Модель оценки рисков, основанная на нечеткой логике
Кхарола А.

Введение
1. Управление рисками и их оценка
2. Управление рисками, основанное на нечеткой логике
2.1. Проектирование модели оценки рисков с использованием языка программирования MATLAB
2.1. Проектирование модели оценки рисков с использованием языка программирования MATLAB
Рис. 1. Этапы / фазы процесса управления рисками
2.2. Определение универсума дискурса, размывание ограничений и функция принадлежности
Рис. 2. Общее представление модели оценки рисков, основанной на нечеткой логике
2.3. Определение правил контроля в нечеткой логике
2.3. Определение правил контроля в нечеткой логике
Рис. 3. Функция принадлежности для вероятности возникновения события
Рис. 4. Функция принадлежности для серьезности события
Рис. 5. Функция принадлежности риска (выходной переменной)
Рис. 6. Правила контроля в нечеткой логике
3. Имитационное моделирование
3.1. Проектирование модели с помощью программы Simulink
3.1. Проектирование модели с помощью программы Simulink
3.2. Результаты моделирования
Заключение
Рис. 7. Правила контроля в нечеткой логике: связь между вероятностью, серьезностью события и риском
Рис. 8. Модель оценки рисков в программе Simulink
Рис. 9. Результаты моделирования
Литература

Ключевые слова: управление рисками, модель оценки рисков, нечеткая логика

Аннотация

В статье представлена модель оценки рисков, при разработке которой использовалась нечеткая логика. Главное преимущество применения нечеткой логики — уменьшение субъективности оценки рисков. Предложенная модель позволяет усовершенствовать данный процесс за счет того, что неопределенность анализируется в каждой его фазе. Модель можно рассматривать как гибкую концептуальную основу для создания эффективной системы регулярной оценки рисков в организации.

Журнал: «Управление проектами и программами» — №3, 2014 (© Издательский дом Гребенников)
Объем в страницах: 8
Кол-во знаков: около 6,579

1. Boc K., Vaculik J., Vidrikova D. (2012). «Fuzzy approach to risk analysis and its advantages against the qualitative approach». Proceedings of the 12th International Conference «Reliability and Statistics in Transportation and Communication». 17–20 October 2012, Riga, Latvia, pp. 234–239.

2. Darbra R.M., Eljarrat E., Barcel D. (2008). «How to measure uncertainties in environmental risk assessment». Trends in Analytical Chemistry, Vol. 27, No. 4, pp. 377–385.

3. Douglas H. (2009). The Failure of Risk Management: Why It’s Broken and How to Fix It. New York: John Wiley & Sons.

4. Finizio A., Villa S. (2002). «Environmental risk assessment for pesticides. A tool for decision making». Environmental Impact Assessment Review, Vol. 22, No. 3, pp. 235–248.

5. Fuzzy Logic Toolbox: User’s Guide — MathWorks. —Подробнее .

6. Ingle М., Atique M., Dahad S.O. (2011). «Risk analysis using fuzzy logic». International Journal of Advanced Engineering Technology, Vol. II, Issue III, рр. 96–99.

7. Lein J.K. (1992). «Expressing environmental risk using fuzzy variables: a preliminary evaluation». Environmental Professional, Vol. 14, No. 3, pp. 257–268.

8. Pokoradi L. (2002). «Fuzzy logic-based risk assessment». Academic and Applied Research in Military Science, Vol. 1, Issue 1, pp. 63–73.

9. Shaout A., Trivedi J. (2013). «Performance appraisal system using a multistage fuzzy architecture». International Journal of Computer and Information Technology, Vol. 2, Issue 3, pp. 405–411.

10. Takacs M. (2010). «Multilevel fuzzy approach to the risk and disaster management». Acta Polytechnica Hungarica, Vol. 7, No. 4, pp. 91–102. 

11. Vose D. (1996). Quantitative Risk Analysis — A Guide to Monte Carlo Simulation Modeling. Chichester: Wiley.

Кхарола Ашвани

Кхарола Ашвани

Научный сотрудник Института управления научно-техническим развитием (ITM) Организации оборонных исследований и разработок (DRDO) Министерства обороны Индии.

г. Муссури, Индия