования в России посредством использования сетей простейших нейро-процессоров.
Цели и задачи исследования. Целью работы является разработка инструментария для поддержки процесса принятия решений об инвестировании в инновационные проекты ранних стадий на рынке венчурного капитала путем многопараметрический кластеризации с использованием сетей простейших нейропроцес-соров. В соответствии с указанной целью исследования были поставлены и решены следующие задачи:
- изучить методы анализа частными инвесторами инновационных проектов ранних стадий развития, существующие в России и в мире;
- выявить основные критерии оценки инновационных проектов российскими частными инвесторами;
- определить унифицированный алгоритм оценки инновационных проектов частными инвесторами на базе выделенных основных критериев анализа;
- предложить алгоритм принятия решения об инвестировании в инновационный проект частными инвесторами, основанный на обобщении информации, полученной от экспертов (частных инвесторов), и последующей ее кластеризации на основе сравнения с оценками проектов-эталонов;
- разработать систему поддержки принятия решений об инвестировании в инновационные проекты ранних стадий развития на рынке венчурного инвестирования.
Объектом исследования являются экономические системы, в частности -группы и ассоциации частных венчурных инвесторов.
Предметом исследования является процесс принятия решений частных инвесторов о вложении денежных средств в инновационные компании ранних стадий развития.
Соответствие темы диссертации требованиям паспорта специальностей ВАК (по экономическим наукам). Исследование выполнено в рамках специальности 08.00.13 «Математические и инструментальные методы экономики», в соответствии с паспортом специальности п. 2.1. «Развитие теории, методологии и практики компьютерного эксперимента в социально-экономических исследованиях и задачах управления», 2.4 Разработка систем поддержки принятия решений для обоснования общегосударственных программ в областях: социальной; финансовой; экологической политики.
Теоретико-методологическая основа диссертационного исследования. Теоретической и методологической основой явились исследования в области процессов принятия решений и нейросетевых технологий, проведенных отечественными и зарубежными учеными, а так же работы анализу формирования и развития зарубежного и отечественного рынков венчурного инвестирования. Для решения поставленных задач применялись следующие основные методы исследования: системный подход, метод анализа и синтеза, метод нахождения наименьшего расстояния, математические методы и модели анализа изображений и искусственного интеллекта.
Информативно-эмпирическая база исследования. Информационной базой исследования служат аналитические ежегодные сборники Российской ассоциации венчурного инвестирования, опубликованные в свободном доступе материалы российских и зарубежных ассоциаций частных инвесторов. Нормативно-правовую базу исследования составляют нормативные документы и законодательные акты Российской Федерации и зарубежных стран, касающиеся регулирования инновационной деятельности, информационные ресурсы Internet, оригинальные материалы автора.
Рабочая гипотеза диссертационного исследования. Процесс кластеризации инновационных проектов ранних стадий развития базируется на оценке большого количества параметров по нескольким факторам путем ухода от многомерного представления результатов работы эксперта к построению цветографических карт и последующего их анализа и кластеризации с помощью нейропроцес-соров.
Основные положения диссертации, выносимые на защиту:
1. Изучение существующих в России и в мире методов анализа частными инвесторами инновационных проектов ранних стадий развития показало следующее: в США и в ряде европейских стран данный сектор сформирован достаточно хорошо, в то время как в России институт частных инвесторов существует с нача-
ла 1990-х годов. И, тем не менее, в России уже сложились некоторые методы оценки инновационных проектов, на основе которых уже принимается решение об инвестировании. Но все эти методы анализа информации по проекту не дают однозначного определения класса, к которому можно отнести тот или иной проект (хороший или плохой проект). Как правило, инвесторы дают оценку проекту, исходя из собственных рассуждений. Именно поэтому необходимо создание универсального алгоритма, который позволил бы эксперту без лишних усилий определять качество поданного на рассмотрение проекта и принимать решение об инвестировании;
2. Набор основных критериев оценки инновационных проектов российскими частными инвесторами на стадиях deal flow («поверхностный» анализ поступившей на рассмотрение частным инвесторам информации о проекте) и due diligence (углубленное изучение всех вопросов, связанных с поступившей информацией о проекте), а так же факторов, по которым все критерии оцениваются с целью наиболее полного отображения информации о проекте. Для первой стадии оценки инновационных проектов было выделено 36 критериев, а для второй стадии оценки - 34 критерия (таблица 1). Каждый критерий оценивается по следующим факторам: - убедительность (Ф1); - информативность предоставленного материала (Ф2); - привязанность ко времени (ФЗ); - доступность изложения материала (целей, задач) (Ф4); - достижимость (Ф5); - актуальность информации (Ф6). То есть каждый критерий описывается шести составляющими ¿>, = {bn,bi2,bi3,bu,biS,bl6}, характеризующими степень его проработанности;
3. Алгоритм заполнения оценочных карт и формирования цветографических карт в процессе анализа инновационных проектов, подаваемых на рассмотрение частным инвесторам. Его суть заключается в следующем: эксперт заполняет в разработанной системе анкету инновационного проекта с помощью цветовых оценок (вместо «классических» шкал оценок). Выбор оттенка означает непосредственно оценку проработанности каждого критерия. В результате заполнения анкеты проекта получается непосредственно цветографическая карта, которая будет храниться в виде изображения;
4. Алгоритм расчета интегрированной оценки подаваемых на рассмотрение инновационных проектов, а так же оценки структурных групп для более детального анализа заявки на инвестиции и снижения риска появления ошибок второго рода (отклонения более успешных в коммерческом плане проектов и принятия менее успешных) на основе составленных цветографических карт. Все четыре оценки рассчитываются по одному принципу, но с единственным различием: в расчете интегрированной оценки используются все данные, полученные от эксперта (инвестора), а в расчете структурных групп - только часть оцененных критериев. Принцип расчета заключается в получении взвешенных оценок с учетом
весов, полученных в результате обучения простейшего нейропроцессора на эталонных проектах. Данные эталонных инновационных проектов были получены в результате опроса частных инвесторов.
5. Алгоритм кластеризации анализируемых инновационных проектов на основе полученных интегрированных и структурных оценок с использованием ней-ропроцессоров. Кластеризация инновационных проектов происходит по принципу определения эталонного инновационного проекта, к которому ближе всего в результате сравнения оказался исследуемый проект. А так как каждый эталонный инновационный проект закреплен к конкретному классу оценок, то, соответственно, определяется класс, к которому будет принадлежать исследуемый проект.
6. Система поддержки принятия решений об инвестировании в инновационные проекты ранних стадий развития на рынке венчурного инвестирования, разработанная система позволяет эксперту заполнять оценочный лист в режиме онлайн, сохраняя полученную карту в виде изображения, и обрабатывать сохраненную информацию.
Научная новина диссертационного исследования. Оценка инновационных проектов ранних стадий развития и принятие решений об инвестировании - процесс трудоемкий, подразумевающий анализ и систематизацию достаточно большого количества информации. Для облегчения данной задачи в диссертационном исследовании был предложен конкретный алгоритм, позволяющий сгруппировать всю информацию и представить ее в визуальном виде в качестве двумерного изображения, которое предлагается обрабатывать и кластеризовать с использованием современных нейросетевых технологий.
Основные результаты, содержащие элементы научной новизны, заключаются в следующем:
- изучены механизмы оценки инновационных проектов российскими частными инвесторами. В ходе исследования было выявлено, что в России на данный момент не существует унифицированного алгоритма работы частных инвесторов с инновационными проектами, так же как и не существует четкого механизма взаимодействия всех участников рынка между собой;
- выявлены основные критерии оценки инновационных проектов российскими частными инвесторами. Существует достаточно большое количество критериев оценки инновационных проектов. Но стоит отметить, что выделенный автором диссертационного исследования набор критериев достаточно удобен в силу того, что включает в себя всевозможные необходимые нюансы по инновационному проекту и может удовлетворить индивидуальные предпочтения каждого частного инвестора;
- определен унифицированный алгоритм оценки инновационных проектов частными инвесторами па базе выделенных основных критериев. Данный механизм основан именно на психофизиологическом восприятии человеком достаточно большого количества информации, структурированной в виде цветографических карт;
- предложен алгоритм принятия решения об инвестировании в инновационный проект частными инвесторами с целью сокращения временных затрат. Данный алгоритм позволяет использовать возможности человеческого мозга при анализе и обработке большого потока данных, при этом избавив инвестора от ведения излишней документации, сопутствующей оценке инновационных проектов, а так же от необходимости запоминания лишней информации;
- разработана система поддержки принятия решений об инвестировании в инновационные проекты ранних стадий развития на рынке венчурного инвестирования.
Теоретическая и практическая значимость работы состоит в том, что результаты исследования могут быть использованы федеральными, региональными и муниципальными органами законодательной власти в законотворческой деятельности по созданию в России условий, необходимых для быстрого развития и эффективного функционирования рынка венчурного капитала. Результаты исследования могут быть также применены менеджерами сетей индивидуальных венчурных инвесторов, индивидуальными венчурными инвесторами и инициаторами инновационных проектов России в их практической деятельности.
Апробация работы. Основные положения диссертационного исследования докладывались и обсуждались на международных, всероссийских и межрегиональных научно-практических конференциях: «Проблемы современного социума глазами молодых исследователей» (г. Волгоград, РГТЭУ, 2011, 2012); «Современное общество, образование и наука» (Тамбов, 2012); «Актуальные вопросы современной науки» (г. Таганрог, 2012); «Информационные и математические технологии в образовании, технике, экономике и управлении» (г. Волгоград, РГТЭУ, 2013); «Студенческий научный форум 2013» (г. Москва, Российская Академия Естествознания, 2013); «Управление инновациями - 2013» (г. Москва, Институт проблем управления имени В.А. Трапезникова при Российской Академии Наук, 2013), 51-я внутривузовская научная конференция (г. Волгоград, ВолгГТУ, 2014), Всероссийская научно-практическая конференция «Управление стратегическим потенциалом регионов России: методология, теория, практика» (г. Волгоград, ВолгГТУ, 2014). Подана заявка на регистрацию программы ЭВМ.
Публикации результатов исследований. Основные положения диссертационной работы опубликованы в 13 печатных работах общим объемом 5,86 п.л., в
том числе в рецензируемых научных изданиях, рекомендованных ВАК Минобр-науки РФ - 5 статей объемом 2,63 п.л.
Объем и структура диссертационной работы. Работа состоит из введения, трех глав, заключения, списка используемой литературы, и приложений. Диссертация выполнена на 176 страницах основного текста, содержит 43 рисунка и 15 таблиц. Список используемой литературы содержит 96 наименований печатных изданий отечественных и зарубежных авторов.
Основное содержание работы
Во введении обоснована актуальность темы исследования, ее научная новизна, определены цель и задачи, отражена апробация полученных результатов и их практическая значимость.
Первая группа проблем, исследуемая в работе, связана с формализацией и анализом понятий, терминов и подходов, описывающих рынка венчурного инвестирования в России и мире. В первой главе «Теоретические основы развития рынка частного венчурного инвестирования» проведен анализ основных этапов развития рынка частного венчурного инвестирования в России и в мире, определены сходства и различия между частными инвесторами и венчурными инвесторами, существующие на данном рынке проблемы развития, а так же методики оценки инновационных проектов частными инвесторами. В главе «Методология оценки инновационных проектов на рынке частного венчурного инвестирования» изложены основные методики работы частных инвесторов с инновационными проектами. Было выделено, что на данном этапе развития рынка частного венчурного капитала не существует единой культуры работы с поступающими заявками на инвестирование.
Вторая группа проблем связана с отсутствием универсального набора критериев, которые могли бы в полной мере отражать полную картину о поступившем проекте. Анализ проблем, проведенный в первой главе, позволил сформулировать ряд критериев, необходимых для оценю! инновационных проектов, а так же требования к методу поддержки процесса принятия решений об инвестировании. Качество поданного на рассмотрение инновационного проекта характеризуется двумя отдельными наборами критериев, каждый из которых используется на одной из стадий, приведенными в таблице 1. Количество анализируемых для каждого конкретного инновационного проекта критериев может варьироваться в зависимости от типа инновационного проекта и от отрасли, к которой он относится. Стоит отметить, что данные наборы критериев и факторов оценки являются универсальными для инновационных проектов, относящихся к разным отраслям экономики, поскольку в данный список вошли все моменты, на которые прежде всего обращают внимание частные инвесторы при работе с инновационными проектами как при первичном
знакомстве с поступившим материалом, так и при дальнейшей работе с проектом (уже при тесном взаимодействии с инициаторами проектов). Таблица 1. - Критерии оценки инновационных проектов
№ Критерии оценки проекта на стадии deal flow Критерии оценки проекта на стадии due diligence
1 2 3
1 Решаемая продуктом проблема на рынке Методы принятия решений
2 Охват рынка Знает ли каждый член команды свои обязанности и понимают ли они, кто является лидером команды
3 Размер рынка Динамика сегмента
4 Темп роста отрасли Опьгт владения и распоряжения большими денежными средствами
5 Размер необходимых инвестиций (статьи затрат), транши Отношение команды к людям, приглашенным частными инвесторами, для дальнейшей работы
6 Объем уже вложенных средств Окупаемость
7 Предлагаемая доля инвестора в компании, % Компетентность команды в области маркетинга
8 Оценка реалистичности запрашиваемых инвестиций Работоспособность команды
9 Прогнозируемость доходов Комфортность общения инвестора с командой
10 Расчетная рентабельность продаваемого продукта Знание командой современных управленческих технологий
11 Четкое понимание своих потребителей Новизна полученных результатов
12 Возврат на инвестицию при выходе инвестора из проекта Привлекательность продукта
13 Степень риска Стоимость проекта
14 Стадия проекта Есть ли конкуренты, контролирующие более 30% рынка
15 Описание основных преимуществ товара Доступность рынка
16 Характер конкуренции Барьеры для входа на рынок
17 Сильные и слабые стороны конкурентов Чистая приведенная стоимость (NPV)
18 Собственные сильные и слабые стороны Степень удовлетворения потребителя
19 Привлекательность для существующих потребительских рынков Организация сбыта
20 Качество управления Возможность производства по конкурентоспособным ценам
21 Выход инвестора Себестоимость продукции
22 Качество продукта Альтернативные продукты и услуги
23 <аналы сбыта Складская политика
24 Готов ли рынок к данному продукту Защита окружающей среды
25 Осуществимость проекта Являются ли зарплаты, премии, прения и прочие вознаграждения понятными и реалистичными
26 Готовность команды реинвестировать при- Условия при продаже (напр., скидки)
№ Критерии оценки проекта па стадии deal flow Критерии оценки проекта на стадии due diligence
быль
2? Производственная и территориальная диверсификация Поможет ли автоматизация производства снизить цены
28 Степень сформированности команды Соответствие производственным возможностям
29 Характерные черты команды Простота производства
30 Опыт реализации успешных проектов Доступность трудовых и материальных ресурсов.
31 Готовность команды к быстрым переменам Возможность воспроизведения продукта конкурентами
32 Защищенность технологии Импортозамещение
33 Возможность патентования Развитие экспорта
34 Имеются производственные помещения Качество дополнительных работ
35 Потенциальная длительность жизненного цикла продукции.
36 Согласны ли близкие терпеть все неудобства, связанные с предстоящей большой и сложной работой
Заполнение оценочного листа цветовыми оценками так же позволяет уйти от проблемы единиц измерения, так как каждый эксперт может заполнить данный лист, исходя из своих представлений о данном критерии (факторе). Так, например, критерий «Готовность команды к быстрым переменам» эксперт может оценить в ходе первого знакомства с командой и ее реакции на те или иные вопросы экспертов (инвесторов).
Третья группа проблем связана с отсутствием универсальной методики анализа инновационных проектов, поступающих на рассмотрение к частным инвесторам. Частный инвестор, оценивая поданные на рассмотрение инновационные проекты в качестве эксперта, проставляет цветовую оценку в соответствии со своим восприятием той или иной информации. Соответствие той или иной цветовой оценки приведено в таблице 2.
В предлагаемом методе оценки инновационных проектов работа экспертов будет заключаться только в оценке самих критериев проектов (таблица 1) по факторам и анализе полученного от системы ответа (совета по работе с проектом). Заполните происходит цветами, указанными в таблице 2. Соответственно, чем выше насыщенность цвета пикселя в цветографической карте, тем более высокую оценку получил конкретный критерий по определенному показателю. Градация синего цвета выбрана неслучайно в силу того, что данный цвет воспринимается без искажений, которые могут быть обоснованы физиологическими характеристиками челов ека.
Замена «привычных» шкал оценочных шкал цветовой гаммой дает возможность эксперту оценивать каждый критерий на основе своего ментального восприятия, а не опираться при оценке проекта на «сухие форматные» шкалы, что может значительно упростить работу с проектом.
Таблица 2. - Пример соотнесения значения цвета численному значению
Цвет оценки Вес цвета Лингвистическое значение оценки
X 2 3
Цвет 1 (самый темный в градиенте) 1,0 Отлично проработан вопрос
Цвет 2 0,8 Весьма хорошо проработан вопрос
Цвет 3 (средний в градиенте) 0,6 Вопрос мало проработан
Цвет 4 0,4 Вопрос немного недоработан
Цвет 5 0,2 Вопрос практически не проработан
Цвет 6 (самый светлый в градиенте) 0 Вопрос совсем не проработан или не рассматривался
Цветовая градация каждого из приведенных значений является средним между смежными цветами 0,1; 0,3; 0,5; 0,7; 0,9 Промежуточные значения между двумя смежными суждениями
То есть, по сути, эксперт заполняет анкету, которая в конечном итоге приобретет вид изображения — цветографической карты (одной карты - если проект не получает удовлетворительной оценки уже на первой стадии и двух карт - если проект поступает на следующую стадию), дающей эксперту наглядную картину проекта с его сильными и слабыми местами. Изначально цветографическая карта представляет собой пустую таблицу, которая заполняется экспертом в ручном режиме. Пример заполнения пустой цветографической карты показан ниже (таблица 3).
Таблица 3. - Пример заполнения цветографической карты экспертом
Критерии ~~ Ф1 Ф2 ФЗ Ф4 Ф 5 Фб
Критерий 1 Цвет 1 Цвет 5
Критерий 2 Цвет 4
Критерий ТУ Цвет б
То есть, по сути, эксперт заполняет своего рода анкетный лист. Таблицы с показателями и критериями экспертами заполняются оценками каждого критерия по каждому из факторов. Стоит отметить, что в силу того, что проекты, относящиеся к разным отраслям (например, к отрасли медицины, машиностроению и легкой промышленности), будут иметь абсолютно разный набор критериев, и, соответственно, иметь разные цветографические карты (в том числе и по наполненности таблицы цветами).
Цветографические карты для проектов, заслуживающих оценки, например, «Отлично» и «Неудовлетворительно», будут значительно отличаться друг от друга интенсивностью используемых цветов (значениями оценок). Примеры наилучшего и наихудшего проектов изображены на рисунке 2. Как можно заметить, фрагменты карт очень сильно отличаются между собой по интенсивности цветов, а так же по направлению градиента изображения. Таким образом, задача кластеризации цвето1рафических карт сводится к задаче с большой размерностью. Если допустить, что используется в процессе оценки инновационного проекта 10 оттенков синего цвета (как указано в таблице 2), то в таком случае число сочетаний оценок будет составлять и216 - для стадии deal flow (то есть п216 цветотографиче-ских карт) и п204 - для стадии due diligence. В черно-белой полиграфии цветографические карты для абсолютно «неудовлетворительного» и абсолютно «отличных» проектов будут выглядеть как белая матрица и черная матрица. Но проектов, получивших по всем своим показателям только минимальные или только максимальные, не существует, так как при оценке проекта хотя бы один критерий оценки по одному из своих составляющих получит оценку, отличную от минимального или максимального значения оценочной шкалы. На рисунке 1 в черно-белой полиграфии изображены фрагменты цветографических карт, полученных в результате оценки экспертом перспективного и не очень хорошего проектов.
Неудовлетворительный проект Отличный проект
Рисунок 1. - Фрагменты цветографических карт В результате получается две цветографические карты - для лучшего и худшего проектов. Количество сочетаний оценок достаточно велико, и чтобы избежать бесконечно длительного подбора нужной цветографической карты, частный инвестор, основываясь на своем опыте, может предположить - насколько качественно проработан подаваемый на рассмотрение проект (проект хороший или нуждается в доработках, либо же стоит отказать), и после этого заполнить цветографическую карту. Далее поступивший на рассмотрение проект в результате оценки обретает свою цветографическую карту, которая давала бы представление о качестве проработки идеи (то есть соотнести полученную цветографическую карту с заполненными экспертом эталонами, как изображено на рисунке 2). Но сами цветографические карты представляют собой изображения, простое рассмотрение человеком которых не даст итоговой оценки качества проекта в силу восприятия разными экспер-
тами проекта в целом, исходя из своих соображений и опыта. Поэтому есть необходимость компьютерной обработки и анализа полученных изображений.
Общая оценка инновационного проекта при поверхностном анализе может получить от инвестора как отличную, так и неудовлетворительную оценку. Поэтому для классификации инновационного проекта будут использоваться 4 класса оценок - «Отлично», «Хорошо», «Удовлетворительно» и «Неудовлетворительно». Но при этом инвестору важно знать, какие именно критерии могут привести к ошибкам первого и второго рода. Для этого все критерии можно поделить на 3 структурных группы: «Экономический блок», «Маркетинговая часть», «Качество команды и управления».
Рисунок 2. - Соотнесение новой цветографичекой карты с цветографической картой одного из эталонных проектов
Каждый из блоков так же может соответствовать одному из классов, аналогичных классам оценки инновационного проекта в целом:
- «Блок проработан на отличном уровне» 0, ;
е/тП
- «Блок проработан достаточно хорошо. Доработка некоторых критериев возможна, но необязательна» ©0 ;
Аelm.lt
- «Блок проработан недостаточно хорошо. Доработка некоторых критериев обязательна, либо возможен отказ от проекта» ©, ;
е/т/г
- «Блок не проработан, либо проработан очень слабо. Желательно отказаться от проекта, либо требуется очень сильная проработка» ©4
е/ти
Таким образом, складывается более полная картина о проработке инновационного проекта.
Неудовлетворительный ' Удовлетворительный проект пвоент
Оцениваемый проект
Четвертая группа проблем связана с разработкой методики кластеризации построенных цветографических карт к одному из классов (для каждой полученной оценки - интегрированной и оценок структурных классов). В главе «Моделирование процесса принятия решения об инвестировании» предлагается обрабатывать полученные цветографические карты с использованием сетей нейропроцес-соров. В диссертационном исследовании использовалась сеть нейропроцессоров с учителем. То есть на вход сети подавался эталонный проект, а на выходе был обозначен класс, к которому относится поданный проект. Примерная структура нейропроцессора изображена на рисунке 3.
В общем виде алгоритм оценки инновационного проекта представляется следующим образом.
1. Выбор системы показателей йля достоверной оценки инновационного проекта на стадии deal flow (выполняется экспертом, исходя из своих знаний и опыта, а так же от отрасли, к которой относится проект). Выбор данной системы происходит в процессе оценки экспертом инновационного проекта;
2. Определение для каждого критерия по каждому фактору оценки инновационного проекта цветовой переменной и составление цветографической карты по итогам оценки проекта на первой стадии. Данный этап так же выполняется экспертом, исходя из своего восприятия поданной ему на рассмотрение информации;
3. Анализ изображения с целью определения качества проекта (данный этап выполняется автоматизировано: изображение подается в компьютер через сканер):
-преобразование цветографической карты в числовой вектор оценок;
- применение нейронной сети для оценки проекта:
- вычисление взвешенной оценки поступившего проекта на основе поступившего на вход нейронной сети числового вектора оценок;
- сравнение полученного значения с уже имеющимися взвешенными оценками проектов-эталонов;
- определение нейрона выходного слоя, имеющего на входе максимальное значение, что соответствует группе, к которой будет отнесен рассматриваемый проект;
4. Принятие решения о дальнейшей работе с проектом (эксперт, получив ответ от системы, принимает решение о дальнейшей работе с проектом):
-При решении попадании проекта в группу, не удовлетворяющую инвестора,
следует от работы над проектом отказаться; - В противном случае проект следует на вторую стадию оценки.
5. Работа с проектом на второй стадии оценки (due diligence) аналогична шагам 14, только с учетом уже других критериев.
6. Принятие решения о работе над проектом (продолжение работы над проектом и доведение до презентационной сессии, либо же отказ от него - решение принимается экспертом на основе полученного ответа от системы в случае прохождения проекта на вторую стадию оценки).
Как отмечалось выше, количество вариантов цветографических карт достаточно велико, и при этом итоговых оценок проекта, удобных для восприятия человека, - всего можно считать равным четырем (примем для итоговых оценок 4-балльную шкалу):
1. «Отлично».
2. «Хорошо».
3. «Удовлетворительно».
4. «Неудовлетворительно»),
На деле для обучения нейронной сети необходимо поступающее изображение (образ) представить в виде входного вектора: х-{х,.хг,.,х,55.„х1110г..хн), (1)
а эталонное изображение - в виде выходного вектора:
*-(*1-*2-~Ч55—»200.-. (2)
Входным вектором будет являться набор числовых значений, полученных в результате оценки проекта и лежащих в диапазоне от нуля до единицы. Входное изображение подается на нейроны первого слоя в виде вектора числовых значений, уже преобразованных согласно таблице 2. Для определения принадлежности поступающих образов к тому или иному классу достаточно часто используется критерий минимального расстояния между распознаваемым образом * и каждым из эталонов . Расстояние между образом х и каждым из эталонов ы, определяется по формуле: d, ^{f(x) - Ц*))* (f{x) - );), к = 1 ,..,4, (3)
то есть нахождение наименьшего расстояния до одного из эталонов в группе. Здесь *-i,.,4 представляет собой номер класса:
i-1
Поскольку все расстояния имеют неотрицательные значения, то выбор минимального расстояния о, есть не что иное, как выбор минимального квадрата расстояния D' [3]. Возведение (8) в квадрат даст следующее выражение:
аИ+М-^КфоЧД.,, ...rW-^fw^H,*)2} (5)
Однако, поскольку член (Fixf не зависит от номера класса я,, то это в свою очередь эквивалентно выбору максимального значения:
d¡W-\F№<»,
í-i.Lí
(6).
Данное выражение можно трактовать как степень близости исследуемого объекта к объекту-эталону, то есть исследуемого инновационного проекта к одному из проектов-эталонов.
Рассмотрим работу эксперта по предложенному алгоритму. Допустим, инвестору поступил инновационный проект, фрашент преобразованной цветографической карты которого на стадии deal flow изображен в таблице 4.
Таблица 4. - Фрагмент преобразованной в числа цветографичекской карты
КритершГ^^ Ф1 Ф2 ФЗ Ф4 Ф5 Фб Степени проработанности каждого критерия
Критерий 1 0,9 0,9 0,9 0,8 0,8 0,8 0.83а
Критерий 2 0,496
Критерий 36 0,7 0,9 0,687
Интегрированная оценка инновационного проекта составит:
Зб_
/■(.*) = 2 = 0.579$. ы
Рассчитаем расстояния поступившего на рассмотрение проекта со всеми эталонами класса «Отлично»:
4М/Ы = 0 5798 * 0 5009 " ^ * °-900!)2 " 0.1165;
¿5 = 0.5798 « 0.9094 • 0.90942 - 0.1138.
Таким образом, у нас получилось пять расстояний между поступившим на рассмотрение проектом и всеми эталонами класса «Отлично», которые можно записать в виде вектора, из элементов которых необходимо выбрать максимальное значение:
¿(л-)м=та*<0.] 165; 0.1141; 0.1147; 0.1145; 0.1138) =0.1165.
Поступивший на рассмотрение инновационный проект является наиболее близким к первому эталону класса «Отлично». Аналогичным образом рассчитываются расстояния между остальными эталонами других классов. После расчетов расстояний между поступившим проектом и эталонными проектами получим векторы расстояний для остальных четырех классов, и выберем из полученных значений в векторе - максимальное:
^пич (-**)= шах'о. 1165; 0.1514; 0.1069; 0.1679) - 0.1679..
Образ относится к классу д., если будет выполнено следующее условие: о, > D,xj«i. Таким образом, рассматриваемый проект имеет наибольшее сходство с одним из эталонов класса 4, то есть инновационный проект был отнесен к классу «Неудовлетворительно», соответственно, не имеет смысла проводить дальнейшее изучение проекта, в том числе и анализировать структурные группы оцениваемых критериев проекта.
Эксперт, заполнив цветографическую карту и введя ее в нейронную сеть, после некоторых действий нейронной сетью, получает оценку инновационного проекта с советом по дальнейшей работе над проектом. В данном случае эксперт получит сообщение типа «Проект очень слабый. Все равно продолжить работу?». Если частный инвестор сочтет приемлемым дальнейшую работу над изучением проекта, то может заполнять цветографическую карту для данного инновационного проекта, только с другими критериями. Проведя аналогичную оценку инновационного проекта на стадии due diligence, проект получил так же неудовлетворительную оценку:
<'m«(-t')="iajii0.2335; 0.2455; 0.254U; 0.254l}«0.2541
Таким образом, получив неудовлетворительную оценку на стадии deal flow, рассматриваемый проект не подтвердил надежды и на следующей стадии, попав в класс «Неудовлетворительно» а,.
Пятая группа проблем связана с разработкой инструментария для обеспечения интерактивного процесса экспертной оценки инновационных проектов, визуализированных с помощью оценочных листов и цветографических карт.
В главе «Разработка программных средств для кластеризации инновационных проектов ранних стадий развития» рассматриваются разработанные автором программные системы для автоматизации процесса оценки и принятия решений по инновационным проектам, основанные на построении цветографических карт, дальнейшей обработки и кластеризации полученных изображений с использованием нейросетевых технологий.
Для полного анализа и кластеризации инновационных проектов с учетом достаточно большой размерности данной задачи был разработан программный модуль, автоматизирующий данные действия. Данный программный продукт позволяет редактировать набор критериев и факторов согласно требованиям эксперта, устанавливать необходимое количество оттенков используемого цвета, формиро-
19
вать карты для каждого инновационного проекта, сохраняя их в базе, при этом обладая достаточно простым для пользователя интерфейсом.
Алгоритм процесса оценки и анализа полученных данных по рассматриваемому проекту представлен функциональной диаграммой (рисунок 4). Основные этапы работы программы представлены на рисунке 5.
Рисунок 4. Функциональная диаграмма моделирования процесса оценки и принятия решений по инновационному проекту
тия решений по инновационному проекту
Номер узла на рисунке 5 соответствует номеру функции в списке: (1) Инициализация программной системы: открытие служебных файлов, поиск и инициализация баз данных, определение внутренних переменных; (2) Пользовательское меню; (3) Интерфейс с базой данных системы поддержки процесса принятия решений по инновационному проекту; (4) Создание и сохранение в базе данных новой задачи; (5) Редактирование в базе данных отраслей, критериев, факторов, экспертов; (6) Редактирование задачи, подключение отраслей, экспертов, базы с критериями, базы с факторами; (7) Выбор критериев и факторов оценки инновационного проекта; (8) Сохранение задачи в файл; (9) Ввод и редактирование цветовых оценок; (10) Подготовка программы к визуализации информации по инновационному проекту; (11) Построение цветографической карты; (12) Перевод цветовых значений б числовые; (13) Обработка полученных значений; (14) Продолжение оценки инновационного проекта на следующей стадии оценки; (15) Завершение сеанса работы программы - сохранение внутренних переменных и запоминание параметров сеанса работы в базе данных.
При работе с системой может возникнуть ситуация, когда эксперту необходимо внести определённые изменения в программе. Так, например, изменить ранг критериев, подкорректировать их названия, либо изменить пароль при входе. На рисунке 6 отражено взаимодействие эксперта с администратором системы. Администратор вносит изменения либо в режиме «Администратор», либо в редакторе баз данных
Работа в режиме
под потребности экспертов в БД
Рисунок 6. - Взаимодействие эксперта и администратора в процессе работы над проектом
1 - вход эксперта в программу под своим логином и паролем;
2 - в случае необходимости коррекции критериев, факторов, и другой информации, эксперт обращается к администратору;
3 - администратор вносит изменения либо в режиме «Администратор», либо непосредственно в самой базе данных;
4 - перенос изменений в программу.
Разрабатываемый продукт для поддержки многопараметрической кластеризации инновационных проектов ранних стадий развития использует базу данных «bragina_db»3 которая содержит 13 таблиц:
- criteria;
- expert;
- factor;
- factor_rating и другие.
Но существование любой базы данных без взаимосвязей между таблицами не имеет логического смысла. Таким образом, на рисунке 7 отражена схема данных базы данных bragina_db.
SM^Wi ЙгАР'пАМлМ Ш % Ч\
«te®.
r4ík!j»rp;in«il¡ 1i remirar oaf {№) 0 !o«n: »ardu-(lOO) Swsswid: YJfdarftCO]
itafcuoffiL.....
ara.t«k:w(ti) íemjtititdD .
—-<# ¿J3S ¡ nH¡0
fe «4: íB*y<l») $ ¡caf-i*: vatfali»»
jÍBjt: W{1I)
«idjateíhtaO
M»liep:W(Jl) i« tó_r/s :W(ll) >5- iftte! vsriharflCú)
i® dtKrá ion : vcrdár(I000) BdMttm»; üMitep ¡ i
..tJjW*:WUi) <9 в Л: ñl(lí) |
Й tft: wdar(lOO) Si&saipte»: увЛяФт
_____i
в d.ssie: ¡rtfrl)
'ft Hte: vardiS'(lM)
:9ctfcnW(lO
_______
;ild.<n»¡a:ht(l!5 —fBtí_n:W(lO ««е.-уиЛгОй») rlí dsiCTiptcd: wrftttf»»
¡4ra*:W(U}...........i
rrtttjiemiMUfl i' lim.milnttu} »1
jftWirt&ll______i I
»a^iwihKU) ;
i# Й./ехоо! ■. ht{IJ)
!Btíjnuwi2:h4ll) p double I
:U!d_fr!»*(U) <*a.task:Wyi) I
ieidjYi:WO>) .3 iie: vaearOM] t! fuxteijype: intCil) 'S parim; caJsi
__________
¡f ttrwtfwílM)
______i
Рисунок 7. - Схема данных в базе
На данном рисунке отражены все 13 используемых в базе данных таблиц, связанных между собой. На рисунке 8 отображен интерфейс пользователя, в котором формируются уже цветографические карты для исследуемых инновационных проектов.
^Лжл» жжргв - •
'•¡¿Г' " "" ""
Задачи .Цвкоф^и'иои* олш ¡Нам лиц»
КИШГ-
ЯНИ№& ¿НЩЩ
тшышшяшштшШ _____ ________
Рисунок 8. - Режим работы эксперта по оценке инновационного проекта
В данном режиме эксперт уже сам проставляет оценки инновационному проекту, сохраняет в базе данных, а так же направляет на обработку информации для получения результатов оценки.
Разработанный в процессе диссертационного исследования математический аппарат для анализа инновационных проектов и его программная реализация не ограничивают частного инвестора в выборе экономической отрасли, к которой относится инновационный проект. Множество элементарных операций, из которых состоит процесс оценки и кластеризации инновационных проектов, легко алгоритмизируется и реализуется с помощью вычислительных машин.
В заключении приведены основные выводы и результаты диссертационной работы. Автором разработаны и обоснованы основные положения механизма отбора и оценки инновационных проектов ранних стадий развития на базе выделенных основных критериев оценки с использованием современных компьютерных технологий, а так же разработана система поддержки принятия решений об инвестировании в инновационные проекты ранних стадий развития на рынке венчурного инвестирования.
ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ИССЛЕДОВАНИЯ Статьи в изданиях, рекомендуемых ВАК РФ
1. Брагина Е.И. Разработка методологии поддержки принятия решений в стратегическом управлении предприятием в условиях неопределённости [Электронный ресурс] / Д.Е. Декатов, И.Е. Егорова, Е.И. Брагина // Интернет-вестник ВолгГАСУ. Серия "Строительная информатика". - 2013. - № 9 (26). - С. 1-5. -Режим доступа: http://vestnik.vgasu.ru/attachments/DekatovEgorovaBraginal -2013_9(26).рс1£
2. Брагина Е.И. Формализация процесса оценки эффективности стратегического управления сложными экономическими системами на основе качественной информации [Электронный ресурс] / Д.Е. Декатов, И.Е. Егорова, Е.И. Брагина // Интернет-вестник ВолгГАСУ. Серия "Строительная информатика". - 2013. - № 9 (26). - С. 1-7. - Режим доступа: http://vestnik.vgasu.ru/attachments/DekatovEgorovaBragina2-2013 9 (26).рс1£
3. Брагина Е.И. Оптимизация процесса принятия решений представителями неформального сектора рынка венчурных инвестиций / П.В. Терелянский, Е.И. Брагина // Аудит и финансовый анализ. - 2014. - № 1. - С. 441-452.
4. Брагина Е.И. Многопараметрическая оптимизация сектора рынка бизнес-ангельского инвестирования с использованием нейронных сетей / П.В. Терелянский, Е.И. Брагина // Вестник экономической интеграции. - 2014. - № 4. - С. 82-92
5. Брагина Е.И. Моделирование процесса принятия решений участниками неформального сектора рынка венчурных инвестиций / Е.И. Брагина // Экономика, статистика и информатика. Вестник УМО. - 2014. - № 4. - С. 140146
Научные статьи в сборниках и периодических изданиях
6. Брагина, Е.И. Проблематика представления инновационных идей и рекомендации будущим инноваторам / Е.И. Брагина, П.В. Терелянский // Приволжский научный вестник. - 2012. - № 8. - С. 31-34.
7. Брагина, Е. И. Разработка комплексного подхода к анализу эффективности функционирования сложных систем при различных сочетаниях качественных значений параметров / Д.Е. Декатов, И.Е. Егорова, П.В. Терелянский, Е.И. Брагина // Исследования и инновации. - 2013. - 2. - С. 6-12.
8. Брагина, Е.И. Многопараметрическая кластеризация инновационных проектов на неформальном рынке венчурного инвестирования / Е.И. Брагина // Приволжский научный вестник. - 2014. - № 3. - С. 67-74
Тезисы докладов и выступлений
9. Брагина, Е.И. Оптимизация процесса принятия решений на рынке неформального венчурного инвестирования сетями нейропроцессоров
[Электронный ресурс]: доклад / Е.И. Братина, А.Ю. Жесткова // Студенческий научный форум 2013: V междунар. студ. электрон, науч. конф., 15 февр. - 31 марта 2013 г. Направл. "Экономические науки", секция "Экономико-математическое моделирование" / Рос. акад. естествознания. - М., 2013. - С. 13. - Режим доступа: ЬНр://^^5иепсеГошт.ш/2013/рёС8772^£
Ю.Брагина, Е.И. Обучение нейронной сети, оценивающей характеристики товаров / П.В. Терелянский, Е.И. Брагина // Информационные и математические технологии в образовании, технике, экономике и управлении: сб. науч. ст. / ФГБОУ ВПО "Рос. гос. торг.-экон. ун-т (РГТЭУ)", Волгоградский филиал. -Волгоград, 2013. - С. 81-85.
11.Брагина, Е.И. Предпосылки и перспективы развития нейросетевых технологий / Е.И. Брагина // Сб. тез. науч.-практ. конф. мол. учёных по направл.: Химия -наука будущего. Инновации в энергосбережении и энергоэффективности. Информ. технологии - локомотив инновац. развития : в рамках молодёж. конгресса "Интеграция инноваций: регион, аспекты", 19-21 апр. 2012 г. / ВПИ (филиал) ВолгГТУ [и др.]. - Волгоград, 2012. - С. 89-91.
12.Брагина, Е.И. Настройка нейронной сети, способной оценивать характеристики объектов исследования / Брагина Е.И. // Актуальные вопросы современной науки: матер. XVI междунар. науч.-практ. конф. (30 июля 2012 г.): сб. науч. тр. / Центр научной мысли (г. Таганрог). - М., 2012. - С. 102-104.
13.Брагина, Е.И. История развития нейронных сетей и их перспективы / Брагина Е.И. // Современное общество, образование и наука: сб. науч. тр. по матер, междунар. заоч. науч.-практ. конф. (25 июня 2012 г.). В 3 ч. Ч. 3 / Минобрнау-ки Российской Федерации. - Тамбов, 2012. - С. 16-19.
Подписано в печать 10.11.2014 г. Формат 60x84 1/16. Бумага офсетная. Печать трафаретная. Печ. л.1,0. Тираж 100 экз. Заказ № 684.
Типография ИУНЛ Волгоградского государственного технического университета. 400005, г. Волгоград, просп. им. В.И. Ленина, 28, корп. №7.