Сборник трудов молодых учёных. Управление большими системами

Институт проблем управления им. В.А. Трапезникова РАН

ISSN 1819-2467

Москва – 2007

ИНТЕРНЕТ-сайт теории управления организационными системами Целью сайта является предоставление специалистам по теории и практике управления организационными системами (ученым, преподавателям, аспирантам, студентам, а также реальным управленцам) доступа к ресурсам, отражающим современное состояние теории и возможности обмена идеями и результатами.

УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ

Выпуск 16

www.mtas.ru

СБОРНИК ТРУДОВ

На сайте имеются разделы: Теория – с обзором теории управления организационными системами, глоссарием, информацией для аспирантов; Практика – с обзором результатов внедрения механизмов управления в реальных организациях; Библиография – около 2500 публикаций по теории управления, снабжена классификатором и аннотациями; Электронная библиотека – более 400 полнотекстовых монографий, статей и учебных пособий; а также многое другое. На сайте работает форум, на котором можно обсудить вопросы, относящиеся к математике, экономике, управлению организациями, узнать новости теории управления и ознакомиться с планируемыми конференциями и семинарами.

РОССИЙСКАЯ АКАДЕМИЯ НАУК Институт проблем управления им. В.А. Трапезникова Волгоградский научнообразовательный центр проблем управления (ВолГУ)

Липецкий научнообразовательный центр проблем управления (ЛГТУ)

Воронежский научнообразовательный центр проблем управления (ВГАСУ)

Самарский научнообразовательный центр проблем управления (СГАУ)

УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ СБОРНИК ТРУДОВ

Выпуск 16

Москва – 2007

УДК 519

ISSN 1819-2467

ББК 32.81 У 67 Управление большими системами / Сборник трудов. Выпуск 16 М.: ИПУ РАН, 2007. – 193 с.

РЕДАКЦИОННАЯ КОЛЛЕГИЯ Главный редактор: д.т.н. Д.А. Новиков Ответственный секретарь: к.т.н. М.В. Губко д-ра техн. наук: С.А. Баркалов, В.Н. Бурков, В.Г. Засканов, Л.А. Кузнецов, А.К. Погодаев; д-ра физ.-мат. наук: А.А. Воронин, П.А. Головинский, А.Г. Лосев, А.Г. Чхартишвили; д-ра экон. наук: В.Д. Богатырев, Р.М. Нижегородцев. Сборник является одним из печатных органов сети научно-образовательных центров проблем управления, созданной ИПУ РАН и рядом ведущих ВУЗов России: ВолГУ, ВГАСУ, ЛГТУ и СГАУ (подробнее см. http://www.mtas.ru/noc/). В сборнике представлены статьи ученых, специализирующихся в области разработки и внедрения математических моделей и методов управления сложными социально-экономическими и организационно-техническими системами. На сайте www.mtas.ru доступны электронные версии этого и всех предыдущих выпусков сборника. С 2006 года сборник включен в Российский индекс научного цитирования и размещается в открытом доступе в Научной Электронной Библиотеке www.elibrary.ru. C 2006 года сборник зарегистрирован как электронное научное издание (ЭНИ) за номером № 0420600023. Публикация в ЭНИ учитывается при защите диссертации при указании номера ЭНИ и идентификационного номера публикации, присваиваемых НТЦ «Информрегистр» (www.inforeg.ru).

© ИПУ РАН,

2007

Содержание Абрамова Н.А. Человеческие факторы в когнитивном подходе.................. 5 Авдеева З.К., Коврига С.В., Макаренко Д.И. Когнитивное моделирование для решения задач управления слабоструктурированными системами (ситуациями) .... 26 Беляев И.П. Эмоции как регулятор совместной когнитивной деятельности ...................................................................................... 40 Бодякин В.И. Категория "знание" с позиции нейросемантики ............... 51 Гусев В.Б. Метод структурной балансировки на основе оценок затрат производственного цикла .......................................... 66 Давыдов С.В. Подходы к формированию системы управления качеством образования ........................................................................... 74 Духин С.В. Проектирование геоинформационного портала отрасли с использованием онтологий геоданных................................ 81 Заболотский М.А., Полякова И.А., Тихонин А.В. Применение когнитивного моделирования в управлении качеством подготовки специалистов ................................ 91 Ильченко И.А. Когнитивное моделирование влияния сезонных изменений климата на характер химического загрязнения урбоэкосистемы ..................................................................................... 99

3

Клепарский В.Г., Клепарская Е.В. Когнитивный потенциал и адекватное управление системами социально-экономической природы (на примере предприятий черной металлургии)........................................... 110 Корноушенко Е.К. Регрессионный подход к управлению слабоструктурированными системами ........................................................... 122 Кочкаров А.А, Салпагаров М.Б. Когнитивное моделирование региональных социальноэкономических систем........................................................ 137 Кочкаров Р.А., Никищенко С.П. Применение методов когнитивного анализа в конкурсном отборе проектов................................................................. 146 Левин В.И. Логическое моделирование геометрических объектов и принятия решений............................................................... 156 Мурадян И.А., Юдицкий С.А. Метод анализа конфигураций организационных систем на сетях Петри ........................................................................ 163 Поддьяков А.Н. Нетранзитивность превосходства при взаимодействиях: междисциплинарный анализ .............................................. 171 Сухарев М.В. Опосредованный отбор идей в интегрированных системах поддержки принятия решений .......................................... 183

4

ЧЕЛОВЕЧЕСКИЕ ФАКТОРЫ В КОГНИТИВНОМ ПОДХОДЕ Абрамова Н.А. (Институт проблем управления РАН, г. Москва) [email protected], [email protected] Дается краткий анализ точек зрения на когнитивный подход. Представлены некоторые результаты, свидетельствующие о рисках, обусловленных человеческим фактором, в когнитивном подходе и, более широко, в субъектно-формальных методах решения задач управления. Выделяются некоторые исследовательские проблемы. Ключевые слова: когнитивный подход, человеческие факторы, формализация знаний, риски Нечего надеяться полностью избавиться от субъективности в задачах, связанных с выбором решений. Даже в простейших однокритериальных задачах она неизбежно присутствует, проявляясь хотя бы в выборе показателя эффективности и математической модели явления. Е. С. Вентцель. Исследование операций 1. Немного истории. Разные точки зрения на когнитивный подход Сегодня в ряде областей науки и информационных технологий активно формируется подход к решению различных практических задач, который многие из его сторонников называют когнитивным подходом, или когнитивным анализом, или когнитивным моделированием. Этот ряд включает политологию, социологию, конгломерат прикладных наук и технологий, основанных на формальных методах, в который входят • наука управления, 5

• искусственный интеллект, • когнитивные технологии и др. В ряду задач, типичных для когнитивного подхода, его представители называют • задачи анализа и моделирования сложных, слабо формализованных, слабо структурированных ситуаций, объектов, систем, проблемных областей; • задачи управления такими объектами и ситуациями, в частности, управления развитием ситуаций; • задачи анализа и принятия решений, особенно, стратегических. Характерными областями приложения являются социальные, биологические и экологические задачи, сложные социально-экономические объекты, региональное управление, в котором тесно переплетаются различные аспекты и системы, образование. Как известно, когнитивный подход к решению сложных, слабо структурированных задач и проблем исторически обязан своим названием понятию «когнитивная карта», которое изначально возникло в психологии и впоследствии было перенесено в социологию и политологию, а затем – и в другие «новые» науки. (См., например, недавние обзоры [11,7]). Перенос был основан на обнаруженном структурном сходстве естественных представлений обычного человека о положении в пространстве, которые психологи называют когнитивными картами, и представлений экспертов: политологов и социологов – об анализируемых ими ситуациях. Вместе с переносом понятия, который неизбежно сопровождался изменением его смысла, произошла и смена целей исследования (Рис. 1).

6

• •

• •

ПСИХОЛОГИЯ: когнитивная карта – модель внешней ситуации; пространственные отношения между объектами; модель субъективна; играют важную роль в практической жизни

• •

• •

«НОВЫЕ» НАУКИ: «когнитивная карта» – модель внешней ситуации; обычно, отношения влияния между «факторами»; модель субъективна; могут использоваться при решении практических задач

Рис.1. Перенос понятия когнитивной карты из психологии в «новые» науки Как в психологии, так и в новых науках, когнитивная карта – это модель внешней ситуации, причем – субъективная модель.1,2 Но вместо пространственных отношений, как правило, выделяются отношения влияния, причинности, следования событий. Однако наиболее значимое различие состоит в том, что, в отличие от психологии, которая исследует, как люди думают (дескриптивный подход), в новых науках произошла смена целей исследования. Произошел переход от дескриптивного подхода: установления того, что «эксперты так думают»3 – к

1

Наряду с более привычным для многих понятием «субъективная модель», сегодня используется и понятие «когнитивная модель» ситуации. Признак «когнитивная» (модель, карта) фиксирует обусловленность модели познавательными средствами человека, благодаря которым он структурирует и осмысливает ситуацию. 2 В качестве субъекта в новых науках может выступать не только индивид, но и коллективный субъект. 3 Р. Аксельрод, один из основоположников когнитивного подхода, исследовал со своими коллегами спонтанные когнитивные карты экспертов, на основании которых они делают свои умозаключения.

7

идее, что «нужно так думать», иначе говоря, к нормативному подходу. Сегодня сложилось и развивается семейство нормативных методов решения практических задач, в которых ситуация (или сложный объект, система) структурируется и оценивается в терминах одной из семейства формальных моделей, которые объединяются под общим понятием когнитивной карты. Иными словами, возникли различные математические формализации понятия когнитивной карты. Общей чертой всех этих моделей является выделение множества взаимодействующих факторов, которые характеризуют анализируемую ситуацию, и связей (влияний) между ними, при более или менее существенных различиях в том, как понимается и как оценивается взаимодействие факторов в рамках целостной ситуации. Эти различия имеют как содержательный, так и формальный характер, предопределяя использование разного математического аппарата и разные возможности решения задач [11,7]. В первом приближении можно считать, что когнитивный подход, в узком смысле этого понятия, объединяет исследования, общим признаком которых является использование формальных моделей когнитивных карт того или иного вида. В действительности, граница, которая – по сходству применяемых моделей – выделяет когнитивный подход среди других научных направлений, разрабатывающих формальные нормативные методы обработки знаний человека при решении задач моделирования, анализа и управления, оказывается нечеткой. Достаточно сказать, что в ряде направлений и школ, применяющих практически те же формальные модели и методы, вообще не применяется понятие когнитивной карты. (Например, говорят о знаковых графах, сетевых моделях, графах причин и следствий, каузальных сетях). Очень близким по смыслу «родственником» когнитивных карт являются модели вероятностного влияния: байесовы сети, или сети доверия, которые очень естественно интерпретируются как один из вариантов семейства формальных когнитивных карт [13]; примыкают к ним и сложные модели оценки качества. 8

Вторым значимым признаком, который в той или степени характеризует когнитивный подход, является учет роли человека, особенно заметной на этапе формализации (иначе, – учет человеческих факторов). В этом отношении в современных работах, относимых к когнитивному подходу по виду моделей, наблюдается спектр позиций и точек зрения. Согласно известной точке зрения, «специфика когнитивного моделирования», состоит в том, что «формальные математические методы анализа применяются к моделям, описывающим субъективное видение ситуации» [11]. Однако ориентация на традиции нормативного подхода к методам обработки человеческих знаний нередко приводит к тому, что в ряде работ декларируемая зависимость от человека слабо влияет на содержание, методы и результаты исследований или почти не отражается на них. Это видно, например, при сравнении с другими, «некогнитивными» экспертными методами и методами поддержки принятия решений. Собственно человеческая, когнитивная составляющая «когнитивного» моделирования ситуаций при этом оказывается за пределами научного знания и рассматривается посредством рассуждений «здравого смысла» вне норм контроля над их обоснованностью. Крайняя позиция здесь состоит в том, чтобы рассматривать когнитивные методы просто как разновидность методов математического моделирования. В направлениях, более ориентированных на структуру практической деятельности человека и его задач, акцент делается на то, чтобы «поддержать ранние этапы процесса подготовки и принятия решений – этапы выявления и диагностирования слабоструктурированных проблем и постановки целей», которые игнорируются в более традиционных подходах. (См. обзор [7]). Еще более «левый», менее консервативный взгляд на когнитивный анализ и моделирование сложных ситуаций, объектов и систем связан с учетом специфики человеческого мышления, когда слово «когнитивный» акцентирует зависимость субъективного видения ситуации от когнитивных (познавательных) средств субъекта и других особенностей мышления. Такой 9

взгляд не обязательно предполагает привязку к когнитивным картам, какие бы модели карт не выбирались. Ситуация при этом может пониматься в более широком смысле, включая не только объект управления, но и, например, цели и мотивации самого субъекта управления. С точки зрения учета особенностей человеческого мышления и его влияния на качество достигаемых результатов, когнитивный подход (или когнитивный анализ, моделирование) в расширительном понимании, не привязанном к понятию когнитивной карты, смыкается с подходом О.И.Ларичева и его коллег в области методов принятия (выбора) решений. О.И.Ларичев различал субъективные и объективные модели в принятии решений, и для характеристики качества способов получения информации от ЛПР как «человеческой системы переработки информации» при формировании субъективных моделей ввел понятие психологической корректности [12,8]. Не пользуясь понятием «когнитивный», он широко применял знания из когнитивной психологии, в частности, результаты исследований по ограниченной рациональности человека1, которые дали основания психологам поднять проблему адекватности или, по крайней мере, практической ценности формальных нормативных методов принятия решений. Напомним, что понятие психологической корректности введено О.И.Ларичевым и его коллегами для характеристики качества способов получения информации от ЛПР. При этом психологическая корректность увязывалась, с одной стороны, с требованием надежности информации, поступающей от человека в компьютерную систему, а с другой, – с возможностями и ограничениями «человеческой системы переработки информации». В качестве показателей, отражающих надежность информации от ЛПР, в [8] выделялись устойчивость результатов, их согласованность и непротиворечивость.

1

Исследования по ограниченной рациональности продолжаются и по сей день. См. эссе лауреата нобелевской премии Д. Канемана [9] .

10

По результатам исследований, представленных в [12,8] и опирающихся на психологические исследования последних 30 лет, сделан вывод, что «мягкие» качественные измерения типа сравнения, отнесения к классу, упорядочения гораздо более надежны, чем назначение субъективных вероятностей, количественных оценок важности критериев, «веса», полезностей и вероятностей и т.п. Идеи Ларичева по учету этих знаний при создании формальных нормативных методов принятия решений тесно соприкасаются с известным прескриптивным подходом [12]. Этот подход выделен как промежуточный между дескриптивным подходом в психологии и нормативным подходом в области принятия решений. Его суть – в том, что знания, полученные из нормативных теорий, должны использоваться таким путем, который признает психологические знания о когнитивных ограничениях ЛПР. Еще один круг психологических исследований, значимый для создания нормативных методов решения задач на основе когнитивного подхода как в широком, так и в узком смысле, составляют исследования известного немецкого психолога мышления Д. Дёрнера. В его книге [9] представлен ряд характерных типов ошибок, которым подвержены не только дилетанты, но и эксперты при работе со сложными ситуациями.1 Типичность таких ошибок может рассматриваться как свидетельство недостаточной психологической корректности известных формальных моделей, применяемых для структурирования первичных знаний и представлений о сложных ситуациях.2

1

Например, - это неправильный выбор модели для экстраполяции при прогнозировании развития ситуации, в частности, принятие линейной модели, не соответствующей реальной динамике. 2 Д. Дёрнер фактически работает с моделями когнитивных карт ситуаций и систем, хотя и не пользуется этим понятием.

11

В работах автора данной статьи подход к решению задач моделирования, анализа, управления посредством формальных методов рассматривается с позиций человеческих факторов и их влияния на качество решения. В поле зрения оказывается широкий спектр моделей и методов, обрабатывающих качественную информацию и оценочные данные, и поддерживающих эти методы компьютерных технологий, включая • экспертные методы, • методы поддержки принятий решений, • методы когнитивного моделирования, • методы искусственного интеллекта. По выделенному основному признаку, формализации знаний экспертов и других специалистов, можно объединить такого рода методы под названием «субъектно-формальные методы». Однако из-за отсутствия общепринятого объединительного названия будем, в основном, пользоваться термином «экспертные методы». Когнитивный подход в узком смысле, связанный с применением формализованных когнитивных карт, рассматривается лишь в качестве типичного примера, в котором, так или иначе, проявляется исследуемый круг вопросов и проблем. Основной в проводимом цикле исследований является проблема риска из-за человеческих факторов в жизненном цикле субъектно-формальных методов, т.е. при их создании, обосновании и применении. С точки зрения проблемы рисков, целесообразно рассматривать некоторый формальный метод как субъектно-формальный, если для его применения необходимо участие человека. Тем самым, от человека могут существенно зависеть результаты и их качество, а значит, – и качество решения практических задач на основе данного метода. К значимым показателям во многих приложениях относится достоверность результатов применения метода, интуитивно понимаемая как возможность полагаться на эти результаты при решении кон-

12

кретной практической задачи1. Можно говорить и о достоверности метода как о его возможности давать достоверные результаты. Разрабатываемый автором и ее коллегами подход к проблеме рисков можно считать продолжением линии О.И.Ларичева, но – при существенном расширении как самого понятия психологической корректности, так и круга методов исследования. В частности, в числе источников риска оказываются не только ЛПР, аналитики или эксперты с их психологическими ограничениями, но и «носители» конкретных методов и подходов: ученые и посредники, берущие на себя функции «инженеров знаний» (в терминологии искусственного интеллекта). Именно от создателей моделей знаний, методов получения информации от человека зависит, будут ли конкретные экспертные методы и технологии иметь приемлемую психологическую корректность. 2. О некоторых результатах по проблеме рисков, обусловленных человеческим фактором Результаты исследований по названной проблеме рисков изза человеческого фактора в жизненном цикле субъектноформальных методов и связанных с ними компьютерных технологий, поддерживающих интеллектуальную деятельность человека, докладывались на всех конференциях CASC [1–5]. Направление исследований, в определенной степени, корректировалось в зависимости от реакции присутствующих на найденные результаты, порою неожиданные или вызывающие неоднозначный отклик.

1

Общее понятие достоверности, согласно его словарному толкованию [14], имеет два аспекта: объективную достоверность знания и субъективную уверенность, – которые мы различаем и учитываем при анализе достоверности результатов применения экспертных методов. Субъективная уверенность зависит от психологических факторов.

13

Здесь мы вкратце остановимся на некоторых положениях, значимость которых для практического построения когнитивных технологий в той или иной форме и степени подтвердилась в ходе дальнейших исследований. В [1] представлен анализ типичных технологий компьютерной поддержки интеллектуальной деятельности, использующих формализацию первичных знаний о проблемной ситуации (ПС) и их последующую формальную обработку. В центре внимания оказался тот факт, что в ходе применения таких технологий с целью получить новые знания для человека исходные знания проходят цепочку когнитивных преобразований, превращаясь в информацию при передаче от одного носителя знаний к другому. При этом в числе носителей знаний находятся и люди с различными ролями в рассматриваемой деятельности (включая ЛПР, аналитиков, экспертов, посредников) и «формальные эксперты» – компьютеры. В частности, возникают цепочки когнитивных отражений различных объектов и ситуаций реальности и знаний о них, в которых передаются знания «об одном и том же», как первичные, так и порожденные посредством компьютеров. Для характеристики таких процессов порождения знаний выдвинуты следующие тезисы. 1. Отражение различных объектов в сознании субъекта, в общем случае, происходит с искажением. Коротко говоря, имеет место искажающий эффект. 2. Неизбежным источником искажений в отраженных знаниях субъекта является сам субъект. 3. Передача знаний между субъектами, в общем случае, происходит с искажением. В качестве систематических источников риска в таких процессах выделены передачи знаний между разными носителями и схемы представления знаний, субъективные и представленные

14

общими моделями знаний. Риски такого рода обусловлены возможностью отрицательных искажающих эффектов1. Представления об искажающих эффектах, положительных и отрицательных, допустимых и недопустимых, в значительной мере, исходят из теоретических соображений, так что по отношению к конкретным технологиям их можно рассматривать лишь как более или менее значимые гипотезы. Вопрос состоит в том, какова их реальная практическая ценность. Некоторые ответы получены в проводимом в настоящее время экспериментальном анализе конкретной когнитивной технологии, одной из целей которого было выявление рисков. В этой технологии анализ проблемной ситуации производится посредством передачи знаний от носителя ПС к посреднику, который вводит данные-параметры ситуации в компьютер, после чего выведенные результаты моделирования интерпретируются как посредником, так и носителем исходной ПС. При этом формальная модель знаний ФМ2 является двухступенчатой: компьютерное моделирование производится в терминах числовой модели, ЧФМ, а для ввода и вывода используются вербальные оценки параметров модели (типа «значение фактора слабо растет»), так что пользователи «видят» вербализованную модель, ВФМ. Иначе говоря, общение с пользователем производится в терминах ВФМ. Тем самым, технология основана на интерфейсных понятиях, которые являются, по нашей терминологии, двуликими [2]. Процесс когнитивных преобразований при получении новых знаний конечным пользователем включает, помимо передач знаний между людьми и компьютером, еще и переводы из одного представления в другое.

1

Отрицательные искажающие эффекты или прямо препятствуют достижению целей, или, по крайней мере, служат источниками риска. 2 ФМ включает когнитивную карту ситуации и начальные значения, определяющие динамику факторов – их «тенденции изменения».

15

При этом у человека перевод исходных представлений на язык ФМ и «обратный перевод», т.е. понимание результатов моделирования, охватывает не только отдельные параметры, но и осмысление ситуации в целом (ее гештальта) и, при обратном переводе, увязку новых знаний с первичными представлениями. В результате экспериментов был установлен значимый отрицательный искажающий эффект при переходах знаний через посредников и компьютер, наличие которого, в общем случае, прогнозировалось по методу рефлексивного анализа из [1]. В частности, обнаружилось неадекватное причинно-следственное объяснение динамики ряда исследуемых ситуаций носителями технологии посредством «очевидной» для этих ситуаций когнитивной карты. Отрицательная роль проявившегося искажающего эффекта заключалась в маскировании неадекватного моделирования ПС, иначе говоря, в маскировании недостаточной достоверности полученных выводов. Прослеживалась зависимость наблюдаемых эффектов от понимания выразительных возможностей и ограничений теоретической модели и ее программной реализации носителями технологии и от искажающих эффектов в этом понимании. Важно было установить, являются ли эти эффекты и связанные с ними риски систематическими или они случайны, обусловлены особенностями отдельных людей. При поиске объяснения сложившейся ситуации учитывались когнитивные механизмы и факторы риска, найденные в результате прежних исследований. В рассматриваемом случае выделены следующие значимые объяснительные факторы1: – двуликие интерфейсные понятия, в которых интуитивно понятный смысл, ориентированный на пользователя, существенно отличается от более узкого и глубокого теоретического смысла;

1

Представленный перечень не полон; результаты эксперимента подлежат дальнейшему анализу.

16

– утрата гештальта моделируемой ситуации при переводах человеческих представлений на язык ФМ и обратно; – нечеткость содержательной интерпретации математической модели динамики ситуации относительно возможностей и целей моделирования. Наличие риска искажения смысла в интерфейсных понятиях за счет сокрытия теоретического смысла, в общем случае, прогнозировалось в [2]; в рассматриваемой технологии риск, судя по его проявлениям, оказался значимым для понятий «фактор» и, особенно, – «вес (сила) влияния», «начальная тенденция фактора». Утрату гештальта ситуации или, проще говоря, отрыв от реальной моделируемой ситуации у носителей технологии при переводах человеческих представлений на язык ФМ и обратно, удалось обнаружить при моделировании известных ситуаций в условиях, когда наблюдался конфликт между оценками адекватности результатов моделирования у разных людей. Действие механизма утраты гештальта как одного из когнитивных механизмов отрицательного искажающего эффекта при задании оценок параметров моделируемой ситуации может быть объяснено теоретически на основе моделей, которые представлены в [4,15]. (Само объяснение и его формализация требуют отдельной публикации.) В числе этих моделей – модель действия стереотипов и факторов влияния и модели эксперта-аналитика, которые, в свою очередь, опираются на психологические знания. Анализ конфликта оценок результатов моделирования у носителя ПС и носителей технологии, сводящий различие оценок к различию факторов влияния на них, проводился по схеме, аналогичной схеме анализа конфликта в [4]. В результате анализа выявлено преобладание ряда систематически действующих факторов влияния на носителей технологии, объясняющих их спорные оценки результатов моделирования. Среди этих факторов – и господство компьютерной парадигмы [1] (когда первичный анализ ситуации сводится к вводу входных данных в компьютер), и принцип «занятой позиции» Чалдини, и «эффект 17

Элизы» (эффект преувеличенного доверия результатам, полученным от компьютера), и др. Даже те немногие эксперименты по когнитивному моделированию ситуаций с заранее известными результатами, которые проведены на сегодня, служат свидетельством в пользу того, что риски, обусловленные человеческими факторами, практически значимы. При этом в числе источников риска действительно оказываются не только эксперты – носители знаний о проблемной ситуации, как это принято считать, но и носители конкретных методов и подходов: ученые, разработчики технологий и посредники. Уточним, что эти экспериментальные данные, описанные очень бегло, являются лишь дополнительными свидетельствами в пользу общего вывода, к которому приводит анализ. Основная проблема человеческих факторов при создании и применении методов и технологий компьютерной поддержки интеллектуальной деятельности, основанных на формализации человеческих знаний, проявляется в том, что такие методы и технологии не обеспечивают достоверности получаемых решений. При этом сегодня активно разрабатываются в разных теоретических направлениях и используются на практике методы и компьютерные технологии поддержки управленческой деятельности с более или менее низкой психологической корректностью. Это относится и к когнитивному подходу в узком смысле этого понятия. Достаточно напомнить, что общепринятыми являются такие операции получения информации от человека как назначение субъективных вероятностей, количественных оценок важности критериев, веса и т.п., несмотря на то, что их низкая психологическая некорректность на сегодня обоснована экспериментально. Очевидно, что невозможно ограничить применение современных субъектно-формальных методов и технологий из-за рисков, обусловленных их недостаточной психологической корректностью: велика потребность в таких методах, признана их практическая ценность; значим для практики и далеко не исчерпан потенциал когнитивных методов и технологий при 18

решении сложных слабо структурированных проблем. Поэтому практически важно во избежание существенных рисков при принятии управленческих решений, научиться применять знания о когнитивных механизмах, создающих риски, в ходе создания и применения рискованных методов и технологий. 3. О подходах к защите от рисков из-за человеческого фактора. Критерии достоверности формализации Отсутствие гарантий достоверности современных субъектно-формальных методов и соответствующих компьютерных технологий делает целесообразным при их использовании, особенно – для приложений с высокой ценой риска, общий принцип защиты от рисков из-за человеческого фактора в процессе применения данного метода и его результатов для решения конкретной практической задачи, начиная с ранних этапов. При этом под процессом применения метода подразумевается не только однократное или многократное получение результатов по данному методу, но и разного рода предварительная подготовка, равно как и использование результатов в ходе решения требуемой практической задачи (вплоть до завершения «миссии»). Иначе говоря, должен охватываться весь жизненный цикл создания, применения и обоснования определенного метода или технологии. Реализация общего принципа может состоять в разработке различных мер, направленных на выявление и «блокирование» или, по крайней мере, ограничение роли рисков в ходе применения данного метода или технологии и внедрении таких мер в соответствующую технологию. К таким мерам относятся: анализ рисков для достоверности, специфичных для принятых общих моделей формализованного представления первичных знаний человека, и отладка формализованных знаний с контролем над рисками; априорный и апостериорный контроль применимости определенной общей модели знаний, лежащей в основе формализации, к конкретной практической ситуации [6]. 19

Одно из направлений поисков, связанных с реализацией общего принципа, состоит в выявлении конкретных критериев достоверности формализации и развитии методологии выявления таких критериев. Целесообразность этого направления вытекает из знаний о разнообразных факторах риска, действующих на этапе формализации, которые известны уже сегодня. В дополнение к известным исследованиям по надежности и психологической корректности операций получения информации от человека, ряд когнитивных механизмов, создающих или усиливающих риски, выявлен в работах [1–4]. Даже в экспериментальной работе [5], в которой основной целью было выявление положительных эффектов формализации первичных знаний при анализе управленческих ситуаций, мы фактически столкнулись с неожиданным отрицательным эффектом. В ходе формализации часть первичных знаний, которая, как оказалось позднее, была значима для решения задачи, не вошли в формализованную модель, и лишь введение дополнительных средств формализации привело к их экспликации. На сегодня автором с коллегами проведены некоторые не только теоретические, но и эмпирические исследования в направлении выявления критериев достоверности формализации [6]. При этом особый интерес представляют критерии, применимые на ранних этапах применения определенного метода, т.е. до формальной обработки модели исходных знаний экспертов или других специалистов. Анализ рисков, которые могут обнаруживаться с помощью тех или иных критериев, проводился для следующих типов общих моделей формализованных знаний: (1) модели когнитивных карт; (2) модель дерева показателей со взвешенным усреднением частных показателей при оценке качества программного обеспечения, связанного с безопасностью; (3) модель нечеткого алгоритма с операторами перехода по примерному равенству в сочетании с двумя моделями для оценки достоверности (истинности) альтернативных результатов применения алгоритма. 20

В состав критериев отсутствия рисков, уместных для моделирования на основе когнитивных карт, входят • общий критерий адекватности перевода промежуточной вербализованной модели исходных знаний, ориентированной – на человека, – на язык математической модели; • критерии когнитивной ясности (проще говоря, легкости интуитивного понимания) конечной модели, которые проверяются по лингвистическим признакам. Общий критерий адекватности перевода на язык математической модели конкретизируется в ряде частных критериев. Один из них, критерий (соразмерной) полноты влияний на фактор, может рассматриваться как критерий, который блокирует типичный вид ошибок, обнаруженных психологом Д. Дёрнером. Суть этой ошибки состоит в том, что за счет упущения отдельных факторов, соразмерных по значимости влияния на некоторый выделенный фактор, при последующем моделировании происходит фактическое преувеличение роли факторов, представленных в модели. Исследования по критериям достоверности, проведенные на сегодня, свидетельствуют в пользу гипотезы о продуктивности единого подхода к проблеме достоверности формализованных знаний для разных типов моделей. При этом становится возможным перенос знаний об источниках риска, критериях обнаружения рисков и прямых ошибок, методах анализа, которые получены на одном типе моделей и решаемых задач, на другие типы. Подтверждается также идея целесообразности междисциплинарной интеграции знаний при решении вопросов, связанных с достоверностью формализованных знаний. 4. Некоторые проблемы и перспективы, связанные с рисками из-за человеческого фактора Исходя из динамики исследований по проблеме рисков, обусловленных ролью человеческих факторов в жизненном цикле экспертных, когнитивных или иных субъектно21

формальных методов, и по психологической корректности таких методов и связанных с ними компьютерных технологий, можно выделить несколько практически значимых исследовательских проблем. К ним относятся • научно-методологическая проблема обоснованности современных научных представлений о том, как думает и как должен думать человек (эксперт, аналитик, ЛПР, менеджер), и соответствующих нормативных – по отношению к человеку – теоретических моделей, закладываемых в тот или иной субъектно-формальный метод; • проблема научного языка для субъектно-формальных методов; • прикладная проблема качества конкретных знаний, порождаемых при использовании определенных экспертных методов и технологий в условиях действия человеческих факторов. Суть проблемы обоснованности в том, что она лежит за пределами современной науки, опирающейся на формальные методы [5]. Сегодня представляется целесообразным обратиться к принципу (концепции) эмпирического обоснования выбора тех или иных видов и средств формализации. Согласно этому принципу, обоснование такого выбора должно опираться на эмпирические данные, свидетельствующие об адекватности или, по крайней мере, приемлемости их влияния на качество решения практических задач управления в условиях действия рисков изза человеческих факторов. С другой стороны, необходим научный язык для описания и анализа качества результатов применения субъектноформальных методов. Сложность здесь состоит в том, чтобы можно было разделять чисто математические и человеческие аспекты, но, при необходимости, прослеживать влияние нормативных математических допущений на качество результатов, получаемых при участии человека. Прикладная проблема качества конкретных знаний, порождаемых в условиях действия человеческих факторов, по мнению автора, может, в значительной степени, решаться за счет учета этих факторов при построении интерфейса соответствующих 22

компьютерных технологий. Тем самым на повестку дня выходит проблема построения человеко-ориентированного интерфейса когнитивных технологий и других технологий поддержки интеллектуальной деятельности. Одна из целей при построении такого интерфейса должна состоять в защите от рисков, обусловленных человеческих фактором. В настоящее время автор с коллегами, работающими в области когнитивных технологий, планирует проведение цикла теоретических и экспериментальных исследований, направленного на разработку принципов построения такого интерфейса.

6.

7.

8.

Литература 1.

2.

3.

4.

5.

АБРАМОВА Н.А., КОВРИГА С.В. На пути от информационных технологий к технологиям знаний // 1-ая Межд. конф. «Когнитивный анализ и управление развитием ситуаций». Труды конф. – М.: ИПУ РАН, том 3, 2001, стр. 149–155. АБРАМОВА Н.А. О формировании интерфейсных понятий компьютерных технологий и психологической корректности // 2-ая Межд. конф. «Когнитивный анализ и управление развитием ситуаций». Труды конф. – М.: ИПУ РАН, том 2, 2002, стр. 26–35. АБРАМОВА Н.А. О поиске подходов к созданию психологически корректных интеллектуальных технологий // Труды 3–ей Межд. конф. «Когнитивный анализ и управление развитием ситуаций». Том 2. – М.: ИПУ РАН, 2003, с.153–158. АБРАМОВА Н.А., КОВРИГА С.В. О рисках, связанных с ошибками экспертов и аналитиков // Труды 4–ой Междунар. конф. «Когнитивный анализ и управление развитием ситуаций» – М.: ИПУ РАН, том 2, 2004, – С. 12–23. АБРАМОВА Н.А., ВАССУНОВ И.В. О влиянии формализации на адекватность когнитивной модели управленческой ситуации // Тр. 5-й Междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. – М.: 2005. – С. 47–51 23

9. 10. 11.

12. 13.

14. 15.

24

АБРАМОВА Н.А., КОВРИГА С.В., НОВИКОВ Ф.В. О достоверности формализованных знаний и некоторых критериях ее оценки // Тез. докл.. 3-ей междунар. конф. по проблемам управления / ИПУ РАН. − М.: 2006. – Т.2. – С. 157. АВДЕЕВА З.К., КОВРИГА С.В., МАКАРЕНКО Д.И., МАКСИМОВ В.И. Когнитивный подход в управлении. // Проблемы управления. – 2007.– Спец. выпуск памяти И.В. Прангишвили – в печати. АСАНОВ А.А., ЛАРИЧЕВ О.И. Влияние надежности человеческой информации на результаты применения методов принятия решений. // Автоматика и телемеханика. № 5. 1999. С.20–31. ДЁРНЕР Д. Логика неудачи. Стратегическое мышление в сложных ситуациях. – М.: Смысл, 1997. – 243 с. КАНЕМАН Д. Карты ограниченной рациональности: психология для поведенческой экономики. // Психологический журнал. 2006. №2. Том 27. С.5–28. КУЗНЕЦОВ О.П., КУЛИНИЧ А.А., МАРКОВСКИЙ А.В. Анализ влияний при управлении слабоструктурированными ситуациями на основе когнитивных карт // Человеческий фактор в управлении / Под ред. Н.А. Абрамовой, К.С. Гинсберга, Д.А. Новикова. – М.: КомКнига, 2006. – С. 313–344. ЛАРИЧЕВ О. И., МОШКОВИЧ Е. M. Качественные методы принятия решений. Вербальный анализ решения. M.: Наука, 1996. Панорама развития представлений о человеческом факторе в науке управления. Предисловие. // Человеческий фактор в управлении / Под ред. Н.А. Абрамовой, К.С. Гинсберга, Д.А. Новикова. – М.: КомКнига, 2006. – С. 6–54. Советский энциклопедический словарь. – М.: Изд-во «Советская энциклопедия», 1980. ABRAMOVA N.A. A subject of intellectual activity under cognitive control of ambient intelligence. // 9th IFAC AshBoHC’06 symposium. Preprint. May 2006

16. Decision making. Descriptive, normative and prescriptive interactions // Edited by D.E. Bell, H. Raiffa, A. Tversky. – Cambridge University Press, 1988.

КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ ДЛЯ РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ СЛАБОСТРУКТУРИРОВАННЫМИ СИСТЕМАМИ (СИТУАЦИЯМИ) Авдеева З.К., Коврига С.В., Макаренко Д.И. (Институт проблем управления РАН, г. Москва) [email protected] В статье выделен класс управленческих задач, для решения которых целесообразно применение когнитивного моделирования. Введены основные определения. Обозначены некоторые направления дальнейшего развития когнитивного подхода в моделировании. Ключевые слова: слабоструктурированная система (ситуация), формализация первичных представлений, когнитивная карта, когнитивное моделирование, статический и динамический анализ ситуаций Введение

25

Одним из новых направлений современной теории поддержки и принятия решений является когнитивное моделирование при исследовании управления слабоструктурированных систем и ситуаций [7–8, 11–20, 22–25, 29, 30, 32, 34–36 и др.]. Академик ГАН И.В. Прангишвили, говоря о методах эффективного управления сложными системами, выделяет среди оправдавших себя на практике научных методов повышения эффективности управления в организационных, социальноэкономических и политических системах когнитивное моделирование для решения слабоструктурированных проблем, которые часто встречаются при управлении сложными системами [26, 27]. Краткая история становления когнитивного подхода в управлении представлена в [5]. Основной целью статьи является 26

выделение класса управленческих задач, для решения которых применяется когнитивное моделирование, уточнение базовых понятий и определение основных направлений исследований в рамках дальнейшего развития когнитивного подхода в моделировании. 1. Управленческие задачи, для решения которых целесообразно применение когнитивного моделирования В науке управления традиционные теоретические методы (в рамках теории рационального выбора) концентрируют внимание на процессах поиска оптимального решения из фиксированного набора альтернативных решений для достижения четко поставленной цели. Вопросы идентификации проблем, формирования целей и множества альтернатив их достижения зачастую остается в стороне. В реальных управленческих ситуациях очень часто возникает задача, которая состоит не в том, чтобы сделать выбор между альтернативными решениями, а в том, чтобы проанализировать ситуацию для выявления реальных проблем и причин их появления. Понимание проблемы – обязательное предварительное условие нахождения приемлемого решения. При этом для СС характерны проблемы, которые с трудом поддаются вычленению в исследуемой управленческой ситуации, что ограничивает возможности применения традиционных методов поиска оптимального (или даже удовлетворительного) управленческого решения в задачах управления такими системами. Одной из причин является недостаток информации о состоянии СС в условиях слабо контролируемой и изменяющейся внешней среды. Отсутствие достаточных знаний о системе, относительно которой принимается решение, не является единственной неопределенностью, обусловленной субъективными причинами. Также можно выделить неопределенность целей развития СС и критериев выбора управленческого решения [10, 31]. Как правило, неудовлетворенность текущим состоянием системы осознается субъектом управления, но его представле27

ния о причинах и возможных способах изменения ситуации в СС размыты, нечетки и противоречивы. Формализация нечетких представлений – одна из главных задач, которую надо решать при разработке моделей и методов принятия решений в слабоструктурированных ситуациях [10]. Важно также учесть, что субъекту управления очень часто приходиться принимать решения в постоянно изменяющихся условиях и при ограниченных временных ресурсах. Другая трудность связана с тем, что субъекту управления приходится манипулировать качественной информацией в виде гипотез (предположений), интуитивных понятий и смысловых образов. Многочисленные исследования процессов принятия решений подтверждают, что субъекту управления несвойственно мыслить и принимать решения только в количественных характеристиках. Он мыслит, прежде всего качественно, и для него поиск решения – это, поиск, в первую очередь, замысла решения, где количественные оценки играют вспомогательную роль [10]. Поэтому структуры знания в мышлении субъекта управления, оказываются важнейшими элементами ситуации, неустранимыми из модели принятия решений. Особенностью исследования СС является то, что процесс подготовки и принятия решений по управлению СС, как правило, является групповой деятельностью. Каждый участник этого процесса представляет проблемную ситуацию исходя из “своих” внутренних представлений и знаний (картины, модели мира) о ситуации. Картина мира включает в себя набор убеждений, особенностей восприятия, ценностных и практических установок субъекта, которыми он руководствуется в своей деятельности и влияет на процесс разрешения проблемной ситуации. Таким образом, подготовку и принятие решений в задачах управления СС, следует рассматривать как сложный интеллектуальный процесс разрешения проблем, несводимый исключительно к рациональному выбору. Для поддержки этого процесса требуются новые подходы к разработке формальных моделей и методов решения проблем и формирования целей развития СС, особенно на ранних этапах подготовки управленческих реше28

ний. В [21] отмечается, что первый этап при применении методов принятия решений: “предварительный анализ проблемы и ее структуризация”, – является наиболее сложным и трудно формализуемым. На этом этапе к работе привлекаются “опытные консультанты–аналитики”, а арсенал применяемых методов, как правило, включает эвристические экспертные методы (мозговой штурм, интервьюирование и т.п.). Когнитивный подход к моделированию и управлению СС направлен на разработку формальных моделей и методов, поддерживающих интеллектуальный процесс решения проблем благодаря учету в этих моделях и методах когнитивных возможностей (восприятие, представление, познание, понимание, объяснение) субъектов управления при решении управленческих задач. 2. Основные понятия и модели в современном когнитивном моделировании Ключевые понятия, сложившиеся и широко используемые в рамках когнитивного подхода и его различных школ, в публикациях зачастую не определяются; при этом нередко возникает неоднозначность понимания вплоть до противоречий как из-за различий понимания в разных школах, так и, в некоторых случаях, в рамках одной школы. В статье предпринята попытка уточнить некоторые основные понятия когнитивного подхода к решению задач анализа и управления СС. Также в данном разделе кратко рассмотрены основные типы математических моделей, используемых в современном когнитивном подходе к решению задач анализа и управления СС. Когнитивное моделирование в задачах анализа и управления СС − это исследование функционирования и развития слабоструктурированных систем и ситуаций посредством построения

29

модели СС (ситуации) на основе когнитивной карты1. В этой модели когнитивная карта [7, 13, 15, 22, 24, 32] отражает субъективные представления (индивидуальные или коллективные) исследуемой проблемы, ситуации, связанной с функционированием и развитием СС2. Основными элементами когнитивной карты являются базисные факторы3 (или просто факторы) и причинно-следственные связи между ними [7, 13, 15, 22, 24, 32]. Содержательно, базисные факторы – это факторы4, которые (1) определяют и ограничивают наблюдаемые явления и процессы в СС и окружающей ее среде и (2) интерпретированы субъектом управления как существенные, ключевые параметры, признаки этих явлений и процессов. При становлении когнитивного подхода принятым было формальное представление когнитивной карты в виде знакового графа, т.е. ориентированного графа, вершинам которого сопоставлены факторы, а ребрам – знаки (+ или –). В последнее время все чаще когнитивная карта представляется в виде взвешенного графа, в котором вершинам сопоставляются факторы, а ребрам – веса в той или иной шкале. Поэтому можно принять, что формально общей для всех работ когнитивного подхода являет1

Модель включает когнитивную карту как обязательный элемент наряду с возможными другими параметрами. Во многих публикациях, развивающих когнитивный подход к управлению СС, когнитивную карту часто отождествляют с когнитивной моделью. Однако следует помнить, что в психологических исследованиях понятие “когнитивная модель” связывается с ментальной моделью субъекта, порожденной под воздействием его познавательных возможностей. 2 В рамках формирования когнитивного подхода в науке управления термин “когнитивная карта” понимается в широком смысле, т.е. не связывается с представлениями в контексте пространственной ориентации, как это принято в психологических исследованиях. 3 В различных публикациях также используется термины “концепт” [7, 30, 32, 34–36] , “параметр” [18, 20, 29] или “переменная” [9]. 4 Фактор (от лат. factor – действующий, производящий) – причина, движущая сила к.-л. процесса, явления, определяющая его характер или отдельные его черты [6].

30

ся когнитивная карта в виде знакового или взвешенного графа над множеством факторов. Как отмечено в [15], различные интерпретации вершин, ребер и весов на ребрах, а также различные функции, определяющие влияние связей на факторы, приводят к различным модификациям когнитивных карт и средствам их исследования. При этом интерпретации могут различаться как в содержательном плане, так и в математическом. Благодаря наличию множества модификаций когнитивных карт можно говорить о различных типах моделей, основу которых составляют эти карты. Выбор способа структурирования слабоструктурированных систем и ситуаций в виде множества факторов и причинноследственных связей между ними не случаен1. Он обусловлен тем, что явления и процессы функционирования и развития СС включают в себя различные события, тенденции, определяемые многими факторами, причем каждый в свою очередь влияет на некоторое число других факторов. Образуются сети причинных отношений между ними [9, 25, 32, 33]. В книге известного немецкого психолога Д. Дëрнера2 [9], посвященной исследованию мышления субъекта управления и анализу причин ошибок при разрешении проблемных ситуаций в функционировании и развитии сложных систем, указывается, что “сиюминутная ситуация с ее признаками – это только актуальное состояние системы и ее переменных. Следует не только понимать, что происходит,

1

Различают пять видов когнитивных карт по типу используемых отношений [32, 34]: (1) оценивающих фокусирование внимания, ассоциации и важность понятий (концептов); (2) показывающих размерность категорий и когнитивных таксономий; (3) представляющих влияние, причинность и системную динамику (каузальные когнитивные карты); (4) отражающих структуру аргументов и заключений; (5) иллюстрирующих фреймы и коды восприятия. Практика применения когнитивных карт показывает, что для исследования СС целесообразно применение карт третьего вида [32]. 2 Дернер явно не использует понятия “когнитивная карта”, но по существу в своей работе пишет именно о них.

31

но и предвидеть, что произойдет или может произойти в будущем, а также предположить, как будет изменяться ситуация в зависимости от конкретных вмешательств. Для этого требуется структурное знание, то есть знание о том, как системные переменные взаимосвязаны и влияют друг на друга”. Дëрнер отмечает, что в идеальном варианте это знание представляется в форме “математических функций”, но в случае невозможности построения последних, применимы схемы причинно-следственных отношений, позволяющие реконструировать различного рода предположения (гипотезы), содержащиеся в голове субъекта управления, причем не в виде “каузальных цепей”, а в виде “каузальных сетей”. Исследование взаимодействия факторов позволяет оценивать “распространение влияния по когнитивной карте, изменяющее их состояние (значение). Поведение (состояние) системы может быть описано на основе значений системных переменных, что делает возможным использование классических подходов из теории систем, в частности, для моделирования, анализа динамики, управления…Анализ когнитивной карты позволяет выявить структуру проблемы (системы), найти наиболее значимые факторы, влияющие на нее, оценить воздействие факторов (концептов) друг на друга. Если в когнитивной карте выделены целевые и входные концепты, на которые можно воздействовать, то круг решаемых задач включает оценку достижимости целей, разработку сценариев и стратегий управления, поиск управленческих решений” [32]. Согласно [15], задачи анализа ситуаций на основе когнитивных карт можно разделить на два типа: статические и динамические. Статический анализ, или анализ влияний – это анализ исследуемой ситуации посредством изучения структуры взаимовлияний когнитивной карты. Анализ влияний выделяет факторы с наиболее сильным влиянием на целевые факторы, т.е. факторы, значения которых требуется изменить. Динамический анализ лежит в основе генерации возможных сценариев развития ситуации во времени. Таким образом, возможности решения 32

задач анализа и управления определяются типом используемых моделей – статических или динамических. Для проведения обоих видов анализа, как правило, используется математический аппарат двух типов: аппарат линейных динамических систем и аппарат нечеткой математики. В недавних обзорах довольно подробно освещены современные направления когнитивного подхода для моделей, основанных на нечеткой математике [7, 30, 32], и статических моделей (при использовании различного математического аппарата) [15]. Вкратце остановимся на современных исследованиях СС и ситуаций, использующих линейные динамические модели, которые в статье представлены работами [12–14, 18–20, 22–24]. Формально в линейной динамической модели, основу которой составляет когнитивная карата, фактор определяется как переменная, принимающая значения из некоторой числовой шкалы. Изменение значений факторов во времени задается формулой [14, 20, 23, 24, 29, 32]

xi (t + 1) = xi (t ) + ∑ aij (x j (t ) − x j (t − 1)), i = 1,..., N , j∈I i

где xi(t+1) и xi(t) – значение i-го фактора в моменты времени t+1 и t соответственно, x j (t ) − x j (t − 1) = ∆xj(t) – приращение фактора xj в момент времени t, aij – вес влияния фактора xj на фактор xi, Ii – количество факторов, непосредственно влияющих на фактор xi. В работах научного коллектива В.В. Кульбы [14, 20] предложен подход к анализу устойчивости СС, основанный на методологии знаковых и функциональных графов и импульсных процессов на них. Центральным вопросом в исследованиях становится устойчивость систем и поиск стратегий управления на основе модификации структуры с целью стабилизации моде33

лируемых процессов. В рамках созданного подхода исследуется явление резонанса, возникающего в результате взаимодействия циклов. Ставится и решается задача аппроксимации произвольного орграфа орграфом специальной структуры – розой. Разработана методология формирования сценариев развития СС, которая позволяет проводить исследования их поведения при различных управляющих воздействиях [18, 19]. Исследование динамики процессов СС основано на допущении о возможности модификации структуры модели. Изменение структуры модели, например, установление или удаление взаимосвязей между факторами, сопряжено с учетом ограничений, учитывающих возможность предметной интерпретации полученных решений. Опыт применения моделей, построенных на когнитивных каратах, для решения слабоструктурированных проблем показал, что во многих случаях модификация структуры сложно интерпретируется в терминах предметной области. Поэтому в основу работ В.И. Максимова и его коллег положен анализ устойчивых процессов в модели, поскольку наличие устойчивости необходимо для корректной предметной интерпретации исследуемых явлений [13, 24]. Особое внимание в исследованиях научного коллектива В.И. Максимова уделяется (1) поиску и разработке методов структуризации первичных представлений субъекта управления, направленных на построение когнитивных карт; (2) повышению технологичности, научно-методической и инструментальной поддержки решения практических задач управления. Разработаны: метод структурно-целевого анализа развития СС; подход к исследованию конфликтных ситуаций, порождаемых противоречиями в интересах субъектов, которые оказывают влияние на развитие исследуемой системы; подход и методы решения слабоструктурированных проблем и формирования сценариев развития СС [5, 11, 12, 23]. При этом проблема определяется как несоответствие существующего состояния СС или его динамики желательному состоянию, которое задано субъектом управления. Комплексное использование перечисленных методов по34

зволяет проводить статический и динамический анализ при исследовании СС. 3. Некоторые направления дальнейших исследований

Опыт применения различных моделей и методов на базе когнитивного подхода (в России и за рубежом), повышающийся интерес управленцев-практиков к разработкам в данном направлении показывают целесообразность развития данного подхода в управлении. При этом следует отметить наличие нерешенных (или отчасти решенных) проблем. Выделим некоторые направления исследований, которыми авторы будут заниматься в рамках дальнейшего развития когнитивного подхода в моделировании и управлении. • Разработка теоретических основ, методов и технологий построения моделей на базе когнитивного подхода при исследовании слабоструктурированных систем и ситуаций. В этом направлении планируется сформировать основные принципы и систему критериев, ориентированные на повышение достоверности формализации первичных знаний (представлений) [1–4]. Разрабатывается общая концептуальная схема управления процессом построения модели слабоструктурированной системы (ситуации). Разрабатывается подход к формализации первичных представлений о слабоструктурированной проблеме в виде коллективной когнитивной карты с целью обобщения и согласования разных представлений у носителей проблемы, компетентных в различных предметных областях знаний. Решение этой задачи опирается на разработанные методы концептуальной структуризации и критерии и частные технологии формирования и согласования коллективных понятий [28]. Планируется проведение цикла работ по интеграции когнитивного подхода и методов теории активных систем, поскольку в обоих научных направлениях большое значение отводится исследованию сложных систем, в которых одним из основных 35

элементов являются активные субъекты, существенно влияющие на эффективность управления системой. • Развитие инструментальных средств поддержки интеллектуальной деятельности человека при управлении развитием слабоструктурированных систем и ситуаций. В настоящее время разработан программно-аналитический комплекс, в котором реализованы функции построения моделей на основе когнитивные карты, структурно-целевого анализа, сценарного моделирования и сравнительной оценки сценариев. Модульная архитектура разработанного комплекса позволяет наращивать его другими инструментальными средствами решения различных задач управления, а также взаимодействовать с современными информационно-аналитическими системами (например, системами сбора и анализа информации, ERP – системами). Литература

1.

2.

3.

4.

36

АБРАМОВА Н.А., ВАССУНОВ И.В. О влиянии формализации на адекватность когнитивной модели управленческой ситуации // Тр. 5-й междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. – М.: 2005. – С. 47-51. АБРАМОВА Н.А., КОВРИГА С.В. О некоторых аспектах формирования и согласования понятий и их влияния на качество интеллектуальной деятельности // Тез. докл. 2-ой междунар. конф. по когнитивной науке / СПГУ. − СПб.: 2006. – Т.2. – С. 607. АБРАМОВА Н.А., КОВРИГА С.В. О рисках, связанных с ошибками экспертов и аналитиков // Тр. 4-ой междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2004) / ИПУ РАН. − М., 2004. − Т.2. – С. 12-23. АБРАМОВА Н.А., КОВРИГА С.В., НОВИКОВ Ф.В. О достоверности формализованных знаний и некоторых критериях ее оценки // Тез. докл.. 3-ей междунар. конф. по проблемам управления / ИПУ РАН. − М.: 2006. – Т.2. – С. 157.

5.

6. 7.

8. 9. 10. 11. 12. 13.

14.

15.

АВДЕЕВА З.К., КОВРИГА С.В., МАКАРЕНКО Д.И., МАКСИМОВ В.И. Когнитивный подход в управлении // Проблемы управления, 2007. – Спец. выпуск памяти И.В. Прангишвили (в печати). Большая советская энциклопедия. 3-е изд. – М.: Советская энциклопедия, 2001. – http://slovari.yandex.ru/search.xml? text= enc_abc&enc_abc=*&how=enc_abc_rev&encpage=bse. БОРИСОВ В.В., БЫЧКОВ И.А., ДЕМЕНТЬЕВ А.В. и др. Компьютерная поддержка сложных организационнотехнических систем – М.: Горячая линия – Телеком, 2002. – 154 с. ГОРЕЛОВА Г.В., ДЖАРИМОВ Н.Х. Региональная система образования, методология комплексных исследований. – Майкоп: 2002. – 360 с. ДЁРНЕР Д. Логика неудачи. Стратегическое мышление в сложных ситуациях. – М.: Смысл, 1997. – 243 с. ДИЕВ В.С. Нечеткость в принятии решений // Философия науки. – 1998. – № 1(4). – С. 45–52. КОВРИГА С.В. Методические и аналитические основы когнитивного подхода к SWOT-анализу // Проблемы управления, 2005, №5. − С. 58–63. КОВРИГА С.В., МАКСИМОВ В.И. Применение структурно-целевого анализа развития социально-экономических ситуаций // Проблемы управления, 2005. – №3. – С. 39–43. КОРНОУШЕНКО Е.К., МАКСИМОВ В.И. Управление процессами в слабоформализованных средах при стабилизации графовых моделей среды // Труды ИПУ РАН: Сб. науч. Тр. – М.: ИПУ РАН, 1999. – Т.2. – С. 82–94. КОСЯЧЕНКО С.А., КУЗНЕЦОВ Н.А., КУЛЬБА В.В., ШЕЛКОВ А.Б. Модели, методы и автоматизация управления в условиях чрезвычайных ситуаций // Автоматика и телемеханика. – 1998. – №6. – С. 3–66. КУЗНЕЦОВ О.П., КУЛИНИЧ А.А., МАРКОВСКИЙ А.В. Анализ влияний при управлении слабоструктурированными ситуациями на основе когнитивных карт // Человеческий 37

16. 17.

18.

19.

20.

21.

22.

23. 24.

38

фактор в управлении / Под ред. Н.А. Абрамовой, К.С. Гинсберга, Д.А. Новикова. – М.: КомКнига, 2006. – С. 313–344. КУЛИНИЧ А.А. Когнитивная система поддержки принятия решений “Канва” // Программные продукты и системы. –2002. – №3. КУЛИНИЧ А.А., ТИТОВА Н.В. Интеграция нечетких моделей динамики и оценивания ситуаций // Тр. 5-й междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. – М.: 2005. – С. 107– 126. КУЛЬБА В.В., КОНОНОВ Д.А., КОСЯЧЕНКО С.А., ШУБИН А.Н. Методы формирования сценариев развития социально-экономических систем. – М.: СИНТЕГ, 2004. – 296 с. КУЛЬБА В.В., КОНОНОВ Д.А., ЧЕРНОВ И.В., ЯНИЧ С.С. Сценарии управления государством (на примере Союза Сербии и Черногории) // Проблемы управления. – 2005. – №5. – С. 33–41. КУЛЬБА В.В., МИРОНОВ П.Б., НАЗАРЕТОВ В.М. Анализ устойчивости социально-экономических систем с использованием знаковых орграфов // Автоматика и телемеханика. – 1993. – №7. – С. 130–137. ЛАРИЧЕВ О.И., ПЕТРОВСКИЙ А.Б. Системы поддержки принятия решений: современное состояние и перспективы развития // Итоги науки и техники. – М.: ВИНИТИ, 1987. – Т.21. – С. 131-164. МАКСИМОВ В.И. Когнитивные технологии – от незнания к пониманию // Тр. 1-ой междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2001) / ИПУ РАН. − М., 2001. − Т.1. – С. 4–41. МАКСИМОВ В.И. Структурно-целевой анализ развития социально-экономических ситуаций // Проблемы управления, 2005. – №3. – С. 30–38. МАКСИМОВ В.И., КОРНОУШЕНКО Е.К. Аналитические основы применения когнитивного подхода при решении сла-

25. 26.

27. 28. 29. 30. 31. 32. 33. 34. 35. 36.

боструктурированных задач // Труды ИПУ РАН: Сб. науч. Тр. – М.: ИПУ РАН, 1999. – Т.2. – С. 95–109. ПЛОТИНСКИЙ Ю.М. Модели социальных процессов / Изд. 2-е, перераб. и доп. – M.: Логос, 2001. – 296 с. ПРАНГИШВИЛИ И.В. О методах эффективного управления сложными системами // Тр. 5-ой междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. − М., 2005. – С. 7–15. ПРАНГИШВИЛИ И.В. Системный подход и общесистемные закономерности. – М.: СИНТЕГ, 2000. – 528 с. ПРАНГИШВИЛИ И.В., АБРАМОВА Н.А., СПИРИДОНОВ В.Ф. и др. Поиск подходов к решению проблем – М.: СИНТЕГ, 1999. − 192 с. РОБЕРТС Ф. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. – М.: Наука, 1986. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. – М.: ИНПРО–РЕС, 1995. – 228 с. ТРАХТЕНГЕРЦ Э.А. Субъективность в компьютерной поддержке решений. – М.: СИНТЕГ, 2001. – 256 с. ФЕДУЛОВ А.С. Нечеткие реляционные когнитивные карты // Теория и системы управления. – 2005. – №1. – С. 120–132. ХЕЙС Д. Причинный анализ в статистических исследованиях. – М.: Финансы и статистика, 1980. – 255 с. HUFF A.S. Mapping strategic thought // Mapping strategic thought / Ed. by A. S. Huff . – Chichester: Wiley, 1990. – P. 11– 49. KOSKO B. Fuzzy cognitive maps // International Journal of Man-Machine Studies, 1986. – Vol. 1. – P. 65–75. Structure of Decision. The Cognitive Maps of Political Elites / Ed. by R. Axelrod. – Princeton: Princeton University Press, 1976. − 405 p.

39

ЭМОЦИИ КАК РЕГУЛЯТОР СОВМЕСТНОЙ КОГНИТИВНОЙ ДЕЯТЕЛЬНОСТИ Беляев И.П. (Московский государственный строительный университет, г. Москва) [email protected] Предметом обсуждения статьи является следующий экспериментально полученный феномен: в ходе реализации совместной деятельности только в одной из групп не произошло переструктуризации организационной структуры. В остальных группах процесс переструктуризации был реализован в различных формах, вплоть до разделения группы на отдельные подгруппы различной организации. Ключевым обстоятельством является то, что переструктуризация стартовала с перехода межличностного взаимодействия в группе в эмоциональный план. Ключевые слова: организационная система, игровой подход, когнитивная деятельность, эмоции Введение

Традиционно под знанием понимают в первую очередь набор логически непротиворечивых данных, пригодных для успешного принятия решений в различных отраслях деятельности Человека! По молчаливому соглашению Человек остается за скобками, а в скобках – чисто рациональная, то есть очищенная от примеси субъективизма, нерациональности, нелогичности, противоречий и ошибок деятельность. Но зачастую знание добывается совсем другими путями. И уже потом строятся логически непротиворечивые когнитивные схемы и модели. Одним из эффективных инструментов изучения совместной когнитивной деятельности представляется игровой подход. 40

В [5] проведено исследование механизмов совместной деятельности при построении когнитивной модели предметной области из отдельных фрагментов, которыми владели участники исследовательской деловой игры. В игре участвовало по 6-8 человек в каждой из групп. Всего было организовано шесть игровых групп, три из которых не имели явно назначенного лидера, а в трех других был назначен лидер – менеджер игры. Предметом обсуждения данной статьи является следующий экспериментально полученный феномен: в ходе реализации совместной деятельности только в одной из групп не произошло переструктуризации организационной структуры. В остальных процесс переструктуризации был реализован в различных формах, вплоть до разделения группы на отдельные подгруппы различной организации. Ключевым обстоятельством является то, что переструктуризация стартовала с перехода межличностного взаимодействия в группе в эмоциональный план. Эмоции как регулятор совместной деятельности В общем случае, как в ходе индивидуальной деятельности, так и межличностного взаимодействия, любое действие и взаимодействие начинается с восприятия некоторой сущности, или субъект-объектной реальности, имеющей один следующих типов [1]: Re – объекты реальной природы, Inf – информационные объекты, Im – объекты сознания, психологического плана. Для межличностного взаимодействия в организационных системах среди объектов чисто информационной природы, можно выделить Dir – решения, распоряжения и в рамках группы Im – объекты, сущности вида Em – эмоционально выраженные (по преимуществу). Итак, сузим множество сущностей при межличностном взаимодействии в организационных системах до подмножества {Inf , Dir , Em} . Понимая под элементарным процес-

сом [1] тройку I , P, O , где I – множество входных сущностей, P – некоторое преобразование (действие), O – множество вы41

ходных сущностей, множество элементарных процессов в оргсистемах можем представить табл. 1. Таблица 1. Множество элементарных процессов Inf Dir Em Inf Inf-Inf Inf-Dir Inf-Em Dir Dir-Inf Dir-Dir Dir-Em Em Em-Inf Em-Dir Em-Em Строки и столбцы таблицы помечены наименованиями основных классов объектов, с использованием которых реализуется межличностное взаимодействие, в клетках таблицы перечислены все возможные элементарные процессы типа «один вход – один выход». В процессной нотации [1] элементарный процесс принимает вид, показанный на рис. 1. Входная сущность процесса (одного из трех типов {Inf , Dir , Em} ) показана слева от овала, обозначающего действие с входным объектом. Справа от действия показан выходной объект. Далее процесс может продолжаться либо как эмоциональный, либо как информационный. Вопрос о переключении деятельности с одного вида на другой может быть решен в соответствии потребностно-информационной моделью, предложенной П.В. Симоновым. Inf ЛПР решение

Dir Em

Рис. 1. Диаграмма элементарного процесса В соответствии с [2] эмоции (франц. émotion, от лат. emoveo – потрясаю, волную), – это субъективные реакции человека и животных на воздействие внутренних и внешних раздражителей, проявляющиеся в виде удовольствия или неудовольствия, радо42

сти, страха и т.д. Сопровождая практически любые проявления жизнедеятельности организма, эмоции отражают в форме непосредственного переживания значимость (смысл) явлений и ситуаций и служат одним из главных механизмов внутренней регуляции психической деятельности и поведения, направленных на удовлетворение актуальных потребностей (мотивации). Эмоции возникли в процессе эволюции как средство, при помощи которого живые существа определяют биологическую значимость состояний организма и внешних воздействий. Эмоция является отражением мозгом человека и животных какой-либо актуальной потребности и оценкой вероятности ее удовлетворения в данный момент. Потребности, согласно [4], и производные от них трансформации – мотивы, интересы, убеждения, стремления, влечения, желания – представляют основу и движущую силу человеческого поведения. Симонову П.В. на огромном экспериментальном материале удалось показать, что если вероятность удовлетворения потребности низка – возникают отрицательные эмоции, которые субъект стремится минимизировать – ослабить, прервать, предотвратить. Возрастание вероятности удовлетворения потребности по сравнению с ранее имевшимся прогнозом порождает положительные эмоции, которые субъект стремится продлить, усилить, повторить. Оценка вероятности (возможности) удовлетворения потребности происходит как вполне осознанно, так и бессознательно. Назначение эмоций – трансформация потребностей по пути наименьшего сопротивления. Сказанное П.В. Симонов выразил структурной формулой эмоций, которая в элементарном виде (успешно использованном для математического моделирования эмоциональной динамики [3]) представляется как: (1) E = N (I с − I н ) , где E – эмоция, ее степень, качество и знак; N – сила и качество актуальной потребности; (I с − I н ) – оценка вероятности удовлетворения потребности; Iн – информация о средствах, прогностически необходимых для удовлетворения потребности; 43

Iс – информация о средствах, которыми субъект располагает в данный момент. Формула (1) имеет качественный вид и огромное потенциальное значения для понимания и объяснения широкого спектра индивидуальной и межличностной деятельности. Но для представленных в ней переменных не определены процедуры их измерения. Поэтому естественно сделать попытку перевести их в безразмерный вид и наметить процедуры экспертной оценки их значений. Для этого вначале обсудим процедуры измеримости переменной N – силы и качества актуальной потребности. Обратимся опять к [4]. Существуют три главные исходные группы потребностей человека: биологические: – призваны обеспечить индивидуальное и видовое существование человека. Они порождают множество материальных квазипотребностей в пище, одежде, жилище. К числу биологических относится потребность в экономии сил, побуждающая человека искать наиболее короткий, легкий путь к достижению своих целей. социальные: – такие, как потребность в справедливости – основа исходных социальных потребностей человека. Но каждый человек понимает справедливость по-своему, каждый человек внутри себя прав. Поэтому – человеческое общество нашло общность в своих представлениях о справедливости. Эта общность – в самом признании наличия прав и обязанностей в человеческих взаимоотношениях. К другим социальным потребностям относятся: – потребность принадлежать к некой социальной группе и занимать в ней определенное место; – потребность пользоваться привязанностью и вниманием окружающих, быть объектом их уважения и любви; – потребность лидерства или наоборот – потребность быть "ведомым"; – потребность следовать нормам, принятым в данном обществе; 44

идеальные потребности познания, к которым относятся в первую очередь: – потребность познания окружающего мира в целом, в его отдельных частностях и своего места в нем, познание смысла и назначения своего существования на земле; – потребность в новой информации; удовлетворение любой потребности требует информации о путях и способах достижения цели. Выделенные три группы потребностей инициируют соответствующие виды деятельности – материальную (производственную), социально-политическую и духовную. Биологические, социальные и идеальные потребности делятся на: потребности сохранения – удовлетворяются в пределах норм. Механизм сохранения не нуждается в положительных эмоциях, он может работать за счет устранения одних отрицательных; потребности развития – превышают норму. В живой природе развиваться, усложняться, совершенствоваться может лишь то, что способно себя сохранить. Общее основание для различения потребностей сохранения и развития – отношение к господствующей общественно-исторической норме удовлетворенности. Биологические и социальные потребности делятся на: потребности "для себя". Например: социальная потребность развития "для себя" – субъект стремиться улучшить свое общественное положение. Социальная потребность сохранения "для себя" свидетельствует о том, что она занимает подчиненное положение в иерархии потребностей данного субъекта, или субъект уже занимает достаточно высокое общественное положение и не расположен его менять. потребности "для других". Например: социальная потребность развития "для других" – совершенствование самих норм либо улучшение положения какой-либо социальной группы.

45

Зачастую потребности тесно взаимосвязаны и удовлетворение одной, или потребности одного типа влечет удовлетворение, связанных с ней. Сказанное можно проиллюстрировать рис. 2. Витальные потребности

Социальные потребности Идеальные потребности

Рис. 2. Сочетание потребностей основных типов Величину потребности можно характеризовать уровнем ее актуальности для субъекта в данный момент, что в терминах нечеткой логики можно описать некоторой функцией принадлежности вида, показанного на рис. 3. Чем выше уровень сбалансированности состояния организма, тем ниже актуальность данной потребности для жизнедеятельности. Преобразуем оценочную часть информационной вооруженности в выражении (1), заменив ее на безразмерное выражение ⎛I ⎞ вида ⎜⎜ с −1⎟⎟ . ⎝ Iн ⎠

46

Уровень актуальности потребности

1

Степень сбалансированности

Рис. 3. Функция принадлежности нечеткого множества «актуальность потребности»

Em-Dir причем, последние два процесса из этого списка означают, что в ответ на эмоциональное воздействие субъект принятия решения (ЛПР) имеет достаточный уровень информационной вооруженности для принятия рационального решения. Если же I с < I н , реализуется один следующих элементарных процессов: Em-Em Inf-Em Dir-Em При осуществлении коллективной деятельности реализуются взаимодействия типа «один к одному» (1↔1) – (рис.1), «многие к одному» (n↔1) – (рис.4, рис.5) и реже – «один ко многим» (1↔n), когда лидер одновременно дает указания.

Нетрудно видеть, что оно имеет положительный знак, если располагаемая для принятия решения информация превышает необходимую. Можно считать, что Iн – количество информации, необходимой для попадания решения в множество Парето, а по мере возрастания Iс решение приближается к оптимуму. Теперь можно записать выражение (1) в виде: ⎛I ⎞ (2) E = N ⎜⎜ с − 1⎟⎟ ⎝ Iн ⎠ В таком виде формула П.В. Симонова в более ясном виде объясняет переключательный механизм, основа которого в том, что при положительном знаке эмоции (радость) она является подкрепляющим данный вид деятельности фактором, а при отрицательном (горе) – фактором, побуждающим к реализации ориентировочно-исследовательской деятельности, то есть поиске новых возможностей. Если I с > I н , то реализуются следующие элементарные процессы (табл.1): Inf-Inf Inf-Dir Dir-Inf Dir-Dir Em-Inf 47

Em Inf Em

ЛПР решение

Dir Em

Em

Em

Рис. 4. Диаграмма процесса группового взаимодействия с входами преимущественно эмоционального типа Также может реализоваться ситуация общения «многие ко многим» (n↔n) – такая схема задавалась в эксперименте для групп без лидера. Диаграмма (рис. 4) иллюстрирует случай, когда лидер получает воздействия эмоционального типа со стороны членов группы. В ответ на эти воздействия он может либо перевести взаимодействие в рациональную плоскость (охладить пыл), либо в эмоциональную («взорваться» и наорать). 48

Вариант, когда входные воздействия имеют в основном информационный (рациональный) характер, показан на рис. 5. Inf Inf

1. 2. 3.

Inf ЛПР решение

Литература

Dir Em

Inf

4. 5.

Inf

Рис. 5. Диаграмма процесса группового взаимодействия с входами преимущественно информационного типа Диаграмма (рис. 5) иллюстрирует ситуацию, когда при координации групповой деятельности возможен один из результатов: продолжение деятельности в рациональном ключе (переключатель – на Inf), или в эмоциональном плане – переключатель на «Em». Последнее объясняется в первую очередь информационной перегрузкой лидера. Как показали результаты экспериментов [5], переход взаимодействия в группе в эмоциональную плоскость вполне адекn

ватно объясняется формулой (2), когда

∑I k =1

k

> I н , где Ik –

информация от k-го члена группы, n – объем рабочей группы, Iн – количество информации, необходимое лидеру для успешного управления деятельностью группы. В таком случае происходит реструктуризация организационной структуры группы, например: ( n ↔ 1) → ( n ↔ n ) → (1 → n ) + (1 → n ) – разделение полномочий с дублирущим лидером, и другие формы изменения структуры группы с целью реализации потребности достижения результата. 49

50

БЕЛЯЕВ И.П., КАПУСТЯН В.М. Процессы и концепты. М.: ТОО «СИМС», 1997. Большая советская энциклопедия. КАПУСТИН М.А., КОПЫЛОВА А.Г. Математическое моделирование эмоциональной динамики. М.: Ин-т прикл. Математики РАН, 1998. СИМОНОВ П.В., ЕРШОВ П.М., "Темперамент. Характер. Личность", М.: Наука, 1984. ЧЕРНЫЙ К.И. Модель адаптации производственной структуры строительной организации в условиях рынка. Диссертация на соискание ученой степени к.т.н. М.: МГСУ, 2006.

КАТЕГОРИЯ "ЗНАНИЕ" С ПОЗИЦИИ НЕЙРОСЕМАНТИКИ Бодякин В.И. (Институт проблем управления РАН, г. Москва) [email protected] Опираясь на модель естественного эволюционного происхождения биологических и психических форм высокоорганизованной материи, знание рассматривается как комплекс обрабатываемой информации из внешней среды и информации о состоянии самой системы, вызванное этой обработкой. Определение знания полностью описываться в системе физических мер: сантиметр-номер-имя, бит, секунда. Ключевые слова: процесс, предметная область, информационно-управляющая система, текстовая форма, образ, информация, автоструктуризация, рекурсия, ресурс, нейроподобный элемент, структура Введение Человеческая психика достаточно эффективно справляется с управлением в сложных ситуациях, активно используя в рассуждениях размытые понятия, но попытка уточнить эти понятия часто вызывает значительные затруднения. Так, например, определяя наше время как "общество знания", мы не можем дать четкого и объективного определения его фундаментальным понятиям: "информация", "знание", хотя контекстно, т.е. в рамках конструкций естественного языка, эти понятия для нашего восприятия вполне однозначны. Предполагая естественное эволюционное происхождение биологических и психических форм высокоорганизованной материи, мы считаем, что все характеристики различных типов информационных систем и их механизмов хранения и обработки информации, должны полностью описываться в системе физиче51

ских мер: сантиметр-номер-имя, бит, секунда (система СБС) [1,2]. Одно из фундаментальных понятий науки когнитологии, которое также формально не определено − это "знание", трактуется достаточно широко и неоднозначно. В литературе определения понятия "знания" рассматривается как продукт общественной материальной и духовной деятельности людей; идеальное выражение в знаковой форме объективных свойств и связей мира, природного и человеческого. В знании кристаллизуется, преемственно накапливается и объективизируется общественная сила человека. В знании осуществляется перевод разрозненных представлений в теоретически систематизированную, общезначимую форму; удержание того, что может быть сохранено, передано, преемственно развито в качестве устойчивой опоры последующей человеческой деятельности [3]. Знание − это отражение реального мира в сознании. Знание в информатике − это вид информации, отражающей опыт специалиста (эксперта) в определенной предметной области, его понимание множества текущих ситуаций и способы перехода от одного описания объекта к другому [7]. Как мы видим, данные определения понятия "знания", понятные нам в контексте нашей культуры, но формализовать и сделать их понятными инженеру и доступными компьютеру, т.е. формализовать, очень затруднительно. Тем более что видов "знаний" великое множество. Это и "декларативные ", "процедурные ", "научные", "эвристические", "метазнания", "знания о предметной области" и др. [5,6]. 1. Определения основных компонент информационного ресурса Примем ранжирование компонент информационного ресурса по сложности как: "текстовая форма" < "сигнал" < "образ" < "информация" < "знание". В работе [2] приводятся определения основных компонент информационного ресурса и нейросемантики. Кратко повторим их. 52

1.1. Текстовая форма Дискретную форму, выражаемую последовательностью кодов алфавита (А={a, b, c, …, z…}) и отображающую с любой необходимой степенью точности изменение во времени одного из параметров некоторого физического процесса, будем называть текстовой формой (ТФ). Это первый качественный переход от физических квантово-континуальных объектов-процессов предметной области к их возможным дискретным модельным замещениям (образам) в информационно-управляющей системе (ИУС), дополнительно имеющим еще и нематериальную характеристику информационного ресурса − семантическую. 1.2. Нейросемантика Особенность нейросемантической архитектуры ИУС заключается в том, что когда мы в битах минимизируем в ней отображение ТФ, то получается иерархически сетевая структура в виде многодольного иерархического ацикличного графа (НСС), в вершинах которого "конденсируются" фрагменты ТФ, соответствующие физическим процесса в предметной области. Т.е. в каждом нейроподобном элементе ИУС "стягивается" текст, соответствующий реальному процессу, т.е. автоматически формируется пара: нейроподобный элемент ↔ семантика процесса. Это взаимнооднозначное соответствие и породило название направления – нейросемантика. 1.3. Образ Сформированную ИУС элементарную семантическую единицу, которая замещает процесс-объект предметной области, будем называть образом. Образ − хранится и используется ИУС как неделимое целое (смысловой квант). Образ − соответствует целому числу причинно-связанных процессов предметной области. Самые простые образы (терминальные) – коды алфавита А текстовой формы. Образы имеют иерархическую природу. Сложные образы состоят из более простых образов. Пример образов: буквы, слоги, слова, фразы и т.д. 53

Помимо обычных характеристик в единицах измерения ТФ: см., сек. и бит, у образа появляется "имя", которое может измеряться в координатах множества пар, и может быть выражено в пространственной координате. 1.4. Информация Общепринято, что информация всегда несет какую-либо законченную смысловую нагрузку. Например, фраза: "идет снег" − это информация (она вызывает мысль, например, "пойти на лыжах" и, как следствие, получить от этой прогулки удовольствие). Тогда как "идет" и "снег" – это образы (чтобы эти сообщения вызвали у вас реакцию, вам необходимо получить дополнительные сообщения – ответы на ряд вопросов: "кто или что идет?", "причем здесь – снег?" и ряд других, если конечно "идет" и "снег" не являются ответом на предыдущие ваши вопросы). Информация является прагматической единицей (квантом) ИУС. Информация всегда имеет определенную грамматикопрагматическую структуру: образы состояния предметной области; образы действия ИУС; Е+, т.е. в тройках (ТФ1 − ТФ2 − ТФ3, Е+). ИУС всегда настраивается на восприятие ТФ через эту прагматическую структуру (Е+), которая, в свою очередь, может быть представлена как внутренний образ ИУС (ТФ3). Таким образом, из ТФ выделяется только прагматически окрашенная для ИУС информация. Особенность конструкции информации заключается в том, что она объединяет себе дискретную часть: ТФ1 , ТФ2 и аналоговую ТФ3 или Е+. Е+ – это своеобразный "эмоциональный" уровень удовлетворенности собственной реакции ТФ2 на ТФ1 . Эта "эмоциональность" пронзает все процессы ИУС, хоть как-то связанные с полученным результатом. Аналоговая форма Е+ позволяет безадресно (глобально, масштабно) управлять настройкой ИУС на получение ею положительных "эмоций" − Е+. Ценность информации всегда оценивается по величине Е+ в данной структуре. Информация содержит образ управления предметной областью. При отсутствии в информации образа Е+ она впоследствии для ИУС (генетически) игнорируется. 54

Информация – прагматически причинно-связанная последовательность образов, в виде тройки: <ситуация в предметной области> <реакция ИУС> <оценка>, ориентированная на достижение ИУС какого-либо ее целевого образа предметной области (например, Е+) 1.4. Знание В литературе определения понятия "знания" рассматривается как: продукт общественной материальной и духовной деятельности людей; идеальное выражение в знаковой форме объективных свойств и связей мира, природного и человеческого. В знании кристаллизуется, преемственно накапливается и объективизируется общественная сила человека. В знании осуществляется перевод разрозненных представлений в теоретически систематизированную, общезначимую форму, удержание того, что может быть сохранено, передано, преемственно развито в качестве устойчивой опоры последующей человеческой деятельности [5,7]. Знание − это отражение реального мира в сознании. Знания в информатике − это вид информации, отражающей опыт специалиста (эксперта) в определенной предметной области, его понимание множества текущих ситуаций и способы перехода от одного описания объекта к другому [6]. Как мы видим, данные определения понятия "знания", понятные нам в контексте нашей культуры, но формализовать и сделать их понятными инженеру и доступными компьютеру, т.е. формализовать, очень затруднительно. Тем более что видов "знаний" как и традиционных видов "информации" великое множество. Это и "декларативные", "процедурные", "научные", "эвристические", "метазнания", "знания о предметной области" и др. Знание − эта категория информационного ресурса, требует дополнительных инструментальных особенностей ИУС, которые в данной статье не рассматриваются и которые вполне могут сформироваться у ИУС естественным эволюционным путем. Знание − значительно более сложная категория, чем информация. Так, если в формировании информации достаточно присутствия образов, относящихся только к предметной области, то в 55

структуру знания необходимо включить еще и образы состояния самой ИУС, возникающие в процессе переработки образов текущего состояния предметной области в данный момент времени. Текстовые последовательности, как конкретные примеры, относящиеся к одному типу (классу) причинно-следственных процессов ("знанию"), вызывают характерные и однотипные процессы (образы) состояния самой НСС. Формирование (связывание) в единую функциональную подструктуру образов (N-элементов), относящихся непосредственно к предметной области и образов состояния НСС, вызванных обработкой ТФ из внешней среды (предметной области) – это и есть физическое представление "образа знания". Таким образом, одноранговое включение в НСС функции рекурсии, позволяет получить N-элемент, выполняющий "функцию знания", а именно, реагирующий на весь класс примеров, относящихся к какому-либо правилу причинно-следственных процессов для различных объектов, т.е. вычислять семантические закономерности предметной области. Знание – структура ИУС, включающая в себя причинносвязанное объединение информации (образов) о предметной области и текущей информации (образов) о внутреннем состоянии самой ИУС, вызванном анализируемыми процессами предметной области. В знании ко всем физическим характеристикам информации (см. выше) добавляются еще образы, состояния самой нейросемантической структуры, вызываемые обработкой текущей информации. Для вовлечения этих образов в процессы обработки нейросемантической структуры одноранговой рекурсии (интроскопии), возникает необходимость в дополнительных структурах, которые также реализуются N-элементами. Так, если "информация" это структура образов только предметной области, то в структуру знания уже включаются и образы состояния самой информационно-управляющей системы, возникающие в процессе данной переработки сигналов предметной области. Знание – это своеобразная одношаговая рекурсия 56

информационно-управляющей системы. Использование в качестве программной реализации нейросемантические структуры (НСС), позволяет выделить и проанализировать физическое представление "образа знания" в виде подструктуры нейроподобных N-элементов [1,2,4]. Знание более контекстно (зависимо от пространственно временного окружения процессов) в рамках предметной области, и ИУС в сравнении с информацией и механизм его настройки более сложен. Другие понятия информационного ресурса, такие как сообщение, данные и др., могут быть легко выведены из вышеприведенных "корневых" определений. 2. Функциональные различия компонент информационного ресурса Помимо четкого формального различия в данных нами определениях, компоненты информационного ресурса имеют качественные и функциональные физические различия. Представим, что у нас есть три типа предметных областей: случайная ("белый шум" – БШ), периодическая (колебательные физические процессы, телесериал), реальная (излагающая систематизированное знание), и также три типа ИУС: автомат ("техническая ИС"), животное ("адаптивная ИУС"), человек ("разумная ИУС"). Теперь представим, что сначала процессы в предметной области (ПО) являются "белым шумом" (БШ). Так как, это случайные процессы, то ни "техническая ИС", ни "адаптивная ИУС", ни "разумная ИУС", ничего более чем случайного сигнала (образов), при формировании образов нейросемантической структуры из этого потока выявить не смогут, см. рис. 1.

57

Автомат "Животн." ИУС-человек

Сигнал

С

С

ПС abcabc... Сериал …

С

Информация

И

Реальный Mather… Знание

С

И

Знание

БШ

bsejgr…

ПО

Рис. 1 Если же представить, что в предметной области будут происходить некоторые априорно неизвестные периодические процессы, то "техническая ИС" (например, бухгалтерская программа "С1"), не настроенная на них, будет воспринимать их как сигнал. "Адаптивная ИУС" − найдет некоторую регулярность или период в этом потоке ТФ, и образ этой регулярности будет рассматриваться как информация из данной ТФ. "Разумная ИУС" из этого потока также более чем регулярности, т.е. образа или информации, выявить не сможет. Теперь представим, что процессы в предметной области − это интеллектуальный процесс, например, передача "В мире животных". "Техническая ИС" более чем сигнала из данной предметной области не почерпнет. "Адаптивная ИУС" выявит только иерархию различных образов (информацию), а "разумная ИУС" из этого потока выявит семантические закономерности (например, различные классы, отряды животных и т.д.), т.е. выявит знание. Выводы из этого примера (уже наши с вами семантические закономерности) заключаются в том, что предметная область и ИУС тесно взаимосвязаны. При этом ИУС не может выделить из ТФ более того, что в ней есть, и ИУС не может выявить из ТФ более того, что позволяет ее конструкция (информационная архитектура), см. рис. 1. Касательно определенных нами компонент информационного ресурса, рассмотрим еще один параметр физических отличий, который заключается в существенно различных объемах 58

памяти, необходимых для полного отображения в ИУС постоянного потока ТФ (ТФ(t)=const), попеременно состоящего из сигнала, информации, или знания. Будем предполагать ТФ равномерным потоком, отображающим шумовые, информационные и интеллектуальные процессы. При этом под ИУС будем рассматривать как одну из "разумных ИУС" (рис. 1). 2.1. Ввод в информационно-управляющую систему шумовой текстовой формы Понятно, что отобразить шумовую ТФ без потерь можно только посредством ее полной записи (например, на магнитную ленту). Структуризация априорно неопределенной шумовой ТФ невозможна в никакой ИУС. Теоретически и экспериментально показано, что в этом случае необходимость памяти RИУС под ТФ будут характеризоваться линейной функцией: RИУС= k*t +b1, где k и b1 некоторые константы, и при удовлетворении критерия достаточности ТФ будет следовать, что ТФ является принципиально неструктурируемой, т.е. "белым шумом" (рис. 2).

2.2. Ввод в информационно-управляющую систему квазипериодической текстовой формы Будем считать, что ТФ − это радиопередача на неизвестном языке некоторого сериала типа: "про дона Педро …", в котором встречаются одинаковые фрагменты ТФ, но между ними нет устойчивых причинно-следственных связей. Это типичная информационная ТФ. За счет того, что ссылки (в битах) на повторяющие образы в НСС существенно меньше, чем сами образы (в битах), то величина компрессии для такой ТФ будет иметь монотонный рост, близкий к логарифмической функции: RИУС= log(t) +b2, где, b2 некоторая константа (рис. 3). RИУС (бит)

Память ИУС

t TФИУС (бит)

R ИУС (бит)

Рис. 3

Память ИУС

2.3. Функционирование информационно-управляющей системы с информацией о знании Будем преобразовывать в ИУС текстовой поток, сформированный взаимоувязанными причинно-связанными процессами предметной области. В этом случае у ИУС определенной архитектуры появляется возможность не обременять память конкретными фактами (образами), а только один раз построить и запомнить правило, причинно связывающее образы. Например, на основании двух информационных отрезков ТФ:

t TФ ИУС (бит)

Рис. 2

59

60

<|ВСЕ||ВОЛК|И||СЕР|Ы ||А||ЕСТЬ||ВОЛК|, ||ЗНАЧИТ|,|А||ЕСТЬ|СЕР|ЫЙ| E+> <|ВСЕ||ПЕТУХ|И||КРАСИВ|Ы||В||ЕСТЬ||ПЕТУХ|,||ЗНАЧИТ|,|В|| ЕСТЬ|КРАСИВ|ЫЙ|E+> логически формируется завершенная подструктура (рис. 4).

N-элемент

2.4. Ввод в информационно-управляющую систему шумовой текстовой формы с информацией о знании Понятно, что если формируются N-элементы, аналогичные показанным на рис. 4, то у ИУС отпадает дальнейшая необходимость в записи в НСС информационных отрезков ТФ, которые перекрываются образами семантических закономерностей в нейросемантической структуры. Таким образом, информационные отрезки ТФ, на которых сформированы семантические закономерности, в память ИУС не записываются. Затраты ИУС необходимой памяти RИУС под такие ТФ будут нулевые, а функция RИУС= const(t), см. рис. 5.

|ВСЕ| |X1 |И| | X2 |Ы|, |X3| |ЕСТЬ| |X1 |, | |ЗНАЧИТ|, |X3| |ЕСТЬ| X2 |Ы|Й|<E+>

∆t1

∆t3

RИУС (бит)

∆t2

∆ti – "ритмические" образы внутреннего состояния ИУС, Xi – "повторно" активирующиеся образы предметной области, знак "|" – обозначает найденные границы между образами

t

Рис. 4

TФИУС (бит)

Если же затем на вход ИУС поступает неполная фраза, например, <ВСЕ ПЛЮКИ КАНЫ, С ЕСТЬ ПЛЮК, ЗНАЧИТ, С ЕСТЬ >, то не найдя ассоциативно близкого N-элемента в информационной области нейросемантической структуры, ИУС включается на поиск ассоциаций в области семантических закономерностей нейросемантической структуры. Здесь ассоциативно активизируется N-элемент, который отображает структуру, приведенную на рис. 4. В результате, на выходе ИУС будет сформирована ТФ − <КАНЫЙ>, как итог активации образов ИУС и предметной области: ∆t2 + Ы|Й [1,2].

61

Рис. 5 По экспериментальным данным, соответствующим функции RИУС= const(t), можно утверждать, что данный текстовый поток содержит информационные ТФ, на которых строятся в ИУС подструктуры знания, состоящие из образов предметной области и образов ИУС. Таким образом, судя по характеру функции RИУС(t) можно объективно классифицировать процессы предметной области на "шумовые", "информационные" и "интеллектуальные" ("разумные"). Отметим, что с точки зрения "операционной системы" ИУС оперирование различными элементами информационного ресурса, "образом", "информацией" и "знанием" осуществляется различными типами образов-операторов − N-элементов. Принцип действия всех этих образов-операторов подобен; различие 62

лишь в том, что они включаются на разных этапах обработки ТФ. Так, первоначально ТФ обрабатывается "образом распознавания", далее включается "образ оценки-действия" и затем "образ оператора знания". Информационный ресурс всегда связан с материальным носителем (бумага, камень, акустическая и электромагнитная волны, состояния молекул и различных полей и т. д.). В данной работе мы рассмотрели только статические особенности информационного ресурса, т.е. наличие или отсутствие той или иной категории информационного ресурса (сигнала, информации или знания). Проявление всех информационных категорий – это всегда переходный процесс, имеющий сигнальную форму – "есть" или "нет" в данном отрезке ТФ "образ" или "информация", т.е. категория "информация" имеет двойственную характеристику. Ее потенциальное наличие или отсутствие определяется в статической форме ее носителя, а само проявление "информации" возможно только в процессе взаимодействия ее носителя с ИУС. Еще одна особенность, которую не хотелось бы упустить, заключается в том, что одна единица "знания" соответствует целому множеству конкретных единиц "информации", т.е. целому классу.

вивающихся ИУС различной природы. И, в конченом счете, в формировании общенаучных и общекультурных навыков работы с информацией, хотя бы на уровне, как мы уже работаем с категориями времени, пространства и энергии. Из этого следует вся важность и ответственность в скорейшем наведении порядка нашего научного понимания сути информационных процессов. И сложности на этом пути имеют вполне объективный характер. Это и психофизическая ограниченность человека [1,2], а также и отсутствие приборного арсенала, измеряющего "величины информационности", кроме как человеческого сознания, которое до сих пор для науки также остается Великой тайной. Эту сложность хорошо иллюстрируют слова А. Эйнштейна: “В нашем стремлении понять реальность мы подобны человеку, который хочет понять механизм закрытых часов. Он видит циферблат и движущиеся стрелки, даже слышит тиканье, но не имеет средств открыть их. Если он остроумен, он может нарисовать себе картину механизма, которая отвечала бы всему, что он наблюдает, но он никогда не может быть вполне уверен в том, что его картина единственная, которая могла бы объяснить его наблюдения. Он никогда не будет в состоянии сравнить свою картину с реальным механизмом, и он не может даже представить себе возможность и смысл такого сравнения” [8].

Заключение

Литература

Формализовать активно используемые современной цивилизацией такие понятия информационного ресурса как: "сигнал", "образ", "информация", "знание" жизненно необходимо, особенно в "информационную эпоху". Это необходимо для формирования основ научного мировоззрения. Прежде всего, формирования представлений об информационных процессах как одних из основополагающих понятий науки: пространства-времени, вещества, энергии и информации, на основе которых строится современная научная картина мира. Также необходимо рассмотрение единых информационных принципов строения и функционирования самораз63

1. 2.

3. 4. 64

БОДЯКИН В.И. Куда идешь, человек? (Основы эволюциологии. Информационный подход). − М. СИНТЕГ, 1998, 332с. http://www.ipu.ru/stran/bod/monograf.htm БОДЯКИН В.И. Определение понятия "информация" с позиций нейросемантики. М.: ИПУ РАН. 2006 http://www.mtas.ru/search_results.php?short_view=0&publicati on_id=3033 Большая советская энциклопедия. – М.: 1977. – Т. 27. 1 УОСЕРМЕН Ф. Нейрокомпьютерная техника. М.: Мир. 1992. – 240 с.

5. 6. 7. 8.

МЕТОД СТРУКТУРНОЙ БАЛАНСИРОВКИ НА ОСНОВЕ ОЦЕНОК ЗАТРАТ ПРОИЗВОДСТВЕННОГО ЦИКЛА

УРСУЛ А.Д. Природа информации. философские очерки // М.: Политиздат, 1968. – 288 с. Философский словарь / под ред. И.Т.Фролова − 4-е изд. – М.: Политиздат, 1981. – 445 с. Философский энциклопедический словарь. – М.: Советская энциклопедия, 1983, С. 217–218. ЭЙНШТЕЙН А., ИНФЕЛЬД Л. Эволюция физики / Пер. с англ. М., 1966. С. 30.

Гусев В.Б. (Институт проблем управления РАН, г. Москва) [email protected] Рассматривается метод расчета сбалансированной структуры управления производственным циклом на основе схем оценок затрат. В долгосрочном плане сбалансированное управление отвечает критерию оптимальности для показателя воспроизводства ресурсов многопродуктовой производственной системы. Предлагаемый метод предназначен для включения в состав инструментария индикативного планирования объектов хозяйственной деятельности – от холдинга до национальной экономической системы. Ключевые слова: сбалансированная структура управления, производственный цикл, показатель воспроизводства ресурсов, индикативное планирование Введение Методология индикативного планирования [1] находит применение как при формировании и управлении национальными проектами, так и при управлении хозяйственной деятельностью на региональном и отраслевом уровнях, позволяет формировать долгосрочные программы социально-экономического развития. «Мягкий» (индикативный) характер рассматриваемого вида планирования обеспечивается показателями, представляющими ориентир для формирования управленческих решений. Одними из таких индикативных показателей являются структурные показатели выпусков и цен на продукцию, ориентированные на устойчивый режим развития объекта хозяйственной деятельности.

65

66

Суть метода балансировки оценок затрат для производственного цикла заключается в том, что на основе анализа оценок структуры производственных, трудовых, финансовых затрат, выпусков продукции и услуг, а также показателей товарообмена формируется численная модель воспроизводства многоресурсной и многопродуктовой системы. С помощью этой модели определяется показатель воспроизводства экономической системы как функция структурных пропорций выпусков и цен на производимые продукцию и услуги. Максимизация этого показателя, отображающего соотношение выпуска и затрат, определяет структуру выпусков и цен, соответствующую равновесному режиму воспроизводства, когда доли прироста по всем видам продукции и услуг одинаковы. При этом равновесная структура может существенно отличаться от структуры, существующей в реальности. При использовании предлагаемого подхода особое внимание следует уделить тому, что необходимо добиваться приближения к равновесным структурам как выпусков, так и цен совместно. В противном случае достигнутое равновесие окажется не устойчивым, подверженным инфляционным процессам.

j-го блага за определенный период. Кроме того, исходная информация включает объемы выпуска благ Vj.

Метод балансировки оценок затрат для производственного цикла

4.Накопление

Схема жизненного цикла процесса воспроизводства благ включает блоки производства, трудовых ресурсов, взаимодействия с внешним миром (поставок продукции), накопления (фондообразующих затрат). Стрелки на этой схеме обозначают материальные и информационные потоки. Продукция, идущая на расширение производства, не входит в схему замкнутого цикла и может быть определена как разность между выпуском и затратами. Структурное планирование основано на информации о предыдущем функционировании производственного цикла или на экспертных знаниях в виде оценок в сопоставимых шкалах. На основе этой информации формируется матрица баланса затрат и выпусков. Каждый элемент этой матрицы Xij представляет собой оценку затрат i-го блага (продукта или услуги) на производство

Рис.1. Схема производственного цикла

67

1.Производство

2. Трудовые ресурсы

3.Обмен с внешним миром

Таким образом, матрица затрат X состоит из 16 блоков (квадрантов). Индекс 1 соответствует сектору «производство», 2 – сектору «трудовые ресурсы», 3 – сектору «обмен с внешним миром», 4 – сектору «накопление» (рис. 2). В схеме одно и то же благо, идущее на производственное потребление, конечное потребление, экспорт/импорт имеет различные индексы. Если технологический цикл замкнут на себя (отсутствует обмен с внешним миром), то сумма произведенного продукта на предыдущем этапе жизненного цикла равна сумме потребленного, умноженной на коэффициент роста gi.

68

X=

1.1

1.2

1.3

1.4

2.1

2.2

2.3

2.4

3.1

3.2

3.3

3.4

4.1

4.2

4.3

4.4

Задачу управления жизненным циклом процесса воспроизводства можно сформулировать как максимизацию продуктивности цикла воспроизводства по управляющим параметрам, характеризующим структуру выпусков каждого из блоков цикла. Прогнозировать объемы затрат i–го блага Xi можно, используя модель «затраты – выпуск»

1

V=

2 3

n

Xi = ∑ aijVj ,

4

j =1

Рис.2. Структура исходных данных То есть, объем выпуска каждого вида благ есть сумма затрат по всем блокам цикла при производстве всего набора n благ

где aij – коэффициенты удельных затрат, определяемые как (3) aij = Xij / Vj . Рассмотрим задачу балансировки структуры выпусков для производственного цикла. Используя (1), получим соотношение n

Vi (t ) = giXi (t ) = gi ∑ aijVj (t ) ,

n

(1) Vi (t ) = giXi (t ) = gi ∑ Xij (t ) .

j =1

j =1

При этом объемы благ можно оценивать как в натуральных единицах, так и по стоимости. С другой стороны, общая стоимость Vci выпускаемого блага i есть сумма стоимостей всех составляющих по технологическому циклу при цене pj на j–е благо на данном этапе, умноженная на коэффициент прироста стоимости за период цикла (рентабельность) ri (2) V i (t ) = ri c

n

∑ X (t ) p . ji

j

которое можно рассматривать как технологическое ограничение для оптимизационной задачи. Если полагать, что полные затраты блага равны их наличию (выпуску) в предыдущем периоде, то коэффициент воспроизводства v определяется минимальным по всем видам благ коэффициентом роста v = min gi . Получим i

формулировку оптимизационной задачи по структуре выпусков (4) max v Vi

j =1

Заметим, что если оценки производятся в стоимостном выражении, то pj = 1 и Vci= Vi. Воспроизводство благ предполагает многократное повторение жизненного цикла. Качество такого воспроизводства можно оценить показателем воспроизводства v = F(V (t ),V (t − 1)) , где F – монотонная выпуклая функция 2n переменных. Если в качестве цели ставится повышение темпа воспроизводства без изменения технологии, то показатель принимает вид

v = min Vi (t ) / Vi (t − 1) i

69

n

Vi (t ) ≥ v ∑ aijVj (t ) , j =1

Vi(t ) ≥ Vi(t − 1), i = 1,..., n. В этой постановке предполагается, что технология производства за один цикл не изменяется, т.е. натуральные коэффициенты удельных затрат постоянны. Решение этой задачи не зависит от цен на блага, однако реальное ее использование затруднено тем обстоятельством, что для крупных производственных систем измерения производятся, как правило, в стоимостных показателях.

70

Если коэффициенты удельных затрат определяются на основе стоимостных показателей, а не натуральных, как в формуле (3), т.е. c (5) acij = Xcij / V j = Xijpi /(Vjpj ) = aijpi / pj , то тогда задача балансировки структуры показателей производственного цикла примет вид v (6) max c V i

Если коэффициенты удельных затрат определяются на основе стоимостных показателей (5), то тогда при сбалансированной ценовой структуре в равновесном режиме цены не меняются с течением периода и имеет место простое соотношение для коэффициента воспроизводства (8) vc = 1 / min i

n

Vci (t ) ≥ v ∑ acijVcj (t ) j =1 c

Vci (t ) ≥ V i (t − 1), i = 1,..., n. Здесь допускается изменение как натуральных объемов, так и цен. По смыслу задача (6) не эквивалентна задаче (4), поскольку критерий v и ограничение на не убывание объемов выпуска имеют новое содержание. Кроме того, значения стоимостных показателей удельных затрат первоначально могут быть определены лишь на предыдущем этапе t–1. Но после изменения цен они изменятся. Поэтому для уточнения этих показателей требуется определить, как могут измениться цены. Рассмотрим задачу балансировки ценовой структуры для производственного цикла. Используя соотношение (2) в стоимостном выражении и соотношение (3), получим n

V (t ) = Vi (t ) pi = ri ∑ ajiVci (t ) pj . c i

j =1

Считая, что коэффициент воспроизводства определяется минимальной по перечню благ рентабельностью, получим оптимизационную задачу для структуры цен (7) max vc

n

∑a

c ji

.

j =1

Если иметь в виду что измерение коэффициентов удельных затрат производится на предыдущем этапе цикла, то задачу балансировки ценовых пропорций в неравновесном режиме можно представить в виде (9) max vc Pi

n

Pi (t ) ≥ vc ∑ acjiPj (t ) j =1

ki ≥ Pi (t ) ≥ 1, i = 1,..., n , где Pi (t ) = pi (t ) / pi (t − 1) – индекс цены на благо i. Если решение задачи (9) использовать для корректировки коэффициентов удельных затрат, то повторное ее решение даст индексы цен, равные 1 или ki, а (8) даст точное значение равновесного коэффициента воспроизводства vc. Кроме того, обновленные коэффициенты прямых затрат можно использовать в задаче балансировки объемов (6). Таким образом, совместное решение задач (6) и (9) позволяет получить сбалансированную структуру объемов и цен, обеспечивающую максимальный коэффициент воспроизводства ресурсов для производственного цикла.

pi

Заключение

n

pi (t ) ≥ vc ∑ ajipj (t ) j =1

kipi (t − 1) ≥ pi (t ) ≥ pi (t − 1), i = 1,..., n. Левая часть последнего ограничения представляет констатацию факта не убывания цен, а также требование на ограничение темпов инфляции до уровня ki по видам благ. 71

Практическое использование рассматриваемого подхода предполагает этапный подход. Для каждого этапа при этом вводится дополнительное ограничение на степень отклонения от существующей структуры, соответствующее представлениям о допустимой скорости социально-экономических процессов. 72

Исходная информация задачи структурной балансировки формируется на основе анализа экономической статистики. Трудность заключается в том, что в ряде ситуаций (например, региональное или отраслевое планирование; сценарное прогнозирование) отсутствуют стандартные методики по сбору и обработке данных. В этих случаях предлагается статистические данные совмещать с экспертными оценками структуры затрат на единицу выпуска. Метод структурной балансировки нашел практическое применение при формировании региональной программы инновационного развития [2]. Литература

1. АНОХИН А.М., ГУСЕВ В.Б., ПАВЕЛЬЕВ В.В. Комплексное оценивание и оптимизация на моделях многомерных объектов. – М.: 2003, (Научное издание / Институт проблем управления им. В.А. Трапезникова РАН). – 58 с. 2. ЛЕВИНТАЛЬ А.Б., ЕФРЕМЕНКО В.Ф., ГУСЕВ В.Б., ПАВЕЛЬЕВ В.В., ПАЩЕНКО Ф.Ф. Комплексное оценивание и планирование развития региона. – М.: 2006, (Научное издание / Институт проблем управления им. В.А. Трапезникова РАН). – 53 с.

73

ПОДХОДЫ К ФОРМИРОВАНИЮ СИСТЕМЫ УПРАВЛЕНИЯ КАЧЕСТВОМ ОБРАЗОВАНИЯ Давыдов С.В. (Институт проблем управления РАН, г. Москва) [email protected] В статье рассматриваются подходы к определению и оценке качества образования. Выделены уровни и группы управления системой образования в зависимости от типа и уровня образования. Обозначены основные подходы к управлению качеством образования. Ключевые слова: качество образования, система управления качеством образования Введение

Управление качеством образования – очень широкая проблема, несомненно, требующая своего решения. В настоящее время в исследование вопроса управления качеством образования предложено много различных подходов, в том числе и новых, показаны роль и место «педагогического менеджмента» в управлении качеством образования, обоснованы критерии и показатели качества подготовки специалистов. Однако в современных условиях применение только традиционных подходов при решении проблемы управления качеством образования (общего и профессионального) недостаточно, так как они не отвечают новым требованиям, выдвигаемым обществом (потребителями) к системе образования. По данным ЮНЕСКО, Россия сегодня занимает по качеству образования 13ое место в последней третьей группе слаборазвитых стран.

74

1. Подходы к определению и оценке качества образования «Качество» − это полезность, ценность объектов и процессов, их пригодность или приспособленность к удовлетворению определенных целей, норм, доктрин, идеалов, т.е. соответствие или адекватность требованиям, потребностям и нормам1. Термин «качество» производно от слов «как», «какой» − обладающий какими свойствами. Существует несколько подходов к толкованию понятия «качество образования». Философский подход, философское понимание качества − то, что отличает образование от других социальных явлений, систем и видов деятельности. Это синоним термина «образование». Философское понимание качества имеет существенные ограничения, так как в философии эта категория не носит оценочного характера. Продуктивным является так называемый производственный подход, где ключевым является понятие «качество продукции» как совокупность существенных потребительских свойств этой продукции, значимых для потребителя. Набор этих свойств лежит в основе спецификаций на продукцию, эталонов, стандартов. Различают два признака качества любой продукции: наличие у нее определенных свойств и рассмотрения их ценности с позиций потребителя (а не производителя). В метафорическом смысле «продукцией» школы являются выпускники, имеющие образование лучшего или худшего качества. Общепризнанны два подхода к оценке качества образования:

1

с.19. Качество высшего образования в современной России: Концептуально-программный подход. − М.: Исследовательский центр проблем качества подготовки специалистов. 1995. -198 с.

75

I. По образовательным услугам (т.е. по процессу). Если говорить об образовательных системах (коими являются и школа, и протекающий в ней образовательный процесс, о качестве которого в своем вопросе говорит и автор), то они характеризуются: 1) ассортиментом предлагаемых услуг, его разнообразием и соответствием потребностям клиентов; 2) качеством услуг (качество образовательных программ и т.д.); 3) доступностью услуг, реальной возможностью пользоваться ими; 4) качеством обслуживания (качеством образовательного взаимодействия педагогов и школьников, качеством общения и отношений, наличием благоприятной среды). II. По характеристике конечного продукта (т.е. по результату). Так склонны оценивать деятельность школ ее социальные заказчики. Таким образом, понятие «качество образования» во втором аспекте (производственный подход) означает качество образовательного процесса, выраженное в его результатах. Подход к толкованию термина «качество образования» как соотношение цели и результата. В этом подходе качество образования определяет уровень воспитания школьника, студента и т.д. «Качество образования − это категория, если можно так выразиться, «штучная» и корректно может быть определена только на уровне конкретного ребенка, выпускника на основе фактов, поступков, его поведения в разных ситуациях». (Ямбург Е.А. − член-корреспондент Российской академии образования, д.п.н., заслуженный учитель РФ, директор Центра образования №109 г. Москвы). Качество образования личности Поташкин М.М. определяет как соотношение цели и результата образовательной деятельности. В «Словаре понятий и терминов по законодательству РФ об образовании» понятие «качество образования выпускников» 76

трактуется как «определенный уровень знаний и умений, умственного, физического и нравственного развития, которого достигли выпускники образовательного учреждения в соответствии с планируемыми целями обучения и воспитания» 1. Важно отметить, что результаты и качество образования это две взаимосвязанные, но нетождественные категории. Результаты − обязательный компонент, без которого невозможно определить качество. Чтобы результаты оценивали качество, их нужно с чем-то сравнить. Простейший способ − это сравнение со стандартами. Но этот способ небезупречный, ибо требования стандарта никак не связаны с личностью конкретного человека (школьника), качество образования которого мы хотим определить. Стандарты внеличностны, и в этом их слабость, дефектность. Кроме этого не для всех результатов образования можно сформулировать стандарты. 2. Подходы к формированию систем управления качеством образования Рассматривая проблему качества образования, можно выделить четыре группы управления в зависимости от типа и уровня образования (рис. 1): − управление качеством общего среднего образования (Поташкин М.М., Майоров А.Н., Панасюк В.П., Шишов С.Б. и др.); − управление качеством начального профессионального образования (Глазунов А.Т., Смирнов И.П., Ткаченко Е.В. и др.); − управление качеством среднего профессионального образования (Анисимов П.Ф., Ибрагимов Г.И., Лопухова Т.В. и др.); − управление качеством высшего профессионального образования (Булынский Н.Н, Новиков А.М., Субетто А.И., Селезнева Н.А., Федоров В.А.,. и др.).

Группы управления качеством образования

общее среднее

среднее профессиональное

высшее профессиональное

Рис. 1. Группы управления в зависимости от типа и уровня образования Система управления качеством образования, как и вся система управления образованием в России, является многоуровневой и состоит как минимум из пяти уровней (рис. 2). Анализ проблем управления качеством образования показал, что к настоящему времени в литературе уже накоплен определенный багаж научных данных. Большинство исследователей затрагивают все уровни системы образования, особенно общеобразовательную школу, начальное, среднее и высшее образование. Одинаковых критериев эффективности управления качеством образования на всех уровней в принципе быть не может, поскольку в основе работы людей на каждом уровне лежит разная предметная деятельность: педагогическая − у учителей, воспитателей; управленческая – у работников других уровней. Поэтому разработаны соответствующие подходы к управлению качеством образования на каждом уровне, которые воздействуют на разные объекты и имеют разные критерии своей эффективности.

1

Полонский В.М. Словарь понятий и терминов по законодательству РФ об образовании. – М., 1995. С. 20.

77

начальное профессиональное

78

Литература

федеральный уровень

1.

региональный уровень

муниципальный уровень

уровень руководителей образовательных учреждений

уровень субъектов образовательного взаимодействия

Рис. 2. Уровни системы образования Содержательный анализ имеющихся подходов к формированию систем управления качеством образования [1-11] на этих уровнях позволяет выделить наличие четырех подходов: − аспектный (организационный, психологический, дидактический и другие аспекты управления качеством образования); − функциональный (исследование отдельных функций управления: планирование, руководство, контроль, коррекция и др.); − системный; − когнитивный. В то же время, хочется отметить, что в рамках когнитивного подхода внимание образовательным системам, и тем более вопросу управления качеством образования, не уделялось. Поэтому актуальным является разработка и исследование когнитивных моделей эффективного управления качеством образования.

79

АНИСИМОВ П.Ф., СОСОНОКО В.Е. Управление качеством среднего профессионального образования. – Казань: ИЧПО РАО, 2001. -256. 2. ИБРАГИМОВ Г.И. Критерий оценки качества подготовки специалистов среднего звена // Специалист. 2003. − №1. С. 32-34. 3. ЛИСОВ В.И. Управление российским образованием. Федеральные и региональные аспекты. М., 2005. – 464 с. 4. МАЙОРОВ А.Н. Мониторинг в образовании. – СПб. 1998. – 344 с. 5. НОВИКОВ А.М. Развитие отечественного образования / Полемические размышления. М.: Изд. «ЭГВЕС», 2005. – 176 с. 6. ПОТАШКИН М.М. Качество образования: проблемы и технология управления (В вопросах и ответах). М.: Педагогическое общество России, 2002. 352 с. 7. СЕЛЕЗНЕВА Н.А. Качество высшего образования как объект системного исследования: Лекция. М.: ИЦ ПК. ПС, 2001. – 79. 8. СУБЕТТО А.И. Качество образования в России: состояние, тенденции, перспективы. – СПб., М. 1999. − 67 с. 9. СУВОРОВ В.С. Управление качеством многоуровневой подготовки специалистов в колледже. Монография. Казань: Изд-во Казанского ун-та, 2005. 308 с. 10. ТРЕТЬЯКОВ П.И. Школа: управление по результатам: Практика педагогического менеджмента. – М.: Новая школа, 2001. – 320. 11. ШАМОВА Т.И. и др. Управление образовательными системами: Учеб. Пособие для студ. высш. пед. учеб. заведений. Под ред. Т.И. Шамовой. М.: Издательский центр «Академия», 2002. − 384 с.

80

ПРОЕКТИРОВАНИЕ ГЕОИНФОРМАЦИОННОГО ПОРТАЛА ОТРАСЛИ С ИСПОЛЬЗОВАНИЕМ ОНТОЛОГИЙ ГЕОДАННЫХ Духин С.В. (ВНИИАС МПС России, г. Москва) [email protected]

Рис. 1. Основные технологии сбора данных в ГИС

В работе рассмотрены проблемы интеграции разнородных геоинформационные ресурсов и создания единой базы данных, необходимой для разработки геоинформационного портала отрасли. Описан подход к отображению семантики, заложенной в пространственные онтологии, в географические концептуальные схемы для представления хранимой в базах геоданных информации. Ключевые слова: геоинформационные системы, геоинформационный портал, онтологии, географические концептуальные модели

Программное обеспечение ГИС содержит функции и инструменты, необходимые для хранения, анализа и визуализации географической (пространственной) информации. Ключевыми компонентами программных продуктов являются: инструменты для ввода и оперирования географической информацией; система управления базой геоданных, инструменты поддержки пространственных запросов, сравнения, анализа и измерения геоданных. 1. База геоданных – центральное звено ГИС

Введение Географическая информационная система (ГИС) – это программно-технологическое средство накопления территориальнокоординированных данных, их системного анализа, интерпретации в виде картографических изображений на средствах машинной графики и реализации информационных запросов пользователя посредствам обращений к «электронным картам» заданной территории. ГИС использует разнообразные географические данные о характеристиках земной поверхности, информацию о форме объектов и связях между ними, а так же различные описательные сведения. На рис. 1 показаны основные технологии сбора данных в ГИС.

81

Основой современных ГИС являются комплексные базы геоданных (БГД), содержащие в себе данные 3 видов: • географические сведения, описывающие положение в пространстве относительно других данных; • атрибутивные сведения, которые описывают сущность, характеристики, переменные, значения и другие его квалификации; • временные сведения, описывающие момент или период времени, которому соответствуют значения вышеописанных сведений элемента данных. БГД содержит цифровые карты, семантические и служебные данные. Для работы с информацией предусматривается специальный набор функциональных средств, называемых системой управления БГД. К основным функциям системы управления относятся: добавление, удаление и модификация содержащейся в базе информации, изменение структуры базы, контроль целостности информации, средства ограничения доступа и т.д. БГД является самой важной частью ГИС, поскольку она является основным источником сведений о моделируемой терри82

тории. От точности, полноты и корректности хранимой в ней информации, в конечном итоге зависит результат работы всей ГИС. По этой причине к разработке структуры и требований к БГД следует подходить с особой тщательностью. Взаимосвязанное ведение цифровых карт и реляционных баз данных называют геореляционной структурой. Построение геореляционных структур является на сегодняшний день наиболее часто встречающейся формой организации банка данных. Геореляционная структура основывается на понятии геометрической модели цифровой карты. При размещении геоданных особый интерес вызывает проблема согласованности разнородных геоданных по значениям хранимых значений признаков (атрибутов). Если атрибутивные данные из одной таблицы можно рассматривать как класс эквивалентности экземпляров одного логического типа с точностью до перечисления списка атрибутов, то с геоданными все выглядит не так просто. Наборы связанных классов атрибутов, имеющих одинаковую пространственную привязку, должны быть организованы так, чтобы значения их атрибутов соответствовали установленным топологическим отношениям, т.к. способность хранения геометрии атрибута является одним из обязательных условий существования БГД, поскольку каждый пространственный атрибут всегда должен быть доступен для отображения и анализа. Для обеспечения целостности ГИС в работе предлагается использовать специально созданную для этих целей множественно-реляционную модель [3] и реализованный на ней механизм поддержания структурной согласованности [2], позволяющие вместо линейной ссылочной целостности плоских отношений поддерживать триангулярную целостность пространственных атрибутов.

83

2. Использование баз геоданных в составе геоинформационного портала Разработка баз данных сложной структуры (БДСС), к которым, безусловно, должны быть причислены и БГД, в настоящее время является одной из наиболее актуальных задач совершенствования информационного моделирования. БГД все более становится средой постоянной работы пользователя, сравнимой по значимости с программной и технологическими средами. Семантика данных, хранимых в БГД, приобретает все больший смысл, тем более что с ростом мощности вычислительных средств уменьшение времени поиска и объема необходимой памяти как критериев эффективности теряют свою значимость. Геоинформационные ресурсы являются более широким понятием, чем геоданные, включая наряду с графическими представлениями (карты, картинки, графики и т.д.) разнообразные текстовые документы и способы или методы перехода от одного к другому. Повышение эффективности использования геоинформационных ресурсов, к которым следует отнести все виды электронных ресурсов, содержащие графическую составляющую, независимо от формата ее представления, возможно путем выполнения следующих действий [1]. 1. Создание единого каталога всех геоинформационных ресурсов отрасли. Создание такого каталога необходимо в условиях, когда руководство отрасли не располагает достаточными сведениями о составе и актуальности различного рода материалов, документов и т.п. Кроме того, БГД хранятся в разных местах, что обусловлено необходимостью оперативной корректировки графической информации и, соответственно, обеспечением близости БГД к рабочему месту, на котором происходит корректировка. В этих условиях функции поиска конкретной, факторизованной информации, формирования заявки на ее получение и предоставления сведений об актуальности ресурса могут быть выполнены на основании каталога. В 84

состав каталога должны входить также списки пользователей, подключенных к конкретному геоинформационному ресурсу, а также указатель или адрес хранения соответствующей БГД. Одной из важных особенностей каталога геоинформационных ресурсов является его расширяемость, необходимая для обеспечения возможности подключения новых появляющихся БГД. Создание каталога отраслевых геоинформационных ресурсов [4] является первым шагом для создания геоинформационного портала отрасли (рис. 2).

Рис. 3. Схема функционирования геоинформационного портала Для выполнения действий по созданию, ведению и использованию интегрированной БГД отрасли необходимо специальное программное обеспечение, опирающееся на типовые функции ГИС. Для их реализации необходим анализ информационных потоков и разработка принципов совместного использования интегрированной БГД с другими автоматизированными отраслевыми системами с целью решения задач стратегического мониторинга, оптимизации инвестиционной деятельности, прогнозирования работы отрасли (рис. 4).

Рис. 2. 2. Создание геоинформационного портала. В состав геоинформационного портала отрасли должны входить функции, позволяющие осуществлять поиск требуемого геоинформационного ресурса по его текстовому описанию, формирование заявки на подключение к ресурсу, администрирование и актуализация каталога геоинформационных ресурсов отрасли. Создание геоинформационного портала позволит увязать геоинформационные ресурсы в единую интегрированную базу данных [1] отрасли для эффективного решения следующих задач (рис. 3): – рассматривать все виды геоинформационных ресурсов отрасли во взаимосвязи; – оперативно получать графическую информацию необходимого вида и содержания. 85

Рис. 4. Схема использования внешних данных Перечисленные программные средства практически обеспечивают функции мониторинга геоинформационных ресурсов. 86

3. О подходе к выбору информационной модели на основе анализа внутренних спецификаций геоданных Использование онтологий способствует созданию адекватных концептуальных моделей, обеспечивая качественное, контролируемое информационное интегрирование. Одна из центральных современных задач геоинформатики – найти способ связи формального представления семантики, заложенной в онтологии, с концептуальными схемами, описывающими информацию, сохраненную в базах геоданных (БГД). Главный ожидаемый результат – формальная структура, которая реализует отображение пространственной онтологии в географическую концептуальную схему, которая будет содержать внутренние атрибутивные связи разнородных типов геоданных. Отображение онтологий в концептуальные схемы необходимо производить, используя три различных уровня абстракции: формальный, уровень типов геоданных и прикладной уровень. На формальном уровне, с высоким уровнем абстракции, выделяют концепции, чтобы представить схему и определить онтологии. На уровне типов геоданных, схема выступает в роли характерной логической модели данных, пригодной для сопоставления с наполнением онтологий. На прикладном уровне необходимо сосредоточить внимание на специфике географических приложений. На концептуальном уровне представлений оправданы любые полезные преобразования между представлениями, чтобы избежать избыточности. С уже разработанными представлениями и их способами изображения процесс перемещается на уровень реализации, в котором пространственные структуры данных обычно заполняются необходимыми данными с возможностью хранения пространственных структур данных. Так как географические приложения требуют некоторой картографической основы типа основной карты, существует также потребность в стадии преобразования данных. Существующие концептуальные схемы могут использоваться, чтобы создать приблизительные онтологии, в то время как существующие онтологии могут использоваться, чтобы 87

генерировать концептуальные схемы, с помощью или без помощи опытного разработчика модели (Рис. 5).

Рис. 5 Имеются три различных уровня абстракций, на которых находятся как онтологии, так и концептуальные схемы: формальный, типов геоданных и прикладной уровни (Рис. 6).

88

Литература

Рис. 6 Первый уровень – формальный, в котором большее количество абстрактных концепций включено в конструкцию онтологий и концептуальных схем. Сопоставление содержания формального уровня с географическими приложениями дает второй уровень абстракции, или уровень типов геоданных. На прикладном уровне, онтологии являются уточнением специализаций уровня типов геоданных.

1. ДУЛИН С.К., ДУХИН С.В. Множественно-реляционная модель данных геоинформационной системы //. Сб. научных трудов III-го Международного научно-практического семинара «Интегрированные модели и мягкие вычисления в искусственном интеллекте». – М.: Физматлит, 2005. С. 342– 350. 2. ДУЛИН С.К., ДУХИН С.В. Множественно-реляционная модель как средство обеспечения гомоморфизма геоинформационной системы. – М.: ВЦ РАН, 2006. – 30 с. 3. ДУХИН С.В. Формализация геоданных на основе множественно-реляционной модели // Системы и средства информатики. Специальный выпуск «Математические модели и методы информатики, стохастические технологии и системы». – М.: ИПИ РАН, 2005. С. 253–269. 4. РОЗЕНБЕРГ И.Н., ДУХИН С.В. Автоматизированная система ведения геоинформационной базы данных, увязанная с параметрами работы и развития ОАО «РЖД» //Труды девятой научно-практической конференции «Информационные технологии в железнодорожном транспорте». «ИНФОТРАНС-2004», 6-9 октября, Санкт-Петербург, 2004. С. 12 – 16.

Заключение Основным вопросом реализации ГИС является выбор интегрированной модели представления и отображения всех трех групп геоданных: семантической, метрической и топологической. На современном этапе развития БГД все более становится средой разработки геоинформационного портала отрасли. Анализ существующих подходов к структуризации информационных ресурсов показывает, что качественная интеграция геоинформационных ресурсов невозможна без формализации внутренних спецификаций геоданных, представляемых онтологиями.

89

90

ПРИМЕНЕНИЕ КОГНИТИВНОГО МОДЕЛИРОВАНИЯ В УПРАВЛЕНИИ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ1 Заболотский М.А., Полякова И.А., Тихонин А.В. (Волгоградский государственный технический университет, г. Волгоград) [email protected] Представлены когнитивный подход к построению модели качества подготовки специалистов и общее описание системы когнитивного анализа и моделирования. Ключевые слова: система образования, качество подготовки специалистов, когнитивные карты и модели Введение В настоящее время в нашей системе образования наблюдается довольно острая проблема – несоответствие подготавливаемых специалистов запросам рынка труда. Реформирование системы образования является одним из приоритетных направлений стратегического развития РФ. Развивающейся экономике страны требуется большое количество квалифицированных специалистов, но текущие положение дел в сфере высшего образования не может этого обеспечить. Главная цель реформирования системы высшего образования – контроль и дальнейшее повышение качества подготовки специалистов. Для достижения этой цели необходимо разработать методы и средства, позволяющие прогнозировать развитие системы высшего образования, а, следовательно, управлять качеством подготовки специалистов.

1

Работа ведется при поддержке РФФИ, проект 04-06-96500.

91

С практической точки зрения большой интерес представляет качество высшего образования (подготовки специалистов). Согласно стандартам ИСО (ISO) серии 9000 [1], под качеством следует понимать степень соответствия свойств какого-то объекта (продукта, услуги, процесса) некоторым требованиям (нормам, стандартам). Таким образом, качество высшего образования – это сбалансированное соответствие всех аспектов высшего образования некоторым целям, потребностям, требованиям, нормам и стандартам [3]. Использовать классический математический подход к построению модели системы образования практически невозможно из-за сложности формализации процессов, протекающих в данной системе, и их количественной оценки. Одним из наиболее эффективных инструментов для анализа нечетких слабоструктурированных систем авторам представляется когнитивный подход, теоретические основы которого были заложены Ф.С. Робертсом [5] и который в настоящее время активно развивается научным коллективом В.И. Максимова (Институт проблем управления РАН) [2]. Таким образом, новизна проводимой авторами работы заключается в использовании когнитивного подхода для решения новой, крайне актуальной и многогранной задачи повышения качества высшего образования [4]. 1. Модель качества подготовки специалистов При разработке модели качества подготовки специалистов исследуемая проблема была рассмотрена с трех точек зрения, учитывающих мнения следующих субъектов: – студентов; – сотрудников ВУЗа (преподаватели, руководство ВУЗа и т.д.); – потребителей образования (промышленность, бизнес, государство). Для построения модели качества подготовки специалистов с точки зрения учащихся ВУЗа в качестве экспертов были привлече92

ны студенты и аспиранты; также широко использовалась литература по данному вопросу. Основным методом извлечения знаний при построении когнитивной карты, отражающей мнение учащихся, был выбран мозговой штурм. Преподаватели и сотрудники ВУЗа являются вторым необходимым компонентом при построении модели качества подготовки специалистов. В качестве метода извлечения знаний был выбран метод интервьюирования. Потребители образовательных услуг (государство, промышленность, бизнес и т.д.) являются главным "оценщиком" результата подготовки специалистов, поэтому их мнение особенно важно. Как и в случае с преподавателями, в качестве метода извлечения знаний был выбран метод интервьюирования. В итоге была построена когнитивная карта, содержащая более 60 факторов (рис.1). Построенная модель является хоть и первым, но уже достаточно объективным, приближением к построению адекватной модели качества подготовки специалистов. С помощью данной модели были найдены факторы, опосредованно влияющие на качество подготовки специалистов, выявлены скрытые закономерности между факторами, получены прогнозы изменения качества подготовки в зависимости от состояния различных факторов системы. Для решения этих задач применялась система когнитивного анализа и моделирования, разработанная авторами (рис.2).

Рис.1. Когнитивная карта модели качества подготовки специалистов 2. Общее описание системы когнитивного моделирования Для автоматизации задач, связанных с анализом сложных слабоструктурированных социально-экономических систем, разработано комплексное программное средство когнитивного анализа и управления сложными социально-экономическими системами, которое обеспечит аналитиков и обычных пользователей богатым инструментарием, облегчающим построение и анализ когнитивных моделей (рис. 2).

93

94

Рис.3. Графовое представление когнитивной модели

Рис. 2. Информация о системе В данной системе реализовано несколько способов построения когнитивных моделей, а именно: 1) с помощью графового представления (рис. 3); 2) с помощью связанных списков; 3) с помощью матрицы взаимовлияний; 4) с помощью библиотеки шаблонов моделей и каталога факторов. Автоматизированная система позволяет проанализировать свободное и управляемое развитие системы, а также решить обратную задачу управления. Помимо результатов моделирования в виде, представленном на рис.4, разрабатываемая авторами система также позволяет проследить характер изменения отдельно взятого фактора в процессе моделирования (см. рис.5).

Рис.4. Результаты моделирования (пример)

95

96

Литература 1. 2.

3.

4.

Рис.5. Характер изменения отдельного взятого фактора в процессе моделирования Заключение В настоящее время ведется активная работа над созданием пополняемой библиотеки шаблонов моделей и каталога факторов для когнитивных моделей различных предметных областей, а также над улучшением и расширением функциональных возможностей программного средства.

5.

97

98

ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. М.: ИПК Издательство стандартов, 2001. 25 с. МАКСИМОВ В.И. Когнитивный анализ и управление развитием ситуаций. – Материалы 1-й международной конференции в 3-х томах/ В.И. Максимов; Под. Ред. В.И. Максимова. – М., 2001. – Том 1. – 196 с. НИКИТИНА Н. Ш., ВАЛЕЕВ М. А, ЩЕГЛОВ П. Е. Управление качеством образования. Системный подход // Системы управления качеством: проектирование, организация, методология. Материалы X симпозиума "Квалиметрия человека и образования: методология и практика". Кн. 4 / Под науч. ред. д-ра техн. наук, проф. Н. А. Селезневой и д-ра филос. и экон. наук А. И. Субетто. М.: Исследовательский центр проблем качества подготовки специалистов, 2002. С. 17–29. ПОЛЯКОВА И.А., ТИХОНИН А.В., ЗАБОЛОТСКИЙ М.А. Когнитивный подход в вопросах повышения качества образования в вузах РФ. Всероссийский конкурс инновационных проектов аспирантов и студентов по приоритетному направлению «Информационно-телекоммуни-кационные системы». – М.: 2005. РОБЕРТС Ф.С. Дискретные математические модели с приложениями к социальным биологическим и экологическим задачам. М., 1986.

КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ ВЛИЯНИЯ СЕЗОННЫХ ИЗМЕНЕНИЙ КЛИМАТА НА ХАРАКТЕР ХИМИЧЕСКОГО ЗАГРЯЗНЕНИЯ УРБОЭКОСИСТЕМЫ Ильченко И.А. (Таганрогский институт управления и экономики, г. Таганрог) [email protected] Представлена модель урбоэкосистемы, разработанная на основе когнитивных карт механизмов химического загрязнения компонентов урбоэкосистемы в летний и зимний периоды соответственно, и представлены результаты моделирования. Ключевые слова: химическое загрязнение урбоэкосистемы, когнитивная карта, когнитивное моделирование, импульсное воздействие Введение Загрязнение природной среды является сегодня одной из острых глобальных экологических проблем и наблюдается не только на глобальном, но и на региональном и локальном уровнях [1,5]. Несмотря на тотальный характер этого явления необходимо своевременно предпринимать соответствующие меры по снижению степени загрязнения окружающей среды и в дальнейшем по предотвращению этого опасного явления как в международном масштабе, так и в пределах отдельных государств, районов и экосистем. Наиболее опасным видом загрязнения на сегодняшний день является химическое, а самыми уязвимыми объектами загрязнения – искусственно созданные экосистемы [3]. Поскольку большая часть населения планеты проживает в городах, представляющих собой неустойчивые урбоэкосистемы, то проблема установления характера и возможных последствий 99

химического загрязнения таких экосистем является актуальной в связи с необходимостью обеспечения благоприятных условий для жизнедеятельности этой группы населения. Модель урбоэкосистемы, разработанная на основе когнитивных карт механизмов химического загрязнения компонентов урбоэкосистемы Для изучения характера химического загрязнения урбоэкосистемы в зависимости от сезонов года и присущих им климатических особенностей, оказывающих влияние на миграцию поллютантов между компонентами системы, были разработаны когнитивные карты G1 и G2 для теплого и холодного сезонов (рис. 1, 8). Построение когнитивных карт и последующее ситуационное моделирование было проведено с помощью вычислительных программ ПС КМ [2, 6]. Анализ обеих карт показывает, что основными абиотическими компонентами городской экосистемы, подвергающимися влиянию стационарных и подвижных источников загрязнения, являются атмосферный воздух, почва, грунтовые и подземные воды, а аналогичными биотическими реципиентами – растительность и население. К сожалению, оценить влияние химического загрязнения на городскую фауну не представляется возможным из-за отсутствия соответствующих данных. В когнитивной карте G1 присутствуют 4 цикла с положительной обратной связью: 1) цикл V1-V3-V1 характеризует влияние растительности на состав воздуха, 2) цикл V1-V4-V1 – перенос загрязнителей между воздухом и почвой, 3) цикл V4-V3V4 – перенос загрязнителей между растительностью и почвой, 4) цикл V1-V4-V3-V1 – миграцию загрязнителей из воздуха в почву, затем в растения и далее влияние растительности на состав атмосферного воздуха (рис.1). Последний цикл отражает взаимодействие аэро-, гео- и биосистем (роль последней в урбоэкосистеме выполняет растительность) в поддержании естественных параметров среды. В г. Таганроге подземные водоисточники используются для удовлетворения потребностей населения в питьевой воде и тем самым оказывают влияние на 100

здоровье горожан. Разработанная модель урбоэкосистемы не рассматривает движения воздушных масс, в результате которого происходит рассеивание загрязнителей и снижение загрязнения воздушного бассейна в пределах городской территории. В связи с этим проведенное моделирование по своему характеру является нединамическим и, следовательно, позволяет оценить вероятные критические уровни загрязнения городской среды обитания с позиций предельно допустимых уровней загрязнения и предельно допустимых концентраций поллютантов.

ставляет 0,52, и, следовательно, можно ожидать проявления системой некоторой устойчивости. Значения весовых коэффициентов дуг eij когнитивной карты были определены на основании среднемноголетних данных экологического и социально-гигиенического мониторинга г. Таганрога и соответственно равны: e12 = –0,4; e13 = –0,4; e31=–0,2; e14 = 0,7; e43 = –0,3; e45 = 0,5; e56 = 0,5; e62 = –0,3; e41 = 0,2; e34 = –0,1; e32 = –0,1. В сценарии 1 активизировалась вершина V1 «Загрязнение воздуха» путем внесения импульсов разной величины и изучалось изменение контролируемых параметров, в качестве которых были выбраны загрязнение воздуха, загрязнение почв, состояние растительности и здоровье населения. В процессах 1 и 2 характер изменения контролируемых параметров аналогичен (рис. 2, 3): на 1-м такте в вершину V1 однократно вносится соответствующий импульс, на 2-м такте начинает увеличиваться загрязнение почв и ухудшаться состояние растительности и здоровье населения, далее характер изменения этих параметров сохраняется, и к 6-7 тактам наблюдается стабилизация данных показателей.

Рис. 1. Когнитивная карта G1 «Механизм химического загрязнения компонентов урбоэкосистемы в летний период» Анализ когнитивной карты G1 показывает, что некоторые поллютанты воздушной среды могут мигрировать по маршруту V1-V4-V5-V6-V2, обуславливая опосредованное влияние загрязнения воздуха на здоровье людей, которое проявляется через воздействие первичных загрязнителей, а также вторичных загрязнителей, образующихся в почве из первичных и в растворенном виде поступающих в подземные источники водоснабжения. Наличие 4-х циклов с положительной обратной связью свидетельствует о структурной неустойчивости системы [4]. Однако расчет собственных чисел матрицы отношений показал, что всего таких чисел 6, из них максимальное по модулю со101

Рис. 2. Внесение импульса +0,1 Рис. 3. Внесение импульса +1,0 в вершину V1 карты G1 в вершину V1 карты G1 В 3-м процессе этого сценария (рис. 4) импульс величиной +0,1 вносится с 1-го по 10-й такты моделирования, что приводит к непрерывному росту уровней загрязнения воздуха и почвы и 102

ухудшению состояния растительности и здоровья населения. Однако после прекращения возмущающего воздействия на систему изменение ее контролируемых характеристик замедляется, и к 13-14 тактам наблюдается их стабилизация. Следующий этап моделирования был направлен на выяснение роли растительности в поддержании качества городской среды обитания (сценарий 2). Одновременная подача импульсов величиной +0,1 в вершины V1 и V3 (рис.5) несколько изменяет поведение контролируемых параметров по сравнению с процессом 1 сценария 1 (рис.2), вызывая их колебания со 2-го по 4-й такты и стабилизацию к 5-6 тактам на меньших по модулю значениях.

(q1=–0,1), по озеленению территории (q3=+0,1) и очистке воды из подземных водоисточников (q6=–0,1) и является наиболее эффективным, поскольку дает возможность снизить исходные уровни загрязнения воздуха и почв и улучшить состояние растительности и здоровье населения (рис.7).

Рис. 6. Внесение импульсов Рис. 7. Внесение импульсов величиной +0,1 в вершины V1 величиной -0,1 в вершины V1 и V6 и V3 и импульса -0,1 в вершину и импульса +0,1 в вершину V3 V6 карты G1 карты G1 Рис. 4. Последовательное внесение импульса +0,1 в вершину V1 карты G1 с 1-го по 10-й такты моделирования

Рис. 5. Внесение импульсов величиной +0,1 в вершины V1 и V3 карты G1

Введение дополнительной процедуры по очистке воды из подземных водоисточников (сценарий 3, рис.6) перед подачей ее в городскую водопроводную сеть позволяет уменьшить отрицательное воздействие недоброкачественной питьевой воды на здоровье населения, хотя стабилизация остальных изучаемых показателей происходит на тех же уровнях, что и в предыдущем сценарии. Комплексный подход к улучшению городской среды обитания (сценарий 4) сочетает меры по защите атмосферного воздуха от загрязнения стационарными и подвижными источниками 103

На основании результатов моделирования этих четырех сценариев для когнитивной карты G1 видно, что загрязнение воздуха оказывает не только прямое влияние на состояние растительности и почв, но и косвенно воздействует на самое себя через загрязнение почв и ухудшение состояния растительности по принципу положительной обратной связи. Взаимодействие компонентов городской экосистемы в условиях химического загрязнения осуществляется между подсистемами воздух-почва, воздух-растительность и почва-растительность по принципу положительной обратной связи и проявляется в миграции первичных загрязнителей и в образовании и миграции вторичных загрязнителей. Кроме того, биогенная природа растительности и биокосная природа почв создают предпосылки для накопления в них поллютантов, что также усиливает опасность последствий химического загрязнения урбоэкосистемы. По аналогии с биогеохимическими циклами химических элементов в биосфере, в 104

городской экосистеме можно выделить обменный фонд миграции загрязнителей (городской воздушный бассейн) и резервный фонд (городские почвы). Анализ среднемноголетних данных социальногигиенического и экологического мониторинга г. Таганрога свидетельствует об увеличении уровня загрязнения атмосферного воздуха в зимние месяцы года. Для изучения механизма химического загрязнения урбоэкосистемы в этот период времени когнитивная карта G1 была преобразована в когнитивную карту G2 (рис. 8) путем удаления дуги V1-V3 и изменения весовых коэффициентов дуг V4-V1 и V4-V5 [4].

Рис. 8. Когнитивная карта G2 «Механизм химического загрязнения компонентов урбоэкосистемы в зимний период» Действительно, перемена климатических условий приводит к изменению роли растительного компонента в миграции поллютантов в экосистеме: листопадные растения прекращают активно поглощать загрязнители, в отсутствие травяного покрова с поверхности почвы сдуваются пыль и др. загрязнители, вследствие чего загрязнение воздуха возрастает. С точки зрения термодинамики на уровень химического загрязнения воздуха в первую очередь оказывают влияние его температура, относи105

тельная влажность и скорость ветра. В условиях нединамического моделирования скорость ветра не принимается во внимание, тогда как температура и влажность воздуха, режим которых напрямую связан с сезонными изменениями климата, играют главную роль в процессе миграции поллютантов внутри урбоэкосистемы и определяют итоговый уровень загрязнения и обусловленную им величину экологического риска. В условиях резко континентального климата г. Таганрога летний период характеризуется относительно высокими среднесуточными температурами воздуха и низкой влажностью (т.е. сухо и жарко), а зимний период – низкими температурами воздуха и недостаточным количеством осадков (типичны морозные бесснежные зимы). С понижением температуры воздуха возрастает концентрация в нем кислорода, являющегося сильным окислителем (например, для превращения оксида углерода (II) в оксид углерода (IV)), однако низкая температура сильно замедляет протекание этого процесса, в связи с чем и не наблюдается снижение загрязнения воздуха оксидом углерода (II) [3]. Кроме того, стационарные условия характеризуются однородностью воздушной массы в пределах городской территории, наличием слабого ветра или низких приподнятых инверсий, устойчивой стратификацией атмосферы. Густые дымки, туманы, слабые осадки также способствуют накоплению загрязнителей в воздухе [7]. В структуре когнитивной карты G2 по сравнению с когнитивной картой G1 имеются только 2 цикла с положительной обратной связью: V1-V4-V1 и V1-V3-V4-V1, – однако ожидать усиления саморегулирующих свойств системы было бы преждевременным, принимая во внимание значение вклада растительного компонента в поддержание естественных параметров урбоэкосистемы. На рис. 9 приведены результаты моделирования изменения параметров урбоэкосистемы, когда в вершину V1 вносится импульс величиной +0,1. Стабилизация контролируемых показателей происходит при значениях, более сильно отклоняющихся от таковых в аналогичном процессе для когнитивной карты G1 (рис.2). Поскольку управление качеством окружающей среды 106

в зимний сезон не позволяет проводить озеленительные мероприятия, то следует придерживаться более жестких мер по очистке газообразных примесей предприятий и автотранспорта.

Рис. 9. Внесение импульса +0,1 в вершину V1 карты G2 Заключение Полученные результаты позволяют сделать следующие выводы и рекомендации. Во-первых, применение когнитивных технологий для решения проблем стратегического управления состоянием природных объектов в условиях химического загрязнения является перспективным, поскольку разработка когнитивных карт и последующее моделирование на их основе различных сценариев изучаемых процессов позволяет не только прогнозировать возможность возникновения определенной экологической проблемы в данном объекте (например, загрязнение подземных источников водоснабжения, ухудшение здоровья населения и др.) и промоделировать вероятность ее развития, но и заранее предпринять комплекс мер (экологических, экономических, административных и др.) по снижению степени экологического риска. Во-вторых, полученные результаты сценарного моделирования показывают, что процессы обмена 107

веществом и энергией, протекающие в городской экосистеме и играющие важную роль в поддержании экологического равновесия, являются импульсно неустойчивыми вследствие сложных взаимодействий между составляющими ее подсистемами и их компонентами, а также благодаря таким ее свойствам, как сверхоткрытость, сильная зависимость от внешнего окружения, повышенная аккумулятивность и т.д. Поэтому поддержание сложной организации, особой внутренней структуры и приемлемых для жизнедеятельности горожан условий окружающей среды требует затраты больших количеств энергии и больших организационных усилий на всех уровнях управления. Втретьих, смена климатических условий в течение года сопровождается изменением характера процессов миграции загрязнителей в экосистеме, вследствие чего целесообразно рекомендовать установление и использование сезонных значений предельно допустимых концентраций поллютантов в процессах управления состоянием городской окружающей среды. В-четвертых, для достижения наиболее благоприятных значений параметров городской среды обитания и улучшения здоровья горожан следует использовать комплексный подход, сочетающий проведение мероприятий по защите атмосферного воздуха от загрязнения стационарными и подвижными источниками, озеленению (фитомелиорации) и предварительной очистке вод из подземных водоисточников перед подачей их в городскую водопроводную сеть. Литература 1.

2.

108

ГОРЕЛОВА Г.В., ИЛЬЧЕНКО И.А. Когнитивное моделирование процессов загрязнения урбоэкосистем // Сб. трудов 4й Международной конференции «Когнитивный анализ и управление развитием ситуаций» CASC’2004, ИПУ РАН. Москва, 2004. Т.1. С.60–67. ГОРЕЛОВА Г.В. и др. Методы и алгоритмы моделирования развития сложных ситуаций. Таганрог: Изд-во ТРТУ, 2003.

3. 4.

5.

6. 7.

ИЛЬЧЕНКО И.А. Управление качеством окружающей среды при химическом загрязнении. Таганрог: Изд-во ТИУиЭ, 2004. ИЛЬЧЕНКО И.А. К вопросу об учете климатических условий при выработке стратегии управления параметрами городской среды обитания // Сб. докладов IV Международной научно-практической конференции «Проблемы регионального управления, экономики, права и инновационных процессов в образовании». Таганрог, 2005. Т.2. С.64–73. ИЛЬЧЕНКО И.А., ГОРЕЛОВА Г.В. Комплексный когнитивный анализ факторов городской среды обитания и их влияния на здоровье горожан // Сб. трудов 5-й Международной конференции «Когнитивный анализ и управление развитием ситуаций» CASC’2005, ИПУ РАН. Москва, 2005. – С.60–67. КУЛЬБА В.В., и др. Сценарный анализ динамики поведения социально-экономических систем. М., 2002 (Научное издание / ИПУ им. В.А. Трапезникова РАН). ХРОМОВ С.П. Метеорология и климатология: Уч. пос./ С.П. Хромов., М.А. Петросянц. М.: Высшая школа, 2002.

109

КОГНИТИВНЫЙ ПОТЕНЦИАЛ И АДЕКВАТНОЕ УПРАВЛЕНИЕ СИСТЕМАМИ СОЦИАЛЬНОЭКОНОМИЧЕСКОЙ ПРИРОДЫ (НА ПРИМЕРЕ ПРЕДПРИЯТИЙ ЧЕРНОЙ МЕТАЛЛУРГИИ) Клепарский В.Г., Клепарская Е.В. (Институт проблем управления РАН, г. Москва) В статье представлен метод пассивного эксперимента на примере изучения особенностей использования крупнейшими предприятиями черной металлургии ситуации, сложившейся после дефолта 1998 г., – особенностей, способствовавших появлению новых уровней адекватности управления. Ключевые слова: динамическая система, адекватное управление, зона аттракции Введение Умелое использование сложившейся ситуации является непременной составляющей целенаправленного процесса эволюции систем социально-экономической природы. Сложный процесс разработки и осуществления управляющих воздействий, адекватных сложившейся ситуации, направлен при этом на возможно более полное следование притягивающему множеству возможных решений эволюционного уравнения (аттрактора динамической системы в терминах теории управления [2,3]), определяемых потенциалом системы и обстановкой. Решение этой задачи осложняется еще и необходимостью согласованной работы верхних и нижних уровней управленческой иерархии. Теоретические методы оценки достигнутого уровня адекватности управления затруднены нелинейностью и многофакторностью эволюционных уравнений системы. Поэтому наиболее приемлемым представляется использование методов пассивного эксперимента, когда адекватность управления может быть опре110

делена по данным наблюдения за эволюцией исследуемых систем. В предлагаемой работе метод пассивного эксперимента был использован для изучения особенностей использования крупнейшими предприятиями черной металлургии ситуации, сложившейся после дефолта 1998 г., – особенностей, способствовавших появлению новых уровней адекватности управления. Выбор в качестве объекта изучения предприятий черной металлургии обусловлен важнейшим значением этой отрасли в российской экономике (четвертое место по объему экспорта после нефтяной и газовой промышленности и цветной металлургии). 1. Постановка задачи Как схематически показано на рис. 1, начиная с 1992 г. производство черной металлургии России непрерывно уменьшалось.

млн.т.

70 65

1

60

2

55

3

2. Исходные модельные представления

50 45 40 35 30 1991

1993

1995

1997

хронических неплатежах – все это вело черную металлургию к дальнейшему упадку. Дефолт 1998 г. оборвал эту разрушительную тенденцию. В последующие 2 года в черной металлургии наблюдался резкий рост производства, и началось существенное обновление основных фондов. Небольшой период стагнации ( конец 2000 г. – первая половина 2001 г.) сменился новым ростом производства. Металлургический комплекс – а это примерно 200 крупных компаний, непосредственно занимающихся подготовкой сырья и производством черных металлов – требует для своего развития непрерывного совершенства технологии, квалифицированной рабочей силы, больших капиталовложений. Состояние черной металлургии – только на десяти крупнейших предприятиях отрасли заняты более 300 тыс. человек – в значительной мере определяет социально-экономическое положение целых регионов России. Поэтому выявление закономерностей перехода предприятий черной металлургии к новым формам поведения (от спада к росту производства) с использованием основных представлений теории управления имеет не только фундаментальное, но и важное прикладное значение.

1999

2001

2003

Годы

Рис. 1. Производство основных видов продукции черной металлургии в России, млн.т. (по данным [4]) 1 – сталь, 2 – готовый прокат, 3 – чугун Изношенность основных фондов, небольшая загруженность производственных мощностей в условиях отсутствия заказов, а главное – тяжелейшее финансовое положение предприятий при 111

Для дальнейшего напомним, что предприятие (субъект рыночной экономики) может быть определено как самоорганизующаяся система, расходующая экономические составляющие (капитал, труд, сырье) для изготовления продукции и услуг, которые она продает потребителям и другим фирмам [5]. Поддержание режима динамического равновесия в процессе функционирования предприятии обеспечивается возникновением своеобразного кругооборота ресурсов. Этот кругооборот реализуется в виде трех последовательных каскадов осуществления процесса производства: – производство товарной продукции, при использовании имеющихся ресурсов; 112

– реализационно-маркетинговых действий, позволяющих предприятию сформировать доход; – использование полученного дохода для восстановления затраченных ресурсов и расширения производства (блок воспроизводства израсходованных ресурсов). В целом последовательно-каскадная структура предприятия обеспечивает поддержание соответствующих потоков материальных, трудовых, информационных и иных ресурсов в режиме, обеспечивающем снижение до минимума общих издержек производства Требуемое для наилучшего использования потенциала предприятия управление “направленным развитием” – в направлении снижения затрат на производство, реализацию и воспроизводство затраченных ресурсов – представляет собой сложный процесс выработки и осуществления адекватных обстановке управляющих воздействий. Решение проблемы становится возможным, поскольку предприятие (как самоорганизующаяся система) выделяет в процессе “направленного развития“ в качестве критерия адекватности управления такой хорошо фиксируемый конечный результат функционирования предприятия как увеличение производства продукции, пользующейся спросом, и, соответственно, увеличение объема продаж. Уровень выполнения этой задачи определяет адекватность интегрального управления предприятием. Теория динамических систем позволяет свести задачу реализации предприятием (саморазвивающейся системой социально-экономической природы) необходимого уровня адекватного управления, во-первых, к проблеме формирования системой и окружающей средой соответствующего конечномерного притягивающего многообразия – аттрактора и, во-вторых, к проблеме отслеживания системой – предприятием центральной линии зоны аттракции (см., например, [1]). Профиль зоны аттракции можно получить, пользуясь эргодической гипотезой, по данным наблюдения за изучаемыми достаточно близкими (однотипными) предприятиями как профиль кривой плотности распределения вероятности для роста объема продаж. При этом величина 113

стандартного отклонения σ для кривой плотности распределения может быть принята за характеристику адекватности управления (при сложившейся ситуации) для изучаемой группы предприятий. Кроме того, анализируя изменение положения интересующего нас предприятия в пределах зоны аттракции можно провести сравнительную оценку адекватности управления данного конкретного предприятия. 3. Исследование адекватности управления В качестве объекта исследования нами были выбраны предприятия черной металлургии, с использованием данных не только о рейтингах 200 крупнейших компаний России в период 1996, 1999, 2000-2003 гг., ежегодно публикуемых в журнале ‘Эксперт”, но и данных, используемых при составлении указанных рейтингов. Это позволило удвоить число исследуемых компаний и тем самым повысить статистическую достоверность полученных результатов. Указанный интервал позволяет не только проследить последствия дефолта 1998 г., но и заметить влияние мировой и внутренней конъюнктуры на особенности формирования зоны аттракции и провести сравнительную оценку адекватности управления на предприятиях металлургии. В качестве примера полученных результатов на рис. 2 представлены плотности распределения p(r/s0) ежегодного роста объема реализации r ≡ ln(S1/S0) за 1999, 2000 и 2001 гг. для ряда крупнейших металлургических компаний России. Здесь s0≡lnSo, S1 и S0 – объем продаж в текущем и предыдущем годах, соответственно. Хорошо заметен характерный для 1999 г. (первый год после дефолта) уверенный рост объема продаж и, соответственно, консолидированное отслеживание ведущими предприятиями черной металлургии центральной линии зоны аттракции. Результаты исследования показывают, однако, что воспользоваться преимуществами масштабной девальвации рубля, в одночасье превратившей экспорт продукции черной металлургии в высокодоходный сегмент российской экономики, смогли, в основ114

ном, лишь самые крупные предприятия, на которых и держался экспорт. 4

p(r/S)

1

5 7

3 2

6

7 7

10

1999 2000 2001

4 3 2 1

p(r/S0)

10

1

1999 КП 1999 СП 1999 МП

0,1

1 1

0,1

0,1

r=ln(S1/So)

1

КП – крупнейшие предприятия, СП – “средние” предприятия, МП – сравнительно “мелкие” предприятия

0,01 0,01

0,1 r=ln(S1//S0)

1

10

1999 г.: 1 – Нижнетагильский МК, 2 – Западно-Сибирский МК, 3 – Магнитогорский МК, 4 – Оскольский ЭМК, 5 – Выксунский МЗ, 6 – Челябинский МК, 7 – Кузнецкий МК. 2000 г.: 1 – Выксунский МЗ, 2 – Кузнецкий МК, 3 – Челябинский МК, 4 – Нижнетагильский МК, 5 – Магнитогорский МК, 6 – Западно-Сибирский МК, 7 – Оскольский ЭМК. 2001 г.: 1 – Выксунский МЗ, 2 – Нижнетагильский МК, 3 – Кузнецкий МК, 4 – Западносибирский МК, 5 – Челябинский МК, 6 – Оскольский ЭМК, 7 – Магнитогорский МК.

Рис.2. Плотность распределения p(r/s0) ежегодного роста объема реализации r ≡ ln(S1/S0) для группы самых крупных металлургических компаний России

Рис. 3. Плотность распределения p(r/s0) ежегодного роста объема реализации r≡ ln(S1/S0) для металлургических компаний России на 1999 г. Естественно, что при этом уровень использования сложившейся ситуации, а значит и уровень адекватности управления для основной массы предприятий металлургии и для крупных предприятий – экспортеров были различными. Это можно заметить, анализируя зависимость стандартного отклонения σ(S0) кривой плотности распределения p(r/s0) от объема продаж S0 для исследованных групп предприятий металлургии за 1996, 1999 и 2000 гг. Для взаимного сопоставления кривых σ(S0) полученные средние значения объема реализации S0 пересчитывались в доллары США. Пересчет производился по среднему курсу за соответствующий год.

Так на долю трех гигантов (Северсталь, Магнитогорский и Новолипецкий металлургические комбинаты) приходилось в 1999 г. примерно 55% суммарного российского экспорта и 97% экспорта листового проката. Как результат произошел достаточно заметный (как это представлено на рис.3) разрыв в последефолтном росте продаж между крупнейшими и относительно “средними“ предприятиями. 115

116

1

1996 1999 2000

0,1

1999 КП 2000 КП 0,01 0,01

0,1

1

S0 , млрд. долл.

10

Рис.4. Зависимость стандартного отклонения σ(S0) плотности кривой распределения p(r/s0) для предприятий металлургии за 1996, 1999 и 2000гг. Хорошо заметен происшедший после дефолта 1998 г. разрыв в значениях стандартного отклонения σ(S0) для крупных и сравнительно “средних” предприятий. Также было замечено, что этот разрыв, во-первых, несколько уменьшился в 2000 г. и, вовторых, как это представлено на рис. 4, распространился на более “средние” по объему продаж предприятия. 4. Обсуждение результатов При объяснении полученных результатов необходимо учитывать особенности приватизации предприятий черной металлургии, которая осуществлялась в условиях неполного обеспечения их собственными оборотными средствами и в условиях существенного изменения кредитной системы государства. Возникший в результате дефицит финансовых ресурсов (как и отсутствие полноценной реализационно-маркетинговой деятельности) препятствовали функционированию блока восста117

Q, млрд. руб.

G(So)

новления затраченных ресурсов и расширения производства. Высокая процентная ставка (100–200% в 1993–1995 гг.) не способствовала привлечению инвестиций и кредитов в черную металлургию. Спад производства был в этих условиях неизбежен. Резко возросшие после дефолта 1998 г. доходы от экспорта дали возможность ведущим предприятиям реализовать самофинансирование. Динамика роста заемных и собственных средств предприятий черной металлургии представлена на рис. 5. Как результат, менеджменту ведущих предприятий – экспортеров удалось наладить требуемое рынком функционирование всех трех последовательных каскадов осуществления производства: произодство продукции, маркетинг, восстановление ресурсов и расширение производства. В терминах нелинейной динамики (см., например, [2,3]) эту внутреннюю перестройку можно идентифицировать как изменение параметров, входящих в уравнения эволюции предприятия – сложной самоорганизующейся системы. 150

1

100 50 0 1994

2 1996

1998

2000

2002

2004

T, годы

Рис. 5 Динамика изменения объема источников финансирования по предприятиям черной металлургии (по данным [4]). Собственные средства – 1, заемные и привлеченные –2. Но изменение параметров эволюционного уравнения может привести к резкому изменению типа поведения системы. И действительно, представленные на рис. 6 данные свидетельствуют о достаточно резком переходе крупных предприятий на новый уровень адекватности управления с существенно меньшими значениями стандартного отклонения σ(S0) от центральной линии зоны аттракции. В то же время основная масса пред118

приятий черной металлургии, лишенная возможности расширенного самофинансирования осталась на прежнем уровне управления. 0,25

ятий (с малыми значениями σ стандартного отклонения) включала в себя 8–10 предприятий, требуемая в 1999 г. для перехода к высоким значениям адекватности управления “критическая масса“ собственных средств на самофинансирование составляла примерно 5–6 млрд. руб. на одно предприятие.

1

0,2

0,25 1

0,2

G

0,15

0,15

0,1

0,1 0,05 0 1995

2

2

0,05 0

1996

1997

1998

1999

2000

2001

2002

0

2003

Годы

50

100 Q, млрд. руб.

150

Рис. 6 Динамика расхождения значений стандартного отклонения σ(s0) для (1) основной массы предприятий (S0 < 0,5 109 руб) и для (2) наиболее крупных (S0 > 1,1 109 руб.)

Рис. 7. Зависимость стандартного отклонения σ(S0,Q) от величины собственных средств Q предприятий черной металлургии. Основная масса предприятий – 1, крупнейшие предприятия – 2.

Для объяснения полученных результатов будем предполагать, что собственные средства, решившие проблему самофинансирования, сыграли роль основного параметра управления в решении проблемы повышения адекватности управления предприятиями черной металлургии. Для проверки этого предположения на рис. 7 представлен график σ =f(Q) зависимости значений стандартного отклонения σ от Q – величины собственных средств предприятий черной металлургии. Можно заметить, что при Q≥50 млрд. руб. произошло существенное уменьшение значений стандартного отклонения σ(S0,Q) от центральной линии зоны аттракции, а значит и увеличение адекватности управления для самых крупных предприятий черной металлургии, экспортные успехи которых и позволили этим предприятиям иметь собственные средства для самофинансирования своего развития. Поскольку группа успешно развивающихся предпри-

Проведенные оценки подтверждаются опубликованными в [4] данными. Согласно [4] собственные источники финансирования составляли на 31.12.2002 г. для Магнитогорского МК ≈ 30 млрд. руб., Северсталь ≈ 42 млрд.руб., Новолипецкого МК ≈ 43 млрд. руб. Это позволяло указанным предприятиям получить высокие значения адекватности управления и в 2003 г. В то же время, Нижнетагильскому МК с собственными источниками финансирования в ≈ 4 млрд.руб. потребовалось ≈ 7 млрд.руб. заемных средств, чтобы сохранить свое место в группе высоких значений адекватности управления. Вместе с тем, ход зависимости σ = f(Q) позволяет предположить, что вложение соответствующих средств на расширение и модернизацию предприятий (собственные средства Q) не являются единственным управляющим параметром уравнения, определяющего динамику стандартного отклонения σ. Наблюдаемое на рис. 7 разрушение

119

120

бифуркации типа камертон может иметь место лишь при наличии в правой части динамического уравнения (вида dx/dt = –x3 + λx +c) постоянного члена. При этом в 1999 г. – в первый год после дефолта – величина этой постоянной составляющей была существенно больше, чем в последующие годы. Можно предполагать поэтому, что адекватность управления в значительной степени определяется и высокой согласованностью поведения всех уровней управленческой иерархии (когнитивным потенциалом в терминологии В.И. Максимова). Литература 1.

2. 3. 4. 5.

КЛЕПАРСКИЙ В.Г., КЛЕПАРСКАЯ Е.В. Адекватность управления саморазвивающимися системами социальноэкономической природы (на примере предприятий черной металлургии)// Проблемы управления, 2006 (в печати). МАЛИНЕЦКИЙ Г.Г., ПОТАПОВ А.Б. Современные проблемы нелинейной динамики. / М., Эдиториал УРСС, 2000. НЕЙМАРК Ю.И. Динамические системы и управляемые процессы. / М., “Наука“, 1978. СУХОВЕРХОВА Ж.В. Механизм эффективного управления предприятиями черной металлургии. /М., МАКС Пресс, 2005. GYERT R., MARCH J. A Behavioral Theory of the Firm./ New Jersey, Prentice-Hall, Englewood Cliffs, 1963.

121

РЕГРЕССИОННЫЙ ПОДХОД К УПРАВЛЕНИЮ СЛАБОСТРУКТУРИРОВАННЫМИ СИСТЕМАМИ Корноушенко Е.К. (Институт проблем управления РАН, г. Москва) [email protected] При решении задач управления слабоструктурированными системами предлагается использовать регрессионный подход. На простейшем гипотетическом примере обсуждаются этапы предлагаемого подхода, условия его применимости, достоинства и ограничения. Показано, как построенные регрессионные модели могут быть использованы для решения статических оптимизационных обратных задач управления в слабоструктурированных системах. Ключевые слова: слабоструктурированная система, регрессионная модель, линейное программирование, метод наименьших квадратов Введение Различным вопросам анализа слабоструктурированных систем уделяется значительное внимание в последнее время. Об этом свидетельствует большое количество работ по данной проблематике, а также рост числа участников ежегодной конференции «Когнитивный анализ и управление развитием ситуаций», проводимой в Институте проблем управления РАН. Возникающие на ней дискуссии касаются, прежде всего, основного вопроса – какой математический аппарат можно считать наиболее приемлемым и перспективным для анализа слабоструктурированных систем, как проверять «правильность» получаемых решений. К сожалению, этот вопрос до сих пор остается открытым. В данной статье для анализа слабоструктурированных систем предлагается использовать ряд результатов, полученных для 122

сложных ситуаций в рамках регрессионного анализа. На простейшем гипотетическом примере показано, что если выполняются условия для построения той или иной регрессионной модели, то такая модель может быть использована для решения статических оптимизационных обратных задач управления в слабоструктурированных системах. 1. Современный подход к управлению слабоструктурированными системами Под слабоструктурированной системой (СС-системой) понимается всякая динамическая (т.е. функционирующая во времени) система, в структуре и функционировании которой важную роль играет человеческий фактор. Именно наличие человеческого фактора, для различных проявлений которого практически невозможно построить точные математические модели, позволяет считать такие системы слабоструктурированными системами. «Выразителями» человеческого фактора могут быть отдельные участники системы, структурные подразделения, весь персонал СС-системы и т.д. Поскольку человеческий фактор играет важную роль в функционировании экономических, политических, производственных систем, подобные системы можно рассматривать как СС-системы. Важность учета человеческого фактора при анализе деятельности компаний наглядно проявилась в подходе, получившем название сбалансированная система показателей (Balanced Scorecard, см., например, [3,4]). Сбалансированная система показателей (ССП) – это система управления (а не просто система измерения ключевых показателей деятельности компании), которая позволяет компании сформулировать планы на будущее и стратегию и воплотить их в реальные действия. ССП обеспечивает связь между внутренними бизнес-процессами, характеризующими деятельность компании, и внешними измеряемыми показателями, необходимую для повышения стратегической эффективности и достижение намечаемых целей. 123

По каждому из ключевых аспектов деятельности компании определяются соответствующие наборы возможных действий и измеряемые показатели, оценивающие эффективность этих действий, т.е. задаются цепочки причинно-следственных связей между возможными действиями и результатами этих действий. В плане рассматриваемого ниже регрессионного подхода к управлению СС-системами представляется целесообразным более детально проанализировать некоторые особенности ССП. В деятельности компании выделяются четыре аспекта: финансовый, рыночный, организационный, инновационный. При этом: • Финансовые показатели, по определению, являются количественными, так что для них не возникает проблем в представлении их стратегических значений и последовательности тактических значений; • Задание выходных показателей маркетинговой деятельности компании связано с определением интересов клиентов и отражением этих интересов с использованием какой-либо подходящей метрики; • Показателями хорошей организации внутренних бизнеспроцессов могут быть опять-таки соответствующие финансовые показатели (например, себестоимость продукции, рентабельность продаж и т.д.); • В качестве показателей профессионального уровня персонала могут рассматриваться такие параметры как процент рекламаций на продукцию компании, количество патентов у компании, освоение новых видов продукции и т.п. Таким образом, при рассмотрении всякой конкретной компании с заданием измеримых выходных показателей особых проблем, как правило, не возникает. Гораздо серьезнее обстоит дело с определением причинноследственных цепочек типа «действие – результат», относящихся к каждому из указанных выше аспектов. Дело в том, что внутренние параметры бизнес-процессов могут оказаться настолько взаимосвязаны друг с другом (и с внешними параметрами), что однозначно определяемый результат (в виде наперед заданного изменения рассматриваемого выходного параметра) 124

будет определяться не столько самим действием, сколько совокупностью условий, при которых это действие совершается. Если проинтерпретировать это обстоятельство в терминах конечно автоматной модели, то получается, что результат совершаемого действия зависит как от самого действия, так и от состояния внутренних процессов на путях, соединяющих точку приложения действия и точку съема информации о последствиях совершения действия, что формально можно представить как Y = λ(S, X), где Х – вектор значений параметров, характеризующих совершаемое действие, S – состояние СС-системы, т.е. вектор значений внутренних параметров на указанных путях в структуре системы, Y – результат действия Х. Сложность ситуации состоит в том, что в силу ненаблюдаемости (и, соответственно, неизмеримости) ряда внутренних параметров СС-системы точное определение состояния СС-системы невозможно и, следовательно, невозможно точное предсказание результата Y. Этот факт существенно затрудняет практическое использование методологии ССП. Однако если имеется информация о функционировании ССсистемы на некотором временном интервале, которую можно рассматривать как совокупность пар (Х, Y), то при определенных допущениях можно построить регрессионную зависимость Y от Х, являющуюся некоторым усредненным соответствие (1) Y* = λ*(S*, X), для исходной совокупности пар (Х, Y), где S* – некоторое усредненное состояние СС-системы. Погрешность аппроксимации каждого из соответствий (Х, Y) парой (Х, Y*) зависит как от «размаха» (диаметра) самого множества пар (Х, Y), так и от выбора аппроксимирующего соответствия (1). Использование соотношений вида (1), базирующихся на реальных данных о функционировании СС-системы, позволяет ставить и решать (с определенной точностью) некоторые задачи управления ССсистемой в формальной постановке. 125

Цель настоящей работы состоит в том, чтобы: • не углубляясь в детальный (и, скорее всего, бесперспективный) анализ взаимовлияний внутренних параметров бизнеспроцессов друг на друга и на внешние параметры, описать интегральные (усредненные) влияния внутренних параметров на измеряемые внешние параметры в виде тех или иных регрессионных соотношений; • указать условия и ограничения, при которых справедливы подобные соотношения; • на простейшем примере показать возможность выбора на основе таких соотношений тех или иных управлений в зависимости от поставленной задачи (здесь рассматриваются лишь статические обратные задачи с оптимизацией заданных критериев). 2. Формирование исходного массива данных В качестве простейшего примера, на котором будут проиллюстрированы основные этапы предлагаемого подхода, рассмотрим некое гипотетическое предприятие, производящее товары одного функционального назначения, но трех различных типов (скажем, холодильники с разными объемами холодильных камер и разным числом компрессоров). Допущение 1. Считаем, что все эти товары характеризуются одним и тем же набором признаков (факторов), причем для разных по типам товаров значения (характеристики) некоторых (или всех) признаков могут различаться. Выделим и систематизируем факторы, которые влияют на указанную прибыль: • Производственно-технологические факторы: вместо перечисления множества детальных факторов, задействованных в процессе производства товаров и определяющих величины постоянных и переменных затрат, используем понятие себестоимости (фактор Себест) каждого из товаров как результирующий интегральный показатель, характеризующий эту совокупность факторов, и объем партии (фактор Объем); 126

• Организационные факторы: из совокупности факторов, характеризующих организацию производственных процессов на предприятии выделим два фактора как наиболее отражающих состояние организационной структуры – это квалификация (фактор Квалиф) обслуживающего персонала (быть может, разная для производства товаров разных типов) а также неконкурентоспособность производимых товаров. Квалификация является качественным фактором, и для его измерения используется порядковая шкала (баллы). В качестве количественной меры неконкурентоспособности того или иного вида товара можно рассматривать остатки непроданных товаров (фактор Непрод) в каждой из выбрасываемых на рынок партий. • Рыночные факторы: это, прежде всего, характеристики самих товаров, совокупность которых определяется в результате анализа спроса на такие товары, объемы проданных на рынке товаров и назначаемые цены (фактор Цена). В качестве выходного финансового показателя рассмотрим месячную прибыль предприятия от продажи каждой партии товаров одного и того же типа, произведенных на некотором временном интервале (скажем, в течение 9 месяцев). Замечание 1. Даже на таком простейшем примере видно, как различные факторы теснейшим образом «переплетаются» друг с другом. Так, квалификация персонала существенно влияет на себестоимость товаров и на их конкурентоспособность, т.е. на число непроданных товаров. Объем партии товара того или иного типа влияет, в принципе, на рыночные цены и на число непроданных единиц этого товара и т.д. Таким образом, каждая единица товара того или иного типа характеризуется соответствующим вектором значений факторов. По предположению, все эти вектора имеют одинаковую длину. Допущение 2. Будем считать, что изменения макроэкономических факторов, а также изменения внутри предприятия происходят довольно медленно, в силу чего можно выделить временной интервал Т (скажем, год), на котором неизвестная функциональная зависимость между прибылью, получаемой от продажи каждой единицы товара, и координатами вектора 127

факторов сохраняется практически неизменной в течение этого интервала времени. Это позволяет сформировать исходную выборку в виде массива векторов факторов, описывающих партии товаров, выброшенных на рынок в течение выбранного временного периода, и дополнить этот массив столбцом значений прибыли, полученной в каждый из рассматриваемых моментов времени от продажи каждой из партий товаров. В таблице 1 представлена исходная выборка для предложенного гипотетического примера. Выбранный временной интервал (год) включает 9 моментов времени (3 квартала) поступления рыночной информации о проданных партиях товаров (макроэкономические факторы на интервале Т считаются константными и в таблицу 1 не входят). 3. Построение регрессионных соотношений по исходной выборке Обозначим неизвестную функциональную зависимость, существующую на рассматриваемом интервале Т между прибылью, получаемой от продажи каждой партии товара типа k, и координатами вектора факторов, описывающих продаваемые товары, как Yk = Fk(X1, X2,…,X5), k = 1, 2, 3. Для удобства дальнейшего рассмотрения в терминах регрессионного анализа будем называть факторы X1, X2,…,X5 – факторами стоимости, а соответствующую прибыль от продажи той или иной партии – зависимой переменной Y. По предположению, построенная регрессионная модель должна использоваться далее для управления значениями факторов стоимости с целью обеспечения желаемых значений зависимой переменной.

128

Таблица 1. Исходная выборка: описания товаров в терминах факторов стоимости и результаты продаж Тип

1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3

Себест

Квалиф

Объем

Цена

Непрод

(тыс.руб.)

(балл)

(ед.)

(тыс.руб.)

(ед.)

8 8 9 9 9 10 10 10 11 20 20 18 18 18 19 20 20 20 35 35 35 33 33 33 31 31 31

0.3 0.3 0.3 0.3 0.25 0.25 0.2 0.2 0.1 0.3 0.3 0.3 0.25 0.25 0.2 0.2 0.1 0.1 0.3 0.3 0.5 0.5 0.7 0.7 0.9 1 1

260 270 250 230 230 210 210 200 200 175 180 150 150 150 150 130 130 130 64 75 75 75 100 100 150 150 180

11 11 11 12 12 13 13 14 14 27 27 25 25 26 26 27 27 27 45 45 45 45 46 46 45 45 44

52 54 45 43 46 40 38 46 42 37 40 36 38 37 32 33 30 32 14 15 13 11 20 17 31 28 35

Прибыль (тыс.руб. )

208 216 5 174 138 110 136 156 12 226 180 150 100 238 218 19 100 46 10 75 165 405 380 518 705 840 800

129

Поскольку в любой конкретной регрессионной модели каждый коэффициент отражает характер и силу влияния соответствующего фактора на зависимую переменную, то при использовании такой модели для целей управления зависимой переменной и знаки, и значения её коэффициентов должны не противоречить практическому опыту (и здравому смыслу) разработчика модели (т.е. коэффициенты модели должны быть предметно интерпретируемыми – см., например, [1]). Однако, как правило, коэффициенты моделей, полученные с использованием той или иной минимизационной процедуры, не удовлетворяют этим требованиям. Дело в том, что требование минимизации используемого критерия и требование предметной интерпретируемости коэффициентов модели зачастую несовместимы. Это обстоятельство вынуждает переходить к моделям, в которых минимизация выбранного критерия осуществляется структурно (т.е. путем последовательного выбора определенной структуры результирующей модели) с сохранением предметной интерпретируемости её коэффициентов. Ниже предлагается процедура построения одной из таких моделей, базирующейся на значениях коэффициентов корреляции факторов модели с зависимой переменной. Результирующая модель – линейна, а процедура её построения включает следующие этапы: 1) Для каждого из факторов модели находится коэффициент корреляции этого фактора с зависимой переменной; 2) Если этот коэффициент корреляции положителен, то данный фактор входит в модель без изменений. Если же коэффициент корреляции отрицателен, то значения X*i данного фактора Xi заменяются на обратные значения вида pi / Xi , где pi – порядок наибольших значений фактора Xi (другими словами, вместо фактора Xi рассматривается фактор X i−1 , значения которого определяются указанным выше образом), и находится коэффициент корреляции фактора X i−1 с зависимой переменной Y; 3) Определяется вклад каждого фактора в среднее значение зависимой переменной Y как произведение среднего значения Yср 130

на величину отношения соответствующего коэффициента корреляции к сумме значений коэффициентов корреляции всех факторов модели с зависимой переменной Y; 4) Определяется среднее значение Xiср каждого фактора Xi в исходной выборке и вычисляется средняя цена аi (в единицах измерения зависимой переменной Y) единицы измерения фактора Xi (или фактора X i−1 ) как значение отношения вклада этого фактора в величину Yср к среднему значению Xiср этого фактора;

На рис. 1 и 2 представлены графики месячных прибылей для товаров типа 2 и 3 и модельные оценки этих графиков, полученные с использованием моделей 2 и 3 соответственно.

m

5) Результирующая модель имеет вид Y =

∑aiXi. i=1

Вернемся к нашему примеру. Поскольку, по предположению (см. таблицу 1) , для каждой партии каждого типа товара известны помесячные прибыли, целесообразно построить модели указанного выше вида для каждого типа товара. Эти модели выглядят следующим образом: Y1=32.0063*Себест–1+109.0800*Квалиф+0.0948*Объем+ +13.3347*Цена–1+0.6420*Непрод; Y2=–1.9423*Себест+302.0097*Квалиф+0.5546*Объем– 0.8294*Цена+1.4594*Непрод; Y3=354.7521*Себест–1+163.1473*Квалиф+0.9377*Объем+ 77.1123*Цена–1+4.4898*Непрод. Здесь запись Себест–1 (Цена–1) означает, что вместо помесячных данных о себестоимости (цене) в моделях 1 и 3 используются соответствующие данные вида 10/Себест(i), 15/Цена (i), i = 1,…,9, где числа 10 и 15 – порядки наибольших значений соответственно себестоимости и цены. Замечание 2.В модели для товаров 2-го типа факторы Себестоимость и Цена имеют отрицательные коэффициенты. Дело в том, что в силу малости используемой выборки переход к обратным значениям этих факторов не изменил знаки коэффициентов корреляции этих факторов с зависимой переменной. Поэтому в данной модели используются исходные значения себестоимости и цены, а отрицательность вкладов этих факторов интерпретируется как уменьшение прибыли с возрастанием себестоимости (цены) товара. 131

Рис. 1. График месячных прибылей по товарам типа 2 и их модельные оценки

Рис.2. График месячных прибылей по товарам типа 3 и их модельные оценки Замечание 3. Качество моделей 1 и 3 (погрешность оценки, коэффициент детерминации и т.п.) не очень хорошее в силу малости исходных выборок по каждому из типов товаров и выбора линейной модели в качестве аппроксимирующей существенно нелинейную зависимость прибыли для товаров каждого 132

из типов от факторов стоимости. Здесь следует отметить два момента: − в условиях малой выборки использование более точных нелинейных моделей для аппроксимации исходных данных на обучающей выборке (т.е. на той, по которой строится аппроксимирующая модель) чревато тем, что на других данных, не входящих в обучающую выборку, качество аппроксимации такой модели будет весьма низким (поскольку при её построении весьма значимым может оказаться «эффект малости выборки» – см., например, [2]); − в плане демонстрации идеи предлагаемого подхода линейные модели весьма наглядны и получаемые результаты легко интерпретируемы. 4. Применение регрессионных моделей для решения некоторых оптимизационных обратных задач управления Линейная структура построенных регрессионных моделей 1 – 3 позволяет сформулировать и решить некоторые оптимизационные задачи по выбору управлений с использованием линейных алгоритмов минимизации. Задача 1. Оценить суммарную (по товарам всех типов) максимальную месячную прибыль, которая может быть получена при ограничениях на допустимые значения факторов, приведенных в таблице 2, с наложением дополнительных условий: - Суммарное (по всем типам) количество товаров, одновременно выбрасываемых на рынок, не превышает 400 единиц; - При этом суммарное количество непроданных еди-

ниц не превышает 70. Эта задача решается стандартным методом линейного программирования. В частности, её формулировка в вычислительном пакете MATLAB выглядит следующим образом: X=linprog(F,lb,ub,C,d), где F=(А1, А2, А3), а Аi – вектор коэффициентов i–й модели, lb, ub – интервальные ограничения на допустимые значения факто133

ров, представленные в таблице 2, координаты вектора d суть d(1)=400, d(2)=70.

Таблица 2. Нижние и верхние ограничения на допустимые значения факторов стоимости для товаров разных типов Тип 1 Тип 2 Тип 3

Себест (тыс.руб.) 12 [15,20] [20,30]

Квалиф (балл) [0.1,0.3] [0.1,0.4] [0.4,0.8]

Объем (ед.) [150,300] [110,200] [50, 200]

Цена (тыс.руб.) [15,18.75] 27 [25, 40]

Непрод (ед.) [30,50] [25,50] [10, 40]

Полученное решение, максимизирующее суммарную месячную прибыль, представлено в таблице 3.

Таблица 3. Значения факторов стоимости, являющиеся решением задачи 1 Себест (т.руб.)

Квалиф (балл)

Объем (единицы)

Цена (тыс.руб.)

Тип 1 Тип 2

12 15

Тип 3

20

0.3 0.4 0.8

150 110 140

15 27 25

Непрод (единицы) 30 25 15

При этом суммарная максимальная месячная прибыль равна 825.7528 (тыс.руб.). Подчеркнутые значения факторов не принадлежат концам допустимых интервалов. Замечание 4. Малость (непредставительность) исходной выборки не позволяет использовать гипотезу о нормальности распределения месячных прибылей, что делает невозможным оценку доверительного интервала для полученной максимальной прибыли в задаче 1. Это решение следует рассматривать лишь как некоторое среднее значение для возможных значений суммарных месячных прибылей. Следует подчеркнуть, что качество решения задачи 1 в значительной степени определяется качеством и количеством исходных данных (исходной выборки). 134

Данный пример показывает лишь принципиальную возможность решения указанной задачи в рамках регрессионного подхода. Задача 2. При ограничениях задачи 1 добиться следующих значений месячной прибыли (в тыс.руб.) по товарам каждого типа: Вариант 1. Тип 1: 150, Тип 2: 200, Тип 3: 300, Вариант 2. Тип 1: 200, Тип 2: 300, Тип 3: 400. Эта задача решается с использованием линейного метода наименьших квадратов с ограничениями. Её формальное представление в пакете MATLAB выглядит следующим образом: X = lsqlin(A,b,lb,ub,C,d), где А – матрица размера 3×15, на главной диагонали которой в каждой из трех клеток стоят соответствующие вектора А1, А2, А3 коэффициентов моделей 1 – 3, а координаты вектора-столбца b суть заданные значения месячных прибылей по товарам каждого типа для вариантов 1 или 2. Остальные параметры lb,ub,C,d определяются так же, как в задаче 1. Значения месячных прибылей, найденные путем решения задачи 2 для каждого из вариантов, представлены в соответствующем столбце таблицы 4. При этом левые числа являются исходно задаваемыми, а числа после косой линии – соответствующими координатами результирующего вектора решения. Для полученных решений полностью справедливо замечание 4. Однако даже на этом простейшем примере видно, что требования, приведенные во втором варианте, являются «непосильными» для предприятия и «в среднем» могут быть выполненными только для товаров типа 3.

Таблица 4. Сравнение исходно задаваемых требований с соответствующими координатами полученных решений Тип Тип 1 Тип 2 Тип 3

Месячная прибыль (тыс.руб.) 150/113.3326 200/193.7323 300/ 304.0915

Месячная прибыль (тыс.руб.) 200/ 106.1999 300/ 223.9776 400 / 400

135

4. Заключение По представленному материалу можно сделать следующие выводы: • На простейшем примере показана возможность применения регрессионного подхода для решения некоторых задач управления при анализе СС-систем, в структуре которых содержатся ненаблюдаемые (и неизмеримые) параметры, влияющие на результаты её функционирования; • Качество результатов анализа и управления СС-системой при использовании регрессионного подхода зависит от представительности исходных данных, по которым строятся используемые регрессионные соотношения; • Аналогичное рассмотрение может быть проведено и с учетом временных изменений в функционировании СС-системы, что потребует привлечения методов прогнозирования поведения временных рядов. Однако принципиальная возможность применения регрессионного подхода для решения задач управления сохраняется и в этом случае. Литература 1. АНИСИМОВА И.Н., БАРИНОВ Н.П. ГРИБОВСКИЙ С.В. Учет разнотипных ценообразующих факторов в многомерных регрессионных моделях оценки недвижимости // Вопросы оценки, N2, 2004, с. 2–15. 2. БОЛЧ Б, ХУАНЬ К. Дж. Многомерные статистические методы для экономики. – М: Статистика, 1979, 263 с. 3. MISSROON A.M. Demystifying the Balanced Scorecard // Data Management Review, N12, 1999, pp. 453–467. 4. MISSROON A.M. Measure vs. Manage // Data Management Review, N1, 2000, pp. 62–79.

136

КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ РЕГИОНАЛЬНЫХ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ Кочкаров А.А, Салпагаров М.Б. (Институт прикладной математики им. М.В. Келдыша РАН, г. Москва, Северо-Кавказский Государственный технический университет, г. Ставрополь) [email protected] Одним из распространенных подходов когнитивного моделирования является подход, основанный на представлении моделируемой системы в виде взвешенного ориентированного графа с распространяемым по нему импульсом. В настоящей работе этот подход используется для моделирования региональной социально-экономической системы в условиях внешних воздействий.

но-экономические и т.п.), рассматриваемые в теории управления риском, могут быть подвержены внешнему влиянию (воздействию) на протяжении небольшого промежутка времени. Нередко такие воздействия являются внезапными и интенсивными, а поэтому рассматриваемые системы не всегда могут “противостоять” этим поражающим факторам. Поражающие воздействия, приложенные к системе, могут приводить к ухудшению ее функционирования, а порой и к кризисам. Живучесть системы, ее способность функционировать в условиях внешних поражающих воздействий будем называть стойкостью [4] системы. Одним из распространенных подходов когнитивного моделирования является подход, основанный на представлении моделируемой системы в виде взвешенного ориентированного графа с распространяемым по нему импульсом [6,9]. Этот подход используется в настоящей работе для моделирования региональной социально-экономической системы в условиях внешних воздействий. Моделирование региональной социальноэкономической системы в условиях внешних воздействий

Ключевые слова: когнитивное моделирование, взвешенный ориентированный граф, импульсное воздействие Введение Моделирование – общенаучный инструмент познания окружающего мира. В зависимости от уровня детализации и применимости различают вербальное, когнитивное, качественное и имитационное моделирование. Когнитивное моделирование выделяется среди остальных видов моделирования своей открытостью для специалистов и экспертов различных областей науки. Это позволяет строить математические модели, результаты исследования которых легко интерпретируемы на практике. Одно из центральных мест в исследованиях по управлению рисками [2] занимает анализ кризисов, то есть ситуаций, когда система оказывается не в состоянии в полном объеме выполнять возложенные на нее функции. Системы (технические, социаль137

Под системой [1] обычно понимается объединение взаимодействующих элементов, рассматриваемых как связное целое. Каждый элемент системы производит определенные действия, что позволяет всей системе выполнять возложенные на нее функции. Структура системы [3] – организация системы из отдельных элементов с их взаимосвязями. Структура любой системы наглядно представима в виде ориентированного графа G = (V , E ) . Вершины (множество V = {vi }, i = 1, n ) графа соответствуют элементам системы, а ребра (множество E = {e = (vi , v j )} , i, j = 1, n , i ≠ j ) – связям между элементами

этой системы. Ориентация ребер графа определяется направленностью влияния одних элементов системы на другие. Для полного описания системы до попадания ее в зону форс-мажорных 138

обстоятельств (в условия внешних дестабилизирующих импульсных воздействий) необходимо наделить (взвесить) вершины графа числами wi (t ) – показателями качественного состояния элемента vi , а ребра – коэффициентами сопротивляемости w(vi , v j ) = ε ij .

Зона форс-мажорных обстоятельств, в которой система подвергается влиянию дестабилизирующих факторов, представляется в виде внешнего импульсного воздействия imp j (t ), j ∈ {1, 2,.., n} . Динамика распространения внешних дестабилизирующих воздействий по системе описывается как изменение показателей качественного состояния элементов системы: – распространение возрастающих импульсных воздействий deg vi

wi (t + 1) = wi (t ) ∏ ε ji imp j (t ) , j =1

когда импульсное воздействие усиливается при переходе от одного элемента системы к другому; – распространение затухающих импульсных воздействий deg vi

wi (t + 1) = wi (t ) ∏ (1 − ε ji imp j (t )) ,

одного из наиболее значимых элементов системы ниже некоторого допустимого уровня. Этот уровень будем называть критическим уровнем качественного состояния элемента v и обозначать cr(v) Если показатель качественного состояния элемента ниже критического уровня, то элемент не в состоянии выполнять возложенных на него функций, или функционировать требуемое время. Целесообразно также использовать в описываемой модели управляющие воздействия, позволяющие повышать значения качественных показателей состояния элементов системы в любой момент времени, вмешиваясь тем самым в процесс распространения дестабилизирующих воздействий по системе. А также внутренний ресурс системы – периодическое восстановление значений качественных показателей состояния элементов системы на определенную величину. В рамках предлагаемого подхода возможно исследование и социально-экономических систем. Это позволяет определить ряд сценариев, по которым будет развиваться система при различных внешних воздействиях. Полезность и практичность такого подхода продемонстрирована когнитивной моделью управления государством на примере Союза Сербии и Черногории [7].

j =1

когда импульсное воздействие ослабевает при переходе от одного элемента системы к другому. Распространение импульсных воздействий происходит в дискретном времени t = 0,1, 2,3... . Значения всех показателей (показателей качественного состояния элемента, коэффициентов сопротивляемости, импульсных воздействий) – величины относительные, и находятся в отрезке (0, 1). В соответствии с описанным импульсным воздействием на орграфе можно ввести различные критерии отказа [5] в случае моделирования технической системы или кризиса в случае моделирования социально-экономической системы. К примеру, можно считать, что система находится в состоянии отказа или кризиса, если показатель качественного состояния хотя бы 139

Рис. 1. Структура региональной социально-экономической системы

На рис. 1 представлена структура социально-экономической системы, типичная для многих небольших регионов (республик, областей) Российской Федерации. Система состоит из пяти 140

затухающим воздействии, приложенным к вершине (элементу) ВА. Наблюдается падение основного показателя.

а

б

в

вес, w(t)

основных элементов: СП – социальное положение (напряженность) в регионе, ОЭ – оппозиционная элита региона, УЭ – управленческая элита региона, ВА – внешний арбитр, ЭА – экономическая активность региона. Исследование модели было проведено при различных исходных данных (показателях качественного состояния элементов системы и коэффициентах сопротивляемости ребер) о состоянии системы и импульсных воздействиях, приложенных к различным вершинам. Это позволило сделать наиболее достоверные выводы о поведении исследуемой системы в различных условиях внешних воздействий. Своего критического уровня cr(СП) = 0,01 система со структурой, изображенной на рис. 1, достигает за характеристическое время t=33 (см. рис. 2).

Рис. 3. Графики изменения основного показателя системы без управляющего воздействия время, t

Рис. 2

Если в структуру системы добавить обратные связи (к примеру УЭ→ОЭ или СП→ВА), то на первый взгляд система должна стать более стойкой к внешним воздействиям. Но при указанных структурных изменениях системы характеристическое время уменьшится почти вдвое. На рис. 3(а) представлен график изменения основного показателя системы – СП исследуемой региональной социальноэкономической системы с внутренним ресурсом и внешним 141

На рис. 3(б) представлен график изменения основного показателя системы СП, когда тоже самое по величине внешнее затухающее воздействие, что и в предыдущем случае, при тех же исходных данных системы приложено к другому элементу системы – к вершине (элементу) ОЭ. В такой ситуации, в отличие от предыдущей, системе удается восстановиться, благодаря внутреннему ресурсу, и зафиксировать значение основного показателя на некотором стабильном уровне, хотя и ниже исходного. На рис. 3(в) показан график изменения основного показателя системы СП, когда импульсное воздействие, в два раза мень142

143

a

1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0

б

1 w(t), вес вершины

w(t), вес вершины

0,8 0,6 0,4 0,2 0 1

1

101

201

301

401

101

501

201

301

401

501

t, время

t, время

в

1 w(t), вес вершины

шее, чем ранее, приложено сразу к двум элементам системы – ОЭ и ВА. Наблюдается падение значения СП. Управляющие воздействия являются основным инструментом повышения значений показателей качественного состояния элементов системы. Но величина управляющего воздействия, время и точка его приложения должны быть определены в зависимости от распространяемого по системе импульсного воздействия. Использование этой модели позволяет увидеть парадоксальные, неочевидные, на первый взгляд, способы управления социально-экономической системой. На рис. 4(а) изображен график изменения основного показателя исследуемой региональной социально-экономической системы с внутренним ресурсом, когда затухающее импульсное воздействие приложено к элементу ВА. Наблюдается падение основного показателя. Управляющее воздействие, приложенное к системе в момент времени t=75 (см. рис. 4(б)), повысит значение показателей качественного состояния ее элементов, но не повлияет на общее состояние системы в дальнейшем. Управляющее воздействие, приложенное к системе в более поздний момент распространения по ней импульсных воздействий, приводит к иному результату (см. рис. 4(в)). Основной показатель системы не понижается, а стабилизируется, хотя и на уровне более низком, чем первоначальный. Это объясняется тем, что в предыдущем случае управляющее воздействие было приложено к системе, когда по ней распространялось импульсное воздействие, величина которого позволяла “поглотить” повышение значение показателей качественного состояния элементов системы.

0,8 0,6 0,4 0,2 0 1

101

201

301

401

501

t, время

Рис. 4. Графики изменения основного показателя системы с управляющим воздействием Заключение

Для обеспечения стойкости системы как новой задачи в рамках концепции управления рисками [2] возможны два подхода. Первый – наделение системы достаточным внутренним ресурсом, позволяющим противостоять любым внешним дестабилизирующим воздействиям. Второй – изменение структуры системы, позволяющее повышать стойкость системы, “убирая” из структуры системы наиболее опасные и уязвимые взаимосвязи. Второй подход очерчивает новое направление теории управления сложными системами – структурное управление. Модели рассмотренного типа, как показывает их анализ и опыт применения, могут быть элементом систем поддержки принятия решений в соответст144

вующих ситуационных центрах. Описанные случаи позволяют заключить, что реакция системы, иначе ее стойкость, понимая как способность противостоять внешним дестабилизирующим воздействиям, зависит [8] от структуры системы и как следствие от “точки приложения” самого внешнего воздействия. Работа выполнена при поддержке РФФИ (проект № 04-0100510) и РГНФ (проект № 05-03-03188).

ПРИМЕНЕНИЕ МЕТОДОВ КОГНИТИВНОГО АНАЛИЗА В КОНКУРСНОМ ОТБОРЕ ПРОЕКТОВ Кочкаров Р.А., Никищенко С.П. (Финансовая академия при Правительстве РФ, г. Москва, Северо-Кавказский Государственный технический университет, г. Ставрополь) [email protected]

Литература 1. 2. 3. 4.

5.

6. 7. 8. 9.

АРХИПОВА Н.И., КУЛЬБА В.В. Управление в чрезвычайных ситуациях. – М.: РГГУ, 1998. ВЛАДИМИРОВ В.А. и др. Управление риском. – М.: Наука, 2000. КАСТИ Дж. Большие системы. Связность, сложность и катастрофы. – М.: Мир, 1982. КОЧКАРОВ А.А. МАЛИНЕЦКИЙ Г.Г. Обеспечение стойкости сложных систем. Структурные аспекты. Препринт Института прикладной математики им. М.В. Келдыша РАН № 53. М., 2005. КОЧКАРОВ А.А., МАЛИНЕЦКИЙ Г.Г. Моделирование распространения внешних воздействий по структуре сложной системы // Математическое моделирование. – 2006. – Т. 18, № 2. – С. 51–60. КУЛЬБА В.В. и др. Методы формирования сценариев развития социально-экономических систем. − М.: СИНТЕГ, 2004. КУЛЬБА В.В. и др. Сценарии управления государством (на примере Союза Сербии и Черногории) // Проблемы управления. 2005. № 5. – С. 33–42. МАЛИНЕЦКИЙ Г.Г., ВОРОБЬЕВ Ю.Л., МАХУТОВ Н.А. Кризисы современной России и научный мониторинг // Вестник РАН, 2003, т.73, №7, С.579–593. РОБЕРТС Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. – М.: Наука, 1986. 145

Рассмотрена проблема качественной реализации программных мероприятий, подключения проектов и проектных работ в процессе выполнения государственных целевых программ. Приведены постановки задачи оптимального выбора конкурсных проектов и многокритериальной задачи о назначениях на предфрактальном графе. Ключевые слова: дискретная многокритериальная оптимизация, взвешенный двудольных граф, предфрактальный граф 1. Механизм поддержки конкурсного отбора проектов Рассмотрим одну проблему, которая возникает в процессе выполнения государственных целевых программ, а именно проблему качественной реализации, исполнения программных мероприятий, подключения проектов и проектных работ. Вначале напомним, как работает механизм конкурсного отбора проектов, и введем некоторые обозначения. На нижнем уровне находятся проекты (проектные работы), на выполнение которых подаются заявки. Для некоторых мероприятий проекты и потенциальные исполнители известны еще на этапе разработки программы (см. рис. 1). Так для мероприятий M 1 и M 2 уже сформулированы задания на проектирование и, более того, уже поступили заявки на выполнение конкретных проектных работ. В тоже время по проектным заданиям мероприятий M 3 , M 4 и M 5 исполнителей (ни реальных, ни потен146

циальных) еще нет. Проекты, запланированные в программе, являются предложением для исполнителей. Реальные же проектные работы отбираются на конкурсной основе среди исполнителей. На исполнение проекта П1 подаются заявки от возможных исполнителей на три проектные работы (реальные работы) Р1 , Р2 и Р3 . На конкурсной основе отбирается одна заявка на проектную работу Р1 [2,3].

виями лота, и определяется степень "покрытия" содержащимися в заявке предложениями условий лота. Эта информация представляется членам конкурсной комиссии и непосредственно влияет на результат конкурсного отбора. На рис. 1 для проекта П1 принята заявка от исполнителя работ Р1 . Если условия лота не полностью покрываются заявкой, тогда вводится новый лот на исполнение работ, оставшихся непокрытыми. Так как в реальной жизни сложно подбирать заявки, полностью покрывающие лоты, тогда отбор заявок будет проводиться по следующим двум критериям: – близость заявки условиям лота; – степень покрытия лота заявкой. Таким образом, для исполнения одного проекта может потребоваться несколько проектных работ, от разных заявителей. 2. Задача оптимального выбора конкурсных проектов

Рис. 1 Покрытие мероприятий программы проектами По каждому потенциальному проекту формируется "лот", в котором указаны условия для проводимых работ. Поступающие заявки от потенциальных исполнителей сравниваются с усло147

Одной из основных проблем в процессе реализации программы является проблема подключения проектов. Проекты непрерывным потоком предоставляются на рассмотрение, и на конкурсной основе подключаются к программе. Дерево целевой программы является своего рода картой исполнения программы. Вся программа, а равно и цели программы покрыты мероприятиями. Таким образом, для исполнения программы и достижения всех поставленных целей необходимо обеспечить все множество мероприятий проектами [2]. Сформулируем математическую постановку задачи отбора проектов. Разобьем все множество мероприятий M на группы, каждая из которых определяется параметрами, то есть в каждую отдельную группу будут входить мероприятия с однородными параметрами. Однородность параметров в данном случае означает следующее – равенство количества параметров каждого мероприятия группы и соответствие качеств (типов) параметров, определенных в группе. Например, в группу M (3) (q, s, t ) будут 148

входить мероприятия M i(3) (qi , si , ti ) , i ∈ I , где параметры группы определяются следующим образом, q – стоимость проекта, s – трудовые ресурсы, t – время исполнения мероприятия. Таким образом, получим разбиение множества M на подмножества M ( l ) , l = 1, 2,.., L . Параметры мероприятий будут представлены числовыми значениями, определяющими ограничения сверху ресурсов по каждому параметру группы. На рассмотрение предоставляются проекты, причем они идут непрерывным потоком. Одни проекты принимают, другие наоборот исключаются. При этом часть проектов может оставаться востребованной до определенного времени, пока эти проекты не будет исключены или приняты. Таким образом, задача назначения проектов связана со временем. Предположим, что лицо, принимающее решение (ЛПР) с определенной периодичностью рассматривает поступающие проекты и, соответственно, принимает решения в эти моменты времени. Это может быть заседание организационного совета каждый квартал или полугодие. То есть в моменты Ts = 1, 2,... происходит заседание, обсуждаются вопросы о проектах. На каждый момент времени Ts = 1, 2,... будет приходиться множество проектов P , и, соответственно, в каждый момент времени необходимо решать задачу о назначении проектов. Для этого сначала решим задачу на один определенный момент времени Ts∗ .

Предположим, что на момент времени Ts∗ имеется множество мероприятий M и множество проектов P . Разобьем все множество представленных мероприятий M на группы. Каждая группа будет определяться параметрами, т.е. в каждую отдельную группу будут входить мероприятия с однородными параметрами. Тогда получим разбиение множества M на подмножества M ( l ) , l = 1, 2,.., L . При этом параметры мероприятий будут представлены числовыми значениями, означающими ограничения ресурсов. Теперь разобьем множество проектов P на подмножества P ( l ) , так чтобы каждое подмножество проектов 149

можно было бы поставить в соответствие одному из подмножеств мероприятий. Тогда на момент времени Ts∗ все проекты оказались поставленными в соответствие с группами мероприятий. Возьмем один объект, то есть одну группу мероприятий M ∗ и соответствующую ей группу проектов P∗ . Соединим каждый проект из P∗ с теми мероприятиями из M ∗ , к которым он потенциально подходит. Например, проект постройки дорог может быть присоединен к мероприятиям по строительству автомагистралей, мостов, ремонту городских дорог и т.д. Назначим каждому ребру графа G ∗ соответствующий вес (стоимость проекта) ci , i = 1, n . Отметим, что стоимость проекта ci не означает денежную, либо какую-нибудь другую стоимость, а является совокупной стоимостью, состоящей из стоимостей различного вида. При этом веса ребер исходящих из одного и того же проекта будут одинаковыми (см. рис. 2).

Рис. 2 Взвешенный двудольный граф G ∗ Выбирая для каждой вершины pi наилучшее ребро, получим максимальное паросочетание двудольного ориентированного графа G ∗ . Задача оптимального назначения проектов сводит150

ся к выделению максимального паросочетания двудольного ориентированного графа. В случае, когда n = k и для каждого мероприятия существует хотя бы один альтернативный проект, то есть в каждую вершину m j входит не менее одного ребра, решением будет совершенное паросочетание. Таким образом, для каждой пары – M ( l ) и P ( l ) задается двудольный граф Gl , l = 1, 2,.., L на некоторый момент времени Ts∗ . Далее на каждый момент Ts = 1, 2,.., T рассматривается последовательность двудольных графов Gl . В каждый момент Ts производится поиск максимальных паросочетаний для последовательности Gl , l = 1, 2,.., L [4]. 3. Многокритериальная постановка задачи о назначениях на предфрактальном графе

Формально, если в задаче о назначениях (ЗН) каждому из n заказчиков и m исполнителей поставить в соответствие вершины графа, а ребрами обозначить возможности исполнения работ, предложенных заказчиками, то полученный двудольный граф G = (V ′,V ′′, E ) [2,3] является схемой, отражающей всевозможные связи между заказчиками и исполнителями. На графе G множества вершин V ′ , V ′ = n , и V ′′ , V ′′ = m соответствуют заказчикам и исполнителям. Множество ребер E соответствует связям между исполнителями и заказчиками. Смысл связей заключается в возможности реализации исполнителями работ, предложенных заказчиками. Каждому ребру из E приписываются веса, которые призваны качественно демонстрировать экономическую целесообразность выполняемых работ, предложенных конкретным заказчиком конкретному исполнителю. В фиксированный момент времени в работе должен быть задействован каждый исполнитель, причем он может принимать участие в выполнении только одного заказа. Каждый заказчик также может следить за реализацией единственного заказа. 151

План выполнения работ, предложенных заказчиками исполнителям, в терминах теории графов будет соответствовать паросочетанию, выделенному на двудольном графе G . Напомним, что паросочетание – это несвязный суграф, каждая компонента которого представляет собой ребро. Необходимость построения экономически обоснованного плана вынуждает обратиться в сферу дискретной многокритериальной оптимизации. Таким образом, ЗН в теоретико-графовой (классической) постановке сводится к поиску на двудольном графе паросочетаний, удовлетворяющих требованиям некоторых критериев. ЗН в классической постановке, как в однокритериальном, так и в многокритериальном случае тщательно исследована. С появлением понятия фрактального (предфрактального) графа многие задачи математического программирования, исследуемые аппаратом теории графов, в том числе и ЗН, потребовали серьезной доработки, а нередко и совершенно новых методов для решения этих задач с постановкой на предфрактальных графах [1]. Перейдем к многокритериальной постановке ЗН на предфрактальном графе. Рассмотрим взвешенный предфрактальный граф GL = (VL , EL ) порожденный двудольной затравкой H = (W ′,W ′′, Q) , у которой W ′ = W ′′ = n / 2 , Q = q .

Покрытием графа GL будем называть подграф x = (VL , Ex ) = {Dk } , Ex ⊆ EL , каждая компонента Dk , k = 1, 2,..., K , которого является деревом. Очевидно, что покрытие x = (VL , Ex ) является остовным лесом графа GL . Всевозможные покрытия

{ x}

предфрактального графа GL

образуют множество допустимых решений X = X (GL ) = { x} (МДР). Качество покрытия x на графе GL задается векторноцелевой функцией (ВЦФ): 152

(1) F( x) = ( F1 ( x), F2 ( x), F3 ( x), F4 ( x)) (2) F1 ( x) = где

∑ w(e) → min ,

e∈Ex

∑ w(e) – общий (суммарный) вес покрытия

x;

e∈Ex

(3) F2 ( x) = x → min , где x – число компонент в покрытии x . (4) F3 ( x) = deg Dk → min для всех k = 1, K , где max deg v = deg Dk – степень компоненты v∈Dk

Dk в покрытии x . (5) F4 ( x) = Dk → min для всех k = 1, K , где Dk – число вершин компоненты Dk в покрытии x . Критерии (2) – (5) ВЦФ (1) имеют конкретную содержательную интерпретацию. Веса, приписанные ребрам предфрактального графа GL , призваны отражать “неэффективность” сотрудничества между учреждениями, которым соответствуют вершины – концы ребер. Наладить плодотворное сотрудничество между крупными предприятиями, ввиду их сильной конкуренции, труднее, чем между более мелкими. Поэтому вес ребер с ростом их рангов уменьшается. При такой интерпретации весов, приписанных ребрам предфрактального графа, целесообразно искать покрытие с наименьшим весом. Именно, это и сформулировано в первом критерии (2) ВЦФ (1). Число компонент x в покрытии x соответствует числу частей, на которые разделен основной проект. Чем менее раздроблен основной проект при его реализации, тем эффективнее процесс объединения и обобщения результатов на завершающем этапе выполнения этого проекта. Поэтому второй критерий (3) ВЦФ (1) направлен на уменьшение числа компонент в покрытии. 153

Некоторые учреждения при распределении работ (частей основного проекта) могут одновременно сотрудничать с несколькими предприятиями. В покрытии x степени вершин компонент Dk будут указывать на число учреждений, сотрудничающих с учреждением, соответствующему данной вершине. Учреждения в таком широком сотрудничестве выступает и качестве заказчиков, и в качестве исполнителей заказов. Как известно, чрезмерная загрузка предприятия, преобладающая над его производственными возможностями, сильно ухудшает качество предлагаемых услуг и производимых изделий. Критерий (4) ВЦФ (1) стремиться уменьшить максимальную среди степеней вершин каждой компоненты Dk покрытия x , что обосновывается целесообразностью уменьшения количества сотрудничающих учреждений. Вершины, соответствующие учреждениям и предприятиям, имеющим тесные взаимоотношения, образуют компоненты Dk покрытия x . Увеличение количества взаимосвязанных учреждений и предприятий, работающих над одним заказом (частью основного проекта), понижает эффективность выполняемой работы. Число вершин (или ребер, на дереве число вершин отличается от числа ребер ровно на единицу), входящих в компоненты Dk покрытия x уменьшаются до возможного минимума критерием (5) ВЦФ (1), что позволяет предполагать достижения эффективного сотрудничества между учреждениями, соответствующие вершины которых на предфрактальном графе GL объединены в компоненты Dk покрытия x . Литература

1. 2. 154

КОЧКАРОВ А.М. Распознавание фрактальных графов. Алгоритмический подход. − Нижний Архыз: РАН САО, 1998. КОЧКАРОВ Р.А. Управление реализацией, формализация и мониторинг целевых программ. Известия ТРТУ. Тематиче-

3.

4.

ский выпуск “Перспективные системы и задачи управления”. – Таганрог: ТРТУ, 2006. – № 3. – С. 127–132. КОЧКАРОВ Р.А. Целевые программы в современных рыночных условиях. Модели экономических систем и информационные технологии: Сборник научных трудов / Под ред. О.В. Голосова. – М.: Финансовая академия при Пр. РФ, 2005. – Вып. XIV. – С. 82–97. КОЧКАРОВ Р.А., КОЧКАРОВ А.А. Параллельный алгоритм определения направлений объектов инвестирования. Актуальные проблемы математического моделирования в финансово-экономической области: Сборник научных статей / Отв. ред. И.Н. Дрогобыцкий. – М.: Финансовая академия при Пр. РФ, 2004. – Вып. 5. – С. 19–27.

ЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ ГЕОМЕТРИЧЕСКИХ ОБЪЕКТОВ И ПРИНЯТИЯ РЕШЕНИЙ Левин В.И. (Пензенская государственная технологическая академия, г. Пенза) [email protected] Рассмотрено применение к моделированию различных объектов непрерывной логики, нечеткой логики, интервальной логики и родственных им логик. Ключевые слова: логическое моделирование, непрерывная логика, нечеткая логика, интервальная логика Введение Наука логика первоначально создавалась древнегреческими мыслителями как средство построения правильного мышления. Эта область оставалась единственной, где применялась логика, до конца XIX в. В конце XIX – начале XX вв. выяснилось, что логика имеет прямое отношение к обоснованию математики. После этого области приложений логики стали расти, как снежный ком. Сначала в 1930-е гг. было установлено, что булева алгебра логики позволяет моделировать работу релейноконтактных и других управляющих устройств, что в большой мере способствовало созданию в 1940-е гг. кибернетики – общей науки об управлении. Затем были развиты методы логического вывода и принятия решений, что определило появление в 1950-е гг. новой науки – искусственного интеллекта. Наконец, в 1960-е гг. на основе непрерывной логики (НЛ) [1] была создана теория нечетких множеств [3], имеющая многочисленные применения в области моделирования систем, работающих в условиях неопре-

155

156

деленности. В настоящее время приложения логики охватывают почти все области человеческой деятельности: • математику (аппроксимация функций, геометрия [2], теории множеств и чисел), • технику (расчет электрических цепей, синтез генераторов функций, расчет аналоговых и цифровых устройств, моделирование формы деталей, надежность, диагностика) [6,9], • системы (системы обслуживания, распознавание образов, принятие решений, обработка информации) [5,7,8], • экономику (дискретная оптимизация, теория расписаний, моделирование экономических процессов), биологию (моделирование нейронных структур), • социологию (моделирование поведения коллектива), историю (моделирование потоков исторических событий) [4], • политологию (моделирование динамики общества) и т.д. В статье рассмотрено применение к моделированию различных объектов НЛ, нечеткой логики, интервальной логики (ИЛ) и родственных им логик. В библиографическом списке [1–9] даны источники, описывающие применение, как этих, так и других логик. 1. Моделирование геометрических объектов Начнем с применения логики к геометрическому моделированию [2]. Основной интерес представляет здесь следующая задача: для заданной кривой (поверхности, объема) дать аналитическое представление в виде соответствующего уравнения. Применение НЛ к решению данной задачи дает возможность аналитического описания сложных изломанных, разрывных и многозначных кривых и поверхностей, областей и их границ, пересечения областей и т.д., требуя меньше исходных данных и приводя к более простому описанию, чем другие методы. Так, изломанную кривую, полученную пересечением двух прямых y = a1 x + b1 и y = a 2 x + b2 , можно записать аналитически 157

(1)

y = (a1 x + b1 ) ∨ ( a 2 x + b2 ) , ∧

где операция конъюнкции НЛ ∧ берется для выпуклой кривой, а операция дизъюнкции НЛ ∨ – для вогнутой. Выражения типа (1) верны также для изломанных кривых, полученных пересечением двух или нескольких кривых. Для аналитического представления разрывных кривых обозначим через ∨ операции ∨ a

при a > 0 и ∧ при a < 0 . Тогда, например, простейшую разрывную кривую, описываемую знаковой функцией sign x , можно записать аналитически ⎧ 1, x > 0 (2) sign x = ⎨ = 1 ∨ ( −1) . x ⎩− 1, x < 0 Произвольные разрывные кривые можно описывать аналитически с помощью только операций НЛ ∨ и ∧ , без использования операции ∨ . a

Наиболее просто аналитическое представление области и ее границы для области-полосы. Так, горизонтальная полоса b1 ≤ y ≤ b2 имеет границу и область, описываемые уравнениями НЛ (3) ( y − b1 ) ∧ (b2 − y ) = 0 и ( y − b1 ) ∧ (b2 − y ) ∧ 0 = 0 . Аналогично выглядят уравнения области и границ прямоугольника (пересечение двух полос) и более сложных фигур на плоскости и в пространстве. Общий прием получения уравнений следующий. Если область на плоскости дана неравенством f ( x, y ) ≤ 0 , то в терминах НЛ эту область и ее дополнение f ( x, y ) > 0 можно задать уравнениями f ( x, y ) ∧ 0 = 0 . (4) f ( x, y ) ∨ 0 = 0, Таким образом, пересечение областей f ( x, y ) ≤ 0 и ϕ( x, y ) ≤ 0 дается уравнением [ f ( x, y ) ∨ 0] + [ϕ( x, y ) ∨ 0] = 0 .

158

2. Аппроксимация кривых

Методика логической аппроксимаций кривых проста. Пусть нелинейная функция одной переменной y = f (x) аппроксимируется с заданной точностью кусочно-линейной функцией F (x) , состоящей из m отдельных линейных функций-образующих: f 1 ( x),... f m ( x) . Тогда в соответствии с (1) выпуклую (вогнутую) функцию f можно приближенно представить конъюнкцией (дизъюнкцией) НЛ функций-образующих m m   f i ( x), f вог ( x) ≈ F ( x) = f i ( x) . (5) f вып ( x) ≈ F ( x) =

∧ i =1

∨ i =1

В общем случае, когда f имеет и выпуклые, и вогнутые участки, эти участки разделяются с помощью вспомогательной функции A(x) , график которой соединяет точки перегиба кривой f (x) , и представление f (x) получается логической супер  позицией функций A( x), F ( x) и F (x) . Такой принцип работает и в случае кусочно-нелинейной аппроксимации. Он также переносится на функции двух и нескольких переменных. 3. Принятие приближенных решений

Моделирование принятия приближенных решений в условиях неопределенности основано на теории нечетких множеств и нечеткой логике. Пусть n независимых экспертов дают оценку ситуации в условиях неопределенности в виде нечетких подмножеств Ai , i = 1,..., n , множества всех возможных альтернатив. Тогда за коллективную оценку ситуации A можно принять общую часть всех индивидуальных оценок, т.е. пересечение нечетких множеств Ai . Недостаток такого подхода – возможность получения коллективной оценки в виде пустого множества. Для выхода из положения за коллективную оценку ситуации A целесообразно принять индивидуальную оценку некоторого «наиболее представительного» эксперта – своего в каждой точке 159

x . Этот эксперт должен в любой точке x выбирать в качестве меры M A ( x) ее принадлежности коллективной оценке ситуации A ту из данных экспертами i мер M A i (x) ее принадлежности индивидуальным оценкам Ai , которая достаточно удалена от крайних оценок и занимает «среднее» положение. Пусть нужно принять приближенное решение о значении одной нечеткой переменной по известному значению другой, связанной с ней. Эта задача – аналог хорошо известной: для обычной функции y = f ( x) при известном x = a можно принять решение: y | x = a = f ( a) . Пусть теперь y = F ( x) – нечеткая функция, т.е. нечеткое отношение в OX × OY , где OX и OY – оси абсцисс и ординат. Пусть известно нечеткое подмножество A оси OX и надо определить, исходя из F , соответствующее нечеткое подмножество B оси OY . Образуем цилиндрическое нечеткое ~ множество A с основанием A , являющееся аналогом вертикали x=a функции f . Его функция принадлежности M A~ ( x, y ) = M A ( x) , где M A – функция принадлежности извест~ ного множества A . Далее образуем пересечение множества A с ~ нечеткой функцией F . Получим нечеткое множество A ∩ F – аналог точки пересечения вертикали x = a с кривой y = f (x) . Функция принадлежности этого множества (6) M A~ ∩ F ( x, y ) = M A~ ( x, y ) ∧ M F ( x, y ) = M A ( x) ∧ M F ( x, y ) , где M F – функция принадлежности множества F . Теперь ~ спроектируем множество A ∩ F на ось OY . В результате получим искомое нечеткое подмножество B этой оси. Его функция принадлежности (7) M B ( y ) = [ M A ( x) ∧ M F ( x, y )] . M A~ ∩ F ( x, y ) =

∨ x

∨ x

Согласно (7) функция принадлежности искомого нечеткого множества B выражается через заданные функции принадлежности при помощи дизъюнкции и конъюнкции НЛ (точнее, нечеткой логики – частного случая НЛ с множеством-носителем

160

C = [0,1] ). Изложенная процедура позволяет принимать приближенные решения о значении нечеткой функции F по известным значениям ее нечетких аргументов x, y,... . 4. Построение функциональных генераторов

Литература

1. 2.

НЛ – удобное средство построения функциональных генераторов. Согласно (5) любая нелинейная непрерывная функция одной переменной представима в виде f ( x) = L[ f1 ( x),..., f n ( x)] , где f i (x) – линейные функции-образующие, а L – набор операций НЛ. Так что функцию f (x) можно реализовать функциональным генератором из двух последовательных блоков: функционального блока F образующих (вход x , выходы f1 ,..., f n ) и логического блока L (входы f1 ,..., f n , выход f (x) ). Это блочное построение генераторов остается при переходе к функциям двух и большего числа переменных. Однако для функций большого числа переменных используют более универсальные методы аппроксимации – интерполяционные полиномы. Для некоторых классов нелинейных функций функциональные генераторы строятся проще, чем описано выше. Таковы кусочно-линейные функции, известные как типовые нелинейности и состоящие из горизонтальных, вертикальных и наклонных линейных участков. Например, функции x , c − x , sign x и многие другие. Эти функции выражаются через операции НЛ непосредственно (без аппроксимации), так что их реализация особенно проста.

161

3. 4. 5. 6. 7. 8. 9.

162

ВОЛГИН Л.И., ЛЕВИН В.И. Непрерывная логика. Теория и применения. – Таллинн: АН Эстонии, 1990. ГИНЗБУРГ С.А. Математическая непрерывная логика и изображение функций. – М.: Энергия, 1968. КОФФМАН А. Введение в теорию нечетких множеств. – М.: Радио и связь, 1982. ЛЕВИН В.И. Автоматное моделирование исторических процессов на примере войн // Радиоэлектроника. Информатика. Управление. – 2002. – № 2. ЛЕВИН В.И. Бесконечнозначная логика в задачах кибернетики. – М.: Радио и связь, 1982. ЛЕВИН В.И. Динамика логических устройств и систем. – М.: Энергия, 1980. ЛЕВИН В.И. Методы непрерывной логики в задачах управления // Автоматика и телемеханика. – 2003. – № 3. ЛЕВИН В.И. Структурно-логические методы исследования сложных систем. – М.: Наука, 1987. ШИМБИРЕВ П.Н. Гибридные непрерывно-логические устройства. – М.: Энергоатомиздат, 1990.

МЕТОД АНАЛИЗА КОНФИГУРАЦИЙ ОРГАНИЗАЦИОННЫХ СИСТЕМ НА СЕТЯХ ПЕТРИ Мурадян И.А., Юдицкий С.А. (Институт проблем управления РАН, г. Москва) [email protected] Обсуждается операционно-целевая модель конфигураций организационной системы, соответствующих стабильным периодам её развития. Результатом анализа модели является прогноз динамики достижения целей, поставленных перед системой; динамики потребления ресурсов и динамики изменения показателей деятельности системы. Модель базируется на формализме сетей Петри и индикаторных логических функций. Ключевые слова: операционно-целевая модель конфигурации организационной системы, сети Петри, индикаторные логические функции Введение Одна из центральных проблем стратегического управления организационными системами1 (ОС) заключается в построении моделей развития ОС и выборе на основе анализа этих моделей (с учетом возможных внешних воздействий на ОС и ситуаций внутри нее), приемлемых сценариев развития. Модели развития ОС отражают «неопределенность будущего», обусловленную изменениями, происходящими во внешней среде и внутри ОС. Для снятия неопределенности исследователь, работающий с

1

Под организационной системой (организацией) согласно [5] понимается объединение людей, оснащенных техническими средствами (орудиями труда), совместно реализующими поставленные цели на основе определенных процедур и правил (механизмов функционирования).

163

«прогнозной» моделью ОС, на основе своих знаний и интуиции конкретизирует настроечные параметры модели и порождает вариант развития, которому соответствует множество сценариев (сценарное пространство). Из них выбирается предпочтительный вариант сценария. В ходе итеративного моделирования (прогнозирования) может осуществляться, как корректировка исходной базовой модели развития ОС, так и переход на новую базовую модель. Результатом моделирования является формирование представлений о возможных путях развития ОС в будущем. При создании базовых моделей развития ОС может быть эффективно использовано понятие конфигурации, введенное (применительно к ОС) и исследованное Г. Минцбергом и его коллегами [4]. Под конфигурацией понимается устойчивое комплексное состояние ОС, соответствующее периоду ее стабильного развития и характеризуемое совокупностью различных факторов: поставленными целями, выпускаемой продукцией, потребляемыми ресурсами, применяемыми технологиями, кадровым составом, организационной структурой, схемами поведения и т.д. Периоды стабильности прерываются трансформациями – «квантовыми скачками» в иную конфигурацию. Чередование конфигураций и переходных процессов трансформации образует жизненный цикл ОС. Одним из подходов к прогнозному моделированию развития ОС является построение динамических моделей, эффективно сочетающих творческие возможности человеческого интеллекта (интуиция, знания, опыт) и методы имитационного моделирования. Исследователь создает исходную модель, формирует начальные условия и проводит имитационный эксперимент. На основе субъективной оценки результатов эксперимента принимается решение: продолжить исследование данной модели при иных начальных условиях или внести коррективы в модель. Процесс поиска продолжают до тех пор, пока не будет найдено «субъективно хорошее» решение. 164

Предпосылкой эффективного применения рассмотренного подхода является создание библиотеки типовых динамических моделей, обладающих наглядным графическим представлением. Такие возможности предоставляет формальный аппарат сетей Петри и их расширений [2,6]. В настоящем статье описывается метод прогнозирования развития ОС с применением аппарата сетей Петри. В рамках конфигурации строится общая динамическая модель развития на основе сетей Петри, с помощью которой определяется сценарное пространство и прогнозируется динамика достижения целей, динамика потребления ресурсов и динамика изменения оценочных показателей результатов деятельности ОС [1]. Сопоставляя эти динамики, исследователь выбирает «хороший» сценарий. 1. Моделирование конфигураций организационных систем Функционирование ОС в рамках конфигурации представляет собой циклический процесс, заключающийся в повторении внутриконфигурационных циклов (К-циклов). К-цикл имеет стандартную временную протяженность (например, 1 год) и состоит из целенаправленных действий – операций pi , i = 1,..., h . Операции выполняются в определенном порядке – последовательно, параллельно, с взаимной синхронизацией и т.д. Для каждого повторения К-цикла формируется своя иерархия целей ci , i = 1,..., n . При выполнении операций потребляются

сти системы d i , i = 1,..., k . Реализация К-циклов зависит и от воздействия внешней среды – внешних факторов vi , i = 1,..., l . Задача моделирования К-цикла заключается в определении: 1) достигаются ли при данной ситуации поставленные цели, 2) как изменяется во времени потребление ресурсов и оценки результатов деятельности системы. Формальная операционно-целевая модель конфигурации ОС показана на рис.1. Она состоит из двух взаимодействующих блоков – операционного и целевого. Ядром операционного блока служит сеть Петри (операционная сеть). Целевой блок описывается «порождающей сетью» – формализмом, введенным в данной работе. Управление операционной сетью, а точнее – её переходами ti , i = 1,..., g , производится при помощи индикаторных логических функций [1], соотнесенных переходам. Операционный блок vi

ri

Целевой блок

pi

Сеть Петри p1 t 1 t2 p2

Порождающая сеть

Алгоритмы di вычисления оценок деятельности pi

Индикаторные логические функции fi

ci

ci

p3

t3

p7

t4

p8

t5

C1

π1 C2

pi

C3

p5 p6

π4

π3

p4

ресурсы ri , i = 1,..., m (финансовые, временные, трудовые, сырьевые и т.д.) и устанавливаются оценки1 результатов деятельно-

π2

C6 C4

C7

C8

C5

Рис. 1 Операционно-целевая модель конфигурации

1

При прогнозном моделировании оценки либо вычисляются на основе определенных алгоритмов, либо задаются человеком как качественные характеристики (например, «низкий», «средний», «высокий» уровень). Далее качественные оценки переводятся в количественную форму согласно соответствующей шкале.

165

Индикаторная логическая функция выражается формулой, составленной из индикаторов (предикатов) вида (x # a), где x – целочисленная переменная, a – константа, # – какой-нибудь из 166

знаков =, ≠, >, ≥, <, ≤, с помощью логических операций конъюнкции (∧), дизъюнкции (∨), отрицания (−) и, возможно, кванторов всеобщности (∀) и существования (∃). В качестве переменных х индикаторов в операционном блоке используются внешние факторы vi (например, уровни спроса и предложения в сегменте рынка, уровень конкуренций, доступность ресурсов, благоприятность политического климата и др.), цели ci , ресурсы ri , показатели деятельности системы di (темпы изменения капитализации, доходов и расходов, уровень автоматизации, уровень наукоемкости технологий, качество продукции и т.д.). К индикаторным функциям наряду с классическими равносильностями исчисления высказываний и исчисления предикатов применим ряд дополнительных соотношений, приведенных в [1]. Порождающая сеть отличается от операционной сети правилами изменения маркировки при срабатывании переходов. В результате срабатывания перехода маркеры вносятся во все его выходные позиции, но сохраняются во всех входных позициях. Блоки модели взаимодействуют следующим образом. Для операций процесса (позиций pi сети Петри) задаются цели ci , принадлежащие множеству начальных позиций порождающей сети. По завершении операции pi в заданные начальные позиции вносятся маркеры. Это может вызвать в порождающей сети цепочку срабатываний переходов, наблюдаемую как «восхождение маркеров». Примем, что в порождающей сети целевого блока отсутствуют циклы, в том числе циклы длины 1. При этом цепочка срабатываний завершится установлением равновесной целевой маркировки. Принадлежащие ей цели, изменившие нулевое значение на единичное, передаются в операционный блок (для вычисления индикаторных функций). Результатом имитационного моделирования К-цикла являются графики, отображающие динамику потребления ресурсов 167

ri и изменения показателей деятельности d i для каждого сценария [1] – линейной последовательности переходов сети Петри, ведущей из её начальной позиции в конечную. Графики описывают кусочно-линейные функции. 2. Локальная коррекция и трансформирование конфигураций организационных систем

В процессе моделирования развития ОС производятся изменения двух типов: локальная коррекция конфигурации по результатам предыдущего К-цикла, и коренная перестройка (трансформирование) системы с переходом к другой конфигурации. Локальная коррекция обусловлена преимущественно внутренними причинами – недостижимостью поставленных целей и/или выходом динамических характеристик ресурсов и показателей деятельности за допустимые пределы, и заключается в частичном изменении компонентов операционно-целевой модели (сети Петри, индикаторных логических функций и т.д.). Трансформирование вызывается чрезвычайными событиями, которые могут произойти во внешнем мире. При прогнозном моделировании достоверно неизвестны как сами чрезвычайные внешние события, так и вероятность, и время их наступления. Основную роль в прогнозировании таких событий наряду со знанием общих тенденций развития играет интуиция и глубина образного мышления человека, т.е. психологический фактор. Заключение

Моделирование развития ОС, предваряющее процесс проектирования системы, состоит из двух последовательных этапов – когнитивного (познавательного) анализа [3] и операционноцелевого анализа, рассмотренного в статье. Когнитивный анализ основывается на знании факторов, существенных для функционирования ОС, и экспертной оценке взаимовлияния этих факторов, отображенной в когнитивной карте. Выделяются управляющие и целевые факторы и по ког168

нитивной карте исследуются стратегические варианты развития ОС: саморазвитие (отсутствие управления), прямая задача (определение значений целевых факторов при заданном управлении), обратная задача (определение управления при заданных целях). Операционно-целевой анализ требует более полного объема знаний о системе: – структуры входа и выхода ОС; – состава операций, реализуемых в ОС, и порядка их выполнения; – иерархической структуры целей ОС. Частично эти знания могут быть получены в ходе когнитивного анализа, т.е. имеет место преемственность этапов моделирования. Результатом операционно-целевого анализа является прогноз динамики развития ОС в рамках конфигурации (динамика достижения целей, потребления ресурсов, изменения показателей деятельности) и прогноз появления чрезвычайных событий, которые могут инициировать смену конфигурации.

6.

Литература

1.

2. 3.

4. 5.

ВЛАДИСЛАВЛЕВ П.Н., МУРАДЯН И.А., ЮДИЦКИЙ С.А. Взаимодействие целевой и операционной динамических моделей сложных процессов // Автоматика и телемеханика, 2005, №11, с.126–134. КОТОВ В.Е. Сети Петри. М.: Наука, 1984. КУЗНЕЦОВ О.П., КУЛИНИЧ А.А., МАРКОВСКИЙ А.В. Анализ влияний при управлении слабоструктурированными ситуациями на основе когнитивных карт / Человеческий фактор в управлении. – М.: КомКнига, 2006, с.313–344. МИНЦБЕРГ Г., АЛЬСТРЭНД Б., ЛЭМПЕЛЬ Дж. Школы стратегий. – Спб.: «Питер», 2000. НОВИКОВ Д.А. Теория управления организационными системами: вводный курс. М.: МПСИ, 2005. 169

170

ПИТЕРСОН Дж. Теория сетей Петри и моделирование систем. М.: МИР, 1984.

НЕТРАНЗИТИВНОСТЬ ПРЕВОСХОДСТВА ПРИ ВЗАИМОДЕЙСТВИЯХ: МЕЖДИСЦИПЛИНАРНЫЙ АНАЛИЗ Поддьяков А.Н. (Государственный университет “Высшая школа экономики”, г. Москва) [email protected] Дается междисциплинарный анализ транзитивности – нетранзитивности отношения превосходства: А превосходит В, В превосходит С, А превосходит (уступает) С. Доказывается, что принцип транзитивности не является универсальным: во множестве предметных областей и с помощью различных исследовательских методов показано, что аксиома транзитивности, справедливая при отсутствии взаимодействий между сравниваемыми объектами, перестает работать в более сложных ситуациях. Здесь требуется изменение способа рассуждений, и само следование аксиоме транзитивности может становиться логической ошибкой. Ключевые слова: принятие решений, выбор альтернатив, транзитивность – нетранзитивность отношения превосходства Введение Важнейшей частью постановки и решения самых разных проблем является оценивание, сравнение конкурирующих альтернатив на предмет выбора одной или нескольких наилучших. Проблемы сравнения не элементарных, а сложных объектов, как реальных, так и идеальных, во многом связаны с тем, что эти объекты обладают свойствами эмергентности (система больше суммы составляющих ее частей), недизъюнктивности и другими неожиданными свойствами, плохо описываемыми средствами методологии, не учитывающей системных взаимодействий. 171

Именно в этом контексте мы рассмотрим дискуссионную проблему нетранзитивности отношений превосходства при взаимодействии сложных систем. В логике транзитивность определяется как такое свойство отношений, при котором из того, что первый элемент находится в определенном отношении ко второму, а второй – к третьему, следует, что первый элемент находится в этом же отношении к третьему (из aRb и bRc следует aRc). В классической логике сравнения и в традиционной теории принятия решений транзитивность отношений превосходства вводится как аксиома, считающаяся "ключевым критерием рациональных действий" [5]. Это аксиома состоит в следующем: если первое превосходит второе в определенном отношении, а второе превосходит третье, то первое превосходит третье в указанном отношении [4]. Овладение транзитивными рассуждениями считается важнейшим этапом умственного развития человека. Оно связано со способностью делать дедуктивные заключения, с пониманием сущности измерения, принципов сохранения по Ж.Пиаже и т.д. Однако в силу психологических причин люди нередко совершают ошибочные нетранзитивные выборы – вопреки объективной логике превосходства между объектами, с которыми они имеют дело [19]. Вокруг принципа транзитивности превосходства ведутся принципиальные дискуссии. Как пишет Л.Темкин, "аксиома транзитивности обладает мощной притягательностью и играет фундаментальную роль в практических рассуждениях… любое оспаривание этой аксиомы будет угрожать не только возможности последовательного подхода к ранжированию тех или иных объектов; оно может угрожать самому понятию рациональности" [18, p. 179]. Мы выделяем три взаимосвязанные группы аргументов в дискуссиях о принципе транзитивности отношений превосходства. Одна группа связана со строгими формально-логическими и математическими доказательствами транзитивности – нетранзитивности. Вторая группа связана с анализом реальных нетранзитивных отношений в тех или иных конкретных областях 172

(например, биологии, социологии, психологии и др.) и конкретных механизмов взаимодействий, ведущих к нетранзитивности, если она обнаруживается. Третья группа аргументов относится к общенаучным и философским обобщениям проблемы и ее важнейшим следствиям. Мы выделяем три взаимосвязанные группы аргументов в дискуссиях о принципе транзитивности отношений превосходства. Одна группа связана со строгими формально-логическими и математическими доказательствами транзитивности – нетранзитивности. Вторая группа связана с анализом реальных нетранзитивных отношений в тех или иных конкретных областях (например, биологии, социологии, психологии и др.) и конкретных механизмов взаимодействий, ведущих к нетранзитивности, если она обнаруживается. Третья группа аргументов относится к общенаучным и философским обобщениям проблемы и ее важнейшим следствиям. 1. Логические и математические модели нетранзитивности Ситуация с транзитивностью – нетранзитивностью станет более определенной, если учесть следующее принципиальное обстоятельство. Среди аксиом теории принятия решений имеется и такая, которая исключает возможность взаимодействия между исходами (последствиями) [5]. Учитывая это, мы высказываем следующее суждение: аксиома транзитивности перестает работать в ситуациях, когда между сравниваемыми объектами происходят взаимодействия, и сравнение производится именно по способности взаимодействовать. Здесь требуется изменение способа рассуждений, и само следование аксиоме транзитивности может стать логической ошибкой [10, 11, 12, 16]. В данной статье мы сосредоточимся именно на тех случаях нетранзитивности, которые связаны с взаимодействиями между выбираемыми альтернативами. 1.1. Нетранзитивная игра в кости 173

Б. Эфрон предложил комплекты игральных костей, обладающих парадоксальными свойствами [3; 13; 17]. Рассмотрим, например, набор из 4 игральных кубиков A, B, C, D со следующими числами на гранях: A – 7, 7, 7, 7, 1, 1; B – 6, 6, 5, 5, 4, 4; C – 9, 9, 3, 3, 3, 3; D – 8, 8, 8, 2, 2, 2. Можно убедиться, что здесь каждый предшествующий кубик в среднем выигрывает 2/3 партий у последующего и проигрывает ему 1/3 партий (т.е. в 2 раза меньше), но при этом последний кубик (D) выигрывает в той же пропорции у кубика А. (Выигрышем считается выпадение большего числа на верхней грани кубика.) Тем самым можно утверждать, что эти кубики "нетранзитивны": если правила позволяют, то при возможности выбора из пары кубиков А и В надо выбрать А, оставив сопернику "более проигрышный" кубик В; при выборе между В и С надо выбрать В; при выборе между С и D надо выбрать C; но при выборе между D и А надо выбрать D. В целом, доказано, что для любых n игральных костей с n гранями, начиная с n > 2, всегда можно подобрать такие числа на гранях в диапазоне до n2, что все члены этого множества образуют нетранзитивный круг выигрышей: первый член чаще выигрывает у второго, второй – у третьего и т.д., но последний – у первого [15]. Подчеркнем: в игральных костях элементы сравниваемых объектов (грани кубиков) функционально однородны и между ними нет непосредственного (например, физического) взаимодействия. Но при более сложной и дифференцированной структуре реально взаимодействующих объектов возможны другие схемы взаимодействий, причем не только вероятностные, а и детерминистские, также ведущие к нетранзитивности. Мы показали, что нетранзитивность превосходства закономерно наблюдается при такой структуре сравниваемых объектов, которая включает: а) средства, имеющиеся у одного объекта, для воздействия на другой; б) зоны, чувствительные к воздействию другого объекта; в) зоны, по тем или иным причинам "закрытые" для него. Эти структуры могут быть несимметричны относительно друг друга, что и определяет нетранзитивный характер 174

отношений превосходства между объектами [10; 11; 12]. Рассмотрим в качестве примера следующую модель. 1.2. "Выбор танка для дуэли" Наша модель построена на материале шоу "Война роботов", в котором схватываются дистанционно управляемые боевые механизмы. Отталкиваясь от особенностей реально используемых в этой игре устройств, построим следующую модель. Пусть имеется три условных танка (рис. 1). Танк "Башнерез" имеет пилу для срезания башни противника, а также защищенный и неуязвимый для какого-либо оружия мотор, но слабые шасси. Танк "Моторокрушитель" имеет устройство, выводящее из строя чужие двигатели, слабую башню и защищенные шасси. Танк "Шассидробитель" имеет устройство, выводящее их строя чужие шасси, защищенную башню и незащищенный мотор. Тогда при возможности выбора оружия в дуэли 1-го и 2-го танков предпочтительнее 1-й (он может прорезать слабую башню 2-го, а сам защищен от нападения на свой мотор, где 2-й мог бы причинить ущерб). Аналогично, в дуэли 2-го и 3-го танков предпочтительнее 2-й, но в дуэли 3-го и 1-го лучше 3-й, что является нарушением принципа транзитивности. Танк А ОРУДИЕ ⎯⎯⎯→ БРОНЯ уязвимый блок

Танк В уязвимый блок ОРУДИЕ ⎯⎯⎯→ БРОНЯ

Танк С БРОНЯ уязвимый блок ОРУДИЕ ⎯⎯⎯→

Рис. 1. Танк А поражает танк В, танк В поражает танк С, танк С поражает танк А. При вышеуказанном условии превосходства средств защиты над средствами нападения соблюдаются следующие общие отношения предпочтительности. Композиция "средства нападения в области А – защита в области Б – отсутствие средств нападения и защиты в области В" предпочтительнее композиции "отсутствие средств нападения и защиты в области А – средства 175

нападения в области Б – защита в области В". Эта вторая, в свою очередь, предпочтительнее третьей композиции: "защита в области А – отсутствие средств нападения и защиты в области Б – средства нападения в области В". Но третья предпочтительнее первой. Данная модель может объяснять нетранзитивные отношения превосходства между спортивными командами, а также и между компьютерными программами – участницами соревнований по интеллектуальным играм: шахматам, нардам и т.п. [7; 8]. Иерархия подобных систем не выстраивается в пирамиду с указанием первого, второго и последнего места, а образует круг. По сумме побед и поражений все участники могут занять одинаковые (нулевые) места. Результат конкретного конфликта определяется в такой системе только взаимодействием с конкретным соперником. Подчеркнем, что речь идет об итоговом сравнении по некоторой одной интегральной характеристике, т.е. о сравнении в одном, пусть и сложном, отношении, а не о раздельном сравнении в разных отношениях. 1.3. Нетранзитивные модели кооперации Аналогично, принцип транзитивности может нарушаться не только в ситуациях конфликта, но и кооперации. Субъект А может быть способен к эффективной помощи субъекту Б, но субъект Б может и не быть способен к помощи А. Субъект Б способен к помощи субъекту С, а С – к помощи А, но не наоборот. Это можно легко продемонстрировать на разработанных нами моделях "Врач для врача" и "Учитель для учителя". Имеются 3 врача. Первый врач – специалист по лечению органов X, имеет здоровые органы Y и страдает заболеванием органов Z. Второй врач – специалист по лечению органов Y, имеет здоровые органы Z и страдает заболеванием органов X. Третий врач – специалист по лечению органов Z, имеет здоровые органы X и страдает заболеванием органов Y. Очевидно, что отношение "лечить более эффективно" (или же "быть более здоровым после лечения") в данном случае нетранзитивно. 176

Аналогично строится нетранзитивный круг отношения превосходства в модели "Учитель для учителя". 2. Объективная нетранзитивность превосходства в предметных областях В биологических исследованиях показано, что один вид микроорганизмов может вытеснять с территории второй вид, этот второй вытесняет третий, а тот, в свою очередь, вытесняет первый. Отношения "бойцовской силы" между этими видами нетранзитивны [14]. Зоопсихологической закономерностью является то, что в группе животных особь А может доминировать над В, В над С, но С над А. Семейные отношения доминирования далеко не всегда транзитивны: отец доминирует над ребенком, ребенок над матерью, мать над отцом. В человеческой культуре иерархия субъектов, выполняющих разные социальные функции, может быть нетранзитивной – Я.Вальсинер показывает это на примере индийской культуры. Он выдвигает фундаментальное положение, что нарушение транзитивности превосходства – это универсальная закономерность порождения новизны в любой системе [16]. Другой областью, содержащей богатый материал по нетранзитивности отношений превосходства, является социология и всё, что связано с парадоксом Кондорсе. Еще в 18-м веке он показал, как индивидуальные транзитивные предпочтения избирателей при голосовании парадоксальным образом трансформируются в нетранзитивные групповые. Качественно новым шагом в развитии этой проблематики стали в 20-м веке исследования К. Дж. Эрроу, сформулировавшего знаменитую теорему о невозможности и получившего за свои работы Нобелевскую премию. 3. Рефлексия в задачах на достижение превосходства При решении многих комплексных проблем чрезвычайно важен анализ и учет намерений и действий других людей – 177

партнеров, союзников, противников. Пути этого анализа рассматриваются в теории рефлексивных игр [6; 9]. Для нас важно, что в антагонистических играх рефлексия может способствовать успеху более продвинутого игрока, ломая при этом объективно имевшиеся транзитивные отношения превосходства и переворачивая казавшуюся незыблемой иерархию. В качестве примера приведем забавную логическую задачу [2]. В сказочном лесу среди обычных источников было 10 волшебных колодцев с отравленной водой. Все пронумерованы. Выпьешь – умрешь через час. Единственное противоядие: в течение этого часа выпить воду из колодца, номер которого больше. Тогда оба яда нейтрализуются, и вреда не будет. (Например, если выпил воды из 5-го колодца, то противоядием может быть вода из 6-го, 7-го, 8-го, 9-го, 10-го). Но воду из последнего, 10-го колодца нейтрализовать ничем нельзя. Все жители сказочного леса имеют доступ только к первым 9 колодцам, а ко всем 10 – только дракон. Лиса и дракон вызвали друг друга на дуэль. Дуэль такая – каждый приносит кружку воды и дает выпить противнику. Известно, что после дуэли лиса осталась жить, а дракон – нет. Как это могло получиться? Авторы задачи не привели ответа. С нашей точки зрения, решение таково. Дракон решил дать лисе воды из 10-го колодца – от него нет противоядия. При этом он решил сам запить водой из 10-го колодца то, что принесет ему лиса – чтобы нейтрализовать любой яд. Но лиса, поняв ход рассуждений дракона, принесла ему простой воды, и он, запив ее из 10-го колодца, отравился – эту ядовитую воду нечем запить. Лиса же перед дуэлью выпила воды из какого-то из 9 отравленных колодцев, и вода из 10-го колодца стала для нее противоядием. Таким образом, объективно имевшаяся транзитивная иерархия отношений ядовитости колодцев (каждый следующий более ядовит) была использована таким образом, что пользователь менее ядовитых колодцев победил того, кто контролировал и использовал все колодцы, в том числе и самый ядовитый.

178

В то же время рефлексия, способная переворачивать объективно имеющиеся отношения превосходства, сама оказывается не защищенной от опасности нетранзитивности [10]. 4. Психологические орудия овладения и совладания с нетранзитивностью Для овладения закономерностями нарушения транзитивности в тех или иных ситуациях создан ряд культурных средств разного уровня [10, 12]. На уровне обыденного сознания люди с детства встречают описания нетранзитивности превосходства в фольклоре (сказках, считалках и т.п.), в описаниях реальных событий, в играх (например, игре "камень, ножницы, бумага"). На уровне систематического образования частью ряда учебных курсов и программ является проблематизация отношения превосходства как транзитивного и экспликация случаев, где наблюдается закономерная нетранзитивность превосходства [10; 13; 17]. На уровне деятельности экспертов описаны различные варианты реакции эксперта на навязанную нормативную оценку нетранзитивности отношения предпочтительности как ошибочного в такой ситуации оценивания, где он считает реальные отношения нетранзитивными [1]. Заключение Принцип транзитивности отношения превосходства не является универсальным, его несоблюдение не может считаться в общем случае логической ошибкой, и предложение его соблюдать не должно носить характера абсолютного канонического требования. Во множестве предметных областей и с помощью различных исследовательских методов показано, что аксиома транзитивности перестает работать в ситуациях, когда между сравниваемыми объектами происходят взаимодействия, и сравнение производится именно по способности взаимодействовать. Здесь требуется изменение способа рассуждений, и само следо179

вание аксиоме транзитивности может стать логической ошибкой. Нормативный канонический принцип транзитивности превосходства может быть своеобразным "троянским конем" или частью более широкого "троянского обучения" [10]. Преднамеренная последовательная демонстрация пар сравниваемых объектов может создавать у человека, для которого она производится, ложное представление об иерархии этих объектов и их предпочтительности, провоцируя ошибочный выбор. Таким образом, апеллирование к транзитивности превосходства может быть средством управления чужой интеллектуальной оценкой и эмоциональным отношением, средством рефлексивного управления чужим решением [12]. Кроме того, представление в учебниках и руководствах транзитивности превосходства как аксиомы и как нормативного канонического принципа принятия решений – без сообщения о границах его применимости и о классах случаев, где она не соблюдается, – оказывается непреднамеренным троянским конем. Человек, усвоивший этот принцип как аксиому, будет не готов к столкновению со случаями закономерной нетранзитивности. Действие этого троянского коня проявляется даже в деятельности экспертов. Как показывают Н.А. Абрамова и С.В. Коврига, под влиянием навязанных схем и иных факторов влияния в случае обнаружения нетранзитивности "имеется риск ошибочно признанной ошибки и, как следствие, ошибочно скорректированного знания экспертааналитика", ведущее к снижению достоверности принимаемых решений [1]. В целом, следует различать 4 типа ситуаций, связанных с: а) объективностью отношений транзитивности – нетранзитивности и б) их субъективной оценкой человеком. 1-й тип: отношения превосходства между рассматриваемыми системами (элементами и т.д.) объективно транзитивны, и субъект правильно оценивает их как транзитивные. 2-й тип: отношения превосходства объективно транзитивны, но субъект ошибочно оценивает их как нетранзитивные. 3-й тип: отношения превосходства объективно нетранзитивны, но субъект ошибочно оценивает их как транзи180

тивные. 4-й тип: отношения превосходства объективно нетранзитивны, и субъект правильно оценивает их как нетранзитивные [11]. Отношения превосходства транзитивны в случае сравнения объектов, описываемых одной одномерной характеристикой (например, длиной) и не взаимодействующих между собой. В случаях взаимодействия объектов, описываемых многомерным пространством характеристик, пусть и четко сформулированных, проблема определения транзитивности / нетранзитивности отношения превосходства переходит в разряд алгоритмически неразрешимых (что не исключает возможности решения тех или иных конкретных задач, входящих в этот класс). Литература 1. АБРАМОВА Н.А., КОВРИГА С.В. О рисках, связанных с ошибками экспертов и аналитиков // Труды 4-ой Международной конференции "Когнитивный анализ и управление развитием ситуаций". М.: ИПУ РАН, 2004. Т. 2. С. 12–23. 2. АЛЕКСЕЕВА Л.Н., КОПЫЛОВ Г.Г., МАРАЧА В.Г. Исследовательская деятельность учащихся: формирование норм и развитие способностей // Исследовательская работа школьников. 2003. N 4. С. 25–28. 3. ГАРДНЕР М. Крестики-нолики. М.: Мир, 1988. 4. ЗИНОВЬЕВ А.А. Логическая физика. М.: Наука, 1972. 5. КОЗЕЛЕЦКИЙ Ю. Психологическая теория решений. М.: Прогресс, 1979. 6. ЛЕФЕВР В.А. Конфликтующие структуры. М.: ИП РАН, 2000. 7. МЕЛЬНИКОВ Б., РАДИОНОВ А. Программирование недетерминированных игр // Гордон А.Г. Диалоги. М.: Предлог, 2005. С. 93–112. 8. МОСЕЕВ А.В. Применение методов искусственного интеллекта в переборных алгоритмах. Ульяновск: УГУ, 1999. 9. НОВИКОВ Д.А., ЧХАРТИШВИЛИ А.Г. Рефлексивные игры. М.: СИНТЕГ, 2003. 181

10. ПОДДЬЯКОВ А.Н. Исследовательское поведение: стратегии познания, помощь, противодействие, конфликт. М.: Эребус, 2006. 11. ПОДДЬЯКОВ А.Н. Непереходность (нетранзитивность) отношений превосходства и принятие решений // Психология. Журнал Высшей школы экономики. 2006. № 3. С. 88–111. 12. ПОДДЬЯКОВ А.Н. Отношения превосходства в структуре рефлексивного управления // Рефлексивное управление / Под ред. А.В.Брушлинского, В.Е.Лепского. М.: ИП РАН, 2000. С. 37–38. 13. СЕКЕЙ Г. Парадоксы в теории вероятностей и математической статистике. М.: Мир, 1990. 14. BODDY L. Interspecific combative interactions between wooddecaying basidiomycetes // FEMS microbiology ecology. 2000. Vol. 31. P. 185–94. 15. DESHPANDE M.N. Intransitive dice // Teaching statistics. 2000. Vol. 22 (1). P. 4–5. 16. PODDIAKOV A. N., VALSINER J. Intransitivity cycles and their transformations: how dynamically adapting systems function? // Theory & psychology (в печати). 17. ROBERTS T. S. A ham sandwich is better than nothing: Some thoughts about transitivity // Australian senior mathematics journal. 2004. Vol. 18 (2). P. 60–64. 18. TEMKIN L. S. A continuum argument for intransitivity // Philosophy and public affairs. 1996. Vol. 25. P. 175–201. 19. TVERSKY A. Intransitivity of preferences // Psychological review. 1969. V. 76. P. 31-48.

182

ОПОСРЕДОВАННЫЙ ОТБОР ИДЕЙ В ИНТЕГРИРОВАННЫХ СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ Сухарев М.В. (Институт экономики Кар НЦ РАН, г. Петрозаводск) [email protected] Представлена концепция интегрированного комплекса поддержки принятия решений, важнейшим элементом которого является система знаний (рутин, теорий, философий), имеющихся в коллективной памяти, и который обеспечивает опосредованный многоуровневый отбор идей и решений по управлению сложными социально-экономическими системами. Ключевые слова: управление сложными социальноэкономическими системами, интегрированная система поддержки принятия решений 1. Парадигмы, планирование и принятие решений Сравнительно мало исследованной областью в теории принятия решений является гносеологическая природа знаний, используемых в качестве основы для выработки решений.1 Первым «слоем», используемым в организациях (в частности, коммерческих фирмах) для принятия решений, являются рутины – «относительно неизменные предрасположения и эвристические методы при выработке стратегии» [5, с. 31]. Рутины – это хорошо отработанные алгоритмы, приемы, такие, как оптимизация расходов, исследование рынка, выбор поставщиков, выбор оборудования и

1

Данная работа выполнена при финансовой поддержке РГНФ (грант «Исследование региональной инновационной системы и разработка методов перехода от в основном сырьевой экономики к инновационной в условиях финансовых ограничений» № 06-02-04059а)

183

материалов и так далее. Здесь следует отметить, что полный набор рутин, используемых организацией, представляет собой не случайный набор методов, а органическую систему, каждый элемент которой увязан с другими. Рутины являются первым уровнем отбора вариантов действий организации. Например, если в организации появляется новый человек, он может предлагать различные варианты решения тех или иных проблем, но наиболее вероятно, что сложившийся коллектив примет тот, который соответствует уже имеющимся рутинам. Фирмы охотно используют рутины до тех пор, пока они обеспечивают достижение желательных результатов. Однако если перед фирмой встают серьезные проблемы и старые рутины перестают работать, ей приходится погрузиться на более глубокий гносеологический уровень и начать вырабатывать новую систему рутин. Таким образом, имеется следующий уровень отбора, на котором отбираются сами рутины. Это уровень общих теорий, экономических, социальных, естественнонаучных. Конечно, все это очень похоже на то, как период «нормальной» науки сменяется периодом научной революции [3]. Это сходство обусловлено сходством когнитивной ситуации в том и в другом случае. Прежде всего, дело в принципиально коллективной природе мышления. Ни один человек не изобрел сам все понятия, которыми он пользуется в своих когнитивных процессах. Ему приходится пользоваться понятиями, изобретенными другими людьми. Наиболее выдающиеся мыслители смогли создать только несколько новых понятий за всю свою жизнь. Понятия связаны в органические системы идей (мимеплексы – см. [8]). Например, в физике электричества связаны понятия заряд, ток, напряжение и так далее. Невозможно оперировать электромагнитной теорией и принимать на ее основе решения при конструировании тех или иных устройств, пользуясь только какими-то отдельными понятиями. Эти комплексы идей разрабатываются достаточно большими коллективами людей на протяжении больших периодов времени, десятилетий и даже столетий. Каждый отдельный 184

человек или группа людей усваивают эти понятия и отношения между ними в процессе обучения. При управлении фирмой или территорией люди также вынуждены пользоваться различными теоретическими разработками, такими, как экономические и социальные теории. Принятые решения зависят от выбора этих теорий. Например, решения, принятые при управлении страной или регионом могут принципиально различаться в зависимости от того, пользуются ли лица, принимающие решения (ЛПР) либеральной, кейнсианской или марксистской системой экономических взглядов. Можно сказать, что всякое планирование и принятие решений при управлении происходит в рамках определенной парадигмы или комплекса парадигм. Управление сложными системами (крупными корпорациями, территориями) всегда осуществляется коллективами людей, принимающих и подготавливающих решения. При этом даже результаты работы людей, подготавливающих информацию, мнение которых, казалось бы, не учитывается при принятии решения, все равно оказывает влияние на конечный результат. Сообщество, задействованное в планировании, подготовке и принятии решений, является целостной системой, работа каждого элемента которой оказывает влияние на конечный результат. Но при сборе и подготовке информации люди пользуются определенными наборами представлений о социальном и экономическом мире. Эти представления оказывают решающее влияние на то, какая информация будет собираться, о методах ее сбора и интерпретации. Таким образом, при формировании решения имеет значение, в рамках каких теоретических представлений находится каждый из людей, принимающих участие в управлении. Ситуация, когда разные члены сообщества планировщиков находятся в разных парадигмах, ведет к принятию неоднородных решений, которые не могут быть эффективными в силу противоречий между своими отдельными частями. Т. Кун, который ввел в оборот понятие «парадигма», столкнулся со значительными сложностями при его точном определении. В значительной мере этим сложностям посвящено «Допол185

нение 1969 года», добавленное во втором издании в книгу «Структура научных революций». Наиболее часто Кун пользуется следующим определением: «Под парадигмами я подразумеваю признанные всеми научные достижения, которые в течение определенного времени дают научному сообществу модель постановки проблем и их решений». Если заменить «научные достижения» на «представления об экономике и обществе», то вполне можно применить это определение к сообществам ЛПР, управляющих корпорациями или территориями. Для уточнения понятия парадигмы придется воспроизвести обширную цитату из книги Т. Куна: «В данном очерке термин "нормальная наука" означает исследование, прочно опирающееся на одно или несколько прошлых научных достижений – достижений, которые в течение некоторого времени признаются определенным научным сообществом как основа для его дальнейшей практической деятельности. В наши дни такие достижения излагаются, хотя и редко в их первоначальной форме, учебниками – элементарными или повышенного типа. … До того как подобные учебники стали общераспространенными … аналогичную функцию выполняли знаменитые классические труды ученых: "Физика" Аристотеля, "Альмагест" Птолемея, "Начала" и "Оптика" Ньютона, "Электричество" Франклина, "Химия" Лавуазье, "Геология" Лайеля и многие другие. Долгое время они неявно определяли правомерность проблем и методов исследования каждой области науки для последующих поколений ученых. Это было возможно благодаря двум существенным особенностям этих трудов. Их создание было в достаточной мере беспрецедентным, чтобы привлечь на длительное время группу сторонников из конкурирующих направлений научных исследований. В то же время они были достаточно открытыми, чтобы новые поколения ученых могли в их рамках найти для себя нерешенные проблемы любого вида». [3, с. 34] В управлении подобными образцами является деятельность великих общественных лидеров, вроде А. Македонского, Г.Ю. Цезаря, О. Кромвеля, Петра Первого, В.И. Ленина, Т. Рузвельта и т.д. Или же руководителей коммерческих предприятий, таких, как 186

Г. Форд, Т. Эдисон, Д. Рокфеллер, Б. Гейтс, Л. Якокка и др. При изучении деяний этих лидеров легко обнаружить, что все они пользовались определенными идейными установками, являясь решительными реализаторами этих установок. Именно в результате беспрецедентного успеха их деятельности формируются группы сторонников проведения аналогичной политики. В то же время идейная основа этой политики в достаточной мере открыта, позволяя переносить ее на почву других стран и предприятий. Так возникают управленческие парадигмы. Кун включает в парадигму не только общую теорию, но и практики, и даже специфическое оборудование. По-видимому, в управленческие парадигмы также нужно включать специфические практики применения общих теоретических представлений – например, организацию процесса принятия решений (совещания, согласования, голосование и пр.). Важным понятием в концепции Куна является «нормальная наука». Под нормальной наукой понимается период расширяющегося исследования природы на основе действующей парадигмы. Например, серии экспериментов по дифракции и интерференции, которые подтверждали в свое время волновую теорию света. Но периоды нормальной науки сменяются периодами научных революций, когда накапливаются факты, не находящие объяснения в рамках общепринятой парадигмы. Научная революция завершается принятием новой парадигмы, основанной на новых понятиях (таких, как понятие «кванта», обладающего свойствами и волны, и частицы одновременно). Управление также ведется в рамках управленческой парадигмы до тех пор, пока не сталкивается с вызовами (термин А. Тойнби – [6]), которые не удается преодолеть в ее рамках. Тогда начинается мучительный поиск новой парадигмы. Россия пережила в XX веке две смены управленческих парадигм – с православно-монархической в 1917 году на марксистскую и с марксистской на либерально-рыночную в 1991 году. Внутри этих периодов можно обнаружить частичную коррекцию парадигм – переход от внутрипартийной демократии Ленина к авторитариз187

му Сталина и переход от либерально-анархической модели Б.Н. Ельцина к государственному патернализму В.В. Путина. Процесс смены парадигм имеет свою историческую эволюцию. Если в XVI – XX веках смена парадигмы управления (или даже смена научной парадигмы) была в чем-то сродни отказу от веры, способном вызвать войны «остроконечников» и «тупоконечников», то со временем смена парадигмы становится вопросом эффективности. Так, современный экономист понимает относительную справедливость кейнсианской и либеральной моделей, и переходит от одной к другой или пользуется некой смесью обоих стратегий в зависимости от текущей ситуации. Эта тенденция усиливается в связи с общим ускорением научной, технической и социально-экономической эволюции общества. Поэтому проблема оперативного выбора рутин, парадигм и даже смены парадигм приобретает особенную актуальность. 2. Интегративные структурные уровни третьего мира Среди идей системного движения имеется идея интегративных структурных уровней. [2]. Известно, что материя организована в системы различного уровня сложности, причем в этой организации можно обнаружить ряд иерархических уровней. Так, например, в строении живых организмов можно обнаружить уровень клеток, молекул, атомов, элементарных частиц. Но те же уровни оказываются характерны не только для какого-то конкретного организма, или конкретного биологического вида. Те же уровни можно обнаружить и во всех других организмах на Земле. То есть, существование этих уровней определяется не конструкцией отдельных видов материальных систем, но более общими организационными законами, на существование которых одним из первых обратил внимание А. Богданов. [1] Системы общего уровня организации были названы интегративным структурным уровнем организации материи. Переходя от материальных систем к идейным, мы можем обнаружить там сходные интегративные уровни организации 188

идей. Научные теории являются наиболее яркими представителями интегративных структурных уровней в мире идей. Существование таких уровней обусловлено необходимостью взаимодействия понятий при конструировании моделей окружающего мира. Всякая теория является системой понятий, способных к взаимодействию, и законов взаимодействия, определенных на множестве этих понятий. Благодаря этому у людей, владеющих теорией, появляется возможность конструировать из понятий системы, либо соответствующие системам реального мира, либо даже системы, еще не существующие в реальном мире, но которые могут быть реализованы и будут после реализации действовать так, как предполагалось. Именно это свойство теоретического мышления создает возможность предвидения, предсказания, планирования, создания инноваций. Но теория является коллективным творением. Она создается и уточняется множеством людей. Требование взаимного понимания, использования общих понятий и законов, создает социальную необходимость существования горизонтального интегративного уровня, объединяющего идейные конструкции общего типа организации. Таким образом, эти идеальные миры приобретают некий вид объективности, независимости от отдельного индивида. К. Поппер назвал совокупность таких идеальных теоретических миров «третьим миром». [7]. Исследуя идеальные интегративные уровни, используемые при планировании и принятии решений, можно выделить четыре основные уровня. Это уровень рутин (стандартных решении), теорий (органических идеальных систем понятий и законов), философии (наиболее общих теоретических идей, которые используются для создания новых парадигм, когда перестают работать старые) и уровень «здравого смысла» (анимальной логики), используемый для выбора философии.

189

3. Опосредованный отбор идей и решений Тенденции управления ситуациями в сложных социальноэкономических системах таковы, что требуют создания интегрированных человеко-машинных систем анализа и принятия решений. Основой этих систем являются обладающие знаниями коллективы специалистов органов управления, ЛПР, представители общественности. В последнее время развитие вычислительной техники привело к возникновению особого класса программного обеспечения – средств поддержки групповой работы (groupware) и средств поддержки принятия решений (decision support systems). Некоторые системы (например, Groove Workspace), принципиально основываются на распределенных сетевых структурах, в которых нет выделенного сервера и все компьютеры равноправны. С точки зрения когнитивной науки, эти системы призваны стать средой, в которой могут развиваться и функционировать более совершенные распределенные когнитивные модели управления территориями и корпорациями. Системы групповой работы обеспечивают эффективную коммуникацию специалистов независимо от их местонахождения. При этом коммуникация может осуществляться и в текстовом варианте (электронная почта, конференции, чат), и в мультимедиа (звук, изображение). Но, в отличие от обычных совещаний, вся коммуникация легко может фиксироваться для дальнейшего анализа и обработки. Коммуникация становится намного более интенсивной, менее зависит от места и времени. Интегрированные системы, помимо средств коммуникации, содержат базы данных и знаний, системы поиска информации, средства моделирования ситуаций. Научный анализ систем групповой работы должен видеть процесс шире, не ограничиваясь его технической стороной. Хотя основой являются компьютеры и средства связи, суть их внедрения (особенно в территориальное управление) глубоко социальна [4]. Для сравнения можно привести социальные последствия появления такого средства коммуникации, как письменность. 190

Казалось бы, примитивный способ записи звуков знаками привел к колоссальным социальным изменениям – появлению литературы, изменению способов функционирования культуры, особенно накоплению и распространению знаний на большие промежутки времени и расстояния, к возможности появления науки. Внедрение систем групповой работы в управлении и планировании приведет в ближайшие годы к новой управленческой революции; более того, в наиболее прогрессивных корпорациях эта революция уже идет. Центром систем групповой работы является сервер, кроме которого в системе используются множество клиентских компьютеров, связывающихся с сервером через сеть Интернет. Благодаря использованию Интернет коллектив управленцев не привязан к работе в одном здании или даже одном населенном пункте. В него по мере необходимости могут включаться эксперты из других городов или даже стран. Через клиентские компьютеры с системой связываются сотрудники администрации, эксперты, а также широкий круг лиц (бизнесменов, политиков, гражданских активистов), заинтересованных в развитии территории. Информационные технологии являются не только техническим средством функционирования интегрированных систем принятия решений; они являются элементом, создающим новое качество целостной системы управления. Аналогией такой системы является многопроцессорный комплекс, который может работать, как целое, исполняя одну или несколько программ с использованием всех или большинства своих процессоров. Важнейшим элементом интегрированного комплекса является система знаний (рутин, теорий, философий), имеющихся в коллективной памяти. В настоящее время, когда очень быстро изменяется ситуация на глобальных рынках и в мировой политике, управление требует мобильности как в смене рутин, так и теорий (или их комбинации). В связи с изменением конфигурации мира может потребоваться и смена философии. Из этого вытекает требование оперативного опосредованного отбора идей в системе принятия решений. Для этого комплек191

сы должны, прежде всего, включать в себя все необходимые теории и философии. Они могут существовать как в текстовой форме, в виде электронных документов, так и в виде специалистов, ученых, обученных оперировать этими теориями. Вычислительные системы на сегодня могут оперировать знаниями лишь в самой зачаточной форме, поэтому обученные люди являются необходимым элементом систем. Помимо специалистов необходимых отраслей знаний (социологов, экономистов, технологов и т.д.) нужны люди, обладающие метанаучным кругозором, способные к навигации среди разных парадигм, переходу от одной к другой. В настоящее время усиливается нужда в людях особого типа – культурных навигаторах, способных воспринимать различные философии, держать в поле зрения одновременно несколько культур и переходить от одной к другой. Способностью, более высокой, чем культурная навигация, является способность конструировать новые культуры, свойственная культурным демиургам. Взаимодействие между теориями, действующими внутри людей, значительно ускоряется за счет электронных средств коммуникации, поиска, принятия решений путем сетевых обсуждений, экспертизы, рейтинговых голосований. Смена рутин, парадигм, философий и, тем более, культур, связаны с очень высокими затратами. Поэтому они вовсе не всегда являются благом или признаком прогресса. До тех пор, пока отработанные рутины и теории позволяют управлять достаточно эффективно, следует пользоваться ими. Но в ситуации вызова дальнейшее развитие управляемой системы требует опосредованного отбора руководящих идей по схеме: рутины > теории > философия > культура. Существенным требованием к конструкции интегрированных систем поддержки принятия решений является поэтому наличие встроенных подсистем опосредованного отбора идей. Такие подсистемы должны включать людей, владеющих идеями, карты знаний, средства оформления и публикации идей, темати192

ческие фильтры, которые отбирают авторов и критиков идей, сетевые средства принятия решений. Информационные технологии позволяют в десятки раз ускорить процессы отбора, создания и смены парадигм по сравнению с традиционными социокультурными механизмами. Те территории и корпорации, которые сумеют первыми реализовать автоматизацию опосредованного многоуровневого отбора идей и решений, будут выигрывать в мире XXI века. Литература 1. 2. 3. 4. 5. 6. 7. 8.

БОГДАНОВ А.А. Тектология. Всеобщая организационная наука. Книга 1 / М.: Экономика, 1989. – 304 с. КРЕМЯНСКИЙ В.И. Структурные уровни живой материи. Теоретические и методологические проблемы. / М.: Наука, 1969. – 295 с. КУН Т. Структура научных революций: Пер. с англ. / М.: ООО "Издательство АСТ", 2001. – 608 с. ЛЕПСКИЙ В.Р., РАПУТО А.Г. Моделирование и поддержка сообществ в Интернет / М.: Институт психологии РАН, 1999. – 96 с. НЕЛЬСОН Р., УИНТЕР С. Эволюционная теория экономических изменений / М: ЗАО "Финстатинформ", 2000. – 474 с. ТОЙНБИ А.Д. Постижение истории. – М.: Прогресс, 1991. – 736 с. ПОППЕР К. Логика и рост научного знания / М.: Прогресс, 1983. – 605 с. GATHERER D. Macromemetics: Towards a Framework for the Re-unification of Philosophy. [Электронный ресурс] – http:// www.cpm.mmu.ac.uk/jomemit/1997/vol1/ gatherer_dg.html

193