Zabawa_Jacek.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

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.

Sztuczna inteligencja + psychologia kognitywna – definicja

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika: