Науковий вісник НГУ

Методика комплексної діагностики ризиків управління технічним освітньо-науковим кластером

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №1 2025

Останнє оновлення: 25 лютого 2025

Опубліковано: 30 листопада -0001

Перегляди: 41

Authors:

С.П.Бажан, orcid.org/0000-0002-5739-4616,  Український державний університет науки і технологій ННІ «Український державний хіміко-технологічний університет», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Л.Д.Гармідер*, orcid.org/0000-0001-7837-2734,  Український державний університет науки і технологій ННІ «Український державний хіміко-технологічний університет», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Л.I.Коротка, orcid.org/0000-0003-0780-7571,  Український державний університет науки і технологій ННІ «Український державний хіміко-технологічний університет», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А.І.Криворучко, orcid.org/0009-0004-2833-3496, ФГ «Тетяна», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (1): 132 - 139

https://doi.org/10.33271/nvngu/2025-1/132

Abstract:

Мета. Обґрунтування методологічного підходу до оцінювання показника інтегрального ризику управління технічним освітньо-науковим кластером на основі використання механізму нечіткої логіки з метою виявлення проблем в освітньому кластері й надання відповідних рекомендацій щодо їх вирішення.

Методика. Методологічною основою дослідження є класичні положення й фундаментальні праці закордонних і вітчизняних учених, статистичні дані, а також результати оригінальних досліджень із проблем оцінки ризиків розвитку кластерів. У дослідженні використано метод теорії нечітких множин, порівняльний аналіз, абстракцій, узагальнення результатів сучасних теоретичних досліджень, системний і комплексний підхід.

Результати. Запропоновано методичний підхід до оцінки ризиків управління технічним освітньо-науковим кластером, проведені багаточисельні експерименти на основі даних офіційної статистики. Аналіз результатів оцінки основних факторів, що впливають на результати діяльності технічного освітньо-наукового кластеру, дав змогу виявити проблеми у функціонуванні кластеру та позначити шляхи їх вирішення.

Наукова новизна. Удосконалено методичний підхід до оцінки інтегральних ризиків на основі апарату нечіткої логіки, який, на відміну від існуючих, дозволяє інтегрувати методи теорії нечітких множин і нечіткої логіки та дозволяє досягнути більш точних і відповідних результатів у порівнянні з традиційними методами. Запропонований підхід може бути використаний у різних сферах, де потрібна обробка великих обсягів нечіткої інформації.

Практична значимість. Практична значущість дослідження зумовлена можливістю застосування розробленої нечіткої моделі для прийняття управлінських рішень у технічному освітньо-науковому кластері в умовах невизначеності.

Ключові слова: освітньо-науковий кластер, ризик, нечіткі множини, фактор невизначеності, метод МамданіReferences.

1. Danchenko, O. B., & Zanora, V. O. (2019). Project management: managing risks and changes in management decision-making processes: monograph. Cherkasy: PE Chabanenko Yu. A.

2. Ishchenko, I. S. (2018). Risks of investment projects. Scientific Bulletin of the Poltava University of Economics and Trade, 5(90), 91-98.

3. Kaleniuk, I., & Kuklin, O. (2018). Risk management in the system of higher education of Ukraine. Bulletin of Taras Shevchenko Kyiv National University, 5(170), 23-28. https://doi.org/10.17721/1728-2667.2015/170-5/4.

4. Lagunova, I. A. (2018). The essence and principles of the concept of risk management. Actual problems of public administration, 1(53), 44-52.

5. Tkachuk, L., & Tkachuk, M. (2022). Peculiarities of managing an educational institution on the basis of risk management. Modern engineering and innovative technologies, 22, 80-87. https://doi.org/10.30890/2567-5273.2022-22-02-045.

6. Ladik, S. H., & Bazilyuk, K. F. (2022). Using the apparatus of fuzzy multiplier theory for estimating the cost of a tourism product. Innovations and technologies in the service sphere and food industry, 1(5), 47-51. https://doi.org/10.32782/2708-4949.1(5).2022.9.

7. Bedriy, D. I., & Polshakov, I.V. (2012). Research projects budgeting with an allowance for risks. Eastern-European Journal of Enterprise Technologies, 1, 12(55), 47-49. https://doi.org/10.15587/1729-4061.2012.3626.

8. Li, H. (2022). Analysis and design of financial data mining system based on fuzzy clustering. Expert Systems, 41(5), 54-63. https://doi.org/10.1111/exsy.13031.

9. Salas-Velasco, M. (2024). Vocational education and training systems in Europe: A cluster analysis. European Educational Research Journal, 23(3), 434-449. https://doi.org/10.1177/14749041221151189.

10. Liu, P., Xu, Y., Li, Y., & Geng, Y. (2024). An FMEA Risk Assessment Method Based on Social Networks Considering Expert Clustering and Risk Attitudes. IEEE Transactions on Engineering Management, 71, 10783-10796. https://doi.org/10.1109/TEM.2024.3402949.

11. Siami, M., Naderpour, M., Ramezani, F., & Lu, J. (2024). Risk Assessment Through Big Data: An Autonomous Fuzzy Decision Support System. IEEE Transactions on Intelligent Transportation Systems, 25(8), 9016-9027. https://doi.org/10.1109/TITS.2024.3392959.

12. Kotsyuba, O. S. (2019). Development of a fuzzy-multiple risk measurement apparatus: the case of simultaneous vagueness of the criterion indicator and its standard. Problems of economics, 4(42), 264-271.

13. Harmider, L. D., Korotka, L. I., Bazhan, S. P., & Aniske­vich, D. M. (2024). The application of fuzzy sets theory in the methodological approach to assessing personnel risks of an enterprise. Academy review, 1(60), 192-205. https://doi.org/10.32342/2074-5354-2024-1-60-14.

14. Zelentsov, D. G., & Korotkaya, L. I. (2018). Technologies of Computational Intelligence in Tasks of Dynamic Systems Modeling: monograph. Dnipro: Balans-Klub. https://doi.org/10.32434/mono-1-ZDG-KLI.

15. Wang, Q., Liu, L., Liu, Z., Qiao, W., Liu, F., & Abbas, S. (2022). Application of Fuzzy Clustering in Higher Education General Management Based on Internet Environment.  Mathematical Problems in Engineering. https://doi.org/10.1155/2022/3438666.

16. Shtovba, S., & Shtovba, E. (2013) A citation index with allowance for the implicit diffusion of scientific knowledge. Scientific and Technical Information Processing, 40(3), 142-145. https://doi.org/10.3103/S0147688213030040.

17. Chen, T., Shang, C., Su, P., & Shen, Q. (2018). Induction of accurate and interpretable fuzzy rules from preliminary crisp representation. Knowledge-Based Systems, 146, 152-166. https://doi.org/10.1016/j.knosys.2018.02.003.

18. Gegov, A., Sanders, D., & Vatchova, B. (2017). Aggregation of inconsistent rules for fuzzy rule base simplification. International Journal of Knowledge-Based and Intelligent Engineering Systems, 21(3), 135-145. https://doi.org/10.3233/KES-170358.

19. Shtovba, S., & Shtovba, O. (2013). Simple rational extension of Hirsch index. Sociology of Science and Technology, 4(4), 99-103.

20. Hilletofth, P., Sequeira, M., & Adlemo, A. (2019). Three novel fuzzy logic concepts applied to reshoring decision-making. Expert Systems with Applications, 126, 133-143. https://doi.org/10.1016/j.eswa.2019.02.018.

21. Korotka, L. I. (2021). Certificate of registration of copyright for work No. 105604 “Computer program “Programs for tools for designing fuzzy systems of the Mamdani type”. Bulletin Copyright and proprietary rights, 65, 496. Retrieved from https://ukrpatent.org/uk/articles/bulletin-copyright.

22. Cordón, O. (2011). A historical review of evolutionary learning methods for Mamdani-type fuzzy rule-based systems: Designing interpretable genetic fuzzy systems. International Journal of Approximate Reasoning, 52(6), 894-913. https://doi.org/10.1016/j.ijar.2011.03.004.

23. Mencar, C., Castiello, C., Cannone, R., & Fanelli, A. M. (2011). Interpretability assessment of fuzzy knowledge bases – a cointension based approach. International Journal of Approximate Reasoning, 52(4), 501-518. https://doi.org/10.1016/j.ijar.2010.11.007.

24. Duţu, L. C., Mauris, G., & Bolon, P. (2018). A fast and accurate rule-base generation method for Mamdani fuzzy systems. IEEE Transactions on Fuzzy Systems, 26(2), 715-733. https://doi.org/10.1109/TFUZZ.2017.2688349.

25. Parpiyeva, A., & Duisenov, N. (2022). Ensuring the Accuracy and Transparency of the Mamdani Fuzzy Model when Training Experimental Data. International Journal of Innovative Research in Science Engineering and Technology, 11(2), 1664-1675. https://doi.org/10.15680/IJIRSET.2022.1102120.

26. Ternovoy, M. Yu., & Shtogrina, E. S. (2015). Formal specification of properties of Mamdani fuzzy knowledge bases based on a metagraph. Bulletin of Kharkiv National University named after V.N. Karazina, 157-171.

• < Попередня
• Наступна >