moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2019.25.2.009 613 КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ РИСКАМИ ПРОЦЕССОВ POS-КРЕДИТОВАНИЯ COGNITIVE MODELING OF RISK MANAGEMENT PROCESSES POS-LOANING Щукина Наталья Александровна Schukina Natalya Aleksandrovna shchukinan@yandex.ru aff-1 Горемыкина Галина Ивановна Goremykina Galina Ivanovna g_iv.05@mail.ru aff-2 ФГБОУВО «Российский экономический университет имени Г.В. Плеханова» ФГОБУВО «Финансовый университет при Правительстве РФ» Plekhanov Russian University of Economics Financial University under the Government of the Russian Federation ФГБОУВО «Российский экономический университет имени Г.В. Плеханова» Plekhanov Russian University of Economics 01 01 2026 1 1 10.26102/2310-6018/2019.25.2.009 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Целью данного исследования является рассмотрение возможности применения современных интеллектуальных методов и технологий принятия решений для управления сложными слабоструктурированными системами. Методология исследования основана на применении нечеткого когнитивного подхода, анализа причинно-следственных связей, динамического моделирования, анализа устойчивости рассматриваемой системы и анализа сценариев. В исследовании предлагается нечёткий когнитивный подход к моделированию системы управления рисками процессов POS-кредитования коммерческого банка. 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; импульсное динамическое моделирование; анализ сценариев развития и выбор лучшего. Разработанная модель системы управления служит основой для анализа тенденций развития различных ситуаций, возникающих при работе банков в сегменте POS-кредитования. Она позволяет прогнозировать и моделировать стратегии поведения в ответ на внешние воздействия, а также определять траектории управления, которые позволяют снизить внутренние риски процессов POS-кредитования коммерческого банка. Нечеткий когнитивный подход является эффективным инструментом системы поддержки принятия решений в деятельности коммерческого банка и может быть применен для моделирования и анализа функционирования и других слабоструктурированных социально-экономических систем.

The purpose of this study is to consider the possibility of applying modern intellectual methods and decision-making technologies to manage complex semi-structured systems. The research methodology is based on the use of a fuzzy cognitive approach, cause-effect relationships analysis, dynamic modeling, stability analysis of the system under consideration, and scenarios analysis. The study proposes a fuzzy cognitive approach to modeling the risk management system of POS-loaning processes in a commercial Bank. The modeling system is represented as a fuzzy oriented weighted multigraph with a pulse effect transmitted through it. The modeling process is implemented in the form of the following stages: goal definition; fuzzy cognitive map construction; impulse processes for dynamic modeling; the situation scenarios analysis and the choice of the best. The developed management system model serves as the basis for the trends analysis in the development of various situations in the POS-loaning segment. It allows to predict and simulate the behavior strategies in response to external stimuli, and to determine the governance trajectory that reduce internal risks processes POSloaning commercial Bank. Fuzzy cognitive approach is an effective tool to support decision-making in the activities a commercial Bank risk management and can be used to model and analyze the functioning and other poorly structured socio-economic systems.

 нечёткое когнитивное моделирование нечёткий ориентированный взвешенный граф pos-кредитование система управления рисками сценарный подход fuzzy cognitive modeling fuzzy oriented weighted graph pos-loaning risk management system scenario approach Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Prezenski S., Brechmann A., Wolff S., Russwinkel N. A Cognitive Modeling Approach to Strategy Formation in Dynamic Decision Making. Frontiers in Psychology. 2017. Vol. 8, P. 1335. Thomson R., Lebiere C., Anderson J.R., Staszewski J. A general instancebased learning framework for studying intuitive decision-making in a cognitive architecture. Journal of Applied Research in Memory and Cognition. 2015. No. 4. Pp. 180-190. Банки-лидеры в сегменте POS-кредитования. Электронный рерурс. URL: https://frankrg.com/1262 COSO 2017. "Conceptual framework for enterprise risk management: integration with strategy and business management" COSO 2017. URL: https://www.coso.org/Pages/erm.aspx Лансков П.М., Зенькович Е.В. Интегрированная система внутреннего контроля и управления рисками и внутренний аудит в некредитных финансовых организациях// Деньги и кредит. 2017. № 2. С. 34-36. 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. Sun R., Ling C.X. Computational Cognitive Modeling, the Source of Power, and Other Related Issues. Artificial Intelligence. 1998. Vol.19. No. 2. Pp. 113- 120. Vasantha Kandasamy W.B., Smarandache F. Fuzzy Cognitive Maps and Neutrosophic Cognitive Maps. 2003. 212 p. Хрусталёв Е.Ю. Когнитивная модель развития банковской системы РФ// Экономика и математические методы. 2011. Т. 47. № 2. С. 117-127. Kulba V., Shelkov A., Chernov I., & Zaikin O. Scenario analysis in the management of regional security and social stability. Intelligent Systems Reference Library. 2016. Vol. 98. Pp. 249-268. Гинис Л.А. Развитие инструментария когнитивного моделирования для исследования сложных систем// Инженерный вестник Дона. 2013. № 3 (26). С. 66. Бутенко Е.Д. Искусственный интеллект в банках сегодня: опыт и перспективы// Финансы и кредит. 2018. Т. 24. № 1 (769). С. 143-153. Kosko B. Fuzzy Cognitive Maps. International Journal of Man-Machine Studies. 1986. Vol. 24. Pp. 65-75. Tsadiras A.K. Comparing the inference capabilities of binary, trivalent and sigmoid fuzzy cognitive maps// Information Sciences.2008. Vol. 178, Iss. 20. Pp. 3880-3894. Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. Princeton University Press. 1976. 395 p. 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. Чефранова M.А. Построение когнитивной модели процесса кредитования и разработка структурного блока принятия управленческих решений на ее основе// Вестник Адыгейского государственного университета. Серия 5: Экономика. 2011. №. 1. С. 201- 208. Christoforou A., Andreou A.S. A framework for static and dynamic analysis of multi-layer fuzzy cognitive maps. Neurocomputing. 2017. Vol. 232. Pp.133-145. Maruyama M. The Second Cybernetics: Deviation-Amplifying Mutual Causal Process, Amer. Scientist. 1963. 51. Pp. 164-179. Roberts F.S., 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.

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