ГЛАВА 1. АВТОМАТИЗАЦИЯ
УПРАВЛЕНИЯ
РЕЗУЛЬТАТАМИ НАУЧНОЙ ДЕЯТЕЛЬНОСТИ
БЕЗ СОДЕРЖАТЕЛЬНЫХ РАСЧЕТОВ НА ОСНОВЕ
ИНФОРМАЦИОННЫХ И КОГНИТИВНЫХ ТЕХНОЛОГИЙ
И ТЕОРИИ УПРАВЛЕНИЯ
Методы Функционально-стоимостного анализа и «Директ-костинг» общеизвестны
и популярны. По своим идеям и принципам Функционально-стоимостной анализ и
метод «Директ-костинг» очень сходны, если не сказать тождественны. С одной
стороны эти идеи весьма разумны, хорошо обоснованы теоретически и доказали свою
эффективность на практике. С другой стороны широкому применению этих методов препятствует
сложность получения больших объемов детализированной технологической и
финансово-экономической информации, а также необходимость ее тщательного
исследования компетентными специалистами, хорошо и содержательно разбирающимися
в предметной области. В этом и состоит противоречие между желанием применить
методы ФСА и «Директ-костинг» сложностью это сделать на практике. Это противоречие
представляет собой реальную проблему и часто обескураживает и вызывает
разочарование этими методами. В данной работе предлагается простое и
эффективное решение данной проблемы, хорошо обоснованное теоретически, оснащенное
всем необходимым методическим и программным инструментарием и широко и успешно
апробированное на практике. Предлагаемое решение основано на двух простых
идеях: 1) вместо сбора и проведения содержательного исследования большого
объема технологической и финансово-экономической информации применить подходы,
приятные в теории управления; 2) для создания системы автоматизированного управления
натуральной и финансово-экономической эффективностью затрат применить
автоматизированный системно-когнитивный анализ и его программный инструментарий
– интеллектуальную систему «Эйдос». В названии специальности 08.00.05 –
Экономика и управление народным хозяйством, есть такие слова: «управление предприятиями,
отраслями, комплексами, инновациями». Использование термина «Управление»
предполагает, что есть модель, отражающая влияние факторов на объект
управления, и есть управляющая система, принимающая решения на основе этой модели.
Однако, как правило, в диссертациях по этой специальности мы ничего этого не
видим, а видим лишь финансово-экономические расчеты. В работе предлагается подход,
основанный на теории управления, снимающий этот недостаток
1.1. Постановка проблемы
Методы Функционально-стоимостного анализа и
«Директ-костинг» общеизвестны и популярны среди ученых и практиков.
Функциона́льно-сто́имостный
ана́лиз
(функционально-стоимостной анализ, ФСА) — метод системного исследования функций
объекта с целью поиска баланса между себестоимостью и полезностью. Начало методу положили наработки советского
инженера Ю. М. Соболева
(поэлементный экономический анализ, ПЭА) и американца Л. Д. Майлса (value analysis/value
engineering, VA/VE). Термин «функционально-стоимостной анализ» введён в 1970 году
Е. А. Грампом[1].
Директ-костинг (или директ-кост от англ. Direct Costs) — понятие, введённое
американским экономистом Д. Харрисом в 1936 году, которое означает учёт
прямых затрат[2].
Сущность системы директ-костинга заключается в
разделении затрат на постоянные и переменные и исследовании влияния переменных
затрат[3] на
результаты производства, как в натуральном выражении (количество и качество
продукции)., так и в стоимостном выражении (прибыль, рентабельность,
капитализация и т.п.).
Необходимо отметить, что по своим идеям принципам
Функционально-стоимостной анализ и метод «Директ-костинг» очень сходны, если не
сказать тождественны. С одной стороны эти идеи весьма разумны, хорошо
обоснованы теоретически и доказали свою эффективность на практике. С другой
стороны широкому применению этих методов препятствует сложность получения больших объемов
детализированной технологической и финансово-экономической информации, а также
необходимость ее тщательного исследования компетентными специалистами, хорошо
содержательно разбирающимися в предметной области.
В этом и состоит противоречие между желанием
применить методы ФСА и «Директ-костинг» сложностью это сделать на практике. Это
противоречие представляет собой реальную проблему и часто обескураживает и
вызывает разочарование этими методами.
1.2. Идея решения проблемы
В данной работе предлагается простое и эффективное
решение данной проблемы, хорошо обоснованное теоретически, оснащенное всем
необходимым методическим и программным инструментарием и широко и успешно
апробированное на практике.
Предлагаемое решение основано на двух простых идеях:
1. Вместо сбора и проведения содержательного
исследования большого объема технологической и финансово-экономической
информации применить подходы, приятные в теории управления.
2. Для создания системы автоматизированного управления
натуральной и финансово-экономической эффективностью затрат применить
автоматизированный системно-когнитивный анализ и его программный инструментарий
– интеллектуальную систему «Эйдос».
Очень большая доля научных исследований, может быть
даже большинство, посвящено исследованию влиянии чего-нибудь на что-нибудь и
обоснованию на этой основе каких-либо рекомендаций. Автоматизированный
системно-когнитивный анализ (АСК-анализ) и его программный инструментарий –
интеллектуальная система «Эйдос», являются широко и успешно апробированным в
самых различных предметных областях
инструментом для выявления знаний
о влиянии различных факторов на поведение объекта управления и для
использования этих знаний для прогнозирования, принятия решений и исследования
объекта моделирования. При этом, что принципиально важно, используется
подход, приятный в системно-когнитивных технологиях и теории интеллектуального
управления, т.е. нет никакой
необходимости вникать в содержательные аспекты самих механизмов этого влияния,
проводить какие-либо технологические или финансово-экономические расчеты.
Отметим также, что в названии специальности 08.00.05 –
Экономика и управление народным хозяйством, есть такие слова: «управление
предприятиями, отраслями, комплексами, инновациями»[4].
Для специалиста в области теории управления использование термина «Управление»
предполагает, что есть модель, отражающая силу и направление влияния факторов
на поведение объекта управления, и есть управляющая система, принимающая
решения на основе этой модели. Это значит также, что есть факторы и механизм
их воздействия на объект управления. Однако, как правило, в диссертациях по
этой специальности мы ничего этого не видим, а видим лишь
финансово-экономические расчеты. В работе предлагается подход, основанный на
теории управления, снимающий этот недостаток.
1.3. Решение проблемы
1.3.1. Общая структура
интеллектуальной
автоматизированной системы управления
В теории управления известно, что в состав системы
управления входят: объект управления, управляющая система, управляющие факторы,
воздействующие на объект управления, информация обратной связи о состоянии
объекта управления (рисунок 1):
Рисунок 1 – Цикл управления в замкнутой системе управления
Управляющая система принимает решения о значениях
управляющих факторов на основе модели объекта управления.
Проблема состоит как в разработке этой модели на
основе эмпирических данных (это скорее научная проблема), так и в ее применении
в режиме реального времени в составе управляющей системы для поддержки принятия
управляющих решений (это практическая проблема).
Обе эти проблемы решаются на основе
автоматизированного системно-когнитивного анализа (АСК-анализ) и реализующей
его интеллектуальной системы «Эйдос» [1 - 11].
1.3.2. Суть математической модели
АСК-анализа
и частные критерии
Суть математической модели АСК-анализа состоит в
следующем.
Непосредственно на основе эмпирических данных
рассчитывается матрица абсолютных частот (таблица 1).
На ее основе рассчитываются матрицы условных и
безусловных процентных распределений (таблица 2).
Затем на основе таблицы 2 с использованием частных
критериев, приведенных таблице 3 рассчитываются матрицы системно-когнитивных
моделей (таблица 4).
Суть этих методов в том, что вычисляется количество информации в факте наличия или
определенной степени выраженности того или иного личностного свойства о том,
что обладающий им кандидат будет проявлять определенную степень успешности
профессиональной деятельности, работая на той или иной должности. Это позволяет
сопоставимо и корректно обрабатывать
разнородную информацию о респондентах, полученную с помощью различных тестов и
других различных источников [11].
Таблица 1
– Матрица абсолютных частот
|
|
Классы |
Сумма |
|||||
|
1 |
... |
j |
... |
W |
|||
|
Значения
факторов |
1 |
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
|
|
M |
|
|
|
|
|
|
|
|
Суммарное количество признаков |
|
|
|
|
|
|
|
Таблица 2
– Матрица условных и безусловных процентных распределений
|
|
Классы |
Безусловная вероятность признака |
|||||
|
1 |
... |
j |
... |
W |
|||
|
Значения
факторов |
1 |
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
|
|
M |
|
|
|
|
|
|
|
|
Безусловная вероятность класса |
|
|
|
|
|
|
|
Таблица 3
– Различные аналитические формы частных критериев знаний
|
Наименование модели знаний |
Выражение для частного критерия |
|
|
через |
через |
|
|
INF1,
частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета
вероятностей: Nj – суммарное
количество признаков по j-му
классу. Вероятность 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
вероятностей: Nj – суммарное
количество объектов по j-му классу.
Вероятность 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 вероятностей: Nj – суммарное количество признаков
по j-му классу |
|
|
|
INF5,
частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей:
Nj – суммарное количество объектов
по j-му классу |
|
|
|
INF6,
частный критерий: разность условной и безусловной вероятностей, 1-й вариант
расчета вероятностей: Nj –
суммарное количество признаков по j-му
классу |
|
|
|
INF7,
частный критерий: разность условной и безусловной вероятностей, 2-й вариант
расчета вероятностей: Nj – суммарное
количество объектов по j-му классу |
|
|
Обозначения к таблице
3:
i – значение
прошлого параметра;
j -
значение будущего параметра;
Nij – количество встреч j-го
значения будущего параметра при i-м
значении прошлого параметра;
M – суммарное
число значений всех прошлых параметров;
W - суммарное
число значений всех будущих параметров.
Ni – количество встреч i-м
значения прошлого параметра по всей выборке;
Nj – количество встреч j-го
значения будущего параметра по всей выборке;
N – количество встреч j-го
значения будущего параметра при i-м
значении прошлого параметра по всей выборке.
Iij – частный критерий знаний: количество
знаний в факте наблюдения i-го значения
прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;
Ψ – нормировочный коэффициент (Е.В.Луценко,
2002), преобразующий количество информации в формуле А.Харкевича в биты и
обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;
Pi – безусловная
относительная частота встречи i-го
значения прошлого параметра в обучающей выборке;
Pij – условная
относительная частота встречи i-го
значения прошлого параметра при j-м значении
будущего параметра.
Таблица 4
– Матрица системно-когнитивной модели
|
|
Классы |
Значимость фактора |
|||||
|
1 |
... |
j |
... |
W |
|||
|
Значения
факторов |
1 |
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
|
|
M |
|
|
|
|
|
|
|
|
Степень редукции класса |
|
|
|
|
|
|
|
На основе системно-когнитивных моделей, представленных в таблице 4
(отличаются частыми критериями), решаются задачи идентификации (классификации,
распознавания, диагностики, прогнозирования), поддержки принятия решений
(обратная задача прогнозирования), а также задача исследования моделируемой
предметной области путем исследования ее системно-когнитивной модели [1-11].
Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время
используется два интегральных критерия.
1.3.3. Интегральные критерии и
приятие управляющих решений
Задача принятия управляющих решений представляет собой обратную задачу
прогнозирования. Если при прогнозировании на основе значений факторов,
воздействующих на объект управления, определяется в какое состояние он под их
воздействием перейдет, но при принятии решений наоборот, по желательному
(целевому) состоянию объекта управления определяется система значений факторов,
обуславливающих переход объекта в это целевое состояние.
Не все модели обеспечивают решение обратной задачи прогнозирования. Для
этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать
обобщенные образы в будущих состояний объекта управления. Как влияет на
поведение объекта управления одно значение фактора отражено в
системно-когнитивных моделях. Как влияние система факторов определяется с
помощью интегральных критериев. В настоящее время в системе «Эйдос»
используется два аддитивных интегральных критерия:
– сумма знаний;
– резонанс знаний.
1-й интегральный критерий «Сумма знаний» представляет собой суммарное
количество знаний, содержащееся в системе значений 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:
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).
2-й 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 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).
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.
1.3.4. Алгоритм принятия управляющих
решений
в АСК-анализе и системе «Эйдос»
На рисунке 2 приведен алгоритм принятия управляющих решений в АСК-анализе и
системе «Эйдос»:
Рисунок
2 – алгоритм принятия управляющих решений
в АСК-анализе и системе «Эйдос»
1.3.5. Эксплуатация интеллектуальной
АСУ
в адаптивном режиме
Обратим внимание на то, что приведенный на рисунке 2 алгоритм принятия
решений используется непосредственно в цикле управления (рисунок 1) и
предусматривает постоянную адаптацию модели, а случае необходимости и ее
пересинтез, что обеспечивает учет динамики моделируемой предметной области,
т.е. как самого объекта управления, так и окружающей среды.
1.3.6. Повышение статуса результатов исследования
В данной работе кратко описано, как в АСК-анализе разрабатываются и
применяются системно-когнитивные модели, отражающие, какое количество
информации содержится в различных значениях факторов о переходе объекта
моделирования в различные будущие состояния. В системно-когнитивном анализе
формулируется гипотеза о том, что это количество информации и ее знак отражают,
соответственно, силу и направление действия реально существующих в моделируемой
предметной области причинно-следственные закономерностей. В работе [13] обосновывается,
что системно-когнитивные модели имеют статус содержательных феноменологических моделей. Для дальнейшего
повышения статуса их статуса до уровня эмпирических
законов необходимо расширить эмпирическую область и создать соответствующие
модели. Если после этого раскрыть механизмы
и причинные действия этих закономерностей и дать их содержательную интерпретацию, то можно расширить область применения
эмпирических законов на всю предметную область, в которой действуют те же
причинные и механизмы, и, таким образом, сформулировать научные законы [13].
1.4. Выводы
АСК-анализ и интеллектуальная система «Эйдос» являются
адекватным инструментом для реализации управления в экономике без
финансово-экономических расчетов на основе подхода, принятого в теории управления.
Примеры применения предлагаемого подхода к управлению
предприятиями приведены в работах [2, 4].
Отметим также, что:
– АСК-анализ и система «Эйдос» хорошо теоретически
обоснованы и подробно описаны в ряде работ [1, 5, 6, 7, 8 и др.];
– система «Эйдос» находится в полном открытом
бесплатном доступе, причем вместе с актуальными исходными текстами, на сайте
автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm;
– в системе имеется большое количество учебных и
реальных примеров решения различных задач, которые находятся как локально на
компьютере, на котором установлена система, так и в облаке на ftp-сервере
системы «Эйдос» [9];
– все приложения системы «Эйдос» описаны на столько
подробно, что не представляет проблемы их повторить.
Все это существенно упрощает ее применение для решения
поставленной в работе проблемы.