Когнитивное моделирование управления рисками грузового порта

Цель исследования. Повышение эффективности бизнес-процессов грузового порта на основе использования технологии управления рисками, базирующейся на применении когнитивного моделирования.

Методы. Предложено когнитивное моделирование управления рисками грузового порта, основанное на комплексном поэтапном применении концепции многоуровневого целеполагания, предполагающей доскональную проработку целей грузового порта, а также показателей оценки достижимости целей путем разработки сбалансированной системы показателей (ССП) и построения логико-вероятностной (ЛВ) модели; логико-онтологической модели, разработанной на базе связей, установленных ЛВ-моделью; имитационной модели, используемой для проверки рекомендаций по корректировке элементов рассматриваемой системы, выработанных на основе запросов к онтологической модели, с целью выбора наиболее приемлемых вариантов рекомендаций или комбинаций таковых и формирования на их основе управленческих решений. 

Результаты. На основе сформулированной цели исследования и поставленных задач была разработана концепция когнитивного моделирования, предполагающая использование знаний о связях между рисками, целями, показателями оценки деятельности порта, а также уточняющими коэффициентами и характере их влияния друг на друга с целью выработки рекомендаций по управлению рисками грузового порта на основе запросов к онтологической модели. Имитационная модель в рамках предлагаемого концептуального подхода позволяет вырабатывать управленческие решения по корректировке операционных составляющих системы с целью недопущения рисковых ситуаций в долгосрочной перспективе (на тактическом и стратегическом уровнях) с учетом влияния внешних факторов. Когнитивное моделирование основывается в данной работе на интеграции логико-вероятностном, логико-онтологическом и имитационном моделировании.

Заключение. В результате реализации поставленных цели и задач предложена когнитивная модель управления рисками грузового порта. Данная модель объединяет в себе различные виды моделирования и учитывает различные уровни управления. В качестве управленческих решений в результате экспериментов с имитационной моделью выбираются наиболее результативные рекомендации, сгенерированные на основании запроса к онтологической модели. 

1. Ho M. W., Ho (David) K. H. Risk management in large physical infrastructure investments: the context of seaport infrastructure development and investment // Maritime Econom. Log.. 2006. № 8 (2). Рр. 140–168. https://doi.org/10.1057/palgrave.mel.9100153

2. Emergency risk assessment and management / M. S. Gasparian, I. A. Kiseleva, V. A. Titov, L. A. Olenev // Nexo Revista Científica. 2022. Vol. 35. No. 1. Pp. 165-173. DOI 10.5377/nexo.v35i01.13927.

3. Бурдукова Н. Ю. Система управления рисками: сравнительный анализ методов управления рисками организации // Modern Science. 2022. № 8. С. 14-19.

4. Лаптева О. Г., Киселева Н. В. Автоматизация процесса управления рисками на предприятиях нефтегазовой промышленности: анализ автоматизированных систем управления рисками // Вестник науки и образования. 2021. № 5-1(108). С. 5-13.

5. Cognitive Model of the Balanced Scorecard of Manufacturing Systems / O. Protalinsky, A. Khanova, I. Bondareva [et al.] // Studies in Systems, Decision and Control. 2021. Vol. 337. Pp. 575-586. DOI 10.1007/978-3-030-65283-8_47.

6. Старжинская Н. В., Чернова А. И. Логико-вероятностное моделирование надежности удаленного автоматизированного радиотехнического поста Системы управления движением судов // Морские интеллектуальные технологии. 2022. № 31(57). С. 333-339. DOI 10.37220/MIT.2022.57.3.043.

7. Цициашвили Г. Ш. Логико-вероятностное моделирование по модульному принципу // Дальневосточный математический журнал. 2019. Т. 19, № 1. С. 114-118.

8. Балалов В. В. Применение компьютерных технологий динамического и логиковероятностного моделирования для расчетов инженерных систем // Актуальные проблемы строительной отрасли и образования - 2022: сборник докладов Третьей Национальной научной конференции (Москва, 19 декабря 2022 года). М.: Национальный исследовательский Московский государственный строительный университет, 2023. С. 863-868.

9. Бондарева И.О. Комплексный анализ рисков грузового порта на основе логиковероятностного и имитационного моделирования // Известия Юго-Западного государственного университета. 2020; 24(4): 91-106. https://doi.org/10.21869/2223-1560-202024-4-91-106.

10. Способ формирования дескриптивной модели процесса оперативного восстановления изделий ВВТ группировки ПВО на основе онтологий / О.В. Анисимов, В. А. Коробко, А.С. Догадов, А.Д. Зюзина // Наукоемкие технологии в космических исследованиях Земли. 2020. Т. 12. N° 3. C. 30-46. doi: 10.36724/2409-5419-2020-12-3-30-46

11. Bondareva I., Khanova A.A. Multi-level Management of Organizational Systems on the Basis of Risk Cascading, Logical-Probabilistic Modeling and Simulation. Studies in Systems, Decision and Control, vol/ 2022. 416. Springer, Cham.

12. Development an ontology based intelligence search system for goods for an online store on the CS-Cart platform / G. Gleb, Z. Vladimir, F. Aleksey, R. Anton // Открытые семантические технологии проектирования интеллектуальных систем. 2021. No. 5. P. 277-280.

13. Дедков Д. А. Программные продукты для создания онтологий. Система Protege // Тенденции развития Интернет и цифровой экономики: труды III Всероссийской c международным участием научно-практической конференции (Симферополь- Алушта, 04–06 июня 2020 года). Симферополь- Алушта, 2020. С. 205.

14. Фаррахова А. И. Создание онтологии процесса производства детали в редакторе Protege // Мавлютовские чтения: материалы XVI Всероссийской молодежной научной конференции (Уфа, 25–27 октября 2022 года). Уфа: Уфимский государственный авиационный технический университет, 2022. Т. 6. С. 363-368.

15. Раюшкин Э. С., Колесникова В. О., Канубриков Н. Н. Построение онтологической модели "Астрономия" средствами программного обеспечения Protege // Молодой ученый. 2021. № 26(368). С. 27-32.

16. Окрушко Е. А. Создание двуязычной онтологии средствами программной оболочки PROTEGE // Российская наука: тенденции и возможности: сборник научных статей. Т. 4. М.: Из-во "Перо", 2020. С. 147-154.

17. Васильева Е. С., Сосорева А. И. Разработка онтологии по физическим эффектам в программе Protege // Инженерные кадры - будущее инновационной экономики России. 2020. № 4. С. 27-31.

18. Logical-probabilistic and simulation modeling as a toolkit for complex analysis and risk management of a cargo port / I. O. Bondareva, M. V. Shendo, T. V. Luneva, A. A. Khanova // E3S Web of Conferences, Moscow, 2020. Pp. 02027. DOI 10.1051/e3sconf/202022402027.

19. Simulation and risk management of financial activities in the digital economy era / M. S. Gasparian, I. A. Kiseleva, V. A. Titov, L. A. Olenev // Nexo Revista Científica. 2021. Vol. 34, № 4. Pp. 1388-1395. DOI 10.5377/nexo.v34i04.12684.

20. Stankovets A. V. Station Simulation with Anylogic in Logistics // Логистика в современном мире. Проблемы и решения: материалы Национальной мультиязычной научно-практической конференции. Новосибирск, 2021. С. 180-187.