О применении нечетких нейронных сетей в рамках рискориентированного подхода к контрольно-надзорной деятельности в гражданской авиации

Рискориентированный подход, реализуемый при проведении контрольно-надзорных мероприятий в организациях гражданской авиации, позволяет повысить эффективность таких мероприятий, объективность оценок, снизить расходы и дополнительную нагрузку на бизнес. Основные положения, регулирующие деятельность органов контроля и надзора, в том числе и в вопросах оценки рисков, в целом указаны в нормативных документах. Однако остается неопределенность в части использования так называемых индикаторов риска, которые предназначены для прогнозирования рисков для безопасности полетов. В настоящее время нет каких-либо указаний по количеству и составу таких индикаторов, отсутствуют методики их использования по назначению. В статье предлагается решение этого вопроса с использованием элементов искусственного интеллекта. На примере индикаторов риска, характерных для организаций обслуживания воздушного движения, показана возможность прогнозировать уровень риска посредством нечеткой (гибридной) нейронной сети. Как известно, такие гибридные структуры, объединяющие в себе нейронные сети и нечеткую логику, собирают наилучшие свойства обоих методов. Формирование набора индикаторов риска и исходных данных для обучения сети проводится с привлечением квалифицированных экспертов с большим опытом управления безопасностью полетов и контрольно-надзорной работы. Обученная сеть позволяет количественно оценить прогнозируемый уровень риска на авиапредприятии на основании выявленных индикаторов риска с учетом степени их проявления. Показаны все этапы построения и использования сети в редакторе ANFIS программного пакета Matlab. Предлагаемый метод может использоваться также и в системах управления безопасностью полетов различных поставщиков авиационных услуг.

1. Соловьев А.И. Риск-ориентированный подход в системе государственного контроля и надзора в налоговой сфере // Экономика. Налоги. Право. 2017. Т. 10, № 6. С. 139–146.

2. Авдийский В.И., Безденежных В.М. Экономическая безопасность современной России: риск-ориентированный подход к ее обеспечению // Экономика. Налоги. Право. 2016. Т. 9, № 3. С. 6–13.

3. Агамагамедова С.А. Риск-ориентированный подход при осуществлении контрольно-надзорной деятельности: теоретическое обоснование и проблемы применения // Сибирское юридическое обозрение. 2021. Т. 18, № 4. С. 460–470. DOI: 10.19073/2658-7602-2021-18-4-460-470

4. Ayres I., Braithwaite J. Responsive regulation. Transcending the deregulation debate. Oxford: Oxford University Press, 1992. 216 p.

5. Braithwaite J. Responsive regulation and developing economies world development // World Development. 2006. Vol. 34, no. 5. Pp. 884–898. DOI: 10.1016/j.worlddev.2005.04.021

6. Ahmad N. Responsive regulation and resiliency: the renewable fuel standard and advanced biofuels [Электронный ресурс] // Virginia Environmental Law Journal. 2018. Vol. 36, iss. 2. P. 40. URL: https://ssrn.com/abstract=3106907 (дата обращения: 11.08.2022).

7. Куниен В.А., Уварова И.В. Риск-ориентированный подход в контрольнонадзорной деятельности: международный опыт и особенности применения в российских условиях // Экономика и управление. 2019. № 2 (160). С. 59–68.

8. Махутов Н.А., Пуликовский К.Б., Шойгу С.К. Безопасность России. Правовые социально-экономические и научно-технические аспекты. Анализ рисков и управление безопасностью: методические рекомендации. М.: МГФ «Знание», 2008. 672 с.

9. Черток В.Б. Риск-ориентированная модель контрольно-надзорной деятельности в сфере гражданской авиации // Транспорт Российской Федерации. 2017. № 6 (73). С. 27–30.

10. Hadjimichael M. A fuzzy expert system for aviation risk assessment // Expert Systems with Applications. 2009. Vol. 36, no. 3. Pp. 6512–6519. DOI: 10.1016/j.eswa.2008.07.081

11. Jenab K., Pineau J. Automation of air traffic management using fuzzy logic algorithm to integrate unmanned aerial systems into the national airspace // International Journal of Electrical and Computer Engineering (IJECE). 2018. Vol. 8, no. 5. Pp. 3169–3178. DOI: 10.11591/IJECE.V8I5.PP3169-3178

12. Sharov V.D., Vorobyov V.V. Fuzzy risk assessment of aviation events // Научный Вестник МГТУ ГА. 2017. Т. 20, № 3. С. 6–12.

13. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. 2-е изд., стер. М.: Горячая линия – Телеком, 2007. 284 с.

14. Осовский С. Нейронные сети для обработки информации / Пер. с пол. И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.

15. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с пол. И.Д. Рудинского. М.: Горячая линия – Телеком, 2006. 452 c.

16. Jang J-S.R. ANFIS: Adaptive-networkbased fuzzy inference system // IEEE Transactions on System, Man, and Cybernetics. 1993. Vol. 23, no. 3. Pp. 665–685. DOI: 10.1109/21.256541

17. Горбаченко В.И., Ахметов Б.С., Кузнецова О.Ю. Интеллектуальные системы: нечеткие системы и сети: учеб. пособие для вузов. 2-е изд., испр. и доп. М.: Юрайт, 2019. 105 с.

18. Богатиков В.Н., Дранишников Л.В., Пророков А.Е. Построение систем управления на основе нейронных сетей: учеб.-методическое пособие. Апатиты: Изд-во КФ ПетрГУ, 2011. 41 с.