ГЛАВА 9. УПРАВЛЕНИЕ ТЕХНОЛОГИЧЕСКИМИ
ЗНАНИЯМИ В ПРОИЗВОДСТВЕННОЙ ФИРМЕ
В данной
главе: описана интеллектуальная
консалтинговая система, обеспечивающая выявление технологических знаний путем системно-когнитивного
анализа бизнес-процессов, а также поддержку принятия решений по эффективному применению
этих знаний с целью достижения заданных показателей хозяйственно-экономических эффективности.
Приводится подробный численный пример применения системы на реальных данных одной
из Кубанских фирм для выявления технологических знаний по выращиванию озимой пшеницы
и применению этих знаний для поддержки принятия решений по выбору конкретной агротехнологии,
обеспечивающей желаемые показатели урожайности озимой пшеницы, ее качества, а также
прибыли и рентабельности. Предлагается применять наглядную многослойную графическую
картографическую визуализацию результатов прогнозирования урожайности культуры (и
сорта), качества, прибыли и рентабельности по полям фирмы.
9.1. Создание инструментария для управления
технологическими знаниями в производственной
фирме, как задача контроллинга
Цель фирмы, производящей
те или иные виды продукции или оказывающей услуги, по крайней мере, как ее осознает
собственник[1], как правило, состоит в повышении прибыли, а также рентабельности.
Наиболее очевидным способом увеличения прибыли является простое увеличение объема
производства или оказанных услуг, т.е. экстенсивный путь, основанный на увеличении
затрат. Повышение рентабельности также позволяет повысить прибыль, но без увеличения
затрат, или получить ту же прибыль но с меньшими затратами. По своему экономическому
смыслу рентабельность представляет собой
эффективность используемого в фирме способа
получения прибыли и обычно увеличение рентабельности предполагает технологическую
модернизацию производства и его организации, внедрение инновационных технологий,
т.е. его интенсификацию, поэтому этот путь называется интенсивным. Таким образом, путь достижения поставленной цели, а
именно путь повышения прибыли фирмы, включает много различных компонент,
определяющей из которых является выбор конкретной технологии, обеспечивающей
получение заданного результата.
Однако сам путь от ситуации, фактически сложившейся в фирме,
к целевой ситуации, как правило, является далеко не идеальным.
Руководство любой фирмы постоянно решает проблему
поиска и получения в свое распоряжение технологии, обеспечивающей увеличение прибыли
и рентабельности фирмы при имеющихся и известных руководству фирмы ограничениях
на оборотные средства, транспорт, сырье и материалы, средства их обработки, складские
и торговые помещения, и т.п., и т.д., но при неизвестной руководству емкости рынка
на тот период будущего времени, когда продукция будет произведена и предметно станет
вопрос о ее реализации.
К методу решения поставленной проблемы предъявляются определенные требования, обусловленные имеющимися реалиями:
1. Метод должен обеспечивать решение сформулированной проблемы
в условиях неполной (фрагментированной) зашумленной исходной информации большой
размерности, не отражающей всех ограничений и ресурсов и не содержащей полных повторностей
всех вариантов сочетаний прибыли, рентабельности, номенклатуры и объемов продукции,
причем получение недостающей информации представляется принципиально невозможным.
2. Метод должен быть недорогим в приобретении и использовании,
т.е. для этого должно быть достаточно одного стандартного персонального компьютера,
недорогого лицензионного программного обеспечения и одного сотрудника, причем курс
обучения этого сотрудника должен быть несложным для него, т.е. не предъявлять к
нему каких-то сверхжестких нереалистичных требований.
3. Вся необходимая и достаточная исходная информация о
бизнес-процессах для применения метода должна быть в наличии в самой фирме.
4. Метод должен быть адаптивным, т.е. оперативно учитывать
изменения во всех компонентах моделируемой системы.
При решении поставленной проблемы руководство традиционно
исходит из методик и рекомендаций, разработанных учеными и практиками для подобных
по объему и направлению деятельности фирм.
Однако при этом остается открытым и нерешенным вопрос о
том, насколько эти рекомендации эффективны с точки зрения достижения цели
для данной конкретной фирмы.
Будем предполагать,
что эти методики и рекомендации разработаны именно для достижения поставленной цели,
а не какой-либо другой. Об этом приходится говорить явно, т.к. такое на практике
встречается сплошь и рядом.
Первый вопрос состоит в том, насколько полно и верно эти
методики и рекомендации учитывают как специфику конкретной фирмы, так и специфику
того региона, в котором данная фирма действует. Это вопрос о том, соответствуют
ли эти рекомендации месту их применения, т.е. о том, насколько они локализованы.
Второй не менее важный вопрос – это вопрос о степени соответствия
этих методик и рекомендаций времени их применения, т.е. о том, на
сколько полно и верно они отражают последние новейшие мировые и отечественные достижения
и тенденции в этой области, т.е. на сколько они адаптированы ко времени их
предполагаемого применения.
Таким образом, методики рекомендации, удовлетворяющие всем
сформулированным требованиям, практически недоступны фирмам, чаще всего по той причине,
что они просто не существуют или разработаны давно и в основном за рубежом, а создание
их отечественных аналогов или локализация и адаптация являются чрезвычайно наукоемким
и дорогим делом, да и коллективов, которые могли бы взяться за него, очень мало.
Поэтому на практике чаще всего применяются
неадаптированные и нелокализованные методики, созданные вообще для других целей,
чем те, для достижения которых их применяют. Это означает, что традиционный
способ решения поставленной проблемы – это ее решение почти «вручную» или практически
«на глазок», и обычно это не позволяет решить ее на должном уровне и достаточно
эффективно.
Применение компьютерных технологий для решения подобных
задач наталкивается на ряд сложностей связанных с тем, что как сами математические
модели, так и реализующий их программный инструментарий, а также исходная информация
для их использования не удовлетворяют сформулированным выше требованиям.
Целью данной
работы является решение поставленной проблемы путем разработки адаптивной
методики, обеспечивающей:
– на основе анализа бизнес-процессов выявление знаний о влиянии технологических факторов
на объемы и качество производимой продукции и оказанных услуг, а также на прибыль
и рентабельность фирмы;
– использование этих знаний для прогнозирования и поддержки принятия решений о выборе таких сочетаний
технологических факторов, которые обеспечили бы достижение цели фирмы.
Для достижения
поставленной цели выбран метод системно-когнитивного
анализа (АСК-анализ). Этот выбор был обусловлен тем, что данный метод является непараметрическим,
позволяет корректно и сопоставимо обрабатывать тысячи градаций факторов и будущих
состояний объекта управления при неполных (фрагментированных), зашумленных данных
различной природы, т.е. измеряемых в различных единицах измерения. Для метода АСК-анализа
разработаны и методика численных расчетов, и соответствующий программный инструментарий,
а также технология и методика их применения. Они прошли успешную апробацию при решении
ряда задач в различных предметных областях [3-273]. Наличие инструментария АСК-анализа (базовая система
"Эйдос") [7] позволяет не только осуществить синтез семантической информационной
модели (СИМ), но и периодически проводить адаптацию и синтез ее новых версий, обеспечивая
тем самым отслеживание динамики предметной области и сохраняя высокую адекватность
модели в изменяющихся условиях. Важной особенностью АСК-анализа является возможность
единообразной числовой обработки разнотипных по смыслу и единицам измерения числовых
и нечисловых данных. Это обеспечивается тем, что нечисловым величинам тем же методом,
что и числовым, приписываются сопоставимые в пространстве и времени, а также между
собой, количественные значения, позволяющие обрабатывать их как числовые: на первых
двух этапах АСК-анализа числовые величины сводятся к интервальным оценкам, как и
информация об объектах нечисловой природы (фактах, событиях) (этот этап реализуется
и в методах интервальной статистики); на третьем этапе АСК-анализа всем этим величинам
по единой методике, основанной на системном обобщении семантической теории информации
А.Харкевича, сопоставляются количественные величины (имеющие смысл количества информации
в признаке о принадлежности объекта к классу), с которыми в дальнейшем и производятся
все операции моделирования (этот этап является уникальным для АСК-анализа).
В работе [7] приведен перечень этапов системно-когнитивного анализа, которые
необходимо выполнить, чтобы осуществить синтез модели объекта управления, решить
с ее применением задачи прогнозирования и поддержки принятия решений, а также провести
исследование объекта моделирования путем исследования его модели. Учитывая эти этапы
АСК-анализа выполним декомпозицию цели работы в последовательность задач,
решение которых обеспечит ее поэтапное достижение:
1. Когнитивная структуризация предметной области и формальная
постановка задачи, проектирование структуры и состава исходных данных.
2. Формализация предметной области.
2.1. Получение исходных данных запланированного состава в той
форме, в которой они накапливаются в поставляющей их организации (обычно в форме
базы данных какого-либо стандарта или Excel-формы).
2.2. Разработка стандартной Excel-формы для представления исходных
данных.
2.3. Преобразование исходных данных из исходных баз данных в стандартную
электронную Excel-форму.
2.4. Контроль достоверности исходных данных и исправление ошибок.
2.5. Использование стандартного программного интерфейса системы
«Эйдос» для преобразования исходных данных из стандартной Excel-формы в базы данных
системы "Эйдос" (импорт данных).
3. Синтез семантической информационной модели (СИМ), т.е. решение
задачи 1: "Многокритериальная типизация
хозяйственно-экономических результатов деятельности фирмы по объемам и качеству
произведенных продукции и услуг, полученной прибыли и рентабельности по обусловливающим
эти результаты технологическим факторам".
4. Измерение адекватности СИМ.
5. Повышение эффективности СИМ.
6. Решение с помощью СИМ задач прогнозирования и поддержки принятия
решений, а также исследования предметной области.
6.1. Задача 2: "Разработка
методики прогнозирования влияния технологических факторов на объемы производства
продукции и услуг, их качество, на прибыль и рентабельность фирмы".
6.2. Задача 3: "Разработка методики поддержки
принятия решений о выборе таких технологических факторов, которые бы обеспечили
бы производство заданных объемов продукции и услуг заданного качества, а также заданную
прибыль и рентабельность фирмы".
6.3. Задача 4: «Исследование предметной области»
7. Разработка принципов
оценки экономической эффективности разработанных технологий при их применении в
торговой фирме.
8. Исследование ограничений
разработанной технологии и перспектив ее развития.
Кратко рассмотрим решение этих задач.
9.2. Когнитивно-целевая структуризация
предметной области
Для этого в качестве
примера рассмотрим фирму, занимающуюся
производством и переработкой сельскохозяйственной различной продукции, находящуюся
в Краснодарском крае (название фирмы мы не приводим в связи с конфиденциальностью
предоставленной ей информации). Из всех видов продукции, производимых фирмой, для
исследования мы выбрали озимую пшеницу. Необходимо отметить,
что как выбор для исследования фирмы определенного направления деятельности, так
и выбор конкретного вида продукции фирмы, является непринципиальным с точки зрения
разрабатываемой методики, т.е. все разрабатываемые
интеллектуальные технологии применимы и для фирм с другими направлениями и объемами
деятельности и другими видами продукции и услуг.
1. Когнитивная структуризация
предметной области это 1-й этап формальной постановки задачи, на котором решается,
какие параметры будут рассматриваться в качестве причин, а какие – следствий или
результатов. На этом этапе было решено рассматривать
в качестве следствий,
т.е. классов – основные результирующие хозяйственные и экономические
показатели деятельности фирмы:
Урожайность (ц/га).
Качество.
Прибыль (тыс.руб./га).
Прибыль (тыс.руб/поле).
Удельная прибыль (тыс.у.е./поле).
Удельная прибыль (у.е./га).
в качестве причин
(факторов): – различные агротехнологические
факторы:
Площадь поля (га) .
Сорт озимой пшеницы.
Предшественник 1 год назад.
Предшественник 2 года назад.
Предшественник 3 года назад.
Предшественник 4 года назад.
Предшественник 5 лет назад.
Предшественник 6 лет назад.
Предшественник 7 лет назад.
Предшественник 8 лет назад.
Предшественник 9 лет назад.
Предшественник 10 лет назад.
Обработка почвы (способ и глубина
(см))
Посев (способ и норма высева
(кг/га))
Основные внесенные удобрения
(кг/га д.в.)
Борьба с вредителями (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)
9.3. Формализация предметной области
На этапе формализации
предметной области (постановки задачи), исходя из результатов когнитивной структуризации,
было осуществлено проектирование структуры и состава исходных данных.
2.1. Исходные данные
запланированного состава были получены
в той форме, в которой они накапливаются в поставляющей их организации. В полученной
базе данных представлены данные по годам о хозяйственно-экономических результатах
выращивания озимой пшеницы на различных полях за 10 лет с 1999 по 2009 год, всего
89 примеров. Этого достаточно для целей данной работы, за что авторы благодарны
руководству данной фирмы.
2.2. Была разработана
стандартная Excel-форма для представления исходных данных (таблица 24), в которой
и были получены данные:
Таблица 51 – ИСХОДНЫЕ ДАННЫЕ (ФРАГМЕНТ)
|
Год, |
Результаты – классы |
Причины – факторы ®… |
||||||||
|
Урожайность |
Качество |
Прибыль (тыс.руб./га) |
Прибыль (тыс.руб/поле) |
Удельная прибыль (тыс.у.е./поле) |
Удельная прибыль (у.е./га) |
Площадь (га) |
Сорт |
Пред- шест- венник 1 год |
Пред- шест- венник 2 года назад |
|
|
1999 П1 |
38,0 |
5 класс |
2,400 |
304,800 |
14,514 |
114 |
127 |
Половчанка |
Подсолнечник |
Озим.пшеница |
|
1999 П10 |
40,8 |
4 класс |
4,100 |
282,900 |
13,470 |
195 |
69 |
Ника-кубани |
Сах.свекла |
Озим.пшеница |
|
1999 П11 |
38,8 |
5 класс |
3,900 |
214,500 |
10,210 |
186 |
55 |
Офелия элита |
Сах.свекла |
Озим.пшеница |
|
1999 П12 |
42,1 |
4 класс |
4,200 |
289,800 |
13,800 |
200 |
69 |
Скифянка |
Сах.свекла |
Озим.пшеница |
|
1999 П18 |
35,1 |
5 класс |
3,570 |
367,710 |
17,510 |
170 |
103 |
Офелия элита |
Кук.зерно |
Озим.пшеница |
|
1999 П19 |
39,5 |
4 класс |
3,940 |
445,220 |
21,200 |
188 |
113 |
Новокубанка |
Кук.силосная |
Озим.пшеница |
|
1999 П20 |
34,7 |
4 класс |
3,600 |
259,200 |
12,342 |
171 |
72 |
Новокубанка |
Кук.силосная |
Озим.пшеница |
|
1999 П6 |
43,1 |
4 класс |
4,100 |
348,500 |
16,590 |
195 |
85 |
Офелия элита |
Мног.травы |
Кук.зерновая |
|
1999 П8 |
32,4 |
4 класс |
4,200 |
445,200 |
21,200 |
200 |
106 |
Скмфянка |
Сах.свекла |
Озим.пшеница |
|
2000 П1 |
36,7 |
5 класс |
3,500 |
444,500 |
12,347 |
97 |
127 |
Эхо |
Озим.пшеница |
Подсолнечник |
|
2000 П10 |
32,2 |
5 класс |
3,100 |
213,900 |
5,940 |
86 |
69 |
Офелия |
Озим.пшеница |
Сах.свекла |
|
2000 П14 |
45,7 |
4 класс |
5,900 |
424,800 |
11,800 |
164 |
72 |
Крошка |
Горох |
Озим.ячмень |
|
2000 П15 |
32,2 |
5 класс |
3,100 |
151,900 |
4,219 |
86 |
49 |
Крошка |
Горох |
Озим.ячмень |
|
2000 П2 |
34,5 |
4 класс |
3,900 |
495,300 |
13,750 |
108 |
127 |
Половчанка |
Сах.свекла |
Озим.ячмень |
|
2000 П5 |
32,1 |
5 класс |
3,480 |
389,760 |
10,820 |
97 |
112 |
Крошка |
Сах.свекла |
Озим.пшеница |
|
2000 П6 |
35,3 |
5 класс |
3,500 |
297,500 |
8,260 |
97 |
85 |
Офелия |
Озим.пшеница |
Мног.травы |
|
2000 П9 |
34,7 |
4 класс |
3,500 |
406,000 |
11,270 |
97 |
116 |
Купава |
Подсолнечник |
Озим.пшеница |
|
2001 П11 |
48,8 |
4 класс |
7,300 |
401,500 |
13,987 |
254 |
55 |
Княжна |
Подсолнечник |
Озим.пшеница |
|
2001 П12 |
44,5 |
4 класс |
7,010 |
483,690 |
16,850 |
244 |
69 |
Крошка |
Подсолнечник |
Озим.пшеница |
|
2001 П17 |
60,0 |
3 класс |
7,800 |
468,000 |
16,300 |
272 |
60 |
Крошка |
Горох |
Озим.ячмень |
|
2001 П18 |
36,0 |
5 класс |
5,030 |
518,090 |
18,050 |
175 |
103 |
Половчанка |
Кук.силосная |
Озим.пшеница |
|
2001 П19 |
40,0 |
4 класс |
4,780 |
540,140 |
18,820 |
167 |
113 |
Крошка |
Кук.силосная |
Озим.пшеница |
|
2001 П20 |
44,0 |
3 класс |
5,200 |
374,400 |
13,045 |
181 |
72 |
Эхо |
Горох |
Озим.пшеница |
|
2001 П7 |
44,4 |
4 класс |
4,960 |
386,880 |
13,480 |
173 |
78 |
Офелия |
Кук.зерно |
Озим.ячмень |
|
2001 П8 |
45,2 |
4 класс |
5,280 |
559,680 |
19,500 |
184 |
106 |
Половчанка |
Подсолнечник |
Озим.пшеница |
|
2002 П1 |
55,4 |
3 класс |
7,200 |
914,400 |
29,028 |
229 |
127 |
Офелия |
Кук.силосная |
Озим.пшеница |
|
2002 П10 |
47,2 |
5 класс |
5,960 |
411,240 |
13,055 |
189 |
69 |
Княжна |
Подсолнечник |
Озим.пшеница |
|
2002 П14 |
56,2 |
4 класс |
6,960 |
501,120 |
15,908 |
221 |
72 |
Княжна |
Сах.свекла |
Озим.пшеница |
|
2002 П15 |
53,8 |
4 класс |
6,840 |
335,160 |
10,640 |
217 |
49 |
Уманка |
Сах.свекла |
Озим.пшеница |
|
2002 П16 |
54,7 |
4 класс |
6,950 |
479,550 |
15,220 |
221 |
69 |
Уманка |
Подсолнечник |
Озим.ячмень |
|
2002 П2 |
52,5 |
3 класс |
7,060 |
896,620 |
28,460 |
224 |
127 |
Крошка |
Горох |
Озим.пшеница |
|
2002 П4 |
60,2 |
3 класс |
7,700 |
1070,300 |
33,970 |
244 |
139 |
Крошка |
Мног.травы |
Мног.травы |
|
2002 П6 |
55,3 |
4 класс |
6,960 |
591,600 |
18,780 |
221 |
85 |
Княжна |
Кук.силосная |
Озим.пшеница |
|
2002 П8 |
58,4 |
4 класс |
6,600 |
699,600 |
22,200 |
209 |
106 |
Половчанка |
Озим.пшеница |
Подсолнечник |
|
2002 П9 |
47,3 |
3 класс |
6,580 |
763,280 |
24,230 |
209 |
116 |
Уманка |
Кук.силосная |
Озим.пшеница |
|
2003 П11 |
55,2 |
4 класс |
7,600 |
418,000 |
13,350 |
243 |
55 |
Дея |
Кук.силосная |
Озим.пшеница |
|
2003 П12 |
51,0 |
4 класс |
7,300 |
503,700 |
16,090 |
233 |
69 |
Уманка |
Кук.силосная |
Озим.пшеница |
|
2003 П17 |
48,5 |
4 класс |
7,980 |
478,800 |
15,290 |
255 |
60 |
Лира |
Сах.свекла |
Озим.пшеница |
|
2003 П18 |
53,8 |
3 класс |
8,000 |
824,000 |
26,320 |
256 |
103 |
Дея |
Подсолнечник |
Озим.пшеница |
|
2003 П19 |
54,2 |
4 класс |
8,230 |
929,990 |
29,710 |
263 |
113 |
Лира |
Кук.силосная |
Озим.пшеница |
|
2003 П2 |
36,0 |
5 класс |
4,800 |
609,600 |
19,470 |
153 |
127 |
Княжна |
Озим.пшеница |
Горох |
|
2003 П20 |
46,9 |
4 класс |
7,060 |
508,320 |
16,240 |
226 |
72 |
Крошка |
Кук.силосная |
Озим.пшеница |
|
2003 П3 |
49,0 |
4 класс |
5,900 |
637,200 |
20,360 |
189 |
108 |
Крошка |
Мног.травы |
Мног.травы |
|
2004 П1 |
54,3 |
3 класс |
5,600 |
711,200 |
24,954 |
196 |
127 |
Победа-50 |
Сах.свекла |
Озим.пшеница |
|
2004 П13 |
52,0 |
4 класс |
5,300 |
397,500 |
13,940 |
186 |
75 |
Финт |
Мног.травы |
Мног.травы |
|
2004 П16 |
50,8 |
4 класс |
5,600 |
386,400 |
13,550 |
196 |
69 |
Финт |
Сах.свекла |
Озим.пшеница |
|
2004 П4 |
44,0 |
4 класс |
7,200 |
1000,800 |
35,110 |
253 |
139 |
Селлта |
Сах.свекла |
Озим.пшеница |
|
2004 П5 |
40,0 |
5 класс |
5,600 |
627,200 |
22,000 |
196 |
112 |
Дон-95 |
Кук.силосная |
Кук.зерно |
|
2004 П6 |
50,0 |
3 класс |
7,800 |
663,000 |
23,280 |
274 |
85 |
Селянка |
Подсолнечник |
Озим.пшеница |
|
2004 П8 |
58,0 |
4 класс |
6,400 |
678,400 |
23,800 |
225 |
106 |
Лира |
Кук.зерно |
Озим.пшеница |
|
2005 П10 |
70,0 |
5 класс |
2,000 |
138,000 |
5,000 |
72 |
69 |
Победа-50 |
Сах.свекла |
Кук.зерно |
|
2005 П11 |
68,2 |
5 класс |
2,500 |
137,500 |
4,940 |
90 |
55 |
Победа-50 |
Сах.свекла |
Озим.пшеница |
|
2005 П12 |
64,8 |
5 класс |
2,700 |
186,300 |
6,700 |
97 |
69 |
Селянка |
Кук.силосная |
Озим.пшеница |
|
2005 П17 |
60,5 |
5 класс |
2,100 |
126,000 |
4,530 |
76 |
60 |
Победа-50 |
Подсолнечник |
Озим.пшеница |
|
2005 П18 |
59,6 |
4 класс |
1,600 |
164,800 |
5,920 |
57 |
103 |
Зимородок |
Кук.зерно |
Озим.пшеница |
|
2005 П19 |
65,8 |
4 класс |
1,900 |
214,700 |
7,700 |
68 |
113 |
Батько |
Подсолнечник |
Озим.пшеница |
|
2005 П3 |
62,8 |
5 класс |
1,680 |
181,440 |
6,526 |
60 |
108 |
Татьяна |
Подсолнечник |
Озим.пшеница |
|
2005 П7 |
61,2 |
5 класс |
2,640 |
205,920 |
7,400 |
95 |
78 |
Селянка |
Кук.зерно |
Озим.ячмень |
|
2006 П13 |
61,2 |
3 класс |
10,600 |
795,000 |
28,800 |
384 |
75 |
Батько |
Сах.свекла |
Озим.пшеница |
|
2006 П14 |
58,8 |
3 класс |
10,000 |
720,000 |
26,080 |
362 |
72 |
Зимородок |
Соя |
Озим.ячмень |
|
2006 П15 |
68,8 |
3 класс |
11,200 |
548,800 |
19,884 |
406 |
49 |
Краснодарская-99 |
Мног.травы |
Озим.ячмень |
|
2006 П4 |
67,8 |
3 класс |
10,800 |
1501,200 |
54,390 |
391 |
139 |
Таня |
Подсолнечник |
Озим.пшеница |
|
2006 П5 |
65,9 |
3 класс |
10,600 |
1187,200 |
43,010 |
384 |
112 |
Краснодарская-99 |
Подсолнечник |
Озим.пшеница |
2.3. Исходные данные
из Excel-формы, представленной в таблице 24, были преобразованы средствами Excel
в стандартную для программного интерфейса _152 системы "Эйдос" электронную
Excel-форму, которая отличается от приведенной в таблице 24 отсутствием горизонтальной
шапки.
2.4. На этапе контроля достоверности исходных данных было
обнаружено, что в исходной базе данных в поле «Удельная прибыль (у.е./га)» значения были приведены в таких единицах
измерения (Тыс.у.е./га), которые
не позволяют рационально использовать разрядную сетку. Кроме того, в поле «Качество»
в примере по полю №14 за 2002 год качество указано нестандартно: «IV-кл», вместо:
«4 класс», как обычно. Все это было исправлено.
2.5. Затем Excel-форма,
приведенная на таблице 24 с применением sCalc из пакета OpenOffice была записана
в стандарте DBF MS DOS-кириллица с именем Inp_data.dbf. Информация ее шапки была
представлена в виде отдельного текстового файла стандарта MS DOS с именем: Inp_name.txt.
Для этого шапка была скопирована из Excel в MS Word, затем таблица преобразована
в текст с концом абзаца после каждого заголовка столбца, текст был выровнен по левому
краю и 1-е буквы сделаны большими, как в предложениях.
Все это сделано в соответствии
с требованиями стандартного интерфейса системы «Эйдос» с внешними базами данных:
режим _152. Экранная форма меню вызова данного программного интерфейса приведена
на рисунке 64, help режима приведен на рисунке 45, экранные формы самого программного
интерфейса _152 приведены на рисунках 66 и 67:
Рисунок 64. Экранная форма вызова режима _152
системы «Эйдос» (последняя DOS-версия 12.5)
Рисунок 65. Требования стандартного интерфейса системы
«Эйдос» с внешними базами данных: режим _152 (последняя DOS-версия 12.5)
Рисунок 66. Первая экранная форма режима _152
системы «Эйдос» (последняя DOS-версия 12.5)
Рисунок 67. Вторая экранная форма режима _152
системы «Эйдос» (последняя DOS-версия 12.5)
В результате работы
данного программного интерфейса автоматически получаются исходный справочник
классов распознавания, справочник признаков, а также обучающая выборка, представляющая
собой закодированные в соответствии с этими справочниками строки из таблицы 51 (таблица
52 – таблица 55):
Таблица 52 – Справочник классов
(интервальные значения классификационных шкал)
|
KOD |
NAME |
|
1 |
УРОЖАЙНОСТЬ (Ц/ГА): {32.10, 45.93} |
|
2 |
УРОЖАЙНОСТЬ (Ц/ГА): {45.93, 59.76} |
|
3 |
УРОЖАЙНОСТЬ (Ц/ГА): {59.76, 73.59} |
|
4 |
КАЧЕСТВО-1 класс |
|
5 |
КАЧЕСТВО-2 класс |
|
6 |
КАЧЕСТВО-3 класс |
|
7 |
КАЧЕСТВО-4 класс |
|
8 |
КАЧЕСТВО-5 класс |
|
9 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {1.60,
7.77} |
|
10 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {7.77,
13.93} |
|
11 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {13.93,
20.10} |
|
12 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {126.00,
973.60} |
|
13 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {973.60,
1821.20} |
|
14 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {1821.20,
2668.80} |
|
15 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{4.22, 41.49} |
|
16 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{41.49, 78.76} |
|
17 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{78.76, 116.03} |
|
18 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА): {57.48,
329.61} |
|
19 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА): {329.61,
601.74} |
|
20 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА): {601.74,
873.87} |
Таблица 53 – Справочник наименований факторов
(описательных шкал)
|
KOD |
NAME |
|
1 |
ПЛОЩАДЬ (ГА) |
|
2 |
СОРТ ОЗИМ.ПШЕНИЦЫ |
|
3 |
ПРЕДШЕСТ. 1 |
|
4 |
ПРЕДШЕСТ. 2 |
|
5 |
ПРЕДШЕСТ. 3 |
|
6 |
ПРЕДШЕСТ. 4 |
|
7 |
ПРЕДШЕСТ. 5 |
|
8 |
ПРЕДШЕСТ. 6 |
|
9 |
ПРЕДШЕСТ. 7 |
|
10 |
ПРЕДШЕСТ. 8 |
|
11 |
ПРЕДШЕСТ. 9 |
|
12 |
ПРЕДШЕСТ. 10 |
|
13 |
ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА
(СМ)) |
|
14 |
ПОСЕВ (СПОСОБ И НОРМА ВЫСЕВА
(КГ/ГА)) |
|
15 |
ОСНОВН.ВНЕСЕН.УДОБ.(КГ/ГА Д.В.) |
|
16 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА) |
|
17 |
БОРЬБА С СОРНЯКАМИ (ПРЕПАРАТ
И ДОЗА) |
|
18 |
ПОДКОРМКА ПРИ СЕВЕ |
|
19 |
1-Я ПОДКОРМКА |
|
20 |
2-Я ПОДКОРМКА |
|
21 |
3-Я ПОДКОРМКА |
|
22 |
МИКРО И МАКРО ЭЛЕМЕНТЫ (СНИЖЕНИЕ
СТРЕССА) |
|
23 |
БОРЬБА С БОЛЕЗНЯМИ (ПРЕПАРАТ
И ДОЗА) |
Таблица 54 – Справочник наименований
интервальных значений факторов
(градаций описательных шкал) (форагмент)
|
KOD |
NAME |
|
1 |
ПЛОЩАДЬ (ГА): {49.00, 79.00} |
|
2 |
ПЛОЩАДЬ (ГА): {79.00, 109.00} |
|
3 |
ПЛОЩАДЬ (ГА): {109.00, 139.00} |
|
4 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Батько |
|
5 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Вита |
|
6 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Восторг |
|
7 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Грация |
|
8 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Дея |
|
9 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95 |
|
10 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Зимородок |
|
11 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Княжна |
|
12 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Краснодарская-99 |
|
13 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Крошка |
|
14 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Купава |
|
15 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Лира |
|
16 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Москвич |
|
17 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Ника-кубани |
|
18 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Новокубанка |
|
19 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия |
|
20 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия элита |
|
21 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Победа-50 |
|
22 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Половчанка |
|
23 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Селлта |
|
24 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Селянка |
|
25 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Скифянка |
|
26 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Скмфянка |
|
27 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Таня |
|
28 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Татьяна |
|
29 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Уманка |
|
30 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Финт |
|
31 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Фортуна |
|
32 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Эхо |
|
33 |
СОРТ ОЗИМ.ПШЕНИЦЫ-дея |
|
34 |
СОРТ ОЗИМ.ПШЕНИЦЫ-зимородок |
|
35 |
СОРТ ОЗИМ.ПШЕНИЦЫ-офелия элита |
|
36 |
СОРТ ОЗИМ.ПШЕНИЦЫ-половчанка |
|
37 |
СОРТ ОЗИМ.ПШЕНИЦЫ-уманка |
Таблица 55 – АНКЕТА обучающей выборки N° 1
04-05-10 13:47:57
г.Краснодар
==============================================================================
| Код | Наименования классов распознавания |
==============================================================================
| 1 | УРОЖАЙНОСТЬ
(Ц/ГА): {32.10, 45.93} |
| 8 | КАЧЕСТВО-5
класс
|
| 9 | ПРИБЫЛЬ
(ТЫС.РУБ./ГА): {1.60, 7.77} |
| 12 | ПРИБЫЛЬ
(ТЫС.РУБ/ПОЛЕ): {126.00, 973.60} |
| 15 | УДЕЛЬНАЯ
ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ): {4.22, 41.49} |
| 18 | УДЕЛЬНАЯ
ПРИБЫЛЬ (У.Е./ГА): {57.48, 329.61} |
==============================================================================
| К о д ы п е р в и ч н ы х п р и з н а к о в |
==============================================================================
| 3 22 44 52 59 71 83 90 95 110 121 136 144 240 |
==============================================================================
Универсальная
когнитивная аналитическая система НПП *ЭЙДОС*
Таким образом, данным
программным интерфейсом полностью автоматизируется этап СК-анализа,
называемый "Формализация предметной области".
9.4. Синтез, верификация и повышение качества
семантической информационной модели
предметной области
3. В результате синтеза
семантической информационной модели решена задача
1: "Многокритериальная типизация хозяйственно-экономических результатов
деятельности фирмы по объемам и качеству произведенных продукции и услуг, полученной
прибыли и рентабельности по обусловливающим эти результаты технологическим факторам".
Решение этой задачи
осуществлялось в ряд этапов:
Этап-1. Расчет матрицы
сопряженности (матрицы абсолютных частот), связывающей частоты фактов
совместного наблюдения в исходной выборке интервальных значений классов и факторов.
Всего этих фактов исследовано 9138, что
и составляет объем выборки. По своей форме матрица абсолютных частот является базой данных, т.к. в ней содержится способа
содержательной смысловой интерпретации данных.
Этап-2. На основе базы
данных абсолютных частот рассчитываются информационные
базы условных и безусловных процентных распределений или частостей, которые
при увеличении объема исходной выборки стремятся к предельным значениям: вероятностям.
Имея это в виду и несколько упрощая считается допустимым, как это принято в литературе,
называть их условными и безусловными вероятностями. По своей форме матрицы условных
и безусловных вероятностей является информационными базами, т.к. в них содержится способ содержательной
смысловой интерпретации данных, т.е. уже по сути информации [127].
Этап-3. На основе информационной
базы условных и безусловных вероятностей рассчитывается база знаний. Есть все основания так называть ее, т.к. в ней не только содержится результат содержательной
смысловой интерпретации данных, но и оценка их полезности для достижения целевых
состояний объекта управления и избегания нежелательных (нецелевых), т.е. по сути
знания, которые можно непосредственно
использовать для управления моделируемым объектом [127] (таблица 56).
Таблица 56 – База знаний о силе и направлении влияния значений
факторов на переход моделируемого объекта в состояния, соответствующие классам
(Бит × 100) (фрагмент)
|
KOD |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
|
41 |
7 |
5 |
-18 |
|
-7 |
-30 |
17 |
-5 |
14 |
-29 |
-24 |
8 |
-61 |
9 |
7 |
|
23 |
15 |
-69 |
-18 |
|
42 |
10 |
-14 |
9 |
|
|
36 |
11 |
|
8 |
-2 |
|
6 |
-14 |
|
10 |
|
|
2 |
11 |
|
|
43 |
43 |
-14 |
|
|
|
|
-8 |
55 |
19 |
-35 |
|
6 |
-14 |
|
10 |
|
|
13 |
-22 |
|
|
44 |
-19 |
5 |
7 |
|
11 |
-12 |
-4 |
4 |
-9 |
13 |
-6 |
-3 |
9 |
-6 |
-5 |
23 |
8 |
-3 |
9 |
1 |
|
45 |
4 |
-3 |
-4 |
|
8 |
-5 |
8 |
-10 |
-1 |
-8 |
23 |
-4 |
13 |
-10 |
-1 |
9 |
4 |
-4 |
-2 |
16 |
|
46 |
|
26 |
-2 |
142 |
28 |
38 |
|
|
|
39 |
44 |
-49 |
40 |
77 |
-54 |
62 |
|
|
51 |
50 |
|
47 |
62 |
|
|
|
|
|
|
74 |
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
48 |
-4 |
-28 |
28 |
|
26 |
|
|
61 |
-5 |
-15 |
42 |
1 |
|
75 |
-4 |
|
88 |
-12 |
-3 |
48 |
|
49 |
62 |
|
|
|
|
|
44 |
|
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
50 |
|
|
61 |
|
92 |
|
|
|
|
|
107 |
|
71 |
|
|
93 |
|
|
|
114 |
|
51 |
-14 |
-6 |
18 |
|
16 |
-8 |
0 |
-2 |
17 |
|
31 |
-9 |
-6 |
64 |
-1 |
|
78 |
11 |
|
38 |
|
52 |
2 |
3 |
-8 |
11 |
-17 |
6 |
6 |
-11 |
3 |
-2 |
-11 |
3 |
-6 |
-21 |
2 |
-3 |
-40 |
4 |
-6 |
-15 |
|
53 |
10 |
-4 |
-4 |
|
7 |
3 |
2 |
-11 |
-5 |
17 |
|
1 |
5 |
|
1 |
8 |
|
-4 |
21 |
|
|
54 |
29 |
5 |
|
|
|
|
11 |
41 |
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
55 |
29 |
5 |
|
|
|
|
11 |
41 |
-5 |
17 |
|
-18 |
38 |
|
10 |
|
|
-12 |
30 |
|
|
56 |
17 |
7 |
|
|
-5 |
|
32 |
-22 |
16 |
-46 |
11 |
11 |
-26 |
|
5 |
-4 |
|
17 |
|
|
|
57 |
10 |
19 |
|
|
40 |
17 |
|
22 |
-24 |
31 |
|
-4 |
19 |
|
-10 |
41 |
|
-31 |
44 |
|
|
58 |
62 |
|
|
|
|
|
11 |
41 |
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
59 |
-1 |
-6 |
9 |
|
-36 |
25 |
-8 |
-2 |
-2 |
14 |
|
4 |
-6 |
|
3 |
-3 |
|
11 |
-14 |
|
|
60 |
-42 |
-33 |
42 |
|
-12 |
17 |
5 |
-30 |
-0 |
-21 |
36 |
-4 |
-1 |
36 |
4 |
|
50 |
-7 |
-9 |
43 |
|
61 |
26 |
-4 |
-40 |
|
-10 |
-66 |
8 |
25 |
18 |
-51 |
-27 |
6 |
-12 |
|
4 |
-9 |
|
12 |
-39 |
-20 |
|
62 |
62 |
|
|
|
|
|
-8 |
55 |
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
63 |
-33 |
9 |
10 |
78 |
-3 |
26 |
-18 |
-21 |
-8 |
7 |
12 |
1 |
-24 |
45 |
-5 |
-2 |
26 |
-14 |
20 |
19 |
|
64 |
-22 |
13 |
-4 |
|
8 |
-16 |
3 |
-10 |
-13 |
18 |
-10 |
-4 |
6 |
23 |
-3 |
9 |
37 |
-11 |
22 |
-3 |
|
65 |
|
19 |
9 |
|
40 |
17 |
-8 |
|
|
31 |
55 |
|
71 |
|
-10 |
41 |
|
-31 |
11 |
62 |
|
66 |
29 |
5 |
|
|
|
|
44 |
|
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
67 |
|
-14 |
42 |
|
|
49 |
-8 |
|
-24 |
31 |
|
|
71 |
|
-10 |
41 |
|
-31 |
44 |
|
|
68 |
29 |
|
28 |
|
|
36 |
|
41 |
-5 |
17 |
|
15 |
|
|
10 |
|
|
21 |
|
|
|
69 |
51 |
|
-15 |
|
16 |
|
0 |
31 |
17 |
|
31 |
4 |
-6 |
|
-1 |
17 |
|
11 |
|
38 |
|
70 |
-37 |
5 |
15 |
|
-7 |
-30 |
22 |
-24 |
14 |
-48 |
9 |
1 |
-28 |
42 |
3 |
|
56 |
8 |
-36 |
15 |
|
71 |
6 |
-2 |
-5 |
21 |
0 |
2 |
-3 |
4 |
-2 |
6 |
-11 |
2 |
-9 |
8 |
1 |
-6 |
3 |
0 |
4 |
-18 |
|
72 |
-46 |
22 |
-14 |
|
-16 |
12 |
12 |
|
-4 |
-6 |
32 |
5 |
-5 |
|
-0 |
17 |
|
-2 |
-13 |
38 |
|
73 |
22 |
-2 |
-31 |
|
|
-24 |
17 |
15 |
20 |
-42 |
|
8 |
-22 |
|
10 |
|
|
14 |
-29 |
|
|
74 |
18 |
14 |
|
|
16 |
|
0 |
31 |
17 |
-26 |
|
4 |
-6 |
|
-1 |
17 |
|
11 |
-14 |
|
|
75 |
43 |
|
9 |
|
|
17 |
-8 |
22 |
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
76 |
|
14 |
18 |
|
16 |
-8 |
0 |
-2 |
-49 |
26 |
31 |
-9 |
-6 |
64 |
-1 |
|
78 |
-3 |
-14 |
38 |
|
77 |
|
38 |
|
|
|
|
44 |
|
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
78 |
-19 |
9 |
-0 |
|
11 |
-12 |
15 |
-39 |
-10 |
13 |
-6 |
5 |
-43 |
27 |
0 |
-21 |
40 |
-0 |
1 |
0 |
|
79 |
-42 |
-1 |
23 |
|
21 |
-3 |
5 |
-30 |
-0 |
-2 |
3 |
-13 |
19 |
36 |
-10 |
22 |
50 |
-7 |
11 |
10 |
|
80 |
12 |
5 |
-27 |
|
-10 |
-1 |
-1 |
5 |
13 |
-19 |
-47 |
3 |
1 |
|
2 |
4 |
|
11 |
-26 |
-40 |
|
81 |
29 |
-14 |
-24 |
|
|
17 |
-8 |
22 |
19 |
-35 |
|
6 |
-14 |
|
1 |
8 |
|
13 |
-22 |
|
|
82 |
13 |
-19 |
4 |
|
11 |
-13 |
3 |
7 |
-7 |
2 |
26 |
-5 |
22 |
|
1 |
12 |
|
-8 |
6 |
13 |
|
83 |
11 |
0 |
-9 |
102 |
|
17 |
-26 |
23 |
-10 |
13 |
4 |
10 |
|
37 |
5 |
|
|
-16 |
25 |
11 |
|
84 |
29 |
5 |
|
|
|
|
44 |
|
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
85 |
10 |
19 |
|
|
40 |
|
25 |
|
8 |
-2 |
|
-4 |
19 |
|
-10 |
41 |
|
2 |
11 |
|
|
86 |
10 |
-14 |
9 |
|
40 |
|
-8 |
22 |
-24 |
-2 |
55 |
-37 |
19 |
88 |
-10 |
|
102 |
-31 |
11 |
62 |
|
87 |
|
38 |
|
|
|
|
25 |
22 |
8 |
-2 |
|
15 |
|
|
10 |
|
|
21 |
|
|
|
88 |
-30 |
22 |
-31 |
|
33 |
-24 |
17 |
|
1 |
-9 |
15 |
-12 |
30 |
|
-6 |
33 |
|
-5 |
3 |
22 |
|
89 |
|
16 |
15 |
|
-7 |
22 |
-3 |
-24 |
-5 |
17 |
|
1 |
5 |
|
-4 |
27 |
|
-1 |
16 |
|
|
90 |
3 |
-7 |
6 |
29 |
0 |
6 |
-4 |
2 |
-7 |
5 |
16 |
-1 |
-2 |
16 |
0 |
-8 |
10 |
-7 |
8 |
14 |
|
91 |
10 |
-47 |
28 |
|
|
-16 |
11 |
22 |
19 |
-35 |
|
6 |
-14 |
|
10 |
|
|
21 |
|
|
|
92 |
38 |
-19 |
-48 |
|
|
12 |
0 |
17 |
23 |
-59 |
|
15 |
|
|
10 |
|
|
21 |
|
|
|
93 |
30 |
6 |
|
|
|
-15 |
-7 |
24 |
20 |
-33 |
|
8 |
-13 |
|
2 |
9 |
|
14 |
-21 |
|
|
94 |
62 |
|
|
|
|
|
44 |
|
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
95 |
35 |
-22 |
-31 |
|
|
28 |
-15 |
15 |
1 |
10 |
|
15 |
|
|
10 |
|
|
-5 |
23 |
|
|
96 |
|
38 |
|
|
40 |
|
25 |
|
-24 |
31 |
|
-4 |
19 |
|
10 |
|
|
-31 |
44 |
|
|
97 |
|
38 |
|
|
|
69 |
|
|
|
50 |
|
15 |
|
|
10 |
|
|
21 |
|
|
|
98 |
-17 |
2 |
1 |
|
13 |
-11 |
8 |
-5 |
-8 |
4 |
28 |
-21 |
35 |
28 |
-10 |
33 |
42 |
-15 |
16 |
2 |
|
99 |
|
6 |
29 |
108 |
27 |
4 |
-21 |
-23 |
-18 |
18 |
10 |
-17 |
25 |
43 |
-12 |
28 |
|
-11 |
17 |
16 |
|
100 |
14 |
4 |
-28 |
|
-8 |
-12 |
4 |
7 |
13 |
-23 |
-25 |
6 |
-19 |
-25 |
2 |
-7 |
-11 |
10 |
-26 |
-19 |
|
101 |
35 |
-22 |
-31 |
|
-0 |
|
17 |
15 |
20 |
|
15 |
8 |
|
48 |
2 |
|
62 |
14 |
|
22 |
|
102 |
24 |
1 |
-52 |
|
-22 |
7 |
15 |
-39 |
6 |
2 |
|
5 |
-10 |
|
10 |
|
|
12 |
-18 |
|
|
103 |
|
|
61 |
|
|
28 |
-48 |
34 |
-13 |
-9 |
48 |
-1 |
11 |
|
-6 |
33 |
|
-19 |
3 |
54 |
|
104 |
|
38 |
|
|
|
|
44 |
|
|
50 |
|
15 |
|
|
10 |
|
|
21 |
|
|
|
105 |
51 |
-38 |
|
|
|
|
33 |
-2 |
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
106 |
|
|
61 |
|
|
69 |
|
|
|
50 |
|
|
71 |
|
|
93 |
|
|
63 |
|
|
107 |
29 |
|
28 |
|
|
|
-22 |
61 |
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
108 |
30 |
-8 |
-36 |
|
|
4 |
-21 |
29 |
22 |
-47 |
|
9 |
-27 |
|
4 |
-5 |
|
16 |
-35 |
|
|
109 |
-29 |
-1 |
22 |
114 |
34 |
10 |
-14 |
|
-31 |
25 |
16 |
-11 |
12 |
49 |
-5 |
2 |
|
-18 |
24 |
23 |
|
110 |
-15 |
3 |
6 |
|
-1 |
-2 |
3 |
3 |
-5 |
2 |
14 |
-4 |
10 |
4 |
-2 |
8 |
18 |
-2 |
-2 |
10 |
|
111 |
23 |
-14 |
-10 |
|
-12 |
30 |
-8 |
-30 |
-24 |
31 |
|
3 |
-1 |
|
10 |
|
|
-17 |
35 |
|
|
112 |
-42 |
19 |
-10 |
|
21 |
|
16 |
3 |
-0 |
-21 |
36 |
3 |
-33 |
36 |
-2 |
-11 |
50 |
2 |
-41 |
43 |
|
113 |
29 |
5 |
|
|
-7 |
3 |
11 |
-24 |
21 |
-48 |
|
8 |
-28 |
|
3 |
-6 |
|
15 |
-36 |
|
|
114 |
|
38 |
|
|
|
36 |
11 |
|
28 |
|
|
15 |
|
|
10 |
|
|
21 |
|
|
|
115 |
-30 |
-54 |
45 |
|
|
42 |
4 |
|
-32 |
10 |
48 |
-25 |
44 |
|
-6 |
33 |
|
-38 |
23 |
54 |
|
116 |
|
38 |
|
|
|
36 |
11 |
|
|
50 |
|
-18 |
38 |
|
-23 |
60 |
|
-12 |
30 |
|
|
117 |
38 |
|
18 |
|
|
-8 |
-32 |
50 |
17 |
-26 |
|
15 |
|
|
10 |
|
|
11 |
-14 |
|
|
118 |
-23 |
19 |
-24 |
|
|
36 |
-8 |
-11 |
-57 |
42 |
|
-18 |
38 |
|
1 |
8 |
|
-31 |
44 |
|
|
119 |
-13 |
15 |
-13 |
131 |
50 |
|
2 |
|
-14 |
8 |
33 |
-27 |
29 |
66 |
-13 |
18 |
|
-1 |
-12 |
39 |
|
120 |
4 |
1 |
-8 |
|
-4 |
-1 |
7 |
-11 |
5 |
-8 |
-3 |
5 |
-15 |
-22 |
2 |
-3 |
-8 |
1 |
-1 |
-15 |
|
121 |
25 |
-7 |
-27 |
|
-30 |
-53 |
-12 |
45 |
24 |
-71 |
|
11 |
-51 |
|
6 |
-29 |
|
17 |
-59 |
|
|
122 |
-23 |
24 |
-56 |
|
7 |
-16 |
25 |
|
8 |
-15 |
-10 |
1 |
-14 |
22 |
1 |
-25 |
36 |
13 |
-55 |
-4 |
|
123 |
29 |
-47 |
9 |
|
40 |
-16 |
-41 |
22 |
-5 |
-2 |
22 |
6 |
|
55 |
1 |
|
69 |
2 |
-22 |
29 |
Отметим, что в настоящее время общепринятыми терминами
являются: «База данных» и «База знаний», а термин «Информационные базы» считается
«незагостированным», т.е. неофициальным, или даже ошибочным, когда под ним, по сути,
понимаются базы данных. Предлагается придать термину «Информационные базы» полноценный
статус в качестве официального термина, т.к. вполне понятно и обоснованно [127] как его содержание соотносится с содержанием терминов
«База данных» и «База знаний»:
– Базы данных (БД) – информация, записанная на носителях
(или находящаяся в каналах связи) на определенном языке (системе кодирования), безотносительно
к ее смыслу.
– Информационная база (ИБ) – это БД вместе с тезаурусом,
т.е. способом их смысловой интерпретации.
– База знаний (БЗ) – это ИБ вместе с информацией
о том, насколько какая информация полезна для достижения различных целей.
В этой матрице столбцы соответствуют классам распознавания,
строки – градациям факторов, а в клетках на их пересечении приведено количество
знаний в битах × 100, которое содержится в определенной градации фактора
о том, что этот случай относится к определенному классу. Из-за большой размерности
приведен лишь фрагмент этой матрицы.
Возникает закономерный
и обоснованный вопрос о том, насколько корректным является получение образов классов
путем обобщения примеров ситуаций, относящихся к различным периодам времени. Дело
в том, что в этих ситуациях могут быть отражены различные закономерности предметной области, если она изменялась за
время проведения исследования. Ответ на этот вопрос зависит от целей и результатов построения модели предметной области.
Например, если целью
является построение модели высокой степени адекватности, то это не получится, если
предметная область (моделируемый объект) обладает высокой динамичностью, но может
и оказаться возможным, если моделируемый объект существенно не изменился за период
исследования.
Если же целью моделирования
является исследование самой динамики моделируемого
объекта, то резкое понижение адекватности модели при учете в ней состояний объекта,
относящихся к определенному периоду времени, указывает на то, что в этот период
изменился сам характер взаимосвязей между признаками объекта (интервальными значениями
влияющих на него факторов) и его состояниями.
Периодом эргодичности
называется период, в течение которого характер взаимосвязей между факторами, влияющими
на объект и его переходами в те или иные состояния существенно (качественно) не
изменяются. Точками бифуркации называются границы периодов эргодичности, когда он
один период эргодичности сменяется другим, т.е. существенно (качественно) изменяются
закономерности взаимосвязи между факторами, влияющими на объект, и его переходами
в различные состояния, обусловленные действием этих факторов. Таким образом, измерение
степени адекватности модели в зависимости от объема исследуемой выборки (если объекты
в ней упорядочены по времени) позволяет выявить границы периодов эргодичности и
точки бифуркации и выявить, что их нет, не смотря на длительный период исследования
(его лонгитюд).
В системе «Эйдос» есть
режим _236, предназначенный специально для этой цели (рисунок 68).
Рисунок 68. Экранная форма вызова режима _152
системы «Эйдос» (последняя DOS-версия 12.5)
Применение этого режима
дало следующие результаты. В целом модель продемонстрировала высокую достоверность,
составляющую 88,756%, и это означает, что за время исследования моделируемая предметная
область существенно не изменилась и таким образом получение обобщенных образов классов
путем многопараметрической типизации примеров, относящихся к различным периодам
времени является вполне корректным (рисунок 69):
Рисунок 69. Определение границ периодов эргодичности (точек бифуркации)
путем измерения зависимости достоверности модели от объема исследуемой
выборки (реж._236 системы «Эйдос» (последняя DOS-версия 12.5))
С другой стороны все же была выявлена определенная динамика достоверности
модели, которую можно разделить на три четко выраженных и визуально-наблюдаемых
периода:
– 1-й период: 1999-2000 годы, по-видимому, специфика этого
периода может быть выражена одним словом: «постдефолтный», когда после дефолта 1998
года система находится в состоянии неустойчивости и поиска новых закономерностей,
которые еще не найдены и не сформировались,
– 2-й период: 2001 год, в этот период новые постдефолтные
закономерности уже найдены и сформировались, но еще не приобрели основной вес в
модели, вследствие чего ее достоверность даже несколько снижается по сравнению с
предыдущей при накоплении новых данных, отражающих эти новые закономерности;
– 3-й период: с 2002-2009 годы, в этот период новые постдефолтные
закономерности, сформированные в 2001 году, приобретают все больший вес в модели,
вследствие чего ее достоверность монотонно повышается вплоть до 2008 года, в который
она незначительно снижается, что по-видимому, отражает влияние мирового финансового
кризиса, которое, однако, как видно из рисунка 69, несопоставимо менее значительное,
чем влияние дефолта 1998 года.
Низкий параметр достоверности регрессии обусловлен, по мнению
авторов, не ее низким соответствием фактическому ряду, а очень большим разбросом
его значений в постдефолтный (1-й) период, а во 2-м и 3-м периоде согласие регрессией
очень хорошее, что очевидно.
4. Измерение адекватности СИМ осуществляется последовательным
выполнением режимов _21 (копирование обучающей выборки в распознаваемую), _41 (пакетное
распознавание) и _62 (измерение адекватности СИМ) системы «Эйдос».
Пункты 3 и 4 удобно выполнить также с помощью режима _25 системы
"Эйдос", который сначала выполняет синтез семантической информационной
модели (СИМ), а затем копирует обучающую выборку в распознаваемую выборку), проводит
пакетное распознавание и проверку ее адекватности, которая оказалась довольно высокой:
более 90% (таблица 57).
Таблица 57 – Выходная форма по результатам измерения
адекватности исходной модели (фрагмент)
5. В системе "Эйдос"
реализовано несколько различных методов повышения адекватности модели:
– исключение из модели
статистически малопредставленных классов и факторов (артефактов);
– исключение незначимых
факторов, т.е. факторов имеющих низкую селективную силу или дифференцирующую способность;
– ремонт (взвешивание)
данных, что обеспечивает не только классическую, но и структурную репрезентативность
исследуемой выборки по отношению к генеральной совокупности;
– итерационное разделение
классов на типичную и нетипичную части (дивизивная, т.е. разделяющая, в отличие
от агломеративной, древовидная кластеризация);
– генерация сочетанных
признаков, дополнение справочников классов и признаков и перекодирование исходной
выборки.
Проверка адекватности
модели, проведенная в режиме _25 после ее синтеза, показала, что повышение адекватности модели в нашем случае
не требуется, т.к. вероятность правильного отнесения ситуации к классу, к которой
она действительно относится и на неоптимизированной модели составляет 88,756%, что
вполне достаточно для целей работы.
Но все же нами был применен
метод повышения адекватности модели, путем
итерационного разделение классов на типичную и нетипичную части (дивизивная, т.е.
разделяющая, в отличие от агломеративной, древовидная кластеризация). В результате
было получено следующее дерево классов (рисунок 70):
Рисунок 70 – Дерево разделения классов на типичную и нетипичную части
(дивизивная кластеризация)
По результатам кластеризации
можно сделать вывод о том, что различные классы обладают различной степенью вариабельности
обусловливающих их факторов, т.е. одни классы являются жестко детерминированными,
тогда как другие вызываются различными сочетаниями действующих факторов, что затрудняет
и делает менее достоверной их прогнозирование и осуществление.
В результате проведения
данной процедуры степень достоверности модели повысилась (таблица 58):
Таблица 58 – Выходная форма по результатам измерения
адекватности модели, улучшенной методом дивизивной
кластеризации (фрагмент)
Аналогичная информация
приведена в скриншотах экранных форм (рисунок 71):
Рисунок 71. Экранные формы режима _62 системы «Эйдос»
до и после повышения достоверности модели методом дивизивной кластеризации
Из сопоставительного
анализа таблиц 30 и 31 и рисунка 71 можно сделать следующие выводы:
– в результате разделения
классов на типичную и нетипичную части достоверность верной идентификации повысилась
на 12%, достоверность верной неидентификации при этом немного понизилась, но общая
(средняя) достоверность модели возросла на 3% (конечно, это небольшое повышение
качества модели, однако улучшить изначально хорошую модель очень сложно);
– при прогнозировании
и принятии решений целесообразно учитывать дифференциальную достоверность идентификации
по классам, связанную со степенью их детерминированности;
– применение модели
чаще всего обеспечивает во много раз более высокую достоверность, чем случайное
угадывание или не использование модели, однако по слабодетерминированным классам
это не так и их нецелесообразно учитывать при прогнозировании и рассматривать при
анализе модели.
9.5. Решение задач прогнозирования и поддержки
принятия решений, а также исследования
предметной области на основе семантической
информационной модели
6. Решение с помощью
СИМ задач прогнозирования и поддержки принятия решений, а также исследования предметной
области.
6.1. Задача 2: "Разработка методики прогнозирования
влияния технологических факторов на объемы производства продукции и услуг, их качество,
на прибыль и рентабельность фирмы".
В системе "Эйдос"
есть стандартный режим _42, обеспечивающий подсчет для каждого результата работы
фирмы, представленного в распознаваемой
выборке, суммарного количества знаний, которое содержится в интервальных значениях
факторов о принадлежности данного результата к каждому из классов. Затем в режиме
_431 все классы сортируются (ранжируются) в порядке убывания суммарного количества
информации о принадлежности к ним, содержащегося в описании результата. Эта информация
представляется в виде экранных форм и файлов (рисунки 72 – 73):
Рисунок 72. Пример экранной выходной формы с желательными
для фирмы результатами прогнозирования (максимальная удельная прибыль)
Рисунок 73. Пример экранной выходной формы с нежелательными для фирмы
результатами прогнозирования (минимальная прибыль)
Птичками "Ö" На рисунках 72– 73 отмечены классы, к которым данные
результаты работы фирмы действительно относится.
Важно, что полученные результаты допускают наглядную графическую
картографическую визуализацию [7].
Если в распознаваемой выборке представлено сразу несколько
примеров результатов работы фирмы, то может представлять интерес другая форма вывода
информации о результатах прогнозирования по ним, например, по степени сходства с
желаемым классом (высокая урожайность) (рисунок 74):
Рисунок 74. Пример экранной формы карточки прогнозирования
с классом: «УРОЖАЙНОСТЬ (Ц/ГА): {59.76, 73.59}»
6.2. Задача 3: "Разработка методики поддержки
принятия решений о выборе таких технологических факторов, которые бы обеспечили
бы производство заданных объемов продукции и услуг заданного качества, а также заданную
прибыль и рентабельность фирмы".
Данная задача является
обратной по отношению к задаче прогнозирования. Если при прогнозировании по заданным
интервальным значениям факторов определяется, какие результаты работы фирмы ими
обусловливаются, то в задаче принятия решений, наоборот: по заданным целевым результатам
работы фирмы определяется, какие интервальные значения технологических факторов
детерминируют получение этих результатов, а какие препятствуют этому.
Данная задача решается
во многих режимах системы "Эйдос", в частности в режиме _511, который
выдает следующие формы (таблицы 59 и 60), содержащие знания об интервальных значениях технологических факторов, которые в
различной степени способствует или препятствует получению заданных хозяйственно-экономических
результатов.
Таблица 59
– Информационный портрет класса:
урожайность (ц/га): {59.76, 73.59} (фрагмент)
|
KOD |
NAME |
BIT |
% |
|
|
1 |
225 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Варат-2,8кг/га,
Альфацин-100г/г |
0,69911 |
16,18 |
|
2 |
5 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Вита |
0,61271 |
14,18 |
|
3 |
31 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Фортуна |
0,61271 |
14,18 |
|
4 |
50 |
ПРЕДШЕСТ. 2-кук.силосная |
0,61271 |
14,18 |
|
5 |
103 |
ПРЕДШЕСТ. 7-сах.свекла |
0,61271 |
14,18 |
|
6 |
106 |
ПРЕДШЕСТ. 8-кук.зерно |
0,61271 |
14,18 |
|
7 |
149 |
ПОСЕВ (СПОСОБ И НОРМА ВЫСЕВА
(КГ/ГА))-рядовой 209 |
0,61271 |
14,18 |
|
8 |
153 |
ПОСЕВ (СПОСОБ И НОРМА ВЫСЕВА
(КГ/ГА))-рядовой 216 |
0,61271 |
14,18 |
|
9 |
156 |
ПОСЕВ (СПОСОБ И НОРМА ВЫСЕВА
(КГ/ГА))-рядовой 223 |
0,61271 |
14,18 |
|
10 |
159 |
ПОСЕВ (СПОСОБ И НОРМА ВЫСЕВА
(КГ/ГА))-рядовой 230 |
0,61271 |
14,18 |
|
|
|
* * * |
|
|
|
141 |
101 |
ПРЕДШЕСТ. 7-озим.ячмень |
-0,30943 |
-7,16 |
|
142 |
135 |
ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА
(СМ))-дискование 10-12 |
-0,34840 |
-8,06 |
|
143 |
108 |
ПРЕДШЕСТ. 8-кук.силосная |
-0,36273 |
-8,39 |
|
144 |
234 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Лямбда-100г/га |
-0,36273 |
-8,39 |
|
145 |
61 |
ПРЕДШЕСТ. 3-озим.пшеница |
-0,40143 |
-9,29 |
|
146 |
243 |
БОРЬБА С СОРНЯКАМИ (ПРЕПАРАТ
И ДОЗА)-Дианат-0,2л/га, Гранстар-про |
-0,41966 |
-9,71 |
|
147 |
92 |
ПРЕДШЕСТ. 6-подсолнечник |
-0,47845 |
-11,07 |
|
148 |
102 |
ПРЕДШЕСТ. 7-подсолнечник |
-0,52361 |
-12,12 |
|
149 |
122 |
ПРЕДШЕСТ. 9-подсолнечник |
-0,56485 |
-13,07 |
|
150 |
309 |
БОРЬБА С БОЛЕЗНЯМИ (ПРЕПАРАТ
И ДОЗА)-Рекс-дуо-0,6г/га |
-0,56485 |
-13,07 |
|
151 |
237 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Фосфид-цинка-0,011г/га |
-0,85209 |
-19,72 |
Таблица 60 – Информационный портрет класса:
удельная прибыль (у.е./га): {601.74, 873.87}
(фрагмент)
|
KOD |
NAME |
BIT |
% |
|
|
1 |
225 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Варат-2,8кг/га,
Альфацин-100г/г |
1,22429 |
28,33 |
|
2 |
5 |
СОРТ ОЗИМ.ПШЕНИЦЫ-Вита |
1,13789 |
26,33 |
|
3 |
50 |
ПРЕДШЕСТ. 2-кук.силосная |
1,13789 |
26,33 |
|
4 |
149 |
ПОСЕВ (СПОСОБ И НОРМА ВЫСЕВА
(КГ/ГА))-рядовой 209 |
1,13789 |
26,33 |
|
5 |
222 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Бром
БД-0,3л/га, Клерат-3,4кг/г |
1,13789 |
26,33 |
|
6 |
223 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Бром
БД-0,8л/га, Альфацин-100г/ |
1,13789 |
26,33 |
|
7 |
224 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Варат-12,6кг/га,
Альфацин-100г/ |
1,13789 |
26,33 |
|
8 |
227 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Варат-3,7кг/га,
Альфацин-100г/г |
1,13789 |
26,33 |
|
9 |
229 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Варат-7,6кг/га,
Альфацин-100г/г |
1,13789 |
26,33 |
|
10 |
235 |
БОРЬБА С ВРЕДИТ.(ПРЕПАРАТ И ДОЗА)-Радикум-0,6л/га,
Альфацин-100г/ |
1,13789 |
26,33 |
|
|
|
* * * |
|
|
|
62 |
122 |
ПРЕДШЕСТ. 9-подсолнечник |
-0,03968 |
-0,92 |
|
63 |
267 |
1-Я ПОДКОРМКА-Ам.селитра-2ц/га,
N-68,8 |
-0,03968 |
-0,92 |
|
64 |
1 |
ПЛОЩАДЬ (ГА): {49.00, 79.00} |
-0,08960 |
-2,07 |
|
65 |
52 |
ПРЕДШЕСТ. 2-озим.пшеница |
-0,14804 |
-3,43 |
|
66 |
120 |
ПРЕДШЕСТ. 9-озим.пшеница |
-0,15325 |
-3,55 |
|
67 |
41 |
ПРЕДШЕСТ. 1-кук.силосная |
-0,17600 |
-4,07 |
|
68 |
71 |
ПРЕДШЕСТ. 4-озим.пшеница |
-0,18091 |
-4,19 |
|
69 |
100 |
ПРЕДШЕСТ. 7-озим.пшеница |
-0,18819 |
-4,35 |
|
70 |
61 |
ПРЕДШЕСТ. 3-озим.пшеница |
-0,20473 |
-4,74 |
|
71 |
2 |
ПЛОЩАДЬ (ГА): {79.00, 109.00} |
-0,29729 |
-6,88 |
|
72 |
80 |
ПРЕДШЕСТ. 5-озим.пшеница |
-0,40303 |
-9,33 |
Необходимо отметить, что задача выявления фактически имеющихся
зависимостей, и задача содержательного объяснения причин существования именно обнаруженных
зависимостей, а не каких-либо других, т.е. задача содержательной интерпретации обнаруженных
зависимостей, – это совершенно разные задачи. По мнению авторов, задача интерпретации
должна решаться специалистами в моделируемой предметной области, однако сама возможность
применения обнаруженных зависимостей в практике прогнозирования и принятия решений
не связано с наличием или отсутствием такой содержательной интерпретации или со
степенью ее адекватности.
Задача 4: «Исследование предметной области» решается применением
режимов системы «Эйдос», предназначенных для этих целей, которые приведены в работе
[7]. Подробные примеры применения этих режимов приведены
в работе [3-273]. Классификация исследовательских
задач, которые могут решаться с применением системы «Эйдос», приведена в работе
[7]. Здесь же отметим лишь, что одновременно получить высокий
урожай озимой пшеницы высокого качества невозможно, т.к. системы детерминации этих
классов, соответствующих эти результатам, сильно отличаются друг от друга (таблица
61).
Таблица 61 – Конструкт «урожайность»
|
№ |
Код |
Наименование класса |
Сходство, % |
|
1 |
3 |
УРОЖАЙНОСТЬ (Ц/ГА): {59.76,
73.59} |
100,00 |
|
2 |
20 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА):
{601.74, 873.87} |
41,71 |
|
3 |
11 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {13.93,
20.10} |
38,41 |
|
4 |
6 |
КАЧЕСТВО-3 класс |
31,42 |
|
5 |
16 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{41.49, 78.76} |
26,69 |
|
6 |
14 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {1821.20,
2668.80} |
25,60 |
|
7 |
19 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА):
{329.61, 601.74} |
24,84 |
|
8 |
10 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {7.77,
13.93} |
23,82 |
|
9 |
13 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {973.60,
1821.20} |
23,28 |
|
10 |
17 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{78.76, 116.03} |
22,20 |
|
11 |
8 |
КАЧЕСТВО-5 класс |
20,15 |
|
12 |
5 |
КАЧЕСТВО-2 класс |
14,29 |
|
13 |
4 |
КАЧЕСТВО-1 класс |
12,03 |
|
14 |
12 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {126.00,
973.60} |
-5,36 |
|
15 |
18 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА):
{57.48, 329.61} |
-8,80 |
|
16 |
9 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {1.60,
7.77} |
-10,33 |
|
17 |
15 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{4.22, 41.49} |
-16,42 |
|
18 |
7 |
КАЧЕСТВО-4 класс |
-20,85 |
|
19 |
1 |
УРОЖАЙНОСТЬ (Ц/ГА): {32.10,
45.93} |
-23,21 |
|
20 |
2 |
УРОЖАЙНОСТЬ (Ц/ГА): {45.93,
59.76} |
-28,72 |
Наибольшая
удельная прибыль с поля достигается при максимальной урожайности, а не наиболее
высоком качестве озимой пшеницы (таблица 62).
Таблица 62 – Конструкт «удельная прибыль»
|
№ |
Код |
Наименование класса |
Сходство, % |
|
1 |
20 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА):
{601.74, 873.87} |
100,00 |
|
2 |
11 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {13.93,
20.10} |
91,91 |
|
3 |
14 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {1821.20,
2668.80} |
70,63 |
|
4 |
17 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{78.76, 116.03} |
63,40 |
|
5 |
5 |
КАЧЕСТВО-2 класс |
46,41 |
|
6 |
3 |
УРОЖАЙНОСТЬ (Ц/ГА): {59.76,
73.59} |
41,71 |
|
7 |
4 |
КАЧЕСТВО-1 класс |
39,46 |
|
8 |
16 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{41.49, 78.76} |
27,36 |
|
9 |
13 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {973.60,
1821.20} |
21,68 |
|
10 |
6 |
КАЧЕСТВО-3 класс |
7,09 |
|
11 |
19 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА):
{329.61, 601.74} |
-2,20 |
|
12 |
10 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {7.77,
13.93} |
-2,77 |
|
13 |
2 |
УРОЖАЙНОСТЬ (Ц/ГА): {45.93,
59.76} |
-12,99 |
|
14 |
8 |
КАЧЕСТВО-5 класс |
-14,04 |
|
15 |
1 |
УРОЖАЙНОСТЬ (Ц/ГА): {32.10,
45.93} |
-22,70 |
|
16 |
7 |
КАЧЕСТВО-4 класс |
-23,43 |
|
17 |
9 |
ПРИБЫЛЬ (ТЫС.РУБ./ГА): {1.60,
7.77} |
-32,41 |
|
18 |
18 |
УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА):
{57.48, 329.61} |
-32,77 |
|
19 |
12 |
ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ): {126.00,
973.60} |
-42,69 |
|
20 |
15 |
УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ):
{4.22, 41.49} |
-50,69 |
Возможность одновременного
получения различных хозяйственно-экономических результатов видна из семантических
сетей классов, построенных на основе матрицы сходства обобщенных образов классов
по их системам детерминации (рисунки 75 и 76):
Рисунок 75. Семантическая сеть классов, отражающих хозяйственные
результаты
Рисунок 76. Семантическая сеть классов, отражающих экономические
результаты
7. Основной принцип
оценки экономической эффективности разработанной методики (при условии ее применения
в деятельности реальной фирмы) состоит в том, что данная методика позволяет создать
научно обоснованный образ желательных результатов
(как и образ нежелательных), за счет чего рентабельность и прибыль компании повысится.
Экономическая эффективность применения данной методики может оцениваться как разница
между прибылью, полученной в условиях ее применения и прибылью без нее, причем прибыль,
полученная в условиях применения методики учитывает и затраты на ее приобретение
и применение.
8. При планировании
данного исследования авторы ставили цель лишь оценить возможность применения технологии
СК-анализа для решения задачи выявления технологических знаний из бизнес-процессов
и применения этих знаний для получения заданных хозяйственных и экономических результатов.
Данное исследование показало, что это возможно и перспективно. Представленный в
работе вариант исследования имеет ряд ограничений и недостатков, в преодолении которых
и состоит перспектива его развития. В частности целесообразно было бы увеличить
объем исследуемой выборки за счет увеличения периода времени, за который исследуется
деятельность фирмы и использования информации других фирм.
Выводы.
В
работе описана интеллектуальная консалтинговая система, обеспечивающая выявление
технологических знаний путем системно-когнитивного анализа бизнес-процессов, а также
поддержку принятия решений по эффективному применению этих знаний с целью достижения
заданных показателей хозяйственно-экономических эффективности. Приводится подробный
численный пример применения системы на реальных данных одной из Кубанских фирм для
выявления технологических знаний по выращиванию озимой пшеницы и применению этих
знаний для поддержки принятия решений по выбору конкретной агротехнологии, обеспечивающей
желаемые показатели урожайности озимой пшеницы, ее качества, а также прибыли и рентабельности.
Предлагается применять наглядную многослойную графическую картографическую визуализацию
результатов прогнозирования урожайности культуры (и сорта), качества, прибыли и
рентабельности по полям фирмы.