moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 499 НЕЧЁТКОЕ КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ СПРОСОМ НА ЭКСПРЕСС-КРЕДИТЫ FUZZY COGNITIVE MODELING OF DEMAND CONTROL SYSTEM FOR EXPRESS LOANS Горемыкина Галина Ивановна Goremykina Galina Ivanovna g_iv.05@mail.ru aff-1 Щукина Наталья Александровна Schukina Natalya Alexandrovna shchukinan@yandex.ru aff-2 ФГБОУВО «Российский экономический университет имени Г.В.Плеханова» Plekhanov Russian University of Economics, Russian Federation ФГБОУВО «Российский экономический университет имени Г.В.Плеханова» Plekhanov Russian University of Economics 01 01 2026 1 1 e499 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Внедрение инновационных инструментов для достижения наибольшей эффективности работы банков считается одной из основных идей современной банковской системы. Интеллектуализация математического моделирования и, в частности, нечёткий когнитивный подход позволяют осуществлять интеллектуальный процесс принятия решений, так как дают возможность моделировать рассуждения человека, учитывать его когницию. В статье предлагается нечёткий когнитивный подход к моделированию спроса на экспресс-кредиты, а также системы управления им. Моделируемая система представляется в виде нечёткого ориентированного взвешенного мультиграфа с передаваемым по нему импульсным воздействием. Процесс моделирования реализуется в виде последовательного выполнения следующих этапов: определение цели; построение нечёткой когнитивной карты; динамическое моделирование с применением аппарата импульсных процессов; анализ сценариев развития ситуации и выбор лучшего. В качестве инструментария компьютерного моделирования используется программная система поддержки принятия решений «ИГЛА». Разработанная модель системы управления служит основой для анализа тенденций развития различных ситуаций, возникающих при работе банков в сегменте экспресс-кредитования. Она позволяет прогнозировать и моделировать стратегии поведения в ответ на внешние воздействия, а также определять траектории управления, которые позволяют увеличивать спрос на экспресс-кредиты.

One of the main ideas to achieve the banks highest efficiency is the introduction of innovative tools considered. Intellectualization of mathematical modeling and, in particular, fuzzy cognitive approach allow to carry out intellectual decision-making process. This process give the chance modeling the person reasoning and consider his cognition. The article proposes a fuzzy cognitive approach to modeling the Express loans demand and its management system. The modeling system is represented as the fuzzy weighted oriented multigraph with transmitted impulse transmitted. The system model is implemented in the form of sequential execution of the following stages: the purpose definition; the fuzzy cognitive map construction; dynamic modeling using the impulse processes; the scenario analysis situation and the choice of the best. The program decision support system "Quill" as computer modeling tool is used. The developed model of the management system serves as the basis for the trends analysis in the development of various situations that arise during the banks work in Express loaning. It allows to predict and model behavior strategies in response to external influences, as well as to determine the management paths that allow to increase the Express loans demand.

 нечёткое когнитивное моделирование экспресс-кредиты нечёткий взвешенный ориентированный граф система управления fuzzy cognitive modeling express loans fuzzy weighted oriented graph сontrol system Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Власов Д.А. Особенности применения Wolfram-технологий в исследовании нелинейных динамических экономических систем // В сборнике: Инновации: перспективы, проблемы, достижения Материалы Шестой международной научно-практической конференции. 2018. С. 88-97. Меерсон А.Ю., Черняев А.П. Некоторые особенности вариационных методов решений задач оптимального управления классических моделей экономической динамики// Научное обозрение. Экономические науки. 2016. № 2. С. 146-151. Синчуков А.В. К вопросу об использовании дифференциальных моделей в экономических исследованиях// Системные технологии. 2018. № 1 (26). С. 78-81. Львович Я.Е., Сапожников Г.П. Интеллектуализация управления ресурсо-эффективностью некоммерческой образовательной организации с использованием мониторинго-рейтинговой информации// Моделирование, оптимизация и информационные технологии. 2017. № 4 (19). С. 21. Goldberg M., Palladini E. Managing Risk and Creating Value with Microfinance. Washington: World Bank Publications, 2010. 136 p. Мастяева И.Н., Воловатова Е.Г. Особенности управления рисками в розничном экспресс-кредитовании: современные тенденции// Фундаментальные исследования. 2017. № 12-2. С. 374-378 Хрусталёв Е.Ю. Когнитивная модель развития банковской системы РФ// Экономика и математические методы. 2011. Т. 47. № 2. С. 117- 127. Шульц В.Л., Кульба В.В., Шелков А.Б., Чернов И.В. Сценарный анализ в управлении региональной безопасностью// Вопросы безопасности. 2016. № 3. С. 41-79. Брускин С.Н., Довженко А.Ю., Николаенко В.А., Петров Л.Ф., Романов В.П., Тихомиров Н.П., Тихобаев В.М. Интеллектуальный анализ динамики бизнес-систем; под науч. ред. Н. М. Абдикеева, Л. Ф. Петрова, Н. П. Тихомирова. М.: «Научная мысль». 2010. - 320 с. Бутенко Е.Д. Искусственный интеллект в банках сегодня: опыт и перспективы// Финансы и кредит. 2018. Т. 24. № 1 (769). С. 143-153 Робертс Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. – М.: Наука. – 1986. – 496 с Чепурных Н.В., Новоселов А.Л. Экономика и экология: развитие, катастрофы. М.: Изд-во «Наука», 1996. – 272 с Банки-лидеры в сегменте POS-кредитования, по данным Frank Research Group https://www.frankrg.com/index.php?new_div_id=145#POS Официальный сайт ЦБ РФ http://cbr.ru/press/keypr/ Министерство экономического развития Российской Федерации. Картина экономики. Февраль 2018 года. http://economy.gov.ru/wps/wcm/connect/d2387495-274c-47a7-945f9b852864a708/180213.pdf?MOD=AJPERES&CACHEID . Официальный сайт Федеральной службы государственной статистики http://www.gks.ru/bgd/free/b04_03/IssWWW.exe/Stg/d03/133.htm Социальное положение и уровень жизни населения России. 2017: Стат.сб. / Росстат - M., 2017. – 332 c. Акерлоф Дж. Spiritus Animalis, или как человеческая психология управляет экономикой и почему это важно для мирового капитализма. Дж. Акерлоф, Р. Шиллер; пер. с англ. Д. Прияткина; под научн. ред. А. Суворов. М.: ООО «Юнайтед Пресс», 2010. – 273 с. Яковлева Е.А. Поведенческая экономика как область научного знания в современной экономической науке// Journal of Economic Regulation. 2014. Т. 5. № 2. С. 62-69. Картвелишвили В.М., Лебедюк Э.А. Cтимулы и математическая модель взаимовлияния эмоций экономических субъектов// Вестник Российского экономического университета им. Г.В. Плеханова. 2016. № 4 (88). С. 113-125. Kosko B. Fuzzy Cognitive Maps // International Journal of Man-Machine Studies. 1986. Vol. 24. Pp. 65-75. Maruyama M. The Second Cybernetics: Deviation-Amplifying Mutual Causal Process, Amer. Scientist, 51. 1963. Pp. 164-179. Roberts F.S., and Brown T.A. Signed Digraphs and the Energy Crisis, Amer. Math. Monthly, 82. 1975. Pp.577-594. Черникова Л.И., Евстефеева С.А. Показатели эффективности работы банковского сектора в условиях кризиса//Финансовая аналитика: проблемы и решения. 2017. Т. 10. № 5 (335). С. 506-517. Комаров А.В., Переверзева А.А. Банковская система современной россии: вызовы и реалии// Экономика. Бизнес. Банки. 2017. № 1 (18). С. 65-75. Пестова А.А., Панкова В.А., Ахметов Р.Р., Голощапова И.О. Разработка системы индикаторов финансовой нестабильности на основе высокочастотных данных// Деньги и кредит. 2017. № 6. С. 49- 58.

The authors declare that there are no conflicts of interest present.