DOI: 10.17586/2226-1494-2015-15-3-538-545


УДК 06.01.29, 06.54.51, 330.46

МАТЕМАТИЧЕСКАЯ МОДЕЛЬ РАСЧЕТА ИНФОРМАЦИОННЫХ РИСКОВ ДЛЯ ИНФОРМАЦИОННО-ЛОГИСТИЧЕСКОЙ СИСТЕМЫ

Коробейников А. Г., Гришенцев А. Ю., Комарова И. Э., Ашевский Д. Ю., Алексанин С. А., Маркина Г. Л.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования: Коробейников А.Г., Гришенцев А.Ю., Комарова И.Э., Ашевский Д.Ю., Алексанин С.А., Маркина Г.Л. Математическая модель расчета информационных рисков для информационно-логистической системы // Научно-технический вестник информационных технологий, механики и оптики. 2015. Т. 15. № 3. С. 538–545.

Аннотация

Предмет исследования. Представлена математическая модель расчета оценки информационных рисков, возникающих при транспортировке и распределении материальных ресурсов в условиях неопределенности. При этом под информационными рисками подразумевается опасность возникновения убытков или ущерба в результате применения компанией информационных технологий. Метод. Решение проблемы базируется на идеологии решения транспортной задачи в стохастической постановке с привлечением методов теории математического моделирования, теории графов, теории вероятностей, марковских цепей. Построение математической модели происходит в несколько этапов. На начальном этапе, на основе полученной от информационно-логистической системы информации, вычисляется пропускная способность на разных участках в зависимости от времени, формируется весовая матрица и строится орграф. Далее при помощи алгоритма Дейкстры происходит поиск минимального маршрута, который охватывает все заданные вершины. На втором этапе, используя информацию о рассчитанном маршруте, составляются системы дифференциальных уравнений Колмогорова. Полученные решения показывают вероятности нахождения ресурсов в конкретной вершине в зависимости от времени. На третьем этапе, на базе теоремы умножения вероятностей, рассчитывается общая вероятность прохождения всего маршрута в зависимости от времени. Информационный риск как функция от времени определяется умножением максимально возможного ущерба на общую вероятность прохождения всего маршрута. В этом случае информационный риск измеряется в единицах ущерба, который выражается той денежной единицей, которой оперирует информационно-логистическая система. Основные результаты. Работоспособность представленной математической модели показана на конкретном примере транспортировки материальных ресурсов, где заданы места отгрузки и доставки, маршруты и их пропускная способность, максимально возможный ущерб и допустимый риск. Расчеты, представленные на графике, показали, что при заданных условиях риск становится ниже допустимого, если требуемое время транспортировки материальных ресурсов, установленное заказчиком, больше 50 мин. Этот расчет предоставляет лицу, принимающему решение, дополнительную информацию для принятия или отказа коммерческого предложения о транспортировке материальных ресурсов в заданные пункты. Практическая значимость. Результаты работы могут найти применение в действующих информационно-логистических системах для расчета информационных рисков, возникающих при транспортировке или распределении материальных ресурсов. Это повысит конкурентоспособность логистических компаний, действующих в условиях современных рыночных отношений.


Ключевые слова: орграф, матрица весов, матрица смежности, транспортная задача, математическая модель, информационно-логистическая система, информационные риски, уравнения Колмогорова, алгоритм Дейкстры, система обыкновенных дифференциальных уравнений.

Список литературы

1.Liu S., Deng Z. How environment risks moderate the effect of control on performance in information technology projects: perspectives of project managers and user liaisons // International Journal of Information Management. 2015. V. 35. N 1. P. 80–97. doi: 10.1016/j.ijinfomgt.2014.10.003

2.Sun X.H., Chu X.J. Researches on mitigation of risks of logistics finance caused by information not fully shared // Advances Materials Research. 2014. V. 845. P. 663–667. doi: 10.4028/www.scientific.net/AMR.845.663

3.Мишель М. Управление информационными рисками // Финансовый директор. 2003. № 9. С. 64–68.

4.Кустов Г.А. Управление информационными рисками организации на основе логико-вероятностного метода: автореф. дис. … канд. тех. наук.Уфа, 2008. 18 c.

5.Митченко И.А. Методические основы оценки информационных рисков в предпринимательстве // Вестник АГТУ. 2007. № 3.С.204–210.

6.Александрович Г.Я., Нестеров С.Н., Петренко С.А. Автоматизация оценки информационных рисков компании // Защита информации. Инсайд. 2003. № 2. С. 78–81.

7.Shih K.-H., Cheng C.-C., Wang Y.-H. Financial information fraud risk warning for manufacturing industry - using logistic regression and neural network // Romanian Journal of Economic Forecasting. 2011. V. 14. N 1. P. 54–71.

8.Branger N., Kraft H., Meinerding C. Partial information about contagion risk, self-exciting processes and portfolio optimization // Journal of Economic Dynamics and Control. 2014. V. 39. P. 18–36. doi: 10.1016/j.jedc.2013.10.005

9.Богатырев В.А., Богатырев А.В. Функциональная надежность систем реального времени // Научно-технический вестник информационных технологий, механики и оптики. 2013. № 4 (86).С. 150–151.

10.Богатырев В.А., Богатырев С.В., Богатырев А.В. Функциональная надежность вычислительных систем с перераспределением запросов // Изв. вузов. Приборостроение. 2012. Т. 55. № 10. С. 53–56.

11.Li W., Kuang H. An approach to evaluating the logistics-financing service risk with hesitant fuzzy information // International Journal of Digital Content Technology and its Applications. 2012. V. 6. N 14. P. 17–23. doi: 10.4156/jdcta.vol6.issue14.3

12.Li W.,Research on logistics-financing service risk evaluation with linguistic information // International Journal of Digital Content Technology and its Applications. 2012. V. 6. N 5. P. 10–16. doi: 10.4156/jdcta.vol6.issue5.2

13.Bali O., Gumus S., Kaya I. A multi-period decision making procedure based on intuitionistic fuzzy sets for selection among third-party logistics providers // Journal of Multiple-Valued Logic and Soft Computing. 2015. V. 24. N 5–6. P. 547–569.

14.Татт У. Теория графов: Пер. с англ. М.: Мир, 1988. 424 с.

15.Колмогоров А.Н. Об аналитических методах в теории вероятностей // Успехи математических наук. 1932. № 5. С. 5–41.

16.Вентцель А.Д. Курс теории случайных процессов. М.: Наука, 1996.400 с.

17.Коробейников А.Г. Математическое моделирование. Проектирование и анализ многомерных математических моделей с применением систем компьютерной алгебры. LAP LAMBERT Academic Publishing, 2014. 125 с.

18.Коробейников А.Г., Гришенцев А.Ю. Разработка и исследование многомерных математических моделей с использованием систем компьютерной алгебры. СПб.: НИУ ИТМО, 2013. 100 с.

19.Ceci C., Colaneri K., Cretarola A. A benchmark approach to risk-minimization under partial information // Insurance: Mathematics and Economics. 2014. V. 55. N 1. P. 129–146. doi: 10.1016/j.insmatheco.2014.01.003

Информация 2001-2017 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика