Digital technology of centralized procurement organization
Table of contents
Share
QR
Metrics
Digital technology of centralized procurement organization
Annotation
PII
S042473880018980-7-1
Publication type
Article
Status
Published
Authors
Natalya Aleynikova 
Occupation: Assistant Professor
Affiliation: Voronezh State University
Address: Voronezh, Universitetskaya pl., 1
Mikhail Matveev
Occupation: Head of Department, Department of Information Technologies of Management, Computer Science Faculty
Affiliation: Voronezh State University
Address: Russian Federation, Voronezh
Pages
70-79
Abstract

The article is devoted to the development of models framework for digital transformation of processes in corporate and public procurement systems. In particular, the solution of the problem of multicriteria choice in economic systems described by the three-part graph "producer — resource — consumer" is considered. A mathematical model for the optimal distribution of a homogeneous resource from suppliers to consumers in a centralized procurement system is proposed. This model is reduced to a transport problem with intermediate points. Optimization is aimed at achieving maximum compliance in terms of the totality of technical and commercial characteristics of a homogeneous resource. To set the requirements for these characteristics on the part of the consumer, it is proposed to use fuzzy variables. This provides the consumer with a flexible mechanism for describing resource requirements based on his preferences. An operator of aggregation of local correspondences concerning a set of characteristics is proposed in the form of a discrete Choquet integral with a fuzzy measure. Using the example of production equipment, it is shown how it is possible to formalize the parameters of the model, and then to optimize and automate the process of distributing equipment by solving a transport problem with intermediate points in such a way, that the maximum correspondence in its characteristics is achieved. The developed models and algorithms can be used to create information services on electronic trading platforms, including the of public procurement.

Keywords
digital transformation; centralized procurement system; homogeneous resource; linguistic and fuzzy variables; aggregation; Choquet integral; fuzzy measure; multi-criteria choice; transport problem with intermediate points
Received
27.02.2022
Date of publication
18.03.2022
Number of purchasers
15
Views
674
Readers community rating
0.0 (0 votes)
Cite   Download pdf
1

ВВЕДЕНИЕ

2 В практических приложениях часто встречаются социально-экономические системы, описываемые трехдольными графами, в частности к ним относятся закупки однородных производственных ресурсов. Эти системы включают в себя три непересекающихся множества вершин (элементов). Внутреннее множество интерпретируется как множество взаимозаменяемых типов однородного ресурса. Элементы двух внешних множеств ассоциированы с производителями и потребителями ресурса: V1=vi1,    i=1,  ...,  n — производители, V2=vj2,    j=1,  ...,  m — ресурсы V2=vj2,  j=1,m-,   , V3=vk3,    k=1,  ...,  d — потребители. На рис. 1 показана структурная схема такой системы. Множество однородных, взаимозаменяемых ресурсов представлено разнообразием значений своих технических характеристик — х2 (размер, мощность, производительность и т.п.) и коммерческих характеристик — у2 (цена, срок и условия поставки и т.п.). На этом множестве производители формируют подмножества своих предложений с характеристиками x1;y1 , а потребители — свой спрос x3;y3. Чем больше мощность пересечения подмножеств спроса и предложения, тем эффективнее будет работать система закупок. Состав и наименования характеристик спроса и предложения идентичны и определяются единым товарным классификатором.
3

Рис. 1. Структурная схема трехдольного графа «производители – ресурсы – потребители»

4 Наиболее распространенной моделью закупок является выбор производителя vi1V1 для каждого потребителя vk3V3 так, чтобы обеспечить наилучшее значение некоторого коммерческого (экономического) критерия, Q(yi*1)yi*opt при заданных ограничениях на технические характеристики ресурса, ϕ(xi1)0 . Варианты моделей выбора представлены, например, в работах (Amin, Razmi, 2009; Amin, Zhang, 2012; Mendoza, Ventura, 2011; Mendoza, Ventura, 2012; Moosavi, Ebrahimnejad, 2017). В этих статьях переменная yi*1 рассматривается как часть совокупности коммерческих характеристик, и обычно это цена. Решается задача скалярной оптимизации, в соответствии с которой предложения производителей на множестве ресурсов формируют допустимые по необходимым для потребителя техническим характеристикам подмножества, на которых выбирается наиболее эффективный производитель по коммерческому критерию.
5 В статье предлагается переход к многокритериальной оптимизации, направленной на выбор таких подмножеств ( x2;y2 ) на множестве V2 , характеристики которых максимально соответствуют коммерческим требованиям ( x1;y1 ) и техническим требованиям ( x3;y3 ). Многокритериальная оптимизация позволит получить более эффективное решение. Для этого необходимо разработать модель задачи многокритериального выбора в условиях централизованной схемы закупок.
6

1. МНОГОКРИТЕРИАЛЬНЫЙ ВЫБОР В УСЛОВИЯХ ЦЕНТРАЛИЗОВАННОЙ СХЕМЫ ЗАКУПОК

7 Для формирования модели многокритериального выбора целесообразно использовать централизованную схему закупок с единой системой выбора производителей и распределением выбранных ресурсов по потребителям, позволяющую получать оптимальных производителей одновременно для всех потребителей. В такой схеме на вход системы закупок поступают заявки от потребителей ресурса с описанием допустимых значений определенного состава технических характеристик и необходимого количества ресурса. Все заявки централизованно собираются в единый закупочный пул, представленный объединением допустимых значений технических характеристик, а также коммерческих характеристик, определяемых централизованным закупщиком.
8 Производители формируют некоторое количество предлагаемых ресурсов с указанием их конкретных технических и коммерческих характеристик, аналогичных по составу характеристикам закупочного пула.
9 Принцип решения поставленной задачи основан на парных сравнениях значений характеристик спроса и предложения, максимизации их соответствия по аналогии с работами (Roth, Rothblum, 1977; Roth, 2003; Будяков, Гетманова, Матвеев, 2017, c. 26–34) на основе анализа пересечений подмножеств предложения производителей ( х1;y1 ) и спроса потребителей ( х3;y3 ). Анализ сводится к матчингу (парному выбору) характеристик и вычислению степени их соответствия. В этом случае скалярный экономический критерий заменяется на многокритериальные векторы соответствий технических и коммерческих характеристик. При заданном количестве закупок должны выбираться такие ресурсы v2V2 , которые обеспечат максимальное соответствие по коммерческим и техническим требованиям.
10 Для осуществления многокритериального выбора необходимо построить математическую модель, предварительно выполнив формализацию ее параметров.
11

2. ФОРМАЛИЗАЦИЯ ПАРАМЕТРОВ ЗАДАЧИ ОПТИМАЛЬНОГО МНОГОКРИТЕРАЛЬНОГО ВЫБОРА

12 Наличие множества типов однородных, взаимозаменяемых ресурсов обуславливает задание технических и коммерческих характеристик спроса в виде интервальных значений с дифференциацией предпочтений каждого значения. Таким образом, особенностью предлагаемой формализации будет построение функции, отображающей степень предпочтения, для каждого интервала. Наиболее удобным формальным языком для описания таких требований является язык нечетких множеств (Матвеев, 2021, с. 105–112).
13 Полагаем, что потребители и централизованный закупщик задают требования к ресурсам в виде векторов х~3;y~3 , компонентами которых служат нечеткие переменные. Каждая нечеткая переменная x~l3   и y~s3 ( l=1,  ...,  p , s=1,  ...,  r ) имеет кусочно-линейные функции принадлежности f(x~l3)[0;1] и f(y~s3)[0;1] , носители которых отражают возможные допустимые диапазоны значений характеристик, а значения функции — их предпочтения. Для дискретных значений носителя функция принадлежности будет иметь табличный вид.
14 Множество типов однородного ресурса j из V2 будем описывать векторами технических и коммерческих характеристик: xj=(xj1;...;xjp) и yj=(yj1;...;yjr) , j=1,  ...,  m .
15 Степень удовлетворения предложения спросу по каждой характеристике будем называть локальным соответствием. Мера локального соответствия пары «ресурс vj2 vj2 — потребитель vk3 vk2 » по технической характеристике l вычисляется путем подстановки четкого значения координаты l вектора xj в функцию принадлежности f(x~l3) . Обозначим такую меру через μjkl[0;1], l=1,  ...,  p. Мера локального соответствия пары «поставщик vi1  — ресурс vj2 » по коммерческой характеристике s определяется путем подстановки четкого значения координаты вектора yj в функцию принадлежности f(y~s3) . Обозначим эту меру через ηijs[0;1], s=1,  ...,  r ηijs,  s=1,r- .
16 При распределении ресурсов от производителей к потребителям необходимо принимать во внимание, что характеристики могут быть неравнозначными при принятии решения — какие-то могут оказывать большее влияние на выбор определенного ресурса, другие быть менее значимыми. В этом случае можно, например, экспертным путем назначить веса соответствий по каждой характеристике, которые будем обозначать ϕxl3,ϕK~j2 или ϕ(K~j1), l=1,  ...,  p; s=1,  ...,  r.
17 Следующей задачей, которую необходимо решить для формирования оптимальных отношений между элементами множеств V1 , V2 и V3 , является определение агрегированной по всем характеристикам степени соответствия требованиям с учетом неравнозначности каждого критерия
18 μjk=agr{μjkl}, ηij=agr{ηijs} , (1)
19 где agr — оператор агрегирования.
20 Оператором агрегирования называют функцию от N переменных (критериев) agr:nN0,1n0,1 , удовлетворяющую ряду обязательных условий (Yager, 1988; Леденева, Подвальный, 2016) на множестве произвольных x,y[0;1] :
21
  1. agr(x)=x ;
  2. agr(0,...,0)=0 и agr(1,...,1)=1 ;
  3. agr(x1,...,xN)agr(y1,...,yN) , если (x1,...,xN)(y1,...,yN).
22 Оператор агрегирования также может обладать рядом дополнительных свойств в зависимости от области применения, которые описаны в (Detyniecki, 2000). Поскольку в нашем случае переменными оператора агрегирования являются технические и коммерческие характеристики, то важно выполнение следующих свойств. Во-первых, необходимо учитывать, что полное локальное несоответствие хотя бы по одному параметру ( μjkl=0 или ηijs=0 ηijs=0 ) влечет полное агрегированное несоответствие. Также полное агрегированное соответствие ( μjk=1 или ηij=1 ηij=1 ) может достигаться только при полном локальном соответствии по всем характеристическим параметрам ( μjkl=1, l=1,  ...,  p или ηijs=1,    s=1,  ...,  r ηijs=1,  s=1,r- ). Кроме того, необходимо учитывать взаимодействие характеристик между собой. Некоторые характеристики при объединении могут усилить влияние друг друга на процесс принятия решения, а другие, наоборот, ослабить. Это свойство в (Detyniecki, 2000) описано как «усиление» (reinforcement). В результате может не выполняться свойство аддитивности весов характеристик при объединении последних. Если, например, характеристики неравнозначны при выборе поставщика и ресурса и каждой был назначен вес ϕxl или ϕys , то вес совокупности двух критериев (например, ϕxl1xl2ϕxl1+ϕxl2 ) может быть как больше, так и меньше ( ϕxl1+ϕxl2 ). Аналогично, это может наблюдаться при объединении большего числа характеристик. Еще одно естественное свойство — это «компенсирующее» свойство, заключающееся в том, что mini=1,  ...,  N(xi)agr(x1,...,xN)maxi=1,  ...,  N(xi) .
23 В качестве оператора агрегирования предлагается дискретный интеграл Шоке по нечеткой мере (Detyniecki, 2000; Матвеев, 2021), который применяется, когда на результат агрегирования влияет величина каждого из критериев (характеристик) и удовлетворяет всем перечисленным выше свойствам, в том числе позволяет учитывать взаимодействие критериев друг с другом. Последнее возможно благодаря тому, что вычисление интеграла Шоке основано на λ-нечеткой мере Сугено, которая выражает субъективный вес или значимость каждого подмножества критериев и определяется следующим образом (Ягер, 1986; Нечеткие множества…, 1986):
24 ϕxj,jM1=jM1+λϕj-1/λ,    M1M, (2)
25 где ϕj  — коэффициенты важности (веса) отдельно взятых частных показателей эффективности при построении обобщенного показателя, в нашем случае — это веса технических или коммерческих характеристик; M — множество индексов характеристик. В (Нечеткие множества…, 1986) приводится уравнение, из которого можно найти единственное значение параметра λ :
26 λ+1-jM1+λϕj=0, (3)
27 удовлетворяющего условиям λ>-1,    λ0. Тогда интеграл Шоке для нахождения агрегированного соответствия μjk рассчитывается по формуле
28 μjk=agrμjk1,...,μjkp=l=1pμjkl-μjk(l-1) ϕX/f(x)μjk(l)    μjkl0,0  -  впротивномслучае, (4)
29 μjk=agrμjk1,,μjkp=l=1pμjk(l)-μjkl-1φx/fK~l2(x)μjk(l) где μjk1,...,μjkp  — перестановка элементов μjk1,...,μjkp такая, что μjk1μjk2...μjkp , μjk0=0 μjk(0)=0 ; X — подмножество множества технических характеристик, xX qj .
30 Нахождение агрегированных соответствий ηij ηij происходит аналогично:
31 ηij=agrηij1,...,ηijr=s=1rηijs-ηij(s-1) ϕX/f(x)ηij(s)    ηijs0,0    -впротивномслучае. (5)
32 Таким образом, получаем две матрицы агрегированных соответствий ресурсов по техническим характеристикам μjkj=1,  ...,  n;k=1,  ...,  d μjkj=1,n-;k=1,d- и производителей по коммерческим характеристикам ηiji=1,  ...,  m;j=1,  ...,  n.
33

3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ЗАДАЧИ МНОГОКРИТЕРИАЛЬНОГО ВЫБОРА

34 Пусть заданы ограничения на количество ресурсов у производителей и потребности в ресурсе у потребителей. Тогда задача многокритериального выбора, обозначенная в разд. 1, может быть представлена в виде транспортной задачи с промежуточными пунктами (Таха, 2001), где целевыми коэффициентами будут элементы матриц агрегированных соответствий — μjk и ηij .
35 Обозначим через uij количество ресурсов типа j , которые поступают от производителя i , через υjk  — число ресурсов типа j , назначенных потребителю k . Математическая модель транспортной задачи для оптимального распределения ресурсов от производителей по потребителям примет вид:
36 ai=1mj=1nηijuij+1-aj=1nk=1dμjkυjkmax,j=1mυjk=νk,    k=1,  ...,  d,i=1nuij=k=1dυjk,    j=1,  ...,  n,uijwij,    i=1,  ...,  m,j=1,  ...,  n,uij,υjk0,R+,    i=1,  ...,  m,    j=1,  ...,  n,    k=1,  ...,  d, (6)
37 где wij  — количество ресурса вида j у производителя i; vk  — потребности потребителя k в ресурсе; a  — параметр, a0,    1 . Чем ближе параметр a к 0, тем важнее при распределении ресурсов и выборе производителей технические требования, чем ближе к 1 — важнее коммерческие требования.
38 Первая совокупность ограничений модели (6) формализует условие, заключающееся в том, что количество однородных ресурсов, которые поступают от производителей, должно полностью удовлетворить потребности потребителя k ( k=1,  ...,  d ).
39 Вторая совокупность ограничений связана с тем, что суммарное количество однородного ресурса j , полученного от всех производителей, должно быть полностью распределено по потребителям.
40 Перед решением задачи (6) необходимо проверить дополнительное условие k=1dνki=1nj=1mwij , так как важно не допустить дефицита ресурсов.
41

4. ПРИМЕР РЕШЕНИЯ ЗАДАЧИ ОПТИМАЛЬНОГО МНОГОКРИТЕРИАЛЬНОГО ВЫБОРА

42 Рассмотрим упрощенную задачу выбора производителей однородного оборудования с последующим его распределением по потребителям, а в качестве ресурса — производственное оборудование. Будем считать, что три компании, являющиеся структурными единицами холдинга, подготовили в централизованную закупочную организацию свои заявки на насосы. В каждой заявке указаны технические требования к насосам, представленные компонентами нечеткого вектора x~k13,  ...,  x~k53,    k=1,2,3 и указано требуемое число насосов νk (табл. 1). Компоненты вектора заданы в виде нормированных нечетких чисел с треугольной функцией принадлежности:
43 fx~kl3(x)=x-akl/mkl-akl,    xakl;mkl,bkl-x/bkl-mkl,    xmkl;bkl,0    -востальныхслучаях. (7)
44 где akl  — левая граница значений соответствующей компоненты нечеткого вектора, bkl  — правая граница, mkl  — мода, l=1,  ...,  5. Значения функции принадлежности определяют степень соответствия значения характеристики требованиям заявки.
45 Таблица 1. Технические требования к насосам
46
Параметр функции принадлежности Расход, м3 Напор, м Частота вращения, об./мин. Мощность электродвигателя, КВт Масса, кг Число насосов, k
Заявка 1 5
a1l 420 30 1000 55 1750
m1l 630 90 1300 315 2000
b1l 630 90 1500 315 2760
Заявка 2 7
a2l 520 50 1100 150 1500
m2l 750 80 1500 280 1800
b2l 750 90 1750 300 2500
Заявка 3 4
a3l 500 70 1000 200 2000
m3l 600 100 1200 280 2350
b3l 650 120 1300 300 2500
47 Закупочная организация предъявляет к производителям коммерческие требования y~13,y~23 (табл. 2). Компоненты вектора коммерческих требований заданы также в виде нечетких чисел с треугольной функцией принадлежности:
48 fy~s3(x)=x-as/ms-as,    xakl;mkl,bs-x/bs-ms,    xmkl;bkl,0,    востальныхслучаях. (8)
49 где as  — левая граница значений соответствующей компоненты нечёткого вектора, bs  — правая граница, ms  — мода. Типы насосов с конкретными значениями технических характеристик приведены в табл. 3. Наличие насосов у разных поставщиков показано в табл. 4.
50 Таблица 2. Коммерческие требования к насосам
51
Параметры функции принадлежности Цена, у.е., y~13 Срок поставки, дни, y~23
as 500 70
ms 600 100
bs 650 120
52 Таблица 3. Технические характеристики типов насосов
53
Тип насоса Расход, м3 Напор, м Частота вращения, об/мин Мощность электродвигателя, КВт Масса, кг
1 550 82 1200 270 2400
2 620 85 1250 210 2490
3 600 80 1280 220 2100
54 Таблица 4. Число насосов у производителей
55
Насос, j Производители, i Итого
1 2 3
1 2 4 6 12
2 7 0 3 10
3 5 4 2 11
Итого 14 8 11 33
56 Следовательно, предлагается 33 взаимозаменяемых насоса, а потребителям надо 16, максимально соответствующих техническим и коммерческим требованиям. В табл. 5 указаны цены на насосы и сроки, в которые поставщики могут их поставить.
57 Таблица 5. Коммерческие характеристики насосов
58
Производитель Насос
1 2 3
Цена Срок поставки Цена Срок поставки Цена Срок поставки
1 510 90 600 80 660 130
2 580 75 515 140 620 90
3 540 110 542 100 580 110
59 Локальные соответствия насосов по 5 техническим и по 2 коммерческим требованиям легко найти, подставив значения технических и коммерческих характеристик из табл. 3 и 5 в функции (7) и (8) соответственно. Параметры функций (7) и (8) определяются из табл. 1 и 2. Например, локальные соответствия насосов техническим требованиям заявки № 1 μj1l,     l=1,  ...,  5 ) приведены в табл. 6.
60 Таблица 6. Локальные соответствия насосов техническим требованиям заявки № 1
61
Заявка Расход, м3 Напор, м Частота вращения, об./мин. Мощность электродвигателя, КВт Масса, кг
Насос 1, j=1 0,619 0,867 0,667 0,827 0,474
Насос 2, j=2 0,952 0,917 0,833 0,596 0,355
Насос 3, j=3 0,857 0,833 0,933 0,635 0,868
62 Вычисление агрегированных соответствий μjkj=1,2,3;k=1,2,3 и ηiji=1,2,3;j=1,2,3 производится с помощью интеграла Шоке по формулам (4) и (5) соответственно.
63 Предположим, что технические критерии неравнозначны для принятия решения о выборе насоса. Пусть эксперт назначил следующие весовые коэффициенты важности каждого критерия: ϕ1=0,2 , ϕ2=0,7 , ϕ3=0,68 , ϕ4=0,4 , ϕ5=0,1 .
64 Агрегирование с помощью интеграла Шоке по техническим характеристикам подробно рассмотрим на примере насоса 1. Упорядочим технические характеристики насоса 1 по мере возрастания их локального соответствия соответствующим требованиям (см. строку для насоса 1 в табл. 6). Результаты упорядочивания приведены в табл. 7.
65 Таблица 7. Упорядоченные по локальным соответствиям технические характеристики насоса 1
66
Характеристика № характеристики
1 2 3 4 5
Ранги критериев по локальным соответствиям 4 1 3 2 5
Локальные соответствия 0,619 0,867 0,667 0,827 0,474
67 Таблица 8. Значения меры Сугено
68
Характеристика № характеристики, l
5 1 3 4 2
Локальные соответствия, μ11l 0,474 0,619 0,667 0,827 0,867
Веса критериев, ϕl 0,1 0,2 0,68 0,4 0,7
ϕX/f(x)μjk(l) ϕ1,...,5=1 ϕ1,...,4=0,994 ϕ2,3,4= =0,979 ϕ4,2= =0,836 ϕ2= =0,700
69 Технические характеристики по возрастанию значений локальных соответствий приведены в табл. 8. Для нахождения параметра для -меры Сугено было решено уравнение (2) (с учетом  > –1,  0 ):
70 λ+1-1+0,2  λ1+0,7  λ1+0,68  λ1+0,4  λ1+0,1  λ=0
71 и найден корень  = –0,945. В соответствии с правилом (1) рассчитаны значения нечеткой меры, записанные в последней строке табл. 8. Например, значения нечеткой меры
72 ϕX/fx0,474=ϕ1,...,5=1-0,945×0,2...1+0,945×0,1-1/-0,945=1, ϕX/fx0,619=ϕ1,...,4==1-0,945×0,21-0,945×0,7...×1-0,945×0,4-1/-0,945=0,994,
73 и т.д. Тогда агрегированное соответствие первого насоса заявке № 1 по техническим характеристикам:
74 μ11=μ115ϕ1,...,5+μ111-μ115ϕ1,...,4+μ113-μ111ϕ2,3,4+μ114-μ113ϕ4,  2+μ112-μ114ϕ2==0,474×1+0,619-0,474×0.994+0,667-0,619×0.979++0,827-0,667×0.836+0,867-0,827×0,700=0,827.
75 Значения остальных элементов матрицы μjkj=1,2,3;k=1,2,3 приведены в табл. 9, значения элементов матрицы ηijj=1,2,3;k=1,2,3 — в табл. 10.
76 Таблица 9. Значения интеграла Шоке по техническим характеристикам
77
μjk Заявка, k
Насос, j 1 2 3
1 0,826 0,756 0,886
2 0,892 0,475 0,503
3 0,897 0,849 0,443
78 Таблица 10. Значения интеграла Шоке по коммерческим характеристикам (вес первого критерия 0,8, второго 0,4)
79
ηij Производитель, i
Насос, j 1 2 3
1 0,327 0,420 0,440
2 0,867 0 0,652
3 0 0,627 0,740
80 Теперь можно переходить к решению транспортной задачи (6). Математическая модель задачи имеет вид:
81 a0,327u11+0,867u12+0,42u21+0,627u23+0,44u31+0,652u32+0,74u33++1-a0,826υ11+0,756υ12+0,886υ13+0,892υ21+0,475υ22+0,503υ23++0,897υ31+0,849υ32+0,443υ33max, (8) υ11+υ21+υ31=5,υ12+υ22+υ32=7,υ13+υ23+υ33=4,u11+u21+u31=υ11+υ12+υ13,u12+u22+u32=υ21+υ22+υ23,u13+u23+u33=υ31+υ32+υ33,u112,    u214,    u316,u127,    u22=0`,    u323,u135,    u234,    u332, uij,υjk0,Z+,    i=1,2,3;    j=1,2,3,    k=1,2,3.
82 Решение данной задачи при a=0,5 представлено в табл. 11. Решение показало, что у выбранных поставщиков были произведены закупки насосов с максимально достижимым соответствием коммерческим требованиям и все заявки были удовлетворены с максимально достижимым соответствием техническим требованиям. Отклонение от полученной схемы закупок приведет к снижению значения критерия (6), отображающего агрегированное соответствие коммерческих и технических требований.
83 Таблица 11. Оптимальное распределение насосов при a=0,5
84
Производитель, i Закупили у производителей Сумма Тип насосов, j Получили потребители Сумма
1 2 3 1 2 3
Неизвестные, uij Неизвестные, υjk
1 0 0 0 0 1 1 2 4 7
2 7 0 3 10 2 4 0 0 4
3 0 4 2 6 3 0 5 0 5
Сумма 7 4 5 Сумма 5 7 4
85

ЗАКЛЮЧЕНИЕ

86 В развитии технологий закупок можно указать два перспективных направления: реализация централизованных закупок, осуществляемая на основе положений 44-ФЗ (Федеральный закон от 05.04.2013 № 44-ФЗ (редакция от 09.03.2016)), и переход к «обезличенным», параметрическим закупкам (Караев, Москвитина, Будяков, 2015). Обе технологии, наряду с известными достоинствами (Мягких, Гриненко, 2017), характеризуются завышенными трудовыми и временными затратами. Снижение этих затрат одновременно с повышением качества закупок достигается путем цифровой трансформации, максимальной автоматизации процессов закупки. Цифровая трансформация и автоматизация включают: поддержку принятия решений, применение блокчейн, смарт-контрактов, управление жизненным циклом контракта, искусственный интеллект в сфере закупок и роботизация процессов с целью перевода рутинной работы в закупочных процессах от людей программам (Автоматизация закупок…, 2019). Предложенные в нашей статье модели и алгоритмы могут рассматриваться как теоретическая основа реализации одного из возможных вариантов цифровой трансформации процессов систем корпоративных и государственных закупок.

References

1. Автоматизация закупок: опыт крупнейших заказчиков, структура рынка, тренды. Исследование_TAdviser (2019). Режим доступа: >>>>

2. Будяков А.Н., Гетманова К.Г., Матвеев М.Г. (2017). Решение задачи выбора ресурсов и их поставщиков в условиях противоречивости технических и коммерческих требований // Вестник Воронежского государственного университета, серия: Системный анализ и информационные технологии. № 3. С. 26–34.

3. Караев А.Э., Москвитина И.В., Будяков А.Н. (2015). Использование методики планирования по обезличенным МТР при закупках и поставках комплектного оборудования для крупных проектов нефтяной отрасли // Нефть России. № 10. С. 52–53.

4. Леденева Т.М., Подвальный С.Л. (2016). Агрегирование информации в оценочных системах // Вестник Воронежского государственного университета, серия: Системный анализ и информационные технологии. № 4. С. 155–164.

5. Матвеев М.Г. (2021). Информационные технологии формирования предложения на электронной торговой площадке с технологией «маркетплейс» // Экономика и математические методы. Т. 57. № 1. С. 105–112.

6. Мягких Н.Ю., Гриненко С.В. (2017). Механизм централизации системы государственных закупок // Научное обозрение. Экономические науки. № 3. С. 69–72.

7. Нечеткие множества в моделях управления и искусственного интеллекта (1986). Под ред. Д.А. Поспелова. М.: Наука. Гл. ред. физ.-мат. лит.

8. Таха Х.А. (2001). Введение в исследование операций. М.: Издательский дом «Вильямс».

9. Ягер Р. (ред.) (1986). Нечеткие множества и теория возможностей. Последние достижения. М.: Радио и связь.

10. Amin S.H., Razmi J. (2009). An integrated fuzzy model for supplier management: A case study of ISP selection and evaluation. Expert Systems with Applications, 36, 4, 8639–8648.

11. Amin S.H., Zhang G. (2012). An integrated model for closed-loop supply chain configuration and supplier selection: Multi-objective approach. Expert Systems with Applications, 39, 8, 6782–6791.

12. Detyniecki M. (2000). Mathematical aggregation operators and their application to video querying. Ph.D. dissertation, University of Paris VI, Paris, France.

13. Mendoza A., Ventura J.A. (2012). Analytical models for supplier selection and order quantity allocation. Applied Mathematical Modelling, 36, 8, 3826–3835.

14. Mendoza F., Ventura J.A. (2011). Modeling actual transportation costs in supplier selection and order quantity allocation decisions. Operational Research, 13, 1, 5–25.

15. Moosavi S.A., Ebrahimnejad S. (2017). A new multi-objective mathematical model for supplier selection in uncertain environment. 13th International Conference on Industrial Engineering (IIEC2017).

16. Roth A.E. (2003). The origins, history, and design of the resident match. Jama, 289, 7, 909.

17. Roth A.E., Rothblum U.G. (1999). Truncation strategies in matching markets — in search of advice for participants. Econometrica, 67, 1, 21–43.

18. Yager R.R. (1988). Ordered weighted averaging aggregation operators in multi-criteria decision making // IEEE Trans. on Systems, Man and Cybernetics, T.18. C.183–190.

Comments

No posts found

Write a review
Translate