ГЛАВА 8. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ПРЕДЛОЖЕННОЙ

                  МЕТОДОЛОГИИ И ТЕХНОЛОГИИ ДЛЯ СИНТЕЗА

                  АДАПТИВНЫХ АСУ СЛОЖНЫМИ СИСТЕМАМИ

 

8.1. ОБЩИЕ ПОЛОЖЕНИЯ

 

Необходимо отметить, что ряд материалов данной главы носят в определенной степени проблемно–дискуссионный характер и приведены в порядке обсуждения.

Предложенные и развитые в данной работе математическая модель, методология и конкретная технология синтеза адаптивных АСУ сложными системами основаны на фундаментальных положениях теории информации, распознавания образов и принятия решений, имеющих весьма общий характер. Они разрабатывались в общем виде без привязки к специфике какого–либо конкретного объекта управления. 

По этим причинам данные методы применимы для синтеза ААСУ СС в самых различных предметных областях, в частности таких как:

-         техника: управление сложными техническими системами;

-         технология: управление технологиями в целях получения заданных хозяйственных и финансовых результатов;

-         психология: идентификация, мониторинг, прогнозирование и управление психологическими состояниями;

-         обучение: прогнозирование успешности профессиональной деятельности, управление индивидуальным обучением, исследования влияния учебной активности на качество обучения;

-         другие применения: социология, политология, реклама, маркетинг, правоохранительная сфера и др.

Рассмотрим перспективы применения предложенной методологии в этих и некоторых других областях более подробнее.

 

8.2. ТЕХНИКА. ПРИМЕР СИНТЕЗА АДАПТИВНОЙ САУ ФВЭУ

       И РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ

 

Рассмотрим применение предложенной методологии для синтеза операционного уровня систем автоматического управления (САУ) автономными комбинированными фотоветроэлектроэнергетическими установками (ФВЭУ), представляющими собой типичный пример сложной технической системы.

Существует большое разнообразие энергетических ресурсов и методов их преобразования. Наиболее используемы­ми являются органические топлива: нефть, уголь, природный газ, а также ресурсы преобразования энергии управляемой цепной ядерной реакции деления и гидроресурсы рек. К менее используемым можно от­нести ресурсы солнечной радиации, ветрового потока, биомассы, гео­термики, мирового океана и др. Если рассмотреть баланс энерговыра­ботки в мире на начало 90–х годов, то на долю органических топлив приходится 87% выработки энергии, на атомных электростанциях вырабатывается 6%, на гидроэлектростанциях 7%.

Хотя в настоящее время подавляющую часть всей энерговыработки составляют органические топлива, они относятся к невозобновляемым источникам энергии (НВИЭ), близким к истощению. По оценкам специалистов при современных темпах изменения интенсивности их добычи, разведанные ресурсы нефти будут исчерпаны примерно через 40 лет, угля – через 700 лет (при переходе от нефти и природного газа к углю – через 300 лет). Кроме того, интенсивное использование органических топлив создало ряд экологических проблем, связанных с загрязнением окружающей среды, усилением "парникового эффекта", изменением геоморфологи­ческой структуры.

Эти недостатки традиционной энергетики делают актуальным в настоящее время разработку и использование более эко­логически чистых источников энергии, запасы которых достаточно ве­лики для обеспечения человечества. К ним относятся прежде всего возобновляемые источники энергии, запасы которых в настоящее время видятся неограниченными.

Для создания энергосистемы малой и средней мощности и осо­бенно автономных энергосистем, удаленных от линии электропередач и теплотрасс, наиболее целесообразно использовать другие возоб­новляемые источники энергии, в первую очередь энергию солнечной радиации, ветрового потока, тепла земли.

Такие энергосистемы в настоящее время позволяют снизить име­ющийся в мире дефицит энергии без ввода новых мощных электро– и теплостанций, прокладки линий электропередач и теплотрасс, оздо­ровить экологическую обстановку в районах производства энергии.

Однако эти источники энергии также обладают своими недостатками, основными из которых являются малая мощность, непостоянство во времени в течение суток и года, непредсказуемость. В то же время по данным метеостатистики достоинства и недостатки таких возобновляемых источников энергии, как солнечная радиация и ветровой поток удачно компенсируют друг друга:

-         при длительной последовательности облачных дней отсутствие солнца компенсируется обычно наличием ветра;

-         отсутствие солнечной радиации в ночные часы суток также компенсируется обычно наличием ветра;

-         ветер по статистике обычно бывает сильнее в зимние месяцы, тогда как солнечная радиация – в летние (рис. 8.1):

 
 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Рис. 8. 1. Динамика изменения солнечной радиации
и ветрового потока в Краснодарском крае

 

Поэтому совмещение преобразователей нескольких источников энергии в единую энер­госистему позволяет повысить устойчивость и эффективность выработки электроэнер­гии за счет уменьшения мощностей преобразователей и емкости нако­пителей.

Наиболее перспективными для использования в качестве системы электроснабжения удаленных потребителей малой и средней мощности в настоящее время представляются автономные комбинированные фотоветроэлектрические установки (ФВЭУ), которые и рассмотрены нами в качестве примера технического применения предложенных в данной работе методологии, методики, алгоритма и методики синтеза ААСУ СС. Особенно актуально применение ФВЭУ в районах, удаленных от энергетических магистралей, а также в мобильных группах различного назначения.

Вследствие высокой стоимости электроэнергии и неравномерности ее поступления система автоматического управления (САУ) автономной энергосистемой с возобновляемыми источниками энергии значительно повышает ее эффективность [316].

Синтез САУ проводится с учетом анализа ФВЭУ на двух уровнях:

-         уровне компонентов энергосистемы, на котором решается зада­ча оптимального управления отдельными устройствами ФВЭУ;

-         операционном уровне, на котором решается задача оптимально­го распределения энергии между потребителями и накопителем.

Предметом исследования в данной работе является развитие метода синтеза САУ ФВЭУ на операционном уровне, предложенного в [316].


Как уже упоминалось в разделах 1.6.1.1 и 6.3 данной работы, рассматриваемые ФВЭУ включают следующие установки (рис. 8.2):

Рис. 8. 2. Принципиальная схема ФВЭУ

 

-         фотоэлектроэнергетическую установку (ФЭУ) – солнечные элементы (СЭ) на основе монокристаллического кремния;

-         ветроэлектроэнергетическую установку (ВЭУ) – средней мощности (6 кВт);

-         никель–кадмиевую аккумуляторную батарею (накопитель);

-         потребитель (односемейный жилой дом с приусадебным хозяйством);

-         систему автоматизированного управления (САУ).

Реальные ФВЭУ могут отличаться друг от друга структурой, типом используемых устройств (преобразователей, накопителей, пот­ребителей), родом вырабатываемого тока.

Цель САУ заключается в автоматическом обеспечении технологических требований работоспособности компонентов энергосистемы, снижении вероятности аварийных ситуаций, связанных с недоотпуском потреби­телю энергии. Данная цель достигается автоматическим поддержанием работы электрогенераторов в режиме максимальной мощ­ности, автоматической защитой устройств от аварийных ситуаций, ко­ординацией работы отдельных установок в целях приведения хода про­изводства электроэнергии в заданный, нормальный режим.

Рассматри­ваемым энергосистемам присущи различные по физической природе процессы:

-         механические (преобразование энергии ветрового потока в механическую энергию вращения ветрового колеса ВЭУ; поворот модулей ФЭУ);

-         энергетические (выработка, преобразование и передача электроэнергии);

-         информационные (сбор, обработка и передача информации).

Такая совокупность процессов позволяет использовать двухуровневую САУ, что обычно имеет место в реальных ФВЭУ:

-         уровень компонентов системы;

-         операционный уровень.

На уровне компонентов ФВЭУ САУ осуществляет оптимальное управление по техническим критериям эффективности. Соответствующие технические решения известны и не являются предметом рассмотрения в данной работе.

Существование операционного уровня означает, что эффективная работа автономных ФВЭУ возможна только при использовании систем автоматического управления (САУ), т.е. зависит не только от эффективной работы компонент ФВЭУ, рассматриваемых отдельно, но и от способа их взаимодействия.

Наибольший интерес представляет операционный уровень, на котором осуществляется оптимальное управление по экономическому или другому критерию эффективности.

Методы оптимизации функционирования традиционных энергетических систем (ЭС), потребляющих НВИЭ, в настоящее время хорошо разработаны. При этом критериями оптимизации являются: минимизация затрат на топливо, поступающего в систему, а также эксплуатационных затрат. При этом нагрузка распределятся на потребителей независимо от их оптимальной мощности (считается, что энергия производится с избытком) и все расчеты проводятся для заданного эксплуатационного режима.

В случае ФВЭУ данный подход неприемлем по многим причинам.

Во–первых, ФВЭУ, как правило, являются необслуживаемыми, следовательно, эксплуатационными затратами можно практически пренебречь.

Во–вторых, возобновляемые источники энергии (ВИЭ), потребляемой ФВЭУ, не имеют стоимости.

В–третьих, преобразователи возобновляемой энергии характеризуются сравнительно высокой стоимостью и низким КПД. Поэтому требованию экономического оптимума в этом случае лучше всего соответствует наиболее полное обеспечение потребителей за счет минимизации потерь энергии.

Автономные ФВЭУ характеризуются большой стоимостью вырабаты­ваемой энергии и неравномерностью ее поступления. Эти особенности делают практически неприемлемым сброс излишков энергии. Боль­шинство как промышленных, так и быто­вых потребителей электроэнергии не обладают свойствами аккумулирования энергии. Поэтому наи­более эффективной системой и методом операционного управления представляется система, использующая накопители избыточной энергии. При проектировании автономных ФВЭУ без резервных источников проектировщики задаются коэффициентом обеспеченности энергосистемы (отношение периода времени, за который нагрузка будет покрыта, к полному периоду эксплуатации) 0,8 – 0,9 в силу значительного возраста­ния стоимости установки при ее обеспеченности, приближающейся к "1", поэтому при неблагоприятных с энергетической точки зрения кли­матических условиях и (или) во время часов пика энергопотребления возникает дефицит вырабатываемой мощности. Отсюда появляется не­обходимость отключать какие–то потребители, что желательно производить с учетом их приоритета.

Вследствие вышеприведенных особенностей автономных ФВЭУ в качестве метода их управления на операционном уровне целесообраз­но принять комбинированный метод с накоплением избыточной энергии и распределением нагрузки. При этом в условиях существующего или прогнозируемого дефицита энергии осуществляется распределение нагрузки с учетом приоритета, а при избытке вырабатываемой энергии – ее накопление.

В настоящее время не существует четкого оптимального алгоритма управления энергораспределением автономных ФВЭУ в условиях дефицита вырабатываемой мощности. Кро­ме того, из-за большой изменчивости поступления возобновляемой энергии данный оптимальный алгоритм управления для условий раз­личных климатов может не совпадать.

На операционном уровне САУ осуществляется оперативное управ­ление распределением энергопотоков между элементами энергосистемы посредством координации функционирования отдельных управляющих устройств на первом уровне.

Цель рассматриваемого уровня САУ – наиболее полное и бесперебойное снабжение потребителей электроэнергией при ее неравномерном поступлении в условиях нор­мального эксплуатационного режима всех элементов энергосистемы. Таким образом, цель САУ на операционном уровне дуальна: наиболее полное обеспечение как текущих, так и будущих потребностей потребителя в электроэнергии [316].

Следовательно, система управления на этом уровне должна носить оп­тимальный характер. В качестве критерия оптимальности может быть принят уровень надежности электроснабжения: минимум усредненного по времени математического ожидания относительного недоотпуска энергии различным группам потребителей с учетом весовых коэффициентов этих групп [316].

Возможно несколько вариантов управления ФВЭУ на операционном уровне, в за­висимости от структуры и параметров энергоустановки (табл. 8.1).

В данной работе исследуется вариант САУ, при котором обеспечивается достижение цели управления с учетом критериев путем выбора наиболее рационального режима энергораспределения ФВЭУ:

-         в условиях существующего или прогнозируемого дефицита энергии осуществляется распределение нагрузки с учетом приоритетов;

-         при избытке вырабатываемой энергии осуществляется ее накопление.

Выбор режима энергораспределения осуществляется на основе анализа информации о текущем состоянии ФВЭУ и будущем состоянии первичных энергоресурсов.

Таблица 8. 1

ВАРИАНТЫ УПРАВЛЕНИЯ ФВЭУ

 

Актуальный и прогнозируемый энергетический баланс ФВЭУ

Избыток

Недостаток

Накопитель

Есть

Излишки энергии не теряются, а поступают в накопитель

Дефицит энергии восполняется за счет накопителей

Нет

Согласование энергетических параметров нагрузки и источников в целях получения максимальной мощности при данном уровне поступления возобновленной энергии

Поддержание оптимального соответствия между нагрузкой и преобразователями возобновляемой энергии путем включения и отклю­чения необходимого числа потребителей в соответствии с их категорийностью

 

Для рассматриваемой реализации САУ в работе [316] на основе имитационного алгоритма были получены конкретные рекомендации по выбору оптимального режима энергораспределения. При этом использовалась информация о текущем состоянии ФВЭУ и будущем состоянии первичных возобновляемых источников энергии.

Информация, характеризующая текущее состояние ФВЭУ:

-         потребность в электроэнергии в разрезе выделенных групп нагрузок;

-         выходная мощность ФЭУ;

-         выходная мощность ВЭУ;

-         резерв накопителя.

Информация, характеризующая будущее состояние энергоресурсов:

-         краткосрочный прогноз мощности солнечного светового потока;

-         краткосрочный прогноз мощности ветра.

Различные режимы функционирования ФВЭУ отличаются вариантами энергораспределения:

-         если ФВЭУ работает с избытком вырабатываемой электроэнергии, то подключаются потребители с наивысшим приоритетом и накопитель (если он разряжен);

-         иначе: либо дефицит энергии компенсируется накопителем и удовлетворяются все группы нагрузок, либо ФВЭУ функционирует с недоотпуском энергии выбранным группам нагрузок, накопитель при этом может работать как на разряд, так и на заряд.

Изложенный выше подход позволил достичь поставленной в [316] цели, однако при этом за рамками исследования временно остались следующие задачи:

-         взвешенное обобщение экспертных оценок рациональности режимов энергораспределения;

-         автоматизация экспертных оценок и их замена оценками непосредственного пользователя ФВЭУ;

-         определение дифференцирующей мощности факторов относительно режимов энергораспределения и контролируемое снижение размерности модели;

-         определение силы влияния факторов на принятие решения о переключении ФВЭУ в различные режимы энергораспределения;

-         определение степени детерминированности режимов энергораспределения ФВЭУ;

-         определение фактической приоритетности нагрузок;

-         исследование сходства и различия состояний ФВЭУ и факторов.

Решение этих задач представляет определенный интерес, следовательно, и развитие методов, предложенных в [316], является актуальным.

Для решения сформулированных выше задач в данной работе предлагается применить методы синтеза адаптивных АСУ сложными объектами управления (СОУ), основанные на теории информации и методах распознавания образов, предложенных в работах [192, 317, 318, 327,329].

Инструментальная система [196] обеспечивает выявление статистических и детерминистских причинно–следственных взаимосвязей (если они есть), между событиями – причинами (факторами), и событиями – следствиями (классами), представленными в табл. 8.2 [316]:

 

Таблица 8. 2

ВЫБОР РЕЖИМА ЭНЕРГОРАСПРЕДЕЛЕНИЯ ФВЭУ

Классы
распознавания

Все возможные практически значимые режимы ФВЭУ, отличающиеся вариантами энергораспределения

Признаки
(факторы)

Текущий баланс энергосистемы; состояние накопителя; прогнозируемый интегральный баланс энергосистемы с учетом номинальной нагрузки

Обучающая
выборка

Экспертные оценки целесообразности различных вариантов энергораспределения

 

Приведем краткое описание данного алгоритма, а затем рассмотрим пример его применения для решения задачи синтеза САУ ФВЭУ.

Основная идея предлагаемого алгоритма состоит в том, что применение обучающейся с учителем (экспертом) адаптивной модели позволяет выявить информационные зависимости между факторами и режимами энергораспределения, т.е. фактически конкретизировать абстрактную модель ФВЭУ и осуществить синтез САУ.

Шаг 1–й: разрабатываются описательные и классификационные шкалы, формализующие факторы и режимы энергораспределения.

Шаг 2–й: формируется обучающая выборка, представляющая собой примеры того, какие режимы энергораспределения рекомендуются экспертами на основе информации об актуальном состоянии ФВЭУ и краткосрочного прогноза возобновляемых энергоресурсов.

Шаг 3–й (обучение): обучающая выборка обрабатывается в соответствии с математической моделью, обоснованной в работе [329]. В результате формируются обобщенные образы режимов энергораспределения ФВЭУ, а также определяется дифференцирующая мощность факторов и степень детерминированности режимов. Кроме того, на этом шаге осуществляется подготовка данных для типологического анализа.

Шаг 4–й: факторы, не имеющие особой прогностической ценности, корректным способом удаляются из системы.

Шаг 5–й: если решающие правила построены (на шаге 3) и оптимизированы (на шаге 4), но качество их работы неизвестно, то пользоваться ими для принятия решений о выборе режима энергораспределения ФВЭУ преждевременно. Верификация решающих правил основана на использовании внутреннего критерия качества алгоритма распознавания и может быть выполнена в любой момент, например по требованию пользователя ФВЭУ или экспертов, но в обязательном порядке - после каждой адаптации.

Если результаты верификации конкретной модели ФВЭУ удовлетворяют разработчиков адаптивной САУ и заказчика, то САУ переводится из пилотного режима, при котором управляющие решения генерировались, но не исполнялись, в режим опытно–производственной эксплуатации, когда они реально начинают использоваться для управления.

Если же модель признана недостаточно адекватной, то необходимо расширять перечень факторов (так как значимые факторы могли быть упущены из анализа), увеличивать объем обучающей выборки, исключать артефакты, пересматривать экспертные оценки, переформировывать коллектив экспертов и предпринимать другие действия для улучшения качества модели (повторяя шаги 1 – 4).

Шаг 6–й. В подсистеме идентификации предусмотрен режим дозаписи распознаваемой выборки к обучающей, чтобы в последующем, когда станет известна степень адекватности управления, этой верифицированной (т.е. достоверной) информацией дополнить обучающую выборку и переформировать решающие правила (обучающая обратная связь). При адаптации могут быть легко изменены и описательные, и классификационные (оценочные) шкалы, что позволяет ввести новые режимы энергораспределения или факторы, а также учесть мнение пользователя ФВЭУ о наиболее рациональном выборе режима энергораспределения.

Необходимо отметить, что модель, предложенная в данной работе, имеет внутреннюю дифференциальную и интегральную валидность 100%. Это объясняется тем, что задача оказалась практически детерминистской. САУ будет принимать адекватные решения по выбору режима энергораспределения, если фактически встретившиеся сочетания факторов принадлежат генеральной совокупности, по отношению к которой обучающая выборка репрезентативна.

Инструментальная система [196] может быть применена не только для разработки модели ФВЭУ, но и для краткосрочного прогноза мощности первичных возобновляемых энергоресурсов [272].

При этом на основе обучающей выборки выявляются взаимосвязи между признаками (факторами) и классами распознавания, представленными в табл. 8.3.

 

Таблица 8. 3

ПРОГНОЗ ПЕРВИЧНЫХ ЭНЕРГОРЕСУРСОВ

Классы
распознавания

Ожидаемая мощность энергоресурсов (средние значения и стандартные отклонения солнечной радиации и скорости ветра)

Признаки
(факторы)

Средние значения и стандартные отклонения температуры, давления, влажности, солнечной радиации, облачности, скорости и направления ветра в течение последних десяти дней

Обучающая
выборка

Метеоданные за представительный период времени

Возможны различные варианты применения предлагаемого метода, отличающиеся способом получения прогноза об ожидаемом состоянии возобновляемых энергоресурсов:

-         используются среднемесячные значения, полученные на основе статистической обработки метеоданных за ряд лет;

-         используется метеопрогноз, разрабатываемый метеослужбами;

-         задача краткосрочного прогнозирования мощности первичных энергоресурсов решается САУ.

Каждый из этих вариантов обладает своими достоинствами и недостатками (табл. 8.4).

Таблица 8. 4

СРАВНЕНИЕ ИСТОЧНИКОВ ИНФОРМАЦИИ
О БУДУЩЕМ СОСТОЯНИИ ПЕРВИЧНЫХ ЭНЕРГОРЕСУРСОВ

Достоинства

Недостатки

1. Статистическая обработка метеоданных за ряд лет

– данные доступны и могут быть статистически обработаны (получены математические ожидания мощности энергоресурсов и ошибки ее определения);

– упрощает алгоритмы принятия решений об управляющем воздействии

– реальная динамика мощности энергоресурсов значительно отличается от средних значений;

– для ряда регионов, в которых применение ФВЭУ наиболее целесообразно, данные могут отсутствовать;

– не учитываются колебания климатом с периодом, превышающим период метеонаблюдений

2. Метеопрогноз, разрабатываемый метеослужбами

– не требует затрат;

– доступен

– имеет слишком общий характер (отсутствуют количественные данные по интересующим параметрам);

– имеет слишком редкую периодичность;

– дается сразу для большой территории и, как следствие, имеет низкую достоверность для каждой конкретной точки

3. Краткосрочный прогноз САУ

– дает количественную оценку всех значимых параметров;

– имеет высокую достоверность;

– позволяет учитывать специфические условия функционирования ФВЭУ и пожелания пользователя

– несколько усложняет и удорожает ФВЭУ из–за необходимости решения новой задачи метеопрогноза;

– требует дополнительных исследований и разработок по выявлению существенных погодных факторов и их влияния на краткосрочный прогноз прихода солнечной и ветровой энергии для конкретной местности

 

Учитывая данные табл. 8.4, авторами предложено выбрать третий вариант, т.е. краткосрочный прогноз. Соответственно, задачу выработки рационального управления предлагается решать в два этапа:

-         разработка краткосрочного прогноза мощности первичных энергоресурсов (методы аналогичны примененным в [268]);

-         принятие решения о выборе наиболее рационального режима энергораспределения.

Не исключается и комбинированное использование всех возможных источников информации о будущем состоянии первичных энергоресурсов.

Необходимость разрабатывать метеопрогноз для управления ФВЭУ сразу превращает ее в сложную динамическую многопараметрическую слабодетерминированную систему, т.е. систему, представляющую интерес не только в практическом, но и в научном плане.

Очень длительный период прогнозирования вряд ли целесообразен, так как, во–первых, долгосрочные прогнозы позволяют предсказывать лишь усредненные показатели и обладают крайне низкой достоверностью для высокочастотных компонент процессов, и, во–вторых, такие прогнозы фактически не могут быть применены на практике из–за ограниченности ресурсов энергонакопителя. Таким образом, целесообразно ориентироваться на краткосрочные прогнозы.

В соответствии с приведенным выше общим алгоритмом синтеза ААСУ СС и основываясь на результатах работы [316] рассмотрим пример синтеза САУ ФВЭУ.

Шаг 1-й: сконструируем классификационные и описательные шкалы (табл. 8.5 и 8.6):

 

Таблица 8. 5

КЛАССИФИКАЦИОННАЯ ШКАЛА
(РЕЖИМЫ ЭНЕРГОРАСПРЕДЕЛЕНИЯ)

№

п/п

Наименование градации

1

Режим– 1: все группы потребителей откл.  Заряд  накопителя

2

Режим– 2: 2–4 группы потребителей откл.  Заряд  накопителя

3

Режим– 3: 3–4 группы потребителей откл.  Заряд  накопителя

4

Режим– 4: 4   группа потребителей откл.  Заряд  накопителя

5

Режим– 5: 3   группа потребителей откл.  Заряд  накопителя

6

Режим– 6: все группы потребителей ПОДКЛ. Заряд  накопителя

7

Режим– 7: 2–4 группы потребителей откл.  Разряд накопителя

8

Режим– 8: 3–4 группы потребителей откл.  Разряд накопителя

9

Режим– 9: 4   группа потребителей откл.  Разряд накопителя

10

Режим–10: 3   группа потребителей откл.  Разряд накопителя

11

Режим–11: все группы потребителей ПОДКЛ. Разряд накопителя

 

 

 

Таблица 8. 6

ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ)

Кодирование

Наименования шкал градаций

Шкала 1: "Текущий баланс энергосистемы"

X

1

1

> 0 для 1–й, 2–й, 3–й, 4–й групп нагрузок

2

2

> 0 только для 1–й, 2–й, 3–й групп нагрузок

3

3

> 0 только для 1–й, 2–й групп нагрузок

4

4

> 0 только для 1–й группы нагрузок

5

5

< 0 для 1–й группы нагрузок

Шкала 2: "Состояние заряженности аккумуляторной батареи"

Y

1

6

Накопитель полностью заряжен 95% <= Q <= 100%

2

7

Накопитель хорошо    заряжен 75% <= Q <   95%

3

8

Накопитель слабо     заряжен 30% <= Q <   75%

4

9

Накопитель полностью разряжен 0% <= Q <=  30%

Шкала 3: "Прогноз поступления возобновляемой энергии"

Z

1

10

Прогнозируемый интегральный баланс положителен

2

11

Прогнозируемый интегральный баланс отрицателен

Шаг 2-й: с использованием приведенных выше шкал представим экспертные оценки целесообразности выбора различных режимов энергораспределения из работы [316] в форме, соответствующей требованиям обработки информации в автоматизированных системах [196] (табл. 8.7):

 

Таблица 8. 7

ОБУЧАЮЩАЯ ВЫБОРКА

№

п/п

Факторы

Режимы
энергораспределения

№

п/п

Факторы

Режимы
энергораспределения

X

Y

Z

X

Y

Z

1

1

6

10

11

 

 

 

 

 

 

 

21

1

6

11

6

 

 

 

 

 

 

 

2

1

7

10

10

11

 

 

 

 

 

 

22

1

7

11

5

6

 

 

 

 

 

 

3

1

8

10

9

10

11

 

 

 

 

 

23

1

8

11

4

5

6

 

 

 

 

 

4

1

9

10

8

9

10

11

 

 

 

 

24

1

9

11

3

4

5

6

 

 

 

 

5

2

6

10

10

11

 

 

 

 

 

 

25

2

6

11

5

6

 

 

 

 

 

 

6

2

7

10

9

10

11

 

 

 

 

 

26

2

7

11

4

5

6

 

 

 

 

 

7

2

8

10

8

9

10

11

 

 

 

 

27

2

8

11

3

4

5

6

 

 

 

 

8

2

9

10

7

8

9

10

11

 

 

 

28

2

9

11

2

3

4

5

6

 

 

 

9

3

6

10

9

10

11

 

 

 

 

 

29

3

6

11

4

5

6

 

 

 

 

 

10

3

7

10

8

9

10

11

 

 

 

 

30

3

7

11

3

4

5

6

 

 

 

 

11

3

8

10

7

8

9

10

11

 

 

 

31

3

8

11

2

3

4

5

6

 

 

 

12

3

9

10

1

7

8

9

10

11

 

 

32

3

9

11

1

2

3

4

5

6

 

 

13

4

6

10

8

9

10

11

 

 

 

 

33

4

6

11

3

4

5

6

 

 

 

 

14

4

7

10

7

8

9

10

11

 

 

 

34

4

7

11

2

3

4

5

6

 

 

 

15

4

8

10

1

7

8

9

10

11

 

 

35

4

8

11

1

2

3

4

5

6

 

 

16

4

9

10

1

1

7

8

9

 

 

 

36

4

9

11

1

1

2

3

4

 

 

 

17

5

6

10

7

8

9

10

11

 

 

 

37

5

6

11

2

3

4

5

6

 

 

 

18

5

7

10

1

7

8

9

10

11

 

 

38

5

7

11

1

2

3

4

5

6

 

 

19

5

8

10

1

1

7

8

9

10

11

 

39

5

8

11

1

1

2

3

4

5

6

 

20

5

9

10

1

1

1

7

8

9

10

11

40

5

9

11

1

1

1

2

3

4

5

6

Шаг 3-й: на основе математической модели, предложенной в [316] и представленных выше исходных данных получим матрицу информативностей (табл. 8.8), показывающую количество информации о целесообразности выбора того или иного режима энергораспределения получает САУ, если установлено действие некоторого фактора.

Данная матрица информативностей и представляет собой конкретную информационную модель ФВЭУ, на основе которой САУ может принимать решения о выборе наиболее целесообразного режима энергораспределения. Выбирается тот режим, о котором в системе факторов {X, Y, Z} содержится максимальное количество информации (табл. 8.9):

Таблица 8. 8

МАТРИЦА ИНФОРМАТИВНОСТЕЙ

№

п/п

Режимы энергораспределения ФВЭУ

Дифф. мощность

1

2

3

4

5

6

7

8

9

10

11

Факторы

1

–––

–––

–––

0,05

0,21

0,34

–––

–––

0,05

0,24

0,47

0,165

2

–––

–––

–––

0,10

0,20

0,17

–––

–––

0,10

0,23

0,17

0,092

3

–0,39

0,03

0,04

0,08

0,02

–0,01

0,03

0,04

0,08

0,05

–0,01

0,131

4

0,13

0,17

0,12

–––

–0,07

–0,09

0,17

0,12

–––

–0,19

–0,25

0,146

5

0,39

0,21

–––

–0,12

–0,18

–0,21

0,21

–––

–0,12

–0,15

–0,21

0,203

6

–––

–––

–0,04

0,06

0,16

0,25

–––

–0,04

0,06

0,19

0,25

0,112

7

–0,45

–0,03

–0,02

0,02

0,08

0,06

–0,03

–0,02

0,02

0,11

0,06

0,151

8

0,03

0,07

0,02

0,02

–0,04

–0,07

0,07

0,02

0,02

–0,01

–0,07

0,048

9

0,32

0,14

0,05

–0,07

–0,13

–0,16

0,14

0,05

–0,07

–0,22

–0,16

0,165

10

–––

–––

–––

–––

–––

–––

0,42

0,39

0,38

0,38

0,38

0,203

11

–0,01

0,41

0,39

0,37

0,37

0,37

–––

–––

–––

–––

–––

0,201

Детерминированность

0,25

0,13

0,12

0,13

0,17

0,20

0,13

0,12

0,13

0,20

0,24

0,165

 

 

Таблица 8. 9

ВЫБОР РЕЖИМА ФВЭУ (ПРИ X=1, Y=1, Z=1)

Код

Наименование режима

%

Гистограмма

11

Режим–11: все гр.потр.ПОДКЛ. Разряд АБ

80



10

Режим–10:   3 гр.потр. откл. Разряд АБ

67



9

Режим– 9:   4 гр.потр. откл. Разряд АБ

56



6

Режим– 6: все гр.потр.ПОДКЛ. Заряд  АБ

43



8

Режим– 8: 3–4 гр.потр. откл. Разряд АБ

33



5

Режим– 5:   3 гр.потр. откл. Заряд  АБ

24



7

Режим– 7: 2–4 гр.потр. откл. Разряд АБ

22



1

Режим– 1: все гр.потр. откл. Заряд  АБ

–1

 

4

Режим– 4:   4 гр.потр. откл. Заряд  АБ

–5

3

Режим– 3: 3–4 гр.потр. откл. Заряд  АБ

–33



2

Режим– 2: 2–4 гр.потр. откл. Заряд  АБ

–42



Сравнение табл. 8.9, полученной с применением предложенной математической модели, методологии, алгоритма и методики с таблицей 4.8, полученной на основе меры Шеннона, показывает, что они обладают очень высоким уровнем сходства: коэффициент корреляции между кодами режимов (по сути являющимися их рангами), рассчитанный по классической формуле

равен 0.809. Имеющиеся различия обусловлены преимуществами предложенного подхода.

Кратко рассмотрим как в предлагаемой технологии решаются другие задачи адаптивных АСУ СС, поставленные в данной работе.

ВЗВЕШЕННОЕ ОБОБЩЕНИЕ ЭКСПЕРТНЫХ ОЦЕНОК РАЦИОНАЛЬНОСТИ РЕЖИМОВ ЭНЕРГОРАСПРЕДЕЛЕНИЯ

В работе [316] и взятой из нее обучающей выборке (табл. 8.7), мнения экспертов по выбору рационального режима энергораспределения просто сведены в одну таблицу. При этом возникает задача определения влияния каждого факторов на принятие решения о выборе режима энергораспределения. В работе [316] эта задача решается с применением экспертной системы. В предлагаемой технологии результатом решения данной задачи является табл. 8.9, представляющая собой результат взвешивания экспертных оценок на основе математической модели, предложенной в работе [327].

АВТОМАТИЗАЦИЯ ЭКСПЕРТНЫХ ОЦЕНОК И ИХ ЗАМЕНА ОЦЕНКАМИ НЕПОСРЕДСТВЕННОГО ПОЛЬЗОВАТЕЛЯ ФВЭУ

В предложенной технологии нет необходимости привлекать экспертов для построения модели ФВЭУ и разработки алгоритмов принятия решений в САУ. Имеется возможность поставки "не обученной" ФВЭУ заказчику. В этом случае ему предлагается самому сформировать классификационные и описательные шкалы и градации (возможно, вместе с поставщиком) и некоторое время самостоятельно принимать решения о выборе режимов энергораспределения, формируя на этой основе обучающую выборку. С использованием режима адаптации САУ возможна имитация автоматизированных решений с оценкой их эффективности без реализации. Если их качество устраивает заказчика, то система может быть переведена в автоматизированный режим реального принятия решений о выборе режима энергораспределения. В дальнейшем, при необходимости, обучающая выборка может дополняться, а также могут изменяться оценки, приведенные в ней, в результате чего через некоторое время после переобучения САУ будет принимать решения, наиболее приемлемые для заказчика.

ОПРЕДЕЛЕНИЕ ДИФФЕРЕНЦИРУЮЩЕЙ МОЩНОСТИ ФАКТОРОВ ОТНОСИТЕЛЬНО РЕЖИМОВ ЭНЕРГОРАСПРЕДЕЛЕНИЯ

И КОНТРОЛИРУЕМОЕ СНИЖЕНИЕ РАЗМЕРНОСТИ МОДЕЛИ

В работе [316] факторы рассматриваются как имеющие одинаковую ценность для принятия решения, однако анализ обучающей выборки в соответствии с математической моделью [327] показывает, что это не так.

Дифференцирующей мощностью фактора называется среднее количество полезной информации, которое САУ получает для выбора режима, если установлено, что данный фактор действует (табл. 8.10).

Таблица 8. 10

ДИФФЕРЕНЦИРУЮЩАЯ МОЩНОСТЬ ФАКТОРОВ

Код
фактора

Наименование фактора
(описательная шкала и градация)

Дифференцирующая мощность

Бит

Сумма

Бит

%

10

Прогнозируемый интегральный баланс > 0

0,204

0,204

12,562

5

Баланс < 0 для 1       гр.нагрузок

0,204

0,408

25,121

11

Прогнозируемый интегральный баланс < 0

0,201

0,609

37,519

1

Баланс > 0 для 1,2,3,4 гр.нагрузок

0,166

0,775

47,732

9

АБ полностью разряжена. 0% <= Q <=  30%

0,166

0,940

57,941

7

АБ хорошо заряжена.    75% <= Q <   95%

0,151

1,091

67,252

4

Баланс > 0 для 1       гр.нагрузок

0,146

1,238

76,268

3

Баланс > 0 для 1,2     гр.нагрузок

0,132

1,370

84,399

6

АБ заряжена полностью. 95% <= Q <= 100%

0,113

1,482

91,347

2

Баланс > 0 для 1,2,3   гр.нагрузок

0,092

1,575

97,034

8

АБ слабо заряжена.     30% <= Q <   75%

0,048

1,623

100,00

Итак, факторы имеют различную дифференцирующую мощность, которая может быть установлена. Из этого следует два важных вывода:

во–первых, нет необходимости перед построением модели ФВЭУ пытаться решить задачу выбора наиболее существенных факторов (как это обычно предлагается в факторном анализе); можно исследовать все факторы, о которых имеется систематическая информация;

во–вторых, незначимые факторы всегда можно удалить из модели ФВЭУ без ущерба для ее эффективности и адекватности, тем самым сократив эксплуатационные расходы на сбор и обработку информации САУ.

ОПРЕДЕЛЕНИЕ СИЛЫ ВЛИЯНИЯ ФАКТОРОВ НА ПРИНЯТИЕ РЕШЕНИЯ

О ПЕРЕКЛЮЧЕНИИ ФВЭУ В РАЗЛИЧНЫЕ РЕЖИМЫ ЭНЕРГОРАСПРЕДЕЛЕНИЯ

Как видно из табл. 8.10, различные факторы содержат различное количество информации для принятия решения о выборе режима энергораспределения.

Каждый режим может быть охарактеризован единственной последовательностью факторов, в которой они ранжированы в порядке убывания количества информации в пользу выбора данного режима. Такая последовательность называется информационным портретом режима ФВЭУ [196].

Аналогично каждый фактор может быть охарактеризован единственной последовательностью режимов, в которой они ранжированы в порядке убывания количества информации в пользу их выбора, содержащейся в данном факторе [196].

Информационные портреты режимов и факторов могут быть представлены в графическом виде.

ОПРЕДЕЛЕНИЕ СТЕПЕНИ ДЕТЕРМИНИРОВАННОСТИ РЕЖИМОВ ЭНЕРГОРАСПРЕДЕЛЕНИЯ ФВЭУ

Различные режимы отличаются друг от друга средним количеством информации о выборе или не выборе данного режима, содержащейся в факторах. Если выбор некоторого режима однозначно, т.е. детерминистским образом, определяется некоторым фактором, то этот фактор будет содержать максимально возможное количество информации о выборе данного режима и этот режим будет иметь высокую степень детерминированности (определенности). Если же наоборот, в обобщенном образе режима все факторы содержат небольшое количество информации, то данный режим будет слабодетерминированным, а его выбор – неопределенным (табл. 8.11):

 

Таблица 8. 11

ДЕТЕРМИНИРОВАННОСТЬ РЕЖИМОВ ФВЭУ

Код
режима

Наименование режима

(градации классификационной шкалы)

Детерминированность

Бит

Сумма

Бит

%

1

Режим– 1: все гр.потр. откл. Заряд  АБ

0,252

0,252

13,904

11

Режим–11: все гр.потр.ПОДКЛ. Разряд АБ

0,237

0,488

26,980

6

Режим– 6: все гр.потр.ПОДКЛ. Заряд  АБ

0,199

0,688

37,995

10

Режим–10: 3   гр.потр. откл. Разряд АБ

0,195

0,883

48,795

5

Режим– 5: 3   гр.потр. откл. Заряд  АБ

0,166

1,049

57,991

7

Режим– 7: 2–4 гр.потр. откл. Разряд АБ

0,134

1,184

65,405

2

Режим– 2: 2–4 гр.потр. откл. Заряд  АБ

0,133

1,316

72,737

9

Режим– 9: 4   гр.потр. откл. Разряд АБ

0,128

1,444

79,786

4

Режим– 4: 4   гр.потр. откл. Заряд  АБ

0,126

1,570

86,747

8

Режим– 8: 3–4 гр.потр. откл. Разряд АБ

0,121

1,691

93,422

3

Режим– 3: 3–4 гр.потр. откл. Заряд  АБ

0,119

1,810

100,00

 

Слабодетерминированные режимы, как правило, являются сходными сразу с несколькими сильнодетерминированными. В инструментальной системе реализован режим, обеспечивающий удаление из модели тех классов, которые сводятся к суперпозиции некоторого минимального количества слабо коррелирующих друг с другом классов.

ОПРЕДЕЛЕНИЕ ФАКТИЧЕСКОЙ ПРИОРИТЕТНОСТИ НАГРУЗОК

В модели ФВЭУ, предложенной в работе [316], все нагрузки методом экспертной оценки были разделены на 4 группы приоритетности. Однако отнесение нагрузок к той или иной группе, а также определение весового коэффициента приоритетности этих групп носят усредненный характер по всем потребителям и не учитывают степень важности этих нагрузок для конкретного индивидуального потребителя. В технологии, предлагаемой в данной работе, нет необходимости вообще вводить группы приоритетности, так как модель обеспечивает обработку до 4000 факторов. Это означает, что просто все нагрузки могут быть перечислены как градации – факторы в соответствующей описательной шкале. В результате после формирования обучающей выборки на основе решений пользователя ФВЭУ выясняется порядок, в котором нагрузки обслуживаются в случае дефицита внешних энергетических ресурсов.

ИССЛЕДОВАНИЕ СХОДСТВА И РАЗЛИЧИЯ

РЕЖИМОВ ФВЭУ И ФАКТОРОВ

Данная задача решается в два этапа:

1.     Формирование кластеров и конструктов режимов ФВЭУ и факторов.

2.     Содержательное сравнение режимов ФВЭУ и факторов.

Кластеры формируются инструментальной системой, на основе сравнения профилей режимов и факторов, представленных в табл. 6.8. Конструкт представляет собой систему наиболее сильно отличающихся кластеров (со спектром промежуточных кластеров). На рис. 8.3, 8.4 и 8.5 приведены диаграммы семантических сетей, построенных по результатам кластерно–конструктивного анализа режимов энергораспределения ФВЭУ и факторов, влияющих на принятие решений о выборе этих режимов.

 

 

 

 

 

 

Рис. 8. 3. Пример семантической сети классов

 

 

 

 

 

 

 

 

 

Рис. 8. 4. Пример семантической сети классов

 

 

 

Рис. 8. 5. Пример семантической сети признаков

 

Содержательное сравнение режимов (факторов) друг с другом представляет собой информационные портреты двух режимов, в которых факторы соединены друг с другом линиями, цвет и толщина которых соответствуют знаку и величине их вклада в сходство или различие данных двух режимов (факторов). Графическое отображение этой информации называется когнитивной диаграммой [196]. Примеры когнитивных диаграмм классов и признаков приведены на рис. 8.6 и 8.7.

 

 

Рис. 8. 6. Пример когнитивной диаграммы классов

 

 

 

 

 

Рис. 8. 7. Пример когнитивной диаграммы признаков

 

ВЫВОДЫ

1. В разделе обоснована актуальность применения автономных комбинированных фотоветроэлектроэнергетических установок (ФВЭУ), основанных на использовании таких возобновляемых источников энергии, как солнечная радиация и поток ветра.

2. Показано, что КПД ФВЭУ существенно повышается при использовании систем автоматического управления (САУ). Рассматриваются два уровня САУ ФВЭУ: уровень компонент системы и операционный уровень. Технические проблемы управления ФВЭУ на уровне компонент решаются разработчиками этих компонент. Операционный уровень САУ обеспечивает выбор наиболее эффективного режима энергораспределения ФВЭУ в зависимости от состояния ФВЭУ и краткосрочного прогноза мощности первичных возобновляемых энергоресурсов. Поэтому для разработчиков ФВЭУ наибольший интерес представляет эффективный синтез именно операционного уровня САУ. Однако решение этой проблемы связано со значительными сложностями, обусловленными тем, что ФВЭУ представляет собой сложную техническую систему.

3. Подробно описывается применение разработанной авторами методологии синтеза адаптивных АСУ СОУ для синтеза операционного уровня САУ ФВЭУ. Показано, что предлагаемая методология не только обеспечивает синтез адаптивных САУ, настраивающихся на локальные особенности места установки ФВЭУ и потребности пользователя, но и позволяет поставить и решить целый комплекс взаимосвязанных задач, представляющих интерес в связи с теорией и практикой управления сложными системами, в частности при эксплуатации ФВЭУ:

-       взвешенное обобщение экспертных оценок рациональности режимов энергораспределения;

-       автоматизация экспертных оценок и их замена оценками непосредственного пользователя ФВЭУ;

-       определение дифференцирующей мощности факторов относительно режимов энергораспределения и контролируемое снижение размерности модели;

-       определение силы влияния факторов на принятие решения о переключении ФВЭУ в различные режимы энергораспределения;

-       определение степени детерминированности режимов энергораспределения ФВЭУ;

-       определение фактической приоритетности нагрузок;

-       исследование сходства и различия состояний ФВЭУ и факторов.

Разработанная авторами методология синтеза адаптивных АСУ сложными системами, а также алгоритмы и методика, могут быть применены и в других областях.

 

8.3. ТЕХНОЛОГИЯ

 

8.3.1. ААСУ ВОЗДЕЛЫВАНИЕМ СЕЛЬХОЗКУЛЬТУР

 

Актуальность

На основе предлагаемой методологии и технологии может быть разработано конкретное приложение, обеспечивающее управление урожайностью и качеством сельскохозяйственных культур путем выбора и применения оптимальной агротехнологии в зависимости от поставленной цели и вида почв, культуры–предшественника, а также ряда других параметров объекта управления и окружающей среды, например, таких как: нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация и др.

Предлагаемый подход

При разработке методики выполняются следующие работы [138]:

1.     Формулировка целей методики и в соответствии с ними разработка перечня прогнозируемых хозяйственных ситуаций, т.е. результатов выращивания (например, для классификации будущих состояний, в том числе целевых, могут быть использованы "шкала качества" и "шкала количества").

2.     Разработка формализованного паспорта результатов выращивания сельхозкультур, позволяющего описать в пригодной для компьютерной обработки форме результаты выращивания конкретной сельхозкультуры на конкретном поле и по конкретной технологии. Формализованный паспорт может состоять из двух частей: первая из них содержит шкалы, описывающие не зависящие от воли человека факторы, вторая – технологические факторы, которые можно рассматривать как средство достижения желаемых хозяйственных результатов.

3.     Использование бумажного архива по выращиванию сельхозкультур для заполнения формализованных паспортов и ввода в программную инструментальную систему в качестве примеров выращивания (обучающей выборки).

4.     Выявление (на основе предъявленных реальных примеров выращивания сельхозкультур) взаимосвязей между применяемыми технологиями и полученными результатами и формирование информационных портретов по каждому возможному результату выращивания. Информационный портрет хозяйственной ситуации представляет собой перечень технологических факторов с количественным указанием того, какое влияние оказывает каждый из них на осуществление данной ситуации.

5.     Каждый из технологических факторов на основе приведенных примеров характеризуется тем, какое влияние он оказывает на осуществление каждой хозяйственной ситуации.

6.     Сравнение различных хозяйственных ситуаций и формирование групп наиболее сходных из них (кластеров), а также определение кластеров, наиболее сильно отличаются друг от друга (конструктов). При этом на экспериментальной базе данных был выявлен конструкт "качество–количество", означающий, что для получения высокого качества и большого количества необходимы совершенно противоположные и несовместимые (т.е. невозможные одновременно) почвы: предшественники и агротехнологические приемы.

7.     Группировка технологических факторов в кластеры и конструкты. При этом было обнаружено, что некоторые различные по своей природе факторы имеют сходное влияние на хозяйственные результаты.

8.     Проверка способности созданного приложения правильно прогнозировать хозяйственные результаты на массиве уже введенных формализованных паспортов, т.е. определение внутренней интегральной и дифференциальной валидности. На экспериментальном примере валидность оказалась достаточно высокой и приемлемой для практического применения. В то же время были выявлены некоторые слабо детерминированные хозяйственные ситуации, которые наиболее сложно вызывать и достоверно прогнозировать.

Результаты и перспективы

Разработанное приложение позволяет решать две основные задачи:

-         прогнозирование того, какие хозяйственные результаты наиболее вероятны (а какие практически невозможны) на данном виде почв и с данными предшественниками, а также при условии применения имеющихся в распоряжении агротехнологий;

-         разработка рекомендаций по управляющим воздействиям, т.е. консультирование по вопросам о том, какие виды почв, предшественники и агротехнологии должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный хозяйственный результат.

Система позволяет оценивать степень достоверности своих прогнозов и рекомендаций по управлению, т.е. она не просто дает рекомендацию, но и количественно оценивает степень ее надежности.

Кроме того, система дает характеристику влияния каждого технологического приема и рекомендации по замене желательных, но очень дорогих или не имеющихся в наличии технологических приемов, другими, более дешевыми и доступными, и, при этом, имеющими сходное влияние на хозяйственные результаты.

Таким образом, данная методика позволяет "просматривать" различные варианты технологии, прогнозировать последствия применения различных технологических приемов, и на этой основе вырабатывать научно обоснованные рекомендации по выбору возделываемой культуры и оптимальной для поставленных целей агротехнологии.

 

8.3.2. ААСУ ИНДИВИДУАЛЬНОГО УПРАВЛЕНИЯ ЛЕЧЕНИЕМ

 

Актуальность

Типичным примером сложной системы является человек-пациент. Систему "врач-пациент" можно рассматривать как адаптивную систему управления сложной системой, цель которой состоит в переводе пациента из некоторого текущего состояния "болезнь", более или менее далекого от оптимального, в некоторое будущее состояние "здоровье", более близкое к оптимальному, причем это осуществляется с помощью лечебных управляющих воздействий.

Предлагаемый подход

Целевые состояния сложной системы в данном случае представляют собой подмножество пространства будущих состояний, в которых пациент более или менее здоров.

Входными параметрами сложной системы являются:

-         история болезни пациента и его биография (траектория перехода пациента в текущее состояние);

-         факторы внешней среды;

-         лечебные воздействия врача.

Выходными параметрами сложной системы в нашем примере являются симптомы и синдромы (комплексы взаимосвязанных симптомов), т.е. клиническая картина, характеризующая, в частности, целевые состояния.

На основе предлагаемой методологии и технологии может быть разработано конкретное приложение, обеспечивающее управление лечением путем выбора и применения оптимальных лечебных воздействий в зависимости от цели лечения, предыстории больного, его текущего состояния, а также ряда других параметров как объекта управления, так и окружающей среды.

При разработке методики выполняются следующие виды работ:

1.     Формулировка целей и в соответствии с ними разработка перечня прогнозируемых состояний, т.е. результатов лечения.

2.     Разработка формализованного паспорта результатов лечения (формализованной истории болезни), позволяющего описать в пригодной для компьютерной обработки форме результаты лечения заболеваний определенными методами. Формализованный паспорт может состоять из двух частей: первая из них содержит шкалы, описывающие не зависящие от воли человека факторы, вторая – факторы (лечебные воздействия), которые можно рассматривать как средство достижения желаемых результатов лечения.

3.     Использование бумажного архива историй болезни для заполнения формализованных паспортов и ввода в программную инструментальную систему в качестве примеров лечения (обучающей выборки).

4.     Выявление (на основе реальных примеров лечения) взаимосвязей между применяемыми медицинскими технологиями и полученными результатами лечения и формирование информационных портретов по каждому возможному результату лечения (независимо от их оценки как успешных или нет). Информационный портрет результата лечения представляет собой перечень лечебных факторов с количественным указанием того, какое влияние каждый из них оказывает на осуществление данного результата.

5.     Сравнение различных результатов лечения и формирование групп наиболее сходных из них (кластеров), а также определение кластеров наиболее сильно отличающихся друг от друга (конструктов).

6.     Группировка лечебных факторов в кластеры и конструкты, показывающих, что некоторые различные по своей специфической природе лечебные факторы имеют сходное влияние на результаты лечения. Это позволяет утверждать, что, лечебные факторы объединяются в кластеры с учетом не только их специфического, но и неспецифического эффекта.

7.     Проверка способности созданного приложения правильно прогнозировать результаты лечения на массиве уже введенных формализованных паспортов (историй болезни), т.е. определение внутренней интегральной и дифференциальной валидности. На экспериментальных примерах валидность оказалась достаточно высокой, что позволяет сделать вывод о возможности практического использования созданного приложения. При этом были выявлены как высокодетерминированные лечебные результаты, которые можно уверенно формировать применением вполне определенных лечебных воздействий, так и слабодетерминированные результаты лечения, которые наиболее сложно как получить, так и достоверно прогнозировать.

Кроме того, каждый из лечебных факторов на основе приведенных примеров автоматически характеризуется тем, какое влияние он оказывает на осуществление каждого результата лечения.

Результаты и перспективы

Разработанное приложение позволяет решать три основных задачи:

-         диагностика (нозологическая идентификация), осуществляется на основе симптоматики (клинической картины) с учетом данных истории болезни, отражающей предысторию больного, а также факторов внешней среды;

-         прогнозирование того, какие результаты лечения наиболее вероятны (а какие практически невозможны) на данном состоянии пациента и при его предыстории, а также при условии применения имеющихся в распоряжении врачей лечебных технологий и факторов окружающей среды;

-         разработка рекомендаций по управляющим воздействиям, т.е. консультирование по вопросам о том, какие лечебные технологии должны быть применены, чтобы можно было рассчитывать с определенной уверенностью на желаемый результат лечения.

Система позволяет оценивать степень достоверности своих прогнозов и рекомендаций по управлению, т.е. она не просто дает рекомендацию, но и количественно оценивает степень ее надежности.

Кроме того, система дает характеристику каждого лечебного воздействия (на что он влияет), а также выдает рекомендации по замене желательных лечебных воздействий, но очень дорогих, болезненных или опасных для пациента или которых нет в распоряжении врачей, другими, более дешевыми, щадящими и которые есть в распоряжении врача, и при этом имеют сходное влияние на результаты лечения.

Таким образом, данная методика позволяет "просматривать" различные варианты применения медицинских технологий, прогнозировать последствия применения различных лечебных факторов, и на этой основе вырабатывать научно обоснованные рекомендации по выбору оптимальной в каждом конкретном случае медицинской технологии.

 

8.4. ЭКОНОМИКА

 

8.4.1. МОНИТОРИНГ, ПРОГНОЗИРОВАНИЕ И УПРАВЛЕНИЕ

          В ФИНАНСОВО–ЭКОНОМИЧЕСКОЙ СФЕРЕ

 

Актуальность

Повторяющиеся с завидной периодичностью межбанковские кризисы заставили участников финансового рынка всерьез задуматься о необходимости серьезной  организации социально–экономического мониторинга, а также аналитических исследований. Наиболее дальновидные банки и финансовые компании, в том числе и кубанские, начали создавать и оснащать необходимым инструментарием свои аналитические службы.

Руководители давно поняли нехитрое правило: "Хочешь заработать сто миллионов – вложи в аналитика сто тысяч" [183, 299].

Предлагаемый подход

Рассмотрим службу мониторинга и прогнозирования, основная цель которой – прогнозирование и выработка рекомендаций по управлению на основе централизованного сбора, обработки и анализа разноплановой информации, необходимой для принятия управленческих решений.

Для достижения этой цели служба мониторинга непрерывно ведет исследование следующих объектов управления:

1.     Ценообразование по всем секторам рынка.

2.     Ход экономической реформы по ее направлениям.

3.     Инвестиционные процессы в экономике.

4.     Кредитно–финансовая система.

5.     Предприятия различных форм собственности, направлений и объемов деятельности.

6.     Социально–психологический статус управленческого и вспомогательного персонала, а также населения.

Рассмотрим эти направления подробнее.

Ценовой мониторинг

Ценовой мониторинг обеспечивает непрерывный сбор и накопление баз данных по ценам на основные товары всех секторов рынка, а также по основным финансово–экономическим показателям (факторам), влияющим на цены, что позволяет выявить и изучить зависимости между ценами на разные товары, между ценами и факторами, и на этой основе осуществлять краткосрочное и перспективное прогнозирование динамики цен.

Данная функция не дублирует ведомственный ценовой мониторинг, который уже организуется некоторыми департаментами, так как:

во–первых, акцентирует внимание на взаимосвязи динамических закономерностей цен на товары различных секторов рынка;

во–вторых, изучает влияние макроэкономических и других показателей на динамику цен;

в–третьих, держит в поле зрения лишь основные товары каждого сектора рынка, тогда как в ведомственных системах перечень товаров по соответствующему сектору рынка значительно шире;

в–четвертых, перед ведомственными службами ценового мониторинга не ставится задача сбора и обобщения информации по ценовому мониторингу различных секторов рынка в комплексе.

Мониторинг хода экономической реформы

Существует ежеквартальная отчетность регионов края по ходу экономической реформы. Однако эта отчетность слабо стандартизирована и формализована, не накапливается в компьютерных базах данных, содержит лишь абсолютные значения экономических показателей, а не информацию об экономических событиях и их динамике. В результате автоматизированный анализ этой информации с помощью интеллектуальных методов не проводится.

Предлагаемая методология и технология обеспечивают организацию этих работ, что позволяет в соответствии с установленным регламентом:

-         получить аналитические отчеты о ходе реформы по ее направлениям (приватизация, фондовый рынок, земельная реформа, финансовая сфера, производство, услуги, и т.д.);

-         выявить и изучить взаимосвязи темпа реформы в различных направлениях;

-         выявить и изучить пути движения инвестируемых средств между различными предметными областями и направлениями реформы.

Мониторинг инвестиционных проектов

Конечно, в каждом инвестиционном проекте дается экономическое обоснование целесообразности инвестиций в выбранном направлении. Однако данное обоснование часто страдает некоторой односторонностью, так как обычно разработчики инвестиционной программы не в состоянии учесть обобщенный опыт инвестирования в ту или иную сферу в конкретных условиях рынка Кубани, так как просто не владеют необходимой информацией. Этот обобщенный опыт может быть формализован и накоплен лишь в специально созданной и уполномоченной на получение соответствующей информации структуре. Такая структура может дать независимую комплексную (а не только экономическую) оценку каждого инвестиционного проекта, т.е. сделать по нему заключение типа: "Опыт осуществления 25 подобных проектов показывает, что такого рода проекты, как правило, (в 85% случаев) в условиях Кубани приводят к тому–то и тому–то". Это заключение может быть отрицательным даже в том случае, если его экономическое обоснование является блестящим, но... проведенным по неадаптированным западным методикам, слабо учитывающим специфику России вообще и Кубани в частности.

Кредитно–финансовый мониторинг

На основе непрерывно ведущихся баз данных по динамике цен на ценные бумаги, ставкам банковских кредитов, курсам валют и т.д. позволяет выявлять и изучать закономерности кредитно–финансового и фондового рынка, и на этой основе прогнозировать его развитие, разрабатывать обоснованные рекомендации по управлению им.

Мониторинг предприятий

Основные цели организации мониторинга предприятий – прогнозирование целесообразности инвестирования в данное предприятие, оценка рисков его кредитования и страхования, выявление предприятий, попадающих в различные "зоны риска".

Для достижения этих целей необходимы следующие виды работ:

1.     Классификация предприятий, например, по трем шкалам:

-       форма собственности;

-       направление деятельности;

-       объем деятельности.

2.     Организация ведения базы данных, которая содержит и накапливает в формализованном виде информацию по предприятиям, необходимую для достижения сформулированных целей.

3.     Формирование обобщенных информационных портретов предприятий различных категорий.

4.     Выдача характеристики на основании запроса в необходимых аспектах по любому предприятию, по которому имеется заполненный формализованный паспорт.

Социально–психологический мониторинг

Предлагаемая методология и технология обеспечивает сбор и обработку данных мониторинга по тем срезам социума, которые приняты как объекты постоянного контроля и управления:

-         общественное и индивидуальное сознание;

-         национально–этнические проблемы;

-         культурно–религиозные проблемы;

-         демографические проблемы;

-         проблемы возрастных групп (молодежи, трудоспособного населения и пенсионеров);

-         проблемы профессиональных групп;

-         проблемы безработицы;

-         проблемы групп населения с различным образовательным уровнем;

-         классовые проблемы (профсоюзы, забастовки, приватизация и национализация, группы различного уровня достатка);

-         политические ситуации;

-         криминогенные ситуации;

-         экономические ситуации;

-         рейтинг политических лидеров, партий и движений.

Кроме того, может быть дан психологический анализ различных типов управленческого и вспомогательного персонала, разработаны фотороботы этих типов и автоматизированные методики их идентификации.

 

 

 

Результаты и перспективы

Таким образом, предлагаемый подход позволяет решить следующие задачи:

1.     Разработка выводов о состоянии и динамике объекта управления на основе сбора и анализа информации.

2.     Разработка рекомендаций по способам и содержанию управляющих воздействий на объект управления.

3.     Подготовка регламентных тематических и сводных аналитических отчетов (ежедневных, недельных, месячных, квартальных и годовых отчетов), а также заказных отчетов по ранее проведенным исследованиям.

 

8.4.2. АНАЛИЗ И ПРОГНОЗИРОВАНИЕ СОБЫТИЙ

          НА ФОНДОВОМ РЫНКЕ

 

Актуальность

На базе предложенной методологии и технологии может быть создана система "Фонд–прогноз", обеспечивающая анализ и прогнозирование ситуаций на фондовом рынке [268].

Предлагаемый подход

Данная система относится к окружению инструментальной программной системы и представляет собой программный интерфейс между биржевыми базами данных (табл. 8.1) и специально разработанным приложением базовой инструментальной системы. По экспериментальным оценкам система "Фонд–прогноз" обеспечивает прогнозирование динамики курсов валют и ценных бумаг на 1–й 2–й, 3–й, ... 30–й день от текущего дня с достоверностью около 85%.

Преобразование данных из стандартов биржевых баз данных в стандарт инструментальной системы осуществляется автоматически с помощью специально для этого созданного программного интерфейса. При этом также осуществляется преобразование первичных параметров, т.е. чисел из временных рядов, характеризующих предметную область, во вторичные параметры – характеризующие наступление тех или иных экономических ситуаций (событий). Инструментальная система выявляет взаимосвязи между прошлыми и будущими событиями, и на этой основе позволяет осуществлять прогнозирование ситуаций разрабатывать рекомендации по управлению ими. Технические решения, реализованные в данном программном интерфейсе, являются типовыми и могут быть использованы в других приложениях, где необходимо преобразование временных рядов, характеризующих динамику предметной области,  в события, анализируемые инструментальной системой.

Результаты и перспективы

При экспериментальном исследовании на ретроспективных данных авторами были подтверждены многие сильнодействующие закономерности валютного и фондового рынка, давно известные специалистам и вписывающиеся в так называемые "фундаментальные" (т.е. содержательные аналитические модели) и "технические" (т.е. феноменологические аналитические) модели [196]. В то же время необходимо подчеркнуть, что были открыты и новые, как правило, "более слабые" специфические закономерности валютного и фондового рынка, характерные именно для ММВБ на период, отраженный в базах данных. Была также обнаружена определенная динамика этих закономерностей. Оказалось, например, что наиболее существенно на текущие состояние рынка влияют события, произошедшие неделю назад, что отражает время реакции (инерционность) системы. Обнаружилось, что система имеет период собственных колебаний, также составляющий около недели.

Подход, реализованный на базе инструментальной системы в некоторых отношениях является синтезом подходов фундаментальной и технической школ и, по мнению авторов, имеет определенную новизну. Он также технологичен и легко поддается автоматизации, как и технический подход, так как информация о событиях и причинно–следственных взаимосвязях между ними выявляется непосредственно из анализа временных рядов, характеризующих предметную область. В то же время если в техническом подходе исследуется зависимость будущего поведения какого–либо параметра от его прошлого поведения, то в предложенном подходе, как и в фундаментальном, для прогнозирования и управления используются причинно–следственные связи между событиями, выявленные на основе анализа нескольких временных рядов.

На приведенных ниже диаграммах, которые выдает система "Фонд–прогноз", приводится фактический курс $ США, а также множество точечных прогнозов и средневзвешенный прогноз динамики курса $, рассчитанный с учетом содержания и значимости точечных прогнозов. В данном приложении на каждый конкретный день получается, как минимум, 30 прогнозов, первый из которых получен "с позиции во времени", отстоящей  на 30 дней назад от текущего дня, второй – на 29 дней назад и т.д.

Фрагмент карточки результатов прогнозирования, получающейся на основе данных, имеющихся на текущий день, приводится в табл. 8.12:

Таблица 8. 12

РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ ИНФОРМАЦИОННОГО ИСТОЧНИКА С КЛАССАМИ РАСПОЗНАВАНИЯ

+––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––+

¦ Номер анкеты:    24   Наим.физ.источника: 11.01.94           Качество результата распознавания:   0.000% ¦

¦––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––¦

¦Код ¦              Наименование класса распознавания                  ¦ %ў ¦ Гистограмма сходств/различий ¦

¦––––+–––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––+––––+––––––––––––––––––––––––––––––¦

¦ 242¦На  2–й день:       РЕЗКОЕ ПОНИЖЕНИЕ курса $ (  3% –  5% ).......¦  53¦_______________               ¦

¦ 241¦На  1–й день:       РЕЗКОЕ ПОНИЖЕНИЕ курса $ (  3% –  5% ).......¦  49¦______________                ¦

¦ 276¦На  6–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦  34¦__________                    ¦

¦ 280¦На 10–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦  30¦________                      ¦

¦ 277¦На  7–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦  23¦______                        ¦

¦ 278¦На  8–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦  21¦______                        ¦

¦ 283¦На 13–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦  20¦_____                         ¦

¦ 290¦На 20–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦  19¦_____                         ¦

¦ 287¦На 17–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦  18¦_____                         ¦

¦––––+–––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––+––––+––––––––––––––––––––––––––––––¦

¦ 265¦На 25–й день:       РЕЗКОЕ ПОНИЖЕНИЕ курса $ (  3% –  5% ).......¦ –10¦__                            ¦

¦ 185¦На  5–й день:       СЛАБОЕ ПОНИЖЕНИЕ курса $ ( 0.5% – 1% ).......¦ –10¦___                           ¦

¦ 298¦На 28–й день: ОЧЕНЬ РЕЗКОЕ ПОНИЖЕНИЕ курса $ ( более  5% ).......¦ –10¦___                           ¦

¦ 184¦На  4–й день:       СЛАБОЕ ПОНИЖЕНИЕ курса $ ( 0.5% – 1% ).......¦ –11¦___                           ¦

¦ 231¦На 21–й день:              ПОНИЖЕНИЕ курса $ (  1% –  3% ).......¦ –11¦___                           ¦

¦ 224¦На 14–й день:              ПОНИЖЕНИЕ курса $ (  1% –  3% ).......¦ –11¦___                           ¦

¦ 154¦На  4–й день: курс $ БЕЗ ОСОБЫХ ИЗМЕНЕНИЙ ( не более 0.5%).......¦ –12¦___                           ¦

¦ 230¦На 20–й день:              ПОНИЖЕНИЕ курса $ (  1% –  3% ).......¦ –13¦___                           ¦

¦ 221¦На 11–й день:              ПОНИЖЕНИЕ курса $ (  1% –  3% ).......¦ –14¦____                          ¦

¦ 228¦На 18–й день:              ПОНИЖЕНИЕ курса $ (  1% –  3% ).......¦ –15¦____                          ¦

+––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––+

 

На диаграммах, которые выдает данная система, приводится фактический курс $ США, а также множество точечных прогнозов и средневзвешенный прогноз динамики курса $.

Интересно, что наилучшее совпадение средневзвешенного прогноза с фактическим курсом $ наблюдается тогда, когда разброс точечных прогнозов минимален. Это означает, что в развитии фондового рынка, как и других сложных систем, хорошо предсказуемые "детерминированные" периоды чередуются с периодами, в которых поведение рынка практически непредсказуемо и легко может пойти по любому направлению, – это своеобразные "точки бифуркации". Именно в периоды второго типа и наблюдаются такие катастрофы, как "Черный вторник" и "17 августа".

Авторы рассматривают систему окружения "Фонд–прогноз", кратко описанную в данном разделе, как пример использования предложенной методологии и технологии для анализа временных рядов, характеризующих некоторую предметную область, путем выявления в этих рядах вторичных параметров, имеющих смысл событий, а также причинно–следственных взаимосвязей между этими событиями.

Необходимо отметить, что предположения и технологии, примененные при разработке данного примера, имеют общий характер и могут быть легко обобщены и перенесены на другие предметные области.

 

 

 

 

8.4.3. ОЦЕНКА РИСКОВ СТРАХОВАНИЯ

          И КРЕДИТОВАНИЯ ПРЕДПРИЯТИЯ

 

Актуальность

Известны зарубежные методики оценки рисков страхования и кредитования предприятий (РСК). Однако эти методики основаны на предположении о существовании определенных экономических реалий (макро– и микро–экономических законов и закономерностей), которые в экономике переходного периода, каковой в настоящее время является экономика России, действуют слабо или вообще не имеют места. Поэтому зарубежные методики в наших условиях не должны эффективно работать.

Эффективность адаптации зарубежных методик к нашим условиям также выглядит проблематичной, так как даже если ее и осуществить, то все равно из–за высокой динамичности нашей экономики и ее законодательно–правового аспекта эти адаптированные методики достаточно быстро потеряют свою адекватность. Возникает также вопрос о том, насколько для Южно–Российского региона, имеющего свою ярко выраженную специфику, годятся методики, адаптированные для Москвы или С.Петербурга и насколько они лучше, чем, например, Кембриджские или Стэндфордские.

Как правило, технология адаптации является весьма сложной, наукоемкой и интеллектуальной, и стоит на несколько порядков дороже самих методик или вообще не поставляется ее разработчиком.

Следовательно, весьма актуальной является разработка отечественных методик и технологий, обеспечивающих как оценку РСК, так и позволяющих разработать рекомендации по управлению предприятием, которые изменяли бы эти оценки в желательном направлении (санация).

Традиционные подходы к решению проблемы: фундаментальный и технический подход (содержательные и феноменологические модели)

Существуют два основных подхода к решению сформулированной выше проблемы:

-         фундаментальный, основанный на выявлении взаимосвязей между внутренними и внешними по отношению к предприятию факторами и (событиями) и уровнем целесообразности инвестиций в данное предприятие;

-         технический, основанный на анализе временных рядов различных параметров предприятия и его окружения средствами регрессионного анализа и математической статистики.

Фундаментальный подход оперирует средствами многомерного факторного анализа и содержательным аналитическим аппаратом математической экономики. Технический подход основан на статистических феноменологических моделях, отражающих внешнюю сторону явлений. Первое выглядит более обоснованным, однако наталкивается на технические трудности сбора и подготовки исходной информации. Технический подход более технологичен в плане сбора информации и ее обработки, но является более поверхностным в ее анализе и дает менее качественные прогнозы.

Предлагаемая методология и технология как синтез технического и фундаментального подхода. Общие принципы решения проблемы

В данной работе авторы предлагают методологию и технологию, сочетающие глубину, содержательность и интерпретируемость фундаментального подхода с технологичностью технического подхода. Суть этой технологии состоит в том, что, как в техническом подходе, на основе анализа временных рядов определенных параметров, характеризующих как само предприятие, так и экономическую и правовую среду, в которой оно действует, выделяется информация о событиях в этих областях. После этого, как в фундаментальном подходе, анализируются причинно–следственные взаимосвязи между событиями, и на основе этого разрабатываются прогнозы и рекомендации по управлению.

В самом общем виде принцип решения сформулированной выше проблемы с помощью инструментальной программной системы состоит в следующем:

-         классифицируются изучаемые типы предприятий;

-         классифицируются параметры как самих предприятий, так и окружения, в котором они действуют;

-         выбираются и описываются предприятия, относящиеся к различным категориям;

-         описанные предприятия представляются инструментальной системе в качестве образцов, т.е. конкретных реализаций, относящихся к тем или иным категориям;

-         формируются обобщенные образы различных категорий предприятий и определяется ценность выбранных параметров описания для идентификации типа и прогнозирования развития предприятий и уровня РСК;

-         исключаются наименее ценные параметры описания;

-         выводятся в текстовом и графическом виде развернутые характеристики различных уровней РСК;

-         осуществляется кластерно–конструктивный анализ сходства и различия предприятий  с разными уровнями РСК;

-         проводится содержательный структурно–функциональный анализ сходства и различия всевозможных предприятий с отличающимися уровнями РСК;

-         по параметрам: дается их смысловая характеристика, анализируется сходство и различие по смыслу, проводится их содержательное сравнение;

-         создается инфраструктура разработки, применения и развития методик, основанных на предложенных интеллектуальных технологиях.

Рассмотрим эти этапы подробнее.

Формализованное описание предметной области

Автоматизированная система позволяет обрабатывать только формализованную информацию о предметной области. Это означает, что все изучаемые явления: как уровни РСК, так и различные факторы и параметры предприятий и окружающей среды, должны быть закодированы и представлены вместе со своими кодами и наименованиями в некоторых классификаторах.

Необходимость классификации предприятий, параметров

и уровней РСК

В общем случае характер взаимосвязей между РСК и параметрами предприятий является различным для предприятий различной направленности и объемов деятельности, а также могут зависеть от региона, времени изучения взаимосвязей, успешности деятельности предприятий и других их особенностей. Поэтому необходимо изучать эти взаимосвязи либо для одного какого–то конкретного типа предприятий, либо для некоторой заранее определенной совокупности типов. В любом случае предварительно необходимо разработать классификацию предприятий, для которых будут изучаться РСК.

Аналогично, параметры предприятия, потенциально влияющие на уровень РСК, также должны быть классифицированы по различным группам (типам), чтобы при дальнейшем анализе можно было определить, какая группа параметров оказывает основное влияние, какие параметры поддаются управлению на уровне ААСУ предприятия, а какие нет и т.п.

Классификация предприятий и уровней РСК

Используя методы классификации, описанные в разделе 7.7.1 данной работы, рассмотрим несколько упрощенный вариант классификации предприятий и уровней РСК (табл. 8.13).

Введем, например, три шкалы по три градации на каждой:

 

Таблица 8. 13

КЛАССИФИКАЦИЯ ПРЕДПРИЯТИЙ И РСК

ШКАЛЫ

ГРАДАЦИИ

Направление деятельности

Торговля

Производство

Финансы

Объем деятельности

Малый

Средний

Крупный

Уровень РСК

Низкий

Средний

Высокий

 

Если представить эти шкалы как оси координат некоторого фазового пространства (в нашем случае трехмерного), то, очевидно, наиболее обобщенным классам соответствуют зоны на самих осях, перечень которых приведен в табл. 8.13 (всего 3+3+3=9 классов 1-го уровня обобщения).

Кроме того, возможны всего 3 варианта сочетаний по 2 оси, соответствующие областям на координатных плоскостях:

1.     Направление деятельности ´ Объем деятельности (3´3=9 сочетаний градаций типа: "Направление деятельности: торговля, объем деятельности: малый" и т.п.).

2.     Направление деятельности ´ Уровень РСК (3´3=9 сочетаний градаций типа: "Направление деятельности: торговля, уровень РСК: средний" и т.п.).

3.     Объем деятельности ´ Уровень РСК (3´3=9 сочетаний градаций типа: "Объем деятельности: средний, уровень РСК: высокий" и т.п.).

Таким образом, в нашем примере существует всего: 9+9+9=27 сочетаний градаций, соответствующих более детализированным классам 2-го уровня обобщения.

Кроме того, существуют области в фазовом пространстве, образованные сочетаниями градаций сразу всех трех шкал. Всего существует: 3´3´3=27 таких зон, соответствующих наиболее детализированным классам 3-го уровня обобщения, возможным в нашем примере (типа: "Направление деятельности: торговля, объем деятельности: малый, уровень РСК: высокий" и т.п.).

Итак, в результате в нашем примере имеем:

-         9 классов максимальной обобщенности (градации шкал);

-         27 классов средней степени обобщения (сочетания градаций 2-х шкал);

-         27 наиболее детализированных классов (сочетания градаций 3-х шкал).

Всего: 9+27+27=63 классов различных уровней обобщения.

Естественно, пользователь может исследовать только те классы, которые его интересуют, сознательно принимая решение не рассматривать остальных. Но он должен знать, что и остальные классы также в принципе могут быть сформированы и исследованы, для чего необходима классификация, общие принципы которой рассмотрены нами.

От оценки и прогнозирования – к управлению.

Изучение характера влияния различных способов и технологий

воздействия на предприятие и уровень РСК

Не только оценка, но и прогнозирование не могут быть конечными целями проведения исследований и разработок. Весь смысл проведения работ состоит в том, чтобы на основе результатов оценок и прогнозов определить такие управляющие воздействия на объект управления, которые могли бы привести его в желаемое состояние.

Предложенная авторами инструментальная программная система позволяет выявлять взаимосвязи между управляющими воздействиями на объекты управления и результатами этих воздействий.

Это позволяет поставить и решить не только задачи идентификации (оценки) и прогнозирования, но и управления. Иначе говоря, может быть создана методика, обеспечивающая выработку рекомендаций по составу управляющих воздействий на объект, которые с учетом его состояния и пути, по которому он попал в данное состояние с большой вероятностью переведут его в другое заданное состояние.

Экспертный совет

В нашем случае эксперт – это человек, который определяет, к каким классам относится то или иное предприятие, выбранное в качестве примера, т.е. образца для формирования обобщенных образов классов и решения других задач, возникающих при разработке методики.

Для того чтобы сознательно подходить к формированию экспертного совета, необходимо понимать, что при всех прочих равных условиях, разработанная методика будет давать такие же рекомендации, как и члены экспертного совета. Другими словами, методика создается "под мнение экспертов", но это не означает, что методика субъективна, так как эксперты при принятии решений могут руководствоваться вполне объективными и верифицированными показателями работы предприятий.

Основной функцией экспертного совета является качественная оценка уровня риска страхования и кредитования предприятий обучающей выборки на основе документальной апостериорной информации (без обоснования и объяснения механизма принятия решения).

Технология, реализованная в инструментальной программной системе не требует от экспертов формирования таблиц решений, логических правил вывода (продукций) или формализации или обоснования способов принятия решений в каких–либо других формах.

Используя только решения экспертов о принадлежности конкретных объектов к классам и описания объектов на языке признаков (атрибутов, параметров), инструментальная система автоматически рассчитывает такие решающие правила, на основе которых принимает те же решения о принадлежности объектов к классам, что и эксперты.

Таким образом, в инструментальной системе автоматизирована процедура взвешивания экспертных оценок или подбора баллов, которая является одной из наиболее трудоемких и ответственных процедур, при разработке методик тестирования и прогнозирования. Эта же процедура, как правило, является и источником погрешностей, сказывающихся на качестве работы методик.

Классификация факторов (параметров)

Все параметры, используемые при разработке методики оценки и прогнозирования уровня РСК, можно классифицировать различным образом, также используя описанный выше аппарат шкал и градаций.

Так, например, все параметры можно разделить на внутренние и внешние по отношению к предприятию, т.е. на параметры, характеризующие само предприятие, и параметры, характеризующие среду, в которой предприятие действует. Параметры среды в свою очередь можно классифицировать "по степени отдаленности" от предприятия (ближайшее окружение, район, город, регион, страна), а также в соответствии со структурой этой среды (экономические, правовые, законодательные, криминальные, фискальные, состояние различных сегментов рынка и т.д.).

Большое значение имеет классификация параметров на те, которые поддаются управлению со стороны заказчика методики, т.е. в какой–то степени зависят от его воли и решения, и на параметры, которые в принципе изменить невозможно, но которые изменяются сами по определенным закономерностям. Это разделение является важным прежде всего для разработки методик управления состоянием предприятия.

Очень важным является понятие о первичных и производных параметрах, хотя эта классификация, как и всякая другая, несколько условна. Первичными параметрами являются те, которые разработчики методики и ее пользователи могут установить непосредственно на объекте (предприятии), без применения каких–либо особых специальных методов. Производные параметры – это те, которые получаются из первичных с помощью специальных методов математической обработки, или/и требуют для своего получения специального технического оборудования или других специальных технологий.

Как уже упоминалось выше, в инструментальной системе имеется возможность отнести параметры к определенным структурно–функциональным уровням или категориям, перечень и наименования которых определяют разработчики методики или даже ее пользователи.

Принципы формирования классификатора параметров

При разработке классификатора параметров рекомендуется исходить прежде всего из того, что информацию по этим параметрам необходимо будет собирать как на этапе разработки методики, так и на этапе ее эксплуатации (по крайней мере по некоторым из них). Поэтому прежде всего это должны быть параметры, по которым реально, технологично, регулярно и с разумными издержками можно получить при создании методики и можно будет получать в будущем при ее эксплуатации необходимую информацию. Как минимум, эти параметры должны быть измеримы.

Учитывая это обстоятельство, разработчики традиционно стараются с самого начала по возможности сузить, ограничить набор фиксируемых параметров. При этом им приходится решать проблему отбора наиболее существенных параметров, т.е. таких из них, которые являются наиболее ценными для успешного решения задач методики. Эта задача решается на основе содержательных представлений, имеющихся у экспертов и разработчиков, или просто в соответствии с их уровнем компетентности.

В инструментальной системе функция выбора оптимального (при заданных граничных условиях) подмножества параметров автоматизирована. Поэтому перед разработчиками методики стоит несколько необычная задача: сформировать максимально возможный набор реально измеримых параметров в целях увеличения вероятности того, что при этом не будут упущены действительно важные параметры. При этом разработчикам методики рекомендуется провести "мозговой штурм", т.е. некритически постараться сформировать максимально–возможный перечень самых неожиданных на первый взгляд параметров, обладающих единственным свойством: информация о них должна быть доступной.

Итак, при разработке классификатора параметров, которые будут использоваться при разработке методики оценки и прогнозирования уровня РСК необходимо учитывать, что для разработки методики используется один набор параметров, а в готовой методике он скорее всего будет уже другой: количественно значительно более ограниченный.

Формирование обучающей выборки

Определение: обучающая выборка – это массив паспортов предприятий, в котором каждое предприятие описано двумя векторами: вектором принадлежности к определенным классам и вектором первичных и производных параметров. Обучающая выборка используется для формирования обобщенных образов классов, определения значимости признаков (параметров), оптимизации системы признаков, формирования решающих правил и выполнения других работ, необходимых для разработки методики.

Прежде всего, разработчики методики должны определиться с перечнем предприятий, которые войдут в обучающую выборку. При этом необходимо исходить из необходимости обеспечить:

-         достаточное количество предприятий;

-         представительство каждого класса несколькими предприятиями;

-         достаточную вариабельность предприятий одного класса по их параметрам;

Все эти условия взаимосвязаны и обычно достигаются одновременно, но все же необходимо их различать при планировании обучающей выборки.

Затем необходимо осуществить сбор информации по выбранным предприятиям. После чего необходимо ввести собранную информацию в компьютер.

Перед сбором исходной информации необходимо разработать формализованный паспорт предприятия, который служит как для аккумулирования информации по предприятию, так и для ввода ее в компьютер.

Разработана также технология автоматизированной подготовки обучающей выборки, исключающая ручной сбор и ввод информации в компьютер. Это возможно при наличии СУБД, содержащих информацию по предприятиям. Например, может быть использована информация Торгово–промышленных палат, налоговой инспекции и других государственных структур. Тип СУБД принципиальной роли не играет, но влияет на трудоемкость создания интерфейса между этой СУБД и инструментальной системой. Такой интерфейс относится к системам окружения [196, 268, 312].

В технологии разработки методик прогнозирования имеется существенная особенность, заключающаяся в том, что обучающая выборка может состоять из сотен описаний одного и того же предприятия в различные моменты времени, когда оно находилось в различных состояниях, которые и необходимо оценивать и прогнозировать.

Обеспечение репрезентативности обучающей выборки

Основное требование к обучающей выборке: она должна быть репрезентативна по отношению к той генеральной совокупности, на подмножествах которой будет применяться методика.

Практически это означает, что каждый класс должен быть представлен по крайней мере 3, а лучше 5 или более реализациями.

Соотношение между степенью детализации

классификации предприятий и объемом репрезентативной

обучающей выборки (теорема Котельникова)

Из вышесказанного очевидно, что желание заказчиков и разработчиков создать методику, различающую большое количество классов, упирается в необходимость сбора значительного объема информации обучающей выборки, количество которой растет буквально как снежный ком при увеличении количества классов. Этот вывод можно рассматривать как одно из следствий известной теоремы Котельникова "об отсчетах".

Обычно существуют объективные границы в возможностях заказчиков и разработчиков, т.е. практически невозможно увеличить объем обучающей выборки больше некоторого предела. В результате приходится так проектировать набор идентифицируемых классов, чтобы при имеющемся объеме данных в обучающей выборке выполнялось условие репрезентативности.

С проблемой обеспечения репрезентативности тесно связан вопрос о "взвешивании или ремонте данных". Под этим понимается:

-         операция выделения такого подмножества из обучающей выборки, которое обеспечивает заданное частотное распределение предприятий по классам (эта операция автоматизирована в инструментальной программной системе);

-         добор информации по предприятиям, представляющим плохо представленные классы.

Формирование обобщенных образов различных уровней РСК

Когда обучающая выборка сформирована и обеспечена ее репрезентативность, то осуществляется обучение системы.

В нашем случае этот процесс заключается в формировании обобщенных образов классов, соответствующих различным уровням РСК.

Одновременно инструментальной системой вычисляются смысловые нагрузки и ценность параметров, а также простейшие и условные процентные распределения.

Ценность параметров используется для оптимизации их системы.

Оптимизация системы параметров

(снижение размерности описания)

Система обеспечивает автоматизированное формирование минимального по количеству и максимального по объему информации об уровне РСК набора параметров из исходного максимального набора.

Эта операция может осуществляется в соответствии с несколькими итерационными алгоритмами. Сам алгоритм и его параметры определяют разработчики методики. Они также определяют граничные условия (размерность классификатора параметров, его избыточность и т.п.)

Этот процесс требует сравнительно больших вычислительных ресурсов (мощности процессора и оперативной памяти), но осуществляется редко: только при разработке и адаптации методики.

После оптимизации система параметров значительно сокращается по количеству параметров, но при этом в ней сохраняется необходимое для качественного решения задач методики количество информации о предметной области. Сокращение количества параметров уменьшает затраты труда и времени на сбор информации по ним, на ее ввод в компьютер и обработку и т.д.

Проверка работоспособности сформированной методики

на обучающей выборке

После исключения из системы параметров тех из них, которые имели низкую ценность для решения задач оценки уровня РСК и прогнозирования его развития получается методика, которую необходимо испытать на работоспособность, чтобы планировать дальнейшие работы.

Проще всего это сделать, представив системе предприятия обучающей выборки в качестве оцениваемых на уровень РСК. В инструментальной системе имеется режим, обеспечивающий копирование обучающей выборки в распознаваемую. После выполнения этой операции просто запускается процесс идентификации предприятий с классами. После идентификации измеряется интегральная и дифференциальная валидность новой методики. Система определяет для каждого предприятия, относится ли оно в действительности к тому классу, на который оно оказалось наиболее похожим по результатам идентификации. Если да, то по этому классу засчитывается верная идентификация, если нет, то ошибочная. В результате по каждому классу становится известным процент правильно идентифицированных предприятий, – это и есть дифференциальная валидность. Рассчитывается также средневзвешенная по всем классам валидность, т.е. интегральная валидность методики.

Под валидностью в данном случае понимается способность методики давать те же оценки и прогнозы, что и совет экспертов. Здесь идет речь о внутренней валидности, так как для ее определения используется обучающая выборка и экспертные оценки, зафиксированные в ней.

Возможно, по некоторым классам может оказаться низкая валидность. Это означает, что у предприятий данного класса очень высокая вариабельность по параметрам, т.е. недостаточно закономерностей в корреляциях параметров, отличающих данный класс от других. Поэтому данный класс трудно идентифицируется. По–видимому, такие классы выделять для анализа нецелесообразно и нужно либо разделить их на несколько, либо расширить систему признаков и дообучить систему, представив ей больше предприятий, относящихся к плохо идентифицируемым классам.

Однако проверка работоспособности методики на обучающей выборке является самой "мягкой". Если методика не способна идентифицировать те предприятия, которые ей были предъявлены в качестве примеров, то значит она вообще не на что не способна, т.е. она просто обязана делать это хорошо. Поэтому все же настоящей проверкой методики можно считать лишь проверку, на предприятиях не представленных в обучающей выборке.

Проверка работоспособности сформированной методики

на новой выборке из генеральной совокупности,

представляемой обучающей выборкой

Естественно, эта проверка будет корректной, если эти новые предприятия будут из генеральной совокупности, по отношению к которой обучающая выборка репрезентативна.

Это означает, что если выявленные на обучающей выборке взаимосвязи параметров предприятий с уровнем РСК имеют место и в генеральной совокупности, то методикой можно пользоваться для подготовки исходных данных для принятия решений.

После оценки и прогнозирования уровня РСК с применением методики осуществляется независимая экспертная оценка и определяется внешняя валидность методики.

Вопрос о том, относится ли новая выборка к той же генеральной совокупности, что и обучающая выборка, может быть решен средствами классической статистики путем проверки соответствующих статистических гипотез. Однако косвенно об этом говорит и успешность применения методики.

Условие адекватности методики – неизменность закономерностей предметной области и способов оценки уровня риска страхования и кредитования предприятия

Конечно, если независимые эксперты относятся к одной научной школе, а экспертная группа, участвующая в разработке, – к другой, то внешняя валидность методики может оказаться заниженной. Но это отражает не низкое качество методики, а расхождение в оценках экспертов. Такие расхождения могут со временем появиться у методики и с оценками "своих" экспертов, так как их способы оценки претерпевают эволюцию, а методика нет.

Очевидно также, что если со времени разработки методики изменились закономерности предметной области, или методику применяют в другом регионе с существенно другими микро и макро–экономическими реалиями, то там она будет работать плохо или вообще не будет работать.

Кстати, все это относится и к зарубежным экономическим программам, которые у нас работают почти так же, как на Луне или Марсе.

Следовательно, необходима периодическая адаптация и локализация методики как для учета динамики предметной области, так и для учета динамики ее оценок экспертами.

Промышленная эксплуатация методики в адаптивном режиме

Инструментальная система обеспечивает эксплуатацию созданных с ее помощью методик в так называемом адаптивном режиме. Суть его заключается в том, что информация по идентифицируемым новым предприятиям после оценки и прогнозирования переписывается в обучающую выборку. Когда по ним появляются экспертные оценки, то они дозаносятся в обучающую выборку и производится переформирование обобщенных образов классов и решающих правил. Эта же операция выполняется, если изменились экспертные оценки тех предприятий обучающей выборки, которые там были с самого начала. Например, после получения информации обратной связи об успешности оценок, прогнозов и рекомендаций, полученных с применением методики.

Этим обеспечивается непрерывная адекватность методик, используемых в промышленном адаптивном режиме.

Необходимо отметить, что западные разработчики крайне редко делятся своей технологией, которая стоит на несколько порядков дороже продуктов, и стараются все творческие и наукоемкие работы концентрировать на своей территории, превращая нас в пользователей, прочно привязанных к зарубежным технологическим центрам.

Адаптация и локализация методики для других регионов

и типов предприятий

Необходимо с большой осторожностью относиться к применению методик не в тех регионах, в которых они разработаны, или на предприятиях, не входящих в генеральную совокупность, представляемую обучающей выборкой. Таким образом, применение методики корректно на предприятиях, входящих в генеральную совокупность, по отношению к которой обучающая выборка репрезентативна.

Но методики, созданные на базе предлагаемой методологии и технологии с применением инструментальной системы могут быть адаптированы и локализованы к своим регионам практически самими пользователями, если они начнут их экспериментальную эксплуатацию в адаптивном режиме и будут периодически измерять внутреннюю валидность. Когда она достигнет приемлемого уровня, можно стандартизировать методику и перевести ее в опытную эксплуатацию, а при достижении приемлемого уровня и внешней валидности – и в промышленную эксплуатацию.

Новые предприятия расширяют базу принятия решений методики, и, увеличивая объем обучающей выборки, могут привести и к расширению представляемой ей генеральной совокупности.

Инструментальная система обладает высокой степенью адаптивности, которая обеспечивается на нескольких уровнях адаптивности:

1)     оперативное изменение (расширение и сокращение) системы классов и параметров;

2)     оперативное изменение экспертных оценок в обучающей выборке;

3)     изменение объема обучающей выборки как для увеличения ее представительности, так и для удаления шумящих и устаревших примеров.

Развернутая характеристика различных уровней РСК

Когда обобщенные образы классов, в том числе уровней РСК, сформированы, система позволяет вывести их на дисплей и печать в виде текстовых и графических форм.

Всего в системе формируется 50 видов тестовых форм и 50 видов двухмерных и трехмерных цветных графических форм. Это позволяет получить развернутую характеристику различных уровней РСК, выявить, какими факторами они обусловлены для различных типов предприятий.

Кластерно–конструктивный анализ сходства и различия уровней РСК и типов предприятий

Инструментальная система позволяет сравнивать обобщенные образы классов, оценивать их сходство и различие, формировать группы наиболее похожих классов (кластеров) и системы наиболее непохожих кластеров (конструктов).

Кластеры и конструкты выводятся в форме текстовых и графических форм.

Содержательный структурно–функциональный анализ сходства

и различия систем управления различных уровней РСК

и типов предприятий

Система обеспечивает не только определение и констатацию той или иной степени сходства или различия классов, но и раскрывает причины этого сходства или различия в виде текстовых и наглядных графических форм.

Анализ параметров: смысловая характеристика,

сходство и различие по смыслу, содержательное сравнение

Кроме того система обеспечивает формирование и вывод текстовых и графических форм, дающих смысловую характеристику параметров, показывающих степень их сходства и различия по смыслу и причины этого сходства или различия.

Инфраструктура создания, применения и развития методики

Для успешного выполнения работ по разработке, применению и развитию методики необходимо создание специальной инфраструктуры, предназначенной для этой цели и соответствующих видов обеспечения: правового, организационного, кадрового, технического, информационного, программного и др.

Результаты и перспективы

Предложенная в данной работе технология позволяет разрабатывать:

1.     Регламентные тематические и сводные аналитические отчеты о состоянии и динамике объекта управления (ежедневные, недельные, месячные, квартальные и годовые отчеты), а также заказные отчеты по ранее проведенным или специальным исследованиям (на основе регламентного сбора и анализа информации).

2.     Рекомендации по способам и содержанию управляющих воздействий на предприятия в целях оптимизации уровня РСК.

Из вышесказанного может возникнуть впечатление, что предлагаемая методика не имеет слабых мест, но объективности ради необходимо признать, что, к сожалению, это не так.

По мнению авторов, основным недостатком предлагаемого подхода является необходимость предоставления системе большого количества различных примеров, статистически значимо представляющих все многообразие анализируемых ситуаций (в нашем случае – различных видов предприятий с различными уровнями РСК). В действительности сбор соответствующей информации (а также в меньшей степени ее формализация и ввод в компьютер) является достаточно трудоемким и возможен на базе организаций, обладающих подобной информацией: например, таких как торгово–промышленная палата, регистрационная палата, налоговые и правоохранительные органы, администрация и т.п.

 

8.5. ПСИХОЛОГИЯ

 

8.5.1. РАЗРАБОТКА ОПТИМАЛЬНЫХ  АДАПТИВНЫХ ТЕСТОВ

          И ПРОФЕССИОГРАММ

 

Актуальность

Сама жизнь ставит перед нами следующие непростые вопросы:

-         пригоден ли вообще данный абитуриент для учебы в вузе?

-         если он пригоден, то по какой специальности в перспективе он сможет проявить себя наилучшим образом?

Как показывает практика, каждая ошибка в ответах на эти вопросы очень дорого обходится как личности, так и государству, поэтому разработка перспективных технологий заблаговременного получения максимально точных ответов на эти вопросы является весьма актуальной.

Отсюда следует проблема № 1: разработать профессиограммы по базовым специальностям данного вуза. Отметим, что в настоящее время они не разработаны, более того, работы в этом направлении не ведутся. Профессиограммой называется перечень психофизиологических и других свойств и качеств личности, с количественным указанием степени их необходимости для успешного выполнения определенных учебных и профессиональных задач.

Но даже если бы эти профессиограммы уже существовали, то возникла бы проблема № 2, т.е. проблема разработки и внедрения способа практического применения этих профессиограмм.

Проблема № 3 состоит в том, что со временем профессиограммы теряют адекватность вследствие изменения закономерностей в предметной области. Следовательно, необходима их периодическая адаптация и локализация.

Предлагаемый подход

Разработка профессиограмм – это длительный, трудоемкий процесс весьма значительной сложности и наукоемкости [158, 205]. В целом этот процесс в настоящее время не формализован и практически не оснащен адекватным техническим и методическим инструментарием. Осуществляется он, как правило, на основе экспертных оценок или путем применения значительного количества нелокализованных по месту и времени применения тестов зарубежного производства, не адаптированных для тех целей, которые ставятся перед разработчиками профессиограмм.

Проблема № 2 возникает редко, так как у практических психологов обычно просто нет профессиограмм. Но даже если они есть, то, как правило, решение принимается психологами на неформальном уровне: на основе личного опыта и интуиции, так как у них в распоряжении редко есть способы количественно сравнить респондента с профессиограммами.

Авторы предлагают конкретные, успешно апробированные методики и интеллектуальные компьютерные технологии решения сформулированных выше проблем, воплощенные в инструментальной программной системе [196] и системах окружения [268, 312].

Кратко, суть этих методик и технологий заключается в следующем:

-         проектируется представительная по количеству респондентов выборка;

-         респонденты тестируются с применением батареи стандартных тестов с помощью системы обработки данных комплексного психологического тестирования "Эйдос–Y" [187, 189, 312]; система "Эйдос–Y" позволяет провести предварительный анализ данных;

-         классификаторы и результаты тестирования экспортируются в когнитивную аналитическую систему "Эйдос–6.2" для дальнейшей интеллектуальной обработки;

Результаты и перспективы

Когнитивная аналитическая система "Эйдос–6.2" обеспечивает:

1)     автоматическое взвешивание или ремонт исходных данных, т.е. выборку из массива респондентов такого подмножества, которое в наибольшей степени соответствует заданной генеральной совокупности (обеспечение структурной репрезентативности обучающей выборки);

2)     формирование обобщенных образов исследуемых профессиональных категорий респондентов, т.е. автоматизированную разработку профессиограмм;

3)     определение вклада психологических свойств, измеряемых с помощью стандартных тестов, в различие профессиограмм;

4)     исключение тех психологических свойств, которые вносят наименьший вклад в различие профессиограмм (абстрагирование);

5)     вывод сформированных профессиограмм и профилей психологических качеств в удобной для восприятия и анализа текстовой и графической форме;

6)     сравнение индивидуальных интегральных образов респондентов с профессиограммами и определение спектра профессиональных предпочтений для данного респондента;

7)     сравнение профессиограмм (и профилей психологических качеств) друг с другом, формирование кластеров и конструктов, автоматическое построение семантических сетей классов и признаков;

8)     содержательное сравнение профессиограмм (и профилей психологических качеств) друг с другом, автоматическое построение когнитивных диаграмм, в том числе стандартных и инвертированных (термин авт.) диаграмм В.С.Мерлина [190, 220, 355];

9)     расчет частотных распределений профессиограмм и психологических, а также двумерных матриц сопряженности на основе критерия c2 и коэффициентов Пирсона, Чупрова и Крамера.

Адаптивность обеспечивается тем, что связь с тестируемыми не прерывается, и когда становится известным, оправдались или не оправдались прогнозы, сделанные по ним, или изменяется экспертная оценка респондентов обучающей выборки, то эта информация вводится в систему и решающие правила переформировываются с учетом этого.

В качестве примера успешного применения на практике предложенной авторами технологии можно привести исследования [312, 355].

 

8.5.2. КОМПЛЕКСНОЕ ПСИХОЛОГИЧЕСКОЕ ТЕСТИРОВАНИЕ

          И ПРОГНОЗИРОВАНИЕ

 

Актуальность

Первая группа проблем связана с необходимостью получения комплексной картины предметной области с помощью узкоориентированного, т.е. специализированного психометрического инструментария [187, 189].

В настоящее время психологи–практики все чаще обращаются к комплексному психологическому тестированию. Основная причина этого очевидна: каждый из стандартных психологических тестов или опросников позволяют исследовать лишь какой–либо один из уровней или аспектов личности, или достаточно узкий их спектр, тогда как основной интерес представляет именно получение и исследование целостной картины, которая определяется характером взаимосвязей разноуровневых свойств личности.

Например, самоактуализационный тест (САТ) измеряет прежде всего социально–обусловленные качества респондентов, тогда как опросник 16 PF Р.Б.Кеттелла – конституционные психические качества, детерминируемые более фундаментальными и устойчивыми генотипическими факторами.

На определяющую роль изучения межуровневых взаимосвязей индивидуальных, психодинамических и социально–психологических свойств личности для интегрального исследования индивидуальности указывал В.С.Мерлин [220].

Вторая группа проблем, связана с тем, что практически все стандартные психодиагностические тесты, опросники и процедуры (далее: "тесты") обладают целым рядом принципиальных недостатков, ограничивающих их корректное и методологически оправданное применение:

-         эти тесты разработаны и нормированы на выборке разработчика, а должны применяться на выборке пользователя (которые, вообще говоря, относятся к разным генеральным совокупностям и не являются взаимно–репрезентативными);

-         они созданы для одних целей, а используются не совсем для тех или совсем не для тех целей.

Предлагаемый подход

На первый взгляд кажется, что проблема № 1 решается адаптацией тестов, однако это не совсем так. Дело в том, что необходимо еще подтвердить специальным исследованием, что адаптированный, например, С.Петербургской психологической школой (в частности, известной фирмой "Иматон") тест применим на Кубани, т.е. учитывает Южно–Российскую региональную специфику.

По мнению авторов, адаптировать тесты необходимо на репрезентативной выборке, представляющей ту генеральную совокупность, на которой они будут применяться. Иначе даже "адаптированные" где–то и для кого–то тесты не будут учитывать региональной специфики, в которой работают конкретные пользователи, и практически ничем не будут отличаться в этом отношении от "неадаптированных".

Но даже у тестов, учитывающих региональную специфику (локализованных), из–за динамичности предметной области со временем уменьшается надежность и валидность. Поэтому необходима периодическая адаптация тестов к изменившимся условиям, а лучше – работа тестов в адаптивном режиме. На сегодняшний день, по литературным данным, известна лишь одна система, обеспечивающая не только автоматизированную разработку, но и эксплуатацию тестов в адаптивном режиме – это система  "Эйдос" [196].

Известно, что работы по адаптации тестов являются весьма трудоемкими и наукоемкими, а также сложными в организационно–юридическом отношении [158], поэтому в настоящее время в России научные центры, способные решать эти задачи, можно буквально пересчитать по пальцам одной руки. Очевидно, мощности этих центров не обеспечивают потребностей регионов в стандартизированном психометрическом инструментарии.

Из этих предпосылок часто делается вывод (см., например, [205]) о том, что необходимо дать психологам технологию создания и адаптации тестов, чтобы они сами на местах могли решать эту проблему. Однако в настоящее время этот вывод представляется авторам необоснованным, несмотря на то, что ранее и они придерживались этой точки зрения [187]. Дело в том, что дать психологу подобный инструмент – это все равно, что дать рядовому бухгалтеру систему программирования Turbo C++ for Windows9X и предложить ему, чтобы он сам создал, а затем модернизировал такую систему бухучета, которая отражала бы специфику его предприятия. Однако рядовой бухгалтер не имеет для решения этой задачи ни сил, ни времени, ни соответствующей квалификации. Также и рядовой психолог не сможет, да и не должен заниматься выработкой своего инструментария.

Но если предположить, что психологи все же займутся не своим прямым делом, а разработкой инструментария, и что у них это получится, то это будет означать одновременно конец какой–либо сопоставимости в их исследованиях, так как каждый будет пользоваться своим собственным инструментарием. По сути мы сталкиваемся в этой ситуации с метрологической проблемой. И мы знаем, что существуют центры и лаборатории стандартизации и метрологии, которые занимаются поверкой и, если надо, настройкой измерительных приборов. Опыт метрологических служб является весьма ценным в нашем случае и им целесообразно воспользоваться.

Следовательно, весьма актуальным является создание региональных ведомственных и межведомственных психологических центров, которые могли бы решать задачу оснащения практических психологов в своих регионах новыми, адаптированными и сопоставимыми психометрическими методиками.

Проблема нецелевого применения тестов, по мнению авторов, является даже еще более острой, чем проблема их неадекватности. Вызывает по меньшей мере удивление, с какой легкостью "специалисты" некоторых частных фирм, изучив всего лишь одно, отдельно взятое психологическое свойство, например, "общительность", выносят рекомендации о том, может ли данный кандидат быть, например, бухгалтером-кассиром, сотрудником службы безопасности или инкассатором банка. Спрашивается, зачем банку нужен общительный бухгалтер? Однако отсутствие элементарной методологической корректности применения тестов характерно не только для коммерческих фирм, живущих за счет рекламы, вводящей в заблуждение. В медицинской комиссии медотдела УВД с применением тестов Кеттелла и Люшера даются рекомендации о профессиональной пригодности или непригодности каждого конкретного кандидата для службы в ОВД. Но ведь данные тесты не предназначены для этих целей, поэтому их применение в данном случае с научно–методической точки зрения не более (и не менее) оправдано, чем, например, применение кофейной гущи.

Конечно, ясно, что результаты тестирования с помощью этих тестов каким–то образом связаны с успешностью или неуспешностью службы на различных должностях в ОВД. Но ведь вопрос как раз и заключается в том, что эта взаимосвязь еще никем не исследовалась и фактически никому не известна. А ведь на пути к практическому применению этих знаний необходимо еще создать соответствующий инструментарий, апробировать его, сертифицировать и стандартизировать как пригодный для решения данных конкретных задач. Забегая вперед, отметим, что инструментарий и методика для создания двухступенчатого теста на базе тестов Кеттела и Люшера (а также других) имеются: базовая когнитивная система "Эйдос–6.2" и система обработки данных комплексного психологического тестирования "Эйдос–Y" [189].

Результаты и перспективы

1.     Для проведения исследований интегральной индивидуальности на современном технологическом уровне необходимо применение соответствующих автоматизированных систем, реализующих адекватные данной задаче методологические концепции и математические модели. Задача создания и применения подобных систем является весьма актуальной.

2.     Актуальной является задача создания научно–методического психологического Центра, способного решать как задачи разработки новых сопоставимых психометрических методик специального назначения, так и адаптации уже имеющихся и практически использующихся для психологических служб края. Все практически применяемые психометрические методики должны пройти сертификацию и стандартизацию в Центре. Выводы и рекомендации, которые даются на основе применения не сертифицированных и не стандартизированных Центром методик должны быть признаны научно–методически не обоснованными и юридически ничтожными. В перспективе этот Центр мог бы выполнять функции регионального ведомственного психологического центра.

Описание системы "Эйдоc–Y"

Для решения задач комплексной обработки данных психологического тестирования и получения как комплексных индивидуальных психологических портретов респондентов, так и их групп, была разработана система "Эйдос–Y" [189].

Система "Эйдос–Y" относится к окружению системы "Эйдос", т.е. она, с одной стороны, представляет собой расширяемый супертест (аналогично MMPI), а, с другой стороны, является программным интерфейсом между реализованными в ней стандартными тестами и системой "Эйдос", обеспечивающей интеллектуальную обработку результатов тестирования [196].

Система "Эйдос–Y" обеспечивает:

-         ввод и обработку первичных данных о респондентах;

-         экспорт данных в универсальную когнитивную аналитическую систему "Эйдос" для их содержательного углубленного анализа и для разработки двухступенчатых тестов и тестов прямого действия;

-         объединение баз первичных данных, введенных на разных компьютерах.

Основные отличия (а, по мнению авторов, и преимущества) системы "Эйдос–Y" по сравнению с аналогами, состоят в следующем:

1.     Данная система предназначена не для опроса респондентов непосредственно за компьютером, а для ввода и обработки данных тестирования. Авторы считают нецелесообразным применение компьютеров непосредственно для тестирования респондентов в наших условиях, так как для большинства респондентов использование компьютера само по себе является сильным стрессовым фактором, что искажает результаты тестирования. Кроме того, как показывает опыт, ввод данных опроса в систему  "Эйдос–Y" осуществляется практически на порядок быстрее, чем тестирование за компьютером, что обеспечивает соответствующую экономию машинного времени. Например, вместо использования 50 компьютеров для тестирования 50 респондентов в течение 1 часа, мы тестируем этих респондентов "за столом", а потом на одном компьютере вводим данные для обработки в течение 5 часов, что не представляет организационно–технических сложностей.

2.     Системой сохраняются в базах данных не только результаты интерпретации ответов респондентов (стены, факторы и т.п.), но и сами первичные данные опроса. Это позволяет в дальнейшем использовать непосредственно первичные данные как для их анализа различными методами с помощью различных статистических систем, так и для разработки тестов прямого действия с помощью системы "Эйдос–6.2".

3.     Система обеспечивает автоматизированное применение ключей и автоматизированную интерпретацию результатов тестирования, как по каждому тесту отдельно, так и по всем тестам совместно в их взаимосвязи, причем виды изучаемых взаимосвязей очень гибко задаются самим исследователем.

4.     Система обеспечивает экспорт первичных данных и результатов их стандартной интерпретации в универсальную когнитивную аналитическую систему "Эйдос", что позволяет осуществить их совместный содержательный углубленный анализ, а также получить новые оптимальные двухступенчатые тесты и тесты прямого действия.

5.     Система позволяет получить психологические характеристики не только конкретных индивидуумов, но и различных групп респондентов, соответствующих градациям шкал, введенным самими исследователями.

В настоящее время система "Эйдос–Y" обеспечивает комплексную (совместную) обработку данных по следующим опросным процедурам одновременно:

-         тест, выявляющий уровень самоактуализации (САТ);

-         опросник 16 PF Р.Б.Кеттелла;

-         опросник по определению стиля управленческой деятельности;

-         анкета "Ориентация на развитие";

-         анкета "Опосредующие развитие факторы (стимулирующие и препятствующие)".

Принцип организации системы обеспечивает расширение перечня совместно используемых опросных процедур. Добавление новой опросной процедуры реализуется разработчиками системы и требует одного–двух человеко–дней.

Математические модели, реализуемые системой "Эйдос–Y", являются упрощением и конкретизацией моделей системы "Эйдос–6.2" для данного специального случая.

Настройка системы на способ совместной обработки результатов тестирования осуществляется следующим образом:

1.     В режиме "Шкалы классификации респондентов" исследователь имеет возможность ввести наименования некоторого количества шкал и по каждой шкале указать определенное количество градаций с их наименованиями. Количество шкал и количество градаций по разным шкалам может быть различное (в отличии от многих других систем), но не более некоторого максимального количества, определяемого при генерации системы (в настоящее время до 99).

2.     В режиме "Ведение справочника респондентов" исследователь может добавлять новых респондентов, вводить и корректировать их фамилию, имя и отчество (в остальных же режимах данный список респондентов лишь используется и не может быть скорректирован). Правее фамилий есть столбцы, соответствующие шкалам, введенным в справочник шкал. В каждом столбце исследователь задает код той градации соответствующей шкалы, к которой относится респондент. В данном режиме на экране отображаются и наименования шкал, и наименования градаций.

Таким образом, в системе "Эйдос–Y" каждый респондент характеризуется не только всей совокупностью его ответов на вопросы батареи тестов, как в большинстве статистических систем (например: SPSS, STATGRAPHICS, STATISTICA), но и принадлежностью к определенным группам, соответствующим градациям шкал. Решение о принадлежности респондента к тем или иным группам принимается исследователями на основе результатов тестирования или(и) экспертных оценок. Данная особенность системы сближает ее с интеллектуальной системой "Эйдос–6.2" и позволяет организовать полноценный экспорт данных о респондентах в последнюю.

Надежность обработки информации в системе обеспечивается следующими мерами:

-         все режимы ввода данных организованы таким образом, что исключается возможность ввода некорректных данных;

-         система автоматически ведет архивы баз данных;

-         автоматически переиндексирует все базы данных в случае отсутствия индексных массивов.

Выходные формы системы. Каждая опросная процедура, входящая в состав системы, выдает результаты в виде двух таблиц:

-         в первой против фамилии каждого респондента содержатся данные интерпретации его ответов;

-         во второй содержатся усредненные результаты интерпретации для каждой градации каждой шкалы.

Последнее и обеспечивает совместный анализ результатов тестирования респондентов с помощью опросников, реализованных в системе.

Тест САТ и анкета "Ориентация на развитие", кроме того выдают частотные распределения стандартизированных баллов (стенов), разделенные на три зоны, такие, что вероятность попадания стена в каждую из них одинакова. Система сама определяет границы этих зон, что обеспечивает оценку конкретных респондентов и их групп не только относительно "генеральной совокупности", но и относительно самой группы респондентов.

Кроме того, система выдает по каждому респонденту итоговые данные по его тестированию с помощью всех тестов в виде одной сводной карты.

Все выходные формы записываются системой в виде текстовых файлов в поддиректорию TXT, что позволяет печатать их с использованием любого текстового редактора и на любом принтере, имеющемся у пользователя.

По опроснику 16 PF Р.Б.Кеттелла системой выдаются также в графическом виде стандартные профили респондентов и их групп (группы соответствуют градациям шкал) по факторам, причем профили групп выдаются в двух видах:

-         одна группа на одной диаграмме;

-         все группы одной шкалы на одной диаграмме.

Эти профили записываются системой в виде PCX–файлов в поддиректорию PCX, причем имена файлов соответствуют кодам респондентов, кодам шкал и групп. Эти графические данные легко могут быть вставлены в сводную карту респондента и распечатаны, например с использованием популярного редактора Winword.

 

8.5.3. ТРАНСПОРТНАЯ ПСИХОЛОГИЯ

 

Актуальность

С применением предложенной методологии и технологии, а также инструментальной системы, может быть проведено исследование по выявлению психологических и иных причин нарушения правил дорожного движения (ПДД) водителями, имеющими различный психологический статус и относящимися к различным группам населения в разрезе: причины нарушения ПДД, виды нарушения ПДД, время суток нарушения ПДД.

Предлагаемый подход

Водители, как представители своих национальных, культурных, религиозных, возрастных, образовательных, социальных и других групп населения испытывают с их стороны влияние, формирующее на подсознательном уровне всю систему их отношений, в том числе и к выполнению ПДД. С применением предложенных в данной работе технологий могут быть выявлены зависимости между индивидуальными качествами водителей и видами совершаемых ими нарушений ПДД.

Результаты и перспективы

Детально зная все эти и другие особенности различных групп населения и имея индивидуальный прогноз совершения нарушений ПДД по каждому конкретному водителю, психолог может оказать адресное индивидуальное корректирующее (управляющее) влияние на тех водителей, для которых риск нарушения ПДД выше принятого в качестве допустимого [114].

 

8.5.4. КОГНИТИВНАЯ ПСИХОЛОГИЯ

 

Актуальность

В данном разделе авторы приводят в порядке обсуждения когнитивную концепцию, которая представляет определенный интерес в связи с реализацией основных когнитивных операций [341] в предложенных интегральной математической модели и инструментальной программной системе (когнитивная аналитическая система "Эйдос").

Предлагаемый подход

Прежде всего процесс познания начинается с процесса восприятия объектов и явлений. Процесс восприятия осуществляется с помощью органов восприятия: зрения, а также слуха, осязания и др. Органы восприятия дают человеку чувственную информацию о признаках наблюдаемых объектов.

На самых первых этапах жизни человека эти признаки объектов не образуют устойчивых взаимосвязанных комплексов, т.е. целостных образов объектов. Но опыт взаимодействия человека с реальными объектами приводит к выявлению взаимосвязей между признаками. Так в результате опыта обнаруживается, что некоторые признаки наблюдаются как правило вместе друг с другом (наличие пространственно–временных корреляций), другие же наоборот, вместе практически не встречаются. Могут быть также признаки, которые встречаются как бы случайным образом и, по–видимому, никак не связаны с другими.

Существование устойчивых взаимосвязей между признаками говорит о том, что они не являются самостоятельной реальностью, а отражают нечто стоящее за ними и их объединяющее, т.е. реальные объекты. Это  означает, что признаки не генерируются из ничего, а имеют объективное содержание. Каждому Реальному объекту или явлению Реальности в сознании человека соответствует некоторая своя устойчивая взаимосвязь признаков (этого объекта), т.е. свой определенный образ, а именно конкретный чувственный образ данного конкретного (этого) объекта. Конкретный чувственный образ объекта представляют собой совокупность всех его воспринимаемых признаков, как общих с другими объектами, так и в большей или меньшей степени специфических именно для данного конкретного объекта.

Следующий этап познания Реальности состоит в том, что некоторый взрослый человек – учитель (обычно мать или отец) показывает ребенку окружающие его объекты и произносит их названия на некотором символическом языке, т.е. дает им некоторые условные наименования или имена.

Если чувственно воспринимаемые признаки конкретного объекта имеют объективное происхождение, то наименование объекта устанавливает его принадлежность к некоторой категории объектов, включающей в общем случае много различных объектов, объединенных по их назначению или иной функциональной роли в природе или обществе с точки зрения познающего человека (общества), или роль данного объекта для самого познающего человека.

Необходимо также отметить, что у животных, в отличие от человека, сам набор обобщенных образов довольно жестко фиксирован (свой для каждого вида) и количественно очень ограничен.

На этом этапе весьма существенным обстоятельством является то, что самые различные объекты одного функционального назначения получают одинаковое название, например, все различные мячи получают наименование "Мяч", столы – "Стол" и так далее.

При этом ребенок устанавливает (корреляционные) взаимосвязи:

-         между наблюдаемыми признаками данного конкретного объекта и наименованием социально–обусловленной обобщенной категории, к которой данный объект относится;

-         между наименованиями признаков и наименованиями обобщенных категорий объектов.

Благодаря существованию этих связей и становится возможным говорить о смысле признаков, т.е. о том, что каждое физическое свойство конкретного объекта несет определенную информацию о роли этого объекта в природе, обществе или для конкретного человека.

Таким образом, введение в обиход наименований объектов становится важнейшей предпосылкой для формирования их абстрактных обобщенных образов, причем сама возможность обобщения связана с классификацией объектов по их социальной роли (назначению).

Среди различных окружающих объектов совершенно аналогично формируется предметный образ и такого специфического для каждого конкретного человека объекта, как его собственное физическое тело. Так формируется "образ Я", характерный для физической формы сознания, формируется предметное сознание и самосознание.

Когда абстрактные обобщенные образы объектов сформированы, то становится возможным узнавание конкретных объектов, т.е. их идентификация. Операция узнавания состоит в сравнении конкретного чувственного образа определенного объекта с обобщенными абстрактными образами и определение степени сходства и различия между данным конкретным чувственным образом и обобщенными образами. В результате, когда конкретный объект узнан, человек может назвать его наименование, т.е. может восстановить его функциональную роль в природе, обществе или лично для себя. Если человек в состоянии это сделать, то считается, что он понимает  смысл того, что он воспринимает.

Таким образом, узнавание – это процесс установления соответствия между объективным описанием объекта как дискретной совокупности признаков и его единым и неделимым (континуальным) именем, т.е. наименованием той обобщенной категории, к которой данный объект относится  по своей социально–обусловленной роли. У человека интенсиональное (дискретное) и экстенсиональное (континуальное) описания объектов обрабатываются двумя различными взаимно–дополнительными системами отражения, работа которых обеспечивается различными полушариями мозга, и лишь взаимодействие этих двух систем обеспечивает обработку смысла.

По мере накопления опыта выясняется, что некоторые специфические признаки практически однозначно позволяют идентифицировать объекты, т.е. отнести их к определенным обобщенным категориям, другие же встречаются примерно с одинаковой вероятностью у самых различных объектов и для целей идентификации являются практически бесполезными. Умение человека определить ценность тех или иных признаков для решения задачи идентификации уже говорит о накоплении достаточно большого опыта восприятия и обобщения.

Когда такой достаточно значительный опыт накоплен, то следующим совершенно естественным этапом познания является выделение всего наиболее существенного путем отбрасывания случайных и не несущих существенной информации признаков, а также дублирующих и избыточных признаков, имеющих очень сходный друг с другом смысл. В результате этой операции, называющейся "абстрагирование", первоначальное описание объекта на языке признаков, включающее все его чувственно воспринимаемые признаки, заменяется значительно более сжатым и экономным описанием, содержащим только наиболее существенные для идентификации объекта признаки.  После этой операции процесс ориентации в предметной области становится более экономным по затратам всех видов ресурсов, более легким и быстрым, чем до этого, причем при сохранении необходимого высокого качества.

Высвобождение сил познающего человека после исключения из анализа второстепенной и несущественной информации позволяет подойти к решению более сложных задач, таких как выявление сходств и различий между обобщенными образами различных видов объектов Реальности, а также выявление смысловых взаимосвязей между различными признаками этих объектов. Кроме того, использование сжатых и высокоинформативных образов объектов позволяет быстро и с минимальными внутренними затратами относить конкретные чувственно–наблюдаемые объекты к тем или иным обобщенным категориям, функции и свойства которых уже известны, и таким образом эффективно ориентироваться в некоторой предметной области (окружающей среде).

В дальнейшем, применяя на практике ранее сформированные модели Реальности, человек получает новую достоверную информацию о степени их эффективности и, соответственно, адекватности. Эта информация обратной связи используется для уточнения и развития конкретной чувственно–эмоциональной и обобщенной, абстрактной (формальной) модели Реальности,  в чем и состоит ее адаптивность.

Результаты и перспективы

Математическая модель и реализующая ее инструментальная программная система, разработанная на основе многокритериального подхода и теории информации [196], обеспечивает достаточно адекватное для практического применения формальное описание и поддержку реализации когнитивных операций, психологическое описание которых дано в базовой когнитивной концепции [177]:

1)            восприятие: интенсиональное (дискретное) представление чувственного образа конкретного объекта в форме совокупности признаков;

2)            присвоение формальных (знаковых) имен: экстенсиональное (континуальное) представление чувственного образа конкретного объекта в форме принадлежности к некоторым градациям определенных смысловых шкал;

3)            обобщение (синтез, индукция): формирование обобщенных образов различных категорий объектов на основе одновременного использования экстенсиональных и интенсиональных описаний конкретных объектов, которые используются в качестве примеров;

4)            анализ обобщенных образов (дедукция): выявление общего и особенного (характерного и нехарактерного) для каждого обобщенного образа;

5)            распознавание (идентификация) конкретных объектов: сравнение чувственного образа конкретного объекта со всеми обобщенными образами.

6)            анализ признаков: выявление общего и особенного, характерного и нехарактерного в смысловом содержании каждого признака;

7)            абстрагирование: определение для каждого признака его вклада в различие друг от друга обобщенных образов; контролируемое и корректное удаление незначимых признаков с сохранением всей существенной информации;

8)            классификация обобщенных образов: определение сходств и различий обобщенных образов друг с другом; объединение сходных образов в кластеры; формирование биполярных систем наиболее непохожих кластеров, т.е. конструктов образов; построение семантических сетей классов;

9)            классификация признаков: определение сходств и различий признаков по их смыслу; объединение сходных по смыслу признаков в кластеры; формирование биполярных систем наиболее непохожих кластеров, т.е. конструктов признаков; построение семантических сетей признаков;

10)       содержательное сравнение обобщенных образов: определение признаков, по которым любые два заданных образа несопоставимы, сходны или отличаются друг от друга; построение много–многозначных когнитивных диаграмм, в том числе диаграмм Вольфа Мерлина;

11)       содержательное сравнение признаков: определение элементов смысла, по которым любые два заданных признака несопоставимы, сходны или отличаются друг от друга; построение много–многозначных когнитивных диаграмм, в том числе инвертированных диаграмм Вольфа Мерлина.

 

8.5.5. КОМПЬЮТЕРНЫЕ Y–ТЕХНОЛОГИИ

 

Актуальность

Круг возможных областей применения предложенных методологии, технологии и инструментальной системы для исследований в пограничных и малоисследованных областях науки включает следующие направления:

-         диагностика потенциальных сверхспособностей (в том числе, обеспечивающих адекватное поведение в экстремальных ситуациях);

-         развитие, адаптация и привязка (локализация), разработка новых профессиональных методик специального назначения;

-         выявление и изучение характера влияния факторов, связанных с переходами в осознанные сновидения и измененные формы сознания;

-         прогнозирование способности человека адекватно действовать в экстремальных ситуациях и оптимально выйти из них, решив при этом поставленные задачи;

-         прогнозирование места и времени аномальных и экстремальных ситуаций.

Рассмотрим подробнее возможность применения предложенной технологии для дистанционной невербальной подсознательной диагностики и коррекции социально–психологического и профессионального статуса учащихся [335].

В настоящее время, в соответствии с Государственным образовательным стандартами, проблемы обеспечения информационной безопасности решаются правовыми, организационными, экономическими, инженерно-техническими, математическими и программно-аппаратными средствами. Однако, по мнению авторов, этими мерами возможности по защите информации не исчерпываются. Важный резерв повышения эффективности охранных мероприятий заключается в специальном профессиональном отборе и особой психологической подготовке специалистов, призванных обеспечить мероприятия по защите информации и работающих с закрытой информацией.

Предлагаемый подход

Задача оптимального профессионального отбора традиционно решается профессиональными психологами, использующими существующий инструментарий. При этом в качестве источника первичной информации о кандидатах, как правило, используются их ответы на вопросы определенных тестов (опросников). На основе обработки этих ответов выявляются психологические свойства кандидатов, которые сравниваются с ранее разработанными профессиограммами. На этой основе принимаются решения о профессиональной пригодности кандидата. О коррекции личностных свойств традиционно вопрос не ставится, так как считается, что подготовка специалиста сводится к передаче ему определенного объема знаний и навыков. В то же время именно социально–психологическими свойствами личности, ее мотивацией и другими пока неконтролируемыми параметрами определяется эффективность, более того, сама направленность использования полученных специальных знаний и навыков.

Традиционный подход имеет ряд ограничений, обусловленных следующим: ответы на вопросы кандидаты дают в условиях специально организованной процедуры анкетирования, смысл и значение которой им заранее известен; стимульный материал и ответы даются в словесной форме, т.е. предполагают участие сознательного критического мышления кандидата, что искажает исходные данные представлениями кандидата о том, как должен выглядеть наилучший вариант ответов; процедура анкетирования требует значительного времени, а также согласия на ее проведение со стороны кандидата, что затрудняет ее использование в реальных условиях; профессиограммы учитывают значение только психологических свойств кандидатов для успешности их профессиональной деятельности, в то время как остальные, часто не менее значимые их свойства игнорируются; ставится лишь задача определения статуса кандидата, тогда как задача подготовки профессионала требует и решения задачи коррекции, т.е. по сути задач управления.

Некоторые из названных ограничений снимаются технологиями, основанными на использовании полиграфа, который позволяет регистрировать подсознательную реакцию на те или иные стимулы, как правило осознаваемые кандидатом. Однако дистанционность съема первичной информации обеспечивается при этом в очень ограниченной мере (на минимальных расстояниях). Дистанционные каналы передачи первичной информации являются электромагнитными, что позволяет блокировать возможность их использования стандартными средствами. Кроме того, с одной стороны, полиграф является лишь системой съема информации и не может быть использован для коррекции состояния кандидата за счет использования обратной связи, а, с другой стороны, анализ первичной информации и принятие решения об отнесении кандидата к тем или иным диагностическим категориям осуществляется человеком-экспертом, что не позволяет объективировать эти оценки и добиться их сопоставимости для различных диагностических групп кандидатов, регионов и времени проведения исследований.

Предлагается создать автоматизированную систему с человеко-зависимым дистанционным интерфейсом, обеспечивающим:

-         подсознательную диагностику текущего состояния человека–оператора и его профессионального, а также  социального и психологического статуса;

-         целенаправленную коррекцию его состояния от текущего к целевому (оптимальному).

Для этой цели на этапе получения исходной информации предлагается применить дистанционные датчики разработки лаборатории PEAR Princeton university (NJ, USA), а также отечественные и собственные разработки. Для анализа исходной информации и принятия решений об отнесении кандидатов к тем или иным диагностическим категориям, а также для выработки корректирующего (управляющего) воздействия, предлагается использовать автоматизированные системы принятия решений, основанные на многокритериальном подходе и теории информации. По этим направлениям в ТУ КубГТУ имеется научный и практический задел (данное направление является базовым научным направлением кафедры компьютерных технологий и информационной безопасности КубГТУ).

Результаты и перспективы

Полученные результаты позволяют создать:

1) скрытую технологию раннего выявления оптимальных кандидатов для подготовки по различным специальностям;

2) компактный аппаратно–программный комплекс бесконтактной идентификации пользователя и коррекции его состояния, действующий без его ведома и сознательного участия, встраиваемый в компьютер или действующий автономно.

 

8.6. ОБУЧЕНИЕ

 

8.6.1. ПРОГНОЗИРОВАНИЕ УСПЕШНОСТИ БУДУЩЕЙ

          ПРОФЕССИОНАЛЬНОЙ ДЕЯТЕЛЬНОСТИ

          АБИТУРИЕНТОВ И УЧАЩИХСЯ ВУЗОВ

 

Актуальность

Хорошо известно, что успешная сдача абитуриентом вступительных экзаменов в вуз еще не означает, что он будет так же успешно учиться. Более того, само по себе это абсолютно не гарантирует, что он вообще окончит вуз.

Не менее хорошо известно, что и успешное обучение студента в вузе само по себе также не гарантирует, что его практическая профессиональная деятельность после окончания учебы будет также успешна. Часто бывшие "троечники" на практике добиваются значительно лучших результатов, чем обладатели "красных дипломов".

Поэтому, по мнению авторов, представляет особый интерес разработка методов, позволяющих прогнозировать не только то, поступит ли данный абитуриент в вуз и как он будет учиться (это представляет лишь частный интерес), но прежде всего, закончит ли он обучение и как будет работать: по специальности или нет, и, если по специальности, то насколько успешно.

Предлагаемый подход

Школа решает основную задачу обучения и воспитания, а вовсе не задачу подготовки учащихся к поступлению в вуз, и уж тем более не готовит их к обучению в нем. Это обусловлено просто тем, что подавляющее большинство выпускников школ не собирается поступать и не поступает в вузы.

Высшее учебное заведение, в свою очередь, должно готовить не к защите кандидатских и докторских диссертаций, что, очевидно, не может быть самоцелью, а к практической деятельности в соответствующих сферах жизни общества (конечно, наука также является одной из этих сфер, но – это частный случай).

Таким образом, есть все основания предположить, что текущие школьные оценки, оценки по предметам в аттестате и вкладыше в диплом не содержат особенно существенной информации о том, как сложится будущая профессиональная деятельность сегодняшнего учащегося школы или студента вуза. А между тем именно это и представляет основной интерес.

В данном случае мы сталкиваемся с классической проблемой синтеза (построения) измерительной системы, т.е. системы, которая по доступным для измерения внешним параметрам измеряемых объектов (признакам) позволяет с контролируемой надежностью делать выводы об их ненаблюдаемых (латентных) параметрах или давать оценку и классификацию объектов и их состояний.

Например, если врач измеряет температуру пациента, то он это делает не потому, что его интересует температура сама по себе, а для того, чтобы с учетом температуры поставить диагноз и прийти к обоснованному плану лечения. Но врач может поставить диагноз по температуре только потому, что в течение тысяч лет до него накапливалась информация о связи температуры с теми или иными заболеваниями, и эта связь сначала была выявлена, а затем стала известна данному врачу в процессе его обучения. Только зная эту связь врач может по температуре судить о диагнозе.

Поэтому, для решения проблемы, поставленной в данной работе, необходимо исследовать "корреляционные взаимосвязи" между широким кругом измеряемых параметров абитуриентов и учащихся вузов, и экспертной оценкой успешности их учебы и профессиональной деятельности. В круг анализируемых параметров можно включить и традиционные оценки, имеющие внешний вид количественных ("по пятибалльной шкале"). Одновременно и выяснится, насколько они в действительности сопоставимы друг с другом и пригодны в качестве измерителей того, что нас на самом деле интересует. Это позволит обоснованно подтвердить или опровергнуть сформулированную выше гипотезу.

Авторами разработана универсальная когнитивная аналитическая система "Эйдос" и связанная с ней система обработки данных комплексного психологического тестирования "Эйдос–Y", позволяющие решить сформулированную выше проблему. Для этого выполняются следующие работы:

1.     Классифицируются виды профессиональной деятельности (шкалы) и уровни их успешности (градации), а также успешность поступления и обучения.

2.     Классифицируются измеряемые параметры абитуриентов и учащихся вузов: предыстория, актуальный социально–психологический статус, учебные и иные воздействия.

3.     Накапливается база данных по абитуриентам и студентам, описанным измеряемыми параметрами.

4.     Когда (по прошествии соответствующего времени) становится известно, к каким классам по успешности или неуспешности обучения и профессиональной деятельности фактически относятся те или иные абитуриенты и студенты, то база данных по ним дополняется этой информацией. Так формируется база примеров, т.е. обучающая выборка. Очень важно, что она может быть сформирована и по архивным данным, т.е. ретроспективно.

Результаты и перспективы

Система "Эйдос–6.2" обеспечивает обработку обучающей выборки (которая может быть любого объема) с помощью алгоритмов, построенных на основе теории информации. В результате этого обеспечивается:

-       автоматическое взвешивание или ремонт исходных данных, т.е. выборка из массива респондентов такого подмножества, которое в наибольшей степени соответствует заданной генеральной совокупности (обеспечение структурной репрезентативности обучающей выборки);

-       формирование обобщенных образов исследуемых профессиональных категорий респондентов, т.е. автоматизированная разработка профессиограмм;

-       определение вклада психологических свойств, измеряемых с помощью стандартных тестов, в различие профессиограмм;

-       исключение тех психологических свойств, которые вносят наименьший вклад в различие профессиограмм (абстрагирование);

-       вывод сформированных профессиограмм и профилей психологических качеств в удобной для восприятия и анализа текстовой и графической форме;

-       сравнение индивидуальных интегральных образов респондентов с профессиограммами и определение спектра профессиональных предпочтений для данного респондента (тестирование, распознавание);

-       сравнение профессиограмм (и профилей психологических качеств) друг с другом, формирование кластеров и конструктов, автоматическое построение семантических сетей классов и признаков;

-       содержательное сравнение профессиограмм (и профилей психологических качеств) друг с другом, автоматическое построение когнитивных диаграмм, в том числе стандартных и инвертированных (термин авт.) диаграмм В.С.Мерлина [220];

-       расчет частотных распределений профессиограмм и психологических, а также двумерных матриц сопряженности на основе критерия c2 и коэффициентов Пирсона, Чупрова и Крамера.

 

8.6.2. АДАПТИВНОЕ УПРАВЛЕНИЕ

          ИНДИВИДУАЛЬНЫМ ОБУЧЕНИЕМ

 

Актуальность

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

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

Конечно, подобный подход является очень упрощенным, так как человек представляет собой не просто сложнейшую систему обработки информации, но и обладает свободой воли.

С формальной точки зрения это означает, что человек как объект управления представляет собой сложную, многопараметрическую, динамичную слабодетерминированную 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. Неразрешимые проблемы возникают как на этапе идентификации состояния объекта управления, так и на этапе выработки управляющего воздействия.

Предлагаемый подход

Применение когнитивной аналитической системы "Эйдос-6.2", обеспечивающей построение многопараметрических (до 4000 параметров) динамических (адаптивных) информационных моделей, отражающих слабые взаимосвязи между состояниями объекта и среды, и их внешними признаками, позволяет надеется на преодоление этих проблем.

Система "Эйдос" сама по себе позволяет оценивать актуальное состояние объекта управления и прогнозировать его развитие. Она позволяет также исследовать влияние на это развитие предыстории объекта управления и управляющих воздействий как зависящих, так и не зависящих от преподавателей. Таким образом, она может быть применена в качестве интеллектуальной компоненты в человеко-машинной автоматизированной системе управления индивидуальным обучением в блоках мониторинга и выработки управляющих воздействий управляющей подсистемы.

В соответствии с интеллектуальной технологией "Эйдос" в процессе синтеза данной системы выполняют следующие работы:

1. Ставят цели методики и разрабатывают в соответствии с ними  перечень прогнозируемых и целевых состояний учащегося, переход в которые рассматривается как результат воздействия на учащегося с помощью определенных педагогических технологий (специфических и неспецифических факторов).

2. Разрабатывают формализованный паспорт учащегося, позволяющий описать в пригодной для компьютерной обработки форме его историю, актуальное состояние, педагогические воздействия и их результат. Формализованный паспорт состоит из трех основных частей: первая содержит шкалы, описывающие не зависящие от преподавателей факторы, вторая – факторы, зависящие от решения преподавателей, которые можно рассматривать как средства достижения желаемых педагогических результатов, и третья – содержит классификацию самих прогнозируемых и целевых педагогических результатов.

3. Неструктурированная информация о педагогических воздействиях и их результатах должна быть представлена в виде формализованных паспортов и введена в систему "Эйдос" в качестве примеров того, к каким педагогическим результатам фактически приводят те или иные педагогические воздействия на учащихся, имеющих определенную предысторию и определенное актуальное состояние.

4. Система на основе предъявленных реальных примеров обучения выявит взаимосвязи между предысторией учащегося, актуальным состоянием, применяемыми педагогическими технологиями (педагогическими факторами) и полученными педагогическими результатами и сформирует так называемые информационные портреты по каждому результату. Информационный портрет педагогического результата представляет собой перечень различных характеристик учащегося, а также педагогических факторов с количественным указанием того, какое влияние каждый из них оказывает на осуществление данного результата.

5. Для каждой из характеристик учащегося, каждого педагогического фактора на основе обработки примеров обучения автоматически (т.е. самой системой "Эйдос") будет количественно определено, какое влияние они оказывают на осуществление каждого педагогического результата.

6. Система сравнит различные педагогические результаты и сформирует группы наиболее сходных из них (кластеры), а также определит, какие кластеры наиболее сильно отличаются друг от друга (конструкты). При этом будут выявлены не только уже известные специалистам конструкты, но могут быть обнаружены и новые, ранее неизвестные. Выявленные взаимосвязи между классами отображаются в форме семантических сетей.

7. Аналогично и технологические факторы будут сгруппированы в кластеры и конструкты, так, например, будет выявлено, что некоторые различные по своей физической природе специфические и неспецифические педагогические факторы оказывают сходное влияние на педагогические результаты. Выявленные взаимосвязи между факторами отображаются в форме семантических сетей.

8. После выполнения данных работ будет проверена способность системы правильно прогнозировать педагогические результаты на массиве уже введенных формализованных паспортов, т.е. будет определена внутренняя интегральная и дифференциальная валидность методики. Если она окажется достаточно высокой, то методику можно будет рекомендовать для опытно-экспериментального практического применения. В то же время, по-видимому, будут выявлены и слабодетерминированные педагогические результаты, которых наиболее сложно добиваться и которые сложно достоверно прогнозировать.

Результаты и перспективы

Таким образом, адаптивная АСУ индивидуальным обучением позволяет решить следующие две основные задачи:

1)     получить прогноз, какие педагогические результаты наиболее вероятны (а какие практически невозможны) для учащегося с данной предысторией, с данным актуальным состоянием при воздействии на него имеющимися в распоряжении образовательными (педагогическими) технологиями;

2)     разработать рекомендации о том, какие предыстория, актуальная картина и педагогические воздействия должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный уровень учебных достижений и заданный педагогический эффект.

Система сама оценивает степень достоверности своих прогнозов и рекомендаций, т.е. она не просто дает рекомендацию, но и количественно оценивает степень надежности этой рекомендации.

Кроме того, система дает характеристику каждого технологического приема (по результатам его действия), а также выдает рекомендации по замене желательных технологических приемов, но очень дорогих, труднодоступных или опасных, другими, более дешевыми, доступными и безопасными, и при этом имеющими сходное влияние на педагогические результаты.

Следовательно, данная методика позволяет "просматривать" различные варианты педагогических технологий, прогнозировать последствия применения различных технологических приемов, и на этой основе вырабатывать научно обоснованные рекомендации по выбору квазиоптимальной для поставленных целей педагогической технологии с учетом истории и актуального состояния учащегося.

Таким образом, автоматизированная система управления:

1. Может эксплуатироваться в адаптивном режиме: квалифицированный пользователь может увеличивать базу примеров, расширять перечень прогнозируемых (идентифицируемых) педагогических ситуаций, увеличивать количество факторов в формализованном паспорте или контролируемо уменьшать размерность описания без потери качества. Эти возможности функционально сближают систему "Эйдос" с нейронными сетями [216].

2. Позволяет использовать любое количество шкал для классификации и описании прогнозируемых и целевых педагогических результатов, причем в разных шкалах может быть различное количество градаций, но их общее количество не должно превышать 8000.

3. Сама выявляет зависимости на основе примеров обучения, взятых из реальной практики, и не требует от эксперта формализованного описания этих зависимостей (продукций) как в ряде экспертных систем.

Кроме того, методика позволяет также раздельно изучать вклад в достижении педагогического эффекта, который дают, с одной стороны, объективное действие педагогических, а, с другой стороны, эффект плацебо, действующий за счет ожиданий учащихся, их веры и других психологических факторов.

Данный подход к синтезу человеко-машинной системы адаптивного управления индивидуальным обучением показателен как сам по себе, так и в качестве примера применения системы "Эйдос" для выявления взаимосвязей между различными технологиями, с одной стороны, и результатами применения их применения, с другой.

 

8.6.3. ИССЛЕДОВАНИЕ УЧЕБНОЙ АКТИВНОСТИ

          И ИНДИВИДУАЛЬНЫХ ОСОБЕННОСТЕЙ УЧАЩИХСЯ

 

Актуальность

В Краснодарском юридическом институте МВД РФ по предложенной технологии было проведено исследование взаимосвязей между учебной активностью обучаемых с одной стороны, и их индивидуальными психологическими свойствами с другой [355]. Исследование базировалось на концепции интегральной индивидуальности В. С. Мерлина [190, 220].

Предлагаемый подход

Математическая обработка экспериментальных материалов была осуществлена с помощью систем Statistica for Windows и системы "Эйдос". При этом были выявлены зависимости между психологическими свойствами личности, с одной стороны, и учебными достижениями, с другой, т.е. разработаны профессиограммы. На этой основе для каждого обучаемого может быть сделан индивидуальный прогноз успешности обучения.

Результаты и перспективы

Исследование показало, что даже такие мощные системы, как Statistica, реализующие практически все стандартные методы статистической обработки данных, лишь частично перекрывают возможности системы "Эйдос". Подтверждено, что система "Эйдос", которая является когнитивной аналитической системой, позволяет получить ряд высокоуровневых обобщений, таких как интегральные профессиограммы, а также прямые и инвертированные диаграммы Вольфа Мерлина, и, следовательно, имеет свою "экологическую нишу". Был сделан вывод о том, что эти системы удачно дополняют друг друга.

 

 

 

 

8.7. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ В ДРУГИХ ОБЛАСТЯХ

 

8.7.1. СОЦИОЛОГИЯ И ПОЛИТОЛОГИЯ

 

C применением предложенной методологии и технологии может быть выполнен ряд работ в области социологии и политологии [183, 299]:

-         определение социальной базы (структуры электората) партий, их блоков и объединений, конкретных кандидатов в разрезах по краевому центру, городам и районам края (социальный, возрастной, профессиональный, национальный, образовательный, половой и т.п. Состав, поддерживающих и отвергающих программные лозунги предвыборной борьбы);

-         изучение социальных запросов различных групп населения и формирование на этой основе предвыборной программы блока, партии, кандидата;

-         выявление объективных союзников и оппозиции, как в среди партий, блоков и кандидатов, так и среди различных групп населения;

-         изучение динамики и территориальных особенностей по всем этим аспектам.

В настоящее время работы, проводящиеся различными группами и организациями по этим проблемам не основаны на использовании автоматизированных систем искусственного интеллекта, позволяющих разрабатывать и использовать оптимальные методики получения социологической информации и ее анализа. Обычно применяемое для компьютерной обработки результатов анкетирования программное обеспечение позволяет получить лишь простейшие характеристики исследуемой выборки, вроде процентного распределения голосов по районам или различным группам населения.

 

8.7.2. МАРКЕТИНГОВЫЕ, РЕКЛАМНЫЕ И СОЦИАЛЬНО–

          ПСИХОЛОГИЧЕСКИЕ ИССЛЕДОВАНИЯ

 

Все эти исследования проводятся примерно по одной технологии:

-         разрабатывается и тиражируется опросный лист;

-         проводится массовый опрос общественного мнения;

-         данные опроса вводятся в компьютер и обрабатываются с помощью специальных программных систем;

-         результаты компьютерной обработки анализируются, разрабатывается аналитический отчет, содержащий как описание ситуации, так и рекомендации по управлению.

Различие состоит в том, к какой сфере относится информация, собираемая с помощью опросного листа:

-         в случае маркетинговых исследований – это потребительские предпочтения различных групп населения;

-         в рекламных исследованиях нас интересует, из каких источников информации различные группы населения получают информацию о приобретаемых ими товарах, а также то, каким образом они реагируют на различные виды и методы рекламы;

-         при социально–психологических исследованиях для нас важны психологические качества личности и точка зрения людей на те или иные преобразования.

Различают разовые (точечные) и периодические исследования. Разовые исследования дают возможность выявить картину на момент проведения опроса, тогда как периодические – обеспечивают изучение динамики процессов. Во втором случае со временем появляется возможность прогнозирования развития ситуации.

Исследования могут иметь также различный "территориальный охват", т.е. могут ограничиваться лишь одним населенным пунктом или включать сбор информации по району или краю. Во втором случае имеется возможность выявления территориальной специфики, а также возможность выявления регионов, сходных в том или ином отношении.

Использование информации, получаемой в результате маркетинговых, рекламных и социально–психологических исследований, позволяет принимать точные и эффективные решения в области планирования закупок и продвижения на рынок (адресной реализации) различных товаров, а также управлять кадрами, обеспечивая сплоченную, согласованную и надежную работу коллектива.

Маркетинговые исследования

Актуальность

Маркетинговые исследования проводятся в целях получения полной и достоверной информации, необходимой для определения объема и номенклатуры закупаемых товаров и организации их адресной реализации конкретным группам потребителей.

Предлагаемый подход

Опросный лист разрабатывается таким образом, чтобы с помощью него можно было получить необходимую информацию о потребителях. В опросный лист могут входить фирменные товарные знаки и каталоги товаров как изготовленные типографским способом, так и с изображения товаров, снятые с их фотографий при помощи сканера и отпечатанные на цветном принтере. Опросный лист может служить одновременно и бланком для заполнения, но могут использоваться и специальные бланки для ответов (что более рационально).

Вопросы делятся на несколько групп:

-         социальный и гражданский статус потребителя (пол, возраст, образование, состоит ли в браке, сколько имеет детей, форма занятости, если работает, то руководитель он или исполнитель и т.п.);

-         уровень достатка в семье потребителя;

-         товары, реально приобретенные потребителем за последнее время;

-         товары, которые потребитель приобрел бы, если бы у него была финансовая возможность;

-         частота приобретения товаров по их видам;

-         какие потребительские и стоимостные характеристики товаров привлекают потребителя и какие его не устраивают;

-         где потребитель реально приобретает товары: у частных лиц, в магазинах (каких), на рынках (каких);

-         какие места приобретения товаров потребитель знает: наименования магазинов и рынков;

-         какую роль в выборе товара играет сервис и способ обслуживания в магазине или на рынке.

Результаты и перспективы

В результате проведения маркетингового исследования выявляются потребительские предпочтения различных групп населения в определенном секторе рынка. Выясняется, "что, где, когда", кем и по каким причинам приобретается.

Например, выясняется, что данная категория населения приобретает такие–то виды товаров в таких–то местах, а приобрела бы и такие, но если бы цена на них была более приемлемая.

На основе этой информации может быть разработан план закупок или производства товаров, определена потенциальная емкость рынка на данный момент и перспективу, а также спрогнозирована его динамика, товар может поставляться адресно в те торговые точки, которые пользуются популярностью у конкретных категорий потребителей.

Регулярное проведение маркетинговых исследований позволяет постоянно "держать руку на пульсе" и строить свою работу используя достоверное знание предпочтений возможностей и желаний своих потребителей.

Рекламные исследования

Актуальность

Рекламные исследования проводятся в целях получения полной и достоверной информации, необходимой для адресного управления формой и содержанием информации, на основе которой конкретными группами потребителей принимаются решения о приобретении тех или иных товаров.

Предлагаемый подход

Опросный лист разрабатывается таким образом, чтобы с помощью него можно было выяснить, какими источниками информации реально пользуются различные категории потребителей, а также какие формы подачи информации они предпочитают и лучше воспринимают.

В опросный лист могут быть включены фирменные знаки, ключевые слова и рекламные фразы, а также наименования источников информации, выполненные их фирменными стилями (которые можно снять с помощью сканера и отпечатать на цветном принтере). Опросный лист может служить одновременно и бланком для заполнения, но могут использоваться и специальные бланки для ответов.

Вопросы делятся на несколько групп:

-         социальный и гражданский статус потребителя (пол, возраст, образование, состоит ли в браке, сколько имеет детей, форма занятости, если работает, то руководитель он или исполнитель и т.п.);

-         наиболее популярные телевизионные программы и передачи;

-         наиболее популярные радиопрограммы и передачи;

-         отношение к рекламе, включаемой в состав радио и телепередач;

-         наиболее популярные журналы и рубрики;

-         наиболее популярные газеты и рубрики;

-         отношение к внешней рекламе;

-         роль форм, методов и фирменных стилей рекламы;

-         иные источники и формы информации, на основе которой потребителями принимаются решения.

Результаты и перспективы

В результате проведения рекламного исследования выясняется, какими источниками информации пользуются различные потребительские группы населения и какие формы подачи информации для них предпочтительны.

Например, выясняется, что определенная группа населения в основном слушает "Радио Рокс" и именно определенную передачу, которая идет с 18 до 19. Кроме того, известно, что эту группу населения раздражает, когда любимая передача прерывается рекламой товаров, которые представителями данной группы в принципе не могут быть куплены. Известно, также, что эта группа предпочитает юмор политике.

На основе этой информации может быть разработан план использования этой передачи "Радио Рокс" для адресного сообщения данной группе населения информации о "ее товарах", причем в такой форме,  которая будет воспринята этой группой эмоционально положительно.

Регулярное проведение рекламных исследований позволяет строить свою работу, используя достоверное знание источников и форм информации, которыми реально пользуются различные категории потребителей.

Социально–психологические исследования

Актуальность

Социально–психологические исследования проводятся с целью организации эффективного использования кадров на основе достоверного знания индивидуальных характеристик членов коллектива и учета их взаимодействия в группах.

Предлагаемый подход

Такие исследования проводятся в два основных этапа.

На первом этапе на основе применения систем комплексного психологического тестирования, а также специальных опросников и методов обработки информации выявляются индивидуальные социальные ориентации, мотивации, психологические и профессиональные характеристики членов коллектива:

-         разрабатываются профессиограммы, содержащие психологические и иные требования к работникам различных должностей данного предприятия;

-         производится оценка действующего персонала;

-         на основе индивидуального подхода оптимизируются назначения на должности;

-         осуществляется антикриминальная профилактика.

На втором этапе изучается взаимодействие членов коллектива в группах и решается задача реструктуризации коллектива:

-         изучаются вопросы совместимости членов коллектива в группах;

-         выявляются внутренние коалиции и их лидеры;

-         оптимизируется или строится многоуровневая система управления коллективом, в которой лидеры каждого иерархического уровня одновременно наиболее совместимы как со своим начальством, так и с подчиненными руководителями, а также конкретными исполнителями.

Опросный лист разрабатывается на основе стандартных тестов и опросников, что позволяет измерить индивидуальные психологические характеристики членов коллектива. Кроме того, он содержит оценки членов коллектива их непосредственными руководителями, если последние имеют полномочия приема на работу и увольнения своих подчиненных. Опросный лист может служить одновременно и бланком для заполнения, но могут использоваться и специальные бланки для ответов.

Вопросы делятся на несколько групп:

-         профессиональная и личностная оценка члена коллектива руководителем;

-         социальный и гражданский статус члена коллектива (пол, возраст, образование, состоит ли в браке, сколько имеет детей и т.п.);

-         опросник 16PF Р. Б. Кеттелла;

-         тест, выявляющий уровень самоактуализации (САТ);

-         опросник по определению стиля управленческой деятельности;

-         анкета "Ориентация на развитие";

-         анкета "Опосредующие развитие факторы".

Результаты и перспективы

Регулярное проведение социально–психологических исследований позволяет эффективно управлять кадрами с учетом как индивидуальных возможностей членов коллектива, так и их совместимости в группах.

 

8.7.3. ПРАВООХРАНИТЕЛЬНАЯ СФЕРА

 

В правоохранительной сфере предложенная методология и технология может быть применена, в частности,  для решения следующих задач:

1.            Ранняя криминогенная профилактическая идентификация лиц по статьям уголовного кодекса.

2.            Прогнозирование и профилактика нарушений правил дорожного движения (ПДД).

3.            Поиск аналогов преступлений (или аналогов фабул).

4.            Поиск аналогов проверок.

5.            Тестирование на допуски к специальным видам деятельности (сотрудников МЧС, ОВД, работников служб безопасности банков и коммерческих структур и др.).

6.            Тестирование на право применения оружия [91].

7.            Тестирование на совместимость в оперативных группах.

8.            Разработка обобщенных фотороботов, типичных для лиц различных направлений криминальной и некриминальной деятельности.

9.            Выявление взаимосвязей между характеристиками фоторобота ("физиогномика"), отпечатков пальцев ("дерматоглифика"), почерка ("психографология"), другими характеристиками, с одной стороны, и типами правонарушений, с другой стороны.

10.        Оперативное и долгосрочное прогнозирование динамики правонарушений по видам; изучение влияния политических, экономических, правовых и других факторов на динамику правонарушений.

11.        Типология оперативных ситуаций и идентификация сложившейся оперативной ситуации.

12.        Поиск наиболее схожих с поступившим состоящих на учете лиц на основе количественного сравнения индивидуальных фотороботов.

13.        Методики оценки потенциала абитуриента, слушателя специальных учебных заведений и сотрудников ОВД по всему спектру должностей и специальностей.

14.        Типология и косвенное выявление сфер криминальных интересов.

15.        Оценка риска при залоге и кредитовании, выявление случаев неоправданной кредитной политики.

16.        Паспортизация участков дорог, типология аварийно–опасных участков дорог по видам аварий; прогнозирование аварийной опасности участков дорог; выработка мер по переоборудованию аварийно–опасных участков дорог в целях снижения их аварийной опасности.

17.        Количественное сравнение словесных (вербальных) описаний изображений (местности, интерьеры, лица и др.) с фотографиями.

18.        Управление составом элитных групп.

19.        Типология и косвенная идентификация криминальных типов экономической и финансовой деятельности на уровне предприятий (выявление зон риска для налоговой полиции).

 

8.7.4. ПРИМЕНЕНИЕ В INTERNET

 

Актуальность

Необходимо отметить, что многие услуги, оказываемые с применением предложенной методологии и технологии, являются услугами по интеллектуальной обработке данных, а значит могут с успехом предоставляться через глобальную сеть Internet.

Предлагаемый подход

Это может выглядеть, например, следующим образом:

1.     На WEB–сервере имеется сигнальная информация о возможности предоставления OFF–лайновой услуги "интеллектуальная обработка данных" (анализ психологической, социологической и политологической информации, маркетинговые и рекламные исследования, изучение влияния технологических факторов на качественные и количественные характеристики результата в любой сфере деятельности, разработка ключей новых оптимальных адаптивных тестов в области прикладной психологии, оценки высококвалифицированного и специального персонала, выявление специальных способностей, разработка и применение профессиограмм и косвенных тестов прямого действия, реструктуризации коллективов, диаграммы Вольфа Мерлина, кластерно–конструктивный и когнитивный анализ, количественное сравнение изображений, разработка обобщенных фотороботов по видам проявлений личности, оценка степени риска и эффективности деятельности и т.д.); 50 видов текстовых и 50 видов 2d & 3d графических форм, выходные формы выдаются на языке пользователя.

2.     Если пользователь заинтересовался, то ему предоставляется более подробная информация в виде web–страницы.

3.     Возможны уточнения в режиме диалога с разработчиками и исполнителями работ (переписка).

4.     Если пользователь оформляет и оплачивает заказ на обработку, то ему высылаются методические указания (а также другие заказанные материалы по системе) по постановке задачи и программный режим, обеспечивающий подготовку исходной информации для обработки данных (т.е. ввод справочников и обучающей выборки). Постановка задачи может осуществляться в диалоге с разработчиками.

5.     Пользователь вводит исходную информацию и пересылает архив баз данных для обработки.

6.     Данные обрабатываются и выходные формы в виде архива отправляются заказчику.

7.     Как дополнительная услуга может разрабатываться и аналитический отчет по результатам обработки данных.

8.     Возможны дополнительные расчеты при заданных параметрах обработки за дополнительную оплату.

9.     Возможна поставка базовой системы заказчику.

Результаты и перспективы

В перспективе возможна разработка обеспечения для оказания On–line услуг непосредственно в Internet.

 

8.7.5. ДРУГИЕ ПЕРСПЕКТИВНЫЕ ПРИМЕНЕНИЯ

 

В перспективе предложенные методология, технология и инструментальная программная система могут быть применены, в частности, в следующих областях:

1.            В медицине, в том числе гомеопатии, иридодиагностике, рефлексотерапии: диагностики заболеваний по их симптоматике, в том числе при массовых профилактических обследованиях населения как с выездом в район обследования или на предприятие, так и без личного присутствия пациентов; сжатия диагностической информации, содержащейся в медицинской литературе и архивах историй болезни; проведения научных исследований по выявлению причинно–следственных зависимостей между применяемыми средствами (например, лекарственными) и методами лечения, с одной стороны, и лечебным эффектом, с другой, мониторинга состояний пациентов.

2.            В профессиональной диагностике и профориентации в учебных заведениях, на предприятиях в отделах кадров, в центрах занятости населения (на биржах труда и в службах трудоустройства). Для психосоциальной диагностики и анализа общественного мнения, компьютерной обработки и интерпретации результатов социологических исследований (public relations). Для тестирования предметной обычности учащихся и определения решаемости контрольных заданий.

3.            Для криминогенной профилактики физических и юридических лиц, выявления и прогнозирования "зон риска", в том числе в налоговых, финансовых и других контролирующих органах, для криминалистической и психофизиологической идентификации личности. Для классификации и типологизации преступлений, формализации фабулы (почерка), нахождения аналогов преступлений, а также автоматизированного поиска ранее проведенных проверок, в которых были получены аналогичные результаты.

4.            Для диагностики способностей, в том числе экстрасенсорных и других парапсихологических способностей, косвенного измерения уровня развития сознания, интеллектуальной и эмоциональной сферы, способностей к специальным видам деятельности, связанных с риском, высокой ответственностью, работой на высоте, под землей, под водой, с применением оружия, в экстремальных ситуациях и т.п. Для автоматизированного синтеза образа объекта по его фрагментам, полученным с помощью подсознательного информационного канала, в том числе при получении одной и той же информации многими людьми, ни один из которых в явной и целостной форме не осознает ее; для количественного сравнения и идентификации образов, полученных в результате дистанционной перцепции, ретрогниции и прекогниции, с образами – мишенями. Для синтеза образа объекта – мишени (и количественного его сравнения с оригиналом) при индивидуальном и коллективном восприятии по каналам телепатии, неклассической дистанционной перцепции, ретрогниции и прекогниции.

5.            Для атрибуции анонимных и псевдонимных текстов, т.е. для установления вероятностного авторства текста или его тематической или иной принадлежности по незначительным, поврежденным, неполным и несвязанным фрагментам. В этом случае система распознавания работает как дескрипторная информационно-поисковая система с автоматическим формированием дескрипторов и поиску по нечеткому или некорректному запросу (на естественном языке, причем какой этот язык: русский, английский или какой-либо другой – роли не играет).

6.            Для автоматической классификации химических веществ по их составу или внешним признакам. Для вероятностной идентификации элементов в смесях и при неполном или некачественном их анализе с помощью химических тестов, спектральных методов, ядерно-магнитного резонанса.

7.            Для формирования обобщенных образов различных видов недвижимости и сопоставления конкретных объектов с этими образами в целях оценки недвижимости (развитие метода сравнительных продаж). Для разработки и применения стандарта земель в земельном кадастре.

8.            Для автоматической классификации сортов растений и пород животных по их внешним, анатомическим, физиологическим и другим признакам, а также на основе измерения генетического расстояния.

9.            Для прогнозирования месторождений полезных ископаемых по внешним сопутствующим признакам, в том числе и установленным с помощью биолокации.

10.        Для долгосрочного и оперативного прогнозирования изменений погодных факторов, для регионов, для которых известны суточные значения  этих факторов за достаточный период времени.

11.        Для выявления влияния любых технологических приемов и условий на качество и количество хозяйственных результатов. Для анализа и прогнозирования ситуаций на сельскохозяйственном секторе натурального и фондового рынка: ценовой мониторинг и прогнозирование цен и объемов продаж продукции растениеводства, птицеводства и животноводства, а также ценных бумаг; макроэкономический анализ.

12.        Косвенная профессиональная идентификация, прогнозирование успешности работы и совместимости сотрудников службы безопасности, других служб банка (при этом выявляются сотрудники – "опора фирмы" и "зоны риска"). Прогнозирование остатков и движения средств на счетах филиалов банка и на счетах клиентов. Прогнозирование развития фондового рынка, других сегментов рынка. Косвенная оценка рисков страхования, кредитования, инвестирования, бизнеса, других форм взаимодействия юридических и физических лиц. Косвенная профессиональная идентификация, прогнозирование успешности работы и совместимости сотрудников  различных служб фонда (при этом выявляются сотрудники – "опора фирмы", а также "зоны риска"). Косвенная профессиональная идентификация и прогнозирование успешности работы клиентов фонда по распределяемым профессиям и специальностям.

13.        Прогнозирование развития рынка труда и уровня безработицы, других сегментов рынка.

14.        Для решения задач распознавания объектов и их состояний по признакам, в том числе и при неполном или искаженном описании. Для изучения динамики и территориальных зависимостей обобщенных образов классов распознавания. Для выявления и исследования причинно – следственных связей между событиями (признаками, технологией, составом) и их следствиями (объектами, состояниями, свойствами, эффективностью) и др.

15.        Для аналитической обработки данных экологического мониторинга (на примере Черного моря): разработка оптимального формализованного паспорта для экологического мониторинга и экологического зонирования (районирования) побережья Черного моря; экологическая паспортизация и зонирование побережья Черного моря; разработка информационных портретов экологических зон побережья; их классификация, обобщение и сопоставительный анализ; комплексные и специальные, регламентные и инновационные аналитические исследования по данным экологического мониторинга побережья Черного моря; исследование влияния факторов различного происхождения (геофизических и биосферных; антропогенных; рекреационных и других экологических мер и технологий) на экологическое состояние побережья Черного моря; исследование динамики экологического состояния побережья Черного моря в связи с динамикой влияющих на него факторов. Оперативное и долгосрочное прогнозирование развития экологического состояния побережья Черного моря; разработка методик подбора персонала экологических служб: оценка индивидуальных качеств сотрудников; оптимальный подбор групп по совместимости; прогнозирование успешности профессиональной деятельности в различных областях;  прогнозирование рисков нежелательных проявлений; косвенная оценка рисков инвестирования, страхования, кредитования, бизнеса, других форм деятельности и взаимодействия юридических и физических лиц, в том числе в области экологической деятельности; организация Информационно–аналитического центра Public Relations, для проведения систематических (регламентных) и заказных исследований по изучению и формированию мнения различных групп населения по вопросам экологии ("экологического сознания"), а также для участия в выполнении работ по вышеупомянутым проектам; изучение аудитории и роли различных средств массовой информации в освещении экологической проблематики и формировании экологического сознания у различных групп населения.

 

8.8. ВЫВОДЫ

 

Обобщая рассмотренные примеры, можно сделать выводы о том, что программная инструментальная система:

1.     Является технологией для разработки методик идентификации и прогнозирования в различных областях, а также программной оболочкой (Run–time средой) для эксплуатации этих методик. Поэтому методики могут эксплуатироваться в системе в так называемом адаптивном режиме, т.е. квалифицированный пользователь может увеличивать базу примеров, расширять перечень прогнозируемых (идентифицируемых) хозяйственных ситуаций, увеличивать количество факторов в формализованном паспорте или контролируемо уменьшать размерность описания задачи без потери качества. Эта особенность сближает предлагаемую программную инструментальную систему с нейронными сетями [216].

2.     Позволяет использовать любое количество шкал для классификации и описания прогнозируемых ситуаций, причем в разных шкалах может быть различное количество градаций, но их общее количество не должно превышать 8000.

3.     Автоматически выявляет зависимости на основе примеров выращивания, взятых из реальной практики, и не требует от эксперта формализованного описания этих зависимостей (продукций), как в ряде экспертных систем.

Рассмотренные применения предлагаемой методологии показательны как сами по себе, так и в качестве примеров применения системы для выявления взаимосвязей между различными технологиями, с одной стороны, и их хозяйственными и финансовыми результатами, с другой.