ЧАСТЬ 2-Я.
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ В КОНТРОЛЛИНГЕ

ГЛАВА 5. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ КАК ПЕРСПЕКТИВНЫЙ ИНСТРУМЕНТ КОНТРОЛЛИНГА

В главе описываются возможности применения Автоматизированного системно-когнитивного анализа (АСК-анализ) в качестве перспективного инструмента контроллинга и менеджмента в российской корпорации экономики знаний и формулируется ряд задач, стоящих перед контроллингом, которые, по мнению авторов, могли бы решаться с применением АСК-анализа. В данной главе рассматриваются цели корпорации и перспективы контроллинга, информационная модель деятельности менеджера и место систем искусственного интеллекта в этой деятельности, обосновывается целесообразность применения метода системно-когнитивного анализа для решения поставленных задач, раскрывается понятие причинно-следственной зависимости и предлагается аппарат когнитивных функции в качестве инструмента для выявления и формального представления причинно-следственных зависимостей [148].

5.1. Кратко об автоматизированном системно-когнитивном анализе

АСК-анализу посвящено много работ: 19 монографий [3-19, 237, 254][1], почти 300 статей [3-273]. Поэтому здесь мы ограничимся его кратким описанием.

5.1.1. Что же такое АСК-анализ?

Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой новый универсальный метод искусственного интеллекта, представляющий собой единственный в настоящее время вариант автоматизированного системного анализа, а именно, системный анализ, структурированный по базовым когнитивным операциям.

Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как метод научного познания. Однако как впервые заметил еще в 1984 году проф. И. П. Стабин[2] на практике применение системного анализа наталкивается на проблему. Суть этой проблемы в том, что обычно системный анализ успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без него, тогда как в действительно сложных ситуациях, когда он чрезвычайно востребован и у него нет альтернатив, сделать это удается гораздо реже. Проф. И. П. Стабин предложил и путь решения этой проблемы, который он видел в автоматизации системного анализа.

5.1.2. Работы каких ученых сыграли большую роль
в создании АСК-анализа?

О профессоре И. П. Стабине, который предложил саму идею автоматизации системного анализа мы уже упомянули выше.

Затем необходимо отметить отечественных классиков системного анализа проф. Ф. И. Перегудова и проф. Ф. П. Тарасенко, которые в ряде основополагающих работ[3] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов, реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.

В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию проф. В. С. Симанкова (2002). Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному проф. И. П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной им цели (создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.

5.1.3. Кем и когда создан АСК-анализ?

Автоматизированный системно-когнитивный анализ предложен и разработан проф. Е. В. Луценко в 2002 году[4] и получил детальное и всестороннее развитие в последующих работах.

Основная идея, позволившая сделать это, состоит в рассмотрении системного анализа как метода познания (отсюда и «когнитивный» от «cognitio» – знание, познание, лат.). Это позволило структурировать системный анализ не по этапам, как пытались сделать ранее, а по базовым когнитивным операциям (БКОСА), т.е. таким операциям, к комбинациям которых сводятся остальные. Эти операции образуют когнитивный конфигуратор и их оказалось не очень много, всего 10:

1) присвоение имен;

2) восприятие;

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция; 8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и принятие решений об управлении.

Каждая из этих операций достаточно элементарна для формализации и программной реализации.

5.1.4. Что включает АСК-анализ?

Автоматизированный системно-когнитивный анализ включает: формализуемую когнитивную концепцию, математическую модель, методику численных расчетов и реализующий их программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система "Эйдос".

Компоненты АСК-анализа:

– формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;

– теоретические основы, методология, технология и методика АСК-анализа;

– математическая модель АСК-анализа, основанная на системном обобщении теории информации;

– методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;

– специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа – Универсальная когнитивная аналитическая система "Эйдос".

Этапы АСК-анализа:

1) когнитивная структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6) решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемого объекта путем исследования его моделей: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов и факторов; изучение системы детерминации состояний моделируемого объекта, нелокальные нейроны и интерпретируемые нейронные сети прямого счета; построение классических когнитивных моделей (когнитивных карт); построение интегральных когнитивных моделей (интегральных когнитивных карт).

5.1.5. Какие ученые принимали и сейчас принимают
участие в развитии АСК-анализа?

Д.э.н., к.т.н. проф. Луценко Е.В. [3-273], Заслуженный деятель науки РФ, д.т.н., проф. Лойко В.И., д.э.н., Ph.D., к.ф.-м.н., профессор Трунев А.П. (Канада), д.т.н., д.э.н., к.ф.-м.н., профессор Орлов А.И., д.т.н., проф. Симанков В.С., к.т.н., доцент полковник в отставке Коржаков В.Е., д.э.н., проф. Ткачев А.Н., д.э.н., проф. Крохмаль В.В., д.т.н., доцент Сафронова Т.И., д.э.н., профессор Барановская Т.П., к.э.н., доцент Макаревич О.А., к.пс.н., проф. Некрасов С.Д., к.т.н., доцент, полковник в отставке Лаптев В.Н., д.э.н., к.т.н., доцент, полковник в отставке Ермоленко В.В., к.пс.н., доцент, полковник в отставке Третьяк В.Г., к.пс.н. Щукин Т.Н., к.пс.н. майор Наприев И.Л., к.м.н. Сергеева Е.В.(Фомина Е.В.) и др.

5.1.6. Каков индекс цитирования ученых,
принимающих участие
в развитии АСК-анализа?

Работы по АСК-анализу вызывают значительный интерес у научной общественности. Об этом свидетельствуют высокие индексы цитирования ведущих ученых, принимающих участие в развитии АСК-анализа (проф.Е.В.Луценко занимает 2-ю позицию в рейтинге ученых Краснодарского края по индексу Хирша (РИНЦ) и 4-ю среди российских ученых в области кибернетики[5]).

5.1.7. Сколько докторских и кандидатских
диссертаций защищено с применением
АСК-анализа и в каких областях науки?

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении ряда кандидатских и докторских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам. С применением АСК-анализа проведены исследования и по ним защищены диссертации:

- 3 доктора экономических наук

Е.В.Луценко: http://ej.kubagro.ru/a/viewaut.asp?id=11

А.Н.Ткачев: http://ej.kubagro.ru/a/viewaut.asp?id=20

В.В.Крохмаль: http://ej.kubagro.ru/a/viewaut.asp?id=22

- 2 доктора технических наук:

В.С.Симанков:

http://www.yandex.ru/yandsearch?text=профессор Симанков Владимир Сергеевич

Т.И.Сафронова: http://ej.kubagro.ru/a/viewaut.asp?id=111

- 4 кандидата психологических наук:

С.Д.Некрасов: http://manag.kubsu.ru/index.php/ofup/kafedry/174-nekrasov

В.Г.Третьяк: http://law.edu.ru/person/person.asp?persID=1345265

Т.Н.Щукин: http://ej.kubagro.ru/a/viewaut.asp?id=94 http://2045.ru/expert/27.html

И.Л.Наприев: http://ej.kubagro.ru/a/viewaut.asp?id=573

- 1 кандидат технических наук:

Е.В.Луценко: http://ej.kubagro.ru/a/viewaut.asp?id=11

- 1 кандидат экономических наук:

Л.О.Макаревич: http://www.mesi.ru/upload/iblock/b5a/Автореферат%20Макаревич%20ЛО.pdf http://ej.kubagro.ru/a/viewaut.asp?id=1377

- 1 кандидат медицинских наук:

Сергеева Е.В.: http://ej.kubagro.ru/a/viewaut.asp?id=1034

Фомина Е.В.: http://ej.kubagro.ru/a/viewaut.asp?id=813

В настоящее время в процессе выполнения и выхода на защиту еще несколько диссертаций на соискание ученых степеней кандидатов и докторов экономических наук.

5.1.8. Сколько грантов РФФИ и РГНФ выполнено
и выполняется с применением АСК-анализа?

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при выполнении ряда грантов РФФИ и РГНФ (пронумерованы только одобренные проекты):

РФФИ:

№	Номер проекта	Название проекта	Начало - окончание
	02-01-00035-а	Разработка компьютерных методов изучения эмерджентных свойств плодовых культур с дальнейшим использованием их для оптимизации выращивания	2002 - 2004
1	02-05-64234-а	Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования.	2002 - 2003
2	03-04-96771-р2003юг_а	Разработка новой методологии районирования сортов сельскохозяйственных культур на основе системного подхода при анализе и математическом прогнозе их жизнеобеспечения и продуктивности	2003 - 2005
3	03-07-96801-р2003юг_в	Создание системы мониторинга, прогнозирования, анализа и поддержки управленческих решений по продуктивности плодовых культур на основе электронных баз данных	2003 - 2005
	06-06-96644-р_юг_а	Семантические информационные модели управления агропромышленным комплексом	2006 - 2008
	07-07-13510-офи_ц	Инвестиционное управление АПК на основе методологии системно-когнитивного анализа	2007 - 2008
	08-06-99005-р_офи	Управление в АПК исходя из критерия качества жизни	2008 - 2009
	09-06-13509-офи_ц	Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом	2009 - 2010
4	11-06-96508-р_юг_ц	Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом	2011 - 2012
	13-07-96507	Принципы создания облачного сервиса по курсу математики с визуализацией понятийного аппарата, процесса доказательств теорем и выполнения практических заданий	2013 – 2014
5	15-06-02569	Когнитивные модели прогнозирования развития многоотраслевой корпорации	2015 – 2017
	15-29-02530	Управление генресурсами семейства Rosaceae и Juglandacea для сохранения и использования биораpнообразия культурных растений на основе информационной системы, включая оцифровку коллекций	2015 – 2017
	15-29-02545	Ампелографическое и молекулярно-генетическое изучение происхождения, структуры, динамики генетических ресурсов рода Vitis (Tournef) L., их систематизация и оцифровка для эффективного управления биоресурсами	2015 – 2017

РГНФ:

№	Номер проекта	Название проекта	Начало - окончание
1	13-02-00440а	Методологические основы управления экономической устойчивостью перерабатывающего комплекса региона с применением технологий искусственного интеллекта	2013- 2015

5.1.9. Сколько монографий, патентов, публикаций
входящих в Перечень ВАК есть по АСК-анализу?

По проблематике АСК-анализа издано 20 монографий (еще две в стали подготовки к печати), получено 27 патентов (и еще два в стадии оформления) на системы искусственного интеллекта, их подсистемы, режимы и приложения, издано около 300 статей в изданиях, входящих в Перечень ВАК РФ. В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) опубликовано более 200 статей по различным теоретическим и практическим аспектам АСК-анализа общим объёмом около 300 у.п.л.

5.1.10. В каких областях уже применялся АСК-анализ?

По этим публикациям, грантам и диссертационным работам видно, что АСК-анализ уже успешно применялся в следующих предметных областях и научных направлениях:

- региональная экономика;

- отраслевая экономика;

- экономика предприятий;

- технические науки – интеллектуальные системы управления в возобновляемой энергетике;

- технические науки – мелиорация и управление мелиоративными системами;

- психология личности;

- психология экстремальных ситуаций;

- психология профессиональных и учебных достижений;

- медицинская диагностика;

- прогнозирование результатов применения агротехнологий;

- принятие решений по выбору рациональных агротехнологий;

- геофизика: прогнозирование землетрясений;

- геофизика: прогнозирование параметров магнитного поля Земли;

- геофизика: прогнозирование движения полюсов Земли.

Исследования по некоторым из перечисленных направлений мы постараемся отразить в данной монографии.

5.1.11. В каких областях может применяться
АСК-анализ?

Он может применяться во всех областях, в которых для решения своих профессиональных задач специалист использует свой естественный интеллект, профессиональный опыт и компетенцию.

Главный вывод, который, можно обоснованно сделать на основе вышесказанного, состоит в том, что автоматизированный системно-когнитивный анализ имеет все основные признаки нового перспективного междисциплинарного научного направления в рамках системного анализа.

5.1.12. Internet-ссылки по АСК-анализу

Сайт проф. Е.В.Луценко: http://lc.kubagro.ru/. Данный сайт посетило уже около 480000 посетителей с уникальными IP-адресами.

Страничка проф. Е.В.Луценко на сайте Научного журнала КубГАУ: http://ej.kubagro.ru/a/viewaut.asp?id=11. В расчете на фамилию автора приходится более 214000 прочтений статей.

5.1.13. О плагиаторах, использующих работы
по АСК-анализу, находящиеся в Internet
в открытом доступе

Авторы научных работ по АСК-анализу всегда размещали их в свободном открытом доступе, чем не преминули воспользоваться плагиаторы. Лучше всего об этом написано в статье «Групповой плагиат: от студента до министра»[6]. Чтобы найти многочисленные «труды» плагиаторов, включая диссертации, достаточно в Internet в любой поисковой системе сделать запрос, например: «Коэффициенты эмерджентности Хартли, Харкевича, Шеннона», которые автор системной теории информации (СТИ) проф. Е.В.Луценко назвал так в честь этих выдающихся ученых в области теории информации. При этом автор следовал сложившейся научной традиции называть единицы измерения и математические выражения в честь известных ученых. Причем часто плагиаторы даже не понимают, что сами основоположники и классики теории информации не предлагали этих коэффициентов, а предложены они были в работах автора [7, 273]. Наверное, поэтому они и не считают нужным делать ссылки и пишут, например:

1. «По Харкевичу коэффициент эмерджентности определяет степень детерменированности ситемы…» (подчеркнуто нами, авт., в цитате сохранены орфографические ошибки плагиатора).

2. «Отсюда строится системная численная мера количества информации в ИС на основе оценки эмерджентности системы (по Хартли и Харкевичу)» (выделено плагиатором).

Эти фразы легко найти в Internet. Здесь автор не считает нужным уделять вопросу о плагиате большего внимания. Отметим лишь, что эта плагиаторская деятельность не просто продолжается, а даже набирает обороты.

5.2. О целях организации, функциях контроллинга
и его роли в достижении этих целей

По вопросу определения целей корпорации 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 2):

Рисунок 2. 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.

Современный уровень культуры управления в развитых странах (в которых уже построено общество, основанное на знаниях) предполагает использование ряда корпоративных информационных систем (КИС), используемых на различных уровнях иерархии обработки информации (рисунок 3):

Рисунок 3. Корпоративные информационные системы
(КИС - CALS), по А.Г. Киселеву [224]

Из рисунка 3 видно, что:

– в фундаменте пирамиды обработки информации корпорации находятся автоматические системы управления чисто техническими объектами управления (САУ, т.е. по сути системы управления машинами);

– на среднем уровне мы имеем дело уже с автоматизированными системами управления (АСУ) человеко-машинными объектами управления от АСУ ТП, до АС ТПП и АСУП;

– на верхнем уровне расположены автоматизированные системы организационного управления (АСОУ) и аналитические системы, в которых объектом управления выступают как конкретные люди, так и коллективы.

Не во всех корпорациях представлены нижние уровни, приведенные на рисунке 3, например, нижние уровни более характерны для производственных компаний, оснащенных достаточно современным технологическим оборудованием.

Если проанализировать «долю» человека и техники в объектах управления различных иерархических уровней корпорации, то окажется, что в ее фундаменте находятся чисто технические системы, с повышением уровня иерархии доля человека в объектах управления возрастает, а доля техники соответственно уменьшается, и в вершине пирамиды техники уже вообще нет, а остается только человек.

Эта ситуация, по-видимому, обусловлена тем, что на различных уровнях иерархии корпорации на практике используются знания различной степени формализации:

– на самом верхнем уровне – это интуитивные знания и опыт, т.е. знания вообще неформализованные, не выраженные на каком-либо языке или в какой-либо системе кодирования (ноу-хау);

– на промежуточных уровнях знания частично формализованы, например вербализованы, т.е. представлены с помощью слов в звуковой или текстовой форме, а также научных книг, учебников и методических указаний с иерархическим структурированным содержанием;

– на самом низком уровне представлены хорошо формализованные знания, т.е. знания в форме математических моделей и баз знаний (БЗ) интеллектуальных систем.

Однако проблема состоит в том, что приобретение, внедрение и использование всех систем, приведенных на рисунке 5, является целесообразным лишь для достаточно крупных корпораций, тогда как для средних и малых фирм, которых большинство, это вряд ли возможно. Это обусловлено как высокой стоимостью этих систем, так и сложностью их освоения, внедрения и применения, избыточностью функций, отсутствием информационных взаимосвязей между ними, многообразием разработчиков и программных инструментальных средств, с помощью которых они созданы.

Сложилась парадоксальная ситуация, состоящая в том, что внедрение корпоративных информационных систем на практике часто осуществляется не системно, т.е. они фактически не образуют целостной корпоративной информационной системы, аналогично тому, как до возникновения локальных компьютерных сетей не образовывали единой системы не связанные друг с другом автоматизированные рабочие места (АРМы).

Одна из современных тенденций развития контроллинга состоит в том, что он проникает в фирмы все меньшего и меньшего масштаба деятельности, т.е. в этих фирмах появляются небольшие подразделения или даже просто отдельные сотрудники, выполняющие функции контроллинга.

Если раньше менеджмент использовал в своей работе методики и инструментарий, разработанный в крупных научных центрах, обычно зарубежных, то позже была осознана необходимость адаптации и локализации этих методик, с целью повышения степени их соответствия условиям конкретной фирмы и времени (адекватности), а значит и эффективности их применения.

Однако и работы по адаптации и локализации методик являются весьма наукоемкими и требовали больших затрат времени и денег, а значит были малодоступными, т.к. могли выполняться лишь небольшим количеством специалистов в стране.

Вместе с тем достигнутый в настоящее время уровень развития управления фирмами требует более оперативного и конкретного подхода к контроллингу, при котором знания о деятельности фирмы выявляются в самой фирме с учетом ее динамики и в фирме же доводятся до уровня инновационных технологий и используются на практике. Это и есть основная задача контроллинга.

Таким образом, контроллер, – это, по сути, ученый, профессионально занимающийся непрерывным исследованием своей фирмы и производящий инновационный интеллектуальный продукт в форме знаний различной степени формализации, готовых по своей степени коммерциализации для внедрения и практического использования менеджментом корпорации.

Соответственно подразделение контроллинга в фирме является ее инновационным подразделением, призванным создать и поддерживать в адекватном состоянии модель этой фирмы, обеспечивающую решение задач прогнозирования ее развития и поддержки принятия управленческих решений, направленных на достижение целей фирмы и разумного баланса интересов фирмы, ее сотрудников и акционеров, а также государства.

Менеджмент же призван использовать на практике инструментарий и методики, разработанные контроллерами, т.е. фактически менеджеры являются пользователями и исполнителями инновационных технологий и методик их применения, разработанных контроллерами.

Однако только создать (или приобрести, адаптировать и локализовать) инструментарий и предоставить его менеджменту фирмы еще недостаточно для его успешного применения на практике: для этого необходимо также обучить менеджмент использованию этого инструментария, а также контролировать качество его применения и учитывать пожелания пользователей при совершенствовании этого инструментария. И все это также входит в функции контроллинга.

Основные функции контроллинга состоят в планировании, учете, контроле и анализе, регулировании (корректировке). Все эти функции хорошо соответствуют этапам цикла управления. Таким образом, можно считать, что контроллинг представляет собой надстроечную управляющую систему, объектом управления для которой выступает управляющая система нижнего уровня (менеджмент), обеспечивающая управление основным производством фирмы (рисунок 4):

Рисунок 4. Контроллинг, как система управления менеджментом
(управление управлением)

Например:

– в сфере управления персоналом контроллер с использованием специальных программных систем разрабатывает (или адаптирует и локализует) профессиограммы и методики их применения, предоставляет менеджерам по персоналу основанные на них тесты профессиональной пригодности, обучает менеджеров методике их применения, контролирует качество применения эти тесты и совершенствует их с учетом опыта применения и динамики предметной области;

– в сфере бухгалтерского учета контроллер (администратор системы и программист 1С) адаптирует базовую систему 1С с использованием встроенного языка программирования, обучает пользователей ее использованию, контролирует качество ее применения, учитывает их пожелания по адаптации системы к изменяющимся условиям;

– в сфере образования контроллер (учебное управление) разрабатывает или адаптирует и локализует образовательные технологии, т.е. методики обучения и воспитания, а также учебно-методическое обеспечение учебного процесса, предоставляет его преподавателям, обучает их его применению, контролирует качество преподавания, совершенствует образовательные технологии и его учебно-методическое обеспечение с учетом фактически достигнутого качества обучения и воспитания.

Обращает на себя внимание, что контроллинг призван выполнять в фирмах те функции, которые очевидно в определенной степени выполнялись в них и раньше, но не назывались этим термином. Необходимо отметить также, что в настоящее время роль контроллинга и менеджмента и разделение функций и сфер компетенции между ними не до конца осознанна и выяснена даже в чисто научном плане. Тем ни менее есть основания констатировать наличие некоторых тенденций, вызывающих беспокойство.

Надстроечные управленческие подразделения, которые по своему месту в структуре организации занимают место подразделений контроллинга, часто избегают выполнения его функций во всей их полноте. На практике эти подразделения обычно стремятся, и небезуспешно, снять с себя функции инструментального и методического обеспечения менеджмента, как наиболее наукоемкие и просто трудоемкие, а за собой оставить лишь функции контроля и особенно надзора. При этом функции обеспечения работы менеджмента фактически возлагаются на самих менеджеров («самоконтроллинг»), хотя менеджерам эти функции совершенно не свойственны. Получается, что «дело спасения утопающих – это дело самих утопающих», т.е. вместо того, чтобы создать условия, при которых бы утопающих вообще не было, или хотя бы просто спасать утопающих, эти структуры надзирают за тем, чтобы утопающие правильно спасали самих себя. Прекрасная позиция: полное снятие с себя всякой ответственности за результат и полное самоустранение от процесса управления с целью достичь нужного результата.

Если продолжить приведенные выше примеры с управлением персоналом, бухучетом и образованием, то эти тенденции, которые часто можно наблюдать, выражаются в том, чтобы:

– менеджеры по персоналу в перерывах между выполнением своих основных функций сами искали где-то тесты, необходимые для их работы (естественно, неадаптированные и нелокализованные;

– бухгалтера в перерывах между выполнением своих основных функций сами писали на языках программирования различные программы, которые им нужны;

– преподаватели в перерывах между занятиями писали учебно-методические комплексы, учебные пособия, а также разрабатывали учебное программное обеспечение и презентации.

Такой подход приводит к профанации всех этих видов деятельности.

С другой стороны не следует возлагать на контроллеров функции менеджеров («самоменеджмент»), т.е. требовать от них, чтобы они не только обеспечивали работу менеджеров, но и сами выполняли их функции. Например, не следует нагружать талантливых и продуктивных системных программистов разработкой прикладных программ, которые они будут разрабатывать с помощью созданных ими инструментальных средств. Необходимо признать, что этим довольно часто «грешат» руководители, не вполне осознающие всю важность именно функций конроллинга для успешности деятельности их менеджмента.

Таким образом, мы из всего многообразия функций контроллинга для дальнейшего рассмотрения сосредотачиваемся на тех, которые считаем основными:

1. Создание инструментов для менеджеров.

2. Обучение менеджеров использованию инструментов.

3. Контроль качества использования инструментов менеджерами.

5.3. Информационная модель деятельности менеджера
и место АСК-анализа в этой деятельности

Информационная модель деятельности менеджера, представленная на рисунке 5, разработана на основе модели, впервые предложенной В.Н. Лаптевым (1984).

Рисунок 5. Информационная модель деятельности менеджера
и место систем искусственного интеллекта в этой деятельности

На вход системы управления поступает задача или проблема. Толкование различия между ними также дано В.Н. Лаптевым и состоит в следующем. Ситуация, при которой фактическое состояние системы не совпадает с желаемым (целевым) называется проблемной ситуацией и представляет собой:

– задачу, если способ перевода системы из фактического состояния в желаемое точно известен, и необходимо лишь применить его;

– проблему, если способ перевода системы из фактического состояния в желаемое не известен, и необходимо сначала его разработать и только после этого применить.

Таким образом, можно считать, что проблема – это задача, способ решения которой неизвестен. Это означает, что если этот способ разработать, то этим самым проблема сводится к задаче, переводится в класс задач. Проще говоря, проблема – это сложная задача, а задача – это простая проблема.

Но и проблемы различаются по уровню сложности:

– для решения одних достаточно автоматизированной системы поддержки принятия решений;

– для решения других – обязательным является творческое неформализуемое на современном этапе развития технологий искусственного интеллекта участие людей: в первую очередь контроллеров, экспертов, а также менеджеров.

Блоки, в которых могут применяться интеллектуальные технологии, т.е. современные системы искусственного интеллекта, на рисунке 7 показаны с затемненным фоном:

– блоки 2 и 12: система распознавания образов, идентификации и прогнозирования;

– блоки 9, 11, 12 и 14: автоматизированная система поддержки принятия решений.

Теперь можно уже более конкретно и обоснованно сформулировать, что задачей контроллеров является с применением этих интеллектуальных систем создание и верификация соответствующих интеллектуальных приложений, т.е. конкретных моделей, на основе которых могут решаться задачи идентификации, прогнозирования и поддержки принятия решений в корпорации.

Задачей же менеджеров является применение на практике разработанных контроллерами интеллектуальных приложений. Конечно, в задачи контроллера входит и обучение менеджеров, и контроль за их работой с применением данных технологий.

Итак, одна из важнейших современных тенденций развития технологии контроллинга состоит в том, что эти технологии все больше и больше проникают в фирмы все меньшего размера. Однако для того, чтобы контроллер мог соответствовать этим требованиям времени ему необходим соответствующий адекватный инструмент, обеспечивающий возможно наиболее полную автоматизацию его функций. По сути дела ему необходима своего рода интеллектуальная автоматизированная система научных исследований (ИАСНИ), т.е. система, обеспечивающая поддержку тех интеллектуальных, познавательных (когнитивных) функций и операций, которые ученый выполняет в процессе познания и научного исследования предметной области. Современный уровень развития систем искусственного интеллекта и интеллектуальных автоматизированных систем управления позволяет ставить и решать задачу создания таких систем.

5.4. Обоснование целесообразности применения
системно-когнитивного анализа в контроллинге
(метризация шкал)

Вышесказанное позволяет обоснованно сформулировать ряд общих требований к методам решения различных задач интеллектуального управления современной фирмой, ориентированной на экономику знаний, которые в перспективе могли бы стать адекватным инструментом автоматизированной поддержки основных функций контроллера в малых и средних фирмах.

Первое требование. 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 повторений всех вариантов сочетаний прибыли, рентабельности, номенклатуры и объемов продукции, причем получение недостающей информации представляется принципиально невозможным.

Второе требование. 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.

Третье требование. Вся необходимая и достаточная исходная информация для применения метода должна быть в наличии в бухгалтерии, планово-экономических и других подразделениях фирмы.

Четвертое требование. Метод должен быть адаптивным, т.е. оперативно учитывать изменения во всех компонентах моделируемой системы.

Пятое требование. Метод должен обеспечивать выявление причинно-следственных зависимостей в многомерных зашумленных фрагментированных данных различной природы (как качественных, так и количественных, причем измеряемых в различных единицах измерения) и применение знания этих зависимостей для решения задач идентификации, прогнозирования и принятия решений в различных предметных областях.

Наконец можно выдвинуть и шестое требование. Для решения различных задач управление фирмой на всех иерархических уровнях информационной пирамиды корпорации, приведенных на рисунке 5, возможно за исключением 1-го, должен использоваться один математический метод, один алгоритм его численной реализации и единый программный инструментарий для осуществления этого алгоритма, т.е. одна реализующая программная система.

Для разработки адаптивной методики, необходимой для решения рассмотренных здесь проблем управления фирмой, выбран метод автоматизированного системно-когнитивного анализа (АСК-анализ), как удовлетворяющий всем обоснованным выше требованиям.

В статье [201] измерительные шкалы рассматриваются как инструмент создания формальных моделей реальных объектов и инструмент повышения степени формализации этих моделей до уровня, достаточного для их реализации на компьютерах.

Описываются различные типы измерительных шкал, позволяющие создавать модели различной степени формализации; приводятся типы преобразований, допустимые при обработке эмпирических данных, полученных с помощью шкал различного типа; ставится задача метризации шкал, т.е. преобразования к наиболее формализованному виду; предлагается 7 способов метризации всех типов шкал, обеспечивающих совместную сопоставимую количественную обработку разнородных факторов, измеряемых в различных единицах измерения за счет преобразования всех шкал к одним универсальным единицам измерения в качестве которых выбраны единицы измерения количества информации. Все эти способы метризации реализованы в системно-когнитивном анализе и интеллектуальной системе «Эйдос»

Измерительные шкалы рассматриваются как инструмент создания формальных моделей реальных объектов и инструмент повышения степени формализации этих моделей до уровня, достаточного для их реализации на компьютерах.

С данными эмпирических измерений, полученными с помощью измерительной шкалы определенного типа, корректно могут быть проведены лишь вполне определенные математические преобразования, допустимые в данной шкале, тогда как другие преобразования над ними являются некорректными и, строго говоря, бессмысленными.

На практике это часто не осознается, особенно руководством, или осознается, но недостаточно четко и на это попросту «закрывают глаза».

Например, оценки в школе или вузе представляют собой порядковые оценки уровня знаний и, хотя внешне выглядят точно как числа, фактически числами не являются. Это наглядно демонстрируется тем, что, не смотря на то, что 2+3=5 суммарные знания двоечника и троечника не равны знаниям отличника. Тем более некорректно вычислять некие средние баллы аттестатов или полученные учащимися факультета по результатам государственных экзаменов или защиты дипломных проектов, но это всегда делается.

Разные типы шкал обеспечивают различную степень формализации моделей, создаваемых с их использованием.

Спрашивается, а зачем повышать степень формализации модели? Дело в том, что чем выше степень формализации модели, тем более развитые и точные математические методы могут быть применены в этих моделях и тем точнее решаются различные задачи в реальной области[7] с использованием этих моделей, в частности тем проще использовать эти модели при проектировании и создании искусственных. Из этого ясно, что при эмпирических исследованиях:

– необходимо четко отдавать себе отчет о том, какого типа измерительные шкалы в нем используются;

– надо стремиться к использованию измерительных шкал наиболее высокой степени формализации.

Но раз так, то почему же тогда абсолютные шкалы или хотя бы шкалы отношений не применяются всегда, а в ряде случаев на практике используются номинальные, порядковые и интервальные шкалы, а также шкала разностей, имеющие ограничения на возможные математические операции с эмпирическими данными, полученными с помощью этих шкал? Иногда этого и не требуется по условиям задачи, но чаще всего просто потому, что отсутствуют[8] соответствующие измерительные системы[9] с необходимыми для этого возможностями, т.е. способные сразу, т.е. непосредственно в процессе измерений, представить измеряемые величины в абсолютной шкале или шкале отношений.

Но оказывается это возможно сделать и после завершения самого процесса измерения, т.е. уже после прекращения контакта измерительной системы с измеряемым объектом. Иначе говоря, возможно провести такую математическую обработку данных, полученных в результате измерений с помощью измерительной шкалы определенной степени формализации, которая бы повысила эту степень формализации.

Для этого необходимо обоснованно ввести на исходной шкале отношения порядка по степени выраженности свойства, измеряемого шкалой, начало отсчета и единицу измерения. Эта идея, по-видимому, впервые была четко сформулирована в 1958 году датским математиком Г. Рашем (Georg Rasch)[10] и им же была поставлена и решена соответствующая «задача метризации шкал», т.е. задача преобразования шкалы к наиболее формализованному виду. Это название связано с понятием метрики, под которой в физике понимается способ измерения расстояний между градациями (значениями) шкалы. Иначе говоря, метризация шкалы проводится с целью повышения степени ее формализации и осуществляется путем ввода метрики, т.е. единицы измерения на этой шкале. В современном понимании метризация шкалы предполагает не только введение единицы измерения, но также и отношений порядка и начала отсчета на ней.

Модель Г.Раша математически тесно связана с моделью логитов, предложенной в 1944 году Джозефом Берксоном (Joseph Berkson)[11] и здесь мы ее не приводим, т.к. она подробно описана в литературе. Модель Г.Раша (с учетом ее модификаций) является чуть ли не единственной широко известной в настоящее время моделью метризации измерительных шкал.

Однако в системно-когнитивном анализе (АСК-анализ) и его программном инструментарии: интеллектуальной системе «Эйдос» предлагается [201] еще 7 способов метризации всех типов шкал[12], обеспечивающих, кроме того еще и корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов[13], измеряемых в различных единицах измерения.

В АСК-анализе факторы формально описываются шкалами, а значения факторов – градациями шкал. Существует три основных группы факторов: физические, социально-экономические и психологические (субъективные) и в каждой из этих групп есть много различных видов факторов, т.е. есть много различных физических факторов, много социально-экономических и много психологических, но в АСК-анализе все они рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации. Именно по этой причине вполне корректно складывать силу и направление влияния всех действующих на объект значений факторов, независимо от их природы, и определять результат совместного влияния на объект системы значений факторов. При этом в общем случае объект является нелинейным и факторы внутри него взаимодействуют друг с другом, т.е. для них не выполняется принцип суперпозиции [196].

Если же разные факторы измеряются в различных единицах измерения, то результаты сравнения объектов будут зависеть от этих единиц измерения, что совершенно недопустимо из теоретических соображений.

Представим себе, что мы сравниваем студентов по их росту и весу, причем рост выражен в сантиметрах, а вес в килограммах (таблица 8):

Таблица 8 – Сравнение студентов по их росту и весу,
измеряемым в их обычных единицах измерения

	1-й студент	2-й студент	3-й студент	Сумма
Рост (см)	178	173	173	351
Вес (кг)	75	65	75	140
Сумма	253	238	248	491

Для сравнения студентов мы просто складываем рост и вес для каждого студента, и потом сравниваем эти числа, например, находим модуль их разности: |253-238|=15 и считаем, что она отражает сходство-различие студентов по этим параметрам. Проверим корректность этого метода путем сравнения 3-го студента с ростом как у 2-го студента 173 сантиметра и весом как 1-го студента 75 килограммов. Спрашивается, на какого студента он больше похож: на 1-го или 2-го? Очевидно, что он должен иметь одинаковое сходство и различие с обоими этими студентами, т.к. у него в равной степени представлены признаки их обоих. Однако, для 3-го студента сумма роста и веса равна: 173+75=248 и его отличие от 1-го составляет |253-248}=5, а от 2-го: |238-248|=10, т.е. получается, что третий студент отличается от 2-го больше, чем от 1-го. Этот результат является некорректным и связан с тем, что рост 1-го и 2-го студентов отличается на 5 сантиметров, а вес на 10 килограммов. Конечно, сложение и вычитание величин, измеряемых в разных единицах измерения, некорректно само по себе. Но особенно хорошо это заметно, когда мы меняем единицы измерения. Так если рост измерять не в сантиметрах, а в миллиметрах, то его числовое выражение возрастет в 10 раз как и его влияние на сходство-различие студентов, а роль веса при этом сравнении соответственно снизится. И наоборот, если рост оставить в сантиметрах, а вес начать измерять не в килограммах, а в граммах, то тогда сходство-различие студентов в основном будет определять уже их вес, т.к. его количественное выражение и влияние на результаты сравнения возрастет в 1000 раз.

В АСК-анализе и системе предложено кардинальное решение проблем сравнения объектов, описанных в измерительных шкалах различных типов и размерностей [201]. Продолжим пример со студентами. В соответствии с методологией АСК-анализа и методикой применения системы «Эйдос» для сравнения студентов используем не их рост и вес в обычных единицах измерения, а количество информации о том, что перед нами тот или иной студент, которое содержится в его росте и весе. Можно сравнить 3-го студента с первыми двумя по суммарному количеству информации в его признаках о сходстве с 1-м и 2-м студентами. Это будет вполне корректно и результат такого сравнения вообще не будет зависеть от исходных единиц измерения роста и веса, т.е. будет инвариантным относительно единиц измерения исходных признаков, как и должно быть.

Рассмотрим численный пример, демонстрирующий, что выбор единиц измерения никак не влияет на модель и результат сравнения с ее применением.

Таблица 9 – Исходные данные

Источник данных	Классификационная шкала	Описательные шкалы
	Студент	Рост (см)	Вес (кг)
1-й студент	1-й	178	75
2-й студент	2-й	173	65

С помощью программного интерфейса системы «Эйдос-Х++» (рисунок 6) данные из таблицы 4 вводятся в систему.

Рисунок 6. Начальная экранная форма программного интерфейса
системы «Эйдос-Х++» с внешними базами данных

В первой экранной форме задается диапазон столбцов таблицы исходных данных 9 классификационными шкалами и диапазон столбцов с описательными шкалами. В экранной форме, представленной на рисунке 7, задается количество интервалов в числовых классификационных и описательных шкалах, если они есть.

Рисунок 7. Вторая экранная форма программного интерфейса
системы «Эйдос-Х++» с внешними базами данных

В текущей версии системы «Эйдос-Х++» суммарное количество классификационных и описательных шкал не должно превышать 1500, а суммарное количество градаций в них ограничено только размерами дисковой памяти[14].

При этом программным интерфейсом создаются справочники классификационных и описательных шкал и градаций и с их использованием кодируются исходные данные и формируется обучающая выборка (таблицы 10 - 12):

Таблица 10 – Справочники классификационных шкал и градаций

Код класса	Наименование класса
1	СТУДЕНТ-1-й
2	СТУДЕНТ-2-й

Классы представляют собой градации классификационных шкал.

Таблица 11 – Справочники описательных шкал и градаций

Код признака	Наименование признака
1	РОСТ (СМ)-1/2-{173.0000000, 175.5000000}
2	РОСТ (СМ)-2/2-{175.5000000, 178.0000000}
3	ВЕС (КГ)-1/2-{65.0000000, 70.0000000}
4	ВЕС (КГ)-2/2-{70.0000000, 75.0000000}

Признаки представляют собой градации описательных шкал.

Таблица 12 – Обучающая выборка

Код объекта	Наименование объекта	Классы	Признаки
		CLS1	ATR1	ATR2
1	1-й студент	1	2	4
2	2-й студент	2	1	3

В результате синтеза и верификации моделей в режиме 3.5 системы «Эйдос-Х++» создаются матрица абсолютных частот (таблица 13) и матрица информативностей (таблица 14):

Таблица 13 – Матрица абсолютных частот

Код признака	Наименование описательной шкалы и градации	Классы
		1-й студент	2-й студент
1	РОСТ (СМ)-1/2-{173.0000000, 175.5000000}	0	1
2	РОСТ (СМ)-2/2-{175.5000000, 178.0000000}	1	0
3	ВЕС (КГ)-1/2-{65.0000000, 70.0000000}	0	1
4	ВЕС (КГ)-2/2-{70.0000000, 75.0000000}	1	0

Таблица 14 – Матрица информативностей

Код признака	Наименование описательной шкалы и градации	Классы
		1-й студент	2-й студент
1	РОСТ (СМ)-1/2-{173.0000000, 175.5000000}	0,0000000	0,5000000
2	РОСТ (СМ)-2/2-{175.5000000, 178.0000000}	0,5000000	0,0000000
3	ВЕС (КГ)-1/2-{65.0000000, 70.0000000}	0,0000000	0,5000000
4	ВЕС (КГ)-2/2-{70.0000000, 75.0000000}	0,5000000	0,0000000

Из таблицы 9 видно, что каждому интервальному значению роста и веса соответствует 0.5 бит информации о принадлежности студента с этим признаком к тому или иному классу. Ясно, что если в таблицах 8, 9 и 11 одинаково переставить десятичную запятую в интервальных значениях роста и веса, то на коды в обучающей выборке (таблица 12), а значит и на абсолютные частоты их наблюдения по классам (таблица 13) и количество информации, рассчитываемое на их основе (таблица 14), это никак не повлияет.

Рассмотрим этапы последовательного повышения степени формализации модели путем преобразования исходных данных в информацию, а ее в знания, применяемые в автоматизированном системно-когнитивном анализе и системе «Эйдос-Х++» [7] (рисунок 8):

Рисунок 8. О соотношении содержания понятий:
«Данные», «Информация», «Знания»

Данные – это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е.В.Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:

1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий – эвентологическую базу).

2. Выявление причинно-следственных зависимостей между событиями.

В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т.е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.

Знания – это информация, полезная для достижения целей.

Значит для преобразования информации в знания необходимо:

1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).

2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

– вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные в естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);

– знания в форме технологий, организационных, производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач управления, принятия решений и исследования предметной области (рисунок 9):

Рисунок 9. Порядок преобразования «Данных» в «Информацию», а ее в «Знания в АСК-анализе и системе «Эйдос»

Основные публикации автора АСК-анализа по вопросам выявления, представления и использования знаний:

– http://www.twirpx.com/file/793311/

– Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка – Абельсона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2004. – №03(005). С. 65 – 86. – IDA [article ID]: 0050403004. – Режим доступа: http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 у.п.л.

– Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2011. – №06(070). С. 233 – 280. – Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. – Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

– вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные на естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними;

– знания в форме технологий, организационных производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения задачи метризации шкал в АСК-анализе необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.

Для этого в АСК-анализе предусмотрены следующие этапы [7]:

1. Когнитивная структуризация предметной области, при которой определяется, что мы хотим прогнозировать и на основе чего (конструирование классификационных и описательных шкал).

2. Формализация предметной области [7]:

– разработка градаций классификационных и описательных шкал (номинального, порядкового и числового типа);

– использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исследуемой выборки.

3. Синтез и верификация (оценка степени адекватности) модели [9].

4. Если модель адекватна, то ее использование для решения задач идентификации, прогнозирования и принятия решений, а также для исследования моделируемой предметной области [7].

ГЛАВА 6. КОНТРОЛЛИНГ НАУЧНОЙ
И ОБРАЗОВАТЕЛЬНОЙ ДЕЯТЕЛЬНОСТИ

6.1. Краткие замечания по контроллингу
научной деятельности

Ряд вопросов контроллинга науки рассмотрен в статьях одного из авторов настоящей книги проф.А.И.Орлова:

Орлов А.И. Два типа методологических ошибок при управлении научной деятельностью // Управление большими системами / Сборник трудов. Специальный выпуск 44. Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. М.: ИПУ РАН, 2013. – С.32–54.

Орлов А.И. Наукометрия и управление научной деятельностью // Управление большими системами / Сборник трудов. Специальный выпуск 44. Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. М.: ИПУ РАН, 2013. – С.538 – 568.

Наукометрия и экспертиза в управлении наукой: сборник статей / Под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева. - М.: ИПУ РАН, 2013. – 572 с.

Орлов А.И. Критерии выбора показателей эффективности научной деятельности // Контроллинг. – 2013. – №3(49). – С.72-78.

Орлов А.И. О показателях эффективности научной деятельности // Экономический анализ: теория и практика. – 2014. – № 7 (358). – С.21–29.

Мухин В.В. О контроллинге научной деятельности / В.В. Мухин, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2014. – №06(100). С. 256 – 275. – IDA [article ID]: 1001406013. – Режим доступа: http://ej.kubagro.ru/2014/06/pdf/13.pdf, 1,25 у.п.л

Орлов А.И. Наука как объект управления / А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2014. – №07(101). С. 1244 – 1274. – IDA [article ID]: 1011407082. – Режим доступа:http://ej.kubagro.ru/2014/07/pdf/82.pdf, 1,938 у.п.л.

Развернутое освещение этих вопросов планируется дать в последующих работах авторов.

6.2. Контроллинг образовательной деятельности

6.2.1. Web-портал по УМК в составе сайта
университета: актуальность
и возможность создания

В данном разделе обосновывается и развивается идея, реализация которой по мнению авторов позволила бы очень существенно уменьшить трудоемкость разработки учебно-методических комплексов (УМК), упростить их подписание и утверждение различными должностными лицами и повысить их качество, сделать труд разработчиков УМК более творческим, освободив его от технических и рутинных моментов [203].

6.2.1.1. Структура учебно-методического
комплекса (УМК)

Рассмотрим структуру учебно-методического комплекса (УМК) (рисунок 10):

Рисунок 10. Структура учебно-методического комплекса (УМК)

УМК представляет собой некий стандартизированный текст, шаблон, набор бланков или оригинал-макет.

В этот шаблон вставляется высокоформализованный текст, который берется из государственного образовательного стандарта, примерной программы и учебного плана. Это название специальности, направления подготовки, название дисциплины, набор и формулировки компетенций.

Низкофрмализованная часть УМК – это его содержательная часть, заполняемая преподавателем по дисциплине.

Кроме того УМК включает в себя подписи его разработчика, методиста, заведующего кафедрой и декана.

6.2.1.2. Требования к учебно-методическому
комплексу (УМК) и к доступу к нему

Обратимся к рисунку 11:

Рисунок 11. Требования к учебно-методическому
комплексу (УМК) и к доступу к нему

Требования к УМК делятся на требования к оформлению, требования к содержанию и требования к доступу. Требования к содержанию определяются содержанием образовательных стандартов и содержанием дисциплины.

6.2.1.3. Проблемы, возникающие при разработке
учебно-методических комплексов (УМК)
и при обеспечении доступа к ним

При разработке УМК возникает ряд проблем, классификация которых приведена на рисунке 12:

Рисунок 12. Классификация проблем, возникающих при разработке УМК

Эти проблемы можно разделить на содержательные и чисто оформительские, а также на проблемы подписания проектов УМК у председателей учебно-методических комиссий и деканов, а иногда и у проректоров (по магистерским и аспирантским программам), проблемы представления доступа к утвержденным УМК внутренним и внешним проверяющим, а также всем заинтересованным в таком доступе и имеющим на него полномочия.

6.2.1.4. Функционально-стоимостной анализ затрат
на решение проблем

Львиную долю затрат при разработке УМК занимает не содержательная неформализуемая работа с ним, требующая опыта преподавания и профессиональной компетентности, которыми обладают профессора и доценты (ППС), как правило и разрабатывающие УМК, а рутинная чисто техническая и легко автоматизируемая работа по выборкам данных из учебных планов, ООП и других документов, а также по приданию УМК внешнего вида, соответствующего внутреннему стандарту, принятому в данном вузе, т.е. работа по оформлению текста, т.е. по сути, верстка, которая представляют собой работу не профессора или доцента, а технического редактора. Это было бы не так страшно, если бы эти стандарты не менялись ежегодно, а иногда и по нескольку раз в год, и даже в месяц, и у каждого преподавателя не было бы чуть ли по десятку дисциплин[15]. При этом, как показывает опыт, при изменении стандарта содержание УМК меняется очень незначительно, т.к. определяется самим содержанием учебной дисциплины. Изменения же касаются, как правило, самого стандарта или шаблона оформления УМК, т.е. вида шрифтов, интервалов, таблиц и т.п.

Не секрет, что проверки УМК на практике часто сводятся к формальной проверке правильности их оформления (размеры шрифтов, интервалов, вид таблиц и т.п.), правильности номеров и дат различных протоколов, наличия всех необходимых подписей и практически не касается содержания. Это можно понять, т.к. проверяющим проще проверить внешнюю сторону УМК, чем вникать в их содержание, но с этим нельзя согласиться, т.к. по глубокому убеждению авторов (и как мы знаем других разработчиков УМК) работа по выборке данных из стандартных документов и разработка всего этого текстового оформления (верстка) вообще не дело профессоров и доцентов. При этом именно оформлению УМК при проверке уделяется основное внимание, и именно оформление занимает основную часть трудоемкости разработки УМК. При этом совершенно ясно, что едва ли если в УМК что-то будет написано не тем шрифтом то это как-то существенно скажется на качестве преподавания этой дисциплины. Это совершенно не означает, что мы призываем писать разные УМК разными шрифтами и вообще упразднить стандарт, мы лишь обращаем внимание на то, что если бы подход, подобный действующему в настоящее время в области разработки УМК действовал бы в бухгалтерии, например, то бухгалтера бы делали проводки 1% времени и 99% вручную оформляли бы выходные формы, стандарт бы которых постоянно изменялся и их бы наказывали не за ошибочное содержание этих форм, а за их вид, не тот шрифт заголовка, не тот отступ и т.п. Но этого не происходит, т.к. у бухгалтеров есть система 1С, которая снимает все подобные проблемы сразу для всех ее пользователей, а у разработчиков УМК нет никаких функционально подобных средств автоматизации их труда, отделяющих работу над содержанием от формы его представления.

6.2.1.5. Традиционный подход к решению проблем
и оценка степени его соответствия
предъявляемым требованиям

Разработчик УМК, как правило профессор или доцент, работая над содержанием УМК одновременно непрерывно работает и над формой представления этого содержания, т.е. занимается версткой, т.е. чуждыми для него чисто техническими рутинными операциями по изготовлению оригинал-макета УМК и при этом еще и переносит информацию из хорошо формализованных баз данных в УМК. При этом доступ к УМК возможен только при физической передаче распечатанных, подписанных утвержденных полностью оформленных экземпляров, обычно при личной встрече, что весьма затруднительно.

Таким образом, традиционный подход к разработке УМК морально и физически безнадежно устарел и актуальным является создание специализированной корпоративной системы электронного документооборота, обеспечивающей современный уровень совместной распределенной в пространстве и времени работы над УМК всех, задействованных в этом процессе специалистов.

6.2.1.6. Требования к современному методу
решения поставленных проблем

Рассмотрим рисунок 13:

Рисунок 13. Требования к методу решения проблем

Всем перечисленным требованиям удовлетворяет web-портал по УМК, который по своим функциям относится к системам электронного документооборота (СЭД), входящим в состав корпоративной информационной системы (КИС).

6.2.1.7. Идея и концепция предлагаемого
решения проблем

Идея и концепция решения проблем с УМК состоит в том, что на уже существующей технической основе: корпоративной сети университета и Internet, предлагается создать одну из важнейших подсистем автоматизированной системы управления (АСУ) вузом, а именно подсистему корпоративной работы с УМК, автоматизирующую хорошо формализованные функции по одному из важнейших направлений научно-методической работы. В этой системе бы были зарегистрированы с различными правами, соответствующими их области компетенции, все авторы УМК, подписывающие и утверждающие их, руководители университета, а также контролирующие и проверяющие его работу по данному направлению деятельности

В качестве примеров успешной и эффективной реализации подобной технологии могут служить системы, обеспечивающие on-line работу через Internet РГНФ и РФФИ, а также сайты электронного правительства и система on-line отчетов по НИР, разработанная в Адыгейском государственном университете и успешно используемая для этих целей с 2010 года[16]. Преподаватели заполняют в этой системе специальные формы отчетности через Internet, внося текст в окна, а отчет о НИР печатается в стандартной на момент его распечатки форме, которая совершенно не зависит от преподавателя.

6.2.1.8. Функциональное описание web-портала
по УМК в составе сайта университета

Web-портал должен поддерживать:

1. Полное (100%) отделение работы ППС над содержанием УМК от работы над формой представления этого содержания (верстки), т.е. возможность работы над содержанием УМК совершенно безотносительно к его оформлению. Все содержание УМК, которое возможно взять из высоко формализованных баз данных должно быть взято из этих баз данных без участия разработчика УМК. Разработчик же УМК должен выполнять только те работы, которые в настоящее время невозможно автоматизировать, т.е. работы связанные с его профессиональной компетенцией в области науки, соответствующей преподаваемой дисциплине.

2. Возможность централизованного изменения формы представления УМК одним человеком – системным администратором web-портала по УМК во исполнение распоряжения ответственных разработчиков нового стандарта представления из учебного управления и управления обеспечения качества. Когда разрабатывается и утверждается руководством новый макет УМК он должен вноситься в список стандартов с возможностью его выбора из этого списка преподавателем, разрабатывающим УМК.

3. Распечатку УМК в виде текстового файла с содержанием, заданным ППС, в форме, заданной разработчиком нового стандарта. Если изменяется только форма – то УМК распечатывается в новой форме без участия разработчика с тем же содержанием. Но при изменении стандарта УМК может изменяться не только оформление, но и состав содержания. Поэтому некоторые разделы при распечатке в новом стандарте могут оказаться незаполненными (система должна сообщить об этом в результате проверке полноты заполнения обязательных полей). В этом случае разработчику УМК нужно заполнить лишь только эти новые незаполненные разделы и УМК нового стандарта практически готов!

4. Доступ к УМК с любого компьютера, подключенного к Internet и имеющего установленный браузер с виртуальной JAWA-машиной, без необходимости инсталляции какой-либо клиентской части:

• разработчикам в режиме чтения и записи (до утверждения УМК, а после - только в режиме чтения);

• подписывающим и утверждающим - в режиме чтения УМК и записи только к листу замечаний и полям для подписей;

• контролирующим, проверяющим, руководителям и всем, имеющим на это право – только в режиме чтения и специальным режимам, отражающим ход разработки и утверждения УМК в разрезах по специальностям, факультетам, кафедрам и разработчика (ППС). При этом все: и разработчики УМК, и подписывающие, утверждающие, контролирующие, проверяющие, руководители и все, имеющим на это право, имеют доступ ко всем УМК, в том числе и находящимся в процессе разработки, и этот доступ они могут осуществлять в любое удобное для них время с любого компьютера, имеющего доступ к Internet;

• идентификация личности всех работающих с УМК должна осуществляться с применением электронной подписи. После идентификации личности должна осуществляться авторизация с предоставлением прав доступа, соответствующих должности сотрудника.

6.2.1.9. Обобщенная структура web-портала по УМК

В предварительном плане, т.е. на предпроектной стадии, предлагается следующая структура web-портала по УМК:

1. Справочник высшего руководства университета.

2. Справочник факультетов с привязкой к курирующим проректорам.

3. Справочник кафедр с привязкой к факультетам.

4. Справочник специальностей с привязкой к факультетам, на которых по ним ведется обучение.

5. Справочник учебных дисциплин с указанием всей информации, которая есть в учебных планах (расчасовка) с привязкой к кафедрам, на которых они преподаются.

6. Справочник деканов с привязкой к их факультетам.

7. Справочник Председателей методических комиссий с привязкой к их факультетам.

8. Справочник Заведующих кафедрами с привязкой к кафедрам.

9. Справочник разработчиков УМК с привязкой к кафедрам и дисциплинам, по которым они ведут занятия и разрабатывают УМК.

10. Справочник контролирующих.

11. Справочник проверяющих.

12. База данных УМК.

13. Базы данных анализа ситуации по разработке, подписанию, утверждению и проверке УМК.

6.2.1.10. Работы и ресурсы, необходимые
для создания web-портала по УМК

Создание web-портала по УМК включает следующие основные работы:

1. Разработка Технико-экономического обоснования (ТЭО) целесообразности создания web-портала по УМК.

2. Разработка Технического задания (ТЗ), описывающего web-портал по УМК функционально, т.е. конкретизирующего, что он должен обеспечивать.

3. Разработка Технического проекта (ТП) web-портала по УМК, в котором конкретизируются:

• даталогическая и инфологическая модели баз данных;

• алгоритмы работы с базами данных;

• структура web-портала по УМК, его подсистемы и режимы, дерево диалога от главного меню до экранных форм;

• обосновывается выбор инструментального программного обеспечения для разработки web-портала по УМК.

4. Разработка Рабочего проекта (РП), в котором разрабатывается программное обеспечение web-портала по УМК и этапы его внедрения и сопровождения. Внедрение должно включать краткое обучение всех пользователей портала.

Для выполнения этих работ необходимы следующие ресурсы:

1. Воля руководства Университета по созданию web-портала по УМК.

2. Юридическое обеспечение, в котором бы разработчикам web-портала по УМК давались необходимые полномочия на получение необходимой информации от различных подразделений университета.

3. Разработчики программно-информационного обеспечения web-портала по УМК (в составе Центра информационных технологий университета).

4. Контент-менеджеры, обеспечивающую первоначальное наполнение и поддержку в актуальном состоянии справочных баз данных web-портала по УМК (в составе Центра информационных технологий).

6.2.1.11. Работы и ресурсы, необходимые для
эксплуатации и развития web-портала по УМК

Поддержка эксплуатации web-портала по УМК включает:

1. Администрирование (обеспечение работоспособности, надежности, информационной безопасности, регистрация всех категорий пользователей портала ).

2. Информационное наполнение справочников и поддержание их в актуальном состоянии.

3. Наполнение и корректировку баз данных УМК (осуществляют разработчики УМК).

4. Сопровождение эксплуатации, т.е. консультативная поддержка всех категорий пользователей.

Для выполнения этих работ (по-видимому в составе Центра информационных технологий) необходимы:

1. Администратор web-портала по УМК,

2. Контент-менеджеры.

3. Специалисты по сопровождению эксплуатации.

6.2.1.12. Оценка социально-экономической
эффективности web-портала по УМК

Можно обоснованно ожидать, что создание и ввод в эксплуатацию web-портала по УМК:

1. Резко снизит трудоемкость и затраты времени на разработку и совершенствование УМК.

2. Высвободит время профессорско-преподавательского состава для подготовки к занятиям и ведения научно-исследовательской работы.

3. Существенно улучшит рабочую атмосферу и душевное состояние сотрудников – разработчиков УМК.

4. Сделает «прозрачным» весь процесс разработки и корректировки УМК и существенно повысит степень управляемости этого процесса.

5. Резко снизит трудоемкость и затраты времени на подписание и утверждение УМК.

6. Резко снизит трудоемкость и затраты времени на контроль и проверку УМК.

Финансовые затраты на создание, поддержку эксплуатации и развитие web-портала по УМК включают в основном фонд оплаты труда его разработчиков (разовые) и специалистов по эксплуатации (постоянные). Эти затраты на порядки меньше, чем прямые потери от непроизводительного труда сотен разработчиков УМК, неизбежные в настоящее время при существующей технологии.

6.2.1.13 Выводы

Создание Web-портала по УМК в составе сайта университета позволит освободить огромную армию специалистов наивысшей квалификации, 99% которых имеют научные звания и степени кандидатов и докторов наук, доцентов и профессоров, от несвойственной им рутинной работы технического редактора, которая сейчас занимает 99% трудоемкости разработки УМК, и использовать их время, силы, профессиональную компетенцию и талант более разумно по прямому назначению для более творческой работы над содержательной частью УМК, преподавания и научной работы.

6.2.2. Применение АСК-анализа для сопоставимой
оценки эффективности вузов

Раздел посвящен решению проблемы, заключающейся в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны пока он не создан. Предлагаемая идея решения проблемы состоит в применении отечественной лицензионной инновационной интеллектуальной технологии для этих целей: а именно предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий – интеллектуальную систему «Эйдос». Эти методы подробно описываются в этом контексте. Предлагается рассмотреть возможности применения данного инструментария на примере университетского рейтинга Гардиан, и рассматриваются его частные критерии (показатели вузов). Указываются источники данных и методика их подготовки для обработки в системе «Эйдос». В соответствии с методологией АСК-анализа описывается установка системы «Эйдос», ввод исходных данных в нее и формализация предметной области, синтез и верификация модели, их отображение и применение для решения задач оценки рейтинга Гардиан для российских вузов и исследования объекта моделирования. Рассматриваются перспективы и пути создания интегрированного рейтинга российских вузов и эксплуатации рейтинга в адаптивном режиме. Указываются ограничения предлагаемого подхода и перспективы его развития.

6.2.2.1. Формулировка проблемы

Университетские рейтинги давно стали общепринятым в мире методом оценки эффективности вузов[17].

Этими рейтингами для решения различных задач пользуются и потенциальные студенты, и их родители, и ученые, и руководители. Таким образом, они востребованы практически всем обществом.

Недавно и министерство образования и науки РФ обратилось к идее создания подобного рейтинга для российских вузов, и это в общем нельзя не приветствовать.

Однако первый опыт создания подобного рейтинга, по-видимому, приходиться признать неудачным, т.к. он вызвал большой поток совершенно справедливой и хорошо обоснованной критики со стороны научно-педагогического сообщества. Возражения вызвали, прежде как сами критерии оценки эффективности вузов[18], так и полная непрозрачность процедуры формирования этих критериев, а также то, что за бортом широкого обсуждения (которого, вообще не было) осталось и само понятие эффективности вузов, т.е. их основное назначение. А ведь именно тем, что понимается под эффективностью вузов, определяются и критерии ее оценки. Но предложенные критерии оказались таковы, что у многих возникло вполне обоснованное подозрение, что под эффективностью вузов при их формировании понималось вовсе не качество образования, а нечто другое не свойственное вузам.

Эта критика звучит и на научных конференциях,[19] и в научных публикациях. А то, о чем не принято говорить на научных конференциях и писать в научных публикациях, высказывается на форумах и на личных страницах ученых и педагогов. Например, на своем личном сайте доктор педагогических наук профессор А.А.Остапенко пишет: «Основных критериев, как мы помним пять: средний балл ЕГЭ принятых на обучение студентов; объём научных работ на одного сотрудника; количество иностранцев-выпускников; доходы вуза в расчёте на одного сотрудника, а также общая площадь учебно-лабораторных зданий в расчёте на одного студента. Как они связаны с эффективностью вуза и что такое эффективность вообще понять, мысля рационально, непросто. Даже всерьёз обсуждать эти критерии как-то странно» [20]. Но мы все же выскажем одно соображение. На наш взгляд довольно странно выглядит попытка сравнения друг с другом вузов разных направленности подготовки, т.е. например аграрных вузов и вузов, готовящих специалистов для атомной и ракетно-космической промышленности. Иначе говоря, для вузов разной направленности должны быть свои рейтинги.

Правда со временем, наверное, в какой-то степени и под влиянием этой критики, позиция Минобрнауки РФ стала меняться. А то, что к тому времени уже успели закрыть несколько вузов, как говорят: «имеющих признаки неэффективности»[21], – это как бы и не так важно. Динамику этих изменений позиции профильного министерства можно проследить по Нормативно-правовым документам Минобрнауки РФ, устанавливающим критерии оценки эффективности деятельности вузов[22].

Таким образом, налицо проблема, которая состоит в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны как-то пока не очень получается его сформировать. То есть, как обычно желаемое не совпадает с действительным, и «хотели как лучше, а вышло как всегда» (В.С.Черномырдин).

6.2.2.2. Авторский подход к решению проблемы

6.2.2.2.1. Идея предлагаемого решения проблемы

Идея решения проблемы проста: обратиться к мировому опыту в этой области, творчески его переосмыслить применительно к российским реалиям и разработать свои научно-обоснованные подходы, с учетом всего лучшего, что есть в мировом опыте.

Существует несколько популярных и авторитетных рейтингов вузов¹:

– Университетский рейтинг The Guardian^[23];

– Университетский рейтинг Times^[24];

– Мировой рейтинг Times Higher Education^[25];

– Рейтинг мировых вузов Шанхайского Университета^[26].

Мы не будем их здесь описывать, т.к. по ним достаточно информации в общем доступе, в т.ч. по приведенным ссылкам.

Но хотели бы отметить, что для поддержки любого подобного рейтинга необходима соответствующая инфраструктура, оснащенная различными видами обеспечения ее деятельности (финансовое, кадровое, организационное, техническое, математическое, программное, информационное и т.д.). Все эти виды обеспечения в совокупности представляют собой технологию ведения и применения данного рейтинга.

Естественно, никто технологию не продает, а если и продает, то так дорого, что купить ее практически невозможно. Поэтому возникает вопрос о разработке или поиске подобной технологии в России.

Таким образом, востребованы теоретическое обоснование, математическая модель, методика численных расчетов (т.е. структуры данных и алгоритмы их обработки) а также реализующие их инструментальные (программные) средства, обеспечивающие создание, поддержку, развитие и применение подобных рейтингов.

Данная статья как раз и посвящена рассмотрению отечественной лицензионной инновационной интеллектуальной технологии, обеспечивающей решение поставленной проблемы. А именно предлагается применить для этой цели автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий – интеллектуальную систему «Эйдос».

6.2.2.2.2. Автоматизированный системно-когнитивный анализ и интеллектуальная
система «Эйдос» как инструментарий
решения проблемы

Этот подход кратко описан в статье [148]. Здесь рассмотрим его подробнее.

Прежде всего, возникает вопрос о том, что понимается под эффективностью вузов? Ведь ясно, что прежде чем оценивать эффективность вузов было бы неплохо, а на самом деле совершенно необходимо, разобраться с тем, что же это такое. Причина этого ясна: выбор критериев оценки во многом обуславливается тем, что именно оценивается.

Ясно, что по этому поводу существует много различных мнений, которые в различной степени аргументированы или не аргументированы и отражают позиции руководителей образования и науки, профессионального научно-педагогического сообщества и различных слоев населения. По мнению автора, с научной точки зрения некорректно и неуместно говорить о каких-то критериях оценки эффективности вузов, если не определено само это понятие эффективности, т.е. отсутствует консенсус в профессиональной среде по поводу того, что же это такое.

Очевидно, для достижения такого консенсуса в наше время необходимо широкое обсуждение этого вопроса в научной печати, Internet и СМИ. Однако такое обсуждение не было организовано и критерии оценки эффективности или признаков неэффективности практически неожиданно «свалились научно-педагогическому сообществу как снег на голову».

Уже после этого, как это произошло, началось обсуждение этого вопроса на различных научных конференциях, в научной и периодической прессе, на личных сайтах, формах и т.п. Но пока шло это обсуждение и пока оно не пришло к какому-либо консенсусу в этом вопросе, ряд вузов были закрыты, филиалы сокращены и т.д.

По мнению автора, цель вуза в том, чтобы формировать компетентных и творчески мыслящих специалистов в соответствии с прогнозом социального заказа, т.е. таких, которые будут востребованы обществом в будущем периоде профессиональной деятельности этих специалистов, который составляет 30-40 лет. А должен ли вуз зарабатывать, должен ли он иметь те или иные площади в расчете на одного учащегося – это все нужно знать только для того, чтобы спрогнозировать, сможет ли он выполнить свою основную задачу, т.е. подготовку специалистов. Ни в коем случае нельзя рассматривать эти показатели как самоцель, т.к. достижение тех или иных их значений, вообще говоря, может и ничего не говорить о достижении цели вуза. Несут ли эти критерии какую-либо информацию о достижении цели вуза, и какую именно по величине и знаку, – это еще надо определить в процессе специального исследования, которое, скорее всего не было проведено. Странно, что об этом приходиться писать, но приходиться, т.к. похоже, об этом стали забывать.

Когда консенсус профессионального научно-педагогического сообщества по вопросу о том, что же понимать под «эффективностью вуза» будет достигнут, на первый план выступает вопрос о том, с помощью какого метода оценивать эту эффективность, т.е. как ее измерить.

Для авторов вполне очевидно, что этот метод должен представлять собой какой-то вариант метода многокритериальной оценки. Это обусловлено просто тем, что такие сложные и многофакторные системы как вузы в принципе невозможно оценивать по одному показателю или критерию. Чтобы обоснованно выбрать метод оценки эффективности вузов необходимо сначала научно обосновать требования к нему, а затем составить рейтинг методов по степени соответствия обоснованным требованиям и выбрать метод, наиболее удовлетворяющий обоснованным требованиям.

Применение метода факторного анализа для этих целей, по-видимому, некорректно, т.к. этот метод, предъявляющий настолько жесткие требования к исходным данным об объекте моделирования, что их практически невозможно выполнить. Во-первых, факторный анализ – это параметрический метод, предполагающий, что исходные данные подчиняются многомерным нормальным распределениям. Во-вторых, это метод неустойчивый, т.е. небольшие изменения исходных данных могут привести к значительным изменениям в модели. Поэтому исходные данные для факторного анализа должны быть абсолютно точными, что невозможно не только фактически, но даже в принципе. В-третьих, перед началом факторного анализа необходимо определить наиболее важные факторы, которые и будут исследоваться в создаваемой модели. Но при этом в руководствах по факторному анализу не уточняется, каким способом это предлагается сделать. А между тем при большом количестве факторов, что является обычным для большинства реальных задач, это не тривиальная задача, которую вручную решить невозможно.

Когда метод оценки эффективности вузов выбран, необходимо ответить на вопрос о том, на основе каких частных критериев оценивать эффективность вузов и какой исходной информацией о вузах для этого необходимо располагать?

Ясно, что эти критерии в общем случае могут иметь как количественную, так и качественную природу и могут измеряться в различных единицах измерения. Кроме того эти критерии могут иметь различную силу и направление влияния на интегральную оценку эффективности вузов. Конечно, возникают вопросы как о способе определения системы критериев эффективности вуза, так и о способе определения силы и направления влияния критериев на оценку эффективности вузов.

Но еще более существенным является вопрос: «О способе сопоставимого сведения разнородных по своей природе и измеряемых в различных единицах измерения частных критериев эффективности в один количественный интегральный критерий эффективности вуза».

Отметим, что в материалах Минобрнауки РФ и о критериях оценки эффективности вузов[27] даже не упоминается вопрос о том, что когда значения частных критериев для того или иного вуза установлены, то необходимо каким-то образом на их основе получить обобщающую количественную оценку его эффективности в виде одного числа, т.е. надо как-то объединить значения всех частных критериев в одной формуле, в одном математическом выражении, которое и называется «Интегральный критерий».

Поэтому, наверное, и говорят не об эффективности или неэффективности вуза, а всего лишь «о признаках неэффективности», а признаками являются значения отдельных частных критериев. Если таких признаков неэффективности много, то делают вывод о том, что вуз неэффективен. Фактически такой подход, который может быть и применялся, можно назвать неосознанным применением частных критериев и интегрального критерия, т.е. «неосознанным многокритериальным подходом». При таком подходе все частные критерии имеют одинаковый вес, например принимающий значения 0 (неэффективен) и 1 (эффективен). Когда значения всех частных критериев для вуза установлены, то эти веса суммируются и сумма сравнивается с минимальными и максимальными оценками, полученными для всех вузов. Допустим, в Минобрнауки РФ из каких-то своих соображений решили, что в результате оценки эффективности вузов должно быть закрыто из-за низкой эффективности 1.5% вузов. Тогда все вузы сортируются по убыванию этой суммы и 1.5% с конца рейтинга помещаются в «черный список».

Но такой «неосознанный многокритериальный подход» очень и очень уязвим для критики.

Во-первых, возникает законный вопрос о том, почему все критерии имеют одинаковый вес, хотя даже интуитивно ясно, что они имеют разное значение и по-разному влияют на эффективность вуза (которая, кстати, непонятно в чем заключается).

Во-вторых, непонятно, как можно складывать средний балл ЕГЭ принятых на обучение студентов, объём научных работ на одного сотрудника, количество иностранцев-выпускников, доходы вуза в расчёте на одного сотрудника и общую площадь учебно-лабораторных зданий в расчёте на одного студента. За подобные математические операции ставят двойку по физике в 7-м классе средней школы. Там школьников учат, что перед тем как складывать величины, измеренные в разных единицах измерения, например рост учащихся, выраженный в метрах (1.72) и выраженный в сантиметрах (160), нужно перевести эти величины в одну единицу измерения, например в метры или в сантиметры. А иначе получится: 1.72+160=161.72, т.е. некий результат, не поддающийся разумной содержательной интерпретации[28]. Как бы нечто похожее и на таком же научном уровне не получилось при оценке наличия у вуза «признаков неэффективности». Но научно-педагогическую общественность не поставили в известность о том, каким образом вычисляется интегральная оценка эффективности вуза на основе установленных для него значений частных критериев. Поэтому высказанное опасение остается не снятым.

В развитом осознанном многокритериальном подходе для вычисления значения интегрального критерия нужно знать силу и направление влияния каждого значения частных критериев на величину этого интегрального критерия. Интегральные критерии бывают трех видов: аддитивные, мультипликативные и общего вида. Чаще всего используются аддитивные интегральные критерии, в которых значение интегрального критерия равно просто сумме значений частных критериев. Но чтобы значения частных критериев можно было корректно суммировать необходимо, чтобы они были значениями на числовых измерительных шкалах [201], и чтобы они измерялись в одних и тех же единицах измерения или были безразмерными.

Оба эти требования выполняются в Автоматизированном системно-когнитивном анализе (АСК-анализ), в котором все значения всех факторов, независимо от того количественные они или качественные и в каких единицах они измеряются в исходных данных, в моделях системы «Эйдос» (системно-когнитивных моделях) они все измеряются в одних и тех же единицах измерения – единицах количества информации [201]. Поэтому метод АСК-анализа и предлагается для решения поставленной проблемы.

АСК-анализ представляет собой один из современных методов искусственно интеллекта, который предоставляет научно обоснованные ответы на все эти вопросы, но самое существенное, что он оснащен широко и успешно апробированным универсальным программным инструментарием, позволяющим решить эти вопросы не только как обычно на теоретическом концептуальном уровне, но и на практике. Модели знаний АСК-анализа основаны на нечеткой декларативной модели представления знаний, предложенной автором в 1983 году и являющейся гибридной моделью, сочетающей в себе преимущества фреймовой, нейросетевой и четкой продукционной моделей и обеспечивающей создание моделей очень больших размерностей до 10 млн. раз превышающих максимальные размерности моделей знаний экспертных систем с четкими продукциями:

– от фреймовой модели модель представления знания системы «Эйдос» отличается существенно упрощенной программной реализацией и более высоким быстродействием без потери функциональности;

– от нейросетевой тем, что обеспечивает хорошо обоснованную теоретически содержательную интерпретацию весовых коэффициентов на рецепторах и обучение методом прямого счета [20];

– от четкой продукционной модели – нечеткими продукциями, представленными в декларативной форме, что обеспечивает эффективное использование знаний без их многократной генерации для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта.

АСК-анализ является непараметрическим методом, устойчивым к шуму в исходных данных, позволяющий корректно обрабатывать неполные (фрагментированные) исходные данные, описывающие воздействие взаимозависимых факторов на нелинейный [7] объект моделирования.

Суть метода АСК-анализа в том, что он позволяет рассчитать на основе исходных данных какое количество информации содержится в значениях факторов, обуславливающих переходы объекта моделирования в различные будущие состояния, причем как в желательные, так и в нежелательные [201].

Он состоит в целенаправленном последовательном повышении степени формализации исходных данных до уровня, который позволяет ввести исходные данные в компьютерную систему, а затем преобразовать исходные данные в информацию; информацию преобразовать в знания; использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.

Рассмотрим подробнее вопросы выявления, представления и использования знаний в АСК-анализе и системе «Эйдос».

Данные – это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е.В.Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:

1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий – эвентологическую базу).

2. Выявление причинно-следственных зависимостей между событиями.

В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т.е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.

Знания – это информация, полезная для достижения целей[29].

Значит для преобразования информации в знания необходимо:

1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).

2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

– вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные в естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);

– знания в форме технологий, организационных, производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач управления, принятия решений и исследования предметной области (рисунок 14).

Рисунок 14. Соотношение содержания понятий: «Данные», «Информация»,
«Знания» и этапы последовательного повышения степени формализации модели
от данных к информации, а от нее к знаниям

АСК-анализ имеет следующие этапы [7]:

– когнитивно-целевая структуризация предметной области;

– формализация предметной области (формирование классификационных и описательных шкал и градаций и обучающей выборки);

– синтез и верификация статистических и системно-когнитивных моделей;

– решение задач идентификации, прогнозирования, принятия решений и исследования предметной области в наиболее достоверных из созданных моделей.

Единственный неавтоматизированный в системе «Эйдос» этап – это первый, а остальные приведены на рисунке 14.

АСК-анализ имеет ряд особенностей, которые обусловили его выбор в качестве метода решения проблемы:

1. Имеет теоретическое обоснование, основой которого является семантическая мера целесообразности информации А.Харкевича.

2. Обеспечивает корректную сопоставимую количественную обработку разнородных по своей природе факторов, измеряемых в различных единицах измерения, высокую точность и независимость результатов расчетов от единиц измерения исходных данных.

3. Обеспечивает построение многомерных моделей объекта моделирования непосредственно на основе неполных и искаженных эмпирических данных о нем.

4. Имеет развитую и доступную программную реализацию в виде универсальной когнитивной аналитической системы «Эйдос».

Очень важно, что этот инструментарий и методики его использования для решения сформулированных задач могут быть доступны всем заинтересованным сторонам не только на федеральном уровне, но и в самих вузах, что позволит им осуществлять аудиторскую самооценку и видеть свое место и динамику среди других вузов. Это позволит руководителям вузов принимать более осознанные и научно обоснованные решения, направленные на повышение эффективности и рейтинга их вуза. Конечно, для реализации на практике регулярного рейтингового анализа вузов необходимо создание соответствующей достаточно разветвленной инфраструктуры.

Более подробному и конкретному исследованию связанных с этим вопросов и посвящена данная работа, в которой далее кратко расстраивается университетский рейтинг Гардиан (который выбран просто в качестве примера), а затем приводится численный пример его реализации в форме приложения интеллектуальной системы «Эйдос». Отметим, что создание этого приложения не требует программирования [147, 151, 233], т.е. система «Эйдос» анализирует исходные данные рейтинга и строит модель, в которой отражено как влияют значения частных критериев на значение интегрального критерия, т.е. на итоговую общую оценку рейтинга вуза.

6.2.2.2.3. Частные критерии университетского
рейтинга Гардиан

Университетский рейтинг Гардиан[30] выгодно отличается от других тем, что измеряет качество преподавания, использования учебных ресурсов, а также оценивает уровень исследовательской деятельности, что очень полезно для тех, кто интересуется послевузовскими программами – магистратурой, докторантурой и проч.

Как указано на официальном сайте рейтинга¹⁰ в нем используются следующие частные критерии:

1. Качество преподавания, которое оценивается национальным студенческим исследованием (NSS): процент удовлетворенных студентов.

2. Получение обратной связи от преподавателя и качество заданий. Оценивается опросом NSS, в котором устанавливается процент удовлетворенных студентов.

3. Результаты опроса NSS, в котором оценивается процент студентов, удовлетворенных общим качеством выбранной программы.

4. Затраты на студента – оценка по 10-балльной шкале.

5. Соотношение студент – работник вуза: количество студентов на штатную единицу университета.

6. Карьерные перспективы: процент выпускников, сумевших найти работу или продолжить обучение в течение полугода после окончания вуза.

7. Уровень прогресса студентов на основе сравнения университетских результатов с оценками предыдущего сертификата (обычно, школьного или университетского): оценка по 10-балльной шкале. Данный показатель демонстрирует, насколько преподавательский состав способен повлиять на улучшение успеваемости студентов.

8. Проходной балл при поступлении в вуз на основе оценок предыдущего сертификата обучения (школьный или университетский сертификат).

Отметим, что считаем важным достоинством данного рейтинга то, что он ведется по различным направлениям подготовки, которых 45 (таблица 15):

Таблица 15 – Направления подготовки, по которым проводился
университетский рейтинг Гардиан

№	Наименование
1	Agriculture, forestry and food
2	American studies
3	Anatomy and physiology
4	Anthropology
5	Archaeology and Forensics
6	Architecture
7	Art and design
8	Biosciences
9	Building and town and country planning
10	Business and management studies
11	Chemistry
12	Classics
13	Computer sciences and IT
14	Dentistry
15	Drama and dance
16	Earth and marine sciences
17	Economics
18	Education
19	Engineering: chemical
20	Engineering: civil
21	Engineering: electronic and electrical
22	Engineering: general
23	Engineering: materials and mineral
24	Engineering: mechanical
25	English
26	Geography and environmental studies
27	History and history of art
28	Law
29	Mathematics
30	Media studies, communications and librarianship
31	Medicine
32	Modern languages and linguistics
33	Music
34	Nursing and paramedical studies
35	Pharmacy and pharmacology
36	Philosophy
37	Physics
38	Politics
39	Psychology
40	Religious studies and theology
41	Social policy and administration
42	Sociology
43	Sports science
44	Tourism, transport and travel
45	Veterinary science

В университетском рейтинге Гардиан содержатся рейтинги 155 вузов. Однако интегральный критерий, позволяющий получить рейтинговую оценку вуза на основе установленных для него значений частных критериев, на официальном сайте рейтинга Гардиан[31] не приводится. Поэтому для того, чтобы применить данный рейтинг на практике необходимо реконструировать его интегральный критерий и создать модель, отражающую силу и знак связи между значениями частных критериев и значениями интегрального критерия. Решим эту задачу в системе «Эйдос» на численном примере на основе реальных данных рейтинга Гардиан.

6.2.2.3. Численный пример

6.2.2.3.1. Источники исходных данных

В нижней части одной из страниц официального сайта университетского рейтинга Гардиан[32] есть ссылка на Excel-таблицу, которую мы использовали в качестве исходных данных:

Download the data

• DATA: download the full spreadsheet.

Кликнув по этой ссылке, мы получаем on-line доступ к этой Excel-таблице (рисунок 15):

Рисунок 15. Excel-таблица исходных данных по университетскому рейтингу Гардиан с официального сайта рейтинга (фрагмент)

Чтобы скачать эту таблицу на локальном компьютере нужно кликнуть слева вверху по пункту меню «Файл», а затем выбрать: «Сохранить как» и указать тип файла.

6.2.2.3.2. Подготовка исходных данных
для системы «Эйдос»

Однако в соответствии с 1-м и единственным не автоматизированным в системе «Эйдос» этапом АСК-анализа, который называется: «Когнитивно-целевая структуризация предметной области» перед созданием интеллектуального приложения мы должны определиться, что мы хотим определять с помощью модели и на основе чего.

В данной задаче для каждого университета по значениям его показателей мы бы хотели определить:

– обобщающий рейтинг Гардиан (Guardian score/100);

– рейтинг по каждому из направлений подготовки (Rank), перечисленных в таблице 15;

– основное (профилирующее) направление подготовки (Field of study).

– само наименование университета (Name of Institution).

Наименования показателей университета:

1. % Satisfied with Teaching.

2. % Satisfied overall with course.

3. Expenditure per student (FTE).

4. Student:staff ratio.

5. Career prospects.

6. Value added score/10.

7. Average Entry Tariff.

8. % Satisfied with Assessment.

Перевод этих показателей на русский язык приведен в разделе 2.3.

Учитывая эти результаты выполнения 1-го этапа АСК-анализа, перед для вводом данных в систему «Эйдос», таблицу, скачанную на предыдущем шаге с официального сайта рейтинга Гардиан и приведенную на рисунке 15, необходимо преобразовать в такую форму, которая бы отражала те способы группировки данных по университетам, которые нас интересуют и соответствовала бы требованиям системы «Эйдос» к внешним базам исходных данных (рисунок 16):

Рисунок 16. Экранная форма системы «Эйдос»
с описанием требований к внешним базам исходных данных

Для этого преобразуем таблицу, приведенную на рисунке 15, следующим образом:

1. Добавим лист (вкладку) с наименованием: «Inp_data» на 1-ю позицию. На этом листе будет формироваться результат для ввода данных всех данных по рейтингу в систему «Эйдос».

2. Переименуем наименования всех вкладок с рейтингами по направлений подготовки, полностью убирая текстовое наименование направления подготовки и оставляя только его номер (код). Это нужно для того, чтобы проще было писать формулы со ссылками на листы с информацией о рейтингах по направлениям подготовки.

3. Добавим отладочную страницу «P», на которой апробируем способ отображения абсолютного рейтинга в относительный (нормированный). Дело в том, что в таблице на рисунке 15 в каждом рейтинге по направлению подготовки участвует разное число университетов, а рейтингом является просто порядковый номер в списке. В результате рейтинги по направлениям подготовки изменяются в различных пределах от 1 до числа университетов, имеющих данное направление подготовки. В результате такие рейтинги оказываются несопоставимыми, что нас не устраивает Чтобы преодолеть эту проблему мы нормировали абсолютные рейтинги по направлениям подготовки к 10-бальной числовой шкале, т.е. преобразовали их в относительные. Можно было взять и любое другое число градаций шкалы, но мы посчитали, что такая шкала обеспечивает необходимую и достаточную для практики точность. Кроме того этот лист мы затем используем для модификации листов с рейтингами по направлениям подготовки. В таблице 16 приведены результат нормирования абсолютного рейтинга с 27 градациями и формулы, с помощью которых это делается.

Таблица 16 – Способ и результат нормирования абсолютного рейтинга
по направлению подготовки

Результат нормирования

абсолютного рейтинга

Способ (формулы) нормирования абсолютного рейтинга

	A	B	C
1	X1=	1
2	X2=	27
3	Y1=	1
4	Y2=	10
5
6	Абсолют. рейтинг		Относит. рейтинг
7	1		1,00
8	2		1,35
9	3		1,69
10	4		2,04
11	5		2,38
12	6		2,73
13	7		3,08
14	8		3,42
15	9		3,77
16	10		4,12
17	11		4,46
18	12		4,81
19	13		5,15
20	14		5,50
21	15		5,85
22	16		6,19
23	17		6,54
24	18		6,88
25	19		7,23
26	20		7,58
27	21		7,92
28	22		8,27
29	23		8,62
30	24		8,96
31	25		9,31
32	26		9,65
33	27		10,00

A	B	C
X1=	=A7
X2=	=A33
Y1=	1
Y2=	10
Абсолютный рейтинг		Относительный рейтинг
1		=$B$3+(A7-$B$1)/($B$2-$B$1)*($B$4-$B$3)
2		=$B$3+(A8-$B$1)/($B$2-$B$1)*($B$4-$B$3)
3		=$B$3+(A9-$B$1)/($B$2-$B$1)*($B$4-$B$3)
4		=$B$3+(A10-$B$1)/($B$2-$B$1)*($B$4-$B$3)
5		=$B$3+(A11-$B$1)/($B$2-$B$1)*($B$4-$B$3)
6		=$B$3+(A12-$B$1)/($B$2-$B$1)*($B$4-$B$3)
7		=$B$3+(A13-$B$1)/($B$2-$B$1)*($B$4-$B$3)
8		=$B$3+(A14-$B$1)/($B$2-$B$1)*($B$4-$B$3)
9		=$B$3+(A15-$B$1)/($B$2-$B$1)*($B$4-$B$3)
10		=$B$3+(A16-$B$1)/($B$2-$B$1)*($B$4-$B$3)
11		=$B$3+(A17-$B$1)/($B$2-$B$1)*($B$4-$B$3)
12		=$B$3+(A18-$B$1)/($B$2-$B$1)*($B$4-$B$3)
13		=$B$3+(A19-$B$1)/($B$2-$B$1)*($B$4-$B$3)
14		=$B$3+(A20-$B$1)/($B$2-$B$1)*($B$4-$B$3)
15		=$B$3+(A21-$B$1)/($B$2-$B$1)*($B$4-$B$3)
16		=$B$3+(A22-$B$1)/($B$2-$B$1)*($B$4-$B$3)
17		=$B$3+(A23-$B$1)/($B$2-$B$1)*($B$4-$B$3)
18		=$B$3+(A24-$B$1)/($B$2-$B$1)*($B$4-$B$3)
19		=$B$3+(A25-$B$1)/($B$2-$B$1)*($B$4-$B$3)
20		=$B$3+(A26-$B$1)/($B$2-$B$1)*($B$4-$B$3)
21		=$B$3+(A27-$B$1)/($B$2-$B$1)*($B$4-$B$3)
22		=$B$3+(A28-$B$1)/($B$2-$B$1)*($B$4-$B$3)
23		=$B$3+(A29-$B$1)/($B$2-$B$1)*($B$4-$B$3)
24		=$B$3+(A30-$B$1)/($B$2-$B$1)*($B$4-$B$3)
25		=$B$3+(A31-$B$1)/($B$2-$B$1)*($B$4-$B$3)
26		=$B$3+(A32-$B$1)/($B$2-$B$1)*($B$4-$B$3)
27		=$B$3+(A33-$B$1)/($B$2-$B$1)*($B$4-$B$3)

Получим выражение для линейного отображения абсолютной шкалы, с числом градаций X₂ в относительную шкалу, с заданным числом градаций Y₂ (рисунок 17):

Рисунок 17. К выводу выражения для линейного отображения абсолютной шкалы в относительную шкалу (линейная нормировка абсолютной шкалы)

Из рисунка 17 видно, что:

Откуда получаем искомое выражение для нормировки:

где:

C – относительный рейтинг;

A – абсолютный рейтинг;

Y₁ –значение начальной градации шкалы относительного рейтинга;

Y₂ –значение конечной градации шкалы относительного рейтинга (число градаций, если Y₁ = 1);

X₁ – значение начальной градации шкалы абсолютного рейтинга;

X₂ – значение конечной градации шкалы абсолютного рейтинга (число градаций, если X₁ = 1).

Этому выражению можно придать вид линейного уравнения, но нам в этом нет необходимости.

4. На следующем шаге:

– копируем таблицу для нормировки абсолютных шкал на все листы с рейтингами по направлениям подготовки;

– корректируем значение X₂ на фактическое в данной абсолютной шкале.

В результате и получаем такие листы (таблица 17):

Таблица 17 – Преобразование абсолютного рейтинга по направлению
подготовки: «Медицина» в относительный (нормированный)

Отметим, что значение Y₂=10 во всех листах берется с листа «P» с исходной таблицей для преобразования абсолютных шкал в относительные, и, если его изменить там, то оно сразу меняется на всех листах с рейтингами по направлениям подготовки.

5. Затем формируем лист для ввода данных в систему «Эйдос». Для этого мы собираем на одном листе данные со всех листов с рейтингами по направлениям подготовки (таблица 18):

Таблица 18 – Исходные данные по рейтингу Гардиан,
подготовленные для ввода в систему «Эйдос» (фрагмент)

В таблице 18 приводится лишь фрагмент исходных данных, т.к. их распечатка составляет 25 листов.

Отметим, что исходный файл и файл исходных данных находятся на сайте автора в полном открытом бесплатном доступе на страничке: http://lc.kubagro.ru/ej_data/1071503001/Downloads.rar. Ниже приведена таблица 19 с формулами для расчета таблицы 18:

Таблица 19 – Формулы для расчета исходных данных по рейтингу Гардиан, для их подготовки к для ввода в систему «Эйдос» (фрагмент)

6.2.2.3.3. Установка системы «Эйдос»

Скачиваем и устанавливаем систему «Эйдос». 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.[33]

ИНСТРУКЦИЯ
по скачиванию и установке системы «Эйдос» (объем около 50 Мб)

Система не требует инсталляции, не меняет никаких системных файлов и содержимого папок операционной системы,
т.е. является портативной (portable) программой. Но чтобы она работала необходимо аккуратно выполнить следующие пункты.

1. Скачать самую новую на текущий момент версию системы «Эйдос-Х++» по ссылкам:

http://lc.kubagro.ru/a.rar или: http://lc.kubagro.ru/Aidos-X.exe (ссылки для обновления системы даны в режиме 6.2).

2. Разархивировать этот архив в любую папку с правами на запись с коротким латинским именем и путем доступа,
включающим только папки с такими же именами (лучше всего в корневой каталог какого-нибудь диска).

3. Запустить систему. Файл запуска:  _AIDOS-X.exe ^*

4. Задать имя: 1 и пароль: 1 (потом их можно поменять в режиме 1.2).

5. Перед тем как запустить новый режим НЕОБХОДИМО ЗАВЕРШИТЬ предыдущий (Help можно не закрывать). Окна закрываются в порядке, обратном порядку их открытия.

^* Разработана программа: «_START_AIDOS.exe», полностью снимающая с пользователя системы «Эйдос-Х++» заботу о проверке наличия и скачивании обновлений. Эту программу надо просто скачать по ссылке: http://lc.kubagro.ru/Install_Aidos-X/_START_AIDOS.exe , поместить в папку с исполнимым модулем системы и всегда запускать систему с помощью этого файла.

При запуске программы _START_AIDOS.EXE система Эйдос не должна быть запущена, т.к. она содержится в файле обновлений и при его разархивировании возникнет конфликт, если система будет запущена.

1. Программа _START_AIDOS.exe определяет дату системы Эйдос в текущей папке, и дату обновлений на FTP-сервере не скачивая их, и, если система Эйдос в текущей папке устарела, скачивает обновления. (Если в текущей папке нет исполнимого модуля системы Эйдос, то программа пытается скачать полную инсталляцию системы, но не может этого сделать из-за ограниченной функциональности демо-версии библиотеки Xb2NET.DLL).

2. После этого появляется диалоговое окно с сообщением, что надо сначала разархивировать систему, заменяя все файлы (опция: «Yes to All» или «OwerWrite All»), и только после этого закрыть данное окно.

3. Потом программа _START_AIDOS.exe запускает обновления на разархивирование. После окончания разархивирования окно архиватора с отображением стадии процесса исчезает.

4. После закрытия диалогового окна с инструкцией (см. п.2), происходит запуск обновленной версии системы Эйдос на исполнение.

Для работы программы _START_AIDOS.exe необходима библиотека: Xb2NET.DLL, которую можно скачать по ссылке: http://lc.kubagro.ru/Install_Aidos-X/Xb2NET.DLL . Перед первым запуском этой программы данную библиотеку необходимо скачать и поместить либо в папку с этой программой, а значит и  исполнимым модулем системы «Эйдос-Х++», либо в любую другую папку, на которую в операционной системе прописаны пути поиска файлов, например в папку: c:\Windows\System32\. Эта библиотека стоит около 500$ и у меня ее нет, поэтому я даю только бесплатную демо-версию, которая выдает сообщение об ограниченной функциональности, но для наших целей ее достаточно.

Лицензия:

Автор отказывается от какой бы то ни было ответственности за Ваш выбор и последствия применения или не применения Вами системы «Эйдос».

Проще говоря, пользуйтесь если понравилось, а если не понравилось – не пользуйтесь: решайте сами и сами несите ответственность за Ваше решение.

PS

Еще считаю важным отметить, что система «Эйдос-Х++» создавалась автором проф.Е.В.Луценко не как программный продукт, т.е. не на продажу, а для применения в учебном процессе и для научных исследований. Поэтому она не соответствует требованиям к программному продукту. Этим обусловлен и выбор языка программирования, который выбран таким образом, чтобы легче было использовать огромные наработки: исходные тексты DOS-версии системы «Эйдос» ver.12.5 (если бы ставилась цель создать программный продукт, то наверное был бы выбран язык JAWA).

6.2.2.3.4. Ввод исходных данных в систему «Эйдос»
с помощью одного и ее программных
интерфейсов

Записываем файл исходных данных, приведенный в таблице 18, с именем: Inp_data.xls в папку с системой (если она на диске C: в коревом каталоге) по пути:

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

Запускаем систему «Эйдос» и задаем режим 2.3.2.2 с параметрами, указанными на экранной форме (рисунок 18):

Рисунок 18. Экранная форма универсального программного интерфейса
импорта данных из внешних баз данных в систему «Эйдос»

Через несколько секунд на заднем фоне[34] появляется окно (рисунок 19) на котором нажимаем «Сохранить» или «Не сохранять», после чего появляется экранный калькулятор (рисунок 20):

Рисунок 19. Экранная форма, выдаваемая MS Excel, т.к. в файле исходных данных есть расчетные ячейки

Рисунок 20. Экранного калькулятора универсального программного
интерфейса импорта данных из внешних баз данных в систему «Эйдос»

На этом калькуляторе а данном случае задано по 10 интервальных числовых значений в числовых классификационных и описательных шкалах. Можно задать другие их количество, затем пересчитать шкалы и градации и выйти на создание модели.

За 41 секунду происходит формирование классификационных и описательных шкал и градаций и обучающей выборки по 2559 примерам вузов, описанных в исходных данных (рисунок 21):

Рисунок 21. Экранная форма отображения стадии
и прогноза времени исполнения

В результате автоматически формируются классификационные е и описательные шкалы и градации и обучающая выборка, приведенные в таблицах 20, 21, 22:

Таблица 20 – Классификационные шкалы и градации (фрагмент)

Код	Наименование
1	GUARDIAN SCORE/100-1/10-{25.9000000, 33.3100000}
2	GUARDIAN SCORE/100-2/10-{33.3100000, 40.7200000}
3	GUARDIAN SCORE/100-3/10-{40.7200000, 48.1300000}
4	GUARDIAN SCORE/100-4/10-{48.1300000, 55.5400000}
5	GUARDIAN SCORE/100-5/10-{55.5400000, 62.9500000}
6	GUARDIAN SCORE/100-6/10-{62.9500000, 70.3600000}
7	GUARDIAN SCORE/100-7/10-{70.3600000, 77.7700000}
8	GUARDIAN SCORE/100-8/10-{77.7700000, 85.1800000}
9	GUARDIAN SCORE/100-9/10-{85.1800000, 92.5900000}
10	GUARDIAN SCORE/100-10/10-{92.5900000, 100.0000000}
11	RANK-01.Agriculture, forestry and food
12	RANK-01.American studies
13	RANK-01.Anatomy and physiology
14	RANK-01.Anthropology
15	RANK-01.Archaeology and Forensics
16	RANK-01.Architecture
17	RANK-01.Art and design
18	RANK-01.Biosciences
19	RANK-01.Building and town and country planning
20	RANK-01.Business and management studies
21	RANK-01.Chemistry
22	RANK-01.Classics
23	RANK-01.Computer sciences and IT
24	RANK-01.Dentistry
25	RANK-01.Drama and dance
26	RANK-01.Earth and marine sciences
27	RANK-01.Economics
28	RANK-01.Education
29	RANK-01.Engineering: chemical
30	RANK-01.Engineering: civil
31	RANK-01.Engineering: electronic and electrical
32	RANK-01.Engineering: general
33	RANK-01.Engineering: materials and mineral
34	RANK-01.Engineering: mechanical
35	RANK-01.English
36	RANK-01.Geography and environmental studies
37	RANK-01.History and history of art
38	RANK-01.Law
39	RANK-01.Mathematics
40	RANK-01.Media studies, communications and librarianship
41	RANK-01.Medicine
42	RANK-01.Modern languages and linguistics
43	RANK-01.Music
44	RANK-01.Nursing and paramedical studies
45	RANK-01.Pharmacy and pharmacology
46	RANK-01.Philosophy
47	RANK-01.Physics
48	RANK-01.Politics
49	RANK-01.Psychology
50	RANK-01.Religious studies and theology
51	RANK-01.Social policy and administration
52	RANK-01.Social work
53	RANK-01.Sociology
54	RANK-01.Sports science
55	RANK-01.Tourism, transport and travel
56	RANK-01.Veterinary science
57	RANK-02.Agriculture, forestry and food
58	RANK-02.American studies
59	RANK-02.Anatomy and physiology
60	RANK-02.Anthropology
61	RANK-02.Archaeology and Forensics
62	RANK-02.Architecture
63	RANK-02.Art and design
64	RANK-02.Biosciences
65	RANK-02.Building and town and country planning
66	RANK-02.Business and management studies
67	RANK-02.Chemistry
68	RANK-02.Classics
69	RANK-02.Computer sciences and IT
70	RANK-02.Dentistry
71	RANK-02.Drama and dance
72	RANK-02.Earth and marine sciences
73	RANK-02.Economics
74	RANK-02.Education
75	RANK-02.Engineering: chemical
76	RANK-02.Engineering: civil
77	RANK-02.Engineering: electronic and electrical
78	RANK-02.Engineering: general
79	RANK-02.Engineering: materials and mineral
80	RANK-02.Engineering: mechanical
81	RANK-02.English
82	RANK-02.Geography and environmental studies
83	RANK-02.History and history of art
84	RANK-02.Law
85	RANK-02.Mathematics
86	RANK-02.Media studies, communications and librarianship
87	RANK-02.Medicine
88	RANK-02.Modern languages and linguistics
89	RANK-02.Music
90	RANK-02.Nursing and paramedical studies
91	RANK-02.Pharmacy and pharmacology

Таблица 21 – Описательные шкалы и градации (фрагмент)

Код	Наименование
80	% SATISFIED WITH ASSESSMENT-10/10-{88.8275502, 96.6000000}
79	% SATISFIED WITH ASSESSMENT-9/10-{81.0551004, 88.8275502}
78	% SATISFIED WITH ASSESSMENT-8/10-{73.2826506, 81.0551004}
77	% SATISFIED WITH ASSESSMENT-7/10-{65.5102008, 73.2826506}
76	% SATISFIED WITH ASSESSMENT-6/10-{57.7377510, 65.5102008}
75	% SATISFIED WITH ASSESSMENT-5/10-{49.9653012, 57.7377510}
74	% SATISFIED WITH ASSESSMENT-4/10-{42.1928514, 49.9653012}
73	% SATISFIED WITH ASSESSMENT-3/10-{34.4204016, 42.1928514}
72	% SATISFIED WITH ASSESSMENT-2/10-{26.6479518, 34.4204016}
71	% SATISFIED WITH ASSESSMENT-1/10-{18.8755020, 26.6479518}
70	AVERAGE ENTRY TARIFF-10/10-{551.7000000, 598.0000000}
69	AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000}
68	AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000}
67	AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000}
66	AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000}
65	AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000}
64	AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000}
63	AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000}
62	AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000}
61	AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000}
60	VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000}
59	VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000}
58	VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000}
57	VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000}
56	VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000}
55	VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000}
54	VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000}
53	VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000}
52	VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000}
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}
40	STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}

Таблица 22 – Обучающая выборка (фрагмент)

The object of training sample	Guardian score/100	Rank	Field of study	Name of Institution	% Satisfied with Teaching	% Satisfied overall with course	Expenditure per student (FTE)	Student:staff ratio	Career prospects	Value added score/10	Average Entry Tariff	% Satisfied with Assessment
Medicine-Oxford, 2012	10	41	498	606	10	20		31	50	57	70	79
Medicine-Cambridge, 2012	10	41	498	535	9	19	30	31	50	52	70	76
Medicine-Edinburgh, 2012	9	87	498	553	9	19	30	31	50	54	69	75
Medicine-Dundee, 2012	9	87	498	549	10	20	30	31	50	56	68	76
Medicine-UCL, 2012	8	87	498	652	9	19	26	31	50	59	69	76
Medicine-Imperial College, 2012	6	132	498	575	9	19	27	31	50	53	69	74
Medicine-Leicester, 2012	6	132	498	585	9	19	25	31	50	55	68	75
Medicine-Newcastle, 2012	6	132	498	598	10	20	24	31	50	55	68	75
Medicine-Peninsula Medical School, 2012	6	132	498	608	9	19	27	31	50	54	68	76
Medicine-Nottingham, 2012	6	178	498	604	9	19	23	31	50	54	69	74
Medicine-King's College London, 2012	5	178	498	578	8	18	25	31	50	56	68	74
Medicine-Warwick, 2012	5	178	498	660	8	18	28	31	50	59		74
Medicine-Leeds, 2012	4	224	498	581	8	18	26	31	50	56	68	75
Medicine-Hull York Medical School, 2012	4	224	498	574	8	18	24	32	50	58	68	75
Medicine-Manchester, 2012	4	224	498	593	6	15	28	31	50	59	68	73
Medicine-Sheffield, 2012	4	224	498	628	9	19	23	31	50	54	68	75
Medicine-Aberdeen, 2012	4	269	498	513	9	19	24	31	50	56	67	77
Medicine-Brighton Sussex Medical School, 2012	4	269	498	530	8	18	24	32	50	57		75
Medicine-Queen Mary, 2012	4	269	498	613	7	17	24	31	50	58	68	74
Medicine-St George's Medical School, 2012	4	315	498	634	8	19	26	32	50	56	68	75
Medicine-Southampton, 2012	4	315	498	631	8	18	24	31	50	57	68	74
Medicine-St Andrews, 2012	4	361	498	633	10	20	22	32	50	51	68	76
Medicine-Glasgow, 2012	3	361	498	560	6	15	25	31	50	55	69	72
Medicine-UEA, 2012	3	361	498	653	8	18	23	31	50	59	67	75
Medicine-Birmingham, 2012	3	361	498	523	9	18	23	32	50	53	69	72
Medicine-Queen's, Belfast, 2012	3	406	498	611	8	18	24	32	50	53	68	75
Medicine-Liverpool, 2012	2	406	498	587	6	15	24	31	50	54	68	72
Medicine-Bristol, 2012	2	406	498	531	8	15	26	32	50	54	68	71
Medicine-Keele, 2012	1	452	498	576	7	14	23	32	50	57	67	72
Medicine-Cardiff, 2012	1	452	498	537	6	14	23	32	50	58	68	71
Dentistry-King's College London, 2012	10	24	481	578	9	18	28	31	50	57	68	77
Dentistry-Glasgow, 2012	8	70	481	560	10	20	23	32	50	56	68	78
Dentistry-Cardiff, 2012	8	115	481	537	9	20	28	31	50	51	68	75
Dentistry-Queen's, Belfast, 2012	7	115	481	611	10	20	29	31	50	55	67	76
Dentistry-Birmingham, 2012	7	161	481	523	10	18	25	31	50	56	68	76
Dentistry-Bristol, 2012	6	207	481	531	9	20	26	32	50	55	68	78
Dentistry-Dundee, 2012	5	252	481	549	8	19	24	31	50	57	68	75
Dentistry-Sheffield, 2012	4	252	481	628	9	19	23	31	50	56	68	76
Dentistry-Liverpool, 2012	3	298	481	587	8	17	27	31	50	57	68	76
Dentistry-Manchester, 2012	3	344	481	593	9	18	25	31	50	57	68	75
Dentistry-Newcastle, 2012	2	389	481	598	8	19	21	32	50	56	68	76
Dentistry-Queen Mary, 2012	1	389	481	613	7	17	24	31	50	57	68	76
Dentistry-Leeds, 2012	1	435	481	581	9	19	29	32	50	56	68	73
Veterinary science-Cambridge, 2012	10	56	512	535	9	19	28	31	49	53	69	77
Veterinary science-Edinburgh, 2012	8	147	512	553	9	18	29	31	50	59	68	74
Veterinary science-Liverpool, 2012	6	193	512	587	9	20	23	31	50	54	68	74
Veterinary science-Glasgow, 2012	5	284	512	560	9	20	23	31	50	58	68	75
Veterinary science-Nottingham, 2012	5	330	512	604			24	31			68
Veterinary science-Royal Veterinary College, 2012	5	421	512	625	8	17	28	31	49	56	68	73
Veterinary science-Bristol, 2012	1	467	512	531	9	19	23	32	49	53	67	74
Anatomy and physiology-Oxford, 2012	10	13	470	606	10	17	30	32		56	69	75
Anatomy and physiology-Glamorgan, 2012	10	13	470	559	9	19	24	32	50	60	65	78
Anatomy and physiology-Cardiff, 2012	10	59	470	537	9	20	30	32	50	55	67	75
Anatomy and physiology-Plymouth, 2012	9	59	470	609	10	19	28	31	48	58	65	79
Anatomy and physiology-Brunel, 2012	8	59	470	532	10	20	23	32	48	59	65	76
Anatomy and physiology-Liverpool, 2012	8	59	470	587	9	19	29	32	48	54	66	77
Anatomy and physiology-Sussex, 2012	8	59	470	643	9	20	26	32		59	66	76
Anatomy and physiology-Newcastle, 2012	7	104	470	598	9	20	24	32	48	55	67	76
Anatomy and physiology-Aston, 2012	7	104	470	518	8	18	26	33	50	52	66	78
Anatomy and physiology-Bristol, 2012	7	150	470	531	9	19	27	32	47	54	67	76
Anatomy and physiology-Nottingham, 2012	6	150	470	604	10	19	27	33		54	67	77
Anatomy and physiology-Birmingham, 2012	6	150	470	523	9	18		32	47	57	67	75
Anatomy and physiology-Sheffield Hallam, 2012	5	150	470	629	10	19	23	33	48	55	66	77
Anatomy and physiology-Manchester, 2012	5	196	470	593	9	19	25	32	48	54	67	75
Anatomy and physiology-Glasgow Caledonian, 2012	5	196	470	561	9	19	24	33	48	57	66	76
Anatomy and physiology-Edinburgh, 2012	5	196	470	553	9	19	29	33	45	55	67	74
Anatomy and physiology-Robert Gordon, 2012	5	241	470	616	9	20	23	34	48	57	67	76
Anatomy and physiology-De Montfort, 2012	5	241	470	547	8	19	25	33	50	55	64	76
Anatomy and physiology-Hertfordshire, 2012	5	241	470	570	8	19	23	33	49	57	63	77
Anatomy and physiology-UEA, 2012	5	241	470	653	10	20			49	53	65	75
Anatomy and physiology-Queen's, Belfast, 2012	4	287	470	611	9	19	29	32	46	57	65	74
Anatomy and physiology-Aberdeen, 2012	4	287	470	513	8	20	24	33	47	56	64	78
Anatomy and physiology-Bradford, 2012	4	287	470	528	8	20	24	33	49	53	65	76
Anatomy and physiology-Birmingham City, 2012	2	287	470	524	9	15	23	34	48	58	65	75

Полностью обучающая выборка в работе не может быть приведена, т.к. файл исходных данных содержит 2559 строк.

Этим завершается 2-й этап АСК-анализа, который называется «Формализация предметной области» и создаются все необходимые и достаточные предпосылки для выполнения следующего этапа, т.е. синтеза и верификации (измерения достоверности) модели.

6.2.2.3.5. Синтез и верификация многокритериальной
системно-когнитивной модели
университетского рейтинга Гардиан,
учитывающей направления подготовки

Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга Гардиан, учитывающей направления подготовки, представляет собой задачу, требующую довольно значительных вычислительных ресурсов. Решение этой задачи на компьютере с процессором i7 и 16 Гб оперативной памяти с размещение задачи на SSD, потребовало около 13 часов счета (рисунок 22).

Рисунок 22. Экранная форма с отображением стадии синтеза и верификации
моделей и прогнозом времени исполнения

Такая большая длительность расчетов обусловлена тем, что для измерения достоверности 10 моделей была использована вся обучающая выборка, включающая 2559 примеров.

Математические аспекты формирования системно-когнитивных моделей описаны в ряде работ автора [3-273] и здесь их подробно освещать нет необходимости. Отметим лишь, что для преобразования матрицы абсолютных частот в другие модели используются формулы преобразования, приведенные в таблице 23:

Таблица 23 – 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;

N_ij – 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.

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

N_j – 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.

I_ij – 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, 1979, впервые опубликовано в 1993 году [273]), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

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

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

В результате сформированы 10 моделей: 3 статистических и 7 системно-когнитивных моделей (моделей знаний). Фрагменты трех из них приведены ниже (таблицы 11, 12, 13):

Таблица 24 – Матрица абсолютных частот, модель ABS (фрагмент)

Код	Наименование показателя	1/10-{25.90, 33.31}	2/10-{33.31, 40.72}	3/10-{40.72, 48.13}	4/10-{48.13, 55.54}	5/10-{55.54, 62.95}	6/10-{62.95, 70.36}	7/10-{70.36, 77.77}	8/10-{77.77, 85.18}	9/10-{85.18, 92.59}	10/10-{92.59, 100.00}
1	% SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}	2	2	1	0	2	0	1	0	0	0
2	% SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}	4	8	0	1	1	0	1	0	0	0
3	% SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}	3	8	7	5	2	4	2	2	1	0
4	% SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}	7	23	17	18	9	4	6	3	1	0
5	% SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}	6	22	31	43	30	29	9	5	0	0
6	% SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}	17	29	63	72	79	43	22	12	5	3
7	% SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000}	15	22	65	93	108	89	53	43	20	12
8	% SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}	6	21	55	96	121	121	101	41	30	27
9	% SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}	6	9	25	54	87	104	97	71	38	35
10	% SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}	1	2	3	12	23	18	39	23	21	32
11	% SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}	3	3	2	1	0	0	0	1	1	0
12	% SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}	3	5	1	1	2	1	0	0	1	0
13	% SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}	4	7	5	4	6	2	2	1	0	0
14	% SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}	6	16	17	11	13	6	5	3	0	0
15	% SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}	9	20	20	31	21	19	5	6	0	0
16	% SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}	9	23	41	45	45	33	19	11	4	0
17	% SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}	16	28	65	81	96	73	45	16	9	2
18	% SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}	8	26	66	109	118	110	80	42	25	12
19	% SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}	5	15	40	84	118	114	111	73	43	44
20	% SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}	4	3	10	27	43	54	64	47	33	51
21	EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}	2	4	3	0	1	0	0	0	0	0
22	EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}	9	28	44	33	23	13	9	0	0	0
23	EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}	31	48	84	114	102	64	20	13	5	2
24	EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}	17	35	63	111	121	86	51	21	2	2
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}	6	15	38	47	67	63	58	19	7	4
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}	0	9	18	35	54	59	42	28	14	6
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}	2	6	8	28	39	52	47	29	14	8
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}	0	5	13	14	35	40	48	32	19	15
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}	1	0	0	12	22	25	33	35	23	11
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}	0	0	1	3	4	9	24	23	31	56
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}	1	2	4	11	16	13	17	17	18	20
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}	7	7	9	29	44	62	73	69	46	50
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}	7	24	53	101	160	150	131	69	43	37
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}	15	36	90	144	167	122	93	33	12	6
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}	22	34	74	79	59	47	16	11	2	2
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}	8	24	20	23	19	8	1	1	1	0
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}	4	12	10	6	2	4	1	0	0	0
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}	2	5	9	3	1	0	0	0	0	0
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}	2	3	2	0	0	1	0	0	0	0
40	STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}	0	1	0	0	0	0	0	0	0	0
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}	2	5	5	5	2	0	0	0	0	0
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}	5	14	18	21	21	4	0	0	0	1
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}	12	15	41	61	57	21	14	0	1	1
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}	6	32	36	65	58	36	31	7	3	0
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}	8	19	32	66	67	89	51	19	5	1
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}	3	7	24	40	65	51	55	21	14	8
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}	1	3	10	30	28	55	47	45	27	14
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}	0	3	11	10	26	30	42	36	21	29
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}	2	1	1	4	14	10	19	19	14	19
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}	6	3	9	20	14	16	16	10	7	9
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}	15	21	20	24	12	3	2	2	1	0

Таблица 25 – Матрица условных и безусловных
процентных распределений , модель PRC2 (фрагмент)

Код	Наименование показателя	1/10-{25.90, 33.31}	2/10-{33.31, 40.72}	3/10-{40.72, 48.13}	4/10-{48.13, 55.54}	5/10-{55.54, 62.95}	6/10-{62.95, 70.36}	7/10-{70.36, 77.77}	8/10-{77.77, 85.18}	9/10-{85.18, 92.59}	10/10-{92.59, 100.00}
1	% SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}	3	1	0	0	0	0	0	0	0	0
2	% SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}	6	5	0	0	0	0	0	0	0	0
3	% SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}	4	5	3	1	0	1	1	1	1	0
4	% SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}	10	15	6	5	2	1	2	1	1	0
5	% SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}	9	15	11	11	6	7	3	2	0	0
6	% SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}	25	19	23	18	17	10	7	6	4	3
7	% SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000}	22	15	24	23	23	21	16	21	16	10
8	% SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}	9	14	20	24	26	29	30	20	24	23
9	% SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}	9	6	9	14	18	25	29	35	31	30
10	% SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}	1	1	1	3	5	4	12	11	17	28
11	% SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}	4	2	1	0	0	0	0	0	1	0
12	% SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}	4	3	0	0	0	0	0	0	1	0
13	% SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}	6	5	2	1	1	0	1	0	0	0
14	% SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}	9	11	6	3	3	1	1	1	0	0
15	% SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}	13	13	7	8	4	5	1	3	0	0
16	% SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}	13	15	15	11	10	8	6	5	3	0
17	% SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}	23	19	24	20	20	18	13	8	7	2
18	% SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}	12	17	24	27	25	27	24	21	20	10
19	% SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}	7	10	15	21	25	27	33	36	35	38
20	% SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}	6	2	4	7	9	13	19	23	27	44
21	EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}	3	3	1	0	0	0	0	0	0	0
22	EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}	13	19	16	8	5	3	3	0	0	0
23	EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}	45	32	31	29	22	15	6	6	4	2
24	EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}	25	23	23	28	26	21	15	10	2	2
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}	9	10	14	12	14	15	17	9	6	3
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}	0	6	7	9	11	14	13	14	11	5
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}	3	4	3	7	8	13	14	14	11	7
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}	0	3	5	4	7	10	14	16	15	13
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}	1	0	0	3	5	6	10	17	19	9
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}	0	0	0	1	1	2	7	11	25	48
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}	1	1	1	3	3	3	5	8	15	17
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}	10	5	3	7	9	15	22	34	37	43
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}	10	16	19	25	34	36	39	34	35	32
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}	22	24	33	36	35	29	28	16	10	5
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}	32	23	27	20	12	11	5	5	2	2
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}	12	16	7	6	4	2	0	0	1	0
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}	6	8	4	2	0	1	0	0	0	0
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}	3	3	3	1	0	0	0	0	0	0
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}	3	2	1	0	0	0	0	0	0	0
40	STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}	0	1	0	0	0	0	0	0	0	0
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}	3	3	2	1	0	0	0	0	0	0
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}	7	9	7	5	4	1	0	0	0	1
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}	17	10	15	15	12	5	4	0	1	1
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}	9	21	13	16	12	9	9	3	2	0
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}	12	13	12	17	14	21	15	9	4	1
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}	4	5	9	10	14	12	16	10	11	7
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}	1	2	4	8	6	13	14	22	22	12
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}	0	2	4	3	5	7	13	18	17	25
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}	3	1	0	1	3	2	6	9	11	16
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}	9	2	3	5	3	4	5	5	6	8
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}	22	14	7	6	3	1	1	1	1	0
52	VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000}	14	13	10	10	7	6	4	1	0	3
53	VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000}	13	15	17	15	11	8	7	3	3	3
54	VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000}	6	17	19	16	12	13	10	11	11	3
55	VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000}	6	7	8	10	12	13	14	8	7	9
56	VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000}	10	11	8	8	14	13	11	14	11	9
57	VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000}	7	6	8	10	15	16	19	24	25	28
58	VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000}	6	6	8	9	10	12	18	18	24	25
59	VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000}	1	2	3	7	7	7	9	12	10	11
60	VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000}	0	1	1	1	3	4	4	3	4	6
61	AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000}	4	5	4	2	0	1	1	0	0	0
62	AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000}	30	29	21	10	9	5	4	1	2	1
63	AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000}	38	37	35	35	26	18	13	5	7	1
64	AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000}	10	19	25	27	29	25	12	10	10	2
65	AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000}	6	3	7	12	15	16	19	15	14	9
66	AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000}	3	2	4	6	10	17	23	19	20	13
67	AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000}	4	2	1	3	6	12	21	24	22	19
68	AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000}	4	2	1	3	2	3	6	16	15	14
69	AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000}	0	0	1	0	1	1	1	5	7	25

Таблица 26 – Матрица информативностей в модели модель INF1,
мера информации по А.Харкевичу в миллибитах (фрагмент)

Код	Наименование показателя	1/10-{25.90, 33.31}	2/10-{33.31, 40.72}	3/10-{40.72, 48.13}	4/10-{48.13, 55.54}	5/10-{55.54, 62.95}	6/10-{62.95, 70.36}	7/10-{70.36, 77.77}	8/10-{77.77, 85.18}	9/10-{85.18, 92.59}	10/10-{92.59, 100.00}
1	% SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}	1876	1219	140		252		-55
2	% SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}	1930	1850		-718	-850		-579
3	% SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}	1009	1168	556	-59	-954	-272	-683	-254	-394
4	% SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}	922	1256	503	216	-493	-1064	-560	-709	-1186
5	% SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}	221	646	431	369	-63	14	-795	-856
6	% SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}	523	310	456	233	178	-224	-616	-692	-984	-1349
7	% SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000}	77	-262	140	104	97	41	-225	29	-170	-536
8	% SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}	-832	-446	-144	-15	47	151	167	-156	22	-5
9	% SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}	-696	-1016	-665	-359	-93	161	269	438	355	347
10	% SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}	-1267	-1348	-1510	-690	-279	-379	432	420	782	1194
11	% SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}	1949	1291	453	-460				108	546
12	% SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}	1748	1516	-326	-661	-215	-688			345
13	% SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}	1325	1134	353	-168	38	-772	-606	-755
14	% SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}	905	1065	614	-83	-75	-615	-601	-598
15	% SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}	800	808	307	337	-119	-97	-1043	-463
16	% SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}	331	455	436	179	47	-106	-400	-427	-832
17	% SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}	287	96	297	145	155	32	-205	-638	-679	-1872
18	% SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}	-561	-236	39	123	57	103	4	-104	-98	-649
19	% SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}	-1021	-763	-446	-163	-11	65	209	288	285	365
20	% SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}	-661	-1558	-1055	-563	-306	-12	296	467	611	1034
21	EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}	1690	1610	870		-512
22	EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}	639	927	803	228	-204	-575	-715
23	EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}	743	450	416	335	111	-173	-976	-906	-1264	-1967
24	EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}	199	143	132	269	210	30	-239	-550	-2071	-2011
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}	-292	-187	87	-70	94	147	244	-257	-651	-1057
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}		-445	-368	-149	81	260	143	234	94	-552
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}	-933	-675	-936	-227	-83	262	344	370	201	-205
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}		-783	-488	-761	-129	87	405	496	500	363
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}	-1208			-631	-257	-46	352	830	918	364
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}			-2308	-1727	-1619	-838	145	538	1225	1778
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}	-951	-1031	-954	-446	-265	-334	56	485	971	1119
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}	-331	-989	-1280	-640	-424	-34	269	650	751	881
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}	-891	-522	-362	-160	92	143	197	91	135	70
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}	-192	-120	143	199	191	35	-25	-460	-865	-1382
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}	736	441	588	307	-67	-152	-884	-767	-1750	-1689
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}	886	1144	491	273	-18	-634	-2200	-1772	-1334
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}	1134	1392	739	-21	-1068	-386	-1375
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}	1113	1219	1208	-43	-1089
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}	1876	1556	718			-221
40	STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}		2374
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}	1156	1261	761	426	-469
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}	681	881	589	383	252	-1025				-1087
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}	596	125	462	458	270	-457	-629		-1961	-1901
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}	-153	584	182	339	113	-180	-138	-949	-1217
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}	-133	-70	-137	132	13	354	56	-338	-1012	-2293
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}	-772	-724	-197	-107	166	69	298	-76	25	-381
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}	-1602	-1344	-842	-261	-450	217	252	645	657	170
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}		-1158	-576	-991	-326	-102	345	645	634	963
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}	-253	-1488	-1989	-1169	-256	-432	269	698	882	1196
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}	608	-628	-213	118	-311	-95	71	108	249	519
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}	1451	1073	532	349	-360	-1410	-1582	-1153	-1293
52	VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000}	637	557	337	320	-45	-87	-379	-1291		-793
53	VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000}	222	310	423	310	59	-166	-314	-912	-940	-1120
54	VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000}	-648	221	331	182	-59	1	-219	-116	-153	-1075
55	VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000}	-481	-376	-182	-56	136	167	200	-201	-391	-145
56	VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000}	-63	-32	-267	-264	195	104	-52	196	28	-192
57	VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000}	-595	-762	-557	-355	3	35	163	365	439	551
58	VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000}	-630	-612	-331	-340	-184	-29	273	275	562	594
59	VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000}	-1300	-1043	-628	-17	-11	-44	180	423	283	410
60	VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000}		-1130	-1053	-624	-26	264	373	96	382	723
61	AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000}	894	943	818	316	-1068	-200	-797
62	AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000}	978	936	651	42	-70	-504	-776	-1569	-1131	-1986
63	AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000}	444	426	374	360	121	-216	-471	-1198	-1025	-2697
64	AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000}	-576	-49	185	196	290	161	-477	-585	-614	-2046
65	AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000}	-668	-1326	-528	-73	127	173	289	86	51	-252
66	AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000}	-1171	-1491	-988	-594	-183	259	528	357	447	81
67	AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000}	-690	-1348	-2186	-1028	-484	100	569	695	654	544
68	AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000}	-134	-792	-1053	-545	-676	-371	133	913	917	834
69	AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000}			-1002	-1914	-1130	-448	-1197	652	923	1958
70	AVERAGE ENTRY TARIFF-10/10-{551.7000000, 598.0000000}								374		2494
71	% SATISFIED WITH ASSESSMENT-1/10-{18.8755020, 26.6479518}	2454	1796

Достоверность этих моделей различна (рисунок 23):

Рисунок 23. Экранная форма отчета по достоверности моделей

Для количественной оценки достоверности моделей применена метрика, предложенная автором и по смыслу сходная с известным F-критерием (рисунок 24):

Рисунок 24. Экранная форма пояснения по достоверности моделей

Обращает на себя внимание, что системно-когнитивные модели (INF1 – INF7) имеют значительно более высокую среднюю достоверность, чем статистические. Такая картина по опыту автора наблюдается в подавляющем большинстве приложений. В этом и состоит обоснование целесообразности применения системно-когнитивных (интеллектуальных) моделей.

6.2.2.3.6. Наглядное отображение подматриц
системно-когнитивных моделей
университетского рейтинга Гардиан
в виде когнитивных функций

Применительно к задаче, рассматриваемой в данной работе, когнитивная функция показывает в наглядной графической форме, какое количество информации содержится в различных значениях показателей вузов о том, что у них будет определенный рейтинг по напылению подготовки и общий рейтинг Гардиан.

Когнитивным функциям посвящено много работ автора[35], но наиболее новой и обобщающей из них является работа [235]. Поэтому здесь не будем останавливаться на описании того, что представляют собой когнитивные функции в АСК-анализе.

Отметим, что при построении средневзвешенных трендов применены математические методы, предложенные и описанные в работах [260, 261, 262], в частности применен метод взвешенных наименьших квадратов, модифицированный путем использования в качестве весовых коэффициентов количества информации в наблюдениях.

На рисунке 25 приведены визуализации некоторых когнитивных функций данного приложения для модели INF1:

Рисунок 25. Визуализация когнитивных функций зависимостей рейтинга Гардиан
от значений показателей в системно-когнитивной модели INF1

Из приведенных когнитивных функций видно, что увеличение или уменьшение значений показателей вузов влияет на рейтинг Гардиан по направлению подготовки и общий рейтинг Гардиан, примерно пропорционально или обратно пропорционально. Отметим, что об этом можно говорить потому, что в системно-когнитивных моделях используются интервальные числовые и порядковые измерительные шкалы.

Это подтверждает разумность и корректность построения университетского рейтинга Гардиан его разработчиками.

6.2.2.3.7. Интегральный критерий и решение задачи
оценки рейтинга вуза в системно-когнитивной модели университетского
рейтинга Гардиан

Из модели INF1 мы видим, какое количество информации содержится в том или ином значении каждого показателя о том, что вуз с этим значением показателя имеет тот или иной рейтинг по направлению подготовки и общий рейтинг Гардиан.

Но если нам известно не одно, а несколько значений показателей вузов, то как посчитать их общий вклад в сходство с теми или иными классами? Для этого в системе «Эйдос» используется 2 аддитивных интегральных критерия: «Сумма знаний» и «Семантический резонанс знаний».

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.

Пример решения задачи идентификации для вузов рейтинга Гардиан по направлению подготовки и общего рейтинга Гардиан приведен на рисунке 26:

Рисунок 26. Экранная форма с результатами идентификации рейтинга
Гардиан по направлению подготовки и общего рейтинга Гардиан

6.2.2.3.8. Исследование многокритериальной
системно-когнитивной модели
университетского рейтинга Гардиан,
учитывающей направления подготовки

6.2.2.3.8.1. Автоматизированный количественный
SWOT-анализ университетского
рейтинга Гардиан

В системе «Эйдос» реализован Автоматизированный количественный SWOT-анализ [249]. Его можно применить для исследования того, какие значения показателей способствуют, а какие препятствуют присвоению вузу тех или иных рейтингов Гардиан.

Например, высокому общему рейтингу Гардиан способствуют и препятствуют значения показателей, приведенные на SWOT-диаграмме (рисунок 27), соответствующей SWOT-матрице (рисунок 28) и нелокальном нейроне (рисунок 29):

Рисунок 27. SWOT-диаграмма высокого рейтинга Гардиан

Рисунок 28. SWOT-матрица высокого рейтинга Гардиан

Рисунок 29. Нелокальный нейрон высокого рейтинга Гардиан

6.2.2.3.8.2. Информационные портреты классов
и значений показателей университетского
рейтинга Гардиан

Информационный портрет класса – это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу. Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием данной системы факторов, а в информационном портрете мы наоборот, по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т.е. вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее – факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть от отфильтрованы по диапазону факторов, т.е. мы можем отобразить влияние на переход объекта управления в данное состояние не всех отраженных в модели факторов, а только тех, коды которых попадают в определенный диапазон, например, относящиеся к определенным описательным шкалам.

Пример информационного портрета класса приведен на рисунке 30:

Рисунок 30. Экранная форма с информационным портретом класса:
«Наивысший общий рейтинг Гардиан»

Информационный (семантический) портрет фактора – это список классов, ранжированный в порядке убывания силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам. Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния – переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть от отфильтрованы по диапазону классов, т.е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам.

Пример информационного портрета значения фактора (показателя) приведен на рисунке 31:

Рисунок 31. Экранная форма с информационным портретом значения
показателя с установленным фильтром по наименованиям вузов

6.2.2.3.8.3. Кластерно-конструктивный анализ
университетского рейтинга Гардиан

Кластерно-конструктивный анализ – это новый математический метод анализа знаний, реализованный в АСК-анализе и системе «Эйдос» [7, 128], обеспечивающий:

– выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры;

– выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами;

– выявление факторов, наиболее сходных по детерминируемым ими классам и объединение их в кластеры;

– выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами.

Состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми (коалиционными) по детерминирующим их факторам. Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам (антагонистическими).

Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.

Кластерно-конструктивный анализ классов позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в наглядной графической форме семантической сети классов.

Кластерно-конструктивный анализ факторов позволяет сравнить факторы по сходству их влияния на переход объекта в будущие состояния и отобразить эту информацию в наглядной графической форме семантической сети факторов.

Примеры когнитивных диаграмм, отражающих некоторые результаты кластерно-конструктивного анализа модели университетского рейтинга Гардиан, приведены на рисунках 32, 33, 34:

Рисунок 32. Пример конструкта класса
университетского рейтинга Гардиан

Рисунок 33. Пример конструкта класса
университетского рейтинга Гардиан

Рисунок 34. Пример конструкта значения показателя
университетского рейтинга Гардиан

Как видно из приведенных когнитивных диаграмм, все классы и значения показателей являются взаимозависимыми, что исключает применение факторного анализа, как метода моделирования линейных систем.

6.2.2.4. Интеграция различных рейтингов в одном
«супер рейтинге» – путь к использованию
рейтинга Гардиан для оценки российских вузов

6.2.2.4.1. Пилотное исследование и Парето-оптимизация

Минобрнауки РФ в своих регламентирующих документах предлагает очень много частных критериев[36]. Ясно, что собрать информацию по всем этим показателям очень сложно, дорого и трудоемко. Поэтому представляет интерес, выявить из них минимальное количество таких критериев, которых было бы достаточно для надежного решения задачи определения рейтинга вуза.

Системно-когнитивные модели позволяют выявить показатели, оказывающие наиболее существенное влияние на объекты моделирования, что позволяет удалить из моделей не существенные показатели, т.е. провести Паретто-оптимизацию, в результате которой в моделях остаются только существенные показатели.

Таким образом, решается задача, аналогичная задаче разработки системе стандартизированных показателей, но конкретно для данного предприятия.

В результате можно сократить размерность моделей без потери их достоверности, а значит существенно сократить затраты труда и времени на сбор, ввод в компьютер и обработку исходных данных, т.е. эффективность их использования.

В таблице 27 приведен список значений факторов системно-когнитивной модели INF1 (см. табл. ) университетского рейтинга Гардиан, в котором эти значения проранжированы в порядке убывания вариабельности информативности, которая в АСК-анализе рассматривается как значимость (дифференцирующая способность) этого значения. Вариабельность информативности измеряется как ее среднеквадратичное отклонение по всем классам. Но в данном случае она посчитана только по первым 10 классам, т.е. по общему рейтингу.

Таблица 27 – Ранжированная таблица значений показателей
для построения Парето-диаграммы университетского
рейтинга Гардиан (фрагмент)

Код	Значение показателя	Значимость	Паретто
70	AVERAGE ENTRY TARIFF-10/10-{551.7000000, 598.0000000}	1499,07	1499,07
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}	1493,90	2992,96
2	% SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}	1430,66	4423,63
69	AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000}	1315,20	5738,83
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}	1196,80	6935,63
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}	1153,71	8089,34
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}	1074,37	9163,71
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}	1052,72	10216,43
62	AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000}	1034,30	11250,73
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}	1026,14	12276,87
21	EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}	1020,24	13297,11
63	AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000}	1010,23	14307,33
12	% SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}	1009,23	15316,56
67	AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000}	994,19	16310,75
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}	994,12	17304,87
10	% SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}	948,77	18253,64
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}	939,42	19193,06
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}	909,13	20102,18
24	EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}	905,30	21007,49
23	EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}	899,29	21906,78
72	% SATISFIED WITH ASSESSMENT-2/10-{26.6479518, 34.4204016}	882,78	22789,56
4	% SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}	879,48	23669,05
11	% SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}	857,09	24526,14
61	AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000}	832,47	25358,60
1	% SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}	827,04	26185,65
80	% SATISFIED WITH ASSESSMENT-10/10-{88.8275502, 96.6000000}	826,29	27011,93
13	% SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}	818,74	27830,68
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}	812,94	28643,62
20	% SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}	804,92	29448,54
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}	794,88	30243,42
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}	782,26	31025,68
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}	775,12	31800,80
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}	758,31	32559,11
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}	746,78	33305,89
68	AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000}	743,35	34049,24
3	% SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}	738,54	34787,78
66	AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000}	736,20	35523,97
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}	726,84	36250,82
64	AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000}	700,26	36951,07
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}	696,72	37647,79
14	% SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}	696,11	38343,90
74	% SATISFIED WITH ASSESSMENT-4/10-{42.1928514, 49.9653012}	674,77	39018,68
17	% SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}	672,82	39691,50
22	EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}	667,46	40358,97
60	VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000}	666,34	41025,30
6	% SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}	657,57	41682,88
52	VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000}	644,10	42326,98
15	% SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}	631,57	42958,55
59	VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000}	608,18	43566,72
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}	584,91	44151,64
53	VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000}	583,81	44735,44
5	% SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}	555,04	45290,48
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}	528,69	45819,17
9	% SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}	524,30	46343,48
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}	517,10	46860,57
73	% SATISFIED WITH ASSESSMENT-3/10-{34.4204016, 42.1928514}	508,31	47368,89
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}	507,02	47875,91
65	AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000}	498,92	48374,82
79	% SATISFIED WITH ASSESSMENT-9/10-{81.0551004, 88.8275502}	496,61	48871,44
19	% SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}	477,60	49349,03
57	VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000}	468,80	49817,83
71	% SATISFIED WITH ASSESSMENT-1/10-{18.8755020, 26.6479518}	465,09	50282,92
58	VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000}	451,24	50734,16
16	% SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}	443,77	51177,93
54	VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000}	424,13	51602,06
78	% SATISFIED WITH ASSESSMENT-8/10-{73.2826506, 81.0551004}	423,10	52025,17
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}	401,72	52426,89
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}	373,87	52800,76
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}	361,39	53162,15
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}	358,11	53520,26
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}	308,74	53829,01
8	% SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}	306,02	54135,02
75	% SATISFIED WITH ASSESSMENT-5/10-{49.9653012, 57.7377510}	292,73	54427,75
18	% SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}	272,45	54700,20
55	VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000}	243,46	54943,66

На рисунке 21 приведена Парето-диаграмма, построенная по таблице 35:

Рисунок 35. Парето-кривая значимости значений показателей
университетского рейтинга Гардиан

Из приведенной Парето-кривой можно сделать вывод о том, что Паретто-оптимизация была проведена разработчиками университетского рейтинга Гардиан на этапе его создания, т.к. все используемые в нем значения показателей имеют достаточно высокую значимость. Когда в модели есть малозначимые факторы, то Парето-кривая поднимается гораздо резче и потом идет более полого (рисунок 36).

Но при разработке отечественного рейтинга, по-видимому, сначала должно быть проведено пилотное исследование на всех мыслимых показателях, информацию по которым возможно собрать, на не очень большом количестве вузов, участвующих в эксперименте (при этом важно, чтобы вузы должны быть разных направлений подготовки). При этом при пилотном исследовании используется максимальная система показателей, которую можно взять из многих известных рейтингов и материалов Минобрнауки РФ.

Рисунок 36. Классическая Парето-кривая[37]

Затем необходимо провести Паретто-оптимизацию и разработать минимальную по количеству систему показателей, дающих максимум информации для определения рейтинга вуза (конфигуратор вузовского рейтинга). Таким образом, созданная по этой технологии наукометрическая методика определения рейтинга вуза будет представлять собой методику, интегрирующую многие известные рейтинги, используемые при ее разработке.

После тестирования и сертификации системно-когнитивной модели, построенной на этой системе показателей, ее можно применять в адаптивном режиме.

6.2.2.4.2. Эксплуатация методики в адаптивном
режиме

АСК-анализ и система «Эйдос» представляют собой с одной стороны инструмент разработки, а с другой стороны среду или оболочку (Run-time system) эксплуатации создаваемого интеллектуального приложения.

Это открывает уникальные возможности, которые полностью отсутствуют, когда мы используем приобретаемые у сторонних разработчиков продукты подобных технологий.

Возникает закономерный вопрос о том, в какой степени эти продукты применимы в наших условиях и что они будут измерять, если их применить для российских вузов? Не столкнемся ли мы с ситуацией, когда из-за того, что не могут найти линейку, измеряют размеры предметов с помощью шкалы от наружного термометра, т.е. применяют непригодный для наших целей измерительный инструмент, даже и может быть и качественный, но предназначенный для других целей и других условий. Используя университетский рейтинг Гардиан для оценки российских вузов мы сравниваем их не только друг с другом, но и с зарубежными вузами и как бы отвечаем на вопрос о том, как бы оценивались наши вузы, если бы они оказались за рубежом. Но дело в том, что они находятся у нас и поэтому модели и методов принятия решений, заложенные его разработчиками в этом рейтинге, могут быть не адекватными для наших условий, и для приведения их в соответствие с нашими реалиями может быть необходима локализация этих моделей и методов.

Имея инструментарий разработки измерительного инструмента мы получаем возможность периодически, например, ежегодно, использовать его для пересоздания модели, с целью учета изменений в моделируемом объекте и других факторов [7].

6.2.2.5. Выводы. Ограничения и перспективы

Таким образом, АСК-анализ и система «Эйдос» представляют собой современную инновационную (готовую к внедрению) технологию решения задач статистики методами теории информации.

Данная статья может быть использована как описание лабораторной работы по дисциплинам:

– Интеллектуальные системы;

– Инженерия знаний и интеллектуальные системы;

– Интеллектуальные технологии и представление знаний;

– Представление знаний в интеллектуальных системах;

– Основы интеллектуальных систем;

– Введение в нейроматематику и методы нейронных сетей;

– Основы искусственного интеллекта;

– Интеллектуальные технологии в науке и образовании;

– Управление знаниями;

– Автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»;

которые автор ведет в настоящее время[38], а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки).

Этим и другим применениям должно способствовать и то, что данное приложение вместе с системой «Эйдос» размещено автором в полном открытом бесплатном доступе по адресу: https://cloud.mail.ru/public/a5b22d65bc88/Aidos-X-1071503001.rar. Для установки системы с данным приложением на компьютере достаточно развернуть архив в корневом каталоге на диске C:.

Таким образом, в статье предлагается решение проблемы, заключающейся в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны пока он не создан. Предлагаемая идея решения проблемы состоит в применении отечественной лицензионной инновационной интеллектуальной технологии для этих целей: а именно предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий – интеллектуальную систему «Эйдос». Эти методы подробно описываются в этом контексте. Предлагается рассмотреть возможности применения данного инструментария на примере университетского рейтинга Гардиан и рассматриваются его частные критерии (показатели вузов). Указываются источники данных и методика их подготовки для обработки в системе «Эйдос». В соответствии с методологией АСК-анализа описывается установка системы «Эйдос», ввод исходных данных в нее и формализация предметной области, синтез и верификация модели, их отображение и применение для решения задач оценки рейтинга Гардиан для российских вузов и исследования объекта моделирования. Рассматриваются перспективы и пути создания интегрированного рейтинга российских вузов и эксплуатации рейтинга в адаптивном режиме. Указываются ограничения предлагаемого подхода и перспективы его развития.

Конечно, рассматриваемая проблема требует к себе очень серьезного отношения и большого объема работ по совершенствованию инструментария, созданию и исследованию моделей на российских данных. Поэтому предлагаемые в разделе решения можно рассматривать не более как идею решения поставленной проблемы и численную иллюстрацию этой идеи, но ни в коем случае не как готовое решение.

6.2.3. Двухуровневая АСУ качеством подготовки
специалистов, как АСУ ТП в образовании

В данном разделе рассматриваются вопросы создания двухуровневой автоматизированной системы управления (АСУ) качеством подготовки специалистов, как АСУ технологическими процессами (АСУ ТП) в образовании. При этом на первом уровне объектом управления является учащийся, а управляющей системой – учебный процесс, на втором же уровне сам учебный процесс, прежде всего профессорско-преподавательский состав (ППС) рассматриваются в качестве объекта управления, а управляющей системой является учебный отдел (управление) и руководство вузом, которые по своему месту в иерархической системе обработки данных, информации и знаний в вузе и их использования для управления призваны выполнять функции контроллинга по отношению к ППС, но сами еще не осознают этого и далеко не всегда делают. В данном разделе поставлена проблема создания АСУ вузом и обоснована актуальность ее решения, рассмотрены пути решения этой проблемы, раскрыто понятие информатизации, детализированы ее цель и задачи, рассмотрены направления и основные приоритеты информатизации, обоснованы пути создания, развития и поддержки информационной инфраструктуры, а также конкретизированы необходимые для этого мероприятия и порядок действий, изучена специфика применения АСУ в вузе, предложены и обоснованы двухконтурная модель рефлексивной АСУ качеством подготовки менеджеров, которая рассматривается авторами как АСУ ТП в образовании, рассмотрены сходство и различие между классическими АСУ ТП и АСУ в образовании.

6.2.3.1. Проблема создания АСУ вузом
и актуальность ее решения

Основной целью образования и любого вуза является обучение и воспитание студентов, в результате чего они превращаются из вчерашних школьников в молодых специалистов – полноценных членов общества. Эти виды деятельности вуза имеют существенно информационный характер, т.е. в первом приближении связаны с передачей студентам от преподавателей регламентированной образовательными стандартами по количеству и содержанию информации. Для достижения цели образования студент должен находиться в определенной образовательной среде, в которой ему должна быть предоставлена возможность поиска и получения необходимой ему информации.

Традиционно основными источниками информации для студента являются: лекционные, практические, лабораторные и семинарские занятия, а также самостоятельные занятия (в основном в период подготовки к сдаче зачетов и экзаменов). В качестве носителей информации используются конспекты лекций, которые студенты пишут на лекциях, и учебные пособия, которые они могут найти по каталогам и получить в библиотеке вуза.

Сам вуз, как организация, имеет определенную структуру управления, включающую в частности подсистемы управления учебным процессом, научной и инновационной деятельностью, финансово-экономической деятельностью и другие. Таким образом, вырисовывается два основных уровня организации информационных процессов в вузе: информационное воздействие на студента в учебном процессе и управление самим учебным процессом и его качеством.

Преимущества, которые в принципе могла бы дать комплексная автоматизация вуза по всем этим направлениям его деятельности сегодня очевидна уже для многих руководителей, но надо отметить, что далеко не для всех и далеко не в полной мере. В данной работе мы не ставим себе задачу обоснования целесообразности автоматизации управления вузом, т.к. считаем, что для того чтобы убедиться в этом, достаточно посмотреть вокруг. Если это не помогает, то уже едва ли помогут даже сотни подобных статей.

Парадоксально, но в XXI веке, когда информационные технологии активнейшим образом проникают во все сферы жизни общества, вузы остаются для них во многом Terra Incognita и пока не оказали системного влияния на учебный процесс и практику управления вузом. Вместе с тем на протяжении многих лет, даже можно сказать десятков лет, ведущими вузами страны предпринимались неоднократные настойчивые попытки создания автоматизированной системы управления (АСУ) вузом. И сегодня есть все основания констатировать, что эти попытки не привели к успеху, т.к. в результате созданы лишь фрагменты подобной системы, причем не в универсальной форме, а тесно привязанные к специфике того или иного вуза. В чем же возможные причины этого?

На наш взгляд главная причина состоит в том, что АСУ вузом относится к большим сложным динамичным системам. Подобные системы очень сложно, если вообще возможно, централизованно спроектировать, создать, внедрить, а также обеспечить сопровождение их эксплуатации и развитие, т.к. для этого необходимо соблюдение целого ряда трудно выполнимых условий и решение ряда масштабных научных, технических, финансовых, организационных, юридических, психологических и других проблем.

6.2.3.2. Пути решения проблемы создания АСУ вузом

6.2.3.2.1. Проектирование АСУ вузом

АСУ вузом является большой сложной системой. Это означает, что ни один человек не в состоянии охватить эту систему в своем сознании в целом и одновременно с детализацией, достаточной для того, чтобы описать эту систему в стандартной документации разработчика программного обеспечения (ПО): технико-экономическом обосновании (ТЭО), техническом задании (ТЗ), техническом проекте (ТП), рабочем проекте (РП) и тем более создать ее.

Конечно, может быть где-то в мире и существуют несколько таких совершенно исключительных по своему уровню компетентности специалистов, способных на это, но на них ориентироваться нельзя, т.к. едва ли реалистично рассчитывать на то, что такие специалисты в обозримой перспективе появятся в каждом вузе. А именно такой специалист должен возглавить коллектив, занимающийся созданием, внедрением, поддержкой и развитием системы (о подобном коллективе мы еще поговорим ниже).

Но даже если бы это нереальное условие было выполнено, то возникает проблема создания АСУ вузом на практике, т.е. проблема создания соответствующего комплекса технических средств, программного и других видов обсечения, на которых мы остановимся ниже.

Однако АСУ вузом является не только большой и сложной, но и весьма динамичной системой. Это значит, что даже если бы проект АСУ вузом по какому-то волшебству или мановению волшебной палочки оказался готовым и лежал стопкой переплетенных томов на столе ректора, то пролежав бы там месяц-два он устарел бы на столько, что пришлось бы вносить в него изменения, причем не только в него, но и в саму реально работающую систему.

Кроме того необходимо отметить, что по ряду вопросов, имеющих принципиальное значение для создания некоторых подсистем АСУ вузом, например таких как подсистема управления качеством образования, в настоящее время пока не найдено общепринятого научного решения.

На основании вышесказанного авторы вынуждены сделать вывод о том, что классическим путем по технологии "сверх вниз" спроектировать и тем более создать подобную систему практически невозможно.

Поэтому авторы считают, что одним из "узких мест" классического подхода к проектированию и созданию АСУ вузом является централизация руководства и специалистов по проектированию и созданию системы и предлагают отказаться от этого классического подхода в пользу децентрализованного подхода, при котором, как это ни парадоксально, проектировать и специально создавать АСУ вузом не нужно, а нужно лишь создать благоприятные условия для ее возникновения и развития, при этом централизованно задаются лишь некие общие принципы и стандарты информационного взаимодействия в рамках системы, возможно включая рекомендации по выбору инструментальных средств, а принятие и реализация решений по созданию подсистем, включая работы по их созданию, внедрению, поддержке и развитию осуществляются теми лицами и подразделениями, которые в этих подсистемах заинтересованы.

6.2.3.2.2. Создание АСУ вузом

Как показывает опыт, чаще всего руководство вузов и администраторы от науки других уровней, особенно гуманитарии, находятся под влиянием весьма распространенных и живучих (устойчивых) заблуждений и иллюзий о том, что на практике создание АСУ вузом могут и должны осуществлять преподаватели той кафедры (факультета), которая имеет наибольшее отношение к компьютерным технологиям, а также студенты этой кафедры (факультета), обучающиеся по соответствующим специальностям.

Что можно сказать по этому поводу, если выразить это в аргументированной форме, пытаясь не вдаваться в эмоции? Прежде всего это очень печально, т.к. по сути ставит жирный крест на перспективах создания АСУ вузом в обозримой перспективе, еще печальнее то, что преодолеть эти устойчивые заблуждения и иллюзии по-видимому нет никакой реальной возможности. Теперь аргументы:

Во-первых, преподавание дисциплин, связанных с компьютерными технологиями, и создание, поддержка и развитие реально действующей большой, сложной, динамичной системы требуют совершенно различных профессиональных навыков и преподаватели, за редким исключением, не имеют опыта подобных работ и вообще не являются в этой области специалистами-профессионалами.

Во-вторых, оплата труда преподавателей осуществляется исходя из почасовой учебной нагрузки с учетом ученых степеней и научных званий, а масштабные работы работам по созданию, поддержке и развитию АСУ вузом не могут выполняться в качестве "общественной нагрузки", т.е. без дополнительной оплаты.

В-третьих, в должностные обязанности преподавателей входит проведение занятий ("звонковая нагрузка"), а также разработка учебно-методических материалов, необходимых для обеспечения учебного процесса и научная работа, а работы по созданию, поддержке и развитию АСУ вузом не входят в круг должностных обязанностей преподавателей.

В-четвертых, преподаватели, многие из которых работают на 1.5 ставки, физически не смогут уделять работам по созданию, поддержке и развитию АСУ вузом того, времени, которое для этого необходимо. А так как для этого необходимо все рабочее время, то обращаться к этим работам от случая к случая во время перерывов или "окон" между занятиями – это значит обречь их на невыполнение. Мы уже не говорим о том, что эти окна нужны еще и для восстановления сил, профессионального общения с коллегами, общения со студентами по текущим вопросам, работы по подготовке к занятиям, да и просто для того, чтобы перейти из одной учебной аудитории в другую (в Кубанском государственном аграрном университете это может занимать до 15-20 минут).

В-пятых, "об использовании студентов" на работах по созданию, поддержке и развитию АСУ вузом:

– прежде всего надо отметить, что основная обязанность студентов – это учиться. Поэтому их привлечение к подобным работам возможно только если это соответствует их специальности и оформлено, например, в виде учебно-методической или производственной практики;

– студенты, за редким исключением, еще в меньшей степени, чем преподаватели обладают теми профессиональными навыками, которые необходимы для выполнения подобных работ, т.е. просто профессионально не готовы их выполнять;

– студенты – народ необязательный, т.е. они работают только тогда, когда зависимы, а зависимы они не больше семестра: до сдачи очередного зачета или экзамена, которая воспринимается ими не иначе как "освобождение" от навязанных в этой связи обязанностей или "отработок".

В результате действия всех этих факторов использование студентов для выполнения подобных работ, как показывает большой опыт, имеющийся у авторов, приводит к большой текучести коллектива и очень некачественной его работе.

Таким образом, если кратко сформулировать ответ авторов на вопрос о том, кто должен заниматься созданием, поддержкой и развитием АСУ вузом, состоит в следующем: работами по созданию АСУ вузом должны заниматься профессионалы в этой предметной области, причем они должны делать это в соответствии со своими основными должностными обязанностями, за достойную оплату и в свое основное рабочее время. Ясно, что эти специалисты – это явно не преподаватели и тем более не студенты. Именно такие "кадры решают все", или почти все.

6.2.3.2.3. О коллективе, работающем над АСУ вузом

Специалисты, определяющие ключевые моменты, касающиеся всего вуза в целом, от которых зависит создание, поддержка и развитие АСУ вузом, должны быть организованы в форме коллектива.

Традиционно подобные коллективы, которые есть в большинстве вузов (за редким исключением), называются "Научно-технический Центр новых информационных технологий". Авторы предлагают не создавать подобное подразделение, т.к. это можно рассматривать как первый шаг по пути "скатывания" к традиционным централизованным уже дискредитировавшим себя подходам. Вторым, уже практически неизбежным шагом, может стать возложение на этот центр работ проектированию и созданию АСУ вузом.

Поэтому авторы предлагают назвать этот коллектив "служба проректора по информационным технологиям" (служба IT), по аналогии со службой главного инженера или главного электрика на производственных предприятиях.

Чтобы деятельность службы IT имела соответствующий юридический статус в вузе она должна основываться на утвержденной ректором Концепции информатизации вуза, кроме того она должна быть обеспечена кадрами, финансово и организационно, помещениями, компьютерной и оргтехникой, широкополосным выходом в Internet.

6.2.3.2.4. Основные принципы и направления
работы над АСУ вузом

Авторы предлагают рассматривать АСУ вузом как децентрализованную открытую самоорганизующуюся систему, аналогичную системам, реализуемым на основе Internet. Это означает, что работа над АСУ вузом должна подчиняться следующим основным принципам:

1. Развитие системы не должно вступать в противоречие с действующим законодательством Российской Федерации и общепринятыми в цивилизованном обществе морально-этическими нормами.

2. Централизованно задаются лишь некие общие принципы и стандарты информационного взаимодействия в рамках системы, возможно включая рекомендации по выбору инструментальных средств.

3. Система открыта для включения в ее структуру новых подсистем, состав которых заранее не регламентирован, причем решение о создании и включении в состав системы новых подсистем принимается демократично, т.е. теми, кто ее будет ее создавать, поддерживать и развивать "в явочном порядке", т.е. не требует согласования или утверждения на каком-либо вышестоящем административном уровне.

4. Система самоорганизуется, т.е. никто заранее не планирует и не проектирует ее функции и поддерживающую эти функции структуру, а они возникают и развиваются в соответствии с текущими и перспективными потребностями самих пользователей системы. Примерно так, если мелко вспахать всю территорию вуза, то постепенно между его корпусами образуются протоптанные студентами и преподавателями тропинки и дорожки, которые можно потом заасфальтировать, а промежутки между ними засадить газонной травой, декоративным кустарником и деревьями. В результате, во-первых, отпадает необходимость в проектировании системы дорожек, а во-вторых, незачем ставить на газонах таблички: "По газонам не ходить", т.к. это и так никому не нужно.

Основные направления работы службы IT включают:

– разработка и координация реализации концепции информатизации вуза;

– создание, поддержка и развитие комплекса технических средств информационной инфраструктуры АСУ вузом, включая корпоративную сеть вуза, главный сервер, предоставление услуг широкополосного доступа в Internet для преподавателей и студентов как с компьютеров, находящихся на территории вуза, так и с их домашних и мобильных компьютеров;

– разработка и реализация ключевых (центральных) проектов АСУ вузом, непосредственно касающихся всего вуза в целом, включая: электронную библиотеку; сайт вуза; политематический сетевой электронный научный журнал вуза; сайты всех факультетов и кафедр (на первом этапе); подсистему дистанционного образования; подсистему управления качеством образования; мультимедийных и электронных учебных пособий и программно-методических комплексов (ПМК); подсистемы автоматизации научно-инновационной, кадровой, планово-экономической и финансовой деятельности и другие;

– обучение специалистов (в рамках дополнительного образования) факультетов и кафедр для поддержки и развития сайтов этих подразделений и создания мультимедийных и электронных учебных пособий;

– научные исследования и решение научных проблем и задач, связанных с управлением качеством образования и другими ключевыми аспектами создания АСУ вузом.

6.2.3.3. Понятие информатизации, ее цель и задачи

Информатизация – это процесс разработки, создания и массового применения современных информационных технологий (в т.ч. телекоммуникационных, мультимедийных, интеллектуальных).

Целью информатизации является обеспечение качественного доступа к университетским и мировым информационным ресурсам (учебным, научно-методическим и др.) для руководства вуза, руководства факультетов и кафедр, профессорско-преподавательского состава (ППС), аспирантов и студентов, интеграция вуза в мировое информационное пространство.

Задачи информатизации:

– на уровне руководства вуза: эффективное обеспечение высшего руководства вуза и руководителей подразделений достоверной стратегической и оперативной информацией, поддержка принятия решений административно-управленческим персоналом;

– на уровне ППС: информационное обеспечение учебной и научной деятельности; внедрение современных информационных, в т.ч. мультимедийных технологий, в учебный процесс;

– на уровне студентов: доступ к учебно-методической и научной информации, необходимой для профессионального и гражданского становления.

6.2.3.4. Направления информатизации

1. Разработка и реализация Технической политики вуза в области информатизации.

2. Проектирование, поэтапное создание, поддержка и развитие компонент автоматизированной системы управления (АСУ) вузом, прежде всего подсистем управления качеством подготовки специалистов и учебным процессом, систем информационной поддержки образования.

3. Создание, поддержка и развитие корпоративной сети вуза.

4. Обеспечение качественного доступа в Internet со всех сетевых рабочих станций корпоративной сети вуза, а также для профессорско-преподавательского состава вуза – с домашних компьютеров через вузовский узел коллективного доступа в Internet.

5. Поддержка HOST-компьютера, доменов и сайта вуза, электронного сетевого научного журнала вуза.

6. Проведение научно-исследовательских, проектных, опытно-конструкторских, монтажных и пусконаладочных работ по созданию новых наукоемких продуктов в области современных информационных технологий: программных систем и банков данных различного назначения, web-сайтов, мультимедийных продуктов (в т.ч. электронных учебников) на компакт-дисках, разработка и техническое обеспечение электронных презентаций (организация мультимедийной аудитории) и т.д..

7. Создание электронных баз данных и CD-архивов накопленной в вузе многолетней информации об агрометеорологических условиях и технологиях, а также количественных и качественных результатах сельскохозяйственного производства.

8. Создание, поддержка и развитие Web‑сайта вуза (в т.ч. на английском языке), включая общеуниверситетский раздел, разделы факультетов, кафедр, библиотеки (с возможностью использования каталогов и доступа к научным и учебно-методическим материалам), раздел информационной поддержки обучения, электронные научные и методические издания вуза, on-line консалтинговые службы, персональные страницы профессорско-преподавательского состава, студентов и аспирантов, и др.

10. Сервисное обслуживание и ремонт компьютерной и оргтехники вуза (по обращениями руководителей кафедр или факультетов).

11. Внедрение современных информационных технологий в организациях – участниках Кубанского аграрного научно-образовательного объединения.

12. Информационная поддержка процессов принятия решений (в первую очередь административно-управленческих, организационных и хозяйственных).

13. Информационно-вычислительное и мультимедийное обеспечение учебного процесса.

14. Формирование, развитие и удовлетворение информационных потребностей учебных кафедр, научных подразделений и студенческих групп.

15. Создание баз данных, содержащих информацию, необходимую для эффективного функционирования административно-хозяйственных служб вуза, и базы (хранилища) знаний для информационного обеспечения основной миссии вуза.

16. Формирование сферы информационных услуг в образовательной области для внутренних и внешних пользователей.

17. Формирование и поддержка условий, способствующих и обеспечивающих развитие процесса информатизации.

18. Правовое обеспечение вопросов интеллектуальной и информационной собственности.

По мере развития АСУ вузом могут выявляться и новые направления работы, касающиеся всего вуза в целом, другие же наоборот, могут уходить на уровень факультетов, кафедр или других подразделений.

6.2.3.5. Приоритеты информатизации

Процесс информатизации вуза строиться с учетом следующих приоритетов:

– информатизация органов управления вуза, обеспечивающая реализацию новых функций и совершенствование качества и эффективности методов управления;

– информатизация учебного процесса, обеспечивающая различные формы компьютерного образования и значительно расширяющая возможности и повышающая качество образовательного процесса;

– информатизация научной деятельности, обеспечивающая публикацию научных и методических работ в электронном сетевом научном журнале вуза, доступ к различным банкам научной и методической информации и электронным библиотечным фондам вуза и других вузов, активное участие сотрудников и студентов в российских и международных научных программах.

6.2.3.6. Создание, развитие и поддержка
информационной инфраструктуры

Решение задач информатизации предполагает создание и развитие соответствующей информационной инфраструктуры. При этом на успех можно рассчитывать лишь при соблюдении вполне определенной наукоемкой технологии и полной поддержке процессов информатизации руководством вуза.

Для этого необходимо разработать, создать или приобрести:

– коммуникационную среду, включающую разнообразные средства компьютерной связи и передачи данных, технологии использования этой среды, обеспечивающей выход в городские, общегосударственные и международные компьютерные сети;

– систему баз данных различного назначения (административно-управленческие, научные, методические, информационно-справочные);

– локальные сети факультетов и корпусов;

– корпоративную общеуниверситетскую сеть;

– информационно-управляющие системы различного назначения.

Для формирования и поддержки информационной инфраструктуры необходимы следующие виды обеспечения:

1. Организационно-юридическое.

2. Финансово-экономическое.

3. Техническое.

4. Телекоммуникационное.

5. Математическое.

6. Информационное.

7. Программное.

8. Кадровое.

Информатизация предполагает решение целого ряда сложных научных, производственно-технических и социальных задач:

– проведение прикладных научных исследований и проектных работ в области информатики и системных решений;

– ускоренное развитие материально-технической базы информатизации (включая парк компьютерной и оргтехники и средства компьютерных телекоммуникаций);

– внедрение существующих, а также разработка, развитие и применение новых информационных технологий, создание технологической базы информатизации;

– подготовка кадрового состава и повышение "информационной" культуры руководителей всех уровней и конечных пользователей;

– разработка необходимой правовой базы.

6.2.3.7. Необходимые мероприятия
и порядок действий

Информатизация является одним из важных элементов деятельности вуза, не просто способствующим повышению эффективности его основной деятельности, но в настоящее время являющимся одним из необходимых условий обеспечения международного уровня качества подготовки специалистов и интеграции в международное образовательное пространство.

Для этого прежде всего необходимо создать, поддерживать и развивать техническую основу для решения:

– локальных задач на кафедрах вуза (приобретение компьютеров и периферийного оборудования);

– задач факультетского уровня (создание локальных компьютерных сетей факультетов).

– задач общеуниверситетского уровня (создание корпоративной компьютерной сети вуза);

– задач уровней научно-образовательного объединения, регионального, а также федерального и международного.

Затем, по мере развития технических средств, создать программно-информационную среду, обеспечивающую повышение эффективности основных направлений деятельности вуза (образование, наука, управление). Создание этой среды представляется в форме создания (приобретения) и внедрения сетевых информационных ресурсов, ориентированных на определенные группы пользователей, включая руководство университетом, профессорско-преподавательский состав, аспирантов, студентов, руководителей и специалистов, аграрных и других предприятий, вузов.

Реализация данной концепции основывается на принципах создания, функционирования и развития больших открытых систем. Основными из них являются:

1. "Принцип первого лица": поддержка информатизации первым лицом является необходимым условием успеха.

2. "Принцип децентрализованного метауправления": процесс создания системы информатизации вуза координируется службой IT лишь в научно-методическом плане, т.е. в форме метауправления, а не в форме принятия или визирования решений или тем более в форме выполнения предпроектных и проектных работ и реализации проектов.

Эти и другие принципы должны быть изложены и конкретизированы в документе с названием: "Техническая политика в области информатизации в вуза", который является методическим руководством по принятию решений в области информатизации для всех руководителей структур вуза, принимающих такие решения.

Сроки реализации Концепции информатизации вуза определяются сроками и объемами финансирования работ вузом, а также чисто технологическими параметрами.

В работах [15, 16] рассматривается специфика применения автоматизированных систем управления (АСУ) в вузе для управления качеством подготовки менеджеров, предлагается двухконтурная модель АСУ, на 1-м контуре которой осуществляется управление студентом с помощью образовательного процесса, а на 2-м – управление самим образовательным процессом, при этом рефлексивная АСУ качеством подготовки менеджеров рассматривается авторами как АСУ технологическими процессами (ТП) в образовании. Работа поддержана грантом КубГАУ за 2006 год по созданию программы мониторинга качества образования.

6.2.3.8. Специфика применения АСУ в вузе

Классическая схема автоматизированной системы управления (АСУ) включает управляемый объект и управляющую систему, находящиеся в некоторой окружающей среде и взаимодействующие друг с другом за счет управляющих и обратных связей (рисунок 37).

Рисунок 37. Структура типовой АСУ

Традиционно АСУ применялись при управлении различными техническими системами и технологическими процессами (АСУ ТП). В экономике известны АСУ организационного управления (АСОУ), в которых осуществляется управление людьми, выполняющими различные функции по производству материального продукта.

Возникает вопрос о том, можно ли осуществить перенос огромных наработок в этих областях на новую предметную область: синтез рефлексивной АСУ качеством подготовки менеджеров? Для обоснованного ответа на этот вопрос, как минимум, необходимо сравнить АСУ в вузе с АСУ на производстве и в экономике, т.е. по сути, провести некоторую аналогию (конечно, насколько это корректно и возможно) между вузом и заводом, сравнить, что в этих случаях является сырьем, управляющими факторами, конечным продуктом, окружающей средой (таблица 28):

Таблица 28 – СРАВНЕНИЕ РЕФЛЕКСИВНОЙ АСУ КАЧЕСТВОМ
ПОДГОТОВКИ МЕНЕДЖЕРОВ С АСУ ТП И АСОУ

В таблице 28 приведены АСУ, в которых объектом управления является некий объект, на начальном этапе представляющий собой сырье, а на конечном, благодаря воздействию определенной технологии, преобразующийся в конечный продукт, выпускаемый организацией и потребляемый некоторым внешним потребителем.

Конечно, абитуриент обладает определенными предпосылками для того, чтобы стать или не стать хорошим студентом или менеджером, но можно ли на этом основании в каком-то смысле сравнивать его с сырьем или какой-нибудь заготовкой для будущей детали? Если при этом сравнении упускается специфика абитуриента, как активной системы, то такое сравнение безусловно некорректно, если же характеристика конституционных и социально-обусловленных личностных свойств абитуриента (в том числе таких как его оценка и самооценка, мотивации, ценностные ориентации и т.д.) входит в систему исследуемую факторов, влияющих на его переход в будущие состояния, как это предлагается в данной работе, то такое сравнение не только обоснованно, но и целесообразно.

6.2.3.9. Двухконтурная модель рефлексивной
АСУ качеством подготовки менеджеров

6.2.3.9.1. Концепция рефлексивной АСУ качеством
подготовки менеджеров и технология QFD
(технология развертывания функций
качества)

Чтобы сформулировать концепцию управления в рефлексивной АСУ качеством подготовки менеджеров рассмотрим упрощенную формальную модель. Процесс управления состоит из последовательных циклов управления, каждый из которых включают следующие этапы:

– количественное сопоставимое измерение параметров и идентификация состояния объекта управления;

– оценка эффективности (качества) предыдущего управляющего воздействия;

– если предыдущее управляющее воздействие не обеспечило приближения цели, то выработка новых или корректировка (адаптация) имеющихся методов принятия решений;

– иначе – выработка нового управляющего воздействия на основе имеющихся методов принятия решений;

– реализация управляющего воздействия.

При этом объектами управления, в соответствии с технологией QFD (развертывания функций качества) на различных уровнях являются:

– потребительские свойства продукта;

– свойства его компонент;

– технологический процесс;

– элементы (операции) технологического процесса (рисунок 17):

Рисунок 38. Обобщенная схема QFD-технологии
(развертывание функций качества) по Б. Робертсону

6.2.3.9.2. Рефлексивная АСУ качеством подготовки
менеджеров группы Б: 1-й контур:
"Образовательный процесс – студент"

Конкретизируем общие положения QFD-технологии (развертывание функций качества) для случая рефлексивной АСУ качеством подготовки менеджеров. Из этой технологии следует, что на макроуровне в этой АСУ должно быть по крайней мере два уровня:

– 1-й уровень – управление качеством конечной продукции;

– 2-й уровень – управление качеством технологии производства конечной продукции.

Такие АСУ, которые управляют производством конечного продукта организации, будем называть АСУ группы "Б" (АСУ средств потребления). Применительно к рефлексивной АСУ качеством подготовки менеджеров, АСУ группы "Б" – это АСУ управления студентом с помощью образовательных технологий (рисунок 39):

Рисунок 39. Обобщенная схема АСУ КПС группы "Б"

Обычно влияние тех или иных традиционных образовательных технологий на свойства выпускника считается известным. Это положение не подвергается в данной работе сомнению, однако необходимо отметить, что само понятие "известно" существенно отличается в гуманитарной и технических областях, т.е. в этих областях приняты различные критерии для классификации исследуемых закономерностей на "известные" и "неизвестные". Это приводит к тому, что в ряде случаев то, что "гуманитарии" считают для себя известным не является таковым для "естественников", т.е. они, конечно, имеют эти знания, но они их не устраивают. Как правило, гуманитариев устраивает качественная оценка связи, в результате они часто оперируют нечеткими высказываниями типа: "Наличие хороших учебных помещений положительно сказывается на качестве образования". И это для них приемлемо. Однако для создания АСУ необходима количественная модель предметной области, отражающая знания о взаимосвязях образовательных технологий и уровнях предметной обученности и воспитанности студентов, т.е. знаний, выраженных в такой качественной форме недостаточно, требуется количественная формулировка.

Что значит "хорошее учебное помещение", что "значит качество образования", в каких сопоставимых единицах измерения и каким способом (и каким измерительным инструментом) можно измерять эти величины, в каких единицах измерения измеряется взаимосвязь между ними, носит ли она детерминистский или статистический характер и т.д. и т.п. Вот лишь некоторые вопросы, которые задают себе проектировщики АСУ. В результате в одной и той же ситуации гуманитарий может считать, что ему "известна та или иная зависимость", а менеджер по созданию АСУ, предъявляющий к себе значительно более жесткие требования, не может себе позволить так считать, что ему это известно, а значит, будет ставить вопрос о проведении специальных исследований для выявления и количественного измерения этих связей.

Поэтому при создании рефлексивной АСУ качеством подготовки менеджеров возникают проблемы:

– количественного измерения различных параметров образовательных процессов, предметной обученности и воспитанности студентов и выпускников;

– выявления количественных зависимостей между параметрами образовательных процессов (управляющими воздействиями) и предметной обученностью и воспитанностью студентов и выпускников.

Во всех случаях внедрение АСУ означает, прежде всего, изменение (совершенствование) технологии воздействия на объект управления (рисунок 18 и таблица 28). Таким образом, сам процесс внедрения АСУ можно рассматривать как процесс управления совершенствованием технологии производства конечного продукта вуза, т.е. выпускника, молодого менеджера.

6.2.3.9.3. Рефлексивная АСУ качеством подготовки
менеджеров группы А: 2-й контур:
"Руководство вузом – образовательный
процесс"

АСУ, в которых сама образовательная технология является объектом управления, мы отнесем к группе "А" (таблица 29).

В технических, производственных и (в меньшей степени) в экономических системах АСУ группы "А" являются чем-то экзотическим, т.к. объект управления, как правило, представляет собой систему с медленноменяющимися параметрами. В этих областях АСУ после внедрения работают достаточно длительное время без существенных изменений.

Таблица 29 – Компоненты АСУ образовательными технологиями

№	Элементы АСУ	Рефлексивная АСУ качеством подготовки менеджеров
1	Сырье	Образовательный процесс и ППС до внедрения рефлексивной АСУ качеством подготовки менеджеров
2	Объект управления	Образовательный процесс и преподаватели
3	Управляющие факторы	Материально-техническое и научно-методическое обеспечение образовательного процесса, повышение квалификации ППС
4	Конечный продукт	Образовательный процесс и ППС после внедрения рефлексивной АСУ качеством подготовки менеджеров
5	Потребитель	Сам выпускник, его родители, организации, социум
6	Окружающая среда	Рынок труда и образовательных услуг

В рефлексивной АСУ качеством подготовки менеджеров ситуация кардинально иная: и сами учащиеся, и условия окружающей среды, являются весьма динамичными, из чего с необходимостью следует и высокая динамичность образовательных технологий. Следовательно, рефлексивная АСУ качеством подготовки менеджеров группы "Б" фактически не только не может быть внедрена, но даже и разработана без одновременной разработки и внедрения рефлексивной АСУ качеством подготовки менеджеров группы "А", которая бы обеспечила ей высокий уровень адаптивности, достаточный для обеспечения поддержки адекватности модели как при количественных, так и при качественных изменениях предметной области, т.е. как на детерминистских, эргодичных периодах, на которых закономерности предметной области остаются практически неизменными или изменяются лишь количественно, так и после прохождения системой точек бифуркации, после чего они изменяются качественно.

Обобщенная схема рефлексивной АСУ качеством подготовки менеджеров группы "А" приведена на рисунке 40:

Рисунок 40. Обобщенная схема рефлексивной АСУ
качеством подготовки менеджеров группы "А"

6.2.3.9.4. Двухконтурная модель и обобщенная
схема рефлексивной АСУ качеством
подготовки менеджеров

Объединение рефлексивной АСУ качеством подготовки менеджеров групп "А" и "Б" приводит к схеме двухуровневой АСУ, в которой первый контур управления включает управление студентом, а второй контур управления обеспечивает управление самой образовательной технологией, оказывающей управляющее воздействие на студента.

Но и управление образовательными технологиями будет беспредметным без обратной связи, содержащей информацию об эффективности, как традиционных педагогических методов, так и педагогических инноваций, т.е. без учета их влияния на качество образования.

Кроме того, рефлексивная АСУ качеством подготовки менеджеров включает ряд обеспечивающих систем, работа которых направлена на создание наиболее благоприятных условий для выполнения основной функции этой АСУ, т.е. обеспечение международного уровня качества образования. Это так называемые обеспечивающие подсистемы:

– стратегическое управление (включая совершенствование организационной структуры университета и демократизацию управления);

– управление инновационной деятельностью (НИР, ОКР, внедрение);

– управление информационными ресурсами (локальные и корпоративные сети, Internet);

– управление планово-экономической, финансовой и хозяйственной деятельностью, и др.

Необходимо также отметить, что рефлексивная АСУ качеством подготовки менеджеров работает в определенной окружающей среде, которая, в частности, включает:

– социально-экономическую среду;

– рынок труда;

– рынок образовательных услуг;

– рынок наукоемкой продукции.

Учитывая вышесказанное, в данном исследовании предлагается следующая обобщенная модель рефлексивной АСУ качеством подготовки менеджеров, включающую в качестве базовых подсистем АСУ групп "А" и "Б", а также обеспечивающие подсистемы (рисунок 41).

Необходимо отметить, что двухуровневая схема рефлексивной АСУ качеством подготовки менеджеров является обобщением структуры типовой АСУ для вуза, а не обобщением структуры рефлексивной АСУ активными объектами [7]. Чтобы рассматривать ее именно как рефлексивную АСУ необходимо иметь в виду, что и образовательный процесс, и студент, являются активными объектами и управляющие воздействия на них имеют информационный характер. При этом информационные потоки обуславливают соответствующие финансовые, энергетические и вещественные потоки, изучаемые методами логистики.

Рисунок 41. Обобщенная схема двухуровневой рефлексивной АСУ
качеством подготовки менеджеров

6.2.3.10. Двухуровневая рефлексивная АСУ качеством
подготовки менеджеров, как АСУ ТП
в образовании: сходство и различие

Итак, объединение рефлексивных АСУ качеством подготовки менеджеров групп "А" и "Б" приводит к схеме двухуровневой АСУ. Из сравнения рефлексивной АСУ качеством подготовки менеджеров с АСУ ТП, то можно сделать следующие выводы:

– аналогом сырья в вузе является абитуриент;

– объектом управления в вузе является студент, который представляет собой систему несопоставимо более сложную, чем любая техническая система или любой производственный процесс;

– технологический процесс в вузе – это образовательный процесс, где использование технических средств является вспомогательным, а основным является прямое воздействие профессорско-преподавательского состава.

Вуз, если рассматривать его как производственную систему, имеет весьма специфический конечный продукт – это выпускник, молодой менеджер.

Рефлексивная АСУ качеством подготовки менеджеров имеет еще одну ярко выраженную специфическую особенность по сравнению с АСУ ТП: эта особенность – очень большая длительность технологического процесса "по выпуску одного изделия", т.е. время прохождения студента вдоль обрабатывающих центров (преподавателей) по образовательному конвейеру до выпускника (от 4 до 7 лет, обычно 5 лет). В производственных АСУ ТП это время измеряется минутами, реже часами или днями. Эта особенность привела к тому, что на различных стадиях образовательного процесса традиционно сложились свои циклы управления, вложенные во внешний цикл управления более высокого уровня, включающие образовательное управляющее воздействие и контроль его результатов в течение каждого семестра или даже занятия. При этом сами обрабатывающие центры (преподаватели) не автоматизированы и практически все управляющее воздействие представляет собой "ручной труд".

Кроме того, в связи с тем, что качество результата во многом предопределяется качеством "сырья", т.е. абитуриентов, многие вузы пришли к тому, что создали свои собственные системы довузовского образования или наладили тесные шефские связи с уже существующими средними образовательными учреждениями. Для повышения качества образования также очень важно иметь регулярную, систематическую информацию обратной связи о начале и продолжении трудового пути выпускников, молодых менеджеров, об их оценке потребителями. Для получения подобной информации вуз должен быть заинтересован в том, чтобы не терять связь со своими выпускниками на протяжении их трудового и жизненного пути, организуя с этой целью различные товарищества выпускников, регулярные встречи выпускников и т.п. и т.д. Следовательно, создание учебных заведений нового типа, интегрирующих в единую систему системы довузовского, вузовского и послевузовского образования, т.е. университетских комплексов, весьма перспективно. Поэтому обобщенную схему двухуровневой рефлексивной АСУ качеством подготовки менеджеров, представленную на рисунке 41, имеет смысл представить в виде "Технологической схемы управления", более традиционной для АСУ ТП (рисунок 42).

Рисунок 42. Детализированная схема рефлексивной АСУ качеством подготовки
менеджеров, как двухуровневой АСУ ТП

6.2.3.10.1. Цель рефлексивной АСУ качеством
подготовки менеджеров

Традиционно, цель применения АСУ можно представить в виде некоторой суперпозиции трех подцелей:

1. Стабилизация состояния объекта управления в динамичной или агрессивной внешней среде.

2. Перевод объекта в некоторое конечное (целевое) состояние, в котором он приобретает определенные заранее заданные свойства.

3. Повышение качества функционирования самой АСУ (адаптация и синтез модели, совершенствование технологии воздействия на объект управления в соответствии с принципом дальности управления Фельдбаума).

Для рефлексивной АСУ качеством подготовки менеджеров, очевидно, наиболее актуальными являются второй и третий аспекты цели АСУ, причем если второй аспект реализуется путем применения образовательных технологий, то третий – за счет реализации в составе рефлексивной АСУ качеством подготовки менеджеров подсистемы управления образовательным процессом. На этом моменте стоит остановиться подробнее. Если существующая образовательная технология позволяет достичь поставленной перед ней цели, то она просто применяется и эта задача решается. Если же нет, то задача превращается в проблему, которая может быть решена только путем совершенствования самой образовательной технологии.

6.2.3.10.2. Структура окружающей среды
рефлексивной АСУ качеством
подготовки менеджеров

Как правило, АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта управления (система управления находится вне среды объекта управления в случае автоматизированных систем дистанционного управления, рассмотрение которых выходит за рамки данной работы). Граница между тем, что считается окружающей средой, и тем, что считается объектом управления относительна и зависит от уровня развития технологий, т.к. определяется возможностью подсистемы управления оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Окружающая среда включает несколько "слоев": социально-экономическая среда; рынок труда; рынок образовательных услуг; рынок наукоемкой продукции и т.д.

6.2.3.10.3. Студент, как объект управления
рефлексивной АСУ качеством
подготовки менеджеров

В определенном аспекте студент, очевидно, может с полным основанием рассматриваться как объект управления, на который преподавателями в течение длительного времени систематически оказывается определенное целенаправленное управляющее воздействие, призванное, в конце концов, превратить вчерашнего школьника в профессионала в некоторой предметной области.

Конечно, подобный подход является очень упрощенным, т.к. человек является не просто сложнейшей системой обработки информации, но и обладает свободой воли.

С формальной точки зрения это означает, что человек, как объект управления, представляет собой активную систему. Внешние параметры подобных систем слабым и очень сложным образом связаны с их результирующим (целевым) состоянием. Выразить в аналитической форме эти зависимости в настоящее время практически не представляется возможным. Эти обстоятельства привели к тому, что традиционные подходы к синтезу систем управления состоянием человека, разрабатываемые в основном в медицине, не дали ощутимых результатов. Сложноразрешимые проблемы возникают как на этапе идентификации состояния объекта управления, так и на этапе выработки управляющего воздействия.

ГЛАВА 7. KNOWLEDGE MANAGEMENT
И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ САМООБУЧАЮЩЕЙСЯ ОРГАНИЗАЦИИ

В данной главе описана технология и некоторые результаты применения системно-когнитивного анализа для выявления знаний о последствиях ошибок в конфигурировании системы безопасности по отчету Microsoft Baseline Security Analyzer (MBSA) и использования этих знаний для прогнозирования последствий.

7.1. Создание инструментария для обеспечения
информационной безопасности фирмы,
как задача контроллинга

Проблема обеспечения информационной безопасности является системной и далеко выходит за рамки чисто технической или инженерной проблемы. В частности вся серьезность возможных последствий ошибок в обеспечении информационной безопасности часто не вполне осознается не только системным администратором, но и руководством фирмы. Одной из причин этого, по-видимому, является то, что примеры, приводящиеся в специальной литературе, редко бывают убедительными, т.к. чаще всего описанные в них фирмы мало напоминают нашу конкретную небольшую фирму. В тоже время для обоснованного принятия решения о целевом финансировании работ по обеспечению информационной безопасности руководителю любой фирмы необходима информация как о стоимости этих работ, так и о возможных финансовых и иных последствиях отказа от их проведения.

Однако проблема состоит в том, что получить подобную информацию в настоящее время весьма затруднительно, т.к. на Российском рынке программного обеспечения отсутствуют доступные небольшим фирмам и понятные рядовому системному администратору и его руководителю методики оценки последствий ошибок в конфигурировании системы безопасности их компьютеров.

К методу решения поставленной проблемы предъявляются определенные требования, в частности метод должен:

– обеспечивать решение сформулированной проблемы на основе информации системного администратора об ошибках конфигурации системы безопасности компьютеров и фактических последствиях этого в данной конкретной фирме;

– быть недорогим в приобретении и использовании, т.е. для этого должно быть достаточно недорогого лицензионного программного обеспечения и системного администратора, причем курс его дополнительного обучения должен быть несложным, т.е. не предъявлять к нему каких-то сверхжестких нереалистичных требований;

– быть адаптивным, т.е. оперативно учитывать изменения во всех компонентах моделируемой системы.

Для определенности ограничимся рассмотрением системы безопасности операционной системы MS Windows.

Одним из стандартных средств централизованной проверки компьютеров под управлением MS Windows, которое традиционно применяется для выявления типичных ошибок конфигурации системы безопасности и создания отдельного отчета по результатам проверки каждого компьютера под управлением операционной системы MS Windows, является Microsoft Baseline Security Analyzer (MBSA).[39]

Однако, данное средство не содержит какого-либо аппарата прогнозирования возможных последствий фактически имеющейся конфигурации системы безопасности.

Поэтому целью данной работы является решение поставленной проблемы путем разработки адаптивной методики прогнозирования возможных финансовых и иных последствий ошибок в настройках системы безопасности.

Для достижения поставленной цели выбран метод автоматизированного 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 СК-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 различных вариантов финансовых и иных последствий ошибок в настройках системы безопасности операционной системы".

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 ошибок в настройках системы безопасности операционной системы на вид проблемы с безопасностью, а также способ, трудоемкость и стоимость ее устранения".

6.2. Задача 3: "Разработка методики поддержки принятия решений о выборе таких настроек системы безопасности операционной системы, которые по опыту фактически минимизируют проблемы безопасности".

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.

7.2. Когнитивная структуризация
предметной области

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. На этом этапе было решено рассматривать

в качестве следствий, т.е. классов:

1. Вид проблемы с безопасностью.

2. Способ устранения проблемы.

3. Трудоемкость устранения проблемы.

4. Стоимость устранения проблемы.

в качестве причин (факторов): – настройки конфигурации системы безопасности операционной системы:

1. Трудозатраты на устранение проблемы (Чел/часов).

2. Стоимость устранения проблемы (Руб.).

3. Система автоматического обновления.

4. Кол-во неустановленных обновл.безопасности MS Windows.

5. Кол-во неустановленных обновл.безопасности MS Office.

6. Количество слабых либо пустых паролей.

7. Количество паролей с неограниченным сроком действия.

8. Наличие более двух учетных записей администратора.

9. Включена учетная запись гость.

10. Минимальная длина пароля.

11. Максимальный срок действия пароля.

12. Пароль должен отвечать требованиям сложности.

13. Пороговое значение блокировки.

14. Разрешить доступ к FDD только локальным пользователям.

15. Разрешить доступ к CD только локальным пользователям.

16. Тип файловой системы.

7.3. 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 нашем случае этой организацией выступила фирма, название которой мы не приводим в связи с конфиденциальностью предоставленной ей информации. В полученной базе данных представлены данные по настройкам системы безопасности компьютеров фирмы, полученные с применением Microsoft Baseline Security Analyzer (MBSA), дополненные информацией об их фактических последствиях за календарный год, всего 323 записи по различным внутренним IP-адресам. 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 30), в которой и были получены данные:

Таблица 30 – Исходные данные (фрагмент)

2.3. Исходные данные из Excel-формы, представленной в таблице 30, были преобразованы средствами Excel в стандартную для программного интерфейса _152 системы "Эйдос" электронную Excel-форму, которая отличается от приведенной в таблице 30 отсутствием горизонтальной шапки и обратным порядком строк.

2.4. На этапе контроля достоверности исходных данных ошибок обнаружено не было.

2.5. Затем Excel-форма, приведенная на таблице 30 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» (последней DOS-версии 12.5) с внешними базами данных: режим _152. Экранная форма меню вызова данного программного интерфейса приведена на рисунке 43, help режима приведен на рисунке 44, экранные формы самого программного интерфейса _152 приведены на рисунках 45 и 46.

Рисунок 43. Экранная форма вызова режима _152
системы «Эйдос».

Рисунок 44. Требования стандартного интерфейса
системы «Эйдос» с внешними базами данных: режим _152

Рисунок 45. Первая экранная форма режима _152
системы «Эйдос»

Рисунок 46. Вторая экранная форма режима _152
системы «Эйдос».

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 30 (таблица 31 – таблица 34):

Таблица 31 – Справочник классов
(интервальные значения классификационных шкал)

KOD	NAME
1	ВИД ПРОБЛЕМЫ-Критический сбой в аппаратной части
2	ВИД ПРОБЛЕМЫ-Критический сбой в работе ОС
3	ВИД ПРОБЛЕМЫ-Критический сбой в работе ПО
4	ВИД ПРОБЛЕМЫ-Несанкционированный доступ и утечка данных
5	ВИД ПРОБЛЕМЫ-Потеря данных
6	ВИД ПРОБЛЕМЫ-Проблемы отсутствуют
7	ВИД ПРОБЛЕМЫ-Сбой в аппаратной части
8	ВИД ПРОБЛЕМЫ-Сбой в работе ОС
9	ВИД ПРОБЛЕМЫ-Сбой в работе прикладного ПО
10	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Восстановление аппаратной части
11	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Восстановление данных
12	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Восстановление, настройка ПО
13	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Замена аппаратной части
14	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Перестановка ОС
15	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Переустановка ОС
16	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Переустановка и настройка ПО
17	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Повышение защищенности
18	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Проблемы отсутствуют
19	СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Устранение сбоев
20	ТРУДОЗАТРАТЫ НА УСТРАНЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАСОВ): {2.00, 3.00}
21	ТРУДОЗАТРАТЫ НА УСТРАНЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАСОВ): {3.00, 4.00}
22	ТРУДОЗАТРАТЫ НА УСТРАНЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАСОВ): {4.00, 5.00}
23	СТОИМОСТЬ УСТРАНЕНИЯ ПРОБЛЕМЫ (РУБ.): {2000.00, 3000.00}
24	СТОИМОСТЬ УСТРАНЕНИЯ ПРОБЛЕМЫ (РУБ.): {3000.00, 4000.00}
25	СТОИМОСТЬ УСТРАНЕНИЯ ПРОБЛЕМЫ (РУБ.): {4000.00, 5000.00}

Таблица 32 – Справочник наименований факторов
(описательных шкал)

KOD	NAME
1	СИСТЕМА АВТОМАТИЧЕСКОГО ОБНОВЛЕНИЯ
2	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS
3	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE
4	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ
5	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ
6	НАЛИЧИЕ БОЛЕЕ ДВУХ УЧЕТНЫХ ЗАПИСЕЙ АДМИНИСТРАТОРА
7	ВКЛЮЧЕНА УЧЕТНАЯ ЗАПИСЬ ГОСТЬ
8	МИНИМАЛЬНАЯ ДЛИНА ПАРОЛЯ
9	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ
10	ПАРОЛЬ ДОЛЖЕН ОТВЕЧАТЬ ТРЕБОВАНИЯМ СЛОЖНОСТИ
11	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ
12	РАЗРЕШИТЬ ДОСТУП К FDD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ
13	РАЗРЕШИТЬ ДОСТУП К CD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ
14	ТИП ФАЙЛОВОЙ СИСТЕМЫ

Таблица 33 – Справочник наименований интервальных значений
факторов (градаций описательных шкал)

KOD	NAME
1	СИСТЕМА АВТОМАТИЧЕСКОГО ОБНОВЛЕНИЯ-Включено
2	СИСТЕМА АВТОМАТИЧЕСКОГО ОБНОВЛЕНИЯ-Отключено
3	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {1.00, 55.67}
4	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {55.67, 110.34}
5	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {110.34, 165.01}
6	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {1.00, 38.00}
7	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {38.00, 75.00}
8	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {75.00, 112.00}
9	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {1.00, 1.67}
10	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {1.67, 2.34}
11	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {2.34, 3.01}
12	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {1.00, 1.67}
13	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {1.67, 2.34}
14	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {2.34, 3.01}
15	НАЛИЧИЕ БОЛЕЕ ДВУХ УЧЕТНЫХ ЗАПИСЕЙ АДМИНИСТРАТОРА-Да
16	НАЛИЧИЕ БОЛЕЕ ДВУХ УЧЕТНЫХ ЗАПИСЕЙ АДМИНИСТРАТОРА-Нет
17	ВКЛЮЧЕНА УЧЕТНАЯ ЗАПИСЬ ГОСТЬ-Да
18	ВКЛЮЧЕНА УЧЕТНАЯ ЗАПИСЬ ГОСТЬ-Нет
19	МИНИМАЛЬНАЯ ДЛИНА ПАРОЛЯ: {4.00, 5.33}
20	МИНИМАЛЬНАЯ ДЛИНА ПАРОЛЯ: {5.33, 6.66}
21	МИНИМАЛЬНАЯ ДЛИНА ПАРОЛЯ: {6.66, 7.99}
22	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ: {5.00, 36.33}
23	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ: {36.33, 67.66}
24	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ: {67.66, 98.99}
25	ПАРОЛЬ ДОЛЖЕН ОТВЕЧАТЬ ТРЕБОВАНИЯМ СЛОЖНОСТИ-Включено
26	ПАРОЛЬ ДОЛЖЕН ОТВЕЧАТЬ ТРЕБОВАНИЯМ СЛОЖНОСТИ-Отключено
27	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ: {3.00, 3.67}
28	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ: {3.67, 4.34}
29	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ: {4.34, 5.01}
30	РАЗРЕШИТЬ ДОСТУП К FDD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Да
31	РАЗРЕШИТЬ ДОСТУП К FDD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Нет
32	РАЗРЕШИТЬ ДОСТУП К CD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Да
33	РАЗРЕШИТЬ ДОСТУП К CD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Нет
34	ТИП ФАЙЛОВОЙ СИСТЕМЫ-FAT
35	ТИП ФАЙЛОВОЙ СИСТЕМЫ-NTFS

Таблица 34 – АНКЕТА обучающей выборки N° 1

02-05-10 18:28:27 г.Краснодар

==============================================================================

| Код | Наименования классов распознавания |

==============================================================================

| 6 | ВИД ПРОБЛЕМЫ-Проблемы отсутствуют |

| 18 | СПОСОБ УСТРАНЕНИЯ ПРОБЛЕМЫ-Проблемы отсутствуют |

==============================================================================

| К о д ы п е р в и ч н ы х п р и з н а к о в |

==============================================================================

| 1 3 15 17 26 30 32 35 |

==============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таким образом, данным программным интерфейсом полностью автоматизируется этап СК-анализа, называемый "Формализация предметной области".

7.4. Синтез, верификация и повышение качества
семантической информационной модели
предметной области

3. В результате синтеза семантической информационной модели решена задача 1: "Многокритериальная типизация различных вариантов финансовых и иных последствий ошибок в настройках системы безопасности операционной системы". 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 9010, 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 35).

Таблица 35 – База знаний о силе и направлении влияния значений
факторов на переход моделируемого объекта в состояния,
соответствующие классам (Бит × 100)

KOD	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25
1						23	-26		-30	-26		-38						23	-105	-55	-107	-115	-55	-107	-115
2	33	28	28	28	31	-30	17	29	17	17	31	19	33	28	28	28	28	-30	26	22	25	25	22	25	25
3			-34	-40		9	-1	-6	5	-1		3				-34	-40	9	-3	-3	-18	-33	-3	-18	-33
4		48	36	57	19	-41	40	34	10	40	19	13			55	36	57	-41	31	19	32	33	19	32	33
5	116	97	70		129			4			129		116	147	84	70			1	-5	45	73	-5	45	73
6	-9	-49	-9	-14	-32	7	10	-5	-32	10	-32	-30	-9	21	-78	-9	-14	7	-8	-16	-5	-8	-16	-5	-8
7	37	45	12	33	15	-34	1	16	50	1	15	49	37		51	12	33	-34	21	36	11	12	36	11	12
8		119	77			-54									126	77		-54			41	69		41	69
9		-18	31		34	-12	20	0	17	20	34	19			-11	31		-12	-3	6	16	23	6	16	23
10		36	9	15		-9	19	25	-11	19		-8		86	23	9	15	-9	22	5	14	12	5	14	12
11	90	15	20	50	32	-26	18	33	-11	18	32	-9	90		22	20	50	-26	31	20	24	21	20	24	21
12		-35	-20	0		6	4	-2	0	4		3			-28	-20	0	6	-5	-4	-7	-14	-4	-7	-14
13		41	23	29	12	-5	-2	4	-52	-2	12	-50		65	37	23	29	-5	1	-16	16	21	-16	16	21
14	61	-14	15	21	39	1		-16	-26		39	-23	61		-7	15	21	1	-19	-14	-1	18	-14	-1	18
15	53	-22	-7	13	66	-11	73	12	23	73	66	25	53		-15	-7	13	-11	9	19	-0	-16	19	-0	-16
16	-21	3	-0	-6	-44	2	-58	-3	-5	-58	-44	-6	-21	9	2	-0	-6	2	-2	-5	-1	1	-5	-1	1
17	30	19	0	11	8	-6	29	17	-0	29	8	2	30	26	18	0	11	-6	14	8	6	1	8	6	1
18		-62	-5	-27	-9	8		-43	3		-9	-0			-55	-5	-27	8	-32	-13	-13	-6	-13	-13	-6
19			9			-10		13	39			42				9		-10	10	25	8	1	25	8	1
20						28												28
21
22			-91			19		-87	-5			-12				-91		19	-55	-25	-57	-64	-25	-57	-64
23						28												28
24						28												28
25			-38	-18	0	17		-90	-18		0	-26				-38	-18	17	-58	-35	-39	-32	-35	-39	-32
26	25	21	11	5	2	-11	24	18	9	24	2	11	25	20	21	11	5	-11	15	13	11	9	13	11	9
27		-47	-18	-12	6	12		-85	-3		6	-9			-40	-18	-12	12	-52	-23	-26	-15	-23	-26	-15
28
29		44	2			-3		41							51	2		-3	38	-3	21	-6	-3	21	-6
30	33	-7	-7	13	10	-7	31	19	13	31	10	16	33		0	-7	13	-7	16	16	4	-16	16	4	-16
31		6	5	-30	-12	8		-47	-21		-12	-27		41	-2	5	-30	8	-35	-29	-9	12	-29	-9	12
32	34	-6	-6	14	11	-7	33	20	11	33	11	14	34		1	-6	14	-7	17	15	5	-14	15	5	-14

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.

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 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.

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 последовательно выполняет все вышеперечисленные операции, т.е. сначала выполняет синтез семантической информационной модели (СИМ), а затем копирует обучающую выборку в распознаваемую выборку), проводит пакетное распознавание и проверку ее адекватности, которая оказалась неплохой: более 71% (таблица 36).

Таблица 36 – 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 имеет смысл повысить адекватность модели. Для этой цели 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 (таблица 37):

Таблица 37 – Дерево разделения классов на типичные
и нетипичные (дивизивная кластеризация) (фрагмент)

№ итерации: 0 1 2 3 4 5 6

Достоверность модели (%) 71.006 94.025 98.907 99.737 99.856 99.952 100.000

Код: Наименование:

25. СТОИМОСТЬ УСТРАНЕНИЯ П ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {4000. │ 25├─┤ 25├─┤ 25├─┤ 25├─┤ 25├─┤ 25├─┤ 25│

00, 5000.00} └───┬┘ └───┬┘ └───┬┘ └───┬┘ └───┬┘ └────┘ └────┘

91. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ │ │ │ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {4000. │ │ │ │ └──┤ 91├─┤ 91│

00, 5000.00} it={5} │ │ │ │ └────┘ └────┘

83. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ │ │ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {4000. │ │ │ └──┤ 83├─┤ 83├─┤ 83│

00, 5000.00} it={4} │ │ │ └────┘ └────┘ └────┘

71. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {4000. │ │ └──┤ 71├─┤ 71├─┤ 71├─┤ 71│

00, 5000.00} it={3} │ │ └────┘ └────┘ └────┘ └────┘

56. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {4000. │ └──┤ 56├─┤ 56├─┤ 56├─┤ 56├─┤ 56│

00, 5000.00} it={2} │ └────┘ └────┘ └────┘ └────┘ └────┘

44. СТОИМОСТЬ УСТРАНЕНИЯ П │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {4000. └──┤ 44├─┤ 44├─┤ 44├─┤ 44├─┤ 44├─┤ 44│

00, 5000.00} it={1} └────┘ └────┘ └────┘ └────┘ └────┘ └────┘

24. СТОИМОСТЬ УСТРАНЕНИЯ П ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {3000. │ 24├─┤ 24├─┤ 24├─┤ 24├─┤ 24├─┤ 24├─┤ 24│

00, 4000.00} └───┬┘ └───┬┘ └───┬┘ └───┬┘ └───┬┘ └───┬┘ └────┘

93. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ │ │ │ │ ┌────┐

РОБЛЕМЫ (РУБ.): {3000. │ │ │ │ │ └──┤ 93│

00, 4000.00} it={6} │ │ │ │ │ └────┘

90. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ │ │ │ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {3000. │ │ │ │ └──┤ 90├─┤ 90│

00, 4000.00} it={5} │ │ │ │ └────┘ └────┘

82. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ │ │ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {3000. │ │ │ └──┤ 82├─┤ 82├─┤ 82│

00, 4000.00} it={4} │ │ │ └────┘ └────┘ └────┘

70. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {3000. │ │ └──┤ 70├─┤ 70├─┤ 70├─┤ 70│

00, 4000.00} it={3} │ │ └────┘ └────┘ └────┘ └────┘

55. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {3000. │ └──┤ 55├─┤ 55├─┤ 55├─┤ 55├─┤ 55│

00, 4000.00} it={2} │ └────┘ └────┘ └────┘ └────┘ └────┘

43. СТОИМОСТЬ УСТРАНЕНИЯ П │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {3000. └──┤ 43├─┤ 43├─┤ 43├─┤ 43├─┤ 43├─┤ 43│

00, 4000.00} it={1} └────┘ └────┘ └────┘ └────┘ └────┘ └────┘

23. СТОИМОСТЬ УСТРАНЕНИЯ П ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {2000. │ 23├─┤ 23├─┤ 23├─┤ 23├─┤ 23├─┤ 23├─┤ 23│

00, 3000.00} └───┬┘ └────┘ └────┘ └────┘ └────┘ └────┘ └────┘

42. СТОИМОСТЬ УСТРАНЕНИЯ П │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {2000. └──┤ 42├─┤ 42├─┤ 42├─┤ 42├─┤ 42├─┤ 42│

00, 3000.00} it={1} └───┬┘ └───┬┘ └────┘ └────┘ └────┘ └────┘

75. СТОИМОСТЬ УСТРАНЕНИЯ П │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {2000. │ └──┤ 75├─┤ 75├─┤ 75├─┤ 75│

00, 3000.00} it={1,3} │ └────┘ └────┘ └────┘ └────┘

61. СТОИМОСТЬ УСТРАНЕНИЯ П │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

РОБЛЕМЫ (РУБ.): {2000. └──┤ 61├─┤ 61├─┤ 61├─┤ 61├─┤ 61│

00, 3000.00} it={1,2} └────┘ └────┘ └────┘ └────┘ └────┘

22. ТРУДОЗАТРАТЫ НА УСТРАН ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ 22├─┤ 22├─┤ 22├─┤ 22├─┤ 22├─┤ 22├─┤ 22│

ОВ): {4.00, 5.00} └───┬┘ └───┬┘ └───┬┘ └───┬┘ └───┬┘ └────┘ └────┘

89. ТРУДОЗАТРАТЫ НА УСТРАН │ │ │ │ │ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ │ │ │ └──┤ 89├─┤ 89│

ОВ): {4.00, 5.00} it= │ │ │ │ └────┘ └────┘

81. ТРУДОЗАТРАТЫ НА УСТРАН │ │ │ │ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ │ │ └──┤ 81├─┤ 81├─┤ 81│

ОВ): {4.00, 5.00} it= │ │ │ └────┘ └────┘ └────┘

69. ТРУДОЗАТРАТЫ НА УСТРАН │ │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ │ └──┤ 69├─┤ 69├─┤ 69├─┤ 69│

ОВ): {4.00, 5.00} it= │ │ └────┘ └────┘ └────┘ └────┘

54. ТРУДОЗАТРАТЫ НА УСТРАН │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ └──┤ 54├─┤ 54├─┤ 54├─┤ 54├─┤ 54│

ОВ): {4.00, 5.00} it= │ └────┘ └────┘ └────┘ └────┘ └────┘

41. ТРУДОЗАТРАТЫ НА УСТРАН │ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС └──┤ 41├─┤ 41├─┤ 41├─┤ 41├─┤ 41├─┤ 41│

ОВ): {4.00, 5.00} it= └────┘ └────┘ └────┘ └────┘ └────┘ └────┘

21. ТРУДОЗАТРАТЫ НА УСТРАН ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ 21├─┤ 21├─┤ 21├─┤ 21├─┤ 21├─┤ 21├─┤ 21│

ОВ): {3.00, 4.00} └───┬┘ └───┬┘ └───┬┘ └───┬┘ └───┬┘ └───┬┘ └────┘

92. ТРУДОЗАТРАТЫ НА УСТРАН │ │ │ │ │ │ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ │ │ │ │ └──┤ 92│

ОВ): {3.00, 4.00} it= │ │ │ │ │ └────┘

88. ТРУДОЗАТРАТЫ НА УСТРАН │ │ │ │ │ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ │ │ │ └──┤ 88├─┤ 88│

ОВ): {3.00, 4.00} it= │ │ │ │ └────┘ └────┘

80. ТРУДОЗАТРАТЫ НА УСТРАН │ │ │ │ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ │ │ └──┤ 80├─┤ 80├─┤ 80│

ОВ): {3.00, 4.00} it= │ │ │ └────┘ └────┘ └────┘

68. ТРУДОЗАТРАТЫ НА УСТРАН │ │ │ ┌────┐ ┌────┐ ┌────┐ ┌────┐

ЕНИЕ ПРОБЛЕМЫ (ЧЕЛ/ЧАС │ │ └──┤ 68├─┤ 68├─┤ 68├─┤ 68│

ОВ): {3.00, 4.00} it= │ │ └────┘ └────┘ └────┘ └────┘

***

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 38):

Таблица 38 – Выходная форма по результатам измерения
адекватности модели, улучшенной методом дивизивной
кластеризации

Аналогичная информация приведена в скриншотах экранных форм (рисунок 47):

Рисунок 47. Экранные формы режима _62 системы «Эйдос»

Из сопоставительного анализа таблиц 36 и 38, а также рисунка 47 можно сделать следующие выводы:

– в результате разделения классов на типичную и нетипичную части достоверность верной идентификации повысилась на 29%, достоверность верной неидентификации при этом немного понизилась, но общая (средняя) достоверность модели возросла на 13,6%;

– 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.

7.5. 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 ошибок в настройках системы безопасности операционной системы на вид проблемы с безопасностью, а также способ, трудоемкость и стоимость ее устранения".

В системе "Эйдос" есть стандартный режим _42, обеспечивающий подсчет для каждого состояния системы информационной безопасности фирмы, представленного в распознаваемой выборке, суммарного количества знаний, которое содержится в интервальных значениях факторов, отражающих настройки системы безопасности, о принадлежности данного состояния к каждому из классов. Затем в режиме _431 все классы сортируются (ранжируются) в порядке убывания суммарного количества информации, содержащегося в описании примера, о принадлежности к ним. Эта информация представляется в виде экранных форм и файлов (рисунки 48, 49):

Рисунок 48. Пример выходной формы с результатами прогнозирования
последствий ошибок в настройках системы безопасности операционной системы

Рисунок 49. Пример выходной формы с результатами прогнозирования
последствий ошибок в настройках системы безопасности операционной системы

В качестве примеров для прогнозирования последствий ошибок в настройках системы безопасности операционной системы использованы примеры из исходной обучающей выборки. Птичками "Ö" в формах на рисунках 48, 49 отмечены классы соответствующие реально наступившим последствиям.

Если в распознаваемой выборке представлено сразу несколько примеров настроек системы безопасности операционной системы на различных компьютерах, то может представлять интерес другая форма вывода информации о результатах прогнозирования по ним, т.е. по степени сходства с определенным классом (рисунок 50).

В верхней части этой формы приведены IP-адреса компьютеров, для которых возникновение этой проблема вероятно, если судить по настройкам их системы безопасности, а в нижней – для которых это маловероятно. Видно, что для компьютера с IP-адресом 192.168.0.106 на эту проблему следует обратить внимание, хотя на нем она еще не зафиксирована (хотя, возможно, уже и имела место). И наоборот, на компьютере с IP-адресом 192.168.2.52 эта проблема уже имела место, хотя по своим настройкам он является нетипичным для компьютеров с подобной проблемой.

Рисунок 50. Пример карточки идентификации примеров с классом:
«Несанкционированный доступ и утечка данных»

6.2. Задача 3: "Разработка методики поддержки принятия решений о выборе таких настроек системы безопасности операционной системы, которые по опыту фактически минимизируют проблемы безопасности".

Данная задача является обратной по отношению к задаче прогнозирования. Если при прогнозировании по заданным настройкам системы безопасности операционной системы определяется, какие проблемы с информационной безопасностью ими обусловливаются, то в задаче принятия решений, наоборот: по заданному виду проблемы или ее отсутствию определяется, какие настройки системы безопасности способствуют возникновению этой проблемы, а какие препятствуют этому.

Данная задача решается во многих режимах системы "Эйдос", в частности в режиме _511, который выдает следующие формы (таблицы 39 и 40), содержащие знания о настройках системы безопасности операционной системы в различной степени способствующих и препятствующих (красным) возникновению данной проблемы.

Таблица 39 – Информационный портрет класса: стоимость
устранения проблемы (руб.): {4000.00, 5000.00} (максимальная)

NUM	KOD	NAME	BIT	%
1	5	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {110.34, 1	0,73444	15,82
2	8	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {75.00, 112	0,69191	14,90
3	4	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {55.67, 11	0,33335	7,18
4	2	СИСТЕМА АВТОМАТИЧЕСКОГО ОБНОВЛЕНИЯ-Отключено	0,24972	5,38
5	9	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {1.00, 1.67}	0,23148	4,98
6	34	ТИП ФАЙЛОВОЙ СИСТЕМЫ-FAT	0,23148	4,98
7	13	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {1.67, 2.34}	0,21342	4,60
8	11	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {2.34, 3.01}	0,21121	4,55
9	14	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {2.34, 3.01}	0,18162	3,91
10	10	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {1.67, 2.34}	0,12490	2,69
11	31	РАЗРЕШИТЬ ДОСТУП К FDD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Нет	0,11768	2,53
12	33	РАЗРЕШИТЬ ДОСТУП К CD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Нет	0,11768	2,53
13	7	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {38.00, 75.	0,11729	2,53
14	26	ПАРОЛЬ ДОЛЖЕН ОТВЕЧАТЬ ТРЕБОВАНИЯМ СЛОЖНОСТИ-Отключено	0,08945	1,93
15	19	МИНИМАЛЬНАЯ ДЛИНА ПАРОЛЯ: {4.00, 5.33}	0,01110	0,24
16	16	НАЛИЧИЕ БОЛЕЕ ДВУХ УЧЕТНЫХ ЗАПИСЕЙ АДМИНИСТРАТОРА-Нет	0,00961	0,21
17	17	ВКЛЮЧЕНА УЧЕТНАЯ ЗАПИСЬ ГОСТЬ-Да	0,00904	0,19
18	35	ТИП ФАЙЛОВОЙ СИСТЕМЫ-NTFS	-0,04930	-1,06
19	18	ВКЛЮЧЕНА УЧЕТНАЯ ЗАПИСЬ ГОСТЬ-Нет	-0,05783	-1,25
20	29	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ: {4.34, 5.01}	-0,06366	-1,37
21	6	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {1.00, 38.0	-0,07701	-1,66
22	12	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {1.00, 1.67}	-0,13895	-2,99
23	32	РАЗРЕШИТЬ ДОСТУП К CD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Да	-0,14448	-3,11
24	27	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ: {3.00, 3.67}	-0,14886	-3,21
25	15	НАЛИЧИЕ БОЛЕЕ ДВУХ УЧЕТНЫХ ЗАПИСЕЙ АДМИНИСТРАТОРА-Да	-0,15535	-3,35
26	30	РАЗРЕШИТЬ ДОСТУП К FDD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Да	-0,15535	-3,35
27	25	ПАРОЛЬ ДОЛЖЕН ОТВЕЧАТЬ ТРЕБОВАНИЯМ СЛОЖНОСТИ-Включено	-0,31834	-6,86
28	3	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {1.00, 55.	-0,33108	-7,13
29	22	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ: {5.00, 36.33}	-0,63915	-13,76
30	1	СИСТЕМА АВТОМАТИЧЕСКОГО ОБНОВЛЕНИЯ-Включено	-1,14679	-24,69

Таблица 40 – Информационный портрет класса:
вид проблемы-проблемы отсутствуют

NUM	KOD	NAME	BIT	%
1	20	МИНИМАЛЬНАЯ ДЛИНА ПАРОЛЯ: {5.33, 6.66}	0,27719	5,97
2	23	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ: {36.33, 67.66}	0,27719	5,97
3	24	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ: {67.66, 98.99}	0,27719	5,97
4	1	СИСТЕМА АВТОМАТИЧЕСКОГО ОБНОВЛЕНИЯ-Включено	0,23382	5,04
5	22	МАКСИМАЛЬНЫЙ СРОК ДЕЙСТВИЯ ПАРОЛЯ: {5.00, 36.33}	0,18720	4,03
6	25	ПАРОЛЬ ДОЛЖЕН ОТВЕЧАТЬ ТРЕБОВАНИЯМ СЛОЖНОСТИ-Включено	0,16777	3,61
7	27	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ: {3.00, 3.67}	0,12257	2,64
8	3	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {1.00, 55.	0,09169	1,97
9	18	ВКЛЮЧЕНА УЧЕТНАЯ ЗАПИСЬ ГОСТЬ-Нет	0,08344	1,80
10	31	РАЗРЕШИТЬ ДОСТУП К FDD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Нет	0,07726	1,66
11	33	РАЗРЕШИТЬ ДОСТУП К CD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Нет	0,07726	1,66
12	6	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {1.00, 38.0	0,07416	1,60
13	12	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {1.00, 1.67}	0,05519	1,19
14	35	ТИП ФАЙЛОВОЙ СИСТЕМЫ-NTFS	0,02760	0,59
15	16	НАЛИЧИЕ БОЛЕЕ ДВУХ УЧЕТНЫХ ЗАПИСЕЙ АДМИНИСТРАТОРА-Нет	0,02455	0,53
16	14	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {2.34, 3.01}	0,00659	0,14
17	29	ПОРОГОВОЕ ЗНАЧЕНИЕ БЛОКИРОВКИ: {4.34, 5.01}	-0,03192	-0,69
18	13	КОЛИЧЕСТВО ПАРОЛЕЙ С НЕОГРАНИЧЕННЫМ СРОКОМ ДЕЙСТВИЯ: {1.67, 2.34}	-0,05459	-1,18
19	17	ВКЛЮЧЕНА УЧЕТНАЯ ЗАПИСЬ ГОСТЬ-Да	-0,06410	-1,38
20	30	РАЗРЕШИТЬ ДОСТУП К FDD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Да	-0,06565	-1,41
21	32	РАЗРЕШИТЬ ДОСТУП К CD ТОЛЬКО ЛОКАЛЬНЫМ ПОЛЬЗОВАТЕЛЯМ-Да	-0,06758	-1,46
22	10	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {1.67, 2.34}	-0,08989	-1,94
23	19	МИНИМАЛЬНАЯ ДЛИНА ПАРОЛЯ: {4.00, 5.33}	-0,10387	-2,24
24	15	НАЛИЧИЕ БОЛЕЕ ДВУХ УЧЕТНЫХ ЗАПИСЕЙ АДМИНИСТРАТОРА-Да	-0,10964	-2,36
25	26	ПАРОЛЬ ДОЛЖЕН ОТВЕЧАТЬ ТРЕБОВАНИЯМ СЛОЖНОСТИ-Отключено	-0,11253	-2,42
26	9	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {1.00, 1.67}	-0,11942	-2,57
27	11	КОЛИЧЕСТВО СЛАБЫХ ЛИБО ПУСТЫХ ПАРОЛЕЙ: {2.34, 3.01}	-0,25724	-5,54
28	2	СИСТЕМА АВТОМАТИЧЕСКОГО ОБНОВЛЕНИЯ-Отключено	-0,29830	-6,42
29	7	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS OFFICE: {38.00, 75.	-0,34314	-7,39
30	34	ТИП ФАЙЛОВОЙ СИСТЕМЫ-FAT	-0,39002	-8,40
31	4	КОЛ-ВО НЕУСТАНОВЛЕННЫХ ОБНОВЛ.БЕЗОПАСНОСТИ MS WINDOWS: {55.67, 11	-0,41485	-8,93

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.

6.3. 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 [2-273]. Классификация исследовательских задач, которые могут решаться с применением системы «Эйдос», приведена в работе [7]. Здесь же отметим лишь, что задачи проблемы, связанные с информационной безопасностью (как впрочем, и другие) обычно возникают не по одной, а сразу несколько, т.к. одни и те же погрешности системы защиты приводят не к одной, а ко многим проблемам. Это наглядно видно из семантической сети классов, построенной на основе матрицы сходства обобщенных образов классов по их системам детерминации (рисунок 51).

Рисунок 51. Семантическая сеть классов

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 настроек системы безопасности (как и образ нежелательных), за счет чего минимизируются затраты на устранение проблем, связанных с нарушением информационной безопасность компьютеров, а значит 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 АСК-анализа для прогнозирования последствий ошибочного конфигурирования системы безопасности MS Windows. 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 можно было бы увеличить объем исследуемой выборки за счет увеличения количества компьютеров и периода времени, за который исследуется деятельность фирмы. Кроме того известно, что Microsoft Baseline Security Analyzer (MBSA) является лишь базовым средством обеспечения информационной безопасности MS Windows, позволяющим выявлять лишь наиболее явные ошибки в застройках системы безопасности, и, следовательно, перспективным является развитие предлагаемой методики с использованием и специальных профессиональных средств.

Выводы.

В работе описана технология и некоторые результаты применения системно-когнитивного анализа для выявления знаний о последствиях ошибок в конфигурировании системы безопасности по отчету Microsoft Baseline Security Analyzer (MBSA) и использования этих знаний для прогнозирования последствий. На основе подобного анализа могут быть выработаны научно обоснованные рекомендации по настройке системы безопасности.

ГЛАВА 8. БЕНЧМАРКИНГ В ТОРГОВОЙ ФИРМЕ

В данной главе описана технология применения системно-когнитивного анализа для создания на основе данных реальной торговой фирмы и применения в ней методики прогнозирования и поддержки принятия решений по такому выбору номенклатуры и объемов реализуемой продукции, которые обеспечивают получение максимальной прибыли и рентабельности.

8.1. Создание инструментария для бенчмаркинга
в торговой фирме, как задача контроллинга

Цель торговой фирмы, по крайней мере, как ее осознает собственник[40], как правило, состоит в повышения прибыли и рентабельности (т.е. эффективности получения прибыли). Путь достижения этой цели включает много различных составляющих, важнейшей из которых является определение номенклатуры и объемов товаров для поставки и реализации. Однако и сам путь от фактически сложившейся ситуации к целевой не является идеальным.

Руководство любой небольшой торговой фирмы постоянно решает проблему определения номенклатуры и объемов товаров, реализация которых обеспечила бы увеличение прибыли и рентабельности фирмы при известных ограничениях на оборотные средства, транспорт, складские и торговые помещения, но при неизвестной емкости рынка.

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 для применения метода должна быть в наличии в бухгалтерии фирмы.

4. Метод должен быть адаптивным, т.е. оперативно учитывать изменения во всех компонентах моделируемой системы.

При решении поставленной проблемы руководство традиционно исходит из следующих простых и очевидных соображений, отражающих две крайние ситуации:

– если закупить товары, которые не пользуются спросом, то они не будут проданы и затраты на их приобретение, доставку, хранение и попытку продажи станут убытками;

– если же закупать наиболее востребованные рынком товары, то они будут реализованы, но это может и не увеличивать прибыль фирмы или даже принести убытки, т.к. по этим товарам выручка может очень незначительно покрывать или даже не покрывать затраты на их приобретение, доставку, хранение и продажу.

Как правило, на практике традиционно закупаются те товары и в тех количествах, которые были реализованы в предыдущий период. Однако при этом остается открытым и нерешенным вопрос о том, насколько номенклатура и объем этих товаров эффективны с точки зрения достижения цели фирмы: повышения ее прибыли и рентабельности. Это означает, что традиционный способ решения поставленной проблемы «вручную» или «на глазок» обычно не позволяет решить ее достаточно эффективно.

Применение компьютерных технологий, в частности задачи линейного программирования и других оптимизационных методов, 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:

– эти системы недостаточно технологичны для их применения в небольших торговых фирмах;

– существующие системы разработаны за рубежом или в мегаполисах (в основном в Москве и Санкт-Петербурге) и очень слабо отражают региональную специфику и также специфику конкретной фирмы (т.е. нелокализованы). Точнее сказать – они вообще ее не отражают, из-за чего и имеют очень низкую достоверность прогнозирования, близкую и статистически незначимо отличающуюся от вероятности случайного угадывания без использования этих систем или другой априорной информации. Этим обусловлена и низкая эффективность рекомендуемых ими решений;

– эти системы не обладают адаптивностью и не учитывают динамику предметной области, которая чрезвычайно высока, особенно в Южном Федеральном Округе (ЮФО). В результате даже первоначально хорошо работающие (локализованные) системы очень быстро теряют адекватность модели и качество прогнозов и рекомендуемых решений;

– стоимость этих систем настолько высока, что их приобретение и использование чаще всего мало или вообще нерентабельно, особенно для небольших торговых фирм.

Необходимо еще раз отметить, что если ограничения фирмы известны ее руководству, то емкость рынка по номенклатуре товаров в сфере действия фирмы, вообще говоря, остается неизвестной, что не позволяет применить задачу линейного программирования[41]. Но даже если бы это удалось, то было бы получено тривиальное решение: торговать одним товаром, обеспечивающим наибольшее превышение выручки над затратами. Однако этого решение является неверным, т.к. чтобы торговля этим товаром принесла прибыль, сопоставимую с прибылью от торговли широким спектром товаров, он должен реализоваться в таких количествах, которые обычно намного превышают реальный спрос на него. Кроме того, ясно, что один товар, каким бы он не был замечательным, по своим потребительским свойствам не может заменить спектра товаров.

Целью данной работы является решение поставленной проблемы путем разработки адаптивной методики прогнозирования влияния номенклатуры и объемов реализуемой продукции на прибыль и рентабельность фирмы, и, на этой основе, поддержки принятия решений о выборе таких сочетаний этих 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 состояний торговой фирмы с различными прибылью и рентабельностью по факторам номенклатуры и объемов реализуемой продукции".

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 номенклатуры и объемов реализуемой продукции на прибыль и рентабельность торговой фирмы".

6.2. Задача 3: "Разработка методики поддержки принятия решений о выборе таких номенклатуры и объемов реализуемой продукции, которые обусловливают увеличение прибыли и рентабельности торговой 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.

8.2. Когнитивная структуризация
предметной области

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. На этом этапе было решено рассматривать

в качестве следствий, т.е. классов – основные экономические показатели торговой фирмы:

1. Прибыль от продаж.

2. Рентабельность продукции.

в качестве причин (факторов): – объемы реализации следующих видов продукции (номенклатура):

Молоко, 1л-бут, (шт)

Сметана весовая (кг)

Творог весовой (кг)

Кефир, 1л-бут,(шт)

Ряженка, 1л-бут, (шт)

Сывор, 1л-бут, (шт)

Пиво жигулевское, 1,5л-бут, (шт)

Пиво жигулевское, 2,5л-бут, (шт)

Пиво Дон живое, 1,5л-бут, (шт)

Пиво Дон живое, 2,5л-бут, (шт)

Пиво балтика 7, ст/б, (шт)

Пиво балтика 9, ст/б, (шт)

Горячий ключ, 1,5л-бут, (шт)

Сок фруктовый сад, 0,5л-пак, (шт)

Горячий ключ 1,4л-бут, (шт)

Горячий ключ "ручеек", 1,5л-бут, (шт)

Соль, (кг)

Уксус 9%,0,5л-бут, (шт)

Сыр янтарный,воронеж, (шт)

Икра мойвы №2, (бан)

Сыр "российский", гадяч, (кг)

Сыр колбасный, (кг)

Перец черный молотый, пак, (шт)

Сигареты винстон легкие, (пач)

Сигареты петр 8, (пач)

Сигареты альянс, (пач)

Сигареты альянс, легкие, (пач)

Сигареты максим, легкие, (пач)

Сигареты максим, (пач)

Сигареты донской табак, светлый, (пач)

Сигареты донской табак темный, (пач)

Сигареты бонд, легкие, (пач)

Сигареты святой георгий, легкие, (пач)

Сигареты гламур 3, (пач)

Сигареты гламур 5, (пач)

Сигареты русский стиль, легкие, (пач)

Сигареты честерфилд, легкие, (пач)

Сигареты наша марка, мягкая, (пач)

Сигареты наша марка, твердая, (пач)

Спички, (шт)

Картофель, (кг)

Морковь, (кг)

Лук,(кг)

Сельдь с/с, (кг)

Хамса с/с, (кг)

Кофе чибо голд, 47,5г, (шт)

Кофе чибо голд 95г, (шт)

Кофе гранд премиум 100г, (шт)

Кофе нескафе голд 47.5г, (шт)

Чай акбар, 25 пак, (шт)

Чай гордон, 25 пак, (шт)

Лисма "индийский", 25 пак, (шт)

Кофе гранд, 50г, (шт)

Какао "фунтик", пак, (шт)

Чай бэта, мята-лимон, (шт)

Чай нури, 25пак, (шт)

Семечки "по-братски" 50г, (шт)

Чай ява, 25 пак, (шт)

Семечки "кукусики", пак, (шт)

Чай "гита", 25пак, (шт)

Китекат сухой, (кг)

Чаппи сухой, (кг)

Вискас сухой, (кг)

Окорочка замороженые, (кг)

Вода, 5л-бут, (шт)

Кофе пеле, 50г, (шт)

Кофе якобс монарх 95г, (шт)

Кофе жардин, 95г, (шт)

Багбир, 5л-бут, (шт)

Пельмени домашние 0,9кг, (шт)

Бульон "ролтон" куриный, пак, (шт)

Ролтон яичная лапша, пак, (шт)

Горошек "лорадо", банка, (шт)

Горошек "высший сорт", банка, (шт)

Кукуруза "лорадо", банка, (шт)

Кофе нескафе классик, 30пак, (шт)

Кофе "кофе клаб", 3в1, (шт)

Кофе "московский", 100г, (шт)

Кофе "московский", 50г, (шт)

Кофе "якобс монарх", 50г, (шт)

Кофе "лебо", 100г, (шт)

Чай "тесс", лайм, 25 пак, (шт)

Рафинад, 300г, (шт)

Рафинад, 500г, (шт)

Чай "бэта", асам, 25 пак, (шт)

Чай "гринфилд", ройбош, 25 пак, (шт)

Чай "гринфилд", камомайл, 25 пак, (шт)

Чай "гринфилд", лотос, 25 пак, (шт)

Чай "гринфилд", мелисса, 25 пак, (шт)

Какао "золотой якорь",пак, (шт)

Мойва х/к,(кг)

Палочки куриные,(кг)

Сок фруктовый сад, 1л-пак, (шт)

Чай корона российской империи 25п, (шт)

Чай корона российской империи, 200г, (шт)

Чай корона российской империи 85г, (шт)

Пиво ячменный колос крепкое, 2,5л-бут, (шт)

Пиво ячменный колос крепкое, 1,5л-бут, (шт)

Пиво ячменный колос светлое, 1,5л-бут, (шт)

Пиво ячменный колос светлое, 2,5л-бут, (шт)

Пиво балтика "№3" с/б, (шт)

Пиво белый медведь светлое, 2л-бут, (шт)

Пиво белый медведь светлое, 1.5-бут, (шт)

Пиво белый медведь крепкое, 1.5л-бут, (шт)

Пиво оболонь, 1л-бут, (шт)

Пепси, 0.33л, банка, (шт)

Капуста, (кг)

Яйцо куриное, (шт)

Мука, (кг)

Уксус 6%, 0,5л-бут, (шт)

Сахар, (кг)

Бананы, (кг)

Апельсины, (кг)

Сок фруктовый сад, 2л-пак, (шт)

Сок фруктовый сад, 0.2л-пак, (шт)

Помидоры, (кг)

Сок "мой", 0.2л-пак, (шт)

Сок "мой", 1л-пак, (шт)

Вода "арома юг", 1.5л-бут, (шт)

Туалетная бумага "обухов", (шт)

Пакет "благодарим за покупку", (шт)

Изюм иранский , (кг)

Изюм, (кг)

Огурцы, (кг)

Майонез "шайба" 220г, (шт)

8.3. 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 нашем случае этой организацией выступила торговая фирма, название которой мы не приводим в связи с конфиденциальностью предоставленной ей информации. В полученной базе данных представлены помесячные данные о прибыли и рентабельности фирмы за 2006-2009 годы, а также объемах реализации товаров по приведенной выше номенклатуре. 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 41), в которой и были получены данные

Таблица 41 – Исходные данные (фрагмент)

Период	Прибыль за месяц (Тыс. руб.)	Рентабельность, %	Молоко, 1л-бут, (шт)	Сметана весовая (кг)	Творог весовой (кг)	Кефир, 1л-бут,(шт)	Ряженка, 1л-бут, (шт)	Сыворотка, 1л-бут, (шт)	Пиво жигулевское, 1,5л-бут, (шт)	Пиво жигулевское, 2,5л-бут, (шт)	Пиво Дон живое, 1,5л-бут, (шт)	Пиво Дон живое, 2,5л-бут, (шт)	Пиво Балтика 7, ст/б, (шт)	Пиво Балтика 9, ст/б, (шт)	Горячий ключ, 1,5л-бут, (шт)	Сок фруктовый сад, 0,5л-пак, (шт)	Горячий ключ 1,4л-бут, (шт)	Горячий ключ "ручеек", 1,5л-бут, (шт)
Январь 2009г	83767	0,68	224	30	12	88	43	26	39	93	43	58	28	24	150	52	33	60
Февраль 2009г	100445	0,72	60	25	8	37	36	30	12	13	9	25	50	40	120	48	19	60
Март 2009г	108689	0,74	24	60	18	29	21	18	48	60	46	60	25	20	120	48	19	60
Апрель 2009г	73803	0,64	33	35	4	34	41	90	12	13	9	25	50	40	120	48	19	60
Май 2009г	107765	0,74	36	34	6	37	24	43	49	91	56	113	78	20	390	48	43	60
Июнь 2009г	129372	0,78	84	46	15	40	56	102	46	75	92	130	50	40	744	48	83	169
Июль 2009г	154046	0,81	33	35	4	34	41	90	59	128	103	194	79	40	828	48	90	15
Август 2009г	124977	0,77	40	35	8	33	22	30	39	173	96	161	104	40	402	52	42	60
Сентябрь 2009г	136403	0,79	60	25	8	37	36	30	129	122	122	173	74	20	522	52	64	44
Октябрь 2009г	122202	0,77	40	35	8	33	22	30	39	173	96	161	104	40	402	52	42	60
Ноябрь 2009г	154432	0,79	125	31	3	40	37	30	26	64	8	123	54	40	270	48	33	169
Декабрь 2009г	158738	0,81	234	35	13	54	41	6	58	147	91	189	54	22	480	52	10	60
Январь 2008г	71661	0,66	202	27	10	79	38	2	35	83	39	52	25	22	135	47	29	54
Февраль 2008г	86470	0,70	54	3	7	33	32	4	11	12	8	22	45	36	108	43	17	54
Март 2008г	91441	0,71	22	6	16	26	19	16	43	54	41	54	22	18	108	43	17	54
Апрель 2008г	64753	0,63	30	4	3	30	37	81	11	12	8	22	45	36	108	43	17	54
Май 2008г	91750	0,71	33	3	5	33	21	39	44	82	51	102	70	18	351	43	39	54
Июнь 2008г	110703	0,75	76	5	13	36	50	92	42	68	83	117	45	36	670	43	75	152
Июль 2008г	133372	0,78	30	4	3	30	37	81	53	115	93	175	71	36	745	43	81	14
Август 2008г	107209	0,74	36	4	7	30	20	27	35	156	86	145	94	36	362	47	37	54
Сентябрь 2008г	117933	0,76	54	3	7	33	32	27	116	110	110	156	67	18	470	47	57	40
Октябрь 2008г	104712	0,74	36	4	7	30	20	27	35	156	86	145	94	36	362	47	37	54
Ноябрь 2008г	93278	0,71	113	3	3	36	34	27	23	58	7	111	49	36	243	43	29	152
Декабрь 2008г	137595	0,79	211	4	11	49	37	5	52	133	82	171	49	20	432	47	9	54
Январь 2007г	64396	0,68	188	25	10	74	36	22	33	78	36	49	24	20	126	44	27	50
Февраль 2007г	78219	0,68	50	2	7	31	30	25	10	11	8	21	42	34	101	40	16	50
Март 2007г	82859	0,69	20	6	15	25	18	15	40	50	38	50	21	17	101	40	16	50
Апрель 2007г	57950	0,61	28	3	3	28	35	76	10	11	8	21	42	34	101	40	16	50
Май 2007г	83147	0,69	31	3	5	31	20	36	41	76	47	95	66	17	328	40	36	50
Июнь 2007г	100836	0,73	71	4	12	34	47	86	39	63	78	109	42	34	625	40	70	142
Июль 2007г	121944	0,77	28	3	3	28	35	76	50	108	87	163	67	34	696	40	75	13
Август 2007г	97576	0,72	33	3	7	28	19	25	33	145	80	135	87	34	338	44	35	50
Сентябрь 2007г	107584	0,74	50	2	7	31	30	25	109	102	102	145	62	17	438	44	54	37
Октябрь 2007г	95245	0,72	33	3	7	28	19	25	33	145	80	135	87	34	338	44	35	50
Ноябрь 2007г	83152	0,69	105	3	2	33	31	25	22	54	7	105	46	34	227	40	27	142
Декабрь 2007г	12935	0,77	197	3	11	45	34	5	49	124	77	159	46	19	403	44	9	50
Январь 2006г	57278	0,61	175	23	9	69	33	21	31	72	34	45	22	19	117	41	25	47
Февраль 2006г	70133	0,65	47	2	6	29	28	23	10	10	7	19	39	31	94	37	15	47

2.3. Исходные данные из Excel-формы, представленной в таблице 14, были преобразованы средствами Excel в стандартную для программного интерфейса _152 системы "Эйдос" электронную Excel-форму, которая отличается от приведенной в таблице 14 отсутствием горизонтальной шапки и обратным порядком строк.

2.4. На этапе контроля достоверности исходных данных было обнаружено, что в исходной базе данных некоторые значения приведены в различных единицах измерения, что и было исправлено.

2.5. Затем Excel-форма, приведенная на таблице 14 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 52, help режима приведен на рисунке 53, экранные формы самого программного интерфейса _152 приведены на рисунках 54 и 55.

Рисунок 52. Экранная форма вызова режима _152
системы «Эйдос».

Рисунок 53. Требования стандартного интерфейса с
истемы «Эйдос» с внешними базами данных: режим _152

Рисунок 54. Первая экранная форма режима _152
системы «Эйдос» (последняя DOS-версия 12.5)

Рисунок 55. 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 41 (таблица 42 – таблица 45):

Таблица 42 – Справочник классов
(интервальные значения классификационных шкал)

KOD	NAME
1	ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.): {12935.00, 42095.60}
2	ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.): {42095.60, 71256.20}
3	ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.): {71256.20, 100416.80}
4	ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.): {100416.80, 129577.40}
5	ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.): {129577.40, 158738.00}
6	РЕНТАБЕЛЬНОСТЬ,%: {58.00, 62.60}
7	РЕНТАБЕЛЬНОСТЬ,%: {62.60, 67.20}
8	РЕНТАБЕЛЬНОСТЬ,%: {67.20, 71.80}
9	РЕНТАБЕЛЬНОСТЬ,%: {71.80, 76.40}
10	РЕНТАБЕЛЬНОСТЬ,%: {76.40, 81.00}

Таблица 43 – Справочник наименований факторов
(описательных шкал)

KOD	NAME
1	МОЛОКО, 1Л-БУТ, (ШТ)
2	СМЕТАНА ВЕСОВАЯ (КГ)
3	ТВОРОГ ВЕСОВОЙ (КГ)
4	КЕФИР, 1Л-БУТ,(ШТ)
5	РЯЖЕНКА, 1Л-БУТ, (ШТ)
6	СЫВОР, 1Л-БУТ, (ШТ)
7	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ)
8	ПИВО ЖИГУЛЕВСКОЕ, 2,5Л-БУТ, (ШТ)
9	ПИВО ДОН ЖИВОЕ, 1,5Л-БУТ, (ШТ)
10	ПИВО ДОН ЖИВОЕ, 2,5Л-БУТ, (ШТ)
11	ПИВО БАЛТИКА 7, СТ/Б, (ШТ)
12	ПИВО БАЛТИКА 9, СТ/Б, (ШТ)
13	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ)
14	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ)
15	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ)
16	ГОРЯЧИЙ КЛЮЧ "РУЧЕЕК", 1,5Л-БУТ, (ШТ)
17	СОЛЬ, (КГ)
18	УКСУС 9%,0,5Л-БУТ, (ШТ)
19	СЫР ЯНТАРНЫЙ,ВОРОНЕЖ, (ШТ)
20	ИКРА МОЙВЫ №2, (БАН)
21	СЫР "РОССИЙСКИЙ", ГАДЯЧ, (КГ)
22	СЫР КОЛБАСНЫЙ, (КГ)
23	ПЕРЕЦ ЧЕРНЫЙ МОЛОТЫЙ, ПАК, (ШТ)
24	СИГАРЕТЫ ВИНСТОН ЛЕГКИЕ, (ПАЧ)
25	СИГАРЕТЫ ПЕТР 8, (ПАЧ)
26	СИГАРЕТЫ АЛЬЯНС, (ПАЧ)
27	СИГАРЕТЫ АЛЬЯНС, ЛЕГКИЕ, (ПАЧ)
28	СИГАРЕТЫ МАКСИМ, ЛЕГКИЕ, (ПАЧ)
29	СИГАРЕТЫ МАКСИМ, (ПАЧ)
30	СИГАРЕТЫ ДОНСКОЙ ТАБАК, СВЕТЛЫЙ, (ПАЧ)
31	СИГАРЕТЫ ДОНСКОЙ ТАБАК ТЕМНЫЙ, (ПАЧ)
32	СИГАРЕТЫ БОНД, ЛЕГКИЕ, (ПАЧ)
33	СИГАРЕТЫ СВЯТОЙ ГЕОРГИЙ, ЛЕГКИЕ, (ПАЧ)
34	СИГАРЕТЫ ГЛАМУР 3, (ПАЧ)
35	СИГАРЕТЫ ГЛАМУР 5, (ПАЧ)
36	СИГАРЕТЫ РУССКИЙ СТИЛЬ, ЛЕГКИЕ, (ПАЧ)
37	СИГАРЕТЫ ЧЕСТЕРФИЛД, ЛЕГКИЕ, (ПАЧ)
38	СИГАРЕТЫ НАША МАРКА, МЯГКАЯ, (ПАЧ)
39	СИГАРЕТЫ НАША МАРКА, ТВЕРДАЯ, (ПАЧ)
40	СПИЧКИ, (ШТ)
41	КАРТОФЕЛЬ, (КГ)
42	МОРКОВЬ, (КГ)
43	ЛУК,(КГ)
44	СЕЛЬДЬ С/С, (КГ)
45	ХАМСА С/С, (КГ)
46	КОФЕ ЧИБО ГОЛД, 47,5Г, (ШТ)
47	КОФЕ ЧИБО ГОЛД 95Г, (ШТ)
48	КОФЕ ГРАНД ПРЕМИУМ 100Г, (ШТ)
49	КОФЕ НЕСКАФЕ ГОЛД 47.5Г, (ШТ)
50	ЧАЙ АКБАР, 25 ПАК, (ШТ)
51	ЧАЙ ГОРДОН, 25 ПАК, (ШТ)
52	ЛИСМА "ИНДИЙСКИЙ", 25 ПАК, (ШТ)
53	КОФЕ ГРАНД, 50Г, (ШТ)
54	КАКАО "ФУНТИК", ПАК, (ШТ)
55	ЧАЙ БЭТА, МЯТА-ЛИМОН, (ШТ)
56	ЧАЙ НУРИ, 25ПАК, (ШТ)
57	СЕМЕЧКИ "ПО-БРАТСКИ" 50Г, (ШТ)
58	ЧАЙ ЯВА, 25 ПАК, (ШТ)
59	СЕМЕЧКИ "КУКУСИКИ", ПАК, (ШТ)
60	ЧАЙ "ГИТА", 25ПАК, (ШТ)
61	КИТЕКАТ СУХОЙ, (КГ)
62	ЧАППИ СУХОЙ, (КГ)
63	ВИСКАС СУХОЙ, (КГ)
64	ОКОРОЧКА ЗАМОРОЖЕНЫЕ, (КГ)
65	ВОДА, 5Л-БУТ, (ШТ)
66	КОФЕ ПЕЛЕ, 50Г, (ШТ)
67	КОФЕ ЯКОБС МОНАРХ 95Г, (ШТ)
68	КОФЕ ЖАРДИН, 95Г, (ШТ)
69	БАГБИР, 5Л-БУТ, (ШТ)
70	ПЕЛЬМЕНИ ДОМАШНИЕ 0,9КГ, (ШТ)
71	БУЛЬОН "РОЛТОН" КУРИНЫЙ, ПАК, (ШТ)
72	РОЛТОН ЯИЧНАЯ ЛАПША, ПАК, (ШТ)
73	ГОРОШЕК "ЛОРАДО", БАНКА, (ШТ)
74	ГОРОШЕК "ВЫСШИЙ СОРТ", БАНКА, (ШТ)
75	КУКУРУЗА "ЛОРАДО", БАНКА, (ШТ)
76	КОФЕ НЕСКАФЕ КЛАССИК, 30ПАК, (ШТ)
77	КОФЕ "КОФЕ КЛАБ", 3В1, (ШТ)
78	КОФЕ "МОСКОВСКИЙ", 100Г, (ШТ)
79	КОФЕ "МОСКОВСКИЙ", 50Г, (ШТ)
80	КОФЕ "ЯКОБС МОНАРХ", 50Г, (ШТ)
81	КОФЕ "ЛЕБО", 100Г, (ШТ)
82	ЧАЙ "ТЕСС", ЛАЙМ, 25 ПАК, (ШТ)
83	РАФИНАД, 300Г, (ШТ)
84	РАФИНАД, 500Г, (ШТ)
85	ЧАЙ "БЭТА", АСАМ, 25 ПАК, (ШТ)
86	ЧАЙ "ГРИНФИЛД", РОЙБОШ, 25 ПАК, (ШТ)
87	ЧАЙ "ГРИНФИЛД", КАМОМАЙЛ, 25 ПАК, (ШТ)
88	ЧАЙ "ГРИНФИЛД", ЛОТОС, 25 ПАК, (ШТ)
89	ЧАЙ "ГРИНФИЛД", МЕЛИССА, 25 ПАК, (ШТ)
90	КАКАО "ЗОЛОТОЙ ЯКОРЬ",ПАК, (ШТ)
91	МОЙВА Х/К,(КГ)
92	ПАЛОЧКИ КУРИНЫЕ,(КГ)
93	СОК ФРУКТОВЫЙ САД, 1Л-ПАК, (ШТ)
94	ЧАЙ КОРОНА РОССИЙСКОЙ ИМПЕРИИ 25П, (ШТ)
95	ЧАЙ КОРОНА РОССИЙСКОЙ ИМПЕРИИ, 200Г, (ШТ)
96	ЧАЙ КОРОНА РОССИЙСКОЙ ИМПЕРИИ 85Г, (ШТ)
97	ПИВО ЯЧМЕННЫЙ КОЛОС КРЕПКОЕ, 2,5Л-БУТ, (ШТ)
98	ПИВО ЯЧМЕННЫЙ КОЛОС КРЕПКОЕ, 1,5Л-БУТ, (ШТ)
99	ПИВО ЯЧМЕННЫЙ КОЛОС СВЕТЛОЕ, 1,5Л-БУТ, (ШТ)
100	ПИВО ЯЧМЕННЫЙ КОЛОС СВЕТЛОЕ, 2,5Л-БУТ, (ШТ)
101	ПИВО БАЛТИКА "№3" С/Б, (ШТ)
102	ПИВО БЕЛЫЙ МЕДВЕДЬ СВЕТЛОЕ, 2Л-БУТ, (ШТ)
103	ПИВО БЕЛЫЙ МЕДВЕДЬ СВЕТЛОЕ, 1.5-БУТ, (ШТ)
104	ПИВО БЕЛЫЙ МЕДВЕДЬ КРЕПКОЕ, 1.5Л-БУТ, (ШТ)
105	ПИВО ОБОЛОНЬ, 1Л-БУТ, (ШТ)
106	ПЕПСИ, 0.33Л, БАНКА, (ШТ)
107	КАПУСТА, (КГ)
108	ЯЙЦО КУРИНОЕ, (ШТ)
109	МУКА, (КГ)
110	УКСУС 6%, 0,5Л-БУТ, (ШТ)
111	САХАР, (КГ)
112	БАНАНЫ, (КГ)
113	АПЕЛЬСИНЫ, (КГ)
114	СОК ФРУКТОВЫЙ САД, 2Л-ПАК, (ШТ)
115	СОК ФРУКТОВЫЙ САД, 0.2Л-ПАК, (ШТ)
116	ПОМИДОРЫ, (КГ)
117	СОК "МОЙ", 0.2Л-ПАК, (ШТ)
118	СОК "МОЙ", 1Л-ПАК, (ШТ)
119	ВОДА "АРОМА ЮГ", 1.5Л-БУТ, (ШТ)
120	ТУАЛЕТНАЯ БУМАГА "ОБУХОВ", (ШТ)
121	ПАКЕТ "БЛАГОДАРИМ ЗА ПОКУПКУ", (ШТ)
122	ИЗЮМ ИРАНСКИЙ , (КГ)
123	ИЗЮМ, (КГ)
124	ОГУРЦЫ, (КГ)
125	МАЙОНЕЗ "ШАЙБА" 220Г, (ШТ)

Таблица 44 – Справочник наименований
интервальных значений факторов
(градаций описательных шкал) (фрагмент)

KOD	NAME
1	МОЛОКО, 1Л-БУТ, (ШТ): {19.00, 62.00}
2	МОЛОКО, 1Л-БУТ, (ШТ): {62.00, 105.00}
3	МОЛОКО, 1Л-БУТ, (ШТ): {105.00, 148.00}
4	МОЛОКО, 1Л-БУТ, (ШТ): {148.00, 191.00}
5	МОЛОКО, 1Л-БУТ, (ШТ): {191.00, 234.00}
6	СМЕТАНА ВЕСОВАЯ (КГ): {2.00, 13.60}
7	СМЕТАНА ВЕСОВАЯ (КГ): {13.60, 25.20}
8	СМЕТАНА ВЕСОВАЯ (КГ): {25.20, 36.80}
9	СМЕТАНА ВЕСОВАЯ (КГ): {36.80, 48.40}
10	СМЕТАНА ВЕСОВАЯ (КГ): {48.40, 60.00}
11	ТВОРОГ ВЕСОВОЙ (КГ): {2.00, 5.20}
12	ТВОРОГ ВЕСОВОЙ (КГ): {5.20, 8.40}
13	ТВОРОГ ВЕСОВОЙ (КГ): {8.40, 11.60}
14	ТВОРОГ ВЕСОВОЙ (КГ): {11.60, 14.80}
15	ТВОРОГ ВЕСОВОЙ (КГ): {14.80, 18.00}
16	КЕФИР, 1Л-БУТ,(ШТ): {23.00, 36.00}
17	КЕФИР, 1Л-БУТ,(ШТ): {36.00, 49.00}
18	КЕФИР, 1Л-БУТ,(ШТ): {49.00, 62.00}
19	КЕФИР, 1Л-БУТ,(ШТ): {62.00, 75.00}
20	КЕФИР, 1Л-БУТ,(ШТ): {75.00, 88.00}
21	РЯЖЕНКА, 1Л-БУТ, (ШТ): {16.00, 24.00}
22	РЯЖЕНКА, 1Л-БУТ, (ШТ): {24.00, 32.00}
23	РЯЖЕНКА, 1Л-БУТ, (ШТ): {32.00, 40.00}
24	РЯЖЕНКА, 1Л-БУТ, (ШТ): {40.00, 48.00}
25	РЯЖЕНКА, 1Л-БУТ, (ШТ): {48.00, 56.00}
26	СЫВОР, 1Л-БУТ, (ШТ): {2.00, 22.00}
27	СЫВОР, 1Л-БУТ, (ШТ): {22.00, 42.00}
28	СЫВОР, 1Л-БУТ, (ШТ): {42.00, 62.00}
29	СЫВОР, 1Л-БУТ, (ШТ): {62.00, 82.00}
30	СЫВОР, 1Л-БУТ, (ШТ): {82.00, 102.00}
31	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {10.00, 33.80}
32	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {33.80, 57.60}
33	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {57.60, 81.40}
34	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {81.40, 105.20}
35	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {105.20, 129.00}
36	ПИВО ЖИГУЛЕВСКОЕ, 2,5Л-БУТ, (ШТ): {10.00, 42.60}
37	ПИВО ЖИГУЛЕВСКОЕ, 2,5Л-БУТ, (ШТ): {42.60, 75.20}
38	ПИВО ЖИГУЛЕВСКОЕ, 2,5Л-БУТ, (ШТ): {75.20, 107.80}
39	ПИВО ЖИГУЛЕВСКОЕ, 2,5Л-БУТ, (ШТ): {107.80, 140.40}
40	ПИВО ЖИГУЛЕВСКОЕ, 2,5Л-БУТ, (ШТ): {140.40, 173.00}
41	ПИВО ДОН ЖИВОЕ, 1,5Л-БУТ, (ШТ): {6.00, 29.20}
42	ПИВО ДОН ЖИВОЕ, 1,5Л-БУТ, (ШТ): {29.20, 52.40}
43	ПИВО ДОН ЖИВОЕ, 1,5Л-БУТ, (ШТ): {52.40, 75.60}
44	ПИВО ДОН ЖИВОЕ, 1,5Л-БУТ, (ШТ): {75.60, 98.80}
45	ПИВО ДОН ЖИВОЕ, 1,5Л-БУТ, (ШТ): {98.80, 122.00}
46	ПИВО ДОН ЖИВОЕ, 2,5Л-БУТ, (ШТ): {19.00, 54.00}
47	ПИВО ДОН ЖИВОЕ, 2,5Л-БУТ, (ШТ): {54.00, 89.00}
48	ПИВО ДОН ЖИВОЕ, 2,5Л-БУТ, (ШТ): {89.00, 124.00}
49	ПИВО ДОН ЖИВОЕ, 2,5Л-БУТ, (ШТ): {124.00, 159.00}
50	ПИВО ДОН ЖИВОЕ, 2,5Л-БУТ, (ШТ): {159.00, 194.00}
51	ПИВО БАЛТИКА 7, СТ/Б, (ШТ): {19.00, 36.00}
52	ПИВО БАЛТИКА 7, СТ/Б, (ШТ): {36.00, 53.00}
53	ПИВО БАЛТИКА 7, СТ/Б, (ШТ): {53.00, 70.00}
54	ПИВО БАЛТИКА 7, СТ/Б, (ШТ): {70.00, 87.00}
55	ПИВО БАЛТИКА 7, СТ/Б, (ШТ): {87.00, 104.00}
56	ПИВО БАЛТИКА 9, СТ/Б, (ШТ): {16.00, 20.80}
57	ПИВО БАЛТИКА 9, СТ/Б, (ШТ): {20.80, 25.60}
58	ПИВО БАЛТИКА 9, СТ/Б, (ШТ): {25.60, 30.40}
59	ПИВО БАЛТИКА 9, СТ/Б, (ШТ): {30.40, 35.20}
60	ПИВО БАЛТИКА 9, СТ/Б, (ШТ): {35.20, 40.00}
61	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ): {94.00, 240.80}
62	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ): {240.80, 387.60}
63	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ): {387.60, 534.40}
64	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ): {534.40, 681.20}
65	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ): {681.20, 828.00}
66	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ): {37.00, 40.00}
67	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ): {40.00, 43.00}
68	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ): {43.00, 46.00}
69	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ): {46.00, 49.00}
70	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ): {49.00, 52.00}
71	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ): {8.00, 24.40}
72	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ): {24.40, 40.80}
73	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ): {40.80, 57.20}
74	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ): {57.20, 73.60}
75	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ): {73.60, 90.00}
76	ГОРЯЧИЙ КЛЮЧ "РУЧЕЕК", 1,5Л-БУТ, (ШТ): {12.00, 43.40}
77	ГОРЯЧИЙ КЛЮЧ "РУЧЕЕК", 1,5Л-БУТ, (ШТ): {43.40, 74.80}
78	ГОРЯЧИЙ КЛЮЧ "РУЧЕЕК", 1,5Л-БУТ, (ШТ): {74.80, 106.20}

Таблица 45 – АНКЕТА обучающей выборки N° 1

01-05-10 13:44:19 г.Краснодар

==============================================================================

| Код | Наименования классов распознавания |

==============================================================================

| 2 | ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.): {42095.60, 71256.20} |

| 6 | РЕНТАБЕЛЬНОСТЬ,%: {58.00, 62.60} |

==============================================================================

| К о д ы п е р в и ч н ы х п р и з н а к о в |

==============================================================================

| 4 7 13 19 23 26 31 37 42 46 51 61 67 72 77 |

| 81 86 91 96 102 106 111 121 127 131 137 142 148 151 158 |

| 163 169 171 182 186 191 196 202 206 214 216 221 227 232 244 |

| 246 251 256 261 268 272 273 279 281 288 296 301 306 311 317 |

| 322 326 331 337 341 347 356 361 366 371 376 381 386 391 396 |

| 401 407 418 421 428 429 432 438 443 446 451 456 464 471 476 |

| 481 486 491 496 501 506 511 518 523 531 536 541 546 551 557 |

| 561 566 571 576 582 591 596 603 608 609 611 616 621 |

==============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таким образом, данным программным интерфейсом полностью автоматизируется этап СК-анализа, называемый "Формализация предметной области".

8.4. Синтез, верификация и повышение качества
семантической информационной модели
предметной области

3. В результате синтеза семантической информационной модели решена задача 1: "Многокритериальная типизация состояний торговой фирмы с различными прибылью и рентабельностью по факторам номенклатуры и объемов реализуемой продукции". 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 11464, 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 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 46):

Таблица 46 – 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
1		0	2	3	-10	0	3	-3	6	-7
2			6	17			5	7	5	-11
3			17		35			32		13
4		60		2		60		7	5
5	80		-2		41		11	-11		34
6	13	-1	7	-5	-26	-1	2	7	5	-23
7		49		-8	25	49		-3	-6	3
8			-8	2	35		15	-32	-34	32
9				41						52
10				41					44
11		17	4	-30	17	27	22	-1	-53	6
12		-27	-1	15	-27		-32	-5	21	-9
13	68	29	-14	-28	5	29	-1	2	-25	8
14			-2	9	17		11	-11	11	-5
15			6	17				22	-6	3
16		-3	7	0	-28	-3	6	5	3	-17
17	55		-51	17	31			-36	11	28
18					74					52
19		74				74		22
20			31				44	22
21			14	7			-5	11	9	-21
22		10	-0	10		10	5	-3	19
23	34	28	-33	-4	21	35	-9	-17	-10	13
24			6	-22	35		5	7	-20	13
25				41					19	28
26	49	10	-0	-22	10	10	5	7	-20	3
27		-14	9	-2	-14		-5	11	5	-11
28				41					44
29		44	-38	-3	5	54	-1	-23	-25	8
30			-26	23	17		11		11	20
31		35	10	-61	-29	35	15	13	-20	-50
32	24		-4	17	-14		-5	-3	5	9
33					74					52
34			31						44
35				27	35				29	13
36		49	-4	-32		49	34	-3	-30
37		-20	11	-3	-20	5	14	10	-11	-17
38		-4	10	2			-9	17	15
39	55		-26	-1	41			-11	-13	34
40			-14	22	5				24	22
41		35	6	-47	-14	35	30	7	-45	-36
42		13	20	-44		13	22	25	-41
43			13	9				28	11
44	39		-28	21	15				19	28
45				17	49				19	28
46		44	6	-52		44	32	10	-50

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 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 несущественно 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 56).

Рисунок 56. 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 90,014%, 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. С другой стороны все же была выявлена определенная динамика достоверности модели, которая имеет выраженный визуально-наблюдаемый минимум в районе марта 2008 года, что, по-видимому, может объясняться влиянием на моделируемый объект мирового финансового кризиса, пик которого приходится примерно на это время (рисунок 57).

Рисунок 57. Определение границ периодов эргодичности (точек бифуркации)
путем измерения зависимости достоверности модели от объема исследуемой
выборки (режим _236 системы «Эйдос» (последняя DOS-версия 12.5))

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 47).

Таблица 47 – 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 90,014%, 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 58):

Рисунок 58. 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 48):

Таблица 48 – ВЫХОДНАЯ ФОРМА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЯ АДЕКВАТНОСТИ МОДЕЛИ, УЛУЧШЕННОЙ МЕТОДОМ ДИВИЗИВНОЙ КЛАСТЕРИЗАЦИИ (ФРАГМЕНТ)

Аналогичная информация приведена в скриншотах экранных форм (рисунок 59):

Рисунок 59. Экранные формы режима _62 системы «Эйдос»
(последняя DOS-версия 12.5)

Из сопоставительного анализа таблиц 20 и 21 и рисунка 39 можно сделать следующие выводы:

– в результате разделения классов на типичную и нетипичную части достоверность верной идентификации повысилась на 10%, достоверность верной неидентификации при этом немного понизилась, но общая (средняя) достоверность модели возросла на 3%;

– 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.

8.5. 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 номенклатуры и объемов реализуемой продукции на прибыль и рентабельность торговой фирмы" решается по сути автоматически при синтезе модели на 3-м этапе АСК-анализа.

В системе "Эйдос" есть стандартный режим _42, обеспечивающий подсчет для каждого состояния фирмы, представленного в распознаваемой выборке, суммарного количества знаний, которое содержится в интервальных значениях факторов о принадлежности данного состояния к каждому из классов. Затем в режиме _431 все классы сортируются (ранжируются) в порядке убывания суммарного количества информации, содержащегося в описании примера, о принадлежности к ним. Эта информация представляется в виде экранных форм и файлов (рисунки 60 – 61):

Рисунок 60. Пример выходной формы с желательными для фирмы результатами
прогнозирования (максимальная прибыль)

Рисунок 61. Пример выходной формы с нежелательными для фирмы езультатами
прогнозирования (минимальная рентабельность)

Птичками "Ö" На рисунках 60 – 61 отмечены классы, к которым данное состояние фирмы действительно относится.

Если в распознаваемой выборке представлено сразу несколько примеров потенциальных продаж, то может представлять интерес другая форма вывода информации о результатах прогнозирования по ним, т.е. по степени сходства с желаемым классом (высокая рентабельность) (рисунок 62):

Рисунок 62. Пример карточки идентификации примеров потенциальных продаж с классом «Максимальная рентабельность»

6.2. Задача 3: "Разработка методики поддержки принятия решений о выборе таких номенклатуры и объемов реализуемой продукции, которые обусловливают увеличение прибыли и рентабельности торговой фирмы".

Данная задача является обратной по отношению к задаче прогнозирования. Если при прогнозировании по заданным интервальным значениям факторов определяется, какие состояния фирмы ими обусловливаются, то в задаче принятия решений, наоборот: по заданному состоянию фирмы определяется, какие интервальные значения факторов детерминируют переход фирмы в это стояние, а какие препятствуют этому.

Данная задача решается во многих режимах системы "Эйдос", в частности в режиме _511, который выдает следующие формы (таблицы 49 и 50), содержащие знания о номенклатуре и объемах товаров, реализация которых в различной степени способствует и препятствует (красным) получению заданных экономических результатов.

Таблица 49 – Информационный портрет класса:
прибыль за месяц (тыс.руб.): {129577.40, 158738.00} (фрагмент)

NUM	KOD	NAME	BIT	%
1	18	КЕФИР, 1Л-БУТ,(ШТ): {49.00, 62.00}	0,74	22,28
2	33	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {57.60, 81.40}	0,74	22,28
3	153	СИГАРЕТЫ ДОНСКОЙ ТАБАК ТЕМНЫЙ, (ПАЧ): {38.20, 49.80}	0,74	22,28
4	155	СИГАРЕТЫ ДОНСКОЙ ТАБАК ТЕМНЫЙ, (ПАЧ): {61.40, 73.00}	0,74	22,28
5	185	СИГАРЕТЫ ЧЕСТЕРФИЛД, ЛЕГКИЕ, (ПАЧ): {43.20, 52.00}	0,74	22,28
6	225	ХАМСА С/С, (КГ): {92.20, 113.00}	0,74	22,28
7	243	КОФЕ НЕСКАФЕ ГОЛД 47.5Г, (ШТ): {5.80, 7.20}	0,74	22,28
8	253	ЧАЙ ГОРДОН, 25 ПАК, (ШТ): {7.00, 9.00}	0,74	22,28
9	267	КАКАО "ФУНТИК", ПАК, (ШТ): {5.40, 6.80}	0,74	22,28
10	303	КИТЕКАТ СУХОЙ, (КГ): {94.80, 125.20}	0,74	22,28
11	310	ЧАППИ СУХОЙ, (КГ): {41.00, 47.00}	0,74	22,28
12	315	ВИСКАС СУХОЙ, (КГ): {42.40, 50.00}	0,74	22,28
13	338	КОФЕ ЖАРДИН, 95Г, (ШТ): {7.00, 10.00}	0,74	22,28
14	365	ГОРОШЕК "ЛОРАДО", БАНКА, (ШТ): {37.40, 43.00}	0,74	22,28
15	435	ЧАЙ "ГРИНФИЛД", КАМОМАЙЛ, 25 ПАК, (ШТ): {4.20, 5.00}	0,74	22,28
16	460	ПАЛОЧКИ КУРИНЫЕ,(КГ): {8.76, 9.70}	0,74	22,28
17	495	ПИВО ЯЧМЕННЫЙ КОЛОС СВЕТЛОЕ, 1,5Л-БУТ, (ШТ): {29.60, 35.00}	0,74	22,28
18	528	ПЕПСИ, 0.33Л, БАНКА, (ШТ): {43.80, 61.20}	0,74	22,28
19	323	ВОДА, 5Л-БУТ, (ШТ): {49.20, 64.80}	0,66	19,90
20	145	СИГАРЕТЫ МАКСИМ, (ПАЧ): {330.20, 401.00}	0,64	19,21
21	285	СЕМЕЧКИ "ПО-БРАТСКИ" 50Г, (ШТ): {87.80, 100.00}	0,64	19,21
22	505	ПИВО БАЛТИКА "№3" С/Б, (ШТ): {76.20, 91.00}	0,64	19,21
23	250	ЧАЙ АКБАР, 25 ПАК, (ШТ): {15.00, 18.00}	0,60	17,95
24	255	ЧАЙ ГОРДОН, 25 ПАК, (ШТ): {11.00, 13.00}	0,60	17,95
25	305	КИТЕКАТ СУХОЙ, (КГ): {155.60, 186.00}	0,60	17,95
26	320	ОКОРОЧКА ЗАМОРОЖЕНЫЕ, (КГ): {63.00, 78.00}	0,60	17,95
27	330	КОФЕ ПЕЛЕ, 50Г, (ШТ): {8.60, 10.00}	0,60	17,95
28	345	БАГБИР, 5Л-БУТ, (ШТ): {6.60, 8.00}	0,60	17,95
316	295	СЕМЕЧКИ "КУКУСИКИ", ПАК, (ШТ): {117.60, 141.00}	-0,25	-7,38
317	391	КОФЕ "МОСКОВСКИЙ", 50Г, (ШТ): {4.00, 4.20}	-0,25	-7,38
318	419	РАФИНАД, 500Г, (ШТ): {5.60, 6.80}	-0,25	-7,38
319	492	ПИВО ЯЧМЕННЫЙ КОЛОС СВЕТЛОЕ, 1,5Л-БУТ, (ШТ): {13.40, 18.80}	-0,25	-7,38
320	543	МУКА, (КГ): {59.80, 79.20}	-0,25	-7,38
321	602	ПАКЕТ "БЛАГОДАРИМ ЗА ПОКУПКУ", (ШТ): {490.60, 669.20}	-0,25	-7,38
322	6	СМЕТАНА ВЕСОВАЯ (КГ): {2.00, 13.60}	-0,26	-7,71
323	609	ИЗЮМ ИРАНСКИЙ , (КГ): {8.00, 9.00}	-0,26	-7,71
324	12	ТВОРОГ ВЕСОВОЙ (КГ): {5.20, 8.40}	-0,27	-8,03
325	72	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ): {24.40, 40.80}	-0,27	-8,03
326	149	СИГАРЕТЫ ДОНСКОЙ ТАБАК, СВЕТЛЫЙ, (ПАЧ): {90.40, 110.20}	-0,27	-8,03
327	16	КЕФИР, 1Л-БУТ,(ШТ): {23.00, 36.00}	-0,28	-8,34
328	31	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {10.00, 33.80}	-0,29	-8,64
329	101	СЫР "РОССИЙСКИЙ", ГАДЯЧ, (КГ): {1.00, 8.00}	-0,29	-8,64
330	161	СИГАРЕТЫ СВЯТОЙ ГЕОРГИЙ, ЛЕГКИЕ, (ПАЧ): {17.00, 41.60}	-0,29	-8,64
331	186	СИГАРЕТЫ НАША МАРКА, МЯГКАЯ, (ПАЧ): {46.00, 78.80}	-0,29	-8,64
332	425	ЧАЙ "БЭТА", АСАМ, 25 ПАК, (ШТ): {28.60, 35.00}	-0,29	-8,64
333	443	ЧАЙ "ГРИНФИЛД", МЕЛИССА, 25 ПАК, (ШТ): {1.80, 2.20}	-0,30	-8,93
334	67	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ): {40.00, 43.00}	-0,31	-9,22
335	447	КАКАО "ЗОЛОТОЙ ЯКОРЬ",ПАК, (ШТ): {4.20, 5.40}	-0,31	-9,22

Таблица 50 – Информационный портрет класса:
рентабельность, %: {76.40, 81.00} (фрагмент)

NUM	KOD	NAME	BIT	%
1	9	СМЕТАНА ВЕСОВАЯ (КГ): {36.80, 48.40}	0,52	15,80
2	18	КЕФИР, 1Л-БУТ,(ШТ): {49.00, 62.00}	0,52	15,80
3	33	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {57.60, 81.40}	0,52	15,80
4	50	ПИВО ДОН ЖИВОЕ, 2,5Л-БУТ, (ШТ): {159.00, 194.00}	0,52	15,80
5	65	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ): {681.20, 828.00}	0,52	15,80
6	145	СИГАРЕТЫ МАКСИМ, (ПАЧ): {330.20, 401.00}	0,52	15,80
7	153	СИГАРЕТЫ ДОНСКОЙ ТАБАК ТЕМНЫЙ, (ПАЧ): {38.20, 49.80}	0,52	15,80
8	155	СИГАРЕТЫ ДОНСКОЙ ТАБАК ТЕМНЫЙ, (ПАЧ): {61.40, 73.00}	0,52	15,80
9	185	СИГАРЕТЫ ЧЕСТЕРФИЛД, ЛЕГКИЕ, (ПАЧ): {43.20, 52.00}	0,52	15,80
10	225	ХАМСА С/С, (КГ): {92.20, 113.00}	0,52	15,80
11	242	КОФЕ НЕСКАФЕ ГОЛД 47.5Г, (ШТ): {4.40, 5.80}	0,52	15,80
12	243	КОФЕ НЕСКАФЕ ГОЛД 47.5Г, (ШТ): {5.80, 7.20}	0,52	15,80
13	250	ЧАЙ АКБАР, 25 ПАК, (ШТ): {15.00, 18.00}	0,52	15,80
14	253	ЧАЙ ГОРДОН, 25 ПАК, (ШТ): {7.00, 9.00}	0,52	15,80
15	255	ЧАЙ ГОРДОН, 25 ПАК, (ШТ): {11.00, 13.00}	0,52	15,80
16	267	КАКАО "ФУНТИК", ПАК, (ШТ): {5.40, 6.80}	0,52	15,80
17	303	КИТЕКАТ СУХОЙ, (КГ): {94.80, 125.20}	0,52	15,80
18	305	КИТЕКАТ СУХОЙ, (КГ): {155.60, 186.00}	0,52	15,80
19	310	ЧАППИ СУХОЙ, (КГ): {41.00, 47.00}	0,52	15,80
20	315	ВИСКАС СУХОЙ, (КГ): {42.40, 50.00}	0,52	15,80
21	320	ОКОРОЧКА ЗАМОРОЖЕНЫЕ, (КГ): {63.00, 78.00}	0,52	15,80
22	330	КОФЕ ПЕЛЕ, 50Г, (ШТ): {8.60, 10.00}	0,52	15,80
23	338	КОФЕ ЖАРДИН, 95Г, (ШТ): {7.00, 10.00}	0,52	15,80
24	345	БАГБИР, 5Л-БУТ, (ШТ): {6.60, 8.00}	0,52	15,80
25	365	ГОРОШЕК "ЛОРАДО", БАНКА, (ШТ): {37.40, 43.00}	0,52	15,80
26	370	ГОРОШЕК "ВЫСШИЙ СОРТ", БАНКА, (ШТ): {43.00, 52.00}	0,52	15,80
27	405	КОФЕ "ЛЕБО", 100Г, (ШТ): {3.60, 4.00}	0,52	15,80
28	435	ЧАЙ "ГРИНФИЛД", КАМОМАЙЛ, 25 ПАК, (ШТ): {4.20, 5.00}	0,52	15,80
395	121	СИГАРЕТЫ ПЕТР 8, (ПАЧ): {41.00, 85.80}	-0,29	-8,83
396	129	СИГАРЕТЫ АЛЬЯНС, (ПАЧ): {55.00, 68.00}	-0,29	-8,83
397	273	ЧАЙ БЭТА, МЯТА-ЛИМОН, (ШТ): {5.00, 6.00}	-0,29	-8,83
398	518	ПИВО БЕЛЫЙ МЕДВЕДЬ КРЕПКОЕ, 1.5Л-БУТ, (ШТ): {14.00, 19.00}	-0,29	-8,83
399	301	КИТЕКАТ СУХОЙ, (КГ): {34.00, 64.40}	-0,32	-9,53
400	106	СЫР КОЛБАСНЫЙ, (КГ): {2.00, 5.40}	-0,33	-9,85
401	428	ЧАЙ "ГРИНФИЛД", РОЙБОШ, 25 ПАК, (ШТ): {3.00, 4.00}	-0,33	-9,85
402	274	ЧАЙ БЭТА, МЯТА-ЛИМОН, (ШТ): {6.00, 7.00}	-0,34	-10,33
403	41	ПИВО ДОН ЖИВОЕ, 1,5Л-БУТ, (ШТ): {6.00, 29.20}	-0,36	-10,79
404	62	ГОРЯЧИЙ КЛЮЧ, 1,5Л-БУТ, (ШТ): {240.80, 387.60}	-0,36	-10,79
405	146	СИГАРЕТЫ ДОНСКОЙ ТАБАК, СВЕТЛЫЙ, (ПАЧ): {31.00, 50.80}	-0,36	-10,79
406	432	ЧАЙ "ГРИНФИЛД", КАМОМАЙЛ, 25 ПАК, (ШТ): {1.80, 2.60}	-0,36	-10,79
407	617	ОГУРЦЫ, (КГ): {14.80, 25.60}	-0,36	-10,79
408	182	СИГАРЕТЫ ЧЕСТЕРФИЛД, ЛЕГКИЕ, (ПАЧ): {16.80, 25.60}	-0,39	-11,64
409	66	СОК ФРУКТОВЫЙ САД, 0,5Л-ПАК, (ШТ): {37.00, 40.00}	-0,41	-12,43
410	91	СЫР ЯНТАРНЫЙ,ВОРОНЕЖ, (ШТ): {5.00, 14.00}	-0,41	-12,43
411	521	ПИВО ОБОЛОНЬ, 1Л-БУТ, (ШТ): {9.00, 24.40}	-0,41	-12,43
412	318	ОКОРОЧКА ЗАМОРОЖЕНЫЕ, (КГ): {33.00, 48.00}	-0,44	-13,17
413	321	ВОДА, 5Л-БУТ, (ШТ): {18.00, 33.60}	-0,46	-13,86
414	419	РАФИНАД, 500Г, (ШТ): {5.60, 6.80}	-0,46	-13,86
415	543	МУКА, (КГ): {59.80, 79.20}	-0,46	-13,86
416	72	ГОРЯЧИЙ КЛЮЧ 1,4Л-БУТ, (ШТ): {24.40, 40.80}	-0,48	-14,51
417	306	ЧАППИ СУХОЙ, (КГ): {17.00, 23.00}	-0,48	-14,51
418	621	МАЙОНЕЗ "ШАЙБА" 220Г, (ШТ): {28.00, 60.80}	-0,48	-14,51
419	31	ПИВО ЖИГУЛЕВСКОЕ, 1,5Л-БУТ, (ШТ): {10.00, 33.80}	-0,50	-15,12
420	186	СИГАРЕТЫ НАША МАРКА, МЯГКАЯ, (ПАЧ): {46.00, 78.80}	-0,50	-15,12
421	341	БАГБИР, 5Л-БУТ, (ШТ): {1.00, 2.40}	-0,50	-15,12
422	456	ПАЛОЧКИ КУРИНЫЕ,(КГ): {5.00, 5.94}	-0,62	-18,64
423	326	КОФЕ ПЕЛЕ, 50Г, (ШТ): {3.00, 4.40}	-0,68	-20,59

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.

6.3. 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 задачи одновременного достижения высокой прибыли и рентабельности вполне совместимы, т.к. системы детерминации этих классов совпадают на 82%. Это видно из семантической сети классов, построенной на основе матрицы сходства обобщенных образов классов по их системам детерминации (рисунок 63).

Рисунок 63. Семантическая сеть классов

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 продаж (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 выбора номенклатуры и объема продаж. 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 можно было бы увеличить объем исследуемой выборки за счет увеличения периода времени, за который исследуется деятельность фирмы.

Выводы.

В работе описана технология применения системно-когнитивного анализа для создания на основе данных реальной торговой фирмы и применения в ней методики прогнозирования и поддержки принятия решений по такому выбору номенклатуры и объемов реализуемой продукции, которые обеспечивают получение максимальной прибыли и рентабельности.

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[42], 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, № поля	Результаты – классы						Причины – факторы ®…
	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 озимой пшеницы	Пред- шест- венник 1 год назад	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)

NUM	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)

NUM	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.

ГЛАВА 10. УПРАВЛЕНИЕ ПЕРСОНАЛОМ ФИРМЫ ПУТЕМ
РЕШЕНИЯ ОБОБЩЕННОЙ ЗАДАЧИ О НАЗНАЧЕНИЯХ

В данной главе, основанной на работах [16, 236, 240], на примере задачи управления персоналом рассматривается задача о назначениях (рюкзаках) в различных все более общих постановках, учитывающих: 1) размер грузов и объемы рюкзаков; 2) различную полезность грузов, зависящую только от грузов, но одинаковую для всех рюкзаков, и различные затраты на их размещение, а также ограничения на ресурсы, связанные с рюкзаками, затрачиваемые на грузы при их размещении; 3) различную полезность каждого груза для разных рюкзаков, различные затраты на размещение грузов и различные ресурсы хозяев рюкзаков. Более подробно рассматриваются технология и методика применения системно-когнитивного анализа и его инструментария – системы «Эйдос» для решения ранее не встречавшегося в литературе обобщения задачи о назначениях, обеспечивающего автоматическое прогнозирование степени полезности грузов для разных рюкзаков на основе признаков грузов путем решения задачи распознавания с применением модели, основанной на базе прецедентов[43].

10.1. Создание инструментария для управления
персоналом фирмы, как задача контроллинга

Различные варианты задачи о назначениях[44] часто встречаются в самых различных предметных областях, от управления запасами на стационарных складах и воздушных, водных и подводных судах до управления очередями заданий в различных системах массового обслуживания (СМО), например в супермаркетах и многопроцессорных системах.

Рассмотрим на уровне неформальной постановки и алгоритмов решения различные варианты задачи о назначениях (рюкзаках или ранцах[45]) во все более общих постановках, учитывающих:

Задача-1: различные размеры грузов и объемы рюкзаков;

Задача-2: различную полезность[46] грузов, зависящую только от грузов и различные затраты на их размещение, а также ограничения на ресурсы, связанные с рюкзаками, затрачиваемые на грузы при их размещении;

Задача-3: различную полезность каждого груза для разных рюкзаков, различные затраты на размещение грузов и различные ресурсы хозяев рюкзаков.

Задача-4: тоже, что в 3-й задаче, плюс автоматическое прогнозирование степени полезности грузов для разных рюкзаков на основе признаков этих грузов путем решения задачи распознавания с применением модели, основанной на базе прецедентов.

Для решения 4-й задачи, впервые встречающейся в литературе, применим технологию и методику системно-когнитивного анализа и его инструментарий – систему «Эйдос».

Задача-1.

Дано: размеры грузов и объемы рюкзаков;

Необходимо: разместить грузы по рюкзакам так, чтобы для размещения наиболее важные грузы были размещены в первую очередь и при этом было использовано минимальное количество рюкзаков, причем рюкзаки были максимально заполнены (т.е. остатки пустого места минимальны). Будем считать, что важность грузов пропорциональна их размерам.

Алгоритм решения (LPT-longest processing time): Заполняем рюкзак грузами в порядке убывания их размера до тех пор, пока не превышен объем рюкзака, иначе берем самый большой новый пустой рюкзак и продолжаем процесс, или подробнее по шагам:

Шаг-1. Сортируем рюкзаки в прядке убывания их размеров.

Шаг-2. Сортируем грузы в порядке убывания их размера.

Шаг-3. Организуем цикл по рюкзакам в порядке убывания их размера.

Шаг-4. Размещаем самый большой предмет из еще не размещенных, который помещается в оставшемся свободном месте текущего рюкзака. Вычисляем остаток свободного места в рюкзаке.

Шаг-5. Если остаток свободного места в текущем рюкзаке позволяет разместить в нем по крайней мере самый маленький груз из еще не размещенных, то переход на шаг-4, иначе – на шаг-6.

Шаг 6. Остались еще остались незаполненные рюкзаки? Если да, то переход на шаг-7, иначе – на шаг-8.

Шаг-7. Берем следующий (очередной) рюкзак, самый большой и оставшихся и переходим на шаг-4.

Шаг-8. Выход.

Задача-2

Дано:

– различная полезность грузов;

– различные затраты на размещение грузов;

– ограничения на ресурсы, связанные с рюкзаками, затрачиваемые на грузы при их размещении.

Необходимо: разместить грузы по рюкзакам так, чтобы наиболее полезные грузы были размещены в первую очередь и при этом было использовано минимальное количество рюкзаков, причем рюкзаки имели максимальную суммарную полезность и минимальный вес.

Алгоритм: Заполняем рюкзак грузами в порядке убывания их удельной полезности до тех пор, пока для этого остаются ресурсы рюкзака, если же ресурсов нет, то берем следующий самый большой по ресурсам новый пустой рюкзак и продолжаем процесс, или подробнее по шагам:

Шаг-1. Находим удельную полезность каждого груза (полезность/затраты)[47], т.е. полезность единицы затрат при размещении данного груза.

Шаг-2. Сортируем грузы в порядке убывания удельной полезности.

Шаг-3. Сортируем рюкзаки в прядке убывания их ресурсов.

Шаг-3. Организуем цикл по рюкзакам в порядке убывания их ресурсов.

Шаг-4. Организуем цикл по грузам в порядке убывания их удельной полезности.

Шаг-5. Размещаем груз с наибольшей удельной полезностью из еще не размещенных, на который в текущем рюкзаке есть ресурсы. Вычисляем остаток ресурсов рюкзака (вычитаем из его текущих ресурсов затраты на размещение текущего груза).

Шаг-6. Если остаток ресурсов текущего рюкзака позволяет разместить в нем по крайней мере груз с наименьшими затратами из еще не размещенных, то переход на шаг-5, иначе – на шаг-7.

Шаг 7. Остались еще незаполненные рюкзаки? Если да, то переход на шаг-8, иначе – на шаг-9.

Шаг-8. Берем следующий очередной рюкзак, самый большой по ресурсам из оставшихся, и переходим на шаг-4.

Шаг-9. Выход.

Задача-3

Дано:

– различная полезность каждого груза для разных рюкзаков;

– различные затраты на размещение грузов;

– ограничения на ресурсы, связанные с рюкзаками, затрачиваемые на грузы при их размещении.

Необходимо: разместить грузы по рюкзакам наиболее эффективно, т.е. так, чтобы суммарная полезность всей системы рюкзаков была максимальна, а суммарные затраты на размещение грузов – минимальны.

Алгоритм: Помещаем грузы в рюкзаки, для которых их удельная полезность максимальна, до тех пор, пока не распределены все грузы и это позволяют ресурсы рюкзаков, или подробнее по шагам:

Шаг-1. Находим удельную полезность каждого груза для каждого рюкзака: (полезность для рюкзака)/затраты, т.е. полезность единицы затрат для каждого варианта размещении каждого груза в каждом рюкзаке.

Шаг-2. Сортируем варианты размещения грузов в порядке убывания удельной полезности для всех грузов и рюкзаков. В этой базе данных каждый груз будет встречаться столько раз, сколько есть рюкзаков, но размещаться будет только один из них.

Шаг-3. Организуем цикл по вариантам размещения грузов в порядке убывания их удельной полезности.

Шаг-5. Размещаем груз с наибольшей удельной полезностью из еще не размещенных, в рюкзаке, для которого удельная полезность максимальна при условии, что это позволяют ресурсы рюкзака. Иначе данный вариант размещения больше не рассматривается. Вычисляем остаток ресурсов рюкзака (вычитаем из его текущих ресурсов затраты на размещение текущего груза).

Шаг-6. Остались еще не рассмотренные варианты размещения грузов по рюкзакам? Если да – то переход на шаг-5, иначе – на шаг 7.

Шаг-7. Выход.

Задача-4

Дано:

– различные признаки грузов и база прецедентов, в которой содержится информация о том, на сколько грузы с теми или иными признаками ранее были полезными (или нет) и для тех или иных рюкзаков;

– различные затраты на размещение грузов;

– ограничения на ресурсы, связанные с рюкзаками, затрачиваемые на грузы при их размещении.

Необходимо:

– на основе базы прецедентов (обучающей выборки) разработать модель, которая отражала бы влияние признаков грузов на степень их полезности для различных рюкзаков;

– на основе созданной модели определить или спрогнозировать степень полезности каждого груза для каждого из рюкзаков, т.е. для каждого варианта размещения;

– разместить грузы по рюкзакам наиболее эффективно, т.е. так, чтобы суммарная полезность всей системы рюкзаков была максимальна, а суммарные затраты на размещение грузов – минимальны.

Обобщенный алгоритм:

Этап-1. Синтез модели, отражающей влияние признаков грузов на их полезность для разных рюкзаков.

Этап-2. Прогнозирование степени полезности грузов для разных рюкзаков на основе признаков этих грузов путем решения задачи распознавания с применением модели, основанной на базе прецедентов.

Этап-3. Размещение грузов в рюкзаки, для которых их удельная полезность максимальна, до тех пор, пока не распределены все грузы и это позволяют ресурсы рюкзаков, или подробнее по шагам:

Возможны различные подходы к решению этой задачи. Первые два этапа могут быть реализованы с помощью различных технологий искусственного интеллекта. Известно[48], что третий этап может быть реализован с применением методов линейного, нелинейного и динамического программирования.

Однако у этих подходов есть свои проблемы:

1. Труднодоступность или фактическое отсутствие программного обеспечения, позволяющего строить на основе прецедентов и применять для прогнозирования модели влияния признаков объектов на их полезность для различных применений.

2. Очень значительные затраты вычислительных ресурсов (прежде всего времени) при решении подобных задач, даже при очень ограниченных размерностях, весьма и далеких от реальных.

По поводу 1-й проблемы можно сказать, что не вполне ясен, даже чисто в научном плане, общий подход к определению полезности, тем более в количественной форме, тем более при большом количестве объектов и их применений (классов). Таким образом, полезность даже определить трудно, но ясно одного определения самого по себе еще совершенно недостаточно, т.к. для решения задачи на практике необходимо еще и ввести эту полезность в соответствующие базы данных, что вручную сделать в большинстве реальных случаев практически невозможно. Следовательно, необходимо специальное программное обеспечение, позволяющее не только количественно определять полезность большого количества объектов для значительного количества их применений на основе признаков этих объектов, но и автоматически вводить эту информацию (наряду с другой, указанной в условиях задачи) в соответствующие базы данных, а также имеющее режимы, непосредственно обеспечивающие решение задачи о назначениях в универсальной форме, независящей от предметной области.

Причиной 2-й проблемы, т.е. большой вычислительной трудоемкости решения подобных задач, по мнению авторов, является так называемая проблема «комбинаторного взрыва». Поясним эту проблему на шуточном примере, имеющим, те ни менее, самое непосредственное отношение к рассматриваемым задачам.

Дано:

У Мальвины есть ящик разных яблок: больших и маленьких, красных и зеленых, сладких и кислых, блестящих и матовых, ароматных и не очень и т.д.

Буратино любит большие сладкие, ароматные и блестящие красные яблоки, т.к. они веселят его, а Пьеро больше нравятся маленькие, кислые, матовые, зеленые и не очень ароматные яблоки, т.к. от них он становится еще более грустным.

Но яблок, практически полностью удовлетворяющих этим идеальным для Буратино и Пьеро стандартам, в ящике всего несколько, а остальные занимают промежуточное между ними положение.

Мальвина решила немного подзаработать на этой ситуации и для каждого яблока объявила свою цену по своему усмотрению.

Остается добавить, что и у Буратино, и у Пьеро еще оставалось по нескольку золотых, которые они еще просто не успели зарыть в стране дураков.

Необходимо: так распределить яблоки между Буратино и Пьеро, чтобы на имеющиеся у каждого из них деньги он получил максимум удовлетворения, т.е. чтобы суммарная польза от распределения яблок была максимальна, а затраты минимальны.

Решение:

При попытке решения этой задачи методом прямого перебора всех возможных вариантов распределения яблок между Буратино и Пьеро даже при небольшом количестве яблок возникает сложноразрешимая проблема комбинаторного взрыва:

– если бы яблоко было одно, то было бы всего два варианта, кому его отдать (по числу подсистем);

– если появляется еще одно яблоко, то количество вариантов удваивается, т.к. каждый из ранее существовавших вариантов «расщепляется» на два в зависимости от того, кому отдано второе яблоко;

– третье яблоко приводит к расщеплению на два каждого из вариантов, возникших на предыдущем этапе;

– и вообще, если дано N объектов, которые необходимо распределить на две подсистемы, то получается 2 в степени N различных вариантов этого распределения.

Если же еще появится Некто (с котором Буратино не хотел делиться яблоками), то каждый предыдущий вариант будет расщепляться не на 2, а на 3 варианта. И вообще, если имеется K подсистем, по которым распределяется N объектов, то возможно K^N (K в степени N) различных вариантов распределения. Это очень много даже для сравнительно небольшого количества подсистем и распределяемых объектов. Например, существует 5¹⁰=9765625 различных вариантов распределить 10 объектов по 5 классам. Поэтому необходим какой-то нетривиальный подход, не основанный на полном переборе вариантов, чтобы решить эту задачу.

Для решения сформулированных проблем в данной работе все эти этапы, включая и 3-й, предлагается осуществлять с помощью системно-когнитивного анализа (АСК-анализ) и его инструментария – универсальной когнитивной аналитической системы «Эйдос» (система «Эйдос») [7]. Алгоритм 3-го этапа не отличается от алгоритма задачи-3.

10.2. Когнитивная структуризация
предметной области

Сформулируем (на неформальном уровне) общую постановку задачи о назначениях в традиционной терминологии АСК-анализа. Размещаемые грузы будем называть объектами или элементами, а рюкзаки классами или подсистемами. В качестве количественной меры «пользы» от размещения объекта в классе (для самого класса и системы в целом) будем рассматривать сходство образа данного конкретного объекта с обобщенным образом класса, т.е. по сути, количество информации, содержащееся в системе признаков объекта о его принадлежности к данному классу.

Дано:

1. Элементы имеют свойства и в разной степени подходят для различных подсистем, но в какой именно степени подходят – это надо еще определить (это задача распознавания).

2. На включение элементов в состав подсистем затрачиваются определенные ресурсы подсистем, т.е. каждому элементу соответствуют затраты, а подсистемам – ресурсы.

3. Все элементы различны.

4. Каждый элемент может быть назначен единственной подсистеме.

Необходимо: максимизировать суммарный системный эффект (пользу) от распределения элементов по подсистемам и желательно при этом минимизировать суммарные затраты.

Далее на условном примере небольшой размерности рассмотрим подробнее как реализуются все эти этапы в системе «Эйдос». Размерность примера выбрана таким образом, чтобы необходимые базы данных можно было полностью привести в работе.

10.3. Формализация предметной области

В режиме _154 (рисунок 77) сгенерируем случайную модель с параметрами, представленными на рисунке 78:

Рисунок 77. Экранная форма вызова режима _154 системы «Эйдос»
(последняя DOS-версия 12.5)

Рисунок 78. Параметры случайной модели (последняя DOS-версия 12.5)

При каждом запуске этого режима автоматически формируются разные случайные модели с заданными параметрами. В примере, рассматриваем в данной работе, сформированы следующие базы данных (таблицы 63-65):

Таблица 63 – Справочник классов

KOD	NAME
1	Klass_1
2	Klass_2
3	Klass_3
4	Klass_4
5	Klass_5

Таблица 64 – Справочник признаков

KOD	NAME
1	Atr_1
2	Atr_2
3	Atr_3
4	Atr_4
5	Atr_5
6	Atr_6
7	Atr_7
8	Atr_8
9	Atr_9
10	Atr_10

Таблица 65 – Обучающая выборка (база прецедентов) (фрагмент)

Код объекта	Наименование объекта	Коды классов			Коды признаков
		Klass1	Klass2	Klass3	Atr1	Atr2	Atr3	Atr4	Atr5
1	Ist-00001	2	3	4	2	3	5	6	8
2	Ist-00002	1	2	4	1	7	8	9	10
3	Ist-00003	1	3	5	1	2	3	4	6
4	Ist-00004	1	3	5	3	4	6	9	10
5	Ist-00005	1	2	4	5	6	7	8	10
6	Ist-00006	1	2	5	2	3	6	7	8
7	Ist-00007	1	4	5	1	3	5	6	9
8	Ist-00008	2	3	5	5	6	7	9	10
9	Ist-00009	2	3	5	1	3	5	6	8
10	Ist-00010	1	3	4	1	2	5	7	10
11	Ist-00011	1	3	4	1	2	3	8	9
12	Ist-00012	1	3	5	1	2	3	6	9
13	Ist-00013	2	3	4	1	4	5	7	10
14	Ist-00014	1	2	3	1	2	3	4	5
15	Ist-00015	1	2	5	1	3	7	9	10
16	Ist-00016	2	3	5	2	4	6	9	10
17	Ist-00017	1	2	4	4	6	8	9	10
18	Ist-00018	1	4	5	3	4	7	9	10
19	Ist-00019	1	3	4	1	2	4	7	8
20	Ist-00020	1	4	5	1	2	3	6	8
21	Ist-00021	1	3	5	2	3	4	8	10
22	Ist-00022	3	4	5	2	3	5	6	7
23	Ist-00023	1	3	5	4	6	8	9	10
24	Ist-00024	2	3	4	1	2	6	8	9
25	Ist-00025	2	4	5	1	3	4	6	7
26	Ist-00026	2	3	4	3	5	6	9	10
27	Ist-00027	2	3	4	1	4	5	7	10
28	Ist-00028	1	3	5	1	2	6	8	10
29	Ist-00029	1	2	5	1	2	3	6	8
30	Ist-00030	1	2	4	1	4	6	8	10
31	Ist-00031	1	3	4	1	6	7	8	9
32	Ist-00032	1	2	3	1	2	7	8	10
33	Ist-00033	2	3	5	1	3	5	8	9
34	Ist-00034	1	4	5	1	2	5	7	8
35	Ist-00035	1	4	5	3	5	6	7	10
36	Ist-00036	1	2	4	1	2	5	6	7
37	Ist-00037	1	3	4	5	7	8	9	10
38	Ist-00038	1	3	4	2	4	5	7	10
39	Ist-00039	1	2	3	1	2	6	9	10
40	Ist-00040	1	2	4	1	3	5	7	8
41	Ist-00041	1	3	5	3	4	7	8	9
42	Ist-00042	1	2	4	3	5	8	9	10
43	Ist-00043	2	4	5	2	6	8	9	10
44	Ist-00044	2	4	5	1	4	5	9	10
45	Ist-00045	1	2	5	1	2	4	6	8
46	Ist-00046	2	3	5	1	2	3	4	7
47	Ist-00047	2	3	5	1	2	5	7	8
48	Ist-00048	1	2	5	3	4	5	7	10
49	Ist-00049	3	4	5	3	4	6	8	9
50	Ist-00050	1	2	5	1	4	5	6	10
51	Ist-00051	1	2	5	2	4	5	6	10
52	Ist-00052	1	3	5	3	7	8	9	10
53	Ist-00053	2	4	5	1	3	8	9	10

10.4. Синтез, верификация и повышение качества
семантической информационной модели
предметной области

После формализации предметной области, т.е. формирования баз данных, представленных в таблица 1-3, был запущен режим _25 системы «Эйдос» (рисунок 79), который сформировал базу абсолютных частот (таблица 66), базу знаний (таблица 67), а также базу данных результатов идентификации образов конкретных объектов с обобщенными образами классов (таблица 40):

Рисунок 79. Экранная форма выбора режима _25
системы «Эйдос» (последняя DOS-версия 12.5)

Таблица 66 – База абсолютных частот

Коды признаков	Коды классов
	1	2	3	4	5
1	34	35	30	28	32
2	31	25	31	22	26
3	34	28	31	24	39
4	30	33	28	21	32
5	29	34	26	22	24
6	34	33	29	22	32
7	33	30	26	29	29
8	43	33	35	31	32
9	28	27	31	19	27
10	39	37	33	27	32

Таблица 67 – База знаний (в сантибитах: Бит×0,01)

Коды признаков	Коды классов
	1	2	3	4	5
1	-1,380	1,495	-1,850	2,390	-0,326
2	0,883	-3,993	4,386	-0,072	-1,723
3	-0,775	-4,985	-0,204	-1,900	6,560
4	-2,207	2,773	-0,894	-3,598	2,820
5	-1,235	5,770	-1,198	-0,072	-4,264
6	0,470	1,477	-1,076	-3,417	1,524
7	0,164	-0,908	-3,902	5,995	-0,960
8	3,214	-3,235	0,182	2,759	-3,188
9	-1,635	-0,836	5,100	-4,013	0,189
10	1,228	1,511	-0,572	-0,513	-2,074

10.5. Решение задач прогнозирования и поддержки
принятия решений, а также исследования
предметной области на основе семантической
информационной модели

Режим _25 системы «Эйдос» сформировал также базу данных результатов идентификации образов конкретных объектов с обобщенными образами классов (таблица 68):

Таблица 68 – База данных результатов идентификации образов конкретных объектов с обобщенными образами классов[49] (фрагмент)

Результаты идентификации объектов с 1-м классом				Результаты идентификации объектов со 2-м классом				Результаты идентификации объектов с 3-м классом				Результаты идентификации объектов с 4-м классом				Результаты идентификации объектов с 5-м классом
Код объекта	Код класса	Сходство	Факт	Код объекта	Код класса	Сходство	Факт	Код объекта	Код класса	Сходство	Факт	Код объекта	Код класса	Сходство	Факт	Код объекта	Код класса	Сходство	Факт
65	1	61,8	√	50	2	76,6	√	61	3	56,8	√	34	4	72,0	√	25	5	62,1	√
28	1	58,4	√	44	2	63,5	√	43	3	55,6		47	4	72,0		57	5	60,6	√
91	1	58,4	√	93	2	63,5	√	63	3	55,6	√	32	4	69,4		4	5	58,5	√
43	1	55,4		88	2	63,4	√	11	3	52,8	√	92	4	69,4	√	3	5	57,5	√
63	1	55,4	√	13	2	63,1	√	57	3	50,7	√	40	4	61,3	√	96	5	55,4	√
32	1	54,8	√	27	2	63,1	√	55	3	49,8		10	4	52,7	√	49	5	51,8	√
92	1	54,8		72	2	63,1		94	3	49,8	√	19	4	51,2	√	68	5	51,6	√
6	1	53,1	√	81	2	62,9	√	16	3	48,1	√	84	4	51,2		18	5	43,6	√
85	1	53,1		54	2	49,8	√	89	3	47,6	√	80	4	48,6	√	46	5	42,6	√
5	1	51,7	√	51	2	45,5	√	24	3	46,7	√	2	4	46,2	√	12	5	41,7	√
58	1	47,7	√	62	2	42,6	√	12	3	44,1	√	65	4	44,1		82	5	40,7
100	1	47,1		64	2	42,5		39	3	41,5	√	98	4	42,0		71	5	40,5	√
78	1	40,9	√	8	2	42,5	√	74	3	38,6	√	70	4	41,5	√	41	5	36,9	√
1	1	36,9		69	2	39,8	√	59	3	25,1	√	58	4	37,8	√	69	5	31,8	√
20	1	35,2	√	84	2	36,1	√	42	3	23,0		36	4	35,6	√	59	5	30,2
29	1	35,2	√	73	2	36,0	√	49	3	21,6	√	5	4	35,2	√	75	5	27,1	√
90	1	35,2	√	38	2	31,9		77	3	20,8	√	95	4	34,6	√	7	5	26,5	√
21	1	34,4	√	97	2	31,9	√	21	3	20,1	√	13	4	32,0	√	70	5	26,0	√
56	1	34,4	√	95	2	31,8	√	56	3	20,1	√	27	4	32,0	√	55	5	25,8	√
64	1	33,9	√	67	2	29,3	√	17	3	19,0		72	4	32,0		94	5	25,8	√
52	1	32,7	√	79	2	29,2	√	23	3	19,0	√	37	4	31,7	√	60	5	25,4	√
67	1	30,9	√	5	2	28,9	√	53	3	18,5		62	4	29,5		86	5	25,4	√
74	1	28,7	√	48	2	26,3	√	99	3	18,5		31	4	29,1	√	15	5	24,7	√
37	1	27,4	√	30	2	25,5	√	67	3	16,9	√	6	4	27,0		83	5	24,7

В нашем примере режим _25 автоматически скопировал обучающую выборку в распознаваемую выбору, но при реальном решении задачи о назначениях она вручную вводится в режиме _41, а распознавание ее, т.е. количественное определение меры сходства всех объектов со всеми классами, что осуществляется в режиме _42 (рисунок 80):

Рисунок 80. Экранная форма выбора режима _42
системы «Эйдос» (последняя DOS-версия 12.5)

Когда эти базы сформированы, запускается режим _47, обеспечивающий решение задачи о назначениях (рисунок 81):

Рисунок 81. Экранная форма выбора режима _47
системы «Эйдос» (последняя DOS-версия 12.5)

Далее в режиме _471 (рисунок 82) вводятся вручную или автоматически ресурсы классов, а в режиме _472 (рисунок 83), также вручную или автоматически, затраты на объекты в результате чего формируются базы данных, представленные в таблицах 69 и 70:

Рисунок 82. Экранная форма режима _471 ввода-корректировки
ресурсов классов (последняя DOS-версия 12.5)

Рисунок 83. Экранная форма режима _472 ввода-корректировки
затрат объектов (последняя DOS-версия 12.5)

Таблица 69 – База данных ресурсов классов

Код класса	Наименование класса	Ресурс
1	Klass_1	89,000
2	Klass_2	32,000
3	Klass_3	46,000
4	Klass_4	42,000
5	Klass_5	37,000
	Сумма по классам:	246,000
	Среднее на класс:	49,200

Таблица 70 – База данных затрат на объекты

KOD	NAME	ZATRATI	KOD	NAME	ZATRATI
1	Ist-00001	7	51	Ist-00051	9
2	Ist-00002	3	52	Ist-00052	10
3	Ist-00003	5	53	Ist-00053	6
4	Ist-00004	6	54	Ist-00054	8
5	Ist-00005	4	55	Ist-00055	10
6	Ist-00006	2	56	Ist-00056	9
7	Ist-00007	5	57	Ist-00057	4
8	Ist-00008	5	58	Ist-00058	2
9	Ist-00009	7	59	Ist-00059	4
10	Ist-00010	7	60	Ist-00060	10
11	Ist-00011	6	61	Ist-00061	3
12	Ist-00012	4	62	Ist-00062	6
13	Ist-00013	3	63	Ist-00063	4
14	Ist-00014	3	64	Ist-00064	4
15	Ist-00015	6	65	Ist-00065	8
16	Ist-00016	7	66	Ist-00066	4
17	Ist-00017	9	67	Ist-00067	7
18	Ist-00018	5	68	Ist-00068	7
19	Ist-00019	3	69	Ist-00069	10
20	Ist-00020	6	70	Ist-00070	3
21	Ist-00021	1	71	Ist-00071	4
22	Ist-00022	3	72	Ist-00072	5
23	Ist-00023	8	73	Ist-00073	5
24	Ist-00024	3	74	Ist-00074	5
25	Ist-00025	6	75	Ist-00075	8
26	Ist-00026	7	76	Ist-00076	10
27	Ist-00027	6	77	Ist-00077	8
28	Ist-00028	5	78	Ist-00078	9
29	Ist-00029	5	79	Ist-00079	6
30	Ist-00030	5	80	Ist-00080	3
31	Ist-00031	6	81	Ist-00081	3
32	Ist-00032	5	82	Ist-00082	10
33	Ist-00033	8	83	Ist-00083	5
34	Ist-00034	4	84	Ist-00084	3
35	Ist-00035	8	85	Ist-00085	5
36	Ist-00036	5	86	Ist-00086	5
37	Ist-00037	7	87	Ist-00087	5
38	Ist-00038	7	88	Ist-00088	8
39	Ist-00039	7	89	Ist-00089	7
40	Ist-00040	8	90	Ist-00090	1
41	Ist-00041	7	91	Ist-00091	9
42	Ist-00042	2	92	Ist-00092	3
43	Ist-00043	2	93	Ist-00093	5
44	Ist-00044	5	94	Ist-00094	3
45	Ist-00045	7	95	Ist-00095	1
46	Ist-00046	8	96	Ist-00096	7
47	Ist-00047	4	97	Ist-00097	1
48	Ist-00048	9	98	Ist-00098	9
49	Ist-00049	1	99	Ist-00099	4
50	Ist-00050	4	100	Ist-00100	10

Варианты автоматического формирования и ввода в базы данных ресурсов и затрат в этих режимах видны из рисунков 82 и 83.

После ввода ресурсов классов и затрат на объекты запускается режим _473 (рисунок 84), который собственно и осуществляет назначения объектов на классы согласно алгоритма задачи 4, т.е. максимизируя пользу по классам и в целом по системе и при этом минимизируя остатки ресурсов классов, затраты по классам и общие затраты.

В результате работы данного режима формируются выходные формы, представленная в таблицах 71 и 72:

Таблица 71 – База данных ресурсов классов

Код класса	Наименование класса	Ресурс	Остаток ресурса	Количество объектов	Суммарная польза	Сумма затрат	Средне- взвешенная удельная польза	Средняя польза	Средние затраты
1	Klass_1	89,000	0,000	17,000	712,5022397	89,000	8,0056431	41,9118965	5,235
2	Klass_2	32,000	2,000	8,000	467,2168469	30,000	15,5738949	58,4021059	3,750
3	Klass_3	46,000	0,000	11,000	518,6988525	46,000	11,2760620	47,1544411	4,182
4	Klass_4	42,000	2,000	11,000	617,5542042	40,000	15,4388551	56,1412913	3,636
5	Klass_5	37,000	0,000	9,000	408,5936439	37,000	11,0430715	45,3992938	4,111
	Сумма по классам:	246,000	4,000	56,000	2724,5657872	242,000	61,3375266	249,0090286	20,914
	Среднее на класс:	49,200	0,800	11,200	544,9131574	48,400	12,2675053	49,8018057	4,183

Рисунок 84. Экранная форма режима _473 назначения объектов на классы
(последняя DOS-версия 12.5)

Таблица 72 – Результаты назначений объектов
распознаваемой выборки на классы

13-08-09 11:25:35 г.Краснодар

==========================================================================

|ХАРАКТЕРИСТИКИ ЭФФЕКТИВНОСТИ НАЗНАЧЕНИЯ: |

|СУММА ПО ВСЕМ КЛАССАМ: |

|Начальный ресурс: 246, остаток: 4 |

|Суммарное сходство:................................2724.5657872 |

|Фактические суммарные затраты:.....................242 |

|Средневзвешенное удельное сходство:................61.3375266 |

|Среднее на объект суммарное сходство:..............249.0090286 |

|Средние на объект фактические суммарные затраты:...21 |

|Всего назначено:...................................56 объекта(ов) |

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

|СРЕДНЕЕ НА КЛАСС: |

|Начальный ресурс: 49.200, остаток: 0.800 |

|Суммарное сходство:................................544.9131574 |

|Фактические суммарные затраты:.....................48.400 |

|Средневзвешенное удельное сходство:................12.2675053 |

|Среднее на объект суммарное сходство:..............49.8018057 |

|Средние на объект фактические суммарные затраты:...4.183 |

|В среднем на класс назначено:......................11.200 объекта(ов) |

==========================================================================

|КЛАСС НАЗНАЧЕНИЯ: |

|Код: 1, наименование: Klass_1, начальный ресурс: 89, остаток: 0 |

|Суммарное сходство:................................712.5022397 |

|Фактические суммарные затраты:.....................89 |

|Средневзвешенное удельное сходство:................8.0056431 |

|Среднее на объект суммарное сходство:..............41.9118965 |

|Средние на объект фактические суммарные затраты:...5.235 |

|Всего на данный класс назначено:...................17 объекта(ов): |

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| Номер | Код | Наименование |Ур-нь сходст| Затраты на |Удельное сход|

|по пор.|объекта| объекта |об.с классом|назн. объекта|об. с классом|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| 1 | 90 |Ist-00090 | 35.2205677| 1| 35.2205677|

| 2 | 21 |Ist-00021 | 34.4137661| 1| 34.4137661|

| 3 | 6 |Ist-00006 | 53.0519770| 2| 26.5259885|

| 4 | 58 |Ist-00058 | 47.7400114| 2| 23.8700057|

| 5 | 5 |Ist-00005 | 51.7322895| 4| 12.9330724|

| 6 | 28 |Ist-00028 | 58.3606532| 5| 11.6721306|

| 7 | 85 |Ist-00085 | 53.0519770| 5| 10.6103954|

| 8 | 65 |Ist-00065 | 61.8074476| 8| 7.7259310|

| 9 | 29 |Ist-00029 | 35.2205677| 5| 7.0441135|

| 10 | 91 |Ist-00091 | 58.3606532| 9| 6.4845170|

| 11 | 20 |Ist-00020 | 35.2205677| 6| 5.8700946|

| 12 | 1 |Ist-00001 | 36.8947308| 7| 5.2706758|

| 13 | 100 |Ist-00100 | 47.1043333| 10| 4.7104333|

| 14 | 78 |Ist-00078 | 40.8870089| 9| 4.5430010|

| 15 | 30 |Ist-00030 | 22.6644450| 5| 4.5328890|

| 16 | 86 |Ist-00086 | 22.1189613| 5| 4.4237923|

| 17 | 87 |Ist-00087 | 18.6522823| 5| 3.7304565|

==========================================================================

|КЛАСС НАЗНАЧЕНИЯ: |

|Код: 2, наименование: Klass_2, начальный ресурс: 32, остаток: 2 |

|Суммарное сходство:................................467.2168469 |

|Фактические суммарные затраты:.....................30 |

|Средневзвешенное удельное сходство:................15.5738949 |

|Среднее на объект суммарное сходство:..............58.4021059 |

|Средние на объект фактические суммарные затраты:...3.750 |

|Всего на данный класс назначено:...................8 объекта(ов): |

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| Номер | Код | Наименование |Ур-нь сходст| Затраты на |Удельное сход|

|по пор.|объекта| объекта |об.с классом|назн. объекта|об. с классом|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| 1 | 97 |Ist-00097 | 31.9232794| 1| 31.9232794|

| 2 | 13 |Ist-00013 | 63.1013633| 3| 21.0337878|

| 3 | 81 |Ist-00081 | 62.9062481| 3| 20.9687494|

| 4 | 50 |Ist-00050 | 76.6495522| 4| 19.1623881|

| 5 | 44 |Ist-00044 | 63.5108619| 5| 12.7021724|

| 6 | 93 |Ist-00093 | 63.5108619| 5| 12.7021724|

| 7 | 72 |Ist-00072 | 63.1013633| 5| 12.6202727|

| 8 | 64 |Ist-00064 | 42.5133168| 4| 10.6283292|

==========================================================================

|КЛАСС НАЗНАЧЕНИЯ: |

|Код: 3, наименование: Klass_3, начальный ресурс: 46, остаток: 0 |

|Суммарное сходство:................................518.6988525 |

|Фактические суммарные затраты:.....................46 |

|Средневзвешенное удельное сходство:................11.2760620 |

|Среднее на объект суммарное сходство:..............47.1544411 |

|Средние на объект фактические суммарные затраты:...4.182 |

|Всего на данный класс назначено:...................11 объекта(ов): |

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| Номер | Код | Наименование |Ур-нь сходст| Затраты на |Удельное сход|

|по пор.|объекта| объекта |об.с классом|назн. объекта|об. с классом|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| 1 | 43 |Ist-00043 | 55.5838012| 2| 27.7919006|

| 2 | 61 |Ist-00061 | 56.8425916| 3| 18.9475305|

| 3 | 94 |Ist-00094 | 49.8391402| 3| 16.6130467|

| 4 | 24 |Ist-00024 | 46.7424653| 3| 15.5808218|

| 5 | 63 |Ist-00063 | 55.5838012| 4| 13.8959503|

| 6 | 42 |Ist-00042 | 22.9821121| 2| 11.4910561|

| 7 | 12 |Ist-00012 | 44.0710764| 4| 11.0177691|

| 8 | 11 |Ist-00011 | 52.7766247| 6| 8.7961041|

| 9 | 74 |Ist-00074 | 38.5802769| 5| 7.7160554|

| 10 | 16 |Ist-00016 | 48.1370433| 7| 6.8767205|

| 11 | 89 |Ist-00089 | 47.5599196| 7| 6.7942742|

==========================================================================

|КЛАСС НАЗНАЧЕНИЯ: |

|Код: 4, наименование: Klass_4, начальный ресурс: 42, остаток: 2 |

|Суммарное сходство:................................617.5542042 |

|Фактические суммарные затраты:.....................40 |

|Средневзвешенное удельное сходство:................15.4388551 |

|Среднее на объект суммарное сходство:..............56.1412913 |

|Средние на объект фактические суммарные затраты:...3.636 |

|Всего на данный класс назначено:...................11 объекта(ов): |

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| Номер | Код | Наименование |Ур-нь сходст| Затраты на |Удельное сход|

|по пор.|объекта| объекта |об.с классом|назн. объекта|об. с классом|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| 1 | 95 |Ist-00095 | 34.5572497| 1| 34.5572497|

| 2 | 92 |Ist-00092 | 69.4227545| 3| 23.1409182|

| 3 | 34 |Ist-00034 | 72.0227334| 4| 18.0056834|

| 4 | 47 |Ist-00047 | 72.0227334| 4| 18.0056834|

| 5 | 19 |Ist-00019 | 51.2415712| 3| 17.0805237|

| 6 | 84 |Ist-00084 | 51.2415712| 3| 17.0805237|

| 7 | 80 |Ist-00080 | 48.6415923| 3| 16.2138641|

| 8 | 2 |Ist-00002 | 46.1955575| 3| 15.3985192|

| 9 | 32 |Ist-00032 | 69.4227545| 5| 13.8845509|

| 10 | 70 |Ist-00070 | 41.5353662| 3| 13.8451221|

| 11 | 40 |Ist-00040 | 61.2503203| 8| 7.6562900|

==========================================================================

|КЛАСС НАЗНАЧЕНИЯ: |

|Код: 5, наименование: Klass_5, начальный ресурс: 37, остаток: 0 |

|Суммарное сходство:................................408.5936439 |

|Фактические суммарные затраты:.....................37 |

|Средневзвешенное удельное сходство:................11.0430715 |

|Среднее на объект суммарное сходство:..............45.3992938 |

|Средние на объект фактические суммарные затраты:...4.111 |

|Всего на данный класс назначено:...................9 объекта(ов): |

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| Номер | Код | Наименование |Ур-нь сходст| Затраты на |Удельное сход|

|по пор.|объекта| объекта |об.с классом|назн. объекта|об. с классом|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| 1 | 49 |Ist-00049 | 51.8183980| 1| 51.8183980|

| 2 | 57 |Ist-00057 | 60.6187779| 4| 15.1546945|

| 3 | 3 |Ist-00003 | 57.5283765| 5| 11.5056753|

| 4 | 25 |Ist-00025 | 62.1137448| 6| 10.3522908|

| 5 | 71 |Ist-00071 | 40.4988661| 4| 10.1247165|

| 6 | 4 |Ist-00004 | 58.5112721| 6| 9.7518787|

| 7 | 18 |Ist-00018 | 43.5892675| 5| 8.7178535|

| 8 | 14 |Ist-00014 | 22.7546711| 3| 7.5848904|

| 9 | 22 |Ist-00022 | 11.1602699| 3| 3.7200900|

==========================================================================

===============================================

|СПИСОК НЕНАЗНАЧЕННЫХ ОБЪЕКТОВ: |

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| Номер | Код | Наименование | Затраты на |

|по пор.|объекта| объекта |назн. объекта|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| 1 | 7 |Ist-00007 | 5|

| 2 | 8 |Ist-00008 | 5|

| 3 | 9 |Ist-00009 | 7|

| 4 | 10 |Ist-00010 | 7|

| 5 | 15 |Ist-00015 | 6|

| 6 | 17 |Ist-00017 | 9|

| 7 | 23 |Ist-00023 | 8|

| 8 | 26 |Ist-00026 | 7|

| 9 | 27 |Ist-00027 | 6|

| 10 | 31 |Ist-00031 | 6|

| 11 | 33 |Ist-00033 | 8|

| 12 | 35 |Ist-00035 | 8|

| 13 | 36 |Ist-00036 | 5|

| 14 | 37 |Ist-00037 | 7|

| 15 | 38 |Ist-00038 | 7|

| 16 | 39 |Ist-00039 | 7|

| 17 | 41 |Ist-00041 | 7|

| 18 | 45 |Ist-00045 | 7|

| 19 | 46 |Ist-00046 | 8|

| 20 | 48 |Ist-00048 | 9|

| 21 | 51 |Ist-00051 | 9|

| 22 | 52 |Ist-00052 | 10|

| 23 | 53 |Ist-00053 | 6|

| 24 | 54 |Ist-00054 | 8|

| 25 | 55 |Ist-00055 | 10|

| 26 | 56 |Ist-00056 | 9|

| 27 | 59 |Ist-00059 | 4|

| 28 | 60 |Ist-00060 | 10|

| 29 | 62 |Ist-00062 | 6|

| 30 | 66 |Ist-00066 | 4|

| 31 | 67 |Ist-00067 | 7|

| 32 | 68 |Ist-00068 | 7|

| 33 | 69 |Ist-00069 | 10|

| 34 | 73 |Ist-00073 | 5|

| 35 | 75 |Ist-00075 | 8|

| 36 | 76 |Ist-00076 | 10|

| 37 | 77 |Ist-00077 | 8|

| 38 | 79 |Ist-00079 | 6|

| 39 | 82 |Ist-00082 | 10|

| 40 | 83 |Ist-00083 | 5|

| 41 | 88 |Ist-00088 | 8|

| 42 | 96 |Ist-00096 | 7|

| 43 | 98 |Ist-00098 | 9|

| 44 | 99 |Ist-00099 | 4|

===============================================

Универсальная когнитивная аналитическая система

НПП *ЭЙДОС*

Итак, выполнено назначение объектов на классы, максимизирующее пользу по классам и в целом по системе и при этом минимизирующее остатки ресурсов классов, затраты по классам и общие затраты, при заданных затратах на каждый объект и ограничениях на ресурсы классов.

Теперь остается рассмотреть вопрос об эффективности этого назначения, как по времени, затраченному на расчет, так и по его результатам. Ведь не нужно забывать о том, что для него использован эвристический, а не оптимизизационный алгоритм, т.е. ожидается хороший, рациональный вариант назначения, но его оптимальность строго не доказана и неизвестно, реализуется ли она.

Что касается времени расчета при той размерности задачи, которая используется в качестве примера в работе, т.е. 5 классов и 100 объектов, то оно занимает не более нескольких десятых долей секунды (субъективно оценивается как «мгновенно»). Более точную оценку времени исполнения мы дадим чуть позже.

Конечно, наиболее убедительную оценку качества результатов распределения согласно предложенного алгоритма могло быть дать их сравнение с результатами распределения с использованием оптимизационного метода. Однако, сделать это не представляется возможным из-за ранее сформулированных проблем: труднодоступности соответствующего программного обеспечения и очень больших затрат времени на расчет. Поэтому предлагается сравнить результаты распределения с случайными распределениями (которые используются в качестве «контрольной группы» или «базы сравнения»), когда объекты назначаются на классы случайным образом. С целью осуществления такого сравнения в системе «Эйдос» реализован специальный режим _474 (рисунок 85):

Рисунок 85. Экранная форма режима _474 системы «Эйдос»
(последняя DOS-версия 12.5)

С использованием данного режима сгенерировано 100 случайных распределений 100 объектов по 5 классам. При этом затраты на объекты и ресурсы классов взяты из баз данных рассматриваемого в работе примера.

Генерация этих 100 случайных примеров назначения проводилось в режиме _474 практически по тому же алгоритму, что и реальное назначение в режиме _473 с тем лишь отличием, что вместо пользы объектов для классов, определенной системой «Эйдос» на основе базы прецедентов по признакам объектов, использовалась равномерно распределенная случайная величина. Обобщенные результаты случайных распределений и их сравнение с результатами работы LC-алгоритма приведены в таблицах 73 и 74:

Таблица 73 – Суммарные результаты случайных распределений и их сравнение с результатами работы lc-алгоритма (фрагмент)

Наименование	Ресурс	Остаток ресурса	Количество объектов	Суммарная польза	Сумма затрат	Средне- взвешенная удельная польза	Средняя польза	Средние затраты
Сумма по классам RND-распределения 1:	246,00	1,00	48,00	1337,55	245,00	28,47	141,30	25,06
Сумма по классам RND-распределения 2:	246,00	5,00	47,00	1333,13	241,00	26,93	140,92	26,55
Сумма по классам RND-распределения 3:	246,00	1,00	47,00	1335,69	245,00	27,48	147,26	27,02
Сумма по классам RND-распределения 4:	246,00	2,00	48,00	1319,55	244,00	27,67	135,57	26,52
Сумма по классам RND-распределения 5:	246,00	0,00	48,00	1082,86	246,00	23,28	113,05	24,86
Сумма по классам RND-распределения 6:	246,00	1,00	46,00	1184,75	245,00	24,19	129,85	26,83
Сумма по классам RND-распределения 7:	246,00	0,00	49,00	1392,75	246,00	28,86	144,68	25,53
Сумма по классам RND-распределения 8:	246,00	1,00	45,00	1433,77	245,00	30,07	164,93	27,60
Сумма по классам RND-распределения 9:	246,00	2,00	45,00	1144,47	244,00	24,32	124,96	26,59
Сумма по классам RND-распределения 10:	246,00	1,00	46,00	1235,11	245,00	23,74	126,54	27,15
Сумма по классам RND-распределения 11:	246,00	3,00	47,00	1235,82	243,00	25,05	131,00	26,68
Сумма по классам RND-распределения 12:	246,00	2,00	46,00	1150,55	244,00	25,19	126,40	26,04
Сумма по классам RND-распределения 13:	246,00	0,00	46,00	1443,05	246,00	31,34	162,17	26,15
Сумма по классам RND-распределения 14:	246,00	2,00	47,00	1377,03	244,00	30,07	153,09	25,84
Сумма по классам RND-распределения 15:	246,00	4,00	45,00	1071,00	242,00	21,57	113,22	27,27
Сумма по классам RND-распределения 16:	246,00	2,00	48,00	1352,60	244,00	28,64	141,21	25,08
Сумма по классам RND-распределения 17:	246,00	0,00	46,00	1192,05	246,00	24,38	132,99	27,34
Сумма по классам RND-распределения 18:	246,00	4,00	47,00	1305,87	242,00	25,90	131,19	27,66
Сумма по классам RND-распределения 19:	246,00	4,00	48,00	1276,37	242,00	26,19	130,96	25,08
Сумма по классам RND-распределения 20:	246,00	0,00	47,00	1364,36	246,00	28,74	148,78	26,62
Сумма по классам RND-распределения 21:	246,00	1,00	49,00	1467,36	245,00	32,90	153,76	24,74
Сумма по классам RND-распределения 22:	246,00	3,00	46,00	1263,43	243,00	25,27	135,44	27,24
Сумма по классам RND-распределения 23:	246,00	2,00	47,00	1483,08	244,00	28,89	152,49	27,24
Сумма по классам RND-распределения 24:	246,00	4,00	47,00	1350,79	242,00	29,40	146,97	25,90
Сумма по классам RND-распределения 25:	246,00	5,00	42,00	912,46	241,00	18,68	108,12	29,21
Сумма по классам RND-распределения 26:	246,00	2,00	47,00	1453,99	244,00	31,79	170,61	27,18
Сумма по классам RND-распределения 27:	246,00	6,00	50,00	1474,66	240,00	32,06	148,25	23,43
Сумма по классам RND-распределения 28:	246,00	3,00	47,00	1354,09	243,00	29,53	156,32	26,93
Сумма по классам RND-распределения 29:	246,00	2,00	45,00	1194,80	244,00	26,17	131,29	27,18
Сумма по классам RND-распределения 30:	246,00	3,00	49,00	1320,09	243,00	27,27	132,84	24,75
Сумма по классам RND-распределения 31:	246,00	0,00	46,00	1375,79	246,00	26,50	142,02	27,87
Сумма по классам RND-распределения 32:	246,00	1,00	47,00	1245,26	245,00	26,04	133,22	26,50
Сумма по классам RND-распределения 33:	246,00	1,00	49,00	1241,44	245,00	25,27	124,00	24,71
Сумма по классам RND-распределения 34:	246,00	1,00	46,00	1433,66	245,00	29,70	156,91	26,99
Сумма по классам RND-распределения 35:	246,00	1,00	48,00	1308,69	245,00	28,40	140,32	25,49
Сумма по классам RND-распределения 42:	246,00	0,00	49,00	1259,25	246,00	25,89	123,92	25,23
Среднее сумм по всем RND-распределениям:	246,00	1,65	47,11	1302,29	244,35	26,93	137,99	26,35
Ср.кв.откл. сумм по всем RND-распределениям:	0,00	1,40	2,02	135,97	1,40	3,21	13,96	1,33
Сумма из LC-распределения:	246,00	4,00	56,00	2724,57	242,00	61,34	249,01	20,91
Эффективность LC-алгоритма по сравнению с RND в %:	100,00	242,42	118,87	209,21	99,04	227,78	180,45	79,36

Таблица 74 – Средние результаты случайных распределений и их сравнение с результатами работы lc-алгоритма

Наименование	Ресурс	Остаток ресурса	Количество объектов	Суммарная польза	Сумма затрат	Средне- взвешенная удельная польза	Средняя польза	Средние затраты
Среднее на класс RND-распределения 1:	49,20	0,20	9,60	267,51	49,00	5,69	28,26	5,01
Среднее на класс RND-распределения 2:	49,20	1,00	9,40	266,63	48,20	5,39	28,18	5,31
Среднее на класс RND-распределения 3:	49,20	0,20	9,40	267,14	49,00	5,50	29,45	5,40
Среднее на класс RND-распределения 4:	49,20	0,40	9,60	263,91	48,80	5,53	27,11	5,31
Среднее на класс RND-распределения 5:	49,20	0,00	9,60	216,57	49,20	4,66	22,61	4,97
Среднее на класс RND-распределения 6:	49,20	0,20	9,20	236,95	49,00	4,84	25,97	5,37
Среднее на класс RND-распределения 7:	49,20	0,00	9,80	278,55	49,20	5,77	28,94	5,11
Среднее на класс RND-распределения 8:	49,20	0,20	9,00	286,75	49,00	6,01	32,99	5,52
Среднее на класс RND-распределения 9:	49,20	0,40	9,00	228,89	48,80	4,86	24,99	5,32
Среднее на класс RND-распределения 10:	49,20	0,20	9,20	247,02	49,00	4,75	25,31	5,43
Среднее на класс RND-распределения 11:	49,20	0,60	9,40	247,16	48,60	5,01	26,20	5,34
Среднее на класс RND-распределения 12:	49,20	0,40	9,20	230,11	48,80	5,04	25,28	5,21
Среднее на класс RND-распределения 13:	49,20	0,00	9,20	288,61	49,20	6,27	32,43	5,23
Среднее на класс RND-распределения 14:	49,20	0,40	9,40	275,41	48,80	6,01	30,62	5,17
Среднее на класс RND-распределения 15:	49,20	0,80	9,00	214,20	48,40	4,31	22,64	5,46
Среднее на класс RND-распределения 16:	49,20	0,40	9,60	270,52	48,80	5,73	28,24	5,02
Среднее на класс RND-распределения 17:	49,20	0,00	9,20	238,41	49,20	4,88	26,60	5,47
Среднее на класс RND-распределения 18:	49,20	0,80	9,40	261,17	48,40	5,18	26,24	5,53
Среднее на класс RND-распределения 19:	49,20	0,80	9,60	255,27	48,40	5,24	26,19	5,02
Среднее на класс RND-распределения 20:	49,20	0,00	9,40	272,87	49,20	5,75	29,76	5,32
Среднее на класс RND-распределения 21:	49,20	0,20	9,80	293,47	49,00	6,58	30,75	4,95
Среднее на класс RND-распределения 22:	49,20	0,60	9,20	252,69	48,60	5,05	27,09	5,45
Среднее на класс RND-распределения 23:	49,20	0,40	9,40	296,62	48,80	5,78	30,50	5,45
Среднее на класс RND-распределения 24:	49,20	0,80	9,40	270,16	48,40	5,88	29,39	5,18
Среднее на класс RND-распределения 25:	49,20	1,00	8,40	182,49	48,20	3,74	21,62	5,84
Среднее на класс RND-распределения 26:	49,20	0,40	9,40	290,80	48,80	6,36	34,12	5,44
Среднее на класс RND-распределения 27:	49,20	1,20	10,00	294,93	48,00	6,41	29,65	4,69
Среднее на класс RND-распределения 28:	49,20	0,60	9,40	270,82	48,60	5,91	31,26	5,39
Среднее на класс RND-распределения 29:	49,20	0,40	9,00	238,96	48,80	5,23	26,26	5,44
Среднее на класс RND-распределения 30:	49,20	0,60	9,80	264,02	48,60	5,45	26,57	4,95
Среднее на класс RND-распределения 31:	49,20	0,00	9,20	275,16	49,20	5,30	28,40	5,58
Среднее на класс RND-распределения 32:	49,20	0,20	9,40	249,05	49,00	5,21	26,64	5,30
Среднее на класс RND-распределения 33:	49,20	0,20	9,80	248,29	49,00	5,05	24,80	4,94
Среднее на класс RND-распределения 34:	49,20	0,20	9,20	286,73	49,00	5,94	31,38	5,40
Среднее на класс RND-распределения 35:	49,20	0,20	9,60	261,74	49,00	5,68	28,06	5,10
Среднее на класс RND-распределения 36:	49,20	0,60	9,40	237,29	48,60	4,56	24,45	5,45
Среднее на класс RND-распределения 37:	49,20	0,60	10,00	281,17	48,60	5,65	26,71	4,95
Среднее на класс RND-распределения 38:	49,20	0,40	9,00	226,28	48,80	4,89	26,31	5,40
Среднее на класс RND-распределения 39:	49,20	0,20	9,60	257,36	49,00	5,08	26,16	5,24
Среднее на класс RND-распределения 40:	49,20	0,00	10,20	283,85	49,20	5,85	27,86	4,78
Среднее на класс RND-распределения 41:	49,20	0,20	9,00	236,27	49,00	4,95	27,14	5,58
Среднее на класс RND-распределения 42:	49,20	0,00	9,80	251,85	49,20	5,18	24,78	5,05
Среднее на класс RND-распределения 43:	49,20	0,60	9,60	240,12	48,60	4,67	23,57	5,23
Среднее на класс RND-распределения 44:	49,20	0,20	9,20	259,38	49,00	5,46	28,67	5,30
Среднее на класс RND-распределения 45:	49,20	0,40	9,60	240,82	48,80	5,01	25,91	5,22
Среднее на класс RND-распределения 46:	49,20	0,20	9,40	254,03	49,00	5,30	27,07	5,18
Среднее на класс RND-распределения 47:	49,20	0,60	8,20	195,59	48,60	3,95	22,07	6,16
Среднее на класс RND-распределения 48:	49,20	0,00	9,40	272,22	49,20	5,38	27,91	5,36
Среднее на класс RND-распределения 49:	49,20	0,20	9,60	273,89	49,00	5,61	28,64	5,19
Среднее на класс RND-распределения 50:	49,20	0,40	10,00	294,91	48,80	6,15	29,88	4,89
Среднее на класс RND-распределения 51:	49,20	0,20	10,20	288,06	49,00	6,52	30,71	4,76
Среднее на класс RND-распределения 52:	49,20	0,40	9,20	241,56	48,80	5,00	26,49	5,41
Сумма средних по всем RND-распределениям:	4920,00	33,00	942,20	26045,76	4887,00	538,57	2759,82	527,05
Среднее средних по всем RND-распределениям:	49,20	0,33	9,42	260,46	48,87	5,39	27,60	5,27
Ср.кв.откл. средних по всем RND-распределениям:	0,00	0,28	0,40	27,19	0,28	0,64	2,79	0,27
Среднее из LC-распределения:	49,20	0,80	11,20	544,91	48,40	12,27	49,80	4,18
Эффективность LC-алгоритма по сравнению с RND в %:	100,00	242,42	118,87	209,21	99,04	227,78	180,45	79,37

Из таблиц 73 и 74 видно, что использование LC-алгоритма более чем в 2 раза повышает среднюю пользу по системе по сравнению со случайным назначением. В реальных примерах это превышение может быть значительно большим, т.к. в примере, рассматриваемом в данной работе, объекты обладают случайными признаками и случайным образом отнесены к классам.

Кратко рассмотрим возможные применения задачи о назначениях в области педагогики и психологии. АСК-анализ и система «Эйдос» позволяют разработать профессиограммы, т.е. на основе ретроспективной базы данных определить, какие признаки респондентов (первичные, устанавливаемые непосредственно, вторичные, т.е. расчетные) наиболее характерны для работников, успешно работающих по тем или иным должностям. Аналогично, могут быть разработаны профессиограммы, отражающие успешность обучения по тем или иным специальностям, дисциплинам и циклам дисциплин. Во всех этих случаях можно и решить задачу о назначениях, т.е. распределить кандидатов, претендующих на ту или иную оплату труда (затраты), на должности, в соответствии с ограничениями на фонд оплаты труда по эти должностям, причем сделать это таким образом, что и для каждого работника, и по каждой должности, и по организации в целом, будет получена максимальная польза.

Выводы. На основе вышеизложенного на наш взгляд можно обоснованно предположить, что системно-когнитивный анализ и его инструментарий – система «Эйдос» являются адекватным средством для решения для решения ранее не встречавшегося в литературе обобщения задачи о назначениях, учитывающего не только различную полезность одного и того же груза для разных рюкзаков, различные затраты на грузы и ресурсы рюкзаков, но и обеспечивающего автоматическое определение степени этой полезности на основе признаков груза путем решения задачи распознавания. Материалы данной работы могут стать основой для нескольких лабораторных работ по дисциплинам: «Интеллектуальные информационные системы», «Представление знаний», «Интеллектуальные информационные технологии», «Системы управления знаниями», «Человеко-машинное взаимодействие» и может применяться в вузах, готовящих специалистов по специальностям «Прикладная информатика» и «Информационные системы и технологии».

ГЛАВА 11. ПРОГНОЗИРОВАНИЕ РИСКОВ
АВТОСТРАХОВАНИЯ (АНДЕРРАЙТИНГ)

В данной главе описывается применение системно-когнитивного анализа и его программного инструментария системы "Эйдос" для синтеза семантической информационной модели, учитывающей влияние различных факторов риск совершения ДТП и на суммы страховых выплат автострахования ОСАГО и КАСКО и использования этой модели для прогнозирования сумм страховых выплат (по данным ООО Росгосстрах-ЮГ Краснодарского края) [60, 77].

11.1. ОСАГО

11.1.1. Разработка инструментария для оценки
рисков автострахования ОСАГО,
как задача контроллинга

В соответствии с действующим законодательством страховая компания, оказывающая услуги обязательного автострахования, обязана оказывать эти услуги всем обращающимся за этим клиентам и не может отказать кому-либо из них, при условии, что клиент предоставил все необходимые документы. Вместе с тем компания имеет ряд законных способов повлиять на контингент обращающихся к ней клиентов. Среди этих способов необходимо отметить прежде всего целенаправленную рекламу, ориентированную на определенные группы населения, а также маркетинговые мероприятия. В результате использования подобных технологий страховая компания уже сейчас может повлиять на приоритеты и механизм принятия решений различных категорий потенциальных клиентов в таком направлении, которое приведет к относительному увеличению доли желательных клиентов и уменьшения доли нежелательных. Кроме того, возможно в будущем страховые компании получат большие права по отбору клиентов. Уже сегодня компании имеют право уменьшать оплату за автострахования безаварийным водителям и повышать для водителей, совершивших дорожно-транспортные происшествия (ДТП), повлекшие страховые выплаты со стороны компании.

В связи со всем этим, когда в страховую компанию обращается очередной клиент то возникает резонные вопросы о том:

1. Какова вероятность совершения ДТП этим водителем или владельцем автотранспортного средства (конкретно именно этим водителем и конкретно именно на данном автотранспортном средстве).

2. Какова возможная тяжесть этого ДТП и наиболее вероятная сумма соответствующей страховой выплаты.

В теории и практике страхования эта задача получила название "андеррайтинг". Обладание технологией решения этой задачи уже сегодня позволило бы компании существенно уменьшить риски автострахования и соответственно, уменьшить страховые выплаты и увеличить свою прибыль. По-видимому, в перспективе возможность решения этой задачи в реальном времени непосредственно во время приема клиента на начальной стадии оформления документов будет играть еще большую роль.

Однако, проблема состоит в том, что не смотря на все эти достаточно очевидные выгоды и преимущества в реальной практике большинства страховых компаний системы андеррайтинга не применяются.

На наш взгляд это обусловлено следующими обстоятельствами:

1. Эти системы недостаточно технологичны для их применения в реальном времени, непосредственно во время обслуживания клиента.

2. Существующие системы разработаны за рубежом или в мегаполисах (в основном в Москве и Санкт-Петербурге) и очень слабо отражают региональную специфику (т.е. нелокализованы), вернее вообще ее практически не отражают, из-за чего и имеют очень низкую достоверность прогнозирования, близкую и статистически незначимо отличающуюся от вероятности случайного угадывания без использования этих систем или другой априорной информации.

3. Эти системы не обладают адаптивностью и не учитывают динамику предметной области, которая чрезвычайно высока, особенно в Южном Федеральном Округе (ЮФО). В результате даже первоначально хорошо работающие системы очень быстро теряют адекватность модели и качество прогнозов.

4. Стоимость этих систем настолько высока, что их приобретение и использование чаще всего мало или вообще нерентабельно.

Целью данной работы является решение поставленной проблемы путем разработки адаптивной методики прогнозирования рисков автострахования и сумм страховых выплат, и, на этой основе, поддержки принятия решений в страховой компании.

Для достижения поставленной цели был выбран метод системно-когнитивного анализа (АСК-анализ). Этот выбор был обусловлен тем, что данный метод является непараметрическим, позволяет 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") 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 и исследование модели объекта управления. 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. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (обычно в форме базы данных).

3. Разработка стандартной Excel-формы для представления исходных данных.

4. Преобразование исходных данных из исходных баз данных в стандартную электронную Excel-форму.

5. Контроль достоверности исходных данных и исправление ошибок.

6. Разработка и использование программного интерфейса для преобразования исходных данных из стандартной Excel-формы в базы данных, используемые в инструментарии системно-когнитивного анализа (АСК-анализ) – универсальной когнитивной аналитической системе "Эйдос" (система "Эйдос").

7. Синтез семантической информационной модели (СИМ).

8. Оптимизация СИМ.

9. Измерение адекватности СИМ.

10. Задача 1: "Многокритериальная типизация автомобилей клиентов по типам: "Не совершившие ДТП", "Совершившие ДТП" и категориям, отражающим суммы страховых выплат.

11. Задача 2: "Разработка методики прогнозирования риска совершения ДТП и суммы страховой выплаты на основе информации о клиенте и его автомобиле".

12. Задача 3: "Разработка методики поддержки принятия решений по выбору контингента клиентов, наиболее предпочтительных и нежелательных для автострахования".

13. Разработка принципов оценки экономической эффективности разработанных технологий при их применении в реальной страховой компании.

14. Исследование ограничений разработанной технологии и перспектив ее развития.

Кратко рассмотрим решение этих задач.

11.1.2. Когнитивная структуризация
предметной области

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. На этом этапе было решено в качестве следствий, т.е. классов, рассматривать: безаварийность, аварийность, сумму страховой выплаты, а в качестве причин: марку и модель автотранспортного средства, его цвет, Российское или иностранное производство автомобиля, водительский стаж владельца.

На этапе формальной постановки задачи, исходя из результатов когнитивной структуризации, было осуществлено проектирование структуры и состава исходных данных.

2. Затем исходные данные запланированного состава были получены в той форме, в которой они накапливаются в поставляющей их организации (обычно в форме базы данных). В нашем случае этой организацией выступила компания ООО Росгосстрах-ЮГ Краснодарского края. Здесь необходимо отметить, что в полученной базе данных представлено 65535 примеров (это максимальное количество строк в листе Excel) застрахованных автотранспортных средств, из которых 540 участвовали в различного рода ДТП и по этим случаям были произведены страховые выплаты. Этого было более чем достаточно для целей данной работы, за что авторы благодарны руководству данной страховой компании.

3. Была разработана стандартная Excel-форма для представления исходных данных (рисунок 86).

4. Исходные данные из Excel-формы, представленной на рисунке 66, были преобразованы средствами Excel в стандартную для программного интерфейса системы "Эйдос" электронную Excel-форму (рисунок 87).

Рисунок 86. Excel-форма с исходными данными

Рисунок 87. Excel-форма, стандартная для программного
интерфейса системы "Эйдос"

5. На этапе контроля достоверности исходных данных было обнаружено, что в исходной базе данных мощность двигателя у некоторых особо престижных моделей автомобилей доходила до 728690 л.с. В данной работе было принято решение не использовать в модели этот параметр, а не исправлять его. Хотя в принципе зная марку и модель автотранспортного средства можно было бы точно узнать и мощность его двигателя, и колесную формулу. Но для целей данной работы этого не требовалось и сделано не было.

11.1.3. Формализация предметной области

6. Затем Excel-форма, приведенная на рисунке 87 средствами Excel была записана в стандарте DBF-4, dBASE IV (*.dbf), разработан и использован программный интерфейс для преобразования исходных данных из стандартной Excel-формы в базы данных, используемые в инструментарии системно-когнитивного анализа (АСК-анализ) – универсальной когнитивной аналитической системе "Эйдос" (система "Эйдос").

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 страховые случаи (см. таб.75, таб.76, таб.77):

Таблица 75 – Справочник классов распознавания

22-05-07 12:05:20 г.Краснодар

======================================================================================================

| N | Код | Н а и м е н о в а н и е | Степень | Абсол. | % к кол |

| п/п |класса| к л а с с а р а с п о з н а в а н и я | редукции | кол-во | физичес |

| | | | образа | | анкет |

|====================================================================================================|

| 1 | 1 | Сумма страховой выплаты: : {0.000, 0.000}............. | 0.01916 | 64995 | 99.200 |

| 2 | 2 | Сумма страховой выплаты: : {34.000, 573575.000}....... | 0.15524 | 540 | 0.800 |

| 3 | 3 | Сумма страховой выплаты: : {34.000, 57388.100}........ | 0.15300 | 469 | 0.700 |

| 4 | 4 | Сумма страховой выплаты: : {57388.100, 114742.200}.... | 0.13388 | 58 | 0.100 |

| 5 | 5 | Сумма страховой выплаты: : {114742.200, 172096.300}... | 0.05552 | 11 | |

| 6 | 6 | Сумма страховой выплаты: : {172096.300, 229450.400}... | 0.00000 | | |

| 7 | 7 | Сумма страховой выплаты: : {229450.400, 286804.500}... | 0.05630 | 1 | |

| 8 | 8 | Сумма страховой выплаты: : {286804.500, 344158.600}... | 0.00000 | | |

| 9 | 9 | Сумма страховой выплаты: : {344158.600, 401512.700}... | 0.00000 | | |

| 10 | 10 | Сумма страховой выплаты: : {401512.700, 458866.800}... | 0.00000 | | |

| 11 | 11 | Сумма страховой выплаты: : {458866.800, 516220.900}... | 0.00000 | | |

| 12 | 12 | Сумма страховой выплаты: : {516220.900, 573575.000}... | 0.03674 | 1 | |

======================================================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таблица 76 – Справочник наименований шкал и градаций признаков
(фрагмент)

22-05-07 12:05:25 г.Краснодар

=================================================================================

| N | Код | Н а и м е н о в а н и я |Интегр.|Абсол.|% к кол|

| п/п| призн| шкал и градаций признаков |инф-сть|кол-во|физ.анк|

|===============================================================================|

| |[ 1]|СТАЖ ВЛАДЕЛЬЦА | | | |

| 1| 1 |Стаж владельца: {1.000, 5.300}..............| 0.078| 7474 | 11.405|

| 2| 2 |Стаж владельца: {5.300, 9.600}..............| 0.004| 5820 | 8.881|

| 3| 3 |Стаж владельца: {9.600, 13.900}.............| 0.038| 6005 | 9.163|

| 4| 4 |Стаж владельца: {13.900, 18.200}............| 0.193| 7348 | 11.212|

| 5| 5 |Стаж владельца: {18.200, 22.500}............| 0.067| 6022 | 9.189|

| 6| 6 |Стаж владельца: {22.500, 26.800}............| 0.012| 6004 | 9.162|

| 7| 7 |Стаж владельца: {26.800, 31.100}............| 0.038| 7436 | 11.347|

| 8| 8 |Стаж владельца: {31.100, 35.400}............| 0.225| 5952 | 9.082|

| 9| 9 |Стаж владельца: {35.400, 39.700}............| 0.134| 5948 | 9.076|

| 10| 10 |Стаж владельца: {39.700, 44.000}............| 0.039| 7442 | 11.356|

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

| |[ 2]|ПРОИЗВОДСТВО | | | |

| 11| 11 |Производство-Иномарка.......................| 0.068|13569 | 20.705|

| 12| 12 |Производство-Неизвестно.....................| 0.001| 1493 | 2.278|

| 13| 13 |Производство-Россия.........................| 0.030|50473 | 77.017|

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

| |[ 3]|МАРКА | | | |

| 14| 14 |Марка-......................................| 0.001| 1493 | 2.278|

| 15| 15 |Марка-Alfa-Romeo............................| 0.001| 16 | 0.024|

| 16| 16 |Марка-Aro...................................| 0.001| 1 | 0.002|

| 17| 17 |Марка-Asia..................................| 0.001| 12 | 0.018|

| 18| 18 |Марка-Astra.................................| 0.001| 2 | 0.003|

| 19| 19 |Марка-Audi..................................| 0.205| 792 | 1.209|

| 20| 20 |Марка-Austin................................| 0.001| 1 | 0.002|

| 21| 21 |Марка-BMW...................................| 0.043| 697 | 1.064|

| 22| 22 |Марка-Bentley...............................| 0.001| 1 | 0.002|

| 23| 23 |Марка-Buick.................................| 0.001| 1 | 0.002|

| 24| 24 |Марка-Cadillac..............................| 0.001| 4 | 0.006|

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

| |[ 4]|МАРКА И МОДЕЛЬ | | | |

| 114| 114 |Марка и модель--............................| 0.001| 1493 | 2.278|

| 115| 115 |Марка и модель-Alfa-Romeo-156...............| 0.001| 2 | 0.003|

| 116| 116 |Марка и модель-Alfa-Romeo-166...............| 0.001| 1 | 0.002|

| 117| 117 |Марка и модель-Alfa-Romeo-2106..............| 0.001| 11 | 0.017|

| 118| 118 |Марка и модель-Alfa-Romeo-33................| 0.001| 1 | 0.002|

| 119| 119 |Марка и модель-Alfa-Romeo-75................| 0.001| 1 | 0.002|

| 120| 120 |Марка и модель-Aro-10.......................| 0.001| 1 | 0.002|

| 121| 121 |Марка и модель-Asia-2106....................| 0.001| 12 | 0.018|

| 122| 122 |Марка и модель-Astra-2106...................| 0.001| 2 | 0.003|

| 123| 123 |Марка и модель-Audi-100.....................| 0.001| 177 | 0.270|

| 124| 124 |Марка и модель-Audi-200.....................| 0.001| 6 | 0.009|

| 125| 125 |Марка и модель-Audi-2106....................| 0.001| 58 | 0.089|

| 126| 126 |Марка и модель-Audi-80......................| 0.271| 250 | 0.381|

| 127| 127 |Марка и модель-Audi-90......................| 0.001| 6 | 0.009|

| 128| 128 |Марка и модель-Audi-A2......................| 0.001| 1 | 0.002|

| 129| 129 |Марка и модель-Audi-A3......................| 0.001| 14 | 0.021|

| 130| 130 |Марка и модель-Audi-A4......................| 0.001| 82 | 0.125|

| 131| 131 |Марка и модель-Audi-A4 Avant................| 0.001| 2 | 0.003|

| 132| 132 |Марка и модель-Audi-A6......................| 0.021| 158 | 0.241|

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

| |[ 5]|ЦВЕТ | | | |

| 888| 888 |Цвет-Бежевый (оттенки бежевого и светло-золо| 0.109| 3664 | 5.591|

| 889| 889 |Цвет-Белый (оттенки белого).................| 0.057| 3632 | 5.542|

| 890| 890 |Цвет-Бордовый(оттенки бордового и вишневого)| 0.030| 3594 | 5.484|

| 891| 891 |Цвет-Голубой (оттенки голубого).............| 0.231| 3696 | 5.640|

| 892| 892 |Цвет-Жёлтый (оттенки жёлтого и светлозолотис| 0.240| 3676 | 5.609|

| 893| 893 |Цвет-Зеленый (оттенки светло-зеленого)......| 0.121| 3701 | 5.647|

| 894| 894 |Цвет-Коричневый (оттенки коричневого).......| 0.018| 3523 | 5.376|

| 895| 895 |Цвет-Красный (оттенки красного).............| 0.045| 3671 | 5.602|

| 896| 896 |Цвет-Оранжевый (оттенки оранжевого).........| 0.132| 3640 | 5.554|

| 897| 897 |Цвет-Розовый (оттенки розового).............| 0.064| 3673 | 5.605|

| 898| 898 |Цвет-Светло-серый (оттенки светло-серого и с| 0.009| 3763 | 5.742|

| 899| 899 |Цвет-Синий (оттенки синего).................| 0.053| 3708 | 5.658|

| 900| 900 |Цвет-Сиреневый (оттенки сиреневого).........| 0.012| 3512 | 5.359|

| 901| 901 |Цвет-Тёмно-Серый (оттенки тёмно-серого).....| 0.020| 3708 | 5.658|

=================================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таблица 77 – АНКЕТА обучающей выборки N° 1

22-05-07 18:16:12 г.Краснодар

============================================================================

| Код | Наименования классов распознавания |

============================================================================

| 2 | Сумма страховой выплаты: : {34.000, 573575.000} |

| 3 | Сумма страховой выплаты: : {34.000, 57388.100} |

============================================================================

| Код | Градации описательных шкал (признаки) |

============================================================================

| 10 | Стаж владельца: {39.700, 44.000} |

| 13 | Производство-Россия |

| 93 | Марка-ВАЗ |

| 741 | Марка и модель-ВАЗ-1111 |

| 901 | Цвет-Тёмно-Серый (оттенки тёмно-серого) |

============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таким образом, данным программным интерфейсом полностью автоматизируется этап АСК-анализа, называемый "Формализация предметной области".

7. Затем стандартными средствами системы "Эйдос" (режим: _235) был выполнен синтез семантической информационной модели (СИМ).

8. В системе "Эйдос" реализовано много различных методов повышения качества модели: это и исключение из модели статистически малопредставленных классов и факторов (артефактов), и исключение незначимых факторов, и ремонт (взвешивание) данных, что обеспечивает не только классическую, но и структурную репрезентативность исследуемой выборки по отношению к генеральной совокупности, и итерационное разделение классов на типичную и нетипичную части. Последний метод и был использован для оптимизация СИМ. В результате категории были разделены на типичные и нетипичные части и был получен следующий справочник классов (таблица 51):

Таблица 78 – Справочник классов улучшенной модели

22-05-07 18:57:05 г.Краснодар

=========================================================================================================

| N | Код | Н а и м е н о в а н и е | Степень | Абсол. | % к кол |

| п/п |класса| к л а с с а р а с п о з н а в а н и я | редукции | кол-во | физичес |

| | | | образа | | анкет |

|=======================================================================================================|

| 1 | 1 | Сумма страховой выплаты: : {0.000, 0.000}.................| 0.00000 | | |

| 2 | 16 | Сумма страховой выплаты: : {0.000, 0.000} it={1}..........| 0.11539 | 48368 | 73.800 |

| 3 | 23 | Сумма страховой выплаты: : {0.000, 0.000} it={1,2}........| 0.31439 | 1218 | 1.900 |

| 4 | 22 | Сумма страховой выплаты: : {0.000, 0.000} it={2}..........| 0.25730 | 15409 | 23.500 |

| 5 | 5 | Сумма страховой выплаты: : {114742.200, 172096.300}.......| 0.07006 | 11 | |

| 6 | 6 | Сумма страховой выплаты: : {172096.300, 229450.400}.......| 0.00000 | | |

| 7 | 7 | Сумма страховой выплаты: : {229450.400, 286804.500}.......| 0.07104 | 1 | |

| 8 | 8 | Сумма страховой выплаты: : {286804.500, 344158.600}.......| 0.00000 | | |

| 9 | 2 | Сумма страховой выплаты: : {34.000, 573575.000}...........| 0.26875 | 235 | 0.400 |

| 10 | 13 | Сумма страховой выплаты: : {34.000, 573575.000} it={1}....| 0.08553 | 236 | 0.400 |

| 11 | 18 | Сумма страховой выплаты: : {34.000, 573575.000} it={1,2}..| 0.13139 | 37 | 0.100 |

| 12 | 19 | Сумма страховой выплаты: : {34.000, 573575.000} it={2}....| 0.07634 | 32 | |

| 13 | 3 | Сумма страховой выплаты: : {34.000, 57388.100}............| 0.27906 | 164 | 0.300 |

| 14 | 14 | Сумма страховой выплаты: : {34.000, 57388.100} it={1}.....| 0.09376 | 231 | 0.400 |

| 15 | 17 | Сумма страховой выплаты: : {34.000, 57388.100} it={1,2}...| 0.13006 | 40 | 0.100 |

| 16 | 21 | Сумма страховой выплаты: : {34.000, 57388.100} it={2}.....| 0.07720 | 34 | 0.100 |

| 17 | 9 | Сумма страховой выплаты: : {344158.600, 401512.700}.......| 0.00000 | | |

| 18 | 10 | Сумма страховой выплаты: : {401512.700, 458866.800}.......| 0.00000 | | |

| 19 | 11 | Сумма страховой выплаты: : {458866.800, 516220.900}.......| 0.00000 | | |

=========================================================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

При этом средняя по всей выборке объемом 65535 страховых случаев вероятность правильного отнесения страхового случая к тем классам, к которым он действительно относится, на 2-й итерации составила 88,953% (на 1-й итерации она составляла всего 23,692%). При дальнейших итерациях эта величина стабилизировалась, поэтому в этот процесс был остановлен. Достигнутая степень адекватности (достоверности) модели оценивается нами как довольно высокая и достаточная для того, чтобы исследование этой модели считать исследованием самой моделируемой предметной области, и выводы, полученные путем исследования модели считать относящимися к самой предметной области.

9. Контрольное измерение адекватности СИМ было проведено на тестовой выборке, в которую вошли 2160 страховых случаев, представляющие все классы, в т.ч. все с совершенными ДТП и по остальным классам не более 540 случаев. При этом были получены результаты, представленные ниже:

Из анализа этой формы можно сделать следующие выводы:

– хорошо представленные классы можно использовать при прогнозировании, т.к. достоверность идентификации по этим классам достаточно высокая;

– результаты прогнозирования по слабо представленным классам учитывать в принятии решений нецелесообразно;

– применение модели обеспечивает во много раз более высокую достоверность, чем случайное угадывание или не использование модели;

– общая вероятность достоверной идентификации оказалась несколько ниже, чем по всей выборке, по всей видимости из-за того, что в тестовой выборке не было возможности указать все страховые случаи по которым не было ДТП, из-за огромного количества таких случаев.

11.1.4. Синтез, верификация и повышение
качества семантической информационной
модели предметной области

10. По сути задача 1: "Многокритериальная типизация автомобилей клиентов по типам: "Не совершившие ДТП", "Совершившие ДТП" и категориям, отражающим суммы страховых выплат была решена при синтезе модели на 7-м этапе. Результатом этого этапа и решением 1-й задачи является матрица информативностей, фрагмент которой приводится на рисунке 88:

Рисунок 88. Фрагмент матрицы информативностей

В этой матрице столбцы соответствуют классам распознавания, строки – градациям факторов, а в клетках на их пересечении приведено количество информации в битах, которое содержится в факте обнаружения в страховом случае определенной градации фактора (например, водительского стажа, марки, модели или цвета автомобиля) о том, что этот случай относится к определенному классу. Приведен лишь фрагмент этой матрицы, т.к. в ней 905 строк.

11.1.5. Решение задач прогнозирования и поддержки
принятия решений, а также исследования
предметной области на основе семантической
информационной модели

11. Задача 2: "Разработка методики прогнозирования риска совершения ДТП и суммы страховой выплаты на основе информации о клиенте и его автомобиле", решается по сути автоматически при синтезе модели на 7-м этапе АСК-анализа. В системе "Эйдос" есть стандартный режим _42, обеспечивающий подсчет для каждого страхового случая (представленного в распознаваемой выборке) суммарного количества информации, которое содержится в его признаках о принадлежности данного случая к каждому из классов. Все классы сортируются (ранжируются) в порядке убывания суммарного количества информации, содержащегося в описании страхового случая, о принадлежности к ним. Эта информация представляется в виде экранной формы и файла (рисунок 89):

Рисунок 89. Пример экранной формы с результатами прогнозирования
для тестового страхового случая с номером 174.

На рисунке 89 птичками "Ö" отмечены классы, к которым данный страховой случай действительно относится. Эта же информация приводится и в файле, в котором наименования классов приводятся не в сокращенном варианте:

Если в распознаваемой выборке представлено сразу несколько страховых случаев, то может представлять интерес другая форма вывода информации о результатах прогнозирования по ним (рисунок 90):

Рисунок 90. Пример карточки идентификации страховых случаев с классом:
код 2, "Сумма страховой выплаты: 34-573575 рублей"

По сути, этот класс эквивалентен по смыслу классу: "Совершит ДТП".

12. Для решения задачи 3: "Разработка методики поддержки принятия решений по выбору контингента клиентов, наиболее предпочтительных и нежелательных для автострахования", необходимо исследовать модель. Это можно сделать используя как возможности системы "Эйдос", так и просто загрузив матрицу информативности в Excel. В результате получаем следующие формы (рисунки 91-93):

Рисунок 91. Влияние малого стажа на аварийность

Из этой формы видно, каким образом водительский стаж 1-5 лет обуславливает принадлежность страхового случая к классам оптимизированной модели.

Рассмотрим влияние водительского стажа на безаварийность (рисунок 92) и цвета автомобиля на безаварийность (рисунок 93).

Рисунок 92. Влияние водительского стажа на безаварийность

Рисунок 93. Влияние цвета автомобиля на безаварийность

Из рисунка 92 видно, что обывательское представление о том, что чем больше водительский стаж, тем меньше аварийность, не совсем соответствует действительности. Вернее оно соответствует действительности на интервалах: {1, 22.5} лет и {22.5, 39.7} лет. А вот стаж 22.5-26 лет как это ни парадоксально, несет информацию о том, что водитель не относится к безаварийному классу (как и очень малый стаж от 1 до 5 лет, но в меньшей степени). Правда дальнейшее увеличение стажа до 39.7 лет также постепенно приводит к меньшей аварийности, но стаж 39.7 - 44 года опять говорит о склонности к аварийности. Если причины высокой аварийности при очень малом (до 5 лет) и малом (до 9 лет) стаже понятны: это неопытность и лихачество, то причины аварийности опытных водителей с большим (22-26 лет) и очень большим стажем (39-44 года) видимо кроются в состоянии здоровья, связанном с кризисом среднего возраста и с наступлением физиологической старости.

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. Авторы считают, что задача интерпретации должна решаться специалистами в моделируемой предметной области, в данном случае – специалистами в области автострахования.

Получены также функции влияния на аварийность и безаварийность марки и модели автомобиля, но эти формы не приводятся из-за большой размерности (т.е. очень большого количества моделей и марок). Отметим лишь, что из этих форм следует гипотеза о том, чем дороже автомобиль, тем больше (при всех прочих равных условиях) вероятность обращения в страховую компанию при участии в ДТП.

На рисунке 94 приведем форму, показывающую влияние того, произведен ли автомобиль в России или за рубежом на принадлежность к новым категориям.

Рисунок 94. Влияние российского (ряд 3) и зарубежного (ряд 1) производства автомобиля на принадлежность к классам оптимизированной модели

13. Основной принцип оценки экономической эффективности разработанной методики (при условии ее применения в деятельности реальной страховой компании) состоит в том, что данная методика позволяет создать научно обоснованный образ желаемого клиента (как и образ нежелаемого) и это, в сочетании с методами формирования контингента клиентов, позволяют улучшить состав портфеля договоров автострахования, уменьшив в нем долю убыточных и увеличив долю прибыльных договоров, повысив таким образом рентабельность и прибыль компании.

14. При планировании данного исследования авторы ставили цель лишь оценить возможность применения технологии АСК-анализа для решения задачи андеррайтинга. Данное исследование показало, что это возможно и перспективно. Но для того, чтобы иметь основания сделать этот вывод не было необходимости проводить полномасштабное научное исследование. Поэтому, естественно, что представленный в работе вариант имеет ряд ограничений и недостатков, в преодолении которых и состоит перспектива ее развития.

В частности можно было бы увеличить объем обучающей выборки, взять значительно большее количество параметров, характеризующих как автотранспортное средство, так и его владельца, а также локализовать задачу для других регионов. Например, можно было бы учитывать является ли автомобиль переднеприводным, заднеприводным или полноприводным, мощность его двигателя, год изготовления, более детально можно было бы учитывать страну-производитель и т.д. Владельца вообще можно было бы исследовать как личность, как это делается в транспортной психологии, например, применив подход, описанный в [7]. Но для достижения целей данной работы этого не требовалось и не делалось.

Таким образом, на основе исследования разработанного упрощенного варианта подсистемы андеррайтинга можно сделать вывод о возможности полномасштабного решения этой задачи методом системно-когнитивного анализа.

11.2. КАСКО

11.2.1. Разработка инструментария для оценки
рисков автострахования КАСКО,
как задача контроллинга

С одной стороны, существуют так называемые "факторы риска", которые несут для страховой компании информацию о том, что данный клиент попадает в определенные "группы риска", например, имеет повышенную вероятность совершения дорожно-транспортного происшествия (ДТП), причем не обязательно он при этом формально будет виновен в его совершении. С другой стороны, согласно действующему законодательству РФ, страховая компания не имеет права отказать клиенту в заключении страхового договора, т.е. в любом случае обязана заключить с ним такой договор. Страховая компания, стараясь создать для себя выгодные условия страхования, имеет право изменять расчетную стоимость страхового договора в зависимости от прогнозируемой величины риска и, соответственно, прогнозируемой суммы страховой выплаты.

Однако информационные технологии, обеспечивающие подобное прогнозирование, доступны далеко не всем страховым компаниям, особенно не столичным (провинциальным). Тем же компаниям, которым они доступны, они часто доступны по неоправданно завышенной (монопольной) цене. Качество же прогнозирования при этом, как правило, оказывается значительно ниже, чем в столичных регионах. Это обусловлено двумя основными причинами, связанными с тем, что эти технологии созданы столичными разработчиками:

– на основе прецедентов из своих регионов, а в провинции зависимости между факторами риска и принадлежностью страховых случаев к группам риска отличаются, иногда весьма существенно, от имеющих место в столицах;

– они созданы достаточно давно и за это время в столь динамичной предметной области, как рынок автострахования, многое изменилось, в том числе и структурный состав автопарка, и подготовка и возраст водителей, и объективные условия вождения.

Эти две причины говорят о том, что для повышения эффективности использования столичных методик прогнозирования в провинции необходимы локализация этих методик к условиям конкретного региона и их периодическая адаптация для отслеживания динамики предметной области. Однако ни то, ни другое на практике в настоящее время не делается.

Поэтому основной проблемой, решаемой автостраховой компанией в провинции при заключении договора страхования КАСКО, является достоверное прогнозирование рисков страхования и сумм страховых выплат с целью определения прибыльной стоимости договора.

Авторами предлагается радикальное решение: не просить столичных разработчиков локализовать и периодически адаптировать их разработки, т.к. стоимость этих работ такова, что вполне может обанкротить практически любую провинциальную страховую компанию, а разработать собственную эксклюзивную технологию, решающую эту проблему, тем более что для успеха этого начинания есть все необходимые предпосылки. В частности, уже созданы технологии применения системно-когнитивного анализа (АСК-анализ) для прогнозирования рисков автострахования ОСАГО (андеррайтинг), прогнозирования рисков кредитования физических лиц (скоринг), а также для прогнозирования в других областях[50], в частности экономике, психологии и педагогике, социологии, агрономии, причем, как правило, созданы совершенно бесплатно.

Данная работа посвящена описанию технологии и методики синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО, и использования этой модели для прогнозирования самого факта необходимости выплат и конкретных величин сумм страховых выплат. Для решения поставленной проблемы использована уже хорошо отработанная и положительно зарекомендовавшая себя технология АСК-анализа. Эта технология позволяет также периодически или по мере необходимости решать задачи локализации и адаптации методики прогнозирования.

Была использована база данных прецедентов по Краснодарскому краю, содержащая 7194 страховых случая, из которых 1506 не совершили ДТП, а 5688 совершили и по этим случаям были произведены различные страховые выплаты в сумме от 236 до 1000000 рублей. Эта база данных была получена официально для проведения научного исследования и не включает каких-либо данных, позволяющих идентифицировать личности участников (таблица 79).

Таблица 79 – Исходная база данных страховых случаев (фрагмент)

№	Summa	Stag	Marka	Marka model	Color	God vipuska
1	6000	39	ВАЗ	1111	Светло-серый (оттенки светло-серого и серебристого)	2003
2	7502,5	12	ВАЗ	2106	Красный (оттенки красного)	1987
3	3830,45	39	ВАЗ	21099	Розовый (оттенки розового)	2000
4	3663,24	41	ВАЗ	2101	Хамелеон или несколько цветов без преобладания любого	2004
5	7018,04	38	ВАЗ	2107	Голубой (оттенки голубого)	2000
6	19845,62	28	ВАЗ	2106	Бордовый(оттенки бордового и вишневого)	2006
7	9953,65	8	ВАЗ	2106	Голубой (оттенки голубого)	1986
8	35778,82	13	ВАЗ	2106	Красный (оттенки красного)	1996
9	6958,73	23	ВАЗ	2106	Тёмно-зеленый (оттенки тёмно-зеленого)	2000
10	38215,31	29	Москвич	412	Белый (оттенки белого)	1993
11	269835,46	15	ВАЗ	2106	Белый (оттенки белого)	2000
12	73732	30	ВАЗ	2121	Хамелеон или несколько цветов без преобладания любого	2005
13	17844,35	30	ГАЗ	3302	Фиолетовый (оттенки фмолетового)	1980
14	14920,39	14	ВАЗ	2106	Красный (оттенки красного)	2002
15	91573	23	ВАЗ	2112	Розовый (оттенки розового)	2006
16	8233	30	ВАЗ	2106	Тёмно-Серый (оттенки тёмно-серого)	1999
17	6045,14	27	ГАЗ	3302	Синий (оттенки синего)	2000
18	3784	0	ВАЗ	2106	Бежевый (оттенки бежевого и светло-золотистого)	2000
19	28220,91	33	ГАЗ	3302	Тёмно-зеленый (оттенки тёмно-зеленого)	2000
20	13569,22	39	ГАЗ	3302	Синий (оттенки синего)	2000
21	7260,34	1	ВАЗ	2109	Бордовый(оттенки бордового и вишневого)	2000
22	23140	13	ВАЗ	2106	Сиреневый (оттенки сиреневого)	2000
23	54203,33	19	Ford	FOCUS	Бордовый(оттенки бордового и вишневого)	2000
24	16645,9	16	ВАЗ	2106	Сиреневый (оттенки сиреневого)	2000
25	65958,15	42	ВАЗ	2105	Светло-серый (оттенки светло-серого и серебристого)	2000
26	66615,08	18	ГАЗ	3110	Белый (оттенки белого)	2000
27	24678,41	19	ВАЗ	2106	Фиолетовый (оттенки фмолетового)	2000
28	13620,3	26	Volkswagen	PASSAT	Белый (оттенки белого)	2000
29	53805,1	3	Ford	ESCORT	Голубой (оттенки голубого)	2000
30	15188,87	30	ВАЗ	2110	Красный (оттенки красного)	2000
31	6876,12	25	ВАЗ	2106	Голубой (оттенки голубого)	2000
32	77103,24	35	ВАЗ	2107	Жёлтый (оттенки жёлтого и светлозолотистого)	2000

11.2.2. Когнитивная структуризация
и формализация предметной области

В качестве классов для прогнозирования были выбраны следующие (таблица 80).

Таблица 80 – Справочник классов (фрагмент)

Код	Наименование
1	СОВЕРШИЛ ЛИ ДТП - НЕТ
2	СОВЕРШИЛ ЛИ ДТП - ДА
3	СУММА ВЫПЛАТЫ: {0.00, 1000.00}
4	СУММА ВЫПЛАТЫ: {1000.00, 2000.00}
5	СУММА ВЫПЛАТЫ: {2000.00, 3000.00}
6	СУММА ВЫПЛАТЫ: {3000.00, 4000.00}
7	СУММА ВЫПЛАТЫ: {4000.00, 5000.00}
8	СУММА ВЫПЛАТЫ: {5000.00, 6000.00}
9	СУММА ВЫПЛАТЫ: {6000.00, 7000.00}
10	СУММА ВЫПЛАТЫ: {7000.00, 8000.00}
11	СУММА ВЫПЛАТЫ: {8000.00, 9000.00}
12	СУММА ВЫПЛАТЫ: {9000.00, 10000.00}
***	***************************************************
996	СУММА ВЫПЛАТЫ: {993000.00, 994000.00}
997	СУММА ВЫПЛАТЫ: {994000.00, 995000.00}
998	СУММА ВЫПЛАТЫ: {995000.00, 996000.00}
999	СУММА ВЫПЛАТЫ: {996000.00, 997000.00}
1000	СУММА ВЫПЛАТЫ: {997000.00, 998000.00}
1001	СУММА ВЫПЛАТЫ: {998000.00, 999000.00}
1002	СУММА ВЫПЛАТЫ: {999000.00, 1000000.00}

В качестве факторов, влияющих на вероятность совершения ДТП и величину ущерба были, выбраны следующие (таблица 81).

Таблица 81 – Факторы, влияющие на суммы страховых выплат
и их значения (фрагмент)

Код	Наименование фактора и его значения
[ 1]	СТАЖ ВОДИТЕЛЯ
1	СТАЖ ВОДИТЕЛЯ: {0.00, 4.00}
2	СТАЖ ВОДИТЕЛЯ: {4.00, 8.00}
3	СТАЖ ВОДИТЕЛЯ: {8.00, 12.00}.
4	СТАЖ ВОДИТЕЛЯ: {12.00, 16.00}
5	СТАЖ ВОДИТЕЛЯ: {16.00, 20.00}
6	СТАЖ ВОДИТЕЛЯ: {20.00, 24.00}
7	СТАЖ ВОДИТЕЛЯ: {24.00, 28.00}
8	СТАЖ ВОДИТЕЛЯ: {28.00, 32.00}
9	СТАЖ ВОДИТЕЛЯ: {32.00, 36.00}
10	СТАЖ ВОДИТЕЛЯ: {36.00, 40.00}
11	СТАЖ ВОДИТЕЛЯ: {40.00, 44.00}
[ 2]	МАРКА А/М
12	МАРКА А/М-.
13	МАРКА А/М-Alfa-Romeo.
14	МАРКА А/М-Asia.
15	МАРКА А/М-Audi.
***	***************************************************
[ 3]	МАРКА-МОДЕЛЬ А/М
83	МАРКА-МОДЕЛЬ А/М--.
84	МАРКА-МОДЕЛЬ А/М-Alfa-Romeo-156
85	МАРКА-МОДЕЛЬ А/М-Alfa-Romeo-2106.
86	МАРКА-МОДЕЛЬ А/М-Asia-2106.
87	МАРКА-МОДЕЛЬ А/М-Audi-100
88	МАРКА-МОДЕЛЬ А/М-Audi-2106.
89	МАРКА-МОДЕЛЬ А/М-Audi-80.
90	МАРКА-МОДЕЛЬ А/М-Audi-90.
91	МАРКА-МОДЕЛЬ А/М-Audi-A4.
92	МАРКА-МОДЕЛЬ А/М-Audi-A6.
93	МАРКА-МОДЕЛЬ А/М-Audi-A8.
***	***************************************************
[ 4]	ЦВЕТ А/М
482	ЦВЕТ А/М-не указан
483	ЦВЕТ А/М-Бежевый (оттенки бежевого и светло-золотистого).
484	ЦВЕТ А/М-Белый (оттенки белого)
485	ЦВЕТ А/М-Бордовый(оттенки бордового и вишневого).
486	ЦВЕТ А/М-Голубой (оттенки голубого)
487	ЦВЕТ А/М-Жёлтый (оттенки жёлтого и светлозолотистого)
488	ЦВЕТ А/М-Зеленый (оттенки светло-зеленого).
489	ЦВЕТ А/М-Коричневый (оттенки коричневого)
490	ЦВЕТ А/М-Красный (оттенки красного)
491	ЦВЕТ А/М-Оранжевый (оттенки оранжевого)
492	ЦВЕТ А/М-Розовый (оттенки розового)
Код	Наименование фактора и его значения
493	ЦВЕТ А/М-Светло-серый (оттенки светло-серого и серебристого).
494	ЦВЕТ А/М-Синий (оттенки синего)
495	ЦВЕТ А/М-Сиреневый (оттенки сиреневого)
496	ЦВЕТ А/М-Тёмно-Серый (оттенки тёмно-серого)
497	ЦВЕТ А/М-Тёмно-зеленый (оттенки тёмно-зеленого)
498	ЦВЕТ А/М-Фиолетовый (оттенки фиолетового)
499	ЦВЕТ А/М-Хамелеон или несколько цветов без преобладания любог
500	ЦВЕТ А/М-Чёрный
[ 5]	ГОД ВЫПУСКА А/М
501	ГОД ВЫПУСКА А/М-0г.в.

Страховые случаи, представленные в таблице 79, закодированы с использованием справочников из таблиц 80 и 81, в результате чего получена обучающая выборка, представленная в таблице 82.

Таблица 82 – Обучающая выборка (база прецедентов), фрагмент

Код	Наименование	Коды классов			Коды значений факторов
		1	2	3	1	2	3	4	5	6
1	1	2	8	9	10	65	388	493	542
2	2	2	10		3	4	65	394	490	526
3	3	2	6		10	65	398	492	539
4	4	2	6		11	65	389	499	543
5	5	2	10		10	65	395	486	539
6	6	2	22		7	8	65	394	485	545
7	7	2	12		2	3	65	394	486	525
8	8	2	38		4	65	394	490	535
9	9	2	9		6	65	394	497	539
10	10	2	41		8	77	463	484	532
11	11	2	272		4	65	394	484	539
12	12	2	76		8	65	406	499	544
13	13	2	20		8	67	429	498	519
14	14	2	17		4	65	394	490	541
15	15	2	94		6	65	401	492	545
16	16	2	11		8	65	394	496	538
17	17	2	9		7	67	429	494	539
18	18	2	6		1	65	394	483	539
19	19	2	31		9	67	429	497	539
20	20	2	16		10	67	429	494	539

Формирование справочников классов (таблица 80), факторов и их значений (таблица 81) и обучающей выборки (таблица 82) производится из исходной базы данных (таблица 79) автоматически с применением стандартного программного интерфейса между системой "Эйдос" и внешней базой данных (рисунок 95):

Рисунок 95. Экранная форма одного из 7 стандартных программных интерфейсов
системы "Эйдос" с внешними базами данных

На рисунке 96 приводится экранная форма, объясняющая как пользоваться данным программным интерфейсом (Help):

Рисунок 96. Экранная форма HELP данного программного интерфейса системы
"Эйдос" с внешними базами данных (последняя DOS-версия 12.5)

11.2.3. Синтез, верификация и повышение качества
семантической информационной модели
предметной области

После формализации предметной области с помощью приведенного программного интерфейса сразу осуществляется синтез семантической информационной модели (СИМ). В результате этой операции формируется частотное распределение страховых случаев по классам прогнозированиями по значениям факторов. Нами это частотное распределение было проанализировано, в результате чего выяснилось, что оно крайне неравномерно: есть классы и значения факторов, встретившиеся в базе прецедентов сотни и даже тысячи раз, а есть встретившиеся менее десяти раз или даже вообще отсутствующие.

Основным принципом выявления зависимостей в эмпирических данных, на котором основан АСК-анализ, я является многопараметрическая типизация. При этом действительно существующие зависимости возможно отличить от случайных только при наличии некоторой статистики. Поэтому нами стандартными средствами системы "Эйдос", предназначенными для этой цели, были удалены из справочников все классы и значения факторов, встретившиеся менее 10 раз. При этом размерность справочников понизилась с 1002 ´ 548, до 95 ´ 181. После этого повторно была создана СИМ, которая затем была исследована на достоверность прогнозирования страховых случаев. В результате была получены следующие результаты (рисунок 97).

Из рисунка 97 видно, что в среднем по всей выборке более 85 % страховых случаев были отнесены моделью к тем классам, к которым они действительно относятся, и при этом почти 68 % не были отнесены системой к классам, к которым они на самом деле и не относятся. Более подробные данные об адекватности модели приведены ниже.

Рисунок 97 – Экранная форма режима измерения
адекватности СИМ

Всего физических анкет: 7194 (100 % для п.15)

Всего логических анкет: 14521

4. Средняя достоверность идентификации логических анкет с учетом сходства : 2.729 %

5. Среднее сходство логических анкет, правильно отнесенных к классу : 0.996 %

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу : 0.162 %

7. Среднее сходство логических анкет, ошибочно отнесенных к классу : 0.615 %

8. Среднее сходство логических анкет, правильно не отнесенных к классу : 2.509%

9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 48.314 %

10. Среднее количество физических анкет, действительно относящихся к классу: 2593.172 (100 % для п.11 и п.12)

Среднее количество физических анкет, действительно не относящихся к классу: 4600.828 (100 % для п.13 и п.14)

Всего физических анкет: 7194.000 (100% для п.15)

11. Среднее количество и % логических анкет, правильно отнесенных к классу: 2207.159, т.е. 85.114 %

12. Среднее количество и % логических анкет, ошибочно не отнесенных к классу: 386.013, т.е. 14.886 %

13. Среднее количество и % логических анкет, ошибочно отнесенных к классу: 1473.071, т.е. 32.018 %

14. Среднее количество и % логических анкет, правильно не отнесенных к классу: 3127.647, т.е. 67.980 %

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 36.046

16. Средневзвешенная эффективность применения модели по сравнению со случайным угадыванием (раз): 32.251

Особенно обратим внимание на то, что использование семантической информационной модели для прогнозирования повышает вероятность правильного отнесения страхового случая к классу, по сравнению со случайным угадыванием, более чем в 32 раза. Из статистики известно, что если эта вероятность выше случайной даже всего в 2,5 раза, то это уже позволяет с достоверностью 95 % утверждать, что в модели выявлены реальные зависимости.

Это довольно высокие показатели адекватности модели, которые говорят о том, что:

– ее вполне оправданно применять на практике (в промышленном варианте);

– исследование этой модели можно с высокой степенью достоверности считать исследованием самой предметной области.

11.2.4. Решение задач прогнозирования и поддержки
принятия решений, а также исследования
предметной области на основе семантической
информационной модели

В частности, из созданной модели можно получить информацию о том, какие характеристики автотранспортного средства являются "факторами риска", а какие, наоборот, (рисунки 98 и 99).

Рисунок 98. Информационный портрет страхового случая
"Не совершит ДТП" (без фильтра по видам факторов)

Рисунок 99. Информационный портрет страхового случая "Совершит ДТП"
(без фильтра по видам факторов)

В системе "Эйдос" имеются многообразные средства анализа СИМ, однако в данной работе мы их не рассматриваем, т.к. это подробно сделано в других статьях и книгах [3-273][51]. Приведем лишь (рисунок 100) форму, позволяющую автоматически содержательно сравнить информационные портреты двух классов, приведенные на рисунках 98 и 99.

Рисунок 100. Содержательное сравнение двух прогнозируемых классов

Основной вывод, который, как мы считаем, можно обоснованно сделать на основании данной работы, состоит в том, что системно-когнитивный анализ и его программный инструментарий – система "Эйдос" являются адекватным средством для синтеза семантической информационной модели, учитывающей влияние различных факторов на суммы страховых выплат автострахования КАСКО и использования этой модели для прогнозирования сумм страховых выплат, и вполне могут быть применены для решения этих задач на практике.

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»[52] 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[53] (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;

N_ij – 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.

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

N_j – 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.

I_ij – 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;

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

P_ij – 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) S_k равна:

N – количество объектов в распознаваемой выборке;

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

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

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

F_ik – 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[54] 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[55]. 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] Все они находятся в полном открытом доступе на сайте проф.Е.В.Луцеко: http://lc.kubagro.ru/

[2] Стабин И.П., Моисеева B.C. Автоматизированный системный анализ.- М.: Машиностроение, 1984. –309 с.

[3] Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 320 с., Перегудов Ф. И., Тарасенко Ф. П.. Основы системного анализа. Томск Изд-во науч.-техн. лит. 1997. 389с.

[4] Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с., и нескольких более ранних работах, модель АСК-анализа впервые в полном виде опублиокавна в 1991 году [273], личный сайт: http://lc.kubagro.ru/

[5] http://dissertation-info.ru/index.php/-100-/180--100-.html

[6] Вяткин В.Б. Групповой плагиат: от студента до министра. - Троицкий вариант — Наука - http://trv-science.ru - [Электронный ресурс]. Адрес доступа: http://trv-science.ru/2011/11/08/gruppovojj-plagiat-ot-studenta-do-ministra/ или: http://trv-science.ru/2011/11/08/gruppovojj-plagiat-ot-studenta-do-ministra/print/

[7] Прежде всего это задачи идентификации, прогнозирования и принятия решений.

[8] Или где-то существуют, но на практике исследователям недоступны

[9] Т.е. измерительные инструменты, методики и технологии, включая датчики измерений, каналы связи между датчиками и системой обработки, а также методы математической обработки

[10] См. так называемую «Модель Раша».

[11] http://www.machinelearning.ru/wiki/index.php?title=Функция%20Логит

[12] даже шкалы отношений и абсолютной шкалы

[13] физических, социальных и субъективных, и в каждой из этих групп факторов есть много различных видов факторов

[14] Проводились численные эксперименты до 100000 градаций классификационных шкал и 100000 градаций описательных шкал. Программный интерфейс испытывался на вводе в систему «Эйдос-Х++» данных и Excel-файла с 880000 строк, это заняло 7 минут.

[15] При переходе на болонскую систему обучения: бакалавриат и магистратуру, резко уменьшилось число часов на дисциплину и соответственно возросло их количество у каждого преподавателя, т.к. ставки в часах остаются теми же самыми или увеличиваются.

[16] См.: http://nis.adygnet.ru/index.php?module=main

[17] См., например: http://www.hotcourses.ru/study-in-the-uk/choosing-a-university/university-rankings-guide/

[18] http://yandex.ru/yandsearch?lr=35&text=критерии%20оценки%20эффективности%20вузов&lr=35

[19] Достаточно сделать запрос: «научные конференции форумы по эффективности вузов»

[20] http://ost101.livejournal.com/ http://profdavidson.ucoz.ru/

[21] На наш взгляд такие признаки имеют все вузы. Поэтому дело не в том, имеют они такие признаки или нет, а в том, на сколько эти признаки существенны в совокупности.

[22] http://uup.samgtu.ru/node/211

[23] http://www.theguardian.com/education/table/2011/may/17/university-league-table-2012

[24] http://extras.thetimes.co.uk/public/good_university_guide_landing?CMP=KNGvccp1-university%20rankings

[25] http://extras.thetimes.co.uk/public/good_university_guide_landing?CMP=KNGvccp1-university%20rankings

[26] http://www.educationindex.ru/article_ranking-shanghai-2014.aspx

[27] См., например: http://uup.samgtu.ru/node/211

[28] Проще говоря «ерундой».

[29] Основные публикации автора АСК-анализа по вопросам выявления, представления и использования знаний: http://www.twirpx.com/file/793311/, Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка – Абельсона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2004. – №03(005). С. 65 – 86. – IDA [article ID]: 0050403004. – Режим доступа: http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 у.п.л., Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2011. – №06(070). С. 233 – 280. – Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. – Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

[30] http://www.theguardian.com/education/table/2011/may/17/university-league-table-2012

[31] http://www.theguardian.com/education/table/2011/may/17/university-league-table-2012

[32] http://www.theguardian.com/news/datablog/2011/may/17/university-guide-2012-data-guardian

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

[34] А значит, чтобы его увидеть надо свернуть все окна

[35] См., например: http://www.twirpx.com/file/775236/

[36] См., например: http://uup.samgtu.ru/node/211

[37] См., например: http://yandex.ru/yandsearch?lr=35&text=Паретто-кривая

[38] http://lc.kubagro.ru/My_training_schedule.doc

[39] URL: http://yandex.ru/yandsearch?text=MICROSOFT%20BASELINE%20SECURITY%20ANALYZER%20(MBSA)%20&lr=213

[40] С точки зрения населения цель фирмы состоит в удовлетворении его потребностей, а с точки зрения государства – в создании рабочих мест и отчислению в бюджет налогов и других обязательных платежей.

[41] Для определения этой емкости обычно необходимо регулярно проводить специальные достаточно дорогостоящие маркетинговые исследования.

[42] С точки зрения населения цель фирмы состоит в удовлетворении его потребностей, а с точки зрения государства – в создании рабочих мест и отчислению в бюджет налогов и других обязательных платежей.

[43] URL: http://spm.kubsu.ru/file/mat_kon9.pdf

[44] См.: URL: http://slovari.yandex.ru/dict/lopatnikov/article/lop/lop-0407.htm&stpar1=1.8.1

[45] URL: http://slovari.yandex.ru/dict/lopatnikov/article/lop/lop-0409.htm&stpar1=1.10.1

[46] URL: http://slovari.yandex.ru/dict/lopatnikov/article/lop/lop-1102.htm

[47] Необходимо отметить, что идея об использовании «удельной полезности» (или аналогичная), не принадлежит авторам работы и не раз встречается в Internet

[48] См.: URL: http://slovari.yandex.ru/dict/lopatnikov/article/lop/lop-0407.htm&stpar1=1.8.1

[49] В таблице базе данных придан вид, удобный для работы

[50] URL: http://ej.kubagro.ru/a/viewaut.asp?id=11 http://lc.kubagro.ru/aidos/

[51] URL: http://ej.kubagro.ru/a/viewaut.asp?id=11 http://lc.kubagro.ru/aidos/

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

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

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

[55] 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.