ГЛАВА 12. КОЛИЧЕСТВЕННЫЙ АВТОМАТИЗИРОВАННЫЙ SWOT- И PEST-АНАЛИЗ СРЕДСТВАМИ АСК-АНАЛИЗА
И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ «ЭЙДОС-Х++»

 

SWOT-анализ является широко известным и общепризнанным метод стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции.  Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна – это интеллектуальная система «Эйдос». В статье на реальном численном примере подробно описывается возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных.  Предложено решение прямой и обратной задач SWOT-анализа. PEST-анализ рассматривается как SWOT-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в данной статье на примере SWOT-анализа, можно распространить и на PEST-анализ [249, 251].

 

12.1. Введение

 

SWOT-анализ – метод стратегического планирования, заключающийся в выявлении факторов внутренней и внешней среды организации и разделении их на четыре категории: Strengths (сильные стороны), Weaknesses (слабые стороны), Opportunities (возможности) и Threats (угрозы) [264-272].

Сильные (S) и слабые (W) стороны являются факторами внутренней среды объекта анализа, (то есть тем, на что сам объект способен повлиять); возможности (O) и угрозы (T) являются факторами внешней среды (то есть тем, что может повлиять на объект извне и при этом не контролируется объектом) [264-272]. Например, предприятие управляет собственным торговым ассортиментом — это фактор внутренней среды, но законы о торговле не подконтрольны предприятию — это фактор внешней среды.

Объектом SWOT-анализа может быть не только организация, но и другие социально-экономические объекты: отрасли экономики, города, государственно-общественные институты, научная сфера, политические партии, некоммерческие организации (НКО), отдельные специалисты, персоны и т. д. [264-272].

 

Аббревиатура SWOT визуально может быть представлена
в виде таблицы:

 

Положительное влияние

Отрицательное влияние

Внутренняя среда

Strengths (свойства проекта или коллектива, дающие преимущества перед другими в отрасли)

Weaknesses (свойства, ослабляющие проект)

Внешняя среда

Opportunities (внешние вероятные факторы, дающие дополнительные возможности по достижению цели)

Threats (внешние вероятные факторы, которые могут осложнить достижение цели)

 

SWOT-анализ предложен в 1963 году в Гарварде на конференции по проблемам бизнес-политики профессором Кеннетом Эндрюсом и является широко известным и общепризнанным методом стратегического планирования, который подробно описан в огромном количестве общедоступных источников, из которых мы указали лишь некоторые [264-272]. Поэтому в более подробном описании SWOT-анализа в данной статье нет никакой необходимости. Однако все это нисколько не мешает тому, что SWOT-анализ подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной [264-272].

Для целей данной статьи представляет интерес именно критическая оценка сильных и особенно слабых сторон самого SWOT-анализа, т.е. можно сказать проведение рефлексивного SWOT-анализа, в ходе которого он сам должен быть подвергнут SWOT-анализу.

SWOT-анализ эффективен при осуществлении начальной оценки текущей ситуации, однако он не может заменить выработку стратегии или качественный анализ динамики.

Сильные стороны SWOT-анализа:

1. Это универсальный метод, который применим в самых разнообразных сферах экономики и управления. Его можно адаптировать к объекту исследования любого уровня (продукт, предприятие, регион, страна и пр.).

2. Это гибкий метод со свободным выбором анализируемых элементов в зависимости от поставленных целей (например, можно анализировать город только с точки зрения туризма или только с точки зрения работы транспорта и т.д.).

3. Может использоваться как для оперативной оценки, так и для стратегического планирования на длительный период.

4. Использование метода, как правило, не требует специальных знаний и наличия узкопрофильного образования.

Слабые стороны SWOT-анализа (недостатки):

1. SWOT-анализ показывает только общие факторы. Конкретные мероприятия для достижения поставленных целей надо разрабатывать отдельно.

2. Зачастую при SWOT-анализе происходит лишь перечисление факторов без выявления основных и второстепенных, без детального анализа взаимосвязей между ними.

3. Анализ даёт в большей степени статичную картинку, чем видение развития в динамике.

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, в то время как для оценки ситуации часто требуются количественные параметры.

5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит.

6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат.

Более подробно недостатки SWOT-анализа рассмотрены в хорошо  аргументированной работе [264-272]. Но и перечисленного достаточно для того, чтобы сделать общий вывод о необходимости совершенствования SWOT-анализа в направлении, уменьшающем его недостатки.

 

12.2. Формулировка проблемы и идея ее решения

 

Каковы же источники слабых сторон, недостатков SWOT-анализа? Рассмотрим их в том же порядке, в каком они перечислены выше.

1. SWOT-анализ рассматривает только общие факторы, т.к. из-за ограниченных возможностей экспертов нет технической возможности рассматривать детализированные факторы, которые можно интерпретировать как конкретные мероприятия для достижения поставленных целей.

2. Из-за ограниченных возможностей экспертов при SWOT-анализе обычно лишь перечисляются факторы без выявления основных и второстепенных, без детального анализа взаимосвязей между ними.

3. SWOT-анализ даёт в большей степени статичную картинку, чем видение развития в динамике, так как SWOT-анализ в динамике предполагает многократное проведение обычного статичного SWOT-анализа, а это невозможно из-за ограниченных возможностей экспертов.

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, которое дают эксперты, в то время как для оценки ситуации часто требуются количественные параметры. Но эксперты не могут количественно сравнить факторы по их силе и направлению влияния.

5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит и субъективизм SWOT-анализа неизбежно обусловлен субъективизмом экспертов, дающих оценки факторам.

6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат, а значит привлечения большого количества экспертов, что вообще практически невозможно, т.к. это люди в основном, занимающие высокое положение, работающие в условиях постойного цейтнота и их время стоит очень и очень дорого. Кроме того эксперты в ряде случаев по различным причинам просто не могут сообщить, каким образом они на сомом деле принимают решения.

Обобщая можно сделать обоснованный вывод о том, что слабые стороны, недостатки SWOT-анализа, обусловлены, прежде всего, необходимостью привлечения экспертов для решения различных задач в ходе проведения SWOT-анализа, основной из которых является оценка силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции, или проще говоря и мягко выражаясь «на глазок».  Но возможности экспертов имеют свои физические и психические ограничения и часто по различным причинам они не могут или даже не хотят это сделать (например, потому, что истинные мотивы принятия решений не всегда можно обнародовать).

Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов.

Решение этой проблемы позволило бы существенно улучшить метод SWOT-анализа, практически преодолев многие его недостатки и при этом сохранив его сильные стороны.

По мнению автора, данная проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных.

Идея эта не нова. Различные попытки ее реализации упоминаются и в работе [271]. По мнению автора этой работы смысл этих попыток довольно сложно понять и с ним трудно не согласиться. Работа [272] сама посвящена одному из подходов к автоматизации SWOT-анализа. Начинается эта работа многообещающе, но потом все сводится к описанию еще одного способа обобщения экспертных оценок, основанного на нечеткой логике, тогда как проблема заключается не в сложности обобщения экспертных оценок, а в сложности их получения. Таким образом, работа [272] не решает сформулированную проблему. Упоминается также: «Автоматизированный SWOT-анализ - уникальный программный аналитический сервис, разработанный CIBest - позволяет не только исследовать актуальное состояние любой компании, но и определить наиболее эффективные пути ее развития»[1] о котором кроме приведенной цитаты с указанного сайта практически нет никакой информации.

Между тем технология, обеспечивающая решение поставленной проблемы существует и разработана уже довольно давно: ей уже около 30 лет, но она малоизвестна – это интеллектуальная система «Эйдос». А в новой версии этой системы, описанной в работе [140], просто есть режимы, автоматизирующие SWOT-анализ и развивающие его[2] (это режим 4.4.8). Необходимо также отметить, что система «Эйдос» является программным инструментарием автоматизированного системно-когнитивного анализа (АСК-анализ) [7].

Далее на простом реальном численном примере, взятом из работы [13], подробно рассмотрим возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных.

Объект SWOT-анализа описывается в АСК-анализе с помощью номинальных (текстовых) и числовых измерительных шкал, градации которых измеряются в различных единицах измерения. Теоретическое обоснование возможности корректной совместной сопоставимой обработки подобных данных дано в работах автора [7, 201] и других. Основной принцип, на основе которого это становится возможным, состоит в том, что все показатели описывающие объекты рассматриваются только с точки зрения того, какое количество информации содержится в них о принадлежности объекта к определенным классам, в данном случае к ценовым категориям.

 

12.3. Этапы АСК-анализа и преобразование данных
в информацию, а ее в знания в системе «Эйдос»

 

Системно-когнитивный анализ включает следующие этапы [7], которые полностью автоматизированы в системе «Эйдос», за исключением первого (рисунок 101):

1. Когнитивная структуризация предметной области.

2. Формализация предметной области:

2.1. Разработка классификационных и описательных шкал и градаций.

2.2. Разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал.

3. Синтез и верификация моделей.

4. Выбор наиболее достоверной модели.

5. Решение задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области с применением наиболее достоверной модели.

Рисунок 101. Последовательность преобразования данных в информацию,
а ее в знания в АСК-анализе и системе «Эйдос»

 

Рассмотрим конкретно, как реализуются этапы АСК-анализа в системе «Эйдос» при решении поставленной в работе проблемы.

 

12.4. Когнитивная структуризация предметной области

 

Это единственный не автоматизированный этап АСК-анализа. На этом этапе решается, что мы хотим определить и на основе чего. В данном случае мы хотим:

– построить модель, адекватно отражающую силу и направление влияние агротехнологических факторов на хозяйственные и финансовые результаты выращивания пшеницы;

– используя эту модель прогнозировать результаты применения заданной системы факторов;

– используя эту модель принимать решение о применении такой системы факторов, которая обусловит желаемый хозяйственно-финансовый результат.

Хозяйственно-финансовые результаты:

Урожайность (ц/га)

Качество

Прибыль (тыс.руб./га)

Прибыль (тыс.руб/поле)

Удельная прибыль (тыс.у.е./поле)

Удельная прибыль (у.е./га)

Агротехнологических факторы:

Площадь (га)

Сорт озим.пшеницы

Предшест. 1

Предшест. 2

Предшест. 3

Предшест. 4

Предшест. 5

Предшест. 6

Предшест. 7

Предшест. 8

Предшест. 9

Предшест. 10

Обработка почвы(способ и глубина (см))

Посев (способ и норма высева (кг/га))

Основн.внесен.удоб.(кг/га д.в.)

Борьба с вредит.(препарат и доза)

Борьба с сорняками (препарат и доза)

Подкормка при севе

1-я подкормка

2-я подкормка

3-я подкормка

Микро и макро элементы (снижение стресса)

Борьба с болезнями (препарат и доза).

 

12.5. Формализация предметной области

 

Формализация предметной области включает:

– разработку классификационных и описательных шкал и градаций;

– разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал.

Эти функции могут выполняться в системе «Эйдос» вручную или автоматически в режиме 2.3.2.2 «Универсальный программный интерфейс импорта данных в систему Эйдос-Х++», экранная форма которого приведена на рисунке 102:

Рисунок 102. Экранная форма режима 2.3.2.2 «Универсальный программный
интерфейс импорта данных в систему Эйдос-Х++»

 

Для запуска этого режима необходимо предварительно записать Excel-файл исходных данных, фрагмент которого представлен в приложении, с именем Inp_data.xls в папку:

c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xls

Затем необходимо задать диапазон столбцов с классификационными шкалами и диапазон столбцов с описательными шкалами, как показано на рисунке 102, и с остальными параметрами по умолчанию и нажать ОК.

 

12.5.1. Разработка классификационных
и описательных шкал и градаций

 

Затем система открывает Excel-файл и определяет количество классификационных и описательных шкал и градаций текстового и числового типов при заданных ранее параметрах. Отображается экранная форма встроенного калькулятора, в которой мы видим результаты этого расчета, общую размерность модели, а также можем задать число градаций в числовых классификационных и описательных шкалах, если они есть  (рисунок 103):

Рисунок 103. Калькулятор размерностей моделей

 

После задания числа градаций в числовых классификационных и описательных шкалах необходимо пересчитать характеристики модели, и если все устраивает, выйти на ее создание.

При задании количества градаций числовых шкал необходимо исходить из определенных соображений, связанных с теоремой Котельникова об отсчетах]. Чем больше мы зададим количество интервалов, тем меньше они будут и тем точнее модель будет давать оценки. Но лишь при том условии, что все интервальные значения будут представлены в эмпирических данных несколькими примерами. Ясно, что чем больше интервалов, тем больше необходимо данных для их заполнения. Получается, что чем точнее мы хотим получить модель, тем больше нам нужно исходных данных. А если у нас нет возможности увеличить объем исходных данных, то приходится выбирать такое количество интервалов, чтобы они все они были представлены несколькими примерами при таком их объеме. Чем меньше исходных данных, тем большего размера необходимо выбирать интервалы, чтобы они были представлены, тем ниже будет точность модели.

В процессе создания модели режим конвертирует его в dbf-файл, стандартный для баз данных системы «Эйдос». Стадия выполнения этого процесса отображается в форме Progress-bar (рисунок 104).

Рисунок 104. Экранная форма стадии процесса формализации предметной области

 

Классификационные и описательные шкалы и градации, а также обучающая выборка, сформированные в результате выполнения режима, приведены в таблицах 83 и 84.

 

Таблица 83 – Классификационные шкалы и градации

Код

Наименование

1

УРОЖАЙНОСТЬ(Ц/ГА)-1/5-{32.1000000, 40.4000000}

2

УРОЖАЙНОСТЬ(Ц/ГА)-2/5-{40.4000000, 48.7000000}

3

УРОЖАЙНОСТЬ(Ц/ГА)-3/5-{48.7000000, 57.0000000}

4

УРОЖАЙНОСТЬ(Ц/ГА)-4/5-{57.0000000, 65.3000000}

5

УРОЖАЙНОСТЬ(Ц/ГА)-5/5-{65.3000000, 73.6000000}

6

КАЧЕСТВО-1 класс

7

КАЧЕСТВО-2 класс

8

КАЧЕСТВО-3 класс

9

КАЧЕСТВО-4 класс

10

КАЧЕСТВО-5 класс

11

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-1/5-{1.6000000, 5.3000000}

12

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-2/5-{5.3000000, 9.0000000}

13

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-3/5-{9.0000000, 12.7000000}

14

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-4/5-{12.7000000, 16.4000000}

15

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-5/5-{16.4000000, 20.1000000}

16

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-1/5-{126.0000000, 634.5600000}

17

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-2/5-{634.5600000, 1143.1200000}

18

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-3/5-{1143.1200000, 1651.6800000}

19

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-4/5-{1651.6800000, 2160.2400000}

20

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-5/5-{2160.2400000, 2668.8000000}

21

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-1/5-{4.2190000, 26.5812000}

22

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-2/5-{26.5812000, 48.9434000}

23

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-3/5-{48.9434000, 71.3056000}

24

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-4/5-{71.3056000, 93.6678000}

25

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-5/5-{93.6678000, 116.0300000}

26

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-1/5-{57.4757282, 220.7570531}

27

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-2/5-{220.7570531, 384.0383781}

28

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-3/5-{384.0383781, 547.3197030}

29

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-4/5-{547.3197030, 710.6010280}

30

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-5/5-{710.6010280, 873.8823529}

 

Таблица 84 – Описательные шкалы и градации
(факторы и их значения) (фрагмент)

Код

Наименование

1

ПЛОЩАДЬ (ГА)-1/5-{49.0000000, 67.0000000}

2

ПЛОЩАДЬ (ГА)-2/5-{67.0000000, 85.0000000}

3

ПЛОЩАДЬ (ГА)-3/5-{85.0000000, 103.0000000}

4

ПЛОЩАДЬ (ГА)-4/5-{103.0000000, 121.0000000}

5

ПЛОЩАДЬ (ГА)-5/5-{121.0000000, 139.0000000}

6

СОРТ ОЗИМ.ПШЕНИЦЫ-Батько

7

СОРТ ОЗИМ.ПШЕНИЦЫ-Вита

8

СОРТ ОЗИМ.ПШЕНИЦЫ-Восторг

9

СОРТ ОЗИМ.ПШЕНИЦЫ-Грация

10

СОРТ ОЗИМ.ПШЕНИЦЫ-Дея

11

СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95

12

СОРТ ОЗИМ.ПШЕНИЦЫ-зимородок

13

СОРТ ОЗИМ.ПШЕНИЦЫ-Княжна

14

СОРТ ОЗИМ.ПШЕНИЦЫ-Краснодарская-99

15

СОРТ ОЗИМ.ПШЕНИЦЫ-Крошка

16

СОРТ ОЗИМ.ПШЕНИЦЫ-Купава

17

СОРТ ОЗИМ.ПШЕНИЦЫ-Лира

18

СОРТ ОЗИМ.ПШЕНИЦЫ-Москвич

19

СОРТ ОЗИМ.ПШЕНИЦЫ-Ника-кубани

20

СОРТ ОЗИМ.ПШЕНИЦЫ-Новокубанка

21

СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия

22

СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия элита

23

СОРТ ОЗИМ.ПШЕНИЦЫ-Победа-50

24

СОРТ ОЗИМ.ПШЕНИЦЫ-Половчанка

25

СОРТ ОЗИМ.ПШЕНИЦЫ-Селлта

26

СОРТ ОЗИМ.ПШЕНИЦЫ-Селянка

27

СОРТ ОЗИМ.ПШЕНИЦЫ-Скифянка

28

СОРТ ОЗИМ.ПШЕНИЦЫ-Скмфянка

29

СОРТ ОЗИМ.ПШЕНИЦЫ-Таня

30

СОРТ ОЗИМ.ПШЕНИЦЫ-Татьяна

31

СОРТ ОЗИМ.ПШЕНИЦЫ-Уманка

32

СОРТ ОЗИМ.ПШЕНИЦЫ-Финт

33

СОРТ ОЗИМ.ПШЕНИЦЫ-Фортуна

34

СОРТ ОЗИМ.ПШЕНИЦЫ-Эхо

35

ПРЕДШЕСТ. 1-горох

36

ПРЕДШЕСТ. 1-кук.зерно

37

ПРЕДШЕСТ. 1-кук.силосная

38

ПРЕДШЕСТ. 1-мног.травы

39

ПРЕДШЕСТ. 1-озим.пшеница

40

ПРЕДШЕСТ. 1-подсолнечник

41

ПРЕДШЕСТ. 1-сах.свекла

42

ПРЕДШЕСТ. 1-соя

43

ПРЕДШЕСТ. 2-горох

44

ПРЕДШЕСТ. 2-кук.зерно

45

ПРЕДШЕСТ. 2-кук.зерновая

46

ПРЕДШЕСТ. 2-кук.силосная

47

ПРЕДШЕСТ. 2-мног.травы

48

ПРЕДШЕСТ. 2-озим.пшеница

49

ПРЕДШЕСТ. 2-озим.ячмень

50

ПРЕДШЕСТ. 2-подсолнечник

51

ПРЕДШЕСТ. 2-сах.свекла

52

ПРЕДШЕСТ. 3-горох

53

ПРЕДШЕСТ. 3-кук.зерно

54

ПРЕДШЕСТ. 3-кук.зерновая

12.5.2. Разработка обучающей выборки, т.е. описание
исходных данных с помощью кодов градаций
классификационных и описательных шкал

 

Затем система кодирует исходные данные, представленные в приложении, с использованием справочников классификационных и описательных шкал и градаций (таблицы 83, 84), в результате чего формируется обучающая выборка или база событий. Экранная форма с фрагментом обучающей выборки приведена на рисунке 105:

 

Рисунок 105. Экранная форма стадии с фрагментом обучающей выборки

 

 

12.6. Синтез и верификация моделей

 

После того как исходные данные представлены в форме событий становится возможным выявлять в них ними причинно-следственные связи, т.е. выявлять их смысл, в результате чего исходные данные преобразуются в информацию. Эта операция осуществляется в режиме 3.5 системы «Эйдос» (рисунок 106):

Рисунок 106. Экранная форма режима синтеза и верификации моделей

 

В этом режиме в соответствии с процедурой преобразования данных в информацию, а ее в знания (рисунок 101) сначала рассчитывается матрица абсолютных частот (рисунок 108), затем на основе нее матрицы условных и безусловных процентных распределений (рисунок 109), а потом на основе них, с использованием семи частных критериев знаний (таблица 85), матрицы знаний (таблицы 7 и 8), а затем все модели проверяются на достоверность (рисунок 107):

Затем с использованием выражений из таблицы 3 матрицы условных и безусловных процентных распределений (рисунки 108 и 109) преобразуются в матрицы знаний (рисунок 110).

 

 

Таблица 85 – Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»

Наименование модели знаний
и частный критерий

Выражение для частного критерия

через
относительные частоты

через
абсолютные частоты

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj – суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj – суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами

---

INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj – суммарное количество признаков по j-му классу

INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj – суммарное количество объектов по j-му классу

INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj – суммарное количество признаков по j-му классу

INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj – суммарное количество объектов по j-му классу

 

Обозначения:

i – значение прошлого параметра;

j - значение  будущего параметра;

Nij  – количество встреч  j-го значения будущего параметра при i-м значении прошлого параметра;

M – суммарное число значений всех прошлых  параметров;

W - суммарное число значений всех  будущих параметров.

Ni  – количество встреч  i-м значения прошлого параметра по всей выборке;

Nj  – количество встреч  j-го значения будущего параметра по всей выборке;

N  – количество встреч  j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

Iij  – частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

Ψ – нормировочный коэффициент (Е.В.Луценко, 1981), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

Pi – безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

Pij – условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.

Рисунок 107. Экранная форма отображения стадии синтеза
и верификации моделей

 

Рисунок 108. Экранная форма с отображением фрагмента базы
абсолютных частот

 

Рисунок 109. Экранная форма с отображением фрагмента базы
условных и безусловных процентных распределений

 

Рисунок 110. Экранная форма с отображением фрагмента базы знаний
с частным критерием знаний А.Харкевича

 

В режиме 3.5. создаются аналогичные модели с применением других частных критериев (таблица 85) преобразования матрицы абсолютных частот и матриц условных и безусловных процентных распределений в матрицы знаний, которые здесь не приводятся из-за ограниченного объема статьи.

При появлении новых данных, старении и потери адекватности (актуальности) ранее использованных осуществляется пересинтез моделей на новых актуальных данных, что занимает несколько минут. Это обеспечивает эксплуатацию методики в адаптивном режиме, что также позволяет исследовать объект моделирования в динамике. При необходимости методика без особых затрат может быть локализована для других фирм на их данных.

 

12.7. Выбор наиболее достоверной модели
в качестве текущей

 

В простейшем случае измерение достоверности моделей осуществляется путем решения задачи идентификации объектов обучающей выборки с использованием этих моделей. При этом объект считается относящимся к тому классу, о принадлежности к которому в его системе признаков содержится наиболее суммарное количество информации (это соответствует лемме Неймана-Пирсона). Количественно в АСК-анализе и системе «Эйдос» эта степень сходства конкретного объекта с обобщенным образом класса рассчитывается  с использованием двух интегральных критериев:

Интегральный критерий «Семантический резонанс знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

,

где: M – количество градаций описательных шкал (признаков);

– вектор состояния j–го класса;

 – вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив–локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:

где:

M      – количество градаций описательных шкал (признаков);

      – средняя информативность по вектору класса;

     – среднее по вектору объекта;

    – среднеквадратичное отклонение частных критериев знаний вектора класса;

    – среднеквадратичное отклонение по вектору распознаваемого объекта.

– вектор состояния j–го класса;

 – вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив–локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j–го класса и состояния распознаваемого объекта.

Результаты измерения достоверности всех созданных моделей, и статистических, и когнитивных, представляются в соответствующей экранной форме (рисунок 111):

Рисунок 111. Экранная форма с результатами измерения достоверности
моделей путем распознавания обучающей выборки

 

Как в АСК-анализе и системе «Эйдос» измеряется достоверность модели? Чтобы ответить на этот вопрос необходимо рассмотреть различные виды верных и неверных прогнозов того, что осуществится и того, что не осуществится.

Рассмотрим, на примере с шестигранным игральным кубиком, различные виды прогнозов: положительный и отрицательный псевдопрогнозы, идеальный и реальный прогнозы.

Положительный псевдопрогноз.

Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

Отрицательный псевдопрогноз.

Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

Идеальный прогноз.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

Реальный прогноз.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз в уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.

Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.

В системе «Эйдос» достоверность идентификации «k-й» категории (класса) Sk равна:

N – количество объектов в распознаваемой выборке;

BTik– уровень сходства «i-го» объекта с «k-й» категорией, к которой он был правильно отнесен системой;

Tik – уровень сходства «i-го» объекта с «k-й» категорией, к которой он был правильно не отнесен системой;

BFik – уровень сходства «i-го» объекта с «k-й» категорией, к которой он был ошибочно отнесен системой;

Fik – уровень сходства «i-го» объекта с «k-й» категорией, к которой он был ошибочно не отнесен системой.

В системе есть выходные формы, в которых для расчета достоверности применяется данное выражение, но здесь мы их не приводим, т.к. это не входит в задачи данной статьи. Это и есть «золотая середина». Надо искать модель, наилучшую по этому критерию, а не такую, которая дает наивысшую достоверность идентификации саму по себе, т.к. в этом случае мы от модели отрицательного псевдопрогноза кинемся в другую крайность и придем к модели положительного псевдопрогноза. Этот критерий просчитывается в системе Эйдос в ряде выходных форм анализа результатов верификации модели (4.1.3.6 и т.д.).

Отметим, что метрика, используемая для оценки достоверности модели в системе «Эйдос» имеет сходство с так называемой F-мерой[3] и дает те же самые результаты рейтинга моделей по их достоверности.

Затем в соответствии с порядком преобразования данных в информацию, а ее в знания в СК-анализе и системе «Эйдос», представленным на рисунке 101, необходимо выбрать текущей моделью наиболее достоверную из них, с тем, чтобы затем решать в ней задачи идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области. В нашем случае наиболее достоверной оказалась модель INF1, основанная на семантической мере информации А.Харкевича[4]. Экранные формы режима присвоения наиболее достоверной или иной модели статуса текущей представлены на рисунке 112:

Рисунок 112. Экранная форма присвоения наиболее достоверной модели
статуса текущей и отображение стадии исполнения

 

12.8. Решение прямой задачи SWOT-анализа

 

Решение прямой задачи SWOT-анализа состоит в отображении в текстовой и графической форме системы детерминации заданных состояний объекта моделирования, т.е. указания силы и направления влияния значений различных факторов на переход объекта моделирования в заданное состояние. Эта задача решается в режиме 4.4.8 системы «Эйдос-Х++».

При выборе этого режима появляется экранная форма, представленная на рисунке 113.

В этой экранной форме пользователь может выбрать любое будущее состояние объекта моделирования, любую модель и увидеть в количественном выражении какие значения факторов способствуют, какие препятствуют и в какой степени переходу объекта моделирования в данное состояние.

 

Рисунок 113. Экранная форма выбора вывода результатов решения прямой задачи SWOT-анализа в текстовом виде

 

Графическое представление соответствующей SWOT-диаграммы приведено на рисунке 114.

Рисунок 114. SWOT-диаграмма, формируемая в режиме 4.4.8
системы «Эйдос-Х++»

 

12.9. Решение обратной задачи SWOT-анализа

 

Если при прямой задаче SWOT-анализа мы видим, как значения факторов влияют на достижение выбранного состояния объекта моделирования, то при решении обратной задачи мы наоборот, видим, как заданное значение фактора влияет на достижение различных состояний объекта моделирования, достижению которых данное значение фактора способствуем, каких препятствует и в какой степени.

Обратная задача SWOT-анализа решается в режиме 4.4.9 системы «Эйдос-Х++», в результате формируются инвертированная SWOT-матрица и инвертированная SWOT-диаграмма (см. рисунки 115 и 116).

На экранной форме, приведенной на рисунке 115, пользователь может выбрать любое значение фактора и увидеть, как оно влияет на достижение объектом моделирования различных будущих состояний: достижению каких он способствует, каких препятствует и в какой степени.

 

Рисунок 115. Экранная форма выбора вывода результатов решения
обратной задачи SWOT-анализа в текстовом виде

 

Графическое представление соответствующей SWOT-диаграммы приведено на рисунке 116:

Рисунок 116. SWOT-диаграмма, формируемая в режиме 4.4.9
системы «Эйдос-Х++»

 

12.10. Преодоление недостатков SWOT-анализа
в автоматизированном количественном SWOT-
анализе средствами АСК-анализа
и интеллектуальной системы «Эйдос-Х++»

 

1. Классический SWOT-анализ рассматривает только общие факторы, т.к. из-за ограниченных возможностей экспертов нет технической возможности рассматривать детализированные факторы, которые можно интерпретировать как конкретные мероприятия для достижения поставленных целей. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей огромных размерностей. В системе «Эйдос-Х++» были проведены удачные численные эксперименты по созданию моделей размерностью 10000 классов (состояний моделируемого объекта) и 10000 значений факторов. Это вполне обеспечивает такой уровень детализации факторов, который можно рассматривать как вполне конкретные мероприятия по достижению поставленной цели.

 

2. Из-за ограниченных возможностей экспертов при SWOT-анализе обычно лишь перечисляются факторы без выявления основных и второстепенных, без детального анализа взаимосвязей между ними. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает классификацию факторов как основных и второстепенных по силе влияния на объект моделирования.

Рассмотрим, какую ценность имеют различные признаки (градации описательных шкал) и сами описательные шкалы для решения задач идентификации, прогнозирования и принятия решений.

Прежде всего, о том, что в АСК-анализе и системе «Эйдос» понимается под ценностью признака и шкалы. Обратимся к рисунку 110, в котором представлена в численной форме матрица информативности. Обратим внимание на количество информации, которое содержится в различных признаках о принадлежности и непринадлежности обладающих этими признаками объектов к различным классам. Мы видим, что это количество информации отличается по знаку и модулю. Положительное количество информации говорит о принадлежности объекта с признаком к классу, а отрицательное – о не принадлежности. Величина модуля отражает количество этой информации. С этой точки зрения все признаки можно условно разделить на три большие группы по их ценности:

– которые в среднем несут очень большое количество информации о принадлежности и непринадлежности к классам;

– которые в среднем несут некоторое количество информации количество информации о принадлежности и непринадлежности к классам;

– которые в среднем практически не содержат информации о принадлежности и непринадлежности к классам.

Как же отразить эту ценность количественно? По мнению автора для этого достаточно использовать любую меру вариабельности информативности, например средний модуль отклонения от среднего или среднеквадратичное отклонение от среднего. В АСК-анализе и системе «Эйдос» принят второй вариант, т.е. для количественного измерения ценности признаков используется формула:

 

 

Таким образом, ценность признака – это вариабельность его информативности. Вместо термина «ценность» могут быть использованы его синонимы: «дифференцирующая способность», «значимость», «интегральная оценка информативности» или просто «интегральная информативность». Все эти термины применялись и применяются в АСК-анализе.

 В матрице информативности для каждого признака содержится его ценность. Все признаки могут быть ранжированы в порядке убывания их ценности. Если просуммировать нарастающим итогом ценность признаков, то получим логистическую кривую, отражающую выполнение закона Парето для ценности признаков (рисунок 117):

 

Рисунок 117. Пример кривой ценности признаков нарастающим итогом
(кривая Парето) в модели INF3 (хи-квадрат)

 

В данном случае закон Парето может быть сформулирован следующим образом: небольшая доля признаков содержит основной объем информации о предметной области, которая есть в ее модели, а большинство признаков суммарно содержат небольшую долю этой информации.

Эти малоценные признаки без ущерба для достоверности модели могут быть удалены из нее. Это операция в АСК-анализе и системе «Эйдос» называется «Ортонормирование семантического пространства», т.к. в результате ее выполнения удаляются коррелирующие признаки и остаются практически независимые друг от друга, т.е. ортонормированные.

Что касается исследования взаимосвязей между факторами, то в АСК-анализе и системе «Эйдос» для этого есть свои инструменты: это кластерно-конструктивный анализ значений факторов и классов. Кроме того могут быть получены и исследованы сочетания значений факторов и сочетания классов. Так что связанные с этим слабые места SWOT-анализа также преодолеваются (рисунки 118, 119).

 

Рисунок 118. Пример семантической сети классов,
отражающей их сходство-различие по системе детерминации

Рисунок 119. Пример семантической сети значений факторов (признаков),
отражающей их сходство-различие по влиянию на моделируемый объект

3. SWOT-анализ даёт в большей степени статичную картинку, чем видение развития в динамике, так как SWOT-анализ в динамике предполагает многократное проведение обычного статичного SWOT-анализа, а это невозможно из-за ограниченных возможностей экспертов. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает кардинальное сокращение затрат времени на синтез новой модели. Например, модель, рассматриваемая в качестве примера в данной статье, создавалась несколько минут. Это обеспечивает возможность многократного проведения статичного SWOT-анализа с малой периодичностью, что позволяет увидеть картину в динамике.

 

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, в то время как для оценки ситуации часто требуются количественные параметры. Но эксперты не могут количественно сравнить факторы по их силе и направлению влияния. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение количественных моделей моделируемого объекта, отражающих в сопоставимой форме силу и направление причинно-следственных зависимостей в неполных зашумленных данных очень большой размерности числовой и не числовой природы, измеряемых в различных единицах измерения. Это и продемонстрировано на реальном численном примере в данной статье.

 

5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит и субъективизм SWOT-анализа неизбежно обусловлен субъективизмом экспертов, дающих оценки факторам. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей моделируемого объекта и его системы детерминации непосредственно на основе эмпирических данных без привлечения экспертов.

 

6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат, а значит привлечения большого количества экспертов, что вообще практически невозможно, т.к. это люди в основном, занимающие высокое положение, работающие в условиях постойного цейтнота и их время стоит очень и очень дорого. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей непосредственно на основе неполных зашумленных эмпирических данных очень большой размерности числовой и не числовой природы, измеряемых в различных единицах измерения  без привлечения экспертов. Это резко сокращает затраты труда и времени на создание и исследование моделей, делает их создание и использование гораздо более доступным.

 

12.11. Выводы и результаты

 

Обобщая можно сделать обоснованный вывод о том, что АСК-анализ и система «Эйдос» обеспечивают решение проблемы проведения SWOT-анализа без привлечения экспертов, что существенно улучшает метод SWOT-анализа, обеспечивая преодоление многих его недостатков при сохранении достоинств, в частности автоматизирует построение количественных SWOT-матриц и диаграмм.

В статье на реальном численном примере на основе непосредственно эмпирических данных выращивания пшеницы созданы и верифицированы статистические модели и модели знаний, отражающие силу и направление влияния различных агротехнологических факторов на хозяйственно-финансовые результаты.

При этом измерительные шкалы номинального типа метризованы до числового типа. Все шкалы, измеряемые в разных единицах измерения, преобразованы в общие единицы количества информации, что обеспечивает совместную сопоставимую обработку результатов измерений, полученных в этих шкалах.

Такими образом, системно-когнитивный анализ и система «Эйдос» являются инструментом для построения без программирования измерительных методик, обеспечивающих измерение силы и направления влияния внутренних и внешних факторов различной природы на объект моделирования, причем эти методики могут применяться в адаптивном режиме, что обеспечивает исследование объекта моделирования не только в статике, но и в динамике.

Созданные модели знаний позволяют получить решение прямой и обратной задач SWOT-анализа, т.е. исследовать систему детерминации будущих состояний объекта моделирования, а также определить, как влияет на поведение объекта моделирования любое заданное значение любого фактора, отраженного в модели.

 

12.12. PEST-анализ как детализированный
SWOT-анализ

 

PEST-анализ можно рассматривать как развитие SWOT-анализа путем детализации классификации внешних факторов на природные, технологические, организационные, социально-экономические и политические. Следовательно, в АСК-анализе и системе «Эйдос» и сейчас есть все необходимые и достаточные инструменты для выполнения PEST-анализа. Для этого лишь необходимо соответствующим образом сконструировать описательные шкалы и градации. Поэтому существует возможность применения предложенной технологии решения прямой и обратной задач SWOT-анализа и для выполнения PEST-анализа средствами АСК-анализа и системы «Эйдос».

 

12.13. АСК-анализ и реинжиниринг
бизнес-процессов

 

Отметим, что развития SWOT-анализа путем детализации классификации внутренних факторов, аналогично PEST-анализу, предложено не было. Поэтому предлагается сделать это и классифицировать внутренние факторы предприятия на психологические, технологические, организационные, социально-экономические, финансовые и другие. Отметим, что в АСК-анализе и интеллектуальной системе «Эйдос» и сейчас есть все необходимые и достаточные инструменты для проведения такого анализа, что и предлагается при необходимости пользоваться.

Бизнес-процессы можно рассматривать как внутренние факторы, влияющие на хозяйственные, финансовые и социально-экономические результаты деятельности фирмы и достижение ее целей в этих сферах. Конечно, с другой стороны бизнес-процессы являются инфраструктурой поддержки реализации управляющих воздействий, влияющих на достижение целей фирмы, а с другой стороны они являются этой инфраструктурой в действии.

Таким образом, возникает вопрос о результатах деятельности и целях фирмы.

Хозяйственные результаты деятельности фирмы – это количество и качество произведенной продукции (услуг), например урожайность пшеницы в центнерах на гектар и содержание клейковины (стекловидность), в соответствии с которыми пшеница классифицируется как сильная, ценная и рядовая.

Финансовые результаты деятельности фирмы – это, прежде всего прибыль, рентабельность, изменение капитализации (стоимости фирмы).

Вопрос и социально-экономических результатах деятельности и целях фирмы требует специального пояснения. По этому вопросу в современной науке не сложилось общепринятой точки зрения и в различных научных направлениях этот вопрос решается по-разному. Например, в неоклассической теории считается, что целью корпорации является максимизация дохода, прибыли; в бихевиористской теории – получение удовлетворительной прибыли и дохода; институциональной теории – минимизация транзакционных издержек; теории корпорации Дж. Гэлбрейта – гарантированный уровень прибыли и максимальный темп роста; в предпринимательской же теории полагают, что цель корпорации зависит от личных целей предпринимателя [223]. При этом цели корпорации, а также различных связанных с нею социальных групп людей и государства совпадают лишь частично (рисунок 120):

Рисунок 120. Цели корпорации, а также связанных с ней
социальных групп и государства по С.Ю. Полонскому [223].

 

Таким образом, наиболее распространенная точка зрения, состоящая в том, что цель корпорации заключается исключительно в получении максимальной прибыли, является неоправданно упрощенной. Более того, максимизация прибыли может быть и нежелательной, например, если это достигается за счет ущерба целям работников и государства. В любом случае ясно, что для достижения этих целей необходимо управлять корпорацией как в целом, так и на различных уровнях ее иерархической структурной организации.

АСК-анализ и его программный инструментарий интеллектуальная система «Эйдос» позволяют строить системно-когнитивные модели, отражающие силу и направление влияния на хозяйственные и  финансово-экономические результаты деятельности фирмы различных групп внутренних факторов, а именно:

– психологических факторов, т.е. свойств личности персонала и менеджмента фирмы [3-273];

– технологических факторов (АСУ ТП – автоматизированные системы управления технологическим процессами) [3-273];

– организационные (АСОУ – автоматизированные системы организационного управления) [3-273];

– социально-экономических факторов [3-273];

– финансовых факторов (ФСА – функционально-стоимостной анализ и метод Директ-костинг, т.е. анализ влияния затрат на результаты деятельности) [3-273].

На основе этих моделей АСК-анализ и система «Эйдос» позволяют выработать научно-обоснованные рекомендации по реинжинирингу бизнес-процессов, т.е. по выбору такой их системы, которая обуславливает переход объекта моделирования и управления в заранее заданные целевые состояния.

Таким образом, автоматизированный системно-когнитивный анализ (АСК-анализ) с его программным инструментарием: интеллектуальной системой «Эйдос», не только имеет более общий характер, чем SWOT- и PEST-анализ, а также функционально-стоимостной анализ (ФСА) и метод Директ-костинг, т.е. включает их возможности, но также и позволяет вырабатывать научно-обоснованные рекомендации по реинжинирингу бизнес-процессов.

 

12.14. Некоторые ограничения и перспективы

 

Но это не означает, что данная технология лишена ограничений и недостатков. Конечно, они есть, и автор их видит и работает над их преодолением. Это касается и развития теоретического обоснования АСК-анализа, и совершенствования его программного инструментария – интеллектуальной системы «Эйдос-Х++». В настоящее время идет процесс наполнения ее функциональными возможностями, которые были у DOS-версии системы «Эйдос». Все же система «Эйдос» развивалась около 30 лет, тогда как системе «Эйдос-Х++» к моменту написания статьи исполнилось лишь 3 года [140].

К созданной и описанной в данной статье технологии стоит относиться как к примеру, демонстрирующему принципиальную возможность решения прямой и обратной задач SWOT-анализа в АСК-анализе и системе «Эйдос». Не стоит все же забывать, что все приведенные в статье модели и формы созданы на компьютере за 10 минут и сложность создания и применения данного приложения соответствует сложности лабораторной работы, в качестве которой оно и изучается в течение одной пары на дисциплинах «Интеллектуальные системы» и «Представлению знаний в интеллектуальных системах» [11].

На сайте проф.Е.В.Луценко по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm всегда можно скачать систему «Эйдос-Х++» (самую новую на текущий момент версию) или обновление системы до текущей версии. Это наиболее полная на данный момент незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными текстами, находящаяся в полном открытом бесплатном доступе (около 50 Мб). Обновление имеет объем около 3 Мб.

 

 

12.15. Приложение (фрагмент исходных данных)

Год, № поля

урожайность(ц/га)

Качество

Прибыль (тыс.руб./га)

Прибыль (тыс.руб/поле)

Удельная прибыль (тыс.у.е./поле)

Удельная прибыль (у.е./га)

Площадь (га)

Сорт озим.пшеницы

предшест. 1

предшест. 2

предшест. 3

предшест. 4

предшест. 5

1999 П1

38,0

5 класс

2,400

304,800

14,514

114

127

Половчанка

подсолнечник

озим.пшеница

кук.силосная

озим.пшеница

сах.свекла

1999 П10

40,8

4 класс

4,100

282,900

13,470

195

69

Ника-кубани

сах.свекла

озим.пшеница

кук.зерновая

озим.пшеница

подсолнечник

1999 П11

38,8

5 класс

3,900

214,500

10,210

186

55

Офелия элита

сах.свекла

озим.пшеница

озим.ячмень

кук.силосная

озим.пшеница

1999 П12

42,1

4 класс

4,200

289,800

13,800

200

69

Скифянка

сах.свекла

озим.пшеница

кук.силосная

озим.пшеница

подсолнечник

1999 П18

35,1

5 класс

3,570

367,710

17,510

170

103

офелия элита

кук.зерно

озим.пшеница

подсолнечник

озим.пшеница

кук.силосная

1999 П19

39,5

4 класс

3,940

445,220

21,200

188

113

Новокубанка

кук.силосная

озим.пшеница

яров.ячмень

озим.пшеница

подсолнечник

1999 П20

34,7

4 класс

3,600

259,200

12,342

171

72

Новокубанка

кук.силосная

озим.пшеница

горох

озим.пшеница

подсолнечник

1999 П6

43,1

4 класс

4,100

348,500

16,590

195

85

Офелия элита

мног.травы

кук.зерновая

озим.пшеница

подсолнечник

озим.пшеница

1999 П8

32,4

4 класс

4,200

445,200

21,200

200

106

Скмфянка

сах.свекла

озим.пшеница

горох

озим.ячмень

озим.пшеница

2000 П1

36,7

5 класс

3,500

444,500

12,347

97

127

Эхо

озим.пшеница

подсолнечник

озим.пшеница

кук.силосная

озим.пшеница

2000 П10

32,2

5 класс

3,100

213,900

5,940

86

69

Офелия

озим.пшеница

сах.свекла

озим.пшеница

кук.зерновая

озим.пшеница

2000 П14

45,7

4 класс

5,900

424,800

11,800

164

72

Крошка

горох

озим.ячмень

озим.пшеница

кук.силосная

озим.пшеница

2000 П15

32,2

5 класс

3,100

151,900

4,219

86

49

Крошка

горох

озим.ячмень

озим.пшеница

подсолнечник

озим.пшеница

2000 П2

34,5

4 класс

3,900

495,300

13,750

108

127

Половчанка

сах.свекла

озим.ячмень

озим.пшеница

подсолнечник

озим.пшеница

2000 П5

32,1

5 класс

3,480

389,760

10,820

97

112

Крошка

сах.свекла

озим.пшеница

горох

озим.пшеница

озим.ячмень

2000 П6

35,3

5 класс

3,500

297,500

8,260

97

85

Офелия

озим.пшеница

мног.травы

кук.зерновая

озим.пшеница

подсолнечник

2000 П9

34,7

4 класс

3,500

406,000

11,270

97

116

Купава

подсолнечник

озим.пшеница

озим.ячмень

сах.свекла

озим.пшеница

2001 П11

48,8

4 класс

7,300

401,500

13,987

254

55

Княжна

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

озим.ячмень

2001 П12

44,5

4 класс

7,010

483,690

16,850

244

69

Крошка

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

кук.силосная

2001 П17

60,0

3 класс

7,800

468,000

16,300

272

60

Крошка

горох

озим.ячмень

кук.силосная

кук.зерновая

озим.пшеница

2001 П18

36,0

5 класс

5,030

518,090

18,050

175

103

половчанка

кук.силосная

озим.пшеница

кук.зерно

озим.пшеница

подсолнечник

2001 П19

40,0

4 класс

4,780

540,140

18,820

167

113

Крошка

кук.силосная

озим.пшеница

кук.силосная

озим.пшеница

яров.ячмень

2001 П20

44,0

3 класс

5,200

374,400

13,045

181

72

Эхо

горох

озим.пшеница

кук.силосная

озим.пшеница

горох

2001 П7

44,4

4 класс

4,960

386,880

13,480

173

78

Офелия

кук.зерно

озим.ячмень

озим.пшеница

кук.силосная

озим.ячмень

2001 П8

45,2

4 класс

5,280

559,680

19,500

184

106

Половчанка

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

горох

2002 П1

55,4

3 класс

7,200

914,400

29,028

229

127

Офелия

кук.силосная

озим.пшеница

озим.пшеница

подсолнечник

озим.пшеница

2002 П10

47,2

5 класс

5,960

411,240

13,055

189

69

Княжна

подсолнечник

озим.пшеница

озим.пшеница

сах.свекла

озим.пшеница

2002 П14

56,2

4 класс

6,960

501,120

15,908

221

72

Княжна

сах.свекла

озим.пшеница

горох

озим.ячмень

озим.пшеница

2002 П15

53,8

4 класс

6,840

335,160

10,640

217

49

Уманка

сах.свекла

озим.пшеница

горох

озим.ячмень

озим.пшеница

2002 П16

54,7

4 класс

6,950

479,550

15,220

221

69

уманка

подсолнечник

озим.ячмень

яров.ячмень

мног.травы

мног.травы

2002 П2

52,5

3 класс

7,060

896,620

28,460

224

127

Крошка

горох

озим.пшеница

сах.свекла

озим.ячмень

озим.пшеница

2002 П4

60,2

3 класс

7,700

1070,300

33,970

244

139

Крошка

мног.травы

мног.травы

мног.травы

кук.зерно

озим.пшеница

2002 П6

55,3

4 класс

6,960

591,600

18,780

221

85

Княжна

кук.силосная

озим.пшеница

озим.пшеница

мног.травы

кук.зерновая

2002 П8

58,4

4 класс

6,600

699,600

22,200

209

106

Половчанка

озим.пшеница

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

2002 П9

47,3

3 класс

6,580

763,280

24,230

209

116

Уманка

кук.силосная

озим.пшеница

подсолнечник

озим.пшеница

озим.ячмень

2003 П11

55,2

4 класс

7,600

418,000

13,350

243

55

Дея

кук.силосная

озим.пшеница

подсолнечник

озим.пшеница

сах.свекла

2003 П12

51,0

4 класс

7,300

503,700

16,090

233

69

Уманка

кук.силосная

озим.пшеница

подсолнечник

озим.пшеница

сах.свекла

2003 П17

48,5

4 класс

7,980

478,800

15,290

255

60

Лира

сах.свекла

озим.пшеница

горох

озим.ячмень

кук.силосная

2003 П18

53,8

3 класс

8,000

824,000

26,320

256

103

дея

подсолнечник

озим.пшеница

кук.силосная

озим.пшеница

кук.зерно

2003 П19

54,2

4 класс

8,230

929,990

29,710

263

113

Лира

кук.силосная

озим.пшеница

кук.силосная

озим.пшеница

кук.силосная

2003 П2

36,0

5 класс

4,800

609,600

19,470

153

127

Княжна

озим.пшеница

горох

озим.пшеница

сах.свекла

озим.ячмень

2003 П20

46,9

4 класс

7,060

508,320

16,240

226

72

Крошка

кук.силосная

озим.пшеница

горох

озим.пшеница

кук.силосная

2003 П3

49,0

4 класс

5,900

637,200

20,360

189

108

Крошка

мног.травы

мног.травы

мног.травы

мног.травы

мног.травы

2004 П1

54,3

3 класс

5,600

711,200

24,954

196

127

Победа-50

сах.свекла

озим.пшеница

кук.силосная

озим.пшеница

озим.пшеница

2004 П13

52,0

4 класс

5,300

397,500

13,940

186

75

Финт

мног.травы

мног.травы

мног.травы

мног.травы

мног.травы

2004 П16

50,8

4 класс

5,600

386,400

13,550

196

69

финт

сах.свекла

озим.пшеница

подсолнечник

озим.ячмень

яров.ячмень

2004 П4

44,0

4 класс

7,200

1000,800

35,110

253

139

Селлта

сах.свекла

озим.пшеница

мног.травы

мног.травы

мног.травы

2004 П5

40,0

5 класс

5,600

627,200

22,000

196

112

Дон-95

кук.силосная

кук.зерно

озим.ячмень

озим.пшеница

сах.свекла

2004 П6

50,0

3 класс

7,800

663,000

23,280

274

85

Селянка

подсолнечник

озим.пшеница

кук.силосная

озим.пшеница

озим.пшеница

2004 П8

58,0

4 класс

6,400

678,400

23,800

225

106

Лира

кук.зерно

озим.пшеница

озим.пшеница

подсолнечник

озим.пшеница

2005 П10

70,0

5 класс

2,000

138,000

5,000

72

69

Победа-50

сах.свекла

кук.зерно

озим.пшеница

подсолнечник

озим.пшеница

2005 П11

68,2

5 класс

2,500

137,500

4,940

90

55

Победа-50

сах.свекла

озим.пшеница

кук.силосная

озим.пшеница

подсолнечник

2005 П12

64,8

5 класс

2,700

186,300

6,700

97

69

Селянка

кук.силосная

озим.пшеница

кук.силосная

озим.пшеница

подсолнечник

2005 П17

60,5

5 класс

2,100

126,000

4,530

76

60

Победа-50

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

горох

2005 П18

59,6

4 класс

1,600

164,800

5,920

57

103

зимородок

кук.зерно

озим.пшеница

подсолнечник

озим.пшеница

кук.силосная

2005 П19

65,8

4 класс

1,900

214,700

7,700

68

113

Батько

подсолнечник

озим.пшеница

кук.силосная

озим.пшеница

кук.силосная

2005 П3

62,8

5 класс

1,680

181,440

6,526

60

108

Татьяна

подсолнечник

озим.пшеница

мног.травы

мног.травы

мног.травы

2005 П7

61,2

5 класс

2,640

205,920

7,400

95

78

Селянка

кук.зерно

озим.ячмень

подсолнечник

озим.пшеница

кук.зерно

2006 П13

61,2

3 класс

10,600

795,000

28,800

384

75

Батько

сах.свекла

озим.пшеница

мног.травы

мног.травы

мног.травы

2006 П14

58,8

3 класс

10,000

720,000

26,080

362

72

Зимородок

соя

озим.ячмень

подсолнечник

озим.пшеница

сах.свекла

2006 П15

68,8

3 класс

11,200

548,800

19,884

406

49

Краснодарская-99

мног.травы

озим.ячмень

подсолнечник

озим.пшеница

сах.свекла

2006 П4

67,8

3 класс

10,800

1501,200

54,390

391

139

Таня

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

мног.травы

2006 П5

65,9

3 класс

10,600

1187,200

43,010

384

112

Краснодарская-99

подсолнечник

озим.пшеница

кук.силосная

кук.зерно

озим.ячмень

2006 П6

70,2

3 класс

11,200

952,000

34,490

406

85

Краснодарская-99

горох

озим.пшеница

подсолнечник

озим.пшеница

кук.силосная

2007 П1

54,6

2 класс

10,900

1384,300

53,240

419

127

Батько

сах.свекла

озим.ячмень

озим.пшеница

сах.свекла

озим.пшеница

2007 П11

57,3

2 класс

12,300

676,500

26,019

473

55

Таня

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

кук.силосная

2007 П17

43,6

3 класс

10,100

606,000

23,300

388

60

Восторг

мног.травы

озим.пшеница

подсолнечник

озим.пшеница

сах.свекла

2007 П18

57,2

3 класс

11,800

1215,400

46,746

454

103

Таня

сах.свекла

озим.пшеница

кук.зерно

озим.пшеница

подсолнечник

2007 П19

58,4

3 класс

12,100

1367,300

52,600

465

113

Краснодарская-99

соя

озим.пшеница

подсолнечник

озим.пшеница

кук.силосная

2007 П2

57,4

2 класс

11,800

1498,600

57,640

454

127

Таня

подсолнечник

озим.ячмень

кук.силосная

озим.пшеница

озим.пшеница

2007 П3

57,7

2 класс

12,300

1328,400

51,090

473

108

Краснодарская-99

соя

озим.пшеница

подсолнечник

озим.пшеница

мног.травы

2007 П7

56,6

2 класс

11,300

881,400

33,900

435

78

Москвич

сах.свекла

озим.пшеница

кук.зерно

озим.ячмень

подсолнечник

2008 П12

67,8

2 класс

18,500

1276,500

55,500

804

69

Вита

подсолнечник

кук.силосная

озим.пшеница

кук.силосная

озим.пшеница

2008 П14

63,3

3 класс

18,600

1339,200

58,220

809

72

Лира

сах.свекла

озим.пшеница

соя

озим.ячмень

подсолнечник

2008 П15

70,1

3 класс

19,200

940,800

40,904

835

49

Таня

сах.свекла

озим.пшеница

мног.травы

озим.ячмень

подсолнечник

2008 П4

72,8

1 класс

19,200

2668,800

116,030

835

139

Таня

соя

озим.пшеница

подсолнечник

озим.пшеница

сах.свекла

2008 П5

70,9

2 класс

19,000

2128,000

92,520

826

112

Краснодарская-99

сах.свекла

озим.пшеница

подсолнечник

озим.пшеница

кук.силосная

2008 П6

73,6

2 класс

20,100

1708,500

74,280

874

85

Краснодарская-99

сах.свекла

озим.пшеница

горох

озим.пшеница

подсолнечник

2008 П8

68,7

2 класс

18,900

2003,400

87,100

822

106

Москвич

подсолнечник

кук.зерно

сах.свекла

озим.пшеница

кук.зерно

2008 П9

69,3

2 класс

19,000

2204,000

95,820

826

116

Таня

кук.силосная

мног.травы

мног.травы

мног.травы

мног.травы

2009 П1

58,7

 

11,800

1498,600

44,220

348

127

Татьяна

подсолнечник

озим.пшеница

сах.свекла

озим.ячмень

озим.пшеница

2009 П10

58,8

5 класс

12,100

834,900

24,620

357

69

Селянка

подсолнечник

кук.зерно

сах.свекла

озим.пшеница

сах.свекла

2009 П17

60,1

4 класс

12,400

744,000

21,940

366

60

Фортуна

кук.силосная

озим.пшеница

мног.травы

озим.пшеница

подсолнечник

2009 П18

59,1

4 класс

11,800

1215,400

35,858

348

103

Таня

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

кук.зерно

2009 П19

54,9

4 класс

12,300

1389,900

41,000

363

113

Краснодарская-99

сах.свекла

озим.пшеница

соя

озим.пшеница

подсолнечник

2009 П20

56,8

4 класс

13,800

993,600

29,300

407

72

Грация

сах.свекла

озим.ячмень

кук.силосная

кук.зерно

подсолнечник

2009 П3

56,5

2 класс

10,900

1177,200

34,720

321

108

Краснодарская-99

кук.силосная

озим.пшеница

соя

озим.пшеница

подсолнечник

2009 П5

59,3

4 класс

11,900

1332,800

39,310

351

112

Краснодарская-99

озим.пшеница

сах.свекла

озим.пшеница

подсолнечник

озим.пшеница

2009 П7

58,3

4 класс

10,900

850,200

25,070

321

78

Таня

подсолнечник

озим.пшеница

сах.свекла

озим.пшеница

кук.зерно

 

 


[1] http://edu.jobsmarket.ru/library/management/11590/

[2] http://lc.kubagro.ru/aidos/_Aidos-X.htm

[3] См., например: http://bazhenov.me/blog/2012/07/21/classification-performance-evaluation.html

[4] Необходимо отметить, что в других случаях, т.е. при моделировании различных объектов, наиболее достоверными могут оказаться модели, основанные на других частных критериях знаний, приведенных в таблице 3.