РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ПРОБЛЕМ УПРАВЛЕНИЯ

ИМ. В.А. ТРАПЕЗНИКОВА

CASC ' 2006

КОГНИТИВНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ РАЗВИТИЕМ

СИТУАЦИЙ

Труды 6-й Международной конференции

Москва

11-12 октября 2006

Москва - 2006

УДК 15:519.876

КОГНИТИВНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ РАЗВИТИЕМ

СИТУАЦИЙ (CASC'2006). Труды 6-й Международной конфе-

ренции / Под ред. З.К. Авдеевой, С.В. Ковриги. М.: Институт

проблем управления РАН. – 2006.

Рецензенты: Райков А.Н. д.т.н., проф.

Корноушенко Е.К. д.т.н.

.

Утверждено к печати

Программным комитетом конференции

©И Н С Т И Т У Т П Р О Б Л Е М УПРАВЛЕНИЯ

2006

3

Содержание

Секция 1 КОГНИТИВНЫЙ ПОДХОД В УПРАВЛЕНИИ

Абрамова Н.А. Человеческие факторы в когнитивном подходе.................. 8 Поддьяков А.Н. Нетранзитивность превосходства при взаимодействиях: междисциплинарный анализ ................................................ 29 Авдеева З.К., Коврига С.В., Макаренко Д.И. Когнитивное моделирование для решения задач управления слабоструктурированными системами (ситуациями) .... 41 Сухарев М.В. Опосредованный отбор идей в интегрированных системах поддержки принятия решений ............................................ 55 Левин В.И. Логическое моделирование геометрических объектов и принятия решений................................................................. 66 Беляев И.П. Эмоции как регулятор совместной когнитивной деятель-ности ...................................................................................... 73 Бодякин В.И. Категория "знание" с позиции нейросемантики ............... 84 Хохлова Л.П. Метод хаосообразования как информационное конструи-рование целесообразных ситуаций...................................... 99 Воронов А.В. Некоторые подходы к созданию эффективных систем искусственного интеллекта .............................................. 111

4

Секция 2 МОДЕЛИ И МЕТОДЫ РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ СЛОЖНЫМИ СИСТЕМАМИ НА БАЗЕ КОГНИТИВНОГО ПОДХОДА

Корноушенко Е.К. Регрессионный подход к управлению слабоструктуриро-ванными системами ........................................................... 117 Кочкаров А.А, Салпагаров М.Б. Когнитивное моделирование региональных социально-экономических систем........................................................ 132 Кочкаров Р.А., Никищенко С.П. Применение методов когнитивного анализа в конкурсном отборе проектов................................................................. 141 Клепарский В.Г., Клепарская Е.В. Когнитивный потенциал и адекватное управление систе-мами социально-экономической природы (на примере пред-приятий черной металлургии) ........................................... 151 Горелова Г.В. Модели задач принятия решений на иерархических дина-мичных когнитивных моделях взаимодействия сложных систем .................................................................................. 163 Горелова Г.В., Захарова Е.Н. Структурный анализ когнитивных моделей сложных систем .................................................................................. 172 Горелова И.С. Позиционные игры на взаимодействующих когнитивных моделях ................................................................................. 185 Буянов Б.Я., Верба В.А. Принципы выбора сценариев устойчивого развития слож-ных систем .......................................................................... 192

5

Павельев В.В. Применение метода векторной стратификации в систе-мах поддержки принятия решений................................... 198 Мурадян И.А., Юдицкий С.А. Метод анализа конфигураций организационных систем на сетях Петри ........................................................................ 207 Гусев В.Б. Метод структурной балансировки на основе оценок за-трат производственного цикла ........................................ 214 Багдасарян А.Г., Оганян Т.Р. Математические и компьютерные методы оценки когни-тивных способностей человека......................................... 222 Реут Д.В. К построению прокреационной мегапрограммы ............. 227 Реут Д.В. О когнитивном моделировании территориально распреде-ленного прокреационного процесса и управления им....... 238

Секция 3 ПРИМЕНЕНИЕ КОГНИТИВНЫХ ТЕХНОЛОГИЙ ПРИ УПРАВЛЕНИИ СЛОЖНЫМИ СИСТЕМАМИ

Райков А.Н. Когнитивное моделирование стратегии формирования государственного заказа .................................................... 247 Буянов Б.Я., Верба В.А. Моделирование задач принятия решений по безопасному развитию сложных систем ............................................... 251 Брюханова Н.В. Когнитивные технологии как инструмент принятия ре-шений в сфере малого бизнеса ........................................... 262

6

Ильченко И.А. Когнитивное моделирование влияния сезонных изменений климата на характер химического загрязнения урбоэкоси-стемы ................................................................................... 270 Заболотский М.А., Полякова И.А., Тихонин А.В. Применение когнитивного моделирования в управлении качеством подготовки специалистов .............................. 281 Давыдов С.В. Подходы к формированию системы управления качеством образования ......................................................................... 289 Алимбеков С.Р, Жирков О.А., Смирнов А.Ю. Многоагентная когнитивная среда для поддержки органи-зационно-мыследеятельностной игры ............................. 296 Анисимов О.С., Ефремов В.А., Жирков О.А. От когнитивного ситуационного центра к электронному деловому театру................................................................. 305 Новиков Д.А. Оптимальные премиальные системы стимулирования . 315 Мишин С.П. Оптимизация многоуровневых организаций .................... 318 Аржаков М.В. Когнитивный анализ и управление выполнением договоров.............................................................................. 324 Аржакова Н.В. Когнитивный анализ взаимосвязи состоятельности и гибкости компании ............................................................. 330 Багамаев Р.А. Управление развитием ситуаций в банке......................... 336 Шевченко Ю.А. Когнитивный анализ и управление развитием ситуаций при партнерстве ................................................................. 334

7

Духин С.В. Проектирование геоинформационного портала отрасли с использованием онтологий геоданных.............................. 356 Духин С.В., Розенберг И.Н. Управление Геоинформационными ресурсами с помощью ГИС «ObjectLand» ............................................................... 366 Багдасарян А.Г., Оганян Т.Р. Моделирование и анализ логической зависимости фраг-ментов баз знаний............................................................... 374 Багдасарян А.Г., Оганян Т.Р. Модель организации данных и их анализа в крупномас-штабных информационных системах .............................. 377

8

Секция 1 КОГНИТИВНЫЙ ПОДХОД В УПРАВЛЕНИИ

ЧЕЛОВЕЧЕСКИЕ ФАКТОРЫ В КОГНИТИВНОМ ПОДХОДЕ

Абрамова Н.А. (Институт проблем управления РАН, г. Москва)

abramova@ipu.ru, abramova@.nline.ru

Дается краткий анализ точек зрения на когнитивный подход. Представлены некоторые результаты, свидетельствующие о рисках, обусловленных человеческим фактором, в когнитивном подходе и, более широко, в субъектно-формальных методах решения задач управления. Выделяются некоторые исследова-тельские проблемы.

Ключевые слова: когнитивный подход, человеческие факто-ры, формализация знаний, риски

Нечего надеяться полностью избавиться от субъ-ективности в задачах, связанных с выбором ре-шений. Даже в простейших однокритериальных задачах она неизбежно присутствует, проявляясь хотя бы в выборе показателя эффективности и математической модели явления.

Е. С. Вентцель. Исследование операций

1. Немного истории. Разные точки зрения на когни-тивный подход

Сегодня в ряде областей науки и информационных техно-логий активно формируется подход к решению различных практических задач, который многие из его сторонников назы-вают когнитивным подходом, или когнитивным анализом, или

9

когнитивным моделированием. Этот ряд включает политоло-гию, социологию, конгломерат прикладных наук и технологий, основанных на формальных методах, в который входят

• наука управления, • искусственный интеллект, • когнитивные технологии и др. В ряду задач, типичных для когнитивного подхода, его

представители называют • задачи анализа и моделирования сложных, слабо формали-

зованных, слабо структурированных ситуаций, объектов, сис-тем, проблемных областей;

• задачи управления такими объектами и ситуациями, в ча-стности, управления развитием ситуаций;

• задачи анализа и принятия решений, особенно, стратеги-ческих.

Характерными областями приложения являются социаль-ные, биологические и экологические задачи, сложные социаль-но-экономические объекты, региональное управление, в кото-ром тесно переплетаются различные аспекты и системы, образование.

Как известно, когнитивный подход к решению сложных, слабо структурированных задач и проблем исторически обязан своим названием понятию «когнитивная карта», которое изна-чально возникло в психологии и впоследствии было перенесено в социологию и политологию, а затем – и в другие «новые» науки. (См., например, недавние обзоры [11,7]). Перенос был основан на обнаруженном структурном сходстве естественных представлений обычного человека о положении в пространстве, которые психологи называют когнитивными картами, и пред-ставлений экспертов: политологов и социологов – об анализи-руемых ими ситуациях. Вместе с переносом понятия, который неизбежно сопровождался изменением его смысла, произошла и смена целей исследования (Рис. 1).

10

«НОВЫЕ» НАУКИ: • «когнитивная карта» – модель внешней ситуации;

• обычно, отношения влияния между «факторами»;

• модель субъективна; • могут использоваться при решении практических задач

ПСИХОЛОГИЯ: • когнитивная карта – модель внешней ситуации;

• пространственные отношения между объектами;

• модель субъективна; • играют важную роль в практической жизни

Рис.1. Перенос понятия когнитивной карты из психологии

в «новые» науки

Как в психологии, так и в новых науках, когнитивная карта – это модель внешней ситуации, причем – субъективная мо-дель.1,2 Но вместо пространственных отношений, как правило, выделяются отношения влияния, причинности, следования событий.

Однако наиболее значимое различие состоит в том, что, в отличие от психологии, которая исследует, как люди думают (дескриптивный подход), в новых науках произошла смена целей исследования. Произошел переход от дескриптивного подхода: установления того, что «эксперты так думают»3 – к

1 Наряду с более привычным для многих понятием «субъективная модель», сегодня используется и понятие «когнитивная модель» ситуации. Признак «когнитивная» (модель, карта) фиксирует обу-словленность модели познавательными средствами человека, благо-даря которым он структурирует и осмысливает ситуацию. 2 В качестве субъекта в новых науках может выступать не только индивид, но и коллективный субъект. 3 Р. Аксельрод, один из основоположников когнитивного подхода, исследовал со своими коллегами спонтанные когнитивные карты экспертов, на основании которых они делают свои умозаключения.

11

идее, что «нужно так думать», иначе говоря, к нормативному подходу.

Сегодня сложилось и развивается семейство нормативных методов решения практических задач, в которых ситуация (или сложный объект, система) структурируется и оценивается в терминах одной из семейства формальных моделей, которые объединяются под общим понятием когнитивной карты. Иными словами, возникли различные математические формализации понятия когнитивной карты. Общей чертой всех этих моделей является выделение множества взаимодействующих факторов, которые характеризуют анализируемую ситуацию, и связей (влияний) между ними, при более или менее существенных различиях в том, как понимается и как оценивается взаимодей-ствие факторов в рамках целостной ситуации. Эти различия имеют как содержательный, так и формальный характер, предо-пределяя использование разного математического аппарата и разные возможности решения задач [11,7]. В первом приближе-нии можно считать, что когнитивный подход, в узком смысле этого понятия, объединяет исследования, общим признаком которых является использование формальных моделей когни-тивных карт того или иного вида.

В действительности, граница, которая – по сходству приме-няемых моделей – выделяет когнитивный подход среди других научных направлений, разрабатывающих формальные норма-тивные методы обработки знаний человека при решении задач моделирования, анализа и управления, оказывается нечеткой. Достаточно сказать, что в ряде направлений и школ, применяю-щих практически те же формальные модели и методы, вообще не применяется понятие когнитивной карты. (Например, говорят о знаковых графах, сетевых моделях, графах причин и следст-вий, каузальных сетях). Очень близким по смыслу «родственни-ком» когнитивных карт являются модели вероятностного влия-ния: байесовы сети, или сети доверия, которые очень естественно интерпретируются как один из вариантов семейства формальных когнитивных карт [13]; примыкают к ним и слож-ные модели оценки качества.

12

Вторым значимым признаком, который в той или степени характеризует когнитивный подход, является учет роли челове-ка, особенно заметной на этапе формализации (иначе, – учет человеческих факторов). В этом отношении в современных работах, относимых к когнитивному подходу по виду моделей, наблюдается спектр позиций и точек зрения.

Согласно известной точке зрения, «специфика когнитивно-го моделирования», состоит в том, что «формальные математи-ческие методы анализа применяются к моделям, описывающим субъективное видение ситуации» [11]. Однако ориентация на традиции нормативного подхода к методам обработки человече-ских знаний нередко приводит к тому, что в ряде работ деклари-руемая зависимость от человека слабо влияет на содержание, методы и результаты исследований или почти не отражается на них. Это видно, например, при сравнении с другими, «не-когнитивными» экспертными методами и методами поддержки принятия решений. Собственно человеческая, когнитивная составляющая «когнитивного» моделирования ситуаций при этом оказывается за пределами научного знания и рассматрива-ется посредством рассуждений «здравого смысла» вне норм контроля над их обоснованностью. Крайняя позиция здесь состоит в том, чтобы рассматривать когнитивные методы просто как разновидность методов математического моделирования.

В направлениях, более ориентированных на структуру практической деятельности человека и его задач, акцент делает-ся на то, чтобы «поддержать ранние этапы процесса подготовки и принятия решений – этапы выявления и диагностирования слабоструктурированных проблем и постановки целей», кото-рые игнорируются в более традиционных подходах. (См. обзор [7]).

Еще более «левый», менее консервативный взгляд на ког-нитивный анализ и моделирование сложных ситуаций, объектов и систем связан с учетом специфики человеческого мышления, когда слово «когнитивный» акцентирует зависимость субъек-тивного видения ситуации от когнитивных (познавательных) средств субъекта и других особенностей мышления. Такой

13

взгляд не обязательно предполагает привязку к когнитивным картам, какие бы модели карт не выбирались. Ситуация при этом может пониматься в более широком смысле, включая не только объект управления, но и, например, цели и мотивации самого субъекта управления.

С точки зрения учета особенностей человеческого мышле-ния и его влияния на качество достигаемых результатов, когни-тивный подход (или когнитивный анализ, моделирование) в расширительном понимании, не привязанном к понятию когни-тивной карты, смыкается с подходом О.И.Ларичева и его коллег в области методов принятия (выбора) решений. О.И.Ларичев различал субъективные и объективные модели в принятии решений, и для характеристики качества способов получения информации от ЛПР как «человеческой системы переработки информации» при формировании субъективных моделей ввел понятие психологической корректности [12,8]. Не пользуясь понятием «когнитивный», он широко применял знания из ког-нитивной психологии, в частности, результаты исследований по ограниченной рациональности человека1, которые дали основа-ния психологам поднять проблему адекватности или, по крайней мере, практической ценности формальных нормативных мето-дов принятия решений.

Напомним, что понятие психологической корректности вве-дено О.И.Ларичевым и его коллегами для характеристики каче-ства способов получения информации от ЛПР. При этом психо-логическая корректность увязывалась, с одной стороны, с требованием надежности информации, поступающей от челове-ка в компьютерную систему, а с другой, – с возможностями и ограничениями «человеческой системы переработки информа-ции». В качестве показателей, отражающих надежность инфор-мации от ЛПР, в [8] выделялись устойчивость результатов, их согласованность и непротиворечивость.

1 Исследования по ограниченной рациональности продолжаются и по сей день. См. эссе лауреата нобелевской премии Д. Канемана [9] .

14

По результатам исследований, представленных в [12,8] и опирающихся на психологические исследования последних 30 лет, сделан вывод, что «мягкие» качественные измерения типа сравнения, отнесения к классу, упорядочения гораздо более надежны, чем назначение субъективных вероятностей, количе-ственных оценок важности критериев, «веса», полезностей и вероятностей и т.п.

Идеи Ларичева по учету этих знаний при создании фор-мальных нормативных методов принятия решений тесно сопри-касаются с известным прескриптивным подходом [12]. Этот подход выделен как промежуточный между дескриптивным подходом в психологии и нормативным подходом в области принятия решений. Его суть – в том, что знания, полученные из нормативных теорий, должны использоваться таким путем, который признает психологические знания о когнитивных ограничениях ЛПР.

Еще один круг психологических исследований, значимый для создания нормативных методов решения задач на основе когнитивного подхода как в широком, так и в узком смысле, составляют исследования известного немецкого психолога мышления Д. Дёрнера. В его книге [9] представлен ряд харак-терных типов ошибок, которым подвержены не только дилетан-ты, но и эксперты при работе со сложными ситуациями.1 Ти-пичность таких ошибок может рассматриваться как свидетельство недостаточной психологической корректности известных формальных моделей, применяемых для структури-рования первичных знаний и представлений о сложных ситуа-циях.2

1 Например, - это неправильный выбор модели для экстраполяции при прогнозировании развития ситуации, в частности, принятие линей-ной модели, не соответствующей реальной динамике. 2 Д. Дёрнер фактически работает с моделями когнитивных карт ситуаций и систем, хотя и не пользуется этим понятием.

15

В работах автора данной статьи подход к решению задач моделирования, анализа, управления посредством формальных методов рассматривается с позиций человеческих факторов и их влияния на качество решения.

В поле зрения оказывается широкий спектр моделей и ме-тодов, обрабатывающих качественную информацию и оценоч-ные данные, и поддерживающих эти методы компьютерных технологий, включая

• экспертные методы, • методы поддержки принятий решений, • методы когнитивного моделирования, • методы искусственного интеллекта. По выделенному основному признаку, формализации зна-

ний экспертов и других специалистов, можно объединить такого рода методы под названием «субъектно-формальные методы». Однако из-за отсутствия общепринятого объединительного названия будем, в основном, пользоваться термином «эксперт-ные методы». Когнитивный подход в узком смысле, связанный с применением формализованных когнитивных карт, рассматри-вается лишь в качестве типичного примера, в котором, так или иначе, проявляется исследуемый круг вопросов и проблем.

Основной в проводимом цикле исследований является про-блема риска из-за человеческих факторов в жизненном цикле субъектно-формальных методов, т.е. при их создании, обосно-вании и применении. С точки зрения проблемы рисков, целесо-образно рассматривать некоторый формальный метод как субъ-ектно-формальный, если для его применения необходимо участие человека. Тем самым, от человека могут существенно зависеть результаты и их качество, а значит, – и качество реше-ния практических задач на основе данного метода. К значимым показателям во многих приложениях относится достоверность результатов применения метода, интуитивно понимаемая как возможность полагаться на эти результаты при решении кон-

16

кретной практической задачи1. Можно говорить и о достовер-ности метода как о его возможности давать достоверные ре-зультаты.

Разрабатываемый автором и ее коллегами подход к пробле-ме рисков можно считать продолжением линии О.И.Ларичева, но – при существенном расширении как самого понятия психо-логической корректности, так и круга методов исследования. В частности, в числе источников риска оказываются не только ЛПР, аналитики или эксперты с их психологическими ограниче-ниями, но и «носители» конкретных методов и подходов: уче-ные и посредники, берущие на себя функции «инженеров зна-ний» (в терминологии искусственного интеллекта). Именно от создателей моделей знаний, методов получения информации от человека зависит, будут ли конкретные экспертные методы и технологии иметь приемлемую психологическую корректность.

2. О некоторых результатах по проблеме рисков, обусловленных человеческим фактором

Результаты исследований по названной проблеме рисков из-за человеческого фактора в жизненном цикле субъектно-формальных методов и связанных с ними компьютерных техно-логий, поддерживающих интеллектуальную деятельность чело-века, докладывались на всех конференциях CASC [1–5]. На-правление исследований, в определенной степени, корректировалось в зависимости от реакции присутствующих на найденные результаты, порою неожиданные или вызывающие неоднозначный отклик.

1 Общее понятие достоверности, согласно его словарному толкова-нию [14], имеет два аспекта: объективную достоверность знания и субъективную уверенность, – которые мы различаем и учитываем при анализе достоверности результатов применения экспертных методов. Субъективная уверенность зависит от психологических факторов.

17

Здесь мы вкратце остановимся на некоторых положениях, значимость которых для практического построения когнитив-ных технологий в той или иной форме и степени подтвердилась в ходе дальнейших исследований.

В [1] представлен анализ типичных технологий компьютер-ной поддержки интеллектуальной деятельности, использующих формализацию первичных знаний о проблемной ситуации (ПС) и их последующую формальную обработку. В центре внимания оказался тот факт, что в ходе применения таких технологий с целью получить новые знания для человека исходные знания проходят цепочку когнитивных преобразований, превращаясь в информацию при передаче от одного носителя знаний к друго-му. При этом в числе носителей знаний находятся и люди с различными ролями в рассматриваемой деятельности (включая ЛПР, аналитиков, экспертов, посредников) и «формальные эксперты» – компьютеры. В частности, возникают цепочки когнитивных отражений различных объектов и ситуаций реаль-ности и знаний о них, в которых передаются знания «об одном и том же», как первичные, так и порожденные посредством ком-пьютеров.

Для характеристики таких процессов порождения знаний выдвинуты следующие тезисы.

1. Отражение различных объектов в сознании субъекта, в общем случае, происходит с искажением. Коротко говоря, имеет место искажающий эффект.

2. Неизбежным источником искажений в отраженных зна-ниях субъекта является сам субъект.

3. Передача знаний между субъектами, в общем случае, происходит с искажением.

В качестве систематических источников риска в таких про-цессах выделены передачи знаний между разными носителями и схемы представления знаний, субъективные и представленные

18

общими моделями знаний. Риски такого рода обусловлены возможностью отрицательных искажающих эффектов1.

Представления об искажающих эффектах, положительных и отрицательных, допустимых и недопустимых, в значительной мере, исходят из теоретических соображений, так что по отно-шению к конкретным технологиям их можно рассматривать лишь как более или менее значимые гипотезы. Вопрос состоит в том, какова их реальная практическая ценность.

Некоторые ответы получены в проводимом в настоящее время экспериментальном анализе конкретной когнитивной технологии, одной из целей которого было выявление рисков.

В этой технологии анализ проблемной ситуации произво-дится посредством передачи знаний от носителя ПС к посредни-ку, который вводит данные-параметры ситуации в компьютер, после чего выведенные результаты моделирования интерпрети-руются как посредником, так и носителем исходной ПС. При этом формальная модель знаний ФМ2 является двухступенча-той: компьютерное моделирование производится в терминах числовой модели, ЧФМ, а для ввода и вывода используются вербальные оценки параметров модели (типа «значение фактора слабо растет»), так что пользователи «видят» вербализованную модель, ВФМ. Иначе говоря, общение с пользователем произво-дится в терминах ВФМ. Тем самым, технология основана на интерфейсных понятиях, которые являются, по нашей термино-логии, двуликими [2]. Процесс когнитивных преобразований при получении новых знаний конечным пользователем включа-ет, помимо передач знаний между людьми и компьютером, еще и переводы из одного представления в другое.

1 Отрицательные искажающие эффекты или прямо препятствуют достижению целей, или, по крайней мере, служат источниками риска. 2 ФМ включает когнитивную карту ситуации и начальные значения, определяющие динамику факторов – их «тенденции изменения».

19

При этом у человека перевод исходных представлений на язык ФМ и «обратный перевод», т.е. понимание результатов моделирования, охватывает не только отдельные параметры, но и осмысление ситуации в целом (ее гештальта) и, при обратном переводе, увязку новых знаний с первичными представлениями.

В результате экспериментов был установлен значимый от-рицательный искажающий эффект при переходах знаний через посредников и компьютер, наличие которого, в общем случае, прогнозировалось по методу рефлексивного анализа из [1]. В частности, обнаружилось неадекватное причинно-следственное объяснение динамики ряда исследуемых ситуаций носителями технологии посредством «очевидной» для этих ситуаций когни-тивной карты. Отрицательная роль проявившегося искажающего эффекта заключалась в маскировании неадекватного моделиро-вания ПС, иначе говоря, в маскировании недостаточной досто-верности полученных выводов.

Прослеживалась зависимость наблюдаемых эффектов от понимания выразительных возможностей и ограничений теоре-тической модели и ее программной реализации носителями технологии и от искажающих эффектов в этом понимании. Важно было установить, являются ли эти эффекты и связанные с ними риски систематическими или они случайны, обусловлены особенностями отдельных людей.

При поиске объяснения сложившейся ситуации учитыва-лись когнитивные механизмы и факторы риска, найденные в результате прежних исследований.

В рассматриваемом случае выделены следующие значимые объяснительные факторы1:

– двуликие интерфейсные понятия, в которых интуитивно понятный смысл, ориентированный на пользователя, сущест-венно отличается от более узкого и глубокого теоретического смысла;

1 Представленный перечень не полон; результаты эксперимента подлежат дальнейшему анализу.

20

– утрата гештальта моделируемой ситуации при переводах человеческих представлений на язык ФМ и обратно;

– нечеткость содержательной интерпретации математиче-ской модели динамики ситуации относительно возможностей и целей моделирования.

Наличие риска искажения смысла в интерфейсных поняти-ях за счет сокрытия теоретического смысла, в общем случае, прогнозировалось в [2]; в рассматриваемой технологии риск, судя по его проявлениям, оказался значимым для понятий «фак-тор» и, особенно, – «вес (сила) влияния», «начальная тенденция фактора».

Утрату гештальта ситуации или, проще говоря, отрыв от ре-альной моделируемой ситуации у носителей технологии при переводах человеческих представлений на язык ФМ и обратно, удалось обнаружить при моделировании известных ситуаций в условиях, когда наблюдался конфликт между оценками адек-ватности результатов моделирования у разных людей. Действие механизма утраты гештальта как одного из когнитивных меха-низмов отрицательного искажающего эффекта при задании оценок параметров моделируемой ситуации может быть объяс-нено теоретически на основе моделей, которые представлены в [4,15]. (Само объяснение и его формализация требуют отдель-ной публикации.) В числе этих моделей – модель действия стереотипов и факторов влияния и модели эксперта-аналитика, которые, в свою очередь, опираются на психологические знания.

Анализ конфликта оценок результатов моделирования у но-сителя ПС и носителей технологии, сводящий различие оценок к различию факторов влияния на них, проводился по схеме, ана-логичной схеме анализа конфликта в [4]. В результате анализа выявлено преобладание ряда систематически действующих факторов влияния на носителей технологии, объясняющих их спорные оценки результатов моделирования. Среди этих факто-ров – и господство компьютерной парадигмы [1] (когда первич-ный анализ ситуации сводится к вводу входных данных в ком-пьютер), и принцип «занятой позиции» Чалдини, и «эффект

21

Элизы» (эффект преувеличенного доверия результатам, полу-ченным от компьютера), и др.

Даже те немногие эксперименты по когнитивному модели-рованию ситуаций с заранее известными результатами, которые проведены на сегодня, служат свидетельством в пользу того, что риски, обусловленные человеческими факторами, практически значимы. При этом в числе источников риска действительно оказываются не только эксперты – носители знаний о проблем-ной ситуации, как это принято считать, но и носители конкрет-ных методов и подходов: ученые, разработчики технологий и посредники.

Уточним, что эти экспериментальные данные, описанные очень бегло, являются лишь дополнительными свидетельствами в пользу общего вывода, к которому приводит анализ. Основная проблема человеческих факторов при создании и применении методов и технологий компьютерной поддержки интеллекту-альной деятельности, основанных на формализации человече-ских знаний, проявляется в том, что такие методы и технологии не обеспечивают достоверности получаемых решений.

При этом сегодня активно разрабатываются в разных теоре-тических направлениях и используются на практике методы и компьютерные технологии поддержки управленческой деятель-ности с более или менее низкой психологической корректно-стью. Это относится и к когнитивному подходу в узком смысле этого понятия. Достаточно напомнить, что общепринятыми являются такие операции получения информации от человека как назначение субъективных вероятностей, количественных оценок важности критериев, веса и т.п., несмотря на то, что их низкая психологическая некорректность на сегодня обоснована экспериментально.

Очевидно, что невозможно ограничить применение совре-менных субъектно-формальных методов и технологий из-за рисков, обусловленных их недостаточной психологической корректностью: велика потребность в таких методах, признана их практическая ценность; значим для практики и далеко не исчерпан потенциал когнитивных методов и технологий при

22

решении сложных слабо структурированных проблем. Поэтому практически важно во избежание существенных рисков при принятии управленческих решений, научиться применять зна-ния о когнитивных механизмах, создающих риски, в ходе созда-ния и применения рискованных методов и технологий.

3. О подходах к защите от рисков из-за человеческо-го фактора. Критерии достоверности формализа-ции

Отсутствие гарантий достоверности современных субъект-но-формальных методов и соответствующих компьютерных технологий делает целесообразным при их использовании, особенно – для приложений с высокой ценой риска, общий принцип защиты от рисков из-за человеческого фактора в про-цессе применения данного метода и его результатов для реше-ния конкретной практической задачи, начиная с ранних этапов. При этом под процессом применения метода подразумевается не только однократное или многократное получение результатов по данному методу, но и разного рода предварительная подго-товка, равно как и использование результатов в ходе решения требуемой практической задачи (вплоть до завершения «мис-сии»). Иначе говоря, должен охватываться весь жизненный цикл создания, применения и обоснования определенного метода или технологии. Реализация общего принципа может состоять в разработке различных мер, направленных на выявление и «бло-кирование» или, по крайней мере, ограничение роли рисков в ходе применения данного метода или технологии и внедрении таких мер в соответствующую технологию. К таким мерам относятся: анализ рисков для достоверности, специфичных для принятых общих моделей формализованного представления первичных знаний человека, и отладка формализованных знаний с контролем над рисками; априорный и апостериорный кон-троль применимости определенной общей модели знаний, ле-жащей в основе формализации, к конкретной практической ситуации [6].

23

Одно из направлений поисков, связанных с реализацией общего принципа, состоит в выявлении конкретных критериев достоверности формализации и развитии методологии выявле-ния таких критериев. Целесообразность этого направления вытекает из знаний о разнообразных факторах риска, дейст-вующих на этапе формализации, которые известны уже сегодня. В дополнение к известным исследованиям по надежности и психологической корректности операций получения информа-ции от человека, ряд когнитивных механизмов, создающих или усиливающих риски, выявлен в работах [1–4]. Даже в экспери-ментальной работе [5], в которой основной целью было выявле-ние положительных эффектов формализации первичных знаний при анализе управленческих ситуаций, мы фактически столкну-лись с неожиданным отрицательным эффектом. В ходе форма-лизации часть первичных знаний, которая, как оказалось позд-нее, была значима для решения задачи, не вошли в формализованную модель, и лишь введение дополнительных средств формализации привело к их экспликации.

На сегодня автором с коллегами проведены некоторые не только теоретические, но и эмпирические исследования в на-правлении выявления критериев достоверности формализации [6]. При этом особый интерес представляют критерии, приме-нимые на ранних этапах применения определенного метода, т.е. до формальной обработки модели исходных знаний экспертов или других специалистов. Анализ рисков, которые могут обна-руживаться с помощью тех или иных критериев, проводился для следующих типов общих моделей формализованных знаний:

(1) модели когнитивных карт; (2) модель дерева показателей со взвешенным усреднением

частных показателей при оценке качества программного обеспе-чения, связанного с безопасностью;

(3) модель нечеткого алгоритма с операторами перехода по примерному равенству в сочетании с двумя моделями для оцен-ки достоверности (истинности) альтернативных результатов применения алгоритма.

24

В состав критериев отсутствия рисков, уместных для моде-лирования на основе когнитивных карт, входят

• общий критерий адекватности перевода промежуточной вербализованной модели исходных знаний, ориентированной

– на человека, – на язык математической модели; • критерии когнитивной ясности (проще говоря, легкости

интуитивного понимания) конечной модели, которые проверя-ются по лингвистическим признакам.

Общий критерий адекватности перевода на язык математи-ческой модели конкретизируется в ряде частных критериев. Один из них, критерий (соразмерной) полноты влияний на фактор, может рассматриваться как критерий, который блокиру-ет типичный вид ошибок, обнаруженных психологом Д. Дёрне-ром. Суть этой ошибки состоит в том, что за счет упущения отдельных факторов, соразмерных по значимости влияния на некоторый выделенный фактор, при последующем моделирова-нии происходит фактическое преувеличение роли факторов, представленных в модели.

Исследования по критериям достоверности, проведенные на сегодня, свидетельствуют в пользу гипотезы о продуктивности единого подхода к проблеме достоверности формализованных знаний для разных типов моделей. При этом становится воз-можным перенос знаний об источниках риска, критериях обна-ружения рисков и прямых ошибок, методах анализа, которые получены на одном типе моделей и решаемых задач, на другие типы. Подтверждается также идея целесообразности междисци-плинарной интеграции знаний при решении вопросов, связан-ных с достоверностью формализованных знаний.

4. Некоторые проблемы и перспективы, связанные с рисками из-за человеческого фактора

Исходя из динамики исследований по проблеме рисков, обусловленных ролью человеческих факторов в жизненном цикле экспертных, когнитивных или иных субъектно-

25

формальных методов, и по психологической корректности таких методов и связанных с ними компьютерных технологий, можно выделить несколько практически значимых исследовательских проблем. К ним относятся

• научно-методологическая проблема обоснованности со-временных научных представлений о том, как думает и как должен думать человек (эксперт, аналитик, ЛПР, менеджер), и соответствующих нормативных – по отношению к человеку – теоретических моделей, закладываемых в тот или иной субъект-но-формальный метод;

• проблема научного языка для субъектно-формальных ме-тодов;

• прикладная проблема качества конкретных знаний, поро-ждаемых при использовании определенных экспертных методов и технологий в условиях действия человеческих факторов.

Суть проблемы обоснованности в том, что она лежит за пределами современной науки, опирающейся на формальные методы [5]. Сегодня представляется целесообразным обратиться к принципу (концепции) эмпирического обоснования выбора тех или иных видов и средств формализации. Согласно этому принципу, обоснование такого выбора должно опираться на эмпирические данные, свидетельствующие об адекватности или, по крайней мере, приемлемости их влияния на качество решения практических задач управления в условиях действия рисков из-за человеческих факторов.

С другой стороны, необходим научный язык для описания и анализа качества результатов применения субъектно-формальных методов. Сложность здесь состоит в том, чтобы можно было разделять чисто математические и человеческие аспекты, но, при необходимости, прослеживать влияние норма-тивных математических допущений на качество результатов, получаемых при участии человека.

Прикладная проблема качества конкретных знаний, порож-даемых в условиях действия человеческих факторов, по мнению автора, может, в значительной степени, решаться за счет учета этих факторов при построении интерфейса соответствующих

26

компьютерных технологий. Тем самым на повестку дня выходит проблема построения человеко-ориентированного интерфейса когнитивных технологий и других технологий поддержки ин-теллектуальной деятельности. Одна из целей при построении такого интерфейса должна состоять в защите от рисков, обу-словленных человеческих фактором.

В настоящее время автор с коллегами, работающими в об-ласти когнитивных технологий, планирует проведение цикла теоретических и экспериментальных исследований, направлен-ного на разработку принципов построения такого интерфейса.

Литература

1. АБРАМОВА Н.А., КОВРИГА С.В. На пути от информаци-онных технологий к технологиям знаний // 1-ая Межд. конф. «Когнитивный анализ и управление развитием ситуаций». Труды конф. – М.: ИПУ РАН, том 3, 2001, стр. 149–155.

2. АБРАМОВА Н.А. О формировании интерфейсных понятий компьютерных технологий и психологической корректно-сти // 2-ая Межд. конф. «Когнитивный анализ и управление развитием ситуаций». Труды конф. – М.: ИПУ РАН, том 2, 2002, стр. 26–35.

3. АБРАМОВА Н.А. О поиске подходов к созданию психологи-чески корректных интеллектуальных технологий // Труды 3–ей Межд. конф. «Когнитивный анализ и управление раз-витием ситуаций». Том 2. – М.: ИПУ РАН, 2003, с.153–158.

4. АБРАМОВА Н.А., КОВРИГА С.В. О рисках, связанных с ошибками экспертов и аналитиков // Труды 4–ой Между-нар. конф. «Когнитивный анализ и управление развитием ситуаций» – М.: ИПУ РАН, том 2, 2004, – С. 12–23.

5. АБРАМОВА Н.А., ВАССУНОВ И.В. О влиянии формализа-ции на адекватность когнитивной модели управленческой ситуации // Тр. 5-й Междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. – М.: 2005. – С. 47–51

27

6. АБРАМОВА Н.А., КОВРИГА С.В., НОВИКОВ Ф.В. О достоверности формализованных знаний и некоторых кри-териях ее оценки // Тез. докл.. 3-ей междунар. конф. по про-блемам управления / ИПУ РАН. − М.: 2006. – Т.2. – С. 157.

7. АВДЕЕВА З.К., КОВРИГА С.В., МАКАРЕНКО Д.И., МАКСИМОВ В.И. Когнитивный подход в управлении. // Проблемы управления. – 2007.– Спец. выпуск памяти И.В. Прангишвили – в печати.

8. АСАНОВ А.А., ЛАРИЧЕВ О.И. Влияние надежности чело-веческой информации на результаты применения методов принятия решений. // Автоматика и телемеханика. 5. 1999. С.20–31.

9. ДЁРНЕР Д. Логика неудачи. Стратегическое мышление в сложных ситуациях. – М.: Смысл, 1997. – 243 с.

10. КАНЕМАН Д. Карты ограниченной рациональности: пси-хология для поведенческой экономики. // Психологический журнал. 2006. 2. Том 27. С.5–28.

11. КУЗНЕЦОВ О.П., КУЛИНИЧ А.А., МАРКОВСКИЙ А.В. Анализ влияний при управлении слабоструктурированными ситуациями на основе когнитивных карт // Человеческий фактор в управлении / Под ред. Н.А. Абрамовой, К.С. Гинс-берга, Д.А. Новикова. – М.: КомКнига, 2006. – С. 313–344.

12. ЛАРИЧЕВ О. И., МОШКОВИЧ Е. M. Качественные мето-ды принятия решений. Вербальный анализ решения. M.: Наука, 1996.

13. Панорама развития представлений о человеческом факто-ре в науке управления. Предисловие. // Человеческий фактор в управлении / Под ред. Н.А. Абрамовой, К.С. Гинсберга, Д.А. Новикова. – М.: КомКнига, 2006. – С. 6–54.

14. Советский энциклопедический словарь. – М.: Изд-во «Со-ветская энциклопедия», 1980.

15. ABRAMOVA N.A. A subject of intellectual activity under cognitive control of ambient intelligence. // 9th IFAC AshBoHC’06 symposium. Preprint. May 2006

28

16. Decision making. Descriptive, normative and prescriptive inter-actions // Edited by D.E. Bell, H. Raiffa, A. Tversky. – Cam-bridge University Press, 1988.

29

НЕТРАНЗИТИВНОСТЬ ПРЕВОСХОДСТВА ПРИ ВЗАИМОДЕЙСТВИЯХ:

МЕЖДИСЦИПЛИНАРНЫЙ АНАЛИЗ

Поддьяков А.Н. (Государственный университет

“Высшая школа экономики”, г. Москва) apoddiakov@hse.ru

Дается междисциплинарный анализ транзитивности – не-транзитивности отношения превосходства: А превосходит В, В превосходит С, А превосходит (уступает) С. Доказывается, что принцип транзитивности не является универсальным: во множестве предметных областей и с помощью различных исследовательских методов показано, что аксиома транзи-тивности, справедливая при отсутствии взаимодействий между сравниваемыми объектами, перестает работать в более сложных ситуациях. Здесь требуется изменение способа рассуждений, и само следование аксиоме транзитивности может становиться логической ошибкой.

Ключевые слова: принятие решений, выбор альтернатив, транзитивность – нетранзитивность отношения превосходст-ва

Введение

Важнейшей частью постановки и решения самых разных проблем является оценивание, сравнение конкурирующих аль-тернатив на предмет выбора одной или нескольких наилучших. Проблемы сравнения не элементарных, а сложных объектов, как реальных, так и идеальных, во многом связаны с тем, что эти объекты обладают свойствами эмергентности (система больше суммы составляющих ее частей), недизъюнктивности и другими неожиданными свойствами, плохо описываемыми средствами методологии, не учитывающей системных взаимодействий.

30

Именно в этом контексте мы рассмотрим дискуссионную про-блему нетранзитивности отношений превосходства при взаимо-действии сложных систем.

В логике транзитивность определяется как такое свойство отношений, при котором из того, что первый элемент находится в определенном отношении ко второму, а второй – к третьему, следует, что первый элемент находится в этом же отношении к третьему (из aRb и bRc следует aRc). В классической логике сравнения и в традиционной теории принятия решений транзи-тивность отношений превосходства вводится как аксиома, считающаяся "ключевым критерием рациональных действий" [5]. Это аксиома состоит в следующем: если первое превосходит второе в определенном отношении, а второе превосходит третье, то первое превосходит третье в указанном отношении [4]. Овла-дение транзитивными рассуждениями считается важнейшим этапом умственного развития человека. Оно связано со способ-ностью делать дедуктивные заключения, с пониманием сущно-сти измерения, принципов сохранения по Ж.Пиаже и т.д. Одна-ко в силу психологических причин люди нередко совершают ошибочные нетранзитивные выборы – вопреки объективной логике превосходства между объектами, с которыми они имеют дело [19].

Вокруг принципа транзитивности превосходства ведутся принципиальные дискуссии. Как пишет Л.Темкин, "аксиома транзитивности обладает мощной притягательностью и играет фундаментальную роль в практических рассуждениях… любое оспаривание этой аксиомы будет угрожать не только возможно-сти последовательного подхода к ранжированию тех или иных объектов; оно может угрожать самому понятию рационально-сти" [18, p. 179].

Мы выделяем три взаимосвязанные группы аргументов в дискуссиях о принципе транзитивности отношений превосход-ства. Одна группа связана со строгими формально-логическими и математическими доказательствами транзитивности – нетран-зитивности. Вторая группа связана с анализом реальных нетран-зитивных отношений в тех или иных конкретных областях

31

(например, биологии, социологии, психологии и др.) и конкрет-ных механизмов взаимодействий, ведущих к нетранзитивности, если она обнаруживается. Третья группа аргументов относится к общенаучным и философским обобщениям проблемы и ее важнейшим следствиям.

Мы выделяем три взаимосвязанные группы аргументов в дискуссиях о принципе транзитивности отношений превосход-ства. Одна группа связана со строгими формально-логическими и математическими доказательствами транзитивности – нетран-зитивности. Вторая группа связана с анализом реальных нетран-зитивных отношений в тех или иных конкретных областях (например, биологии, социологии, психологии и др.) и конкрет-ных механизмов взаимодействий, ведущих к нетранзитивности, если она обнаруживается. Третья группа аргументов относится к общенаучным и философским обобщениям проблемы и ее важнейшим следствиям.

1. Логические и математические модели нетранзи-тивности

Ситуация с транзитивностью – нетранзитивностью станет более определенной, если учесть следующее принципиальное обстоятельство. Среди аксиом теории принятия решений имеет-ся и такая, которая исключает возможность взаимодействия между исходами (последствиями) [5]. Учитывая это, мы выска-зываем следующее суждение: аксиома транзитивности перестает работать в ситуациях, когда между сравниваемыми объектами происходят взаимодействия, и сравнение производится именно по способности взаимодействовать. Здесь требуется изменение способа рассуждений, и само следование аксиоме транзитивно-сти может стать логической ошибкой [10, 11, 12, 16]. В данной статье мы сосредоточимся именно на тех случаях нетранзитив-ности, которые связаны с взаимодействиями между выбирае-мыми альтернативами.

32

1.1. Нетранзитивная игра в кости Б. Эфрон предложил комплекты игральных костей, обла-

дающих парадоксальными свойствами [3; 13; 17]. Рассмотрим, например, набор из 4 игральных кубиков A, B, C, D со следую-щими числами на гранях: A – 7, 7, 7, 7, 1, 1; B – 6, 6, 5, 5, 4, 4; C – 9, 9, 3, 3, 3, 3; D – 8, 8, 8, 2, 2, 2. Можно убедиться, что здесь каждый предшествующий кубик в среднем выигрывает 2/3 партий у последующего и проигрывает ему 1/3 партий (т.е. в 2 раза меньше), но при этом последний кубик (D) выигрывает в той же пропорции у кубика А. (Выигрышем считается выпаде-ние большего числа на верхней грани кубика.) Тем самым мож-но утверждать, что эти кубики "нетранзитивны": если правила позволяют, то при возможности выбора из пары кубиков А и В надо выбрать А, оставив сопернику "более проигрышный" кубик В; при выборе между В и С надо выбрать В; при выборе между С и D надо выбрать C; но при выборе между D и А надо выбрать D. В целом, доказано, что для любых n игральных костей с n гранями, начиная с n > 2, всегда можно подобрать такие числа на гранях в диапазоне до n2, что все члены этого множества образуют нетранзитивный круг выигрышей: первый член чаще выигрывает у второго, второй – у третьего и т.д., но последний – у первого [15].

Подчеркнем: в игральных костях элементы сравниваемых объектов (грани кубиков) функционально однородны и между ними нет непосредственного (например, физического) взаимо-действия. Но при более сложной и дифференцированной струк-туре реально взаимодействующих объектов возможны другие схемы взаимодействий, причем не только вероятностные, а и детерминистские, также ведущие к нетранзитивности. Мы показали, что нетранзитивность превосходства закономерно наблюдается при такой структуре сравниваемых объектов, которая включает: а) средства, имеющиеся у одного объекта, для воздействия на другой; б) зоны, чувствительные к воздейст-вию другого объекта; в) зоны, по тем или иным причинам "за-крытые" для него. Эти структуры могут быть несимметричны

33

относительно друг друга, что и определяет нетранзитивный характер отношений превосходства между объектами [10; 11; 12]. Рассмотрим в качестве примера следующую модель.

1.2. "Выбор танка для дуэли" Наша модель построена на материале шоу "Война роботов",

в котором схватываются дистанционно управляемые боевые механизмы. Отталкиваясь от особенностей реально используе-мых в этой игре устройств, построим следующую модель.

Пусть имеется три условных танка (рис. 1). Танк "Башне-рез" имеет пилу для срезания башни противника, а также защи-щенный и неуязвимый для какого-либо оружия мотор, но сла-бые шасси. Танк "Моторокрушитель" имеет устройство, выводящее из строя чужие двигатели, слабую башню и защи-щенные шасси. Танк "Шассидробитель" имеет устройство, выводящее их строя чужие шасси, защищенную башню и неза-щищенный мотор. Тогда при возможности выбора оружия в дуэли 1-го и 2-го танков предпочтительнее 1-й (он может проре-зать слабую башню 2-го, а сам защищен от нападения на свой мотор, где 2-й мог бы причинить ущерб). Аналогично, в дуэли 2-го и 3-го танков предпочтительнее 2-й, но в дуэли 3-го и 1-го лучше 3-й, что является нарушением принципа транзитивности.

Танк А

ОРУДИЕ ⎯⎯⎯→ БРОНЯ уязвимый блок

Танк В

уязвимый блок ОРУДИЕ ⎯⎯⎯→ БРОНЯ

Танк С

БРОНЯ уязвимый блок ОРУДИЕ ⎯⎯⎯→

Рис. 1. Танк А поражает танк В, танк В поражает танк С,

танк С поражает танк А.

При вышеуказанном условии превосходства средств защи-ты над средствами нападения соблюдаются следующие общие отношения предпочтительности. Композиция "средства нападе-ния в области А – защита в области Б – отсутствие средств

34

нападения и защиты в области В" предпочтительнее композиции "отсутствие средств нападения и защиты в области А – средства нападения в области Б – защита в области В". Эта вторая, в свою очередь, предпочтительнее третьей композиции: "защита в области А – отсутствие средств нападения и защиты в области Б – средства нападения в области В". Но третья предпочтительнее первой.

Данная модель может объяснять нетранзитивные отноше-ния превосходства между спортивными командами, а также и между компьютерными программами – участницами соревнова-ний по интеллектуальным играм: шахматам, нардам и т.п. [7; 8]. Иерархия подобных систем не выстраивается в пирамиду с указанием первого, второго и последнего места, а образует круг. По сумме побед и поражений все участники могут занять оди-наковые (нулевые) места. Результат конкретного конфликта определяется в такой системе только взаимодействием с кон-кретным соперником. Подчеркнем, что речь идет об итоговом сравнении по некоторой одной интегральной характеристике, т.е. о сравнении в одном, пусть и сложном, отношении, а не о раздельном сравнении в разных отношениях.

1.3. Нетранзитивные модели кооперации Аналогично, принцип транзитивности может нарушаться не

только в ситуациях конфликта, но и кооперации. Субъект А может быть способен к эффективной помощи субъекту Б, но субъект Б может и не быть способен к помощи А. Субъект Б способен к помощи субъекту С, а С – к помощи А, но не наобо-рот. Это можно легко продемонстрировать на разработанных нами моделях "Врач для врача" и "Учитель для учителя".

Имеются 3 врача. Первый врач – специалист по лечению органов X, имеет здоровые органы Y и страдает заболеванием органов Z. Второй врач – специалист по лечению органов Y, имеет здоровые органы Z и страдает заболеванием органов X. Третий врач – специалист по лечению органов Z, имеет здоро-вые органы X и страдает заболеванием органов Y. Очевидно, что отношение "лечить более эффективно" (или же "быть более

35

здоровым после лечения") в данном случае нетранзитивно. Аналогично строится нетранзитивный круг отношения превос-ходства в модели "Учитель для учителя".

2. Объективная нетранзитивность превосходства в предметных областях

В биологических исследованиях показано, что один вид микроорганизмов может вытеснять с территории второй вид, этот второй вытесняет третий, а тот, в свою очередь, вытесняет первый. Отношения "бойцовской силы" между этими видами нетранзитивны [14]. Зоопсихологической закономерностью является то, что в группе животных особь А может доминиро-вать над В, В над С, но С над А. Семейные отношения домини-рования далеко не всегда транзитивны: отец доминирует над ребенком, ребенок над матерью, мать над отцом. В человече-ской культуре иерархия субъектов, выполняющих разные соци-альные функции, может быть нетранзитивной – Я.Вальсинер показывает это на примере индийской культуры. Он выдвигает фундаментальное положение, что нарушение транзитивности превосходства – это универсальная закономерность порожде-ния новизны в любой системе [16].

Другой областью, содержащей богатый материал по не-транзитивности отношений превосходства, является социология и всё, что связано с парадоксом Кондорсе. Еще в 18-м веке он показал, как индивидуальные транзитивные предпочтения избирателей при голосовании парадоксальным образом транс-формируются в нетранзитивные групповые. Качественно новым шагом в развитии этой проблематики стали в 20-м веке исследо-вания К. Дж. Эрроу, сформулировавшего знаменитую теорему о невозможности и получившего за свои работы Нобелевскую премию.

36

3. Рефлексия в задачах на достижение превосходства

При решении многих комплексных проблем чрезвычайно важен анализ и учет намерений и действий других людей – партнеров, союзников, противников. Пути этого анализа рас-сматриваются в теории рефлексивных игр [6; 9]. Для нас важно, что в антагонистических играх рефлексия может способствовать успеху более продвинутого игрока, ломая при этом объективно имевшиеся транзитивные отношения превосходства и перевора-чивая казавшуюся незыблемой иерархию. В качестве примера приведем забавную логическую задачу [2].

В сказочном лесу среди обычных источников было 10 вол-шебных колодцев с отравленной водой. Все пронумерованы. Выпьешь – умрешь через час. Единственное противоядие: в течение этого часа выпить воду из колодца, номер которого больше. Тогда оба яда нейтрализуются, и вреда не будет. (На-пример, если выпил воды из 5-го колодца, то противоядием может быть вода из 6-го, 7-го, 8-го, 9-го, 10-го). Но воду из последнего, 10-го колодца нейтрализовать ничем нельзя. Все жители сказочного леса имеют доступ только к первым 9 колод-цам, а ко всем 10 – только дракон. Лиса и дракон вызвали друг друга на дуэль. Дуэль такая – каждый приносит кружку воды и дает выпить противнику. Известно, что после дуэли лиса оста-лась жить, а дракон – нет. Как это могло получиться?

Авторы задачи не привели ответа. С нашей точки зрения, решение таково. Дракон решил дать лисе воды из 10-го колодца – от него нет противоядия. При этом он решил сам запить водой из 10-го колодца то, что принесет ему лиса – чтобы нейтрализо-вать любой яд. Но лиса, поняв ход рассуждений дракона, при-несла ему простой воды, и он, запив ее из 10-го колодца, отра-вился – эту ядовитую воду нечем запить. Лиса же перед дуэлью выпила воды из какого-то из 9 отравленных колодцев, и вода из 10-го колодца стала для нее противоядием. Таким образом, объективно имевшаяся транзитивная иерархия отношений ядо-витости колодцев (каждый следующий более ядовит) была

37

использована таким образом, что пользователь менее ядовитых колодцев победил того, кто контролировал и использовал все колодцы, в том числе и самый ядовитый.

В то же время рефлексия, способная переворачивать объек-тивно имеющиеся отношения превосходства, сама оказывается не защищенной от опасности нетранзитивности [10].

4. Психологические орудия овладения и совладания с нетранзитивностью

Для овладения закономерностями нарушения транзитивно-сти в тех или иных ситуациях создан ряд культурных средств разного уровня [10, 12]. На уровне обыденного сознания люди с детства встречают описания нетранзитивности превосходства в фольклоре (сказках, считалках и т.п.), в описаниях реальных событий, в играх (например, игре "камень, ножницы, бумага"). На уровне систематического образования частью ряда учебных курсов и программ является проблематизация отношения пре-восходства как транзитивного и экспликация случаев, где на-блюдается закономерная нетранзитивность превосходства [10; 13; 17]. На уровне деятельности экспертов описаны различные варианты реакции эксперта на навязанную нормативную оценку нетранзитивности отношения предпочтительности как ошибоч-ного в такой ситуации оценивания, где он считает реальные отношения нетранзитивными [1].

Заключение

Принцип транзитивности отношения превосходства не яв-ляется универсальным, его несоблюдение не может считаться в общем случае логической ошибкой, и предложение его соблю-дать не должно носить характера абсолютного канонического требования. Во множестве предметных областей и с помощью различных исследовательских методов показано, что аксиома транзитивности перестает работать в ситуациях, когда между сравниваемыми объектами происходят взаимодействия, и срав-

38

нение производится именно по способности взаимодействовать. Здесь требуется изменение способа рассуждений, и само следо-вание аксиоме транзитивности может стать логической ошиб-кой.

Нормативный канонический принцип транзитивности пре-восходства может быть своеобразным "троянским конем" или частью более широкого "троянского обучения" [10]. Преднаме-ренная последовательная демонстрация пар сравниваемых объектов может создавать у человека, для которого она произ-водится, ложное представление об иерархии этих объектов и их предпочтительности, провоцируя ошибочный выбор. Таким образом, апеллирование к транзитивности превосходства может быть средством управления чужой интеллектуальной оценкой и эмоциональным отношением, средством рефлексивного управ-ления чужим решением [12]. Кроме того, представление в учеб-никах и руководствах транзитивности превосходства как аксио-мы и как нормативного канонического принципа принятия решений – без сообщения о границах его применимости и о классах случаев, где она не соблюдается, – оказывается непред-намеренным троянским конем. Человек, усвоивший этот прин-цип как аксиому, будет не готов к столкновению со случаями закономерной нетранзитивности. Действие этого троянского коня проявляется даже в деятельности экспертов. Как показы-вают Н.А. Абрамова и С.В. Коврига, под влиянием навязанных схем и иных факторов влияния в случае обнаружения нетранзи-тивности "имеется риск ошибочно признанной ошибки и, как следствие, ошибочно скорректированного знания эксперта-аналитика", ведущее к снижению достоверности принимаемых решений [1].

В целом, следует различать 4 типа ситуаций, связанных с: а) объективностью отношений транзитивности – нетранзитивности и б) их субъективной оценкой человеком. 1-й тип: отношения превосходства между рассматриваемыми системами (элемента-ми и т.д.) объективно транзитивны, и субъект правильно оцени-вает их как транзитивные. 2-й тип: отношения превосходства объективно транзитивны, но субъект ошибочно оценивает их

39

как нетранзитивные. 3-й тип: отношения превосходства объек-тивно нетранзитивны, но субъект ошибочно оценивает их как транзитивные. 4-й тип: отношения превосходства объективно нетранзитивны, и субъект правильно оценивает их как нетран-зитивные [11].

Отношения превосходства транзитивны в случае сравнения объектов, описываемых одной одномерной характеристикой (например, длиной) и не взаимодействующих между собой. В случаях взаимодействия объектов, описываемых многомерным пространством характеристик, пусть и четко сформулирован-ных, проблема определения транзитивности / нетранзитивности отношения превосходства переходит в разряд алгоритмически неразрешимых (что не исключает возможности решения тех или иных конкретных задач, входящих в этот класс).

Литература

1. АБРАМОВА Н.А., КОВРИГА С.В. О рисках, связанных с ошибками экспертов и аналитиков // Труды 4-ой Междуна-родной конференции "Когнитивный анализ и управление развитием ситуаций". М.: ИПУ РАН, 2004. Т. 2. С. 12–23.

2. АЛЕКСЕЕВА Л.Н., КОПЫЛОВ Г.Г., МАРАЧА В.Г. Иссле-довательская деятельность учащихся: формирование норм и развитие способностей // Исследовательская работа школьников. 2003. N 4. С. 25–28.

3. ГАРДНЕР М. Крестики-нолики. М.: Мир, 1988. 4. ЗИНОВЬЕВ А.А. Логическая физика. М.: Наука, 1972. 5. КОЗЕЛЕЦКИЙ Ю. Психологическая теория решений. М.:

Прогресс, 1979. 6. ЛЕФЕВР В.А. Конфликтующие структуры. М.: ИП РАН,

2000. 7. МЕЛЬНИКОВ Б., РАДИОНОВ А. Программирование неде-

терминированных игр // Гордон А.Г. Диалоги. М.: Предлог, 2005. С. 93–112.

8. МОСЕЕВ А.В. Применение методов искусственного интел-лекта в переборных алгоритмах. Ульяновск: УГУ, 1999.

40

9. НОВИКОВ Д.А., ЧХАРТИШВИЛИ А.Г. Рефлексивные игры. М.: СИНТЕГ, 2003.

10. ПОДДЬЯКОВ А.Н. Исследовательское поведение: страте-гии познания, помощь, противодействие, конфликт. М.: Эребус, 2006.

11. ПОДДЬЯКОВ А.Н. Непереходность (нетранзитивность) отношений превосходства и принятие решений // Психоло-гия. Журнал Высшей школы экономики. 2006. 3. С. 88–111.

12. ПОДДЬЯКОВ А.Н. Отношения превосходства в структуре рефлексивного управления // Рефлексивное управление / Под ред. А.В.Брушлинского, В.Е.Лепского. М.: ИП РАН, 2000. С. 37–38.

13. СЕКЕЙ Г. Парадоксы в теории вероятностей и математи-ческой статистике. М.: Мир, 1990.

14. BODDY L. Interspecific combative interactions between wood-decaying basidiomycetes // FEMS microbiology ecology. 2000. Vol. 31. P. 185–94.

15. DESHPANDE M.N. Intransitive dice // Teaching statistics. 2000. Vol. 22 (1). P. 4–5.

16. PODDIAKOV A. N., VALSINER J. Intransitivity cycles and their transformations: how dynamically adapting systems func-tion? // Theory & psychology (в печати).

17. ROBERTS T. S. A ham sandwich is better than nothing: Some thoughts about transitivity // Australian senior mathematics jour-nal. 2004. Vol. 18 (2). P. 60–64.

18. TEMKIN L. S. A continuum argument for intransitivity // Phi-losophy and public affairs. 1996. Vol. 25. P. 175–201.

19. TVERSKY A. Intransitivity of preferences // Psychological review. 1969. V. 76. P. 31-48.

41

КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ ДЛЯ РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ

СЛАБОСТРУКТУРИРОВАННЫМИ СИСТЕМАМИ (СИТУАЦИЯМИ)

Авдеева З.К., Коврига С.В., Макаренко Д.И. (Институт проблем управления РАН, г. Москва)

max@ipu.ru В статье выделен класс управленческих задач, для решения которых целесообразно применение когнитивного моделирова-ния. Введены основные определения. Обозначены некоторые направления дальнейшего развития когнитивного подхода в моделировании. Ключевые слова: слабоструктурированная система (ситуа-ция), формализация первичных представлений, когнитивная карта, когнитивное моделирование, статический и динами-ческий анализ ситуаций

Введение

Одним из новых направлений современной теории под-держки и принятия решений является когнитивное моделирова-ние при исследовании управления слабоструктурированных систем и ситуаций [7–8, 11–20, 22–25, 29, 30, 32, 34–36 и др.]. Академик ГАН И.В. Прангишвили, говоря о методах эффектив-ного управления сложными системами, выделяет среди оправ-давших себя на практике научных методов повышения эффек-тивности управления в организационных, социально-экономических и политических системах когнитивное модели-рование для решения слабоструктурированных проблем, кото-рые часто встречаются при управлении сложными системами [26, 27].

42

Краткая история становления когнитивного подхода в управлении представлена в [5]. Основной целью статьи является выделение класса управленческих задач, для решения которых применяется когнитивное моделирование, уточнение базовых понятий и определение основных направлений исследований в рамках дальнейшего развития когнитивного подхода в модели-ровании.

1. Управленческие задачи, для решения которых целесообразно применение когнитивного моделиро-вания

В науке управления традиционные теоретические методы (в рамках теории рационального выбора) концентрируют внима-ние на процессах поиска оптимального решения из фиксирован-ного набора альтернативных решений для достижения четко поставленной цели. Вопросы идентификации проблем, форми-рования целей и множества альтернатив их достижения зачастую остается в стороне. В реальных управленческих ситуациях очень часто возникает задача, которая состоит не в том, чтобы сделать выбор между альтернативными решениями, а в том, чтобы проанализировать ситуацию для выявления реальных проблем и причин их появления. Понимание проблемы – обязательное предварительное условие нахождения приемлемого решения. При этом для СС характерны проблемы, которые с трудом поддаются вычленению в исследуемой управленческой ситуа-ции, что ограничивает возможности применения традиционных методов поиска оптимального (или даже удовлетворительного) управленческого решения в задачах управления такими систе-мами.

Одной из причин является недостаток информации о со-стоянии СС в условиях слабо контролируемой и изменяющейся внешней среды. Отсутствие достаточных знаний о системе, относительно которой принимается решение, не является един-ственной неопределенностью, обусловленной субъективными причинами. Также можно выделить неопределенность целей

43

развития СС и критериев выбора управленческого решения [10, 31]. Как правило, неудовлетворенность текущим состоянием системы осознается субъектом управления, но его представле-ния о причинах и возможных способах изменения ситуации в СС размыты, нечетки и противоречивы. Формализация нечетких представлений – одна из главных задач, которую надо решать при разработке моделей и методов принятия решений в слабо-структурированных ситуациях [10].

Важно также учесть, что субъекту управления очень часто приходиться принимать решения в постоянно изменяющихся условиях и при ограниченных временных ресурсах.

Другая трудность связана с тем, что субъекту управления приходится манипулировать качественной информацией в виде гипотез (предположений), интуитивных понятий и смысловых образов. Многочисленные исследования процессов принятия решений подтверждают, что субъекту управления несвойствен-но мыслить и принимать решения только в количественных характеристиках. Он мыслит, прежде всего качественно, и для него поиск решения – это, поиск, в первую очередь, замысла решения, где количественные оценки играют вспомогательную роль [10]. Поэтому структуры знания в мышлении субъекта управления, оказываются важнейшими элементами ситуации, неустранимыми из модели принятия решений.

Особенностью исследования СС является то, что процесс подготовки и принятия решений по управлению СС, как прави-ло, является групповой деятельностью. Каждый участник этого процесса представляет проблемную ситуацию исходя из “своих” внутренних представлений и знаний (картины, модели мира) о ситуации. Картина мира включает в себя набор убеждений, особенностей восприятия, ценностных и практических устано-вок субъекта, которыми он руководствуется в своей деятельно-сти и влияет на процесс разрешения проблемной ситуации.

Таким образом, подготовку и принятие решений в задачах управления СС, следует рассматривать как сложный интеллек-туальный процесс разрешения проблем, несводимый исключи-тельно к рациональному выбору. Для поддержки этого процесса

44

требуются новые подходы к разработке формальных моделей и методов решения проблем и формирования целей развития СС, особенно на ранних этапах подготовки управленческих реше-ний. В [21] отмечается, что первый этап при применении мето-дов принятия решений: “предварительный анализ проблемы и ее структуризация”, – является наиболее сложным и трудно фор-мализуемым. На этом этапе к работе привлекаются “опытные консультанты–аналитики”, а арсенал применяемых методов, как правило, включает эвристические экспертные методы (мозговой штурм, интервьюирование и т.п.).

Когнитивный подход к моделированию и управлению СС направлен на разработку формальных моделей и методов, под-держивающих интеллектуальный процесс решения проблем благодаря учету в этих моделях и методах когнитивных воз-можностей (восприятие, представление, познание, понимание, объяснение) субъектов управления при решении управленче-ских задач.

2. Основные понятия и модели в современном ког-нитивном моделировании

Ключевые понятия, сложившиеся и широко используемые в рамках когнитивного подхода и его различных школ, в публи-кациях зачастую не определяются; при этом нередко возникает неоднозначность понимания вплоть до противоречий как из-за различий понимания в разных школах, так и, в некоторых слу-чаях, в рамках одной школы. В статье предпринята попытка уточнить некоторые основные понятия когнитивного подхода к решению задач анализа и управления СС.

Также в данном разделе кратко рассмотрены основные ти-пы математических моделей, используемых в современном когнитивном подходе к решению задач анализа и управления СС.

Когнитивное моделирование в задачах анализа и управления СС − это исследование функционирования и развития слабо-структурированных систем и ситуаций посредством построения

45

модели СС (ситуации) на основе когнитивной карты1. В этой модели когнитивная карта [7, 13, 15, 22, 24, 32] отражает субъ-ективные представления (индивидуальные или коллективные) исследуемой проблемы, ситуации, связанной с функционирова-нием и развитием СС2. Основными элементами когнитивной карты являются базисные факторы3 (или просто факторы) и причинно-следственные связи между ними [7, 13, 15, 22, 24, 32].

Содержательно, базисные факторы – это факторы4, кото-рые (1) определяют и ограничивают наблюдаемые явления и процессы в СС и окружающей ее среде и (2) интерпретированы субъектом управления как существенные, ключевые параметры, признаки этих явлений и процессов.

При становлении когнитивного подхода принятым было формальное представление когнитивной карты в виде знакового графа, т.е. ориентированного графа, вершинам которого сопос-тавлены факторы, а ребрам – знаки (+ или –). В последнее время все чаще когнитивная карта представляется в виде взвешенного графа, в котором вершинам сопоставляются факторы, а ребрам – веса в той или иной шкале. Поэтому можно принять, что

1 Модель включает когнитивную карту как обязательный элемент наряду с возможными другими параметрами. Во многих публикациях, развивающих когнитивный подход к управлению СС, когнитивную карту часто отождествляют с когнитивной моделью. Однако следу-ет помнить, что в психологических исследованиях понятие “когни-тивная модель” связывается с ментальной моделью субъекта, поро-жденной под воздействием его познавательных возможностей. 2 В рамках формирования когнитивного подхода в науке управления термин “когнитивная карта” понимается в широком смысле, т.е. не связывается с представлениями в контексте пространственной ориентации, как это принято в психологических исследованиях. 3 В различных публикациях также используется термины “концепт” [7, 30, 32, 34–36] , “параметр” [18, 20, 29] или “переменная” [9]. 4 Фактор (от лат. factor – действующий, производящий) – причина, движущая сила к.-л. процесса, явления, определяющая его характер или отдельные его черты [6].

46

формально общей для всех работ когнитивного подхода являет-ся когнитивная карта в виде знакового или взвешенного графа над множеством факторов.

Как отмечено в [15], различные интерпретации вершин, ре-бер и весов на ребрах, а также различные функции, определяю-щие влияние связей на факторы, приводят к различным моди-фикациям когнитивных карт и средствам их исследования. При этом интерпретации могут различаться как в содержательном плане, так и в математическом. Благодаря наличию множества модификаций когнитивных карт можно говорить о различных типах моделей, основу которых составляют эти карты.

Выбор способа структурирования слабоструктурированных систем и ситуаций в виде множества факторов и причинно-следственных связей между ними не случаен1. Он обусловлен тем, что явления и процессы функционирования и развития СС включают в себя различные события, тенденции, определяемые многими факторами, причем каждый в свою очередь влияет на некоторое число других факторов. Образуются сети причинных отношений между ними [9, 25, 32, 33]. В книге известного не-мецкого психолога Д. Дëрнера2 [9], посвященной исследованию мышления субъекта управления и анализу причин ошибок при разрешении проблемных ситуаций в функционировании и раз-витии сложных систем, указывается, что “сиюминутная ситуа-ция с ее признаками – это только актуальное состояние системы

1 Различают пять видов когнитивных карт по типу используемых отношений [32, 34]: (1) оценивающих фокусирование внимания, ассоциации и важность понятий (концептов); (2) показывающих размерность категорий и когнитивных таксономий; (3) представ-ляющих влияние, причинность и системную динамику (каузальные когнитивные карты); (4) отражающих структуру аргументов и заключений; (5) иллюстрирующих фреймы и коды восприятия. Прак-тика применения когнитивных карт показывает, что для исследова-ния СС целесообразно применение карт третьего вида [32]. 2 Дернер явно не использует понятия “когнитивная карта”, но по существу в своей работе пишет именно о них.

47

и ее переменных. Следует не только понимать, что происходит, но и предвидеть, что произойдет или может произойти в буду-щем, а также предположить, как будет изменяться ситуация в зависимости от конкретных вмешательств. Для этого требуется структурное знание, то есть знание о том, как системные пере-менные взаимосвязаны и влияют друг на друга”. Дëрнер отмеча-ет, что в идеальном варианте это знание представляется в форме “математических функций”, но в случае невозможности по-строения последних, применимы схемы причинно-следственных отношений, позволяющие реконструировать различного рода предположения (гипотезы), содержащиеся в голове субъекта управления, причем не в виде “каузальных цепей”, а в виде “каузальных сетей”.

Исследование взаимодействия факторов позволяет оцени-вать “распространение влияния по когнитивной карте, изме-няющее их состояние (значение). Поведение (состояние) систе-мы может быть описано на основе значений системных переменных, что делает возможным использование классиче-ских подходов из теории систем, в частности, для моделирова-ния, анализа динамики, управления…Анализ когнитивной карты позволяет выявить структуру проблемы (системы), найти наи-более значимые факторы, влияющие на нее, оценить воздейст-вие факторов (концептов) друг на друга. Если в когнитивной карте выделены целевые и входные концепты, на которые мож-но воздействовать, то круг решаемых задач включает оценку достижимости целей, разработку сценариев и стратегий управ-ления, поиск управленческих решений” [32].

Согласно [15], задачи анализа ситуаций на основе когни-тивных карт можно разделить на два типа: статические и дина-мические. Статический анализ, или анализ влияний – это ана-лиз исследуемой ситуации посредством изучения структуры взаимовлияний когнитивной карты. Анализ влияний выделяет факторы с наиболее сильным влиянием на целевые факторы, т.е. факторы, значения которых требуется изменить. Динамический анализ лежит в основе генерации возможных сценариев разви-тия ситуации во времени. Таким образом, возможности решения

48

задач анализа и управления определяются типом используемых моделей – статических или динамических.

Для проведения обоих видов анализа, как правило, исполь-зуется математический аппарат двух типов: аппарат линейных динамических систем и аппарат нечеткой математики.

В недавних обзорах довольно подробно освещены совре-менные направления когнитивного подхода для моделей, осно-ванных на нечеткой математике [7, 30, 32], и статических моде-лей (при использовании различного математического аппарата) [15].

Вкратце остановимся на современных исследованиях СС и ситуаций, использующих линейные динамические модели, которые в статье представлены работами [12–14, 18–20, 22–24].

Формально в линейной динамической модели, основу кото-рой составляет когнитивная карата, фактор определяется как переменная, принимающая значения из некоторой числовой шкалы.

Изменение значений факторов во времени задается форму-лой [14, 20, 23, 24, 29, 32]

Nitxtxatxtx jj

Ijijii

i

,...,1)),1()(()()1( =−−+=+ ∑∈

,

где xi(t+1) и xi(t) – значение i-го фактора в моменты времени t+1 и t соответственно,

)1()( −− txtx jj = Δxj(t) – приращение фактора xj в момент времени t,

aij – вес влияния фактора xj на фактор xi, Ii – количество факторов, непосредственно влияющих на

фактор xi. В работах научного коллектива В.В. Кульбы [14, 20] пред-

ложен подход к анализу устойчивости СС, основанный на мето-дологии знаковых и функциональных графов и импульсных процессов на них. Центральным вопросом в исследованиях становится устойчивость систем и поиск стратегий управления на основе модификации структуры с целью стабилизации моде-

49

лируемых процессов. В рамках созданного подхода исследуется явление резонанса, возникающего в результате взаимодействия циклов. Ставится и решается задача аппроксимации произволь-ного орграфа орграфом специальной структуры – розой. Разра-ботана методология формирования сценариев развития СС, которая позволяет проводить исследования их поведения при различных управляющих воздействиях [18, 19]. Исследование динамики процессов СС основано на допущении о возможности модификации структуры модели. Изменение структуры модели, например, установление или удаление взаимосвязей между факторами, сопряжено с учетом ограничений, учитывающих возможность предметной интерпретации полученных решений.

Опыт применения моделей, построенных на когнитивных каратах, для решения слабоструктурированных проблем пока-зал, что во многих случаях модификация структуры сложно интерпретируется в терминах предметной области. Поэтому в основу работ В.И. Максимова и его коллег положен анализ устойчивых процессов в модели, поскольку наличие устойчиво-сти необходимо для корректной предметной интерпретации исследуемых явлений [13, 24].

Особое внимание в исследованиях научного коллектива В.И. Максимова уделяется (1) поиску и разработке методов структуризации первичных представлений субъекта управления, направленных на построение когнитивных карт; (2) повышению технологичности, научно-методической и инструментальной поддержки решения практических задач управления. Разработа-ны: метод структурно-целевого анализа развития СС; подход к исследованию конфликтных ситуаций, порождаемых противо-речиями в интересах субъектов, которые оказывают влияние на развитие исследуемой системы; подход и методы решения слабоструктурированных проблем и формирования сценариев развития СС [5, 11, 12, 23]. При этом проблема определяется как несоответствие существующего состояния СС или его динамики желательному состоянию, которое задано субъектом управле-ния. Комплексное использование перечисленных методов по-

50

зволяет проводить статический и динамический анализ при исследовании СС.

3. Некоторые направления дальнейших исследований

Опыт применения различных моделей и методов на базе когнитивного подхода (в России и за рубежом), повышающийся интерес управленцев-практиков к разработкам в данном направ-лении показывают целесообразность развития данного подхода в управлении. При этом следует отметить наличие нерешенных (или отчасти решенных) проблем. Выделим некоторые направ-ления исследований, которыми авторы будут заниматься в рамках дальнейшего развития когнитивного подхода в модели-ровании и управлении.

• Разработка теоретических основ, методов и техноло-гий построения моделей на базе когнитивного подхода при исследовании слабоструктурированных систем и ситуаций. В этом направлении планируется сформировать основные прин-ципы и систему критериев, ориентированные на повышение достоверности формализации первичных знаний (представле-ний) [1–4]. Разрабатывается общая концептуальная схема управ-ления процессом построения модели слабоструктурированной системы (ситуации).

Разрабатывается подход к формализации первичных пред-ставлений о слабоструктурированной проблеме в виде коллек-тивной когнитивной карты с целью обобщения и согласования разных представлений у носителей проблемы, компетентных в различных предметных областях знаний. Решение этой задачи опирается на разработанные методы концептуальной структури-зации и критерии и частные технологии формирования и согла-сования коллективных понятий [28].

Планируется проведение цикла работ по интеграции когни-тивного подхода и методов теории активных систем, поскольку в обоих научных направлениях большое значение отводится исследованию сложных систем, в которых одним из основных

51

элементов являются активные субъекты, существенно влияю-щие на эффективность управления системой.

• Развитие инструментальных средств поддержки ин-теллектуальной деятельности человека при управлении разви-тием слабоструктурированных систем и ситуаций.

В настоящее время разработан программно-аналитический комплекс, в котором реализованы функции построения моделей на основе когнитивные карты, структурно-целевого анализа, сценарного моделирования и сравнительной оценки сценариев.

Модульная архитектура разработанного комплекса позво-ляет наращивать его другими инструментальными средствами решения различных задач управления, а также взаимодейство-вать с современными информационно-аналитическими систе-мами (например, системами сбора и анализа информации, ERP – системами).

Литература

1. АБРАМОВА Н.А., ВАССУНОВ И.В. О влиянии формализа-ции на адекватность когнитивной модели управленческой ситуации // Тр. 5-й междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. – М.: 2005. – С. 47-51.

2. АБРАМОВА Н.А., КОВРИГА С.В. О некоторых аспектах формирования и согласования понятий и их влияния на ка-чество интеллектуальной деятельности // Тез. докл. 2-ой междунар. конф. по когнитивной науке / СПГУ. − СПб.: 2006. – Т.2. – С. 607.

3. АБРАМОВА Н.А., КОВРИГА С.В. О рисках, связанных с ошибками экспертов и аналитиков // Тр. 4-ой междунар. конф. “Когнитивный анализ и управление развитием ситуа-ций” (CASC’2004) / ИПУ РАН. − М., 2004. − Т.2. – С. 12-23.

4. АБРАМОВА Н.А., КОВРИГА С.В., НОВИКОВ Ф.В. О достоверности формализованных знаний и некоторых кри-териях ее оценки // Тез. докл.. 3-ей междунар. конф. по про-блемам управления / ИПУ РАН. − М.: 2006. – Т.2. – С. 157.

52

5. АВДЕЕВА З.К., КОВРИГА С.В., МАКАРЕНКО Д.И., МАКСИМОВ В.И. Когнитивный подход в управлении // Проблемы управления, 2007. – Спец. выпуск памяти И.В. Прангишвили (в печати).

6. Большая советская энциклопедия. 3-е изд. – М.: Советская энциклопедия, 2001. – http://slovari.yandex.ru/search.xml? text= enc_abc&enc_abc=*&how=enc_abc_rev&encpage=bse.

7. БОРИСОВ В.В., БЫЧКОВ И.А., ДЕМЕНТЬЕВ А.В. и др. Компьютерная поддержка сложных организационно-технических систем – М.: Горячая линия – Телеком, 2002. – 154 с.

8. ГОРЕЛОВА Г.В., ДЖАРИМОВ Н.Х. Региональная система образования, методология комплексных исследований. – Майкоп: 2002. – 360 с.

9. ДЁРНЕР Д. Логика неудачи. Стратегическое мышление в сложных ситуациях. – М.: Смысл, 1997. – 243 с.

10. ДИЕВ В.С. Нечеткость в принятии решений // Философия науки. – 1998. – 1(4). – С. 45–52.

11. КОВРИГА С.В. Методические и аналитические основы когнитивного подхода к SWOT-анализу // Проблемы управ-ления, 2005, 5. − С. 58–63.

12. КОВРИГА С.В., МАКСИМОВ В.И. Применение структур-но-целевого анализа развития социально-экономических си-туаций // Проблемы управления, 2005. – 3. – С. 39–43.

13. КОРНОУШЕНКО Е.К., МАКСИМОВ В.И. Управление процессами в слабоформализованных средах при стабили-зации графовых моделей среды // Труды ИПУ РАН: Сб. на-уч. Тр. – М.: ИПУ РАН, 1999. – Т.2. – С. 82–94.

14. КОСЯЧЕНКО С.А., КУЗНЕЦОВ Н.А., КУЛЬБА В.В., ШЕЛКОВ А.Б. Модели, методы и автоматизация управле-ния в условиях чрезвычайных ситуаций // Автоматика и те-лемеханика. – 1998. – 6. – С. 3–66.

15. КУЗНЕЦОВ О.П., КУЛИНИЧ А.А., МАРКОВСКИЙ А.В. Анализ влияний при управлении слабоструктурированными ситуациями на основе когнитивных карт // Человеческий

53

фактор в управлении / Под ред. Н.А. Абрамовой, К.С. Гинс-берга, Д.А. Новикова. – М.: КомКнига, 2006. – С. 313–344.

16. КУЛИНИЧ А.А. Когнитивная система поддержки приня-тия решений “Канва” // Программные продукты и системы. –2002. – 3.

17. КУЛИНИЧ А.А., ТИТОВА Н.В. Интеграция нечетких моделей динамики и оценивания ситуаций // Тр. 5-й между-нар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. – М.: 2005. – С. 107–126.

18. КУЛЬБА В.В., КОНОНОВ Д.А., КОСЯЧЕНКО С.А., ШУБИН А.Н. Методы формирования сценариев развития социально-экономических систем. – М.: СИНТЕГ, 2004. – 296 с.

19. КУЛЬБА В.В., КОНОНОВ Д.А., ЧЕРНОВ И.В., ЯНИЧ С.С. Сценарии управления государством (на примере Союза Сербии и Черногории) // Проблемы управления. – 2005. – 5. – С. 33–41.

20. КУЛЬБА В.В., МИРОНОВ П.Б., НАЗАРЕТОВ В.М. Анализ устойчивости социально-экономических систем с использо-ванием знаковых орграфов // Автоматика и телемеханика. – 1993. – 7. – С. 130–137.

21. ЛАРИЧЕВ О.И., ПЕТРОВСКИЙ А.Б. Системы поддержки принятия решений: современное состояние и перспективы развития // Итоги науки и техники. – М.: ВИНИТИ, 1987. – Т.21. – С. 131-164.

22. МАКСИМОВ В.И. Когнитивные технологии – от незнания к пониманию // Тр. 1-ой междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2001) / ИПУ РАН. − М., 2001. − Т.1. – С. 4–41.

23. МАКСИМОВ В.И. Структурно-целевой анализ развития социально-экономических ситуаций // Проблемы управле-ния, 2005. – 3. – С. 30–38.

24. МАКСИМОВ В.И., КОРНОУШЕНКО Е.К. Аналитические основы применения когнитивного подхода при решении сла-

54

боструктурированных задач // Труды ИПУ РАН: Сб. науч. Тр. – М.: ИПУ РАН, 1999. – Т.2. – С. 95–109.

25. ПЛОТИНСКИЙ Ю.М. Модели социальных процессов / Изд. 2-е, перераб. и доп. – M.: Логос, 2001. – 296 с.

26. ПРАНГИШВИЛИ И.В. О методах эффективного управле-ния сложными системами // Тр. 5-ой междунар. конф. “Когнитивный анализ и управление развитием ситуаций” (CASC’2005) / ИПУ РАН. − М., 2005. – С. 7–15.

27. ПРАНГИШВИЛИ И.В. Системный подход и общесистем-ные закономерности. – М.: СИНТЕГ, 2000. – 528 с.

28. ПРАНГИШВИЛИ И.В., АБРАМОВА Н.А., СПИРИДОНОВ В.Ф. и др. Поиск подходов к решению проблем – М.: СИНТЕГ, 1999. − 192 с.

29. РОБЕРТС Ф. Дискретные математические модели с прило-жениями к социальным, биологическим и экологическим задачам. – М.: Наука, 1986.

30. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. – М.: ИНПРО–РЕС, 1995. – 228 с.

31. ТРАХТЕНГЕРЦ Э.А. Субъективность в компьютерной поддержке решений. – М.: СИНТЕГ, 2001. – 256 с.

32. ФЕДУЛОВ А.С. Нечеткие реляционные когнитивные карты // Теория и системы управления. – 2005. – 1. – С. 120–132.

33. ХЕЙС Д. Причинный анализ в статистических исследова-ниях. – М.: Финансы и статистика, 1980. – 255 с.

34. HUFF A.S. Mapping strategic thought // Mapping strategic thought / Ed. by A. S. Huff . – Chichester: Wiley, 1990. – P. 11–49.

35. KOSKO B. Fuzzy cognitive maps // International Journal of Man-Machine Studies, 1986. – Vol. 1. – P. 65–75.

36. Structure of Decision. The Cognitive Maps of Political Elites / Ed. by R. Axelrod. – Princeton: Princeton University Press, 1976. − 405 p.

55

ОПОСРЕДОВАННЫЙ ОТБОР ИДЕЙ В ИНТЕГРИРОВАННЫХ СИСТЕМАХ ПОДДЕРЖКИ

ПРИНЯТИЯ РЕШЕНИЙ

Сухарев М.В. (Институт экономики Кар НЦ РАН, г. Петрозаводск)

suharev@narod.ru

Представлена концепция интегрированного комплекса под-держки принятия решений, важнейшим элементом которого является система знаний (рутин, теорий, философий), имею-щихся в коллективной памяти, и который обеспечивает опо-средованный многоуровневый отбор идей и решений по управ-лению сложными социально-экономическими системами. Ключевые слова: управление сложными социально-экономическими системами, интегрированная система под-держки принятия решений

1. Парадигмы, планирование и принятие решений

Сравнительно мало исследованной областью в теории приня-тия решений является гносеологическая природа знаний, исполь-зуемых в качестве основы для выработки решений.1 Первым «слоем», используемым в организациях (в частности, коммерче-ских фирмах) для принятия решений, являются рутины – «отно-сительно неизменные предрасположения и эвристические методы при выработке стратегии» [5, с. 31]. Рутины – это хорошо отрабо-танные алгоритмы, приемы, такие, как оптимизация расходов, исследование рынка, выбор поставщиков, выбор оборудования и

1 Данная работа выполнена при финансовой поддержке РГНФ (грант «Исследование региональной инновационной системы и разработка методов перехода от в основном сырьевой экономики к инновацион-ной в условиях финансовых ограничений» 06-02-04059а)

56

материалов и так далее. Здесь следует отметить, что полный набор рутин, используемых организацией, представляет собой не случайный набор методов, а органическую систему, каждый элемент которой увязан с другими. Рутины являются первым уровнем отбора вариантов действий организации. Например, если в организации появляется новый человек, он может предлагать различные варианты решения тех или иных проблем, но наиболее вероятно, что сложившийся коллектив примет тот, который соот-ветствует уже имеющимся рутинам.

Фирмы охотно используют рутины до тех пор, пока они обеспечивают достижение желательных результатов. Однако если перед фирмой встают серьезные проблемы и старые рути-ны перестают работать, ей приходится погрузиться на более глубокий гносеологический уровень и начать вырабатывать новую систему рутин. Таким образом, имеется следующий уровень отбора, на котором отбираются сами рутины. Это уро-вень общих теорий, экономических, социальных, естественно-научных.

Конечно, все это очень похоже на то, как период «нормаль-ной» науки сменяется периодом научной революции [3]. Это сходство обусловлено сходством когнитивной ситуации в том и в другом случае. Прежде всего, дело в принципиально коллек-тивной природе мышления.

Ни один человек не изобрел сам все понятия, которыми он пользуется в своих когнитивных процессах. Ему приходится пользоваться понятиями, изобретенными другими людьми. Наиболее выдающиеся мыслители смогли создать только не-сколько новых понятий за всю свою жизнь. Понятия связаны в органические системы идей (мимеплексы – см. [8]). Например, в физике электричества связаны понятия заряд, ток, напряжение и так далее. Невозможно оперировать электромагнитной теорией и принимать на ее основе решения при конструировании тех или иных устройств, пользуясь только какими-то отдельными поня-тиями. Эти комплексы идей разрабатываются достаточно боль-шими коллективами людей на протяжении больших периодов времени, десятилетий и даже столетий. Каждый отдельный

57

человек или группа людей усваивают эти понятия и отношения между ними в процессе обучения.

При управлении фирмой или территорией люди также вы-нуждены пользоваться различными теоретическими разработ-ками, такими, как экономические и социальные теории. Приня-тые решения зависят от выбора этих теорий. Например, решения, принятые при управлении страной или регионом могут принципиально различаться в зависимости от того, поль-зуются ли лица, принимающие решения (ЛПР) либеральной, кейнсианской или марксистской системой экономических взглядов.

Можно сказать, что всякое планирование и принятие реше-ний при управлении происходит в рамках определенной пара-дигмы или комплекса парадигм. Управление сложными систе-мами (крупными корпорациями, территориями) всегда осуществляется коллективами людей, принимающих и подго-тавливающих решения. При этом даже результаты работы лю-дей, подготавливающих информацию, мнение которых, казалось бы, не учитывается при принятии решения, все равно оказывает влияние на конечный результат. Сообщество, задействованное в планировании, подготовке и принятии решений, является цело-стной системой, работа каждого элемента которой оказывает влияние на конечный результат. Но при сборе и подготовке информации люди пользуются определенными наборами пред-ставлений о социальном и экономическом мире. Эти представ-ления оказывают решающее влияние на то, какая информация будет собираться, о методах ее сбора и интерпретации.

Таким образом, при формировании решения имеет значе-ние, в рамках каких теоретических представлений находится каждый из людей, принимающих участие в управлении. Ситуа-ция, когда разные члены сообщества планировщиков находятся в разных парадигмах, ведет к принятию неоднородных решений, которые не могут быть эффективными в силу противоречий между своими отдельными частями.

Т. Кун, который ввел в оборот понятие «парадигма», столк-нулся со значительными сложностями при его точном опреде-

58

лении. В значительной мере этим сложностям посвящено «До-полнение 1969 года», добавленное во втором издании в книгу «Структура научных революций». Наиболее часто Кун пользу-ется следующим определением: «Под парадигмами я подразу-меваю признанные всеми научные достижения, которые в тече-ние определенного времени дают научному сообществу модель постановки проблем и их решений». Если заменить «научные достижения» на «представления об экономике и обществе», то вполне можно применить это определение к сообществам ЛПР, управляющих корпорациями или территориями.

Для уточнения понятия парадигмы придется воспроизвести обширную цитату из книги Т. Куна: «В данном очерке термин "нормальная наука" означает исследование, прочно опирающее-ся на одно или несколько прошлых научных достижений – достижений, которые в течение некоторого времени признаются определенным научным сообществом как основа для его даль-нейшей практической деятельности. В наши дни такие достиже-ния излагаются, хотя и редко в их первоначальной форме, учеб-никами – элементарными или повышенного типа. … До того как подобные учебники стали общераспространенными … анало-гичную функцию выполняли знаменитые классические труды ученых: "Физика" Аристотеля, "Альмагест" Птолемея, "Начала" и "Оптика" Ньютона, "Электричество" Франклина, "Химия" Лавуазье, "Геология" Лайеля и многие другие. Долгое время они неявно определяли правомерность проблем и методов исследо-вания каждой области науки для последующих поколений уче-ных. Это было возможно благодаря двум существенным осо-бенностям этих трудов. Их создание было в достаточной мере беспрецедентным, чтобы привлечь на длительное время группу сторонников из конкурирующих направлений научных исследо-ваний. В то же время они были достаточно открытыми, чтобы новые поколения ученых могли в их рамках найти для себя нерешенные проблемы любого вида». [3, с. 34]

В управлении подобными образцами является деятельность великих общественных лидеров, вроде А. Македонского, Г.Ю. Цезаря, О. Кромвеля, Петра Первого, В.И. Ленина, Т. Рузвельта и

59

т.д. Или же руководителей коммерческих предприятий, таких, как Г. Форд, Т. Эдисон, Д. Рокфеллер, Б. Гейтс, Л. Якокка и др. При изучении деяний этих лидеров легко обнаружить, что все они пользовались определенными идейными установками, являясь решительными реализаторами этих установок. Именно в резуль-тате беспрецедентного успеха их деятельности формируются группы сторонников проведения аналогичной политики. В то же время идейная основа этой политики в достаточной мере открыта, позволяя переносить ее на почву других стран и предприятий.

Так возникают управленческие парадигмы. Кун включает в парадигму не только общую теорию, но и практики, и даже специфическое оборудование. По-видимому, в управленческие парадигмы также нужно включать специфические практики применения общих теоретических представлений – например, организацию процесса принятия решений (совещания, согласо-вания, голосование и пр.).

Важным понятием в концепции Куна является «нормальная наука». Под нормальной наукой понимается период расширяю-щегося исследования природы на основе действующей парадиг-мы. Например, серии экспериментов по дифракции и интерфе-ренции, которые подтверждали в свое время волновую теорию света. Но периоды нормальной науки сменяются периодами научных революций, когда накапливаются факты, не находящие объяснения в рамках общепринятой парадигмы. Научная рево-люция завершается принятием новой парадигмы, основанной на новых понятиях (таких, как понятие «кванта», обладающего свойствами и волны, и частицы одновременно).

Управление также ведется в рамках управленческой пара-дигмы до тех пор, пока не сталкивается с вызовами (термин А. Тойнби – [6]), которые не удается преодолеть в ее рамках. Тогда начинается мучительный поиск новой парадигмы. Россия пере-жила в XX веке две смены управленческих парадигм – с право-славно-монархической в 1917 году на марксистскую и с маркси-стской на либерально-рыночную в 1991 году. Внутри этих периодов можно обнаружить частичную коррекцию парадигм – переход от внутрипартийной демократии Ленина к авторита-

60

ризму Сталина и переход от либерально-анархической модели Б.Н. Ельцина к государственному патернализму В.В. Путина.

Процесс смены парадигм имеет свою историческую эволю-цию. Если в XVI – XX веках смена парадигмы управления (или даже смена научной парадигмы) была в чем-то сродни отказу от веры, способном вызвать войны «остроконечников» и «тупоко-нечников», то со временем смена парадигмы становится вопро-сом эффективности. Так, современный экономист понимает относительную справедливость кейнсианской и либеральной моделей, и переходит от одной к другой или пользуется некой смесью обоих стратегий в зависимости от текущей ситуации.

Эта тенденция усиливается в связи с общим ускорением на-учной, технической и социально-экономической эволюции обще-ства. Поэтому проблема оперативного выбора рутин, парадигм и даже смены парадигм приобретает особенную актуальность.

2. Интегративные структурные уровни третьего мира

Среди идей системного движения имеется идея интегратив-ных структурных уровней. [2]. Известно, что материя организо-вана в системы различного уровня сложности, причем в этой организации можно обнаружить ряд иерархических уровней. Так, например, в строении живых организмов можно обнару-жить уровень клеток, молекул, атомов, элементарных частиц. Но те же уровни оказываются характерны не только для какого-то конкретного организма, или конкретного биологического вида. Те же уровни можно обнаружить и во всех других орга-низмах на Земле. То есть, существование этих уровней опреде-ляется не конструкцией отдельных видов материальных систем, но более общими организационными законами, на существова-ние которых одним из первых обратил внимание А. Богданов. [1] Системы общего уровня организации были названы интегра-тивным структурным уровнем организации материи.

Переходя от материальных систем к идейным, мы можем обнаружить там сходные интегративные уровни организации

61

идей. Научные теории являются наиболее яркими представите-лями интегративных структурных уровней в мире идей. Суще-ствование таких уровней обусловлено необходимостью взаимо-действия понятий при конструировании моделей окружающего мира. Всякая теория является системой понятий, способных к взаимодействию, и законов взаимодействия, определенных на множестве этих понятий.

Благодаря этому у людей, владеющих теорией, появляется возможность конструировать из понятий системы, либо соответ-ствующие системам реального мира, либо даже системы, еще не существующие в реальном мире, но которые могут быть реали-зованы и будут после реализации действовать так, как предпола-галось. Именно это свойство теоретического мышления создает возможность предвидения, предсказания, планирования, созда-ния инноваций.

Но теория является коллективным творением. Она создает-ся и уточняется множеством людей. Требование взаимного понимания, использования общих понятий и законов, создает социальную необходимость существования горизонтального интегративного уровня, объединяющего идейные конструкции общего типа организации. Таким образом, эти идеальные миры приобретают некий вид объективности, независимости от от-дельного индивида. К. Поппер назвал совокупность таких иде-альных теоретических миров «третьим миром». [7].

Исследуя идеальные интегративные уровни, используемые при планировании и принятии решений, можно выделить четы-ре основные уровня. Это уровень рутин (стандартных решении), теорий (органических идеальных систем понятий и законов), философии (наиболее общих теоретических идей, которые используются для создания новых парадигм, когда перестают работать старые) и уровень «здравого смысла» (анимальной логики), используемый для выбора философии.

62

3. Опосредованный отбор идей и решений

Тенденции управления ситуациями в сложных социально-экономических системах таковы, что требуют создания интег-рированных человеко-машинных систем анализа и принятия решений. Основой этих систем являются обладающие знаниями коллективы специалистов органов управления, ЛПР, представи-тели общественности.

В последнее время развитие вычислительной техники приве-ло к возникновению особого класса программного обеспечения – средств поддержки групповой работы (groupware) и средств поддержки принятия решений (decision support systems). Некото-рые системы (например, Groove Workspace), принципиально основываются на распределенных сетевых структурах, в которых нет выделенного сервера и все компьютеры равноправны.

С точки зрения когнитивной науки, эти системы призваны стать средой, в которой могут развиваться и функционировать более совершенные распределенные когнитивные модели управления территориями и корпорациями. Системы групповой работы обеспечивают эффективную коммуникацию специали-стов независимо от их местонахождения. При этом коммуника-ция может осуществляться и в текстовом варианте (электронная почта, конференции, чат), и в мультимедиа (звук, изображение). Но, в отличие от обычных совещаний, вся коммуникация легко может фиксироваться для дальнейшего анализа и обработки. Коммуникация становится намного более интенсивной, менее зависит от места и времени. Интегрированные системы, помимо средств коммуникации, содержат базы данных и знаний, систе-мы поиска информации, средства моделирования ситуаций.

Научный анализ систем групповой работы должен видеть процесс шире, не ограничиваясь его технической стороной. Хотя основой являются компьютеры и средства связи, суть их внедрения (особенно в территориальное управление) глубоко социальна [4]. Для сравнения можно привести социальные последствия появления такого средства коммуникации, как

63

письменность. Казалось бы, примитивный способ записи звуков знаками привел к колоссальным социальным изменениям – появлению литературы, изменению способов функционирова-ния культуры, особенно накоплению и распространению знаний на большие промежутки времени и расстояния, к возможности появления науки. Внедрение систем групповой работы в управ-лении и планировании приведет в ближайшие годы к новой управленческой революции; более того, в наиболее прогрессив-ных корпорациях эта революция уже идет.

Центром систем групповой работы является сервер, кроме которого в системе используются множество клиентских компью-теров, связывающихся с сервером через сеть Интернет. Благодаря использованию Интернет коллектив управленцев не привязан к работе в одном здании или даже одном населенном пункте. В него по мере необходимости могут включаться эксперты из других городов или даже стран. Через клиентские компьютеры с систе-мой связываются сотрудники администрации, эксперты, а также широкий круг лиц (бизнесменов, политиков, гражданских активи-стов), заинтересованных в развитии территории.

Информационные технологии являются не только техниче-ским средством функционирования интегрированных систем принятия решений; они являются элементом, создающим новое качество целостной системы управления.

Аналогией такой системы является многопроцессорный комплекс, который может работать, как целое, исполняя одну или несколько программ с использованием всех или большинст-ва своих процессоров.

Важнейшим элементом интегрированного комплекса явля-ется система знаний (рутин, теорий, философий), имеющихся в коллективной памяти. В настоящее время, когда очень быстро изменяется ситуация на глобальных рынках и в мировой поли-тике, управление требует мобильности как в смене рутин, так и теорий (или их комбинации). В связи с изменением конфигура-ции мира может потребоваться и смена философии.

Из этого вытекает требование оперативного опосредован-ного отбора идей в системе принятия решений. Для этого ком-

64

плексы должны, прежде всего, включать в себя все необходимые теории и философии. Они могут существовать как в текстовой форме, в виде электронных документов, так и в виде специали-стов, ученых, обученных оперировать этими теориями. Вычис-лительные системы на сегодня могут оперировать знаниями лишь в самой зачаточной форме, поэтому обученные люди являются необходимым элементом систем.

Помимо специалистов необходимых отраслей знаний (со-циологов, экономистов, технологов и т.д.) нужны люди, обла-дающие метанаучным кругозором, способные к навигации среди разных парадигм, переходу от одной к другой.

В настоящее время усиливается нужда в людях особого ти-па – культурных навигаторах, способных воспринимать различ-ные философии, держать в поле зрения одновременно несколько культур и переходить от одной к другой.

Способностью, более высокой, чем культурная навигация, является способность конструировать новые культуры, свойст-венная культурным демиургам.

Взаимодействие между теориями, действующими внутри людей, значительно ускоряется за счет электронных средств коммуникации, поиска, принятия решений путем сетевых обсу-ждений, экспертизы, рейтинговых голосований.

Смена рутин, парадигм, философий и, тем более, культур, связаны с очень высокими затратами. Поэтому они вовсе не всегда являются благом или признаком прогресса. До тех пор, пока отработанные рутины и теории позволяют управлять дос-таточно эффективно, следует пользоваться ими.

Но в ситуации вызова дальнейшее развитие управляемой системы требует опосредованного отбора руководящих идей по схеме: рутины > теории > философия > культура.

Существенным требованием к конструкции интегрирован-ных систем поддержки принятия решений является поэтому наличие встроенных подсистем опосредованного отбора идей. Такие подсистемы должны включать людей, владеющих идея-ми, карты знаний, средства оформления и публикации идей,

65

тематические фильтры, которые отбирают авторов и критиков идей, сетевые средства принятия решений.

Информационные технологии позволяют в десятки раз ус-корить процессы отбора, создания и смены парадигм по сравне-нию с традиционными социокультурными механизмами. Те территории и корпорации, которые сумеют первыми реализо-вать автоматизацию опосредованного многоуровневого отбора идей и решений, будут выигрывать в мире XXI века.

Литература

1. БОГДАНОВ А.А. Тектология. Всеобщая организационная наука. Книга 1 / М.: Экономика, 1989. – 304 с.

2. КРЕМЯНСКИЙ В.И. Структурные уровни живой материи. Теоретические и методологические проблемы. / М.: Наука, 1969. – 295 с.

3. КУН Т. Структура научных революций: Пер. с англ. / М.: ООО "Издательство АСТ", 2001. – 608 с.

4. ЛЕПСКИЙ В.Р., РАПУТО А.Г. Моделирование и поддерж-ка сообществ в Интернет / М.: Институт психологии РАН, 1999. – 96 с.

5. НЕЛЬСОН Р., УИНТЕР С. Эволюционная теория экономиче-ских изменений / М: ЗАО "Финстатинформ", 2000. – 474 с.

6. ТОЙНБИ А.Д. Постижение истории. – М.: Прогресс, 1991. – 736 с.

7. ПОППЕР К. Логика и рост научного знания / М.: Прогресс, 1983. – 605 с.

8. GATHERER D. Macromemetics: Towards a Framework for the Re-unification of Philosophy. [Электронный ресурс] – http:// www.cpm.mmu.ac.uk/jomemit/1997/vol1/ gatherer_dg.html

66

ЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ ГЕОМЕТРИЧЕСКИХ ОБЪЕКТОВ

И ПРИНЯТИЯ РЕШЕНИЙ

Левин В.И. (Пензенская государственная технологическая

академия, г. Пенза) levin@pti.ac.ru

Рассмотрено применение к моделированию различных объек-тов непрерывной логики, нечеткой логики, интервальной логики и родственных им логик.

Ключевые слова: логическое моделирование, непрерывная логика, нечеткая логика, интервальная логика

Введение

Наука логика первоначально создавалась древнегреческими мыслителями как средство построения правильного мышления. Эта область оставалась единственной, где применялась логика, до конца XIX в. В конце XIX – начале XX вв. выяснилось, что логика имеет прямое отношение к обоснованию математики. После этого области приложений логики стали расти, как снеж-ный ком. Сначала в 1930-е гг. было установлено, что булева алгебра логики позволяет моделировать работу релейно-контактных и других управляющих устройств, что в большой мере способствовало созданию в 1940-е гг. кибернетики – общей науки об управлении. Затем были развиты методы логического вывода и принятия решений, что определило появление в 1950-е гг. новой науки – искусственного интеллекта. Наконец, в 1960-е гг. на основе непрерывной логики (НЛ) [1] была создана теория нечетких множеств [3], имеющая многочисленные применения в области моделирования систем, работающих в условиях неопре-

67

деленности. В настоящее время приложения логики охватывают почти все области человеческой деятельности:

• математику (аппроксимация функций, геометрия [2], теории множеств и чисел),

• технику (расчет электрических цепей, синтез генерато-ров функций, расчет аналоговых и цифровых устройств, моде-лирование формы деталей, надежность, диагностика) [6,9],

• системы (системы обслуживания, распознавание обра-зов, принятие решений, обработка информации) [5,7,8],

• экономику (дискретная оптимизация, теория расписаний, моделирование экономических процессов), биологию (модели-рование нейронных структур),

• социологию (моделирование поведения коллектива), ис-торию (моделирование потоков исторических событий) [4],

• политологию (моделирование динамики общества) и т.д. В статье рассмотрено применение к моделированию различных объектов НЛ, нечеткой логики, интервальной логики (ИЛ) и родственных им логик. В библиографическом списке [1–9] даны источники, описывающие применение, как этих, так и других логик.

1. Моделирование геометрических объектов

Начнем с применения логики к геометрическому моделиро-ванию [2]. Основной интерес представляет здесь следующая задача: для заданной кривой (поверхности, объема) дать анали-тическое представление в виде соответствующего уравнения. Применение НЛ к решению данной задачи дает возможность аналитического описания сложных изломанных, разрывных и многозначных кривых и поверхностей, областей и их границ, пересечения областей и т.д., требуя меньше исходных данных и приводя к более простому описанию, чем другие методы. Так, изломанную кривую, полученную пересечением двух прямых

11 bxay += и 22 bxay += , можно записать аналитически

68

(1) ))( 2211 ( bxabxay ++= ∨∧

,

где операция конъюнкции НЛ ∧ берется для выпуклой кривой, а операция дизъюнкции НЛ ∨ – для вогнутой. Выражения типа (1) верны также для изломанных кривых, полученных пересече-нием двух или нескольких кривых. Для аналитического пред-ставления разрывных кривых обозначим через

a∨ операции ∨

при 0>a и ∧ при 0<a . Тогда, например, простейшую раз-рывную кривую, описываемую знаковой функцией xsign , можно записать аналитически

(2) )1(10,10,1

−∨=⎩⎨⎧

<−>

=xx

xxsign .

Произвольные разрывные кривые можно описывать анали-тически с помощью только операций НЛ ∨ и ∧ , без использо-вания операции

a∨ .

Наиболее просто аналитическое представление области и ее границы для области-полосы. Так, горизонтальная полоса

21 byb ≤≤ имеет границу и область, описываемые уравнениями НЛ (3) 00)()(и0)()( 2121 =∧−∧−=−∧− ybbyybby .

Аналогично выглядят уравнения области и границ прямо-угольника (пересечение двух полос) и более сложных фигур на плоскости и в пространстве. Общий прием получения уравнений следующий. Если область на плоскости дана неравенством

0),( ≤yxf , то в терминах НЛ эту область и ее дополнение 0),( >yxf можно задать уравнениями

(4) 00),(,00),( =∧=∨ yxfyxf . Таким образом, пересечение областей 0),( ≤yxf и

0),( ≤ϕ yx дается уравнением 0]0),([]0),([ =∨ϕ+∨ yxyxf .

69

2. Аппроксимация кривых

Методика логической аппроксимаций кривых проста. Пусть нелинейная функция одной переменной )(xfy = аппроксими-руется с заданной точностью кусочно-линейной функцией

)(xF , состоящей из m отдельных линейных функций-образующих: )(),...(1 xfxf m . Тогда в соответствии с (1) выпук-лую (вогнутую) функцию f можно приближенно представить конъюнкцией (дизъюнкцией) НЛ функций-образующих

(5) )()()(),()()(1вог1вып xfxFxfxfxFxf i

m

ii

m

i ==∨∧ =≈=≈ .

В общем случае, когда f имеет и выпуклые, и вогнутые участки, эти участки разделяются с помощью вспомогательной функции )(xA , график которой соединяет точки перегиба кри-вой )(xf , и представление )(xf получается логической супер-позицией функций )(),( xFxA и )(xF . Такой принцип работает и в случае кусочно-нелинейной аппроксимации. Он также пере-носится на функции двух и нескольких переменных.

3. Принятие приближенных решений

Моделирование принятия приближенных решений в усло-виях неопределенности основано на теории нечетких множеств и нечеткой логике. Пусть n независимых экспертов дают оцен-ку ситуации в условиях неопределенности в виде нечетких подмножеств niAi ,...,1, = , множества всех возможных альтер-натив. Тогда за коллективную оценку ситуации A можно при-нять общую часть всех индивидуальных оценок, т.е. пересече-ние нечетких множеств iA . Недостаток такого подхода – возможность получения коллективной оценки в виде пустого множества. Для выхода из положения за коллективную оценку ситуации A целесообразно принять индивидуальную оценку некоторого «наиболее представительного» эксперта – своего в

70

каждой точке x . Этот эксперт должен в любой точке x выби-рать в качестве меры )(xM A ее принадлежности коллективной оценке ситуации A ту из данных экспертами i мер )(xM iA ее принадлежности индивидуальным оценкам iA , которая доста-точно удалена от крайних оценок и занимает «среднее» положе-ние. Пусть нужно принять приближенное решение о значении одной нечеткой переменной по известному значению другой, связанной с ней. Эта задача – аналог хорошо известной: для обычной функции )(xfy = при известном ax = можно принять решение: )(| afy ax == . Пусть теперь )(xFy = – нечеткая функ-ция, т.е. нечеткое отношение в OYOX × , где OX и OY – оси абсцисс и ординат. Пусть известно нечеткое подмножество A оси OX и надо определить, исходя из F , соответствующее нечеткое подмножество B оси OY . Образуем цилиндрическое нечеткое множество A~ с основанием A , являющееся аналогом вертикали ax = функции f . Его функция принадлежности

)(),(~ xMyxM AA= , где AM – функция принадлежности извест-

ного множества A . Далее образуем пересечение множества A~ с нечеткой функцией F . Получим нечеткое множество FA ∩

~ – аналог точки пересечения вертикали ax = с кривой )(xfy = . Функция принадлежности этого множества (6) ),()(),(),(),( ~~ yxMxMyxMyxMyxM FAFAFA

∧=∧=∩

, где FM – функция принадлежности множества F . Теперь спроектируем множество FA∩

~ на ось OY . В результате полу-чим искомое нечеткое подмножество B этой оси. Его функция принадлежности (7) )],()([),()( ~ yxMxMyxMyM FA

xFA

xB ∧== ∨∨ ∩

.

Согласно (7) функция принадлежности искомого нечеткого множества B выражается через заданные функции принадлеж-ности при помощи дизъюнкции и конъюнкции НЛ (точнее, нечеткой логики – частного случая НЛ с множеством-носителем

71

]1,0[=C ). Изложенная процедура позволяет принимать прибли-женные решения о значении нечеткой функции F по известным значениям ее нечетких аргументов ,..., yx .

4. Построение функциональных генераторов

НЛ – удобное средство построения функциональных гене-раторов. Согласно (5) любая нелинейная непрерывная функция одной переменной представима в виде )](),...,([)( 1 xfxfLxf n= , где )(xfi – линейные функции-образующие, а L – набор опера-ций НЛ. Так что функцию )(xf можно реализовать функцио-нальным генератором из двух последовательных блоков: функ-ционального блока F образующих (вход x , выходы nff ,...,1 ) и логического блока L (входы nff ,...,1 , выход )(xf ). Это блочное построение генераторов остается при переходе к функциям двух и большего числа переменных. Однако для функций большого числа переменных используют более универсальные методы аппроксимации – интерполяционные полиномы. Для некоторых классов нелинейных функций функциональные генераторы строятся проще, чем описано выше. Таковы кусочно-линейные функции, известные как типовые нелинейности и состоящие из горизонтальных, вертикальных и наклонных линейных участ-ков. Например, функции xsignxcx ,, − и многие другие. Эти функции выражаются через операции НЛ непосредственно (без аппроксимации), так что их реализация особенно проста.

Литература

1. ВОЛГИН Л.И., ЛЕВИН В.И. Непрерывная логика. Теория и применения. – Таллинн: АН Эстонии, 1990.

2. ГИНЗБУРГ С.А. Математическая непрерывная логика и изображение функций. – М.: Энергия, 1968.

3. КОФФМАН А. Введение в теорию нечетких множеств. – М.: Радио и связь, 1982.

72

4. ЛЕВИН В.И. Автоматное моделирование исторических процессов на примере войн // Радиоэлектроника. Информа-тика. Управление. – 2002. – 2.

5. ЛЕВИН В.И. Бесконечнозначная логика в задачах киберне-тики. – М.: Радио и связь, 1982.

6. ЛЕВИН В.И. Динамика логических устройств и систем. – М.: Энергия, 1980.

7. ЛЕВИН В.И. Методы непрерывной логики в задачах управ-ления // Автоматика и телемеханика. – 2003. – 3.

8. ЛЕВИН В.И. Структурно-логические методы исследования сложных систем. – М.: Наука, 1987.

9. ШИМБИРЕВ П.Н. Гибридные непрерывно-логические уст-ройства. – М.: Энергоатомиздат, 1990.

73

ЭМОЦИИ КАК РЕГУЛЯТОР СОВМЕСТНОЙ КОГНИТИВНОЙ ДЕЯТЕЛЬНОСТИ

Беляев И.П. (Московский государственный строительный

университет, г. Москва) belyaev_ip@mskiti.ru

Предметом обсуждения статьи является следующий экспери-ментально полученный феномен: в ходе реализации совместной деятельности только в одной из групп не произошло пере-структуризации организационной структуры. В остальных группах процесс переструктуризации был реализован в различ-ных формах, вплоть до разделения группы на отдельные под-группы различной организации. Ключевым обстоятельством является то, что переструктуризация стартовала с перехода межличностного взаимодействия в группе в эмоциональный план.

Ключевые слова: организационная система, игровой подход, когнитивная деятельность, эмоции

Введение

Традиционно под знанием понимают в первую очередь на-бор логически непротиворечивых данных, пригодных для ус-пешного принятия решений в различных отраслях деятельности Человека! По молчаливому соглашению Человек остается за скобками, а в скобках – чисто рациональная, то есть очищенная от примеси субъективизма, нерациональности, нелогичности, противоречий и ошибок деятельность. Но зачастую знание добывается совсем другими путями. И уже потом строятся логически непротиворечивые когнитивные схемы и модели. Одним из эффективных инструментов изучения совместной когнитивной деятельности представляется игровой подход.

74

В [5] проведено исследование механизмов совместной дея-тельности при построении когнитивной модели предметной области из отдельных фрагментов, которыми владели участники исследовательской деловой игры. В игре участвовало по 6-8 человек в каждой из групп. Всего было организовано шесть игровых групп, три из которых не имели явно назначенного лидера, а в трех других был назначен лидер – менеджер игры. Предметом обсуждения данной статьи является следующий экспериментально полученный феномен: в ходе реализации совместной деятельности только в одной из групп не произошло переструктуризации организационной структуры. В остальных процесс переструктуризации был реализован в различных фор-мах, вплоть до разделения группы на отдельные подгруппы различной организации. Ключевым обстоятельством является то, что переструктуризация стартовала с перехода межличност-ного взаимодействия в группе в эмоциональный план.

Эмоции как регулятор совместной деятельности

В общем случае, как в ходе индивидуальной деятельности, так и межличностного взаимодействия, любое действие и взаи-модействие начинается с восприятия некоторой сущности, или субъект-объектной реальности, имеющей один следующих типов [1]: Re – объекты реальной природы, Inf – информацион-ные объекты, Im – объекты сознания, психологического плана. Для межличностного взаимодействия в организационных систе-мах среди объектов чисто информационной природы, можно выделить Dir – решения, распоряжения и в рамках группы Im – объекты, сущности вида Em – эмоционально выраженные (по преимуществу). Итак, сузим множество сущностей при межлич-ностном взаимодействии в организационных системах до под-множества EmDirInf ,, . Понимая под элементарным процес-сом [1] тройку OPI ,, , где I – множество входных сущностей, P – некоторое преобразование (действие), O – множество вы-

75

ходных сущностей, множество элементарных процессов в орг-системах можем представить табл. 1.

Таблица 1. Множество элементарных процессов Inf Dir Em

Inf Inf-Inf Inf-Dir Inf-Em Dir Dir-Inf Dir-Dir Dir-Em Em Em-Inf Em-Dir Em-Em

Строки и столбцы таблицы помечены наименованиями ос-

новных классов объектов, с использованием которых реализует-ся межличностное взаимодействие, в клетках таблицы перечис-лены все возможные элементарные процессы типа «один вход – один выход». В процессной нотации [1] элементарный процесс принимает вид, показанный на рис. 1.

Входная сущность процесса (одного из трех типов EmDirInf ,, ) показана слева от овала, обозначающего дейст-вие с входным объектом. Справа от действия показан выходной объект. Далее процесс может продолжаться либо как эмоцио-нальный, либо как информационный. Вопрос о переключении деятельности с одного вида на другой может быть решен в соответствии потребностно-информационной моделью, предло-женной П.В. Симоновым.

Рис. 1. Диаграмма элементарного процесса

В соответствии с [2] эмоции (франц. émotion, от лат. emoveo – потрясаю, волную), – это субъективные реакции человека и животных на воздействие внутренних и внешних раздражите-лей, проявляющиеся в виде удовольствия или неудовольствия,

Inf

Em

ЛПР

решение Dir

76

радости, страха и т.д. Сопровождая практически любые прояв-ления жизнедеятельности организма, эмоции отражают в форме непосредственного переживания значимость (смысл) явлений и ситуаций и служат одним из главных механизмов внутренней регуляции психической деятельности и поведения, направлен-ных на удовлетворение актуальных потребностей (мотивации). Эмоции возникли в процессе эволюции как средство, при помо-щи которого живые существа определяют биологическую зна-чимость состояний организма и внешних воздействий. Эмоция является отражением мозгом человека и животных какой-либо актуальной потребности и оценкой вероятности ее удовлетворе-ния в данный момент. Потребности, согласно [4], и производные от них трансформации – мотивы, интересы, убеждения, стрем-ления, влечения, желания – представляют основу и движущую силу человеческого поведения. Симонову П.В. на огромном экспериментальном материале удалось показать, что если веро-ятность удовлетворения потребности низка – возникают отри-цательные эмоции, которые субъект стремится минимизировать – ослабить, прервать, предотвратить. Возрастание вероятности удовлетворения потребности по сравнению с ранее имевшимся прогнозом порождает положительные эмоции, которые субъект стремится продлить, усилить, повторить.

Оценка вероятности (возможности) удовлетворения по-требности происходит как вполне осознанно, так и бессозна-тельно. Назначение эмоций – трансформация потребностей по пути наименьшего сопротивления. Сказанное П.В. Симонов выразил структурной формулой эмоций, которая в элементар-ном виде (успешно использованном для математического моде-лирования эмоциональной динамики [3]) представляется как: (1) ( )нс IINE −= , где E – эмоция, ее степень, качество и знак;

N – сила и качество актуальной потребности; ( )нс II − – оценка вероятности удовлетворения потребно-

сти;

77

Iн – информация о средствах, прогностически необходимых для удовлетворения потребности;

Iс – информация о средствах, которыми субъект располагает в данный момент.

Формула (1) имеет качественный вид и огромное потенци-альное значения для понимания и объяснения широкого спектра индивидуальной и межличностной деятельности. Но для пред-ставленных в ней переменных не определены процедуры их измерения. Поэтому естественно сделать попытку перевести их в безразмерный вид и наметить процедуры экспертной оценки их значений. Для этого вначале обсудим процедуры измеримо-сти переменной N – силы и качества актуальной потребности. Обратимся опять к [4].

Существуют три главные исходные группы потребностей человека:

биологические: – призваны обеспечить индивидуальное и видовое существование человека. Они порождают множество материальных квазипотребностей в пище, одежде, жилище. К числу биологических относится потребность в экономии сил, побуждающая человека искать наиболее короткий, легкий путь к достижению своих целей.

социальные: – такие, как потребность в справедливости – основа исходных социальных потребностей человека. Но каж-дый человек понимает справедливость по-своему, каждый чело-век внутри себя прав. Поэтому – человеческое общество нашло общность в своих представлениях о справедливости. Эта общ-ность – в самом признании наличия прав и обязанностей в чело-веческих взаимоотношениях. К другим социальным потребно-стям относятся:

– потребность принадлежать к некой социальной группе и занимать в ней определенное место;

– потребность пользоваться привязанностью и вниманием окружающих, быть объектом их уважения и любви;

– потребность лидерства или наоборот – потребность быть "ведомым";

78

– потребность следовать нормам, принятым в данном обще-стве;

идеальные потребности познания, к которым относятся в первую очередь:

– потребность познания окружающего мира в целом, в его отдельных частностях и своего места в нем, познание смысла и назначения своего существования на земле;

– потребность в новой информации; удовлетворение любой потребности требует информации о путях и способах достиже-ния цели.

Выделенные три группы потребностей инициируют соот-ветствующие виды деятельности – материальную (производст-венную), социально-политическую и духовную.

Биологические, социальные и идеальные потребности де-лятся на:

потребности сохранения – удовлетворяются в пределах норм. Механизм сохранения не нуждается в положительных эмоциях, он может работать за счет устранения одних отрица-тельных;

потребности развития – превышают норму. В живой при-роде развиваться, усложняться, совершенствоваться может лишь то, что способно себя сохранить. Общее основание для различе-ния потребностей сохранения и развития – отношение к господ-ствующей общественно-исторической норме удовлетворенно-сти.

Биологические и социальные потребности делятся на: потребности "для себя". Например: социальная потреб-

ность развития "для себя" – субъект стремиться улучшить свое общественное положение. Социальная потребность сохранения "для себя" свидетельствует о том, что она занимает подчиненное положение в иерархии потребностей данного субъекта, или субъект уже занимает достаточно высокое общественное поло-жение и не расположен его менять.

потребности "для других". Например: социальная потреб-ность развития "для других" – совершенствование самих норм либо улучшение положения какой-либо социальной группы.

79

Зачастую потребности тесно взаимосвязаны и удовлетворе-ние одной, или потребности одного типа влечет удовлетворение, связанных с ней. Сказанное можно проиллюстрировать рис. 2.

Витальные потребности

Идеальные потребности

Социальные потребности

Рис. 2. Сочетание потребностей основных типов

Величину потребности можно характеризовать уровнем ее актуальности для субъекта в данный момент, что в терминах нечеткой логики можно описать некоторой функцией принад-лежности вида, показанного на рис. 3.

Чем выше уровень сбалансированности состояния организ-ма, тем ниже актуальность данной потребности для жизнедея-тельности.

Преобразуем оценочную часть информационной вооружен-ности в выражении (1), заменив ее на безразмерное выражение

вида ⎟⎟⎠

⎞⎜⎜⎝

⎛−1

н

с

II .

80

1

Уровень актуальности потребности

Степень сбалансированности

Рис. 3. Функция принадлежности нечеткого множества «актуальность потребности»

Нетрудно видеть, что оно имеет положительный знак, если располагаемая для принятия решения информация превышает необходимую. Можно считать, что Iн – количество информации, необходимой для попадания решения в множество Парето, а по мере возрастания Iс решение приближается к оптимуму.

Теперь можно записать выражение (1) в виде:

(2) ⎟⎟⎠

⎞⎜⎜⎝

⎛−= 1

н

с

IINE

В таком виде формула П.В. Симонова в более ясном виде объясняет переключательный механизм, основа которого в том, что при положительном знаке эмоции (радость) она является подкрепляющим данный вид деятельности фактором, а при отрицательном (горе) – фактором, побуждающим к реализации ориентировочно-исследовательской деятельности, то есть поис-ке новых возможностей. Если нс II > , то реализуются следую-щие элементарные процессы (табл.1):

Inf-Inf Inf-Dir Dir-Inf Dir-Dir Em-Inf

81

Em-Dir причем, последние два процесса из этого списка означают, что в ответ на эмоциональное воздействие субъект принятия решения (ЛПР) имеет достаточный уровень информационной вооружен-ности для принятия рационального решения. Если же нс II < , реализуется один следующих элементарных процессов:

Em-Em Inf-Em Dir-Em При осуществлении коллективной деятельности реализуют-

ся взаимодействия типа «один к одному» (1↔1) – (рис.1), «мно-гие к одному» (n↔1) – (рис.4, рис.5) и реже – «один ко многим» (1↔n), когда лидер одновременно дает указания.

Рис. 4. Диаграмма процесса группового взаимодействия с входами преимущественно эмоционального типа

Также может реализоваться ситуация общения «многие ко многим» (n↔n) – такая схема задавалась в эксперименте для групп без лидера. Диаграмма (рис. 4) иллюстрирует случай, когда лидер получает воздействия эмоционального типа со стороны членов группы. В ответ на эти воздействия он может либо перевести взаимодействие в рациональную плоскость (охладить пыл), либо в эмоциональную («взорваться» и на-орать).

Em

In

Em

ЛПР решение

Em

Em

Em

Dir

82

Вариант, когда входные воздействия имеют в основном ин-формационный (рациональный) характер, показан на рис. 5.

Inf

Inf

Em

ЛПР решение

Inf

Inf

Inf

Dir

Рис. 5. Диаграмма процесса группового взаимодействия

с входами преимущественно информационного типа

Диаграмма (рис. 5) иллюстрирует ситуацию, когда при ко-ординации групповой деятельности возможен один из результа-тов: продолжение деятельности в рациональном ключе (пере-ключатель – на Inf), или в эмоциональном плане – переключатель на «Em». Последнее объясняется в первую оче-редь информационной перегрузкой лидера.

Как показали результаты экспериментов [5], переход взаи-модействия в группе в эмоциональную плоскость вполне адек-

ватно объясняется формулой (2), когда ∑=

>n

kнk II

1, где Ik –

информация от k-го члена группы, n – объем рабочей группы, Iн – количество информации, необходимое лидеру для успешного управления деятельностью группы. В таком случае происходит реструктуризация организационной структуры группы, напри-мер: ( ) ( ) ( ) ( )1 1 1n n n n n↔ → ↔ → → + → – разделение полно-мочий с дублирущим лидером, и другие формы изменения структуры группы с целью реализации потребности достижения результата.

83

Литература

1. БЕЛЯЕВ И.П., КАПУСТЯН В.М. Процессы и концепты. М.: ТОО «СИМС», 1997.

2. Большая советская энциклопедия. 3. КАПУСТИН М.А., КОПЫЛОВА А.Г. Математическое

моделирование эмоциональной динамики. М.: Ин-т прикл. Математики РАН, 1998.

4. СИМОНОВ П.В., ЕРШОВ П.М., "Темперамент. Характер. Личность", М.: Наука, 1984.

5. ЧЕРНЫЙ К.И. Модель адаптации производственной структуры строительной организации в условиях рынка. Диссертация на соискание ученой степени к.т.н. М.: МГСУ, 2006.

84

КАТЕГОРИЯ "ЗНАНИЕ" С ПОЗИЦИИ НЕЙРОСЕМАНТИКИ

Бодякин В.И. (Институт проблем управления РАН, г. Москва)

body@ipu.ru

Опираясь на модель естественного эволюционного происхож-дения биологических и психических форм высокоорганизованной материи, знание рассматривается как комплекс обрабатывае-мой информации из внешней среды и информации о состоянии самой системы, вызванное этой обработкой. Определение знания полностью описываться в системе физических мер: сантиметр-номер-имя, бит, секунда.

Ключевые слова: процесс, предметная область, информаци-онно-управляющая система, текстовая форма, образ, инфор-мация, автоструктуризация, рекурсия, ресурс, нейроподоб-ный элемент, структура

Введение

Человеческая психика достаточно эффективно справляется с управлением в сложных ситуациях, активно используя в рас-суждениях размытые понятия, но попытка уточнить эти понятия часто вызывает значительные затруднения. Так, например, определяя наше время как "общество знания", мы не можем дать четкого и объективного определения его фундаментальным понятиям: "информация", "знание", хотя контекстно, т.е. в рамках конструкций естественного языка, эти понятия для нашего восприятия вполне однозначны.

Предполагая естественное эволюционное происхождение биологических и психических форм высокоорганизованной материи, мы считаем, что все характеристики различных типов информационных систем и их механизмов хранения и обработ-ки информации, должны полностью описываться в системе

85

физических мер: сантиметр-номер-имя, бит, секунда (система СБС) [1,2].

Одно из фундаментальных понятий науки когнитологии, которое также формально не определено − это "знание", тракту-ется достаточно широко и неоднозначно. В литературе опреде-ления понятия "знания" рассматривается как продукт общест-венной материальной и духовной деятельности людей; идеальное выражение в знаковой форме объективных свойств и связей мира, природного и человеческого. В знании кристалли-зуется, преемственно накапливается и объективизируется обще-ственная сила человека. В знании осуществляется перевод раз-розненных представлений в теоретически систематизирован-ную, общезначимую форму; удержание того, что может быть сохранено, передано, преемственно развито в качестве устойчи-вой опоры последующей человеческой деятельности [3]. Знание − это отражение реального мира в сознании. Знание в информа-тике − это вид информации, отражающей опыт специалиста (эксперта) в определенной предметной области, его понимание множества текущих ситуаций и способы перехода от одного описания объекта к другому [7]. Как мы видим, данные опреде-ления понятия "знания", понятные нам в контексте нашей куль-туры, но формализовать и сделать их понятными инженеру и доступными компьютеру, т.е. формализовать, очень затрудни-тельно. Тем более что видов "знаний" великое множество. Это и "декларативные ", "процедурные ", "научные", "эвристические", "метазнания", "знания о предметной области" и др. [5,6].

1. Определения основных компонент информацион-ного ресурса

Примем ранжирование компонент информационного ресур-са по сложности как: "текстовая форма" < "сигнал" < "образ" < "информация" < "знание". В работе [2] приводятся определения основных компонент информационного ресурса и нейросеман-тики. Кратко повторим их.

86

1.1. Текстовая форма Дискретную форму, выражаемую последовательностью ко-

дов алфавита (А=a, b, c, …, z…) и отображающую с любой необходимой степенью точности изменение во времени одного из параметров некоторого физического процесса, будем назы-вать текстовой формой (ТФ). Это первый качественный пере-ход от физических квантово-континуальных объектов-процессов предметной области к их возможным дискретным модельным замещениям (образам) в информационно-управляющей системе (ИУС), дополнительно имеющим еще и нематериальную харак-теристику информационного ресурса − семантическую.

1.2. Нейросемантика Особенность нейросемантической архитектуры ИУС за-

ключается в том, что когда мы в битах минимизируем в ней отображение ТФ, то получается иерархически сетевая структура в виде многодольного иерархического ацикличного графа (НСС), в вершинах которого "конденсируются" фрагменты ТФ, соответствующие физическим процесса в предметной области. Т.е. в каждом нейроподобном элементе ИУС "стягивается" текст, соответствующий реальному процессу, т.е. автоматически формируется пара: нейроподобный элемент ↔ семантика процесса. Это взаимнооднозначное соответствие и породило название направления – нейросемантика.

1.3. Образ Сформированную ИУС элементарную семантическую еди-

ницу, которая замещает процесс-объект предметной области, будем называть образом. Образ − хранится и используется ИУС как неделимое целое (смысловой квант). Образ − соответствует целому числу причинно-связанных процессов предметной об-ласти.

Самые простые образы (терминальные) – коды алфавита А текстовой формы. Образы имеют иерархическую природу. Сложные образы состоят из более простых образов. Пример образов: буквы, слоги, слова, фразы и т.д.

87

Помимо обычных характеристик в единицах измерения ТФ: см., сек. и бит, у образа появляется "имя", которое может изме-ряться в координатах множества пар, и может быть выражено в пространственной координате.

1.4. Информация Общепринято, что информация всегда несет какую-либо за-

конченную смысловую нагрузку. Например, фраза: "идет снег" − это информация (она вызывает мысль, например, "пойти на лыжах" и, как следствие, получить от этой прогулки удовольст-вие). Тогда как "идет" и "снег" – это образы (чтобы эти сообще-ния вызвали у вас реакцию, вам необходимо получить дополни-тельные сообщения – ответы на ряд вопросов: "кто или что идет?", "причем здесь – снег?" и ряд других, если конечно "идет" и "снег" не являются ответом на предыдущие ваши во-просы).

Информация является прагматической единицей (квантом) ИУС. Информация всегда имеет определенную грамматико-прагматическую структуру: образы состояния предметной области; образы действия ИУС; Е+, т.е. в тройках (ТФ1 − ТФ2 − ТФ3, Е+). ИУС всегда настраивается на восприятие ТФ через эту прагматическую структуру (Е+), которая, в свою очередь, может быть представлена как внутренний образ ИУС (ТФ3). Таким образом, из ТФ выделяется только прагматически окрашенная для ИУС информация.

Особенность конструкции информации заключается в том, что она объединяет себе дискретную часть: ТФ1 , ТФ2 и анало-говую ТФ3 или Е+. Е+ – это своеобразный "эмоциональный" уровень удовлетворенности собственной реакции ТФ2 на ТФ1 . Эта "эмоциональность" пронзает все процессы ИУС, хоть как-то связанные с полученным результатом. Аналоговая форма Е+ позволяет безадресно (глобально, масштабно) управлять на-стройкой ИУС на получение ею положительных "эмоций" − Е+.

Ценность информации всегда оценивается по величине Е+ в данной структуре. Информация содержит образ управления предметной областью. При отсутствии в информации образа Е+

88

она впоследствии для ИУС (генетически) игнорируется. Информация – прагматически причинно-связанная последова-тельность образов, в виде тройки: <ситуация в предметной области> <реакция ИУС> <оценка>, ориентированная на достижение ИУС какого-либо ее целевого образа предметной области (например, Е+)

1.4. Знание В литературе определения понятия "знания" рассматривает-

ся как: продукт общественной материальной и духовной дея-тельности людей; идеальное выражение в знаковой форме объ-ективных свойств и связей мира, природного и человеческого. В знании кристаллизуется, преемственно накапливается и объек-тивизируется общественная сила человека. В знании осуществ-ляется перевод разрозненных представлений в теоретически систематизированную, общезначимую форму, удержание того, что может быть сохранено, передано, преемственно развито в качестве устойчивой опоры последующей человеческой дея-тельности [5,7]. Знание − это отражение реального мира в созна-нии. Знания в информатике − это вид информации, отражающей опыт специалиста (эксперта) в определенной предметной облас-ти, его понимание множества текущих ситуаций и способы перехода от одного описания объекта к другому [6]. Как мы видим, данные определения понятия "знания", понятные нам в контексте нашей культуры, но формализовать и сделать их понятными инженеру и доступными компьютеру, т.е. формали-зовать, очень затруднительно. Тем более что видов "знаний" как и традиционных видов "информации" великое множество. Это и "декларативные", "процедурные", "научные", "эвристические", "метазнания", "знания о предметной области" и др.

Знание − эта категория информационного ресурса, требует дополнительных инструментальных особенностей ИУС, кото-рые в данной статье не рассматриваются и которые вполне могут сформироваться у ИУС естественным эволюционным путем. Знание − значительно более сложная категория, чем информация. Так, если в формировании информации достаточно

89

присутствия образов, относящихся только к предметной облас-ти, то в структуру знания необходимо включить еще и образы состояния самой ИУС, возникающие в процессе переработки образов текущего состояния предметной области в данный момент времени.

Текстовые последовательности, как конкретные примеры, относящиеся к одному типу (классу) причинно-следственных процессов ("знанию"), вызывают характерные и однотипные процессы (образы) состояния самой НСС. Формирование (свя-зывание) в единую функциональную подструктуру образов (N-элементов), относящихся непосредственно к предметной области и образов состояния НСС, вызванных обработкой ТФ из внешней среды (предметной области) – это и есть физическое представление "образа знания". Таким образом, одноранговое включение в НСС функции рекурсии, позволяет получить N-элемент, выполняющий "функцию знания", а именно, реаги-рующий на весь класс примеров, относящихся к какому-либо правилу причинно-следственных процессов для различных объектов, т.е. вычислять семантические закономерности пред-метной области.

Знание – структура ИУС, включающая в себя причинно-связанное объединение информации (образов) о предметной области и текущей информации (образов) о внутреннем со-стоянии самой ИУС, вызванном анализируемыми процессами предметной области.

В знании ко всем физическим характеристикам информа-ции (см. выше) добавляются еще образы, состояния самой ней-росемантической структуры, вызываемые обработкой текущей информации. Для вовлечения этих образов в процессы обработ-ки нейросемантической структуры одноранговой рекурсии (интроскопии), возникает необходимость в дополнительных структурах, которые также реализуются N-элементами.

Так, если "информация" это структура образов только предметной области, то в структуру знания уже включаются и образы состояния самой информационно-управляющей систе-мы, возникающие в процессе данной переработки сигналов

90

предметной области. Знание – это своеобразная одношаговая рекурсия информационно-управляющей системы. Использова-ние в качестве программной реализации нейросемантические структуры (НСС), позволяет выделить и проанализировать физическое представление "образа знания" в виде подструктуры нейроподобных N-элементов [1,2,4].

Знание более контекстно (зависимо от пространственно временного окружения процессов) в рамках предметной облас-ти, и ИУС в сравнении с информацией и механизм его настрой-ки более сложен. Другие понятия информационного ресурса, такие как сообщение, данные и др., могут быть легко выведены из вышеприведенных "корневых" определений.

2. Функциональные различия компонент информаци-онного ресурса

Помимо четкого формального различия в данных нами оп-ределениях, компоненты информационного ресурса имеют качественные и функциональные физические различия.

Представим, что у нас есть три типа предметных областей: случайная ("белый шум" – БШ), периодическая (колебательные физические процессы, телесериал), реальная (излагающая сис-тематизированное знание), и также три типа ИУС: автомат ("техническая ИС"), животное ("адаптивная ИУС"), человек ("разумная ИУС").

Теперь представим, что сначала процессы в предметной об-ласти (ПО) являются "белым шумом" (БШ). Так как, это случай-ные процессы, то ни "техническая ИС", ни "адаптивная ИУС", ни "разумная ИУС", ничего более чем случайного сигнала (об-разов), при формировании образов нейросемантической струк-туры из этого потока выявить не смогут, см. рис. 1.

91

БШ

ПС Сериал …

Реальный Знание ЗнаниеИ С

И Инфор- мация

С

С С Сигнал Автомат "Животн." ИУС-человек

bsejgr… abcabc... Mather…

ПО

Рис. 1

Если же представить, что в предметной области будут про-исходить некоторые априорно неизвестные периодические процессы, то "техническая ИС" (например, бухгалтерская про-грамма "С1"), не настроенная на них, будет воспринимать их как сигнал. "Адаптивная ИУС" − найдет некоторую регулярность или период в этом потоке ТФ, и образ этой регулярности будет рассматриваться как информация из данной ТФ. "Разумная ИУС" из этого потока также более чем регулярности, т.е. образа или информации, выявить не сможет.

Теперь представим, что процессы в предметной области − это интеллектуальный процесс, например, передача "В мире животных". "Техническая ИС" более чем сигнала из данной предметной области не почерпнет. "Адаптивная ИУС" выявит только иерархию различных образов (информацию), а "разумная ИУС" из этого потока выявит семантические закономерности (например, различные классы, отряды животных и т.д.), т.е. выявит знание.

Выводы из этого примера (уже наши с вами семантические закономерности) заключаются в том, что предметная область и ИУС тесно взаимосвязаны. При этом ИУС не может выделить из ТФ более того, что в ней есть, и ИУС не может выявить из ТФ более того, что позволяет ее конструкция (информацион-ная архитектура), см. рис. 1.

Касательно определенных нами компонент информацион-ного ресурса, рассмотрим еще один параметр физических отли-

92

чий, который заключается в существенно различных объемах памяти, необходимых для полного отображения в ИУС посто-янного потока ТФ (ТФ(t)=const), попеременно состоящего из сигнала, информации, или знания.

Будем предполагать ТФ равномерным потоком, отобра-жающим шумовые, информационные и интеллектуальные про-цессы. При этом под ИУС будем рассматривать как одну из "разумных ИУС" (рис. 1).

2.1. Ввод в информационно-управляющую систему шумовой текстовой формы

Понятно, что отобразить шумовую ТФ без потерь можно только посредством ее полной записи (например, на магнитную ленту). Структуризация априорно неопределенной шумовой ТФ невозможна в никакой ИУС. Теоретически и экспериментально показано, что в этом случае необходимость памяти RИУС под ТФ будут характеризоваться линейной функцией: RИУС= k*t +b1, где k и b1 некоторые константы, и при удовлетворении критерия достаточности ТФ будет следовать, что ТФ является принципи-ально неструктурируемой, т.е. "белым шумом" (рис. 2).

RИУС

(бит)

TФИУС (бит)

Память ИУС

Рис. 2

t

93

2.2. Ввод в информационно-управляющую систему квазиперио-дической текстовой формы

Будем считать, что ТФ − это радиопередача на неизвест-ном языке некоторого сериала типа: "про дона Педро …", в котором встречаются одинаковые фрагменты ТФ, но между ними нет устойчивых причинно-следственных связей. Это типичная информационная ТФ. За счет того, что ссылки (в битах) на повторяющие образы в НСС существенно меньше, чем сами образы (в битах), то величина компрессии для такой ТФ будет иметь монотонный рост, близкий к логарифмической функции: RИУС= log(t) +b2, где, b2 некоторая константа (рис. 3).

RИУС(бит)

TФИУС (бит)

Память ИУС

Рис. 3

2.3. Функционирование информационно-управляющей системы с информацией о знании

Будем преобразовывать в ИУС текстовой поток, сформиро-ванный взаимоувязанными причинно-связанными процессами предметной области. В этом случае у ИУС определенной архи-тектуры появляется возможность не обременять память кон-кретными фактами (образами), а только один раз построить и запомнить правило, причинно связывающее образы. Например, на основании двух информационных отрезков ТФ:

t

94

<|ВСЕ||ВОЛК|И||СЕР|Ы ||А||ЕСТЬ||ВОЛК|, ||ЗНАЧИТ|,|А||ЕСТЬ|СЕР|ЫЙ| E+> <|ВСЕ||ПЕТУХ|И||КРАСИВ|Ы||В||ЕСТЬ||ПЕТУХ|,||ЗНАЧИТ|,|В|| ЕСТЬ|КРАСИВ|ЫЙ|E+> логически формируется завершенная подструктура (рис. 4).

|ВСЕ| |X1 |И| | X2 |Ы|, |X3| |ЕСТЬ| |X1 |, | |ЗНАЧИТ|, |X3| |ЕСТЬ| X2 |Ы|Й|<E+>

Δt1 Δt3 Δt2

Δti – "ритмические" образы внутреннего состояния ИУС, Xi – "повторно" активирующиеся образы предметной области, знак "|" – обозначает найденные границы между образами

Рис. 4

Если же затем на вход ИУС поступает неполная фраза, на-пример, <ВСЕ ПЛЮКИ КАНЫ, С ЕСТЬ ПЛЮК, ЗНАЧИТ, С ЕСТЬ >, то не найдя ассоциативно близкого N-элемента в информационной области нейросемантической структуры, ИУС включается на поиск ассоциаций в области семантических закономерностей нейросемантической структуры. Здесь ассо-циативно активизируется N-элемент, который отображает структуру, приведенную на рис. 4. В результате, на выходе ИУС будет сформирована ТФ − <КАНЫЙ>, как итог активации обра-зов ИУС и предметной области: Δt2 + Ы|Й [1,2].

N-элемент

95

2.4. Ввод в информационно-управляющую систему шумовой текстовой формы с информацией о знании

Понятно, что если формируются N-элементы, аналогичные показанным на рис. 4, то у ИУС отпадает дальнейшая необхо-димость в записи в НСС информационных отрезков ТФ, кото-рые перекрываются образами семантических закономерностей в нейросемантической структуры. Таким образом, информацион-ные отрезки ТФ, на которых сформированы семантические закономерности, в память ИУС не записываются. Затраты ИУС необходимой памяти RИУС под такие ТФ будут нулевые, а функ-ция RИУС= const(t), см. рис. 5.

RИУС(бит)

TФИУС (бит)

Рис. 5

По экспериментальным данным, соответствующим функ-ции RИУС= const(t), можно утверждать, что данный текстовый поток содержит информационные ТФ, на которых строятся в ИУС подструктуры знания, состоящие из образов предметной области и образов ИУС.

Таким образом, судя по характеру функции RИУС(t) можно объективно классифицировать процессы предметной области на "шумовые", "информационные" и "интеллектуальные" ("ра-зумные").

Отметим, что с точки зрения "операционной системы" ИУС оперирование различными элементами информационного ре-сурса, "образом", "информацией" и "знанием" осуществляется различными типами образов-операторов − N-элементов. Прин-

t

96

цип действия всех этих образов-операторов подобен; различие лишь в том, что они включаются на разных этапах обработки ТФ. Так, первоначально ТФ обрабатывается "образом распозна-вания", далее включается "образ оценки-действия" и затем "образ оператора знания".

Информационный ресурс всегда связан с материальным но-сителем (бумага, камень, акустическая и электромагнитная волны, состояния молекул и различных полей и т. д.). В данной работе мы рассмотрели только статические особенности инфор-мационного ресурса, т.е. наличие или отсутствие той или иной категории информационного ресурса (сигнала, информации или знания). Проявление всех информационных категорий – это всегда переходный процесс, имеющий сигнальную форму – "есть" или "нет" в данном отрезке ТФ "образ" или "информа-ция", т.е. категория "информация" имеет двойственную характе-ристику. Ее потенциальное наличие или отсутствие определяет-ся в статической форме ее носителя, а само проявление "информации" возможно только в процессе взаимодействия ее носителя с ИУС.

Еще одна особенность, которую не хотелось бы упустить, заключается в том, что одна единица "знания" соответствует целому множеству конкретных единиц "информации", т.е. целому классу.

Заключение

Формализовать активно используемые современной циви-лизацией такие понятия информационного ресурса как: "сиг-нал", "образ", "информация", "знание" жизненно необходимо, особенно в "информационную эпоху".

Это необходимо для формирования основ научного миро-воззрения. Прежде всего, формирования представлений об информационных процессах как одних из основополагающих понятий науки: пространства-времени, вещества, энергии и информации, на основе которых строится современная научная картина мира. Также необходимо рассмотрение единых инфор-

97

мационных принципов строения и функционирования самораз-вивающихся ИУС различной природы. И, в конченом счете, в формировании общенаучных и общекультурных навыков рабо-ты с информацией, хотя бы на уровне, как мы уже работаем с категориями времени, пространства и энергии.

Из этого следует вся важность и ответственность в ско-рейшем наведении порядка нашего научного понимания сути информационных процессов. И сложности на этом пути имеют вполне объективный характер. Это и психофизическая ограни-ченность человека [1,2], а также и отсутствие приборного арсе-нала, измеряющего "величины информационности", кроме как человеческого сознания, которое до сих пор для науки также остается Великой тайной. Эту сложность хорошо иллюстрируют слова А. Эйнштейна: “В нашем стремлении понять реальность мы подобны человеку, который хочет понять механизм закры-тых часов. Он видит циферблат и движущиеся стрелки, даже слышит тиканье, но не имеет средств открыть их. Если он остроумен, он может нарисовать себе картину механизма, которая отвечала бы всему, что он наблюдает, но он никогда не может быть вполне уверен в том, что его картина единст-венная, которая могла бы объяснить его наблюдения. Он нико-гда не будет в состоянии сравнить свою картину с реальным механизмом, и он не может даже представить себе возмож-ность и смысл такого сравнения” [8].

Литература

1. БОДЯКИН В.И. Куда идешь, человек? (Основы эволюциоло-гии. Информационный подход). − М. СИНТЕГ, 1998, 332с. http://www.ipu.ru/stran/bod/monograf.htm

2. БОДЯКИН В.И. Определение понятия "информация" с позиций нейросемантики. М.: ИПУ РАН. 2006 http://www.mtas.ru/search_results.php?short_view=0&publication_id=3033

3. Большая советская энциклопедия. – М.: 1977. – Т. 27. 1

98

4. УОСЕРМЕН Ф. Нейрокомпьютерная техника. М.: Мир. 1992. – 240 с.

5. УРСУЛ А.Д. Природа информации. философские очерки // М.: Политиздат, 1968. – 288 с.

6. Философский словарь / под ред. И.Т.Фролова − 4-е изд. – М.: Политиздат, 1981. – 445 с.

7. Философский энциклопедический словарь. – М.: Советская энциклопедия, 1983, С. 217–218.

8. ЭЙНШТЕЙН А., ИНФЕЛЬД Л. Эволюция физики / Пер. с англ. М., 1966. С. 30.

99

МЕТОД ХАОСООБРАЗОВАНИЯ КАК ИНФОРМАЦИОННОЕ КОНСТРУИРОВАНИЕ

ЦЕЛЕСООБРАЗНЫХ СИТУАЦИЙ

Хохлова Л.П. (Институт психологии и педагогики, г. Москва)

lubava_moskow@mtu-net.ru

Представлен метод хаосообразования для достижения инди-видуальным или групповым субъектом желаемой ситуации, к которой необходимо прийти, отталкиваясь от проблем. Выде-лены основные этапы хаособоразования. Ключевые слова: проблема, целесообразная ситуация, бес-сознательное, метод хаосообразования, холодайн

Введение

Хаос в переводе с греческого языка означает разверстое пространство. Хаос, как нелинейное явление, наделен формооб-разующей силой. Вместе с тем, как событие, хаос способен приводить к катастрофам (внезапной потере управления косми-ческим кораблем, самолетом; неожиданной выдаче ЭВМ огром-ного потока случайных данных; разрушительному действию компьютерного вируса; возникновению фибрилляции сердца у сердечного больного; резкому похолоданию или потеплению климата, приводящему к стихийным бедствиям; социальным катаклизмам и т.д.).

Психика человека и общество давно перестали адекватно реагировать на происходящие изменения в силу увеличения скорости информационных потоков, которые обрушились в связи с эпохой глобализации. По выражению Б.Майера, метаре-альность в наше время претерпела существенные изменения, и процедуры, ранее наработанные различными духовными ин-станциями, вдруг стали малоэффективны. В этих условиях ставка власти на силу, например, при решении проблем терро-

100

ризма, как считает Б.Майер [7] малоуспешна, если не будут найдены современные методы сотрудничества с изменившейся метареальностью.

Мир перестает восприниматься как дуально разделенный на природный и человеческий мир, и рассматривается как целост-ный, части которого находятся в резонансной связи между собой. Хотя до сих пор не до конца научно осмыслено значение мифотворчества, как движущей силы развития субъекта, насту-пает период, когда люди могут научиться создавать резонансные мифы, играя своими субъектными “кирпичиками мироздания”. Созданные разумом человека резонансные продукты являются гармоничной частью ритмов мира. Они воздействуют друг на друга, формируя новые возможности для человека и общества. В своей работе В.С. Степин [7, стр. 248] отмечает, что “в слож-ных исторически развивающихся системах особую роль начи-нают играть несиловые взаимодействия, основанные на коопе-ративных эффектах. Для открытых, самоорганизующихся систем такие взаимодействия выступают конституирующим фактором”. “Резонанс функционирования частей в таких систе-мах и наличие кооперативных эффектов рассматривается в качестве одного из важнейших проявлений самоорганиза-ции”[8, стр. 248].

Человечество связано сложнейшей информационной “пау-тиной”, в которой помимо сознательных контактов присутству-ют тонкие бессознательные связи, носящие нелинейный харак-тер. По оценкам специалистов в нейронных связях головного мозга человека может храниться около десяти миллионов гига-бит информации, хотя при этом в интеллектуальной деятельно-сти участвует только 3% резервов головного мозга. В то же время в теле человека, в его бессознательных структурах по тем же оценкам может находиться до десяти в шестнадцатой степе-ни бит информации. Этот невообразимый объем информации отдельного человека участвует в бессознательном общении между людьми и всем живым, проживающим на планете, созда-вая сложнейшую нелокальную смысловую “паутину”. Д.Дубровский [4] пишет, что обработка информации в сфере

101

бессознательного принципиально отличается от обработки информации сознанием и превосходит ее по скорости в миллио-ны раз.

Наука еще не работала с системами такой сложности, как коллективное бессознательное. Хотя о взаимодействии “бессоз-нательного с бессознательным” на самых разных уровнях писа-ло много ученых и практиков. На стыке веков Фрейд описывает индивидуальное бессознательное. А затем К.Юнг открывает коллективное бессознательное. Дж. Морено в 1940-х годах говорил о семейном и групповом со-сознательном и со-бессознательном (которое члены группы частично разделяют сообща, исходя из совместной групповой жизни). Эрих Фромм, начиная с 1930 г., говорит о социальном бессознательном (осно-вываясь на классических социологических работах Э. Дюркгей-ма, М. Вебера, К. Маркса, Р. Мертона). Карен Хорни в 1937 г. применяет социологическое и антропологическое понятие соци-ального бессознательного в психотерапевтической клинике. С.Х. Фулкс говорит о социальном и межличностном бессозна-тельном в 1964г. Далее “разделенное бессознательное” у Зинки-на (1979), “культурное бессознательное” у Этель Спектор-Персон (1992), у Отто Кенберга (1993), у Ирла Хоппера (1996) и Рене Каэса. Рупперт Шелдрейк вводит понятие “морфогенети-ческого поля” (общение бессознательного с бессознательным) [10, стр.212].

Вместе с тем, существует исследование и описание струк-тур коллективного бессознательного, как квантовоподобной социальную реальности (И.В. Данилевский). Четыре вида про-цессов, происходящих в микромире, символически моделиру-ются коллективным бессознательным. Это трансформация, квантовая нелокальность, квантовая телепортация и туннель-ный эффект. В 1997 г. было экспериментально подтверждено существование квантовой телепортации – это перенос состоя-ния одной микрочастицы к другой. Еще архаичные народы избирали необычные с точки зрения современности способы укрепления межплеменной солидарности, как обмен дарами, переходившими от одного человека к другому, но не присваи-

102

вавшимися никем, включая управленческую верхушку. Эти и подобные им факты, удивившие Мосса и Леви-Стросса [5], как отмечает И.В. Данилевский [2], очень похожи на имитацию существующего в микромире обмена между реальными и вир-туальными частицами.

Под трансформацией понимается процесс полного измене-ния, “перехода” микрочастицы из одной в другую (или другие), коренным образом отличающийся от соответствующего процес-са в химии. В гуманитарных исследованиях и в философии это известно под названием “метаморфозы”. Если рассматривать психику, как обладающую квантовоподобными свойствами, то нужен факт наличия самосинхронизированной активности без применения обычных каналов коммуникации [2]. В свое время (1968) Г. Фрелих [13] выдвинул предположение, что в нервной системе человека может образовываться фотонный бозе-конденсат. А в 1990 г. уже советскими учеными была предложе-на гипотеза о возможности существования в биосистемах, а не только в человеческом организме, эффектов, аналогичных сверхпроводимости. Научные исследования под руководством академика Н.Д Девяткова [3] и профессора М.Б. Голанта [3] показали фундаментальные экспериментальные результаты, иллюстрирующие роль электромагнитных колебаний как ин-формационных сигналов, используемых организмом в процес-сах жизнедеятельности. Мощность электромагнитных колеба-ний, излучаемая электрическими диполями плазматической мембраны клетки равна примерно 10 в минус 23 степени Вт в узкой полосе частот.

Исходя из современной квантово-механических моделей физической реальности, все объекты нашего мира рассматрива-ются как волновые пакеты, “размазанные” по всему четырех-мерному пространственно-временному континууму. В общей картине мира наша вселенная больше похожа на поверхность океана, покрытая бесчисленными волнами, проникающими друг в друга. Иными словами, только часть физического объекта заключена внутри того, что мы называем его поверхностью. Другая, хотя и значительно меньшая часть, определяется “хво-

103

стами” волновых функций. Она как бы “размазана” по всему пространству. Как это невероятно, какая-то волновая часть нашего тела присутствует в любой точке нашего города, в лю-бой точке планеты, галактики. Вселенной. С этой точки зрения, жесткая локализация неживых объектов и живых существ внут-ри границ их поверхности – во многом иллюзия нашего воспри-ятия. Такие же волновые функции описывают наше положение не только в пространстве, но и во времени. С этой точки зрения, какая-то волновая часть нас находится в прошлом и в будущем. Вот почему во многих случаях человечество сталкивается с неразрешимыми проблемами, пытаясь искоренить “Зло” тради-ционными классическими методами, вместо того, чтобы рабо-тать на глубинном архетипическом уровне.

Метод хаосообразования

Метод хаосообразования может быть применен как в инди-видуальной, так и в групповой работе с целью достижения индивидуальным или групповым субъектом желаемой ситуации, к которой необходимо прийти, отталкиваясь от проблем. Через тренинговые события можно получить доступ к жизни человека, как к целому. В случае изменения отношений взаимодополни-тельности человека и его окружения происходит трансформация тех или иных свойств. Субъектная позиция базируется на пред-ставлении о том, что не события случаются в жизни человека, а человек порождает данные события, каждый человек имеет собственное окружение, зависящее от его свойств – при измене-нии свойств, меняется и окружение. Для того чтобы какое-то событие произошло, необходимо непротиворечивое изменение, как окружения, так и состояний человека.

Можно выделить следующие основные этапы хаособоразо-вания, выявленные нами эмпирическим путем работы с 700 психотерапевтическими группами:

1. Преднамененное хаосообразование, как психологический механизм получения нелокальной информации о препятствиях и противоречиях на пути достижения целесообразной ситуации.

104

Каждый участник группы проделывает эту работу самостоя-тельно, посредством группового общения и переводит получен-ную информацию в холодайны (самоорганизующиеся мысле-формы, обладающие резонансной активностью и собственной частотой). Холодайны выполняют функцию декодеров нело-кальных потоков информации, обладают способностями теле-портации, обеспечивают туннельный эффект, трансформируют-ся.

2. ”Бульон“ из холодайнов создается в результате объеди-нения большого числа холодайнов членов группы в процессе групповой холодинамической деятельности. Данное образова-ние есть неравновесная среда живого психологического проис-хождения,имеющая отношение к вероятности наступления целесообразной ситуации, но на данном этапе, представляю-щая собой “сырой” конгломерат. В живой природе работает некий принцип, который можно сформулировать как “фрактал к фракталу” (В.М.Урицкий, Н.И. Музалевская) [9]. Фракталы – частный случай кластеров, которые, как считает современная наука, являются новым пятым состояние вещества. Кластеры являются промежуточным звеном между молекулярной формой и конденсированными формами материи и обладают физико-химическими свойствами, отличными от своих соседей. Можно предположить, что мы имеем дело с новым видом информаци-онного слабого взаимодействия в природе – фрактальным взаи-модействием. Оно может быть рассмотрено как явление переда-чи биологически значимой информации между процессами разных временных и пространственных масштабных уровней, целиком определяясь их взаимным подобием [9].

3. Нелокальные связи и управляемый психологический резо-нанс. Запуская хаосообразование, группа людей порождает акаузальное, синхронистическое взаимодействие с целесообраз-ной ситуацией желаемого будущего. Использование хаотиче-ского процесса делает систему более чувствительной. На самом деле, траектория движения мыслеформ группы, начинает пред-ставлять собой, странный аттрактор. При этом “бульон’ из холодайнов работает как своеобразный фильтр, выделяя из

105

гигантского спектра квантовых полей или волновых функций информацию, связанную с интересующим процессом. С другой стороны, группа людей запускает хаотический процесс ветвя-щихся бифуркаций, по которым формируется картина на архе-типическом глубинном бессознательном уровне. Именно этот процесс является своеобразным детектором топологического резонанса, обеспечивающим информационное архетипическое подобие целесообразной ситуации. Ведущую роль в этом про-цессе играет метод управляемого психологического резонанса (Л.П.Хохлова,1989). Надо сказать, что скорость движения в многообразных вероятностях и точность попадания туда, куда нужно, обеспечивает применение психологического резонанса.

4. Критическая масса и зависание. При появлении такой массы холодайнов, включающих в себя разные смыслы, образу-ется парадоксальное состояние (состояние “тупой пробки”, где ничего не двигается), что требует перехода субъекта от межмодального состояния к трансмодальному. У. Джеймс в1890 г. в своих ранних работах выделяет непрерывный поток осознания и описывает, как внутри одной характеристики обна-руживается другая. “Образы” и “чувства” представляют собой относительно реальные задержки и круги осознания. Они отра-жают более медленные части того же потока, более быстрые, преходящие течения которого придают нашему само-осведомленному сознанию ощущение направленности и связи. У. Джейс также рассматривал непрерывный поток с помощью метафоры мгновенных капель или пульсаций [12]. Он говорил, что наш опыт приходит к нам по каплям – как само время. В то же время капли, которые вытекают из горлышка бутылки цели-ком или не вытекают вообще, также сливаются в бутылке в единую текучую среду, в которой нет и следа ее импульсовид-ного проявления. Возникает вопрос, как побудить систему к развитию?

В. Лефевр [6] называет саморефлексивной такую систему, которая одновременно является рефлексирующей и самооргани-зующейся. По определению В.Лефевра, саморганизующаяся система – это та, в которой один из элементов выполняет функ-

106

ции проекта всего целого и имеет особый механизм осуществ-ления структурирования целого по образцу “проекта”. На наш взгляд, при применении метода хаосообразования система является саморефлексивной и саморганизующейся , но где не один, а все элементы системы выполняют указанные выше функции. В этом случае мы имеем дело с совершенно другой скоростью саморганизации и выходом на синергию, которая предстается как согласованное в результате собственной актив-ности субъекта и выносимой за границу собственного Я, отчуж-даемой им от себя не части, а многомерной, трансуровневой действительности мира. Это действие репрезентируется в канале реальности субъекта, как действие целостной динамики боль-шого количества самостоятельных субъектов, согласованной по их внутренней природе. Это не двойная по В.Лепскому [1], а трансуровневая субъектность (Л.П. Хохлова). В такой системе каждый человек ставится в позицию субъекта, где каждый порождает синергийные каналы и каждый воспринимает синер-гийные каналы, порожденные другими участниками процесса. В этом случае субъект действует не в одном из многих каналах реальности (согласно определению В.Бурова [1]), а одновремен-но во всех сразу. А это возможно только находясь в мультиф-ренном состоянии. Собственная активность отчужденного субъектом от своего Я трансуровневого мира становится резо-нансно согласованной не только с активностью субъекта в других каналах его реальности, но и с каналами других участни-ков синергийного процесса, которые могут и не быть непосред-ственными участниками такого группового процесса.

5. Субъективно странная информационно-смысловая ано-малия (полный нонсенс). Признаком перехода к трансуровнево-му состоянию системы является появление “бреда”. Это странные и реально происходящие ситуации в широкой соци-альной среде с участниками группы, поражающие своей смы-словой нелепостью. Эти ситуации всегда появляются как при-знаки изменений системы.

6. Агрессивный сепаратор смыслов (АСС). Наиболее важ-ный момент в процессе хаосообразования – это включение

107

ситуации, которая требует от участников эмоциональной устой-чивости. АСС выступает как роботизированное образование без совести; он говорит правильные по сути слова и замечания, но в обидной, “кусающей” форме, выводит человека из себя, стре-мится “убить” смысл, пытаясь выбить из колеи; он долбит как скульптор, отсекая несущественные куски. Группа ищет новые смыслы, удерживая стержень, при этом ”старые” смыслы стано-вятся в оппозицию “новым”, образующимся. Здесь важен пси-хологический механизм, обеспечивающий эмоциональную устойчивость участникам процесса, механизм, помогающий обнаружить новый смысл, произвести интеграцию противоре-чий и трансформацию старого в новое состояние. Рождающаяся новая суть копит энергию, чтобы стать формой и получить результат. АСС может ввести рождающуюся новую суть в состояние оцепенения и тогда она “не замечает” момента време-ни преобразования в новую форму, когда можно все легко сде-лать. Живая суть натыкается на ригидную форму, и АСС в этот момент получает энергию, утилизируя при этом информацию. В свое время кибернетик У.Р. Эшби высказал следующую мысль [11]: все системы относительно открыты для энергии, но отно-сительно закрыты для информации. Это положение предполага-ет, что субъектные системы имеют сопротивление получению активной информации, которая бы изменила их статус. И не только изолируются от нее, но и могут обесценивать новую информацию, доводя ее содержание до уровня бесструктурной активности, как своеобразной “пищи” (феномен утилизации).

7. Структурирование, формообразование. Важным этапом в субъектной работе является момент, когда надо самому созда-вать новые формы выражения своей индивидуальности. Про-блема в том, что человек ждет этого от других и тогда индиви-дуальность как стихия в старой упаковке, не соответствует своему содержанию. Вследствие чего мы имеем следующие разновидности реагирования людей на эту проблему:

А. Человек совершает самостоятельные активные действия и создает формы под свои творческие продукты.

108

Б. Человек пассивно ждет, когда форму создадут другие и если этого не происходит – выход из этой ситуации: 1) болезни; 2) алкогольная и наркотическая зависимости; 3) аварии и ката-строфы; 4) амузия.

В. Человек сам не создает форму для выражения своей ин-дивидуальности, которая его уже давит изнутри. И общество тоже не создает формы, оно их еще не распознает, тогда человек отождествляется с Тенью и, чтобы изменить форму, идет с агрессией на других (хронические конфликты, немотивирован-ные убийства, террор).

Г. Индивидуальность заперта в психологическом антимире – выход психопатология. Массовый характер размытых шизоти-пических расстройств. В групповом процессе хаосообразования члены группы научаются своевременно нарабатывать форму для новой сути.

8. Туннельный эффект и получение результата (рис. 1). • Осознание проблемы. • Выбор цели и обозначение желаемого результата. Человек

или группа людей прилагают усилия, двигаясь от проблемы к цели (классический способ). Или могут осуществлять медитации (неклассический способ).

• Постнеклассический способ. Трансформация связей с ат-трактором нижнего уровня как исчерпавшего свой ресурс. Про-живание кризиса.

• Актуализация связей с аттрактором высшего уровня раз-вития как ресурса развития. Поиск как “рыскание”, отклонение от курса.

• Туннельный эффект. Подъем аттрактором высшего уровня субъекта к целесообразной ситуации. Для классического наблю-дателя это выглядит случайностью, не связываемой сознанием с выполненной внутренней работой.

109

Рис.1

Литература

1. АРШИНОВ В.И.,БУРОВ В.А. ,ЛЕПСКИЙ В.Е.. Навигация, рефлексивные площадки и каналы реальности постнеклас-сического управления обществом. Сб.: На пути постнео-классическим концепциям управления. М., Институт фило-софии РАН, 2005.

2. ДАНИЛЕВСКИЙ И.В. Структуры коллективного бессоз-нательного: квантовоподобная социальная реальность. – М.: УРСС,2005.

3. ДЕВЯТКОВ Н.Д., ГОЛАНТ М.Б., БЕЦКИЙ О.В. Милли-митровые волны и их роль в процессах жизнедеятельности. М.: Радио и связь,1991.

4. ДУБРОВСКИЙ Д.И. Информационный подход к проблеме бессознательного. В кн.: Бессознательное, Т.3, Тб.: Мец-ниереба, 1979.

5. ЛЕВИ-СТРОСС К. Структурная антропология. М., Наука, 1983.

Проблема

Желаемый результат

Актуализируемый аттрактор высшего уровня как ресурс

развития

Аттрактор нижнего уровня как исчерпанный ресурс развития

110

6. ЛЕФЕВР В.А. О самоорганизующихся и самореф-лексивных системах и их исследовании. Сб.: На пути постнеклассиче-ским концепциям управления. М., Институт философии РАН, 2005.

7. МАЙЕР Б. Власть и духовность. – http://www.philos-educ.ru/Library/Aythor/Mayer/Vlast_Dduh.htm.

8. СТЕПИН В.С. Западу стоило бы немного податься на восток. Антология русской философии. т.3., Спб: Сенсор, 2000.

9. УРИЦКИЙ В.М., МУЗАЛЕВСКАЯ Н.И. Фрактальные структуры и процессы биологии (обзор). В сб.: ”The bio-medical informatics and eniology”–СПб, изд. дом “Ольга”,1995.

10. ШУТЦЕНБЕРГЕР АНН АНСЕЛИН. Синдром предков. М, 2001.

11. ЭШБИ У.Р. Введение в кибернетику, М., УРСС, 2005 2-изд. 12. JAMES , W. v. 1 ,p.244 1890 The principles of psychology.

New York :Dover. Сокр перевод У. Джеймс Психология М.: Педагогика ,1991.

13. FROHLICH H. Bose condensation of strongly excited longitu-dinal electric modes .Phys.Lett 1968; 26 A:402.

111

НЕКОТОРЫЕ ПОДХОДЫ К СОЗДАНИЮ ЭФФЕКТИВНЫХ СИСТЕМ

ИСКУСТВЕННОГО ИНТЕЛЛЕКТА

Воронов А.В. (Института автоматики и процессов управления ДВО

РАН, г. Владивосток) voronov.ia@mail.ru

Рассмотрены некоторые проблемы и подходы к созданию эффективных систем искусственного интеллекта. Ключевые слова: информационное общество, системы ис-кусственного интеллекта, нейронаука, рефлексия

Парадигма искусственного интеллекта (“artificial intelli-

gence”) сегодня одна из важнейших в мире. Термину “искусст-венный интеллект” (ИИ), предложенному в 1956 г. на конфе-ренции в США, – 50 лет. И сегодня важно целостное и всестороннее обсуждение актуальности, основ парадигмы ИИ, а также перспектив возможного развития тематики ИИ.

Настоящее и обозримое будущее цивилизации – информа-ционного общества и общества, основанного на знаниях, – во многом зависят от интенсификации формирования и востребо-вания человечеством информации и знаний как ресурса разви-тия индивидуумов, обществ и цивилизации в целом. Переход от индустриального общества к информационному обществу в разных странах начался в разное время [4]. В США, Японии и странах Западной Европы переход к информационному общест-ву начался в конце 50-х – начале 60-х годов ХХ-го века, а в странах бывшего Советского Союза переход к информационно-му обществу начался в конце 80-х годов XX-го века. На сущест-вование информационного общества специалисты отводят период примерно в 100 лет и, следовательно, уже во второй половине ХХI-го века ожидается смена основной парадигмы

112

развития общества передовых стран и трансформация общества передовых стран в постинформационное общество.

Сегодня, в эпоху информационного общества, информаци-онная нагрузка специалистов в различных областях деятельно-сти, даже в отдельных узких областях деятельности, постоянно возрастает. Между тем, сам человек “...способен воспринимать и осмысливать информацию, если интенсивность ее поступления не превышает 50-70 бит/с. …Существование данного ограниче-ния на информационную пропускную способность человека связано с его психикой и физиологией, которые вряд ли претер-пят существенные изменения в ближайшем будущем” [4]. Отме-тим также, что одаренность человека проявляющаяся, например, в феноменальных счетных способностях и т.п., связывают со способностью мозга конкретного человека запоминать инфор-мацию [3]. Ограничение способности человека воспринимать и осмысливать информацию, с одной стороны, и все возрастаю-щая, необходимая для эффективной деятельности в эпоху ин-формационного общества, информационная нагрузка на челове-ка, с другой стороны, составляют важнейшее трудно преодолимое противоречие информационного общества. Это противоречие, по-видимому, можно преодолеть с помощью применения систем ИИ. Сегодня, в эпоху информационного общества, тематика ИИ становится в мире приоритетным науч-ным и прикладным направлением, и представляет собой, по сути, следующую ступень развития информационных техноло-гий. Именно системы ИИ могут стать для человека и цивилиза-ции в целом ключом к обществу, основанному на знаниях.

Термин “artificial intelligence” не совсем отвечает содержа-нию понятия “искусственный интеллект” в русском языке. Слово “intelligence” (от латинского intellectus – ум, мыслитель-ные способности человека и т.п.) ближе к понятию “смышле-ность” и т.п., а не к “intellect”, собственно, “интеллект” или “рассудок” и т.п. Отечественные психологи Брушлинский А.В., Пономарев Я.А., Дружинин В.Н., а также зарубежные психологи Бине А., Симон Т., Векслер Д. и другие психологи, под интел-лектом человека понимали способность человека справляться с

113

различными заданиями. В связи с таким пониманием интеллекта широкое распространение в психологии получили тесты (WAIS, WISC-R, WIP и др.) по измерению способности человека справляться с различными заданиями или тесты по измерению IQ – уровня интеллектуального развития человека. Интересно представить соотношение интеллект-мышление. Психологи Брушлинский А.В., Пономарев Я.А., Дружинин В.Н. и другие психологи рассматривали мышление как процесс познаватель-ной деятельности индивида, открытия нового в ходе решения задач и т.д. При этом, по сути, тесты, измеряющие уровень интеллектуального развития человека, направлены на валидное измерение абстрактного мышления, организации знаний, фор-мирования понятий индивида и некоторых других его мысли-тельных функций. Таким образом, можно сказать, что интеллект человека есть способность к мышлению как к процессу познава-тельно-творческой деятельности и т.д. При этом в парадигме психологии искусственного интеллекта, как впрочем, и во всей парадигме ИИ в целом – собственно процесс познавательно-творческой деятельности человека, как ход, развитие явления, последовательная смена состояний в развитии явления – оста-ются во многом не выявленными, бессознательными, интуитив-ными и т.д. Это существенно затрудняет работу разработчиков систем ИИ. Создание систем ИИ заметно упрощается при реали-зации конкретной практической задачи по поиску информации, машинному переводу, доказательству теорем, ведению игр, реализации детерминированного поведения роботов, распозна-ванию, как речи, так и печатного текста, типовых изображений и т.п., а также при реализации других конкретных частных задач. При этом естественный интеллект человека и его мышление как познавательно-творческая деятельность, в сравнении с интел-лектом и логическим мышлением интеллектуальных систем, предстают интеллектом и познавательно-творческой деятельно-стью универсальными, возможно обладающими элементами общей способности к решению задач разного класса. Следует отметить, что в истории развития тематики ИИ неоднократно предпринимались попытки поиска универсальной процедуры,

114

которая позволила бы решать единообразно большое количество задач разного класса. Предлагались лабиринтные модели, си-туационное управление, модели вероятностного выбора, ассо-циативные модели и другие модели [2]. В настоящее время для создания систем ИИ большое внимание уделяется онтологиче-скому подходу. Кроме того, сегодня разнообразные информаци-онные средства и технологии нового поколения (социально активные мобильные роботы, интеллектуальный Интернет (Semantic Web), эффективные человеко-машинные интерфейсы, субъекты, объекты и среды виртуальной реальности, эффектив-ные системы обучения и другие информационные средства и технологии) [5] привлекают все большее число разработчиков. Эти средства и технологии существенно, но все же пока недос-таточно ориентированы на человека. Они расширяют возможно-сти разработчиков систем ИИ, делают возможным большее востребование знаний гуманитарных, поведенческих и некото-рых других наук, а также способствуют развитию традиционных наук об информационных процессах и возможности построению новых эффективных для информационного общества интегра-ционных научных подходов и направлений по созданию эффек-тивных систем ИИ. В современных условиях информационного общества и общества, основанного на знаниях, актуальность разработки подходов к созданию эффективных систем ИИ существенно возрастает.

Развитие тематики ИИ тесно связано с появлением и разви-тием вычислительной техники (ВТ). Вместе с тем основное развитие ВТ шло по пути последовательной обработки инфор-мации, а не по пути параллельной обработки информации, характерной для мозга – основного органа обработки информа-ции иерархически высших живых существ. Эффективная работа мощных современных систем ИИ, так или иначе, задействует принципы параллельной обработки информации и требует сверхвысокого быстродействия средств ВТ. Бурное развитие ВТ, прежде всего персонально компьютерной, суперкомпьютерной и т.п., во многом связано с успехами производства кремниевых процессоров по планарной технологии кремниевых микросхем.

115

Однако сегодня многие эксперты полагают, что уже через 5-8 лет традиционная технология кремниевых микросхем достигнет “кремниевого тупика” – пределов своего развития.

Определенный интерес в связи с этим представляет изуче-ние процессов самоорганизации, приводящих к созданию по-тенциально полезных конструкторских наноэлементов уст-ройств обработки информации. Одними из полезных конструкторских элементов могут оказаться, например, выра-щенные нами самоорганизующиеся разветвленные квантово-размерные структуры. Такие структуры могут обладать инте-ресными особенностями квантовых эффектов и могут представлять интерес, как для научных исследований, так и для практического применения в разработках квантоворазмерной элементной базы искусственных нейронных сетей, например, при выполнении в искусственных нейросетевых схемах функ-ций межнейронных соединений, сумматоров и, возможно, нели-нейных преобразований. Окажутся ли реализованными россий-ские разработки технологий устройств обработки информации в связи с “кремниевым тупиком”?

Одним из подходов к созданию эффективных систем ИИ может стать подход, основанный на представлениях о рефлек-сии человека. Именно при определении рефлексии как о сущем, в смысле настоящий, истинный, наивысшим уровнем осмысле-ния, понимания и т.п. человеком, как самого себя, так и других субъектов, рефлексивный подход может стать эффективным при разработке систем ИИ для условий информационного общества и общества, основанного на знаниях [1]. Важно добавить, что в 90-х годах XX-го века, объявляемых десятилетием мозга, в мире росло экспоненциально количество публикаций в области когни-тивной нейронауки. Большинство работ в области когнитивной нейронауки было выполнено благодаря применению томографи-ческих методов исследования. Был получен ряд интересных ре-зультатов по динамике локального кровотока мозга при разных психических состояниях испытуемых. Очевидно, благодаря при-менению томографических методов исследования, могут быть получены значимые результаты и в области изучения рефлексив-

116

ных состояний испытуемых, а также в области практической реализации результатов изучения рефлексивных состояний в системах ИИ.

Литература

1. ВОРОНОВ А.В. К теоретико-методологическим аспектам создания интеллектуализированных информационных сис-тем // Искусственный интеллект. 2006. – 2. – С. 134–137.

2. ПОСПЕЛОВ Д.А. Из истории искусственного интеллекта: История искусственного интеллекта до середины 80-х го-дов // Новости искусственного интеллекта, 4, 1994. с.70–90.

3. ТРЕФФЕРТ Д., КРИСТИНСЕН Д. Феноменальный мозг // В мире науки. 2006. 3. С.60–65.

4. ЮСУПОВ Р.М., ЗАБОЛОТСКИЙ В.П. Научно-методологические основы информатизации. СПб.: Наука, 2000.

5. VORONOV A. V. Informatization prospects: the science of informatization processes and new informatization approaches and developments // Scientific and technical information proc-essing. 2004. – Vol. 31, 1. – P. 26–30.

117

Секция 2 МОДЕЛИ И МЕТОДЫ РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ СЛОЖНЫМИ СИСТЕМАМИ НА БАЗЕ КОГНИТИВНОГО ПОДХОДА

РЕГРЕССИОННЫЙ ПОДХОД К УПРАВЛЕНИЮ СЛАБОСТРУКТУРИРОВАННЫМИ СИСТЕМАМИ

Корноушенко Е.К. (Институт проблем управления РАН, г. Москва)

ekorno@mail.ru

При решении задач управления слабоструктурированными системами предлагается использовать регрессионный подход. На простейшем гипотетическом примере обсуждаются этапы предлагаемого подхода, условия его применимости, достоинст-ва и ограничения. Показано, как построенные регрессионные модели могут быть использованы для решения статических оптимизационных обратных задач управления в слабострукту-рированных системах.

Ключевые слова: слабоструктурированная система, регрес-сионная модель, линейное программирование, метод наи-меньших квадратов

Введение

Различным вопросам анализа слабоструктурированных сис-тем уделяется значительное внимание в последнее время. Об этом свидетельствует большое количество работ по данной проблематике, а также рост числа участников ежегодной конфе-ренции «Когнитивный анализ и управление развитием ситуа-ций», проводимой в Институте проблем управления РАН. Воз-никающие на ней дискуссии касаются, прежде всего, основного вопроса – какой математический аппарат можно считать наибо-

118

лее приемлемым и перспективным для анализа слабоструктури-рованных систем, как проверять «правильность» получаемых решений. К сожалению, этот вопрос до сих пор остается откры-тым.

В данной статье для анализа слабоструктурированных сис-тем предлагается использовать ряд результатов, полученных для сложных ситуаций в рамках регрессионного анализа. На про-стейшем гипотетическом примере показано, что если выполня-ются условия для построения той или иной регрессионной моде-ли, то такая модель может быть использована для решения статических оптимизационных обратных задач управления в слабоструктурированных системах.

1. Современный подход к управлению слабострукту-рированными системами

Под слабоструктурированной системой (СС-системой) по-нимается всякая динамическая (т.е. функционирующая во вре-мени) система, в структуре и функционировании которой важ-ную роль играет человеческий фактор. Именно наличие человеческого фактора, для различных проявлений которого практически невозможно построить точные математические модели, позволяет считать такие системы слабоструктурирован-ными системами. «Выразителями» человеческого фактора могут быть отдельные участники системы, структурные подразделе-ния, весь персонал СС-системы и т.д. Поскольку человеческий фактор играет важную роль в функционировании экономиче-ских, политических, производственных систем, подобные сис-темы можно рассматривать как СС-системы.

Важность учета человеческого фактора при анализе дея-тельности компаний наглядно проявилась в подходе, получив-шем название сбалансированная система показателей (Balanced Scorecard, см., например, [3,4]). Сбалансированная система показателей (ССП) – это система управления (а не просто систе-ма измерения ключевых показателей деятельности компании), которая позволяет компании сформулировать планы на будущее

119

и стратегию и воплотить их в реальные действия. ССП обеспе-чивает связь между внутренними бизнес-процессами, характери-зующими деятельность компании, и внешними измеряемыми показателями, необходимую для повышения стратегической эффективности и достижение намечаемых целей.

По каждому из ключевых аспектов деятельности компании определяются соответствующие наборы возможных действий и измеряемые показатели, оценивающие эффективность этих действий, т.е. задаются цепочки причинно-следственных связей между возможными действиями и результатами этих действий. В плане рассматриваемого ниже регрессионного подхода к управлению СС-системами представляется целесообразным более детально проанализировать некоторые особенности ССП. В деятельности компании выделяются четыре аспекта: финансо-вый, рыночный, организационный, инновационный. При этом:

• Финансовые показатели, по определению, являются коли-чественными, так что для них не возникает проблем в представ-лении их стратегических значений и последовательности такти-ческих значений;

• Задание выходных показателей маркетинговой деятельно-сти компании связано с определением интересов клиентов и отражением этих интересов с использованием какой-либо под-ходящей метрики;

• Показателями хорошей организации внутренних бизнес-процессов могут быть опять-таки соответствующие финансовые показатели (например, себестоимость продукции, рентабель-ность продаж и т.д.);

• В качестве показателей профессионального уровня персо-нала могут рассматриваться такие параметры как процент рек-ламаций на продукцию компании, количество патентов у компа-нии, освоение новых видов продукции и т.п.

Таким образом, при рассмотрении всякой конкретной ком-пании с заданием измеримых выходных показателей особых проблем, как правило, не возникает.

Гораздо серьезнее обстоит дело с определением причинно-следственных цепочек типа «действие – результат», относящих-

120

ся к каждому из указанных выше аспектов. Дело в том, что внутренние параметры бизнес-процессов могут оказаться на-столько взаимосвязаны друг с другом (и с внешними параметра-ми), что однозначно определяемый результат (в виде наперед заданного изменения рассматриваемого выходного параметра) будет определяться не столько самим действием, сколько сово-купностью условий, при которых это действие совершается. Если проинтерпретировать это обстоятельство в терминах ко-нечно автоматной модели, то получается, что результат совер-шаемого действия зависит как от самого действия, так и от состояния внутренних процессов на путях, соединяющих точку приложения действия и точку съема информации о последствиях совершения действия, что формально можно представить как

Y = λ(S, X), где Х – вектор значений параметров, характеризующих совершае-мое действие,

S – состояние СС-системы, т.е. вектор значений внутренних параметров на указанных путях в структуре системы,

Y – результат действия Х. Сложность ситуации состоит в том, что в силу ненаблюдае-

мости (и, соответственно, неизмеримости) ряда внутренних пара-метров СС-системы точное определение состояния СС-системы невозможно и, следовательно, невозможно точное предсказание результата Y. Этот факт существенно затрудняет практическое использование методологии ССП.

Однако если имеется информация о функционировании СС-системы на некотором временном интервале, которую можно рассматривать как совокупность пар (Х, Y), то при определен-ных допущениях можно построить регрессионную зависимость Y от Х, являющуюся некоторым усредненным соответствие (1) Y* = λ*(S*, X), для исходной совокупности пар (Х, Y), где S* – некоторое ус-редненное состояние СС-системы. Погрешность аппроксимации каждого из соответствий (Х, Y) парой (Х, Y*) зависит как от «размаха» (диаметра) самого множества пар (Х, Y), так и от выбора аппроксимирующего соответствия (1). Использование

121

соотношений вида (1), базирующихся на реальных данных о функционировании СС-системы, позволяет ставить и решать (с определенной точностью) некоторые задачи управления СС-системой в формальной постановке.

Цель настоящей работы состоит в том, чтобы: • не углубляясь в детальный (и, скорее всего, бесперспек-

тивный) анализ взаимовлияний внутренних параметров бизнес-процессов друг на друга и на внешние параметры, описать инте-гральные (усредненные) влияния внутренних параметров на измеряемые внешние параметры в виде тех или иных регресси-онных соотношений;

• указать условия и ограничения, при которых справедливы подобные соотношения;

• на простейшем примере показать возможность выбора на основе таких соотношений тех или иных управлений в зависимо-сти от поставленной задачи (здесь рассматриваются лишь стати-ческие обратные задачи с оптимизацией заданных критериев).

2. Формирование исходного массива данных

В качестве простейшего примера, на котором будут проил-люстрированы основные этапы предлагаемого подхода, рас-смотрим некое гипотетическое предприятие, производящее товары одного функционального назначения, но трех различных типов (скажем, холодильники с разными объемами холодильных камер и разным числом компрессоров).

Допущение 1. Считаем, что все эти товары характеризуются одним и тем же набором признаков (факторов), причем для разных по типам товаров значения (характеристики) некоторых (или всех) признаков могут различаться.

Выделим и систематизируем факторы, которые влияют на указанную прибыль:

• Производственно-технологические факторы: вместо пе-речисления множества детальных факторов, задействованных в процессе производства товаров и определяющих величины

122

постоянных и переменных затрат, используем понятие себе-стоимости (фактор Себест) каждого из товаров как результи-рующий интегральный показатель, характеризующий эту сово-купность факторов, и объем партии (фактор Объем);

• Организационные факторы: из совокупности факторов, характеризующих организацию производственных процессов на предприятии выделим два фактора как наиболее отражающих состояние организационной структуры – это квалификация (фактор Квалиф) обслуживающего персонала (быть может, разная для производства товаров разных типов) а также некон-курентоспособность производимых товаров. Квалификация является качественным фактором, и для его измерения исполь-зуется порядковая шкала (баллы). В качестве количественной меры неконкурентоспособности того или иного вида товара можно рассматривать остатки непроданных товаров (фактор Непрод) в каждой из выбрасываемых на рынок партий.

• Рыночные факторы: это, прежде всего, характеристики самих товаров, совокупность которых определяется в результате анализа спроса на такие товары, объемы проданных на рынке товаров и назначаемые цены (фактор Цена).

В качестве выходного финансового показателя рассмотрим месячную прибыль предприятия от продажи каждой партии товаров одного и того же типа, произведенных на некотором временном интервале (скажем, в течение 9 месяцев).

Замечание 1. Даже на таком простейшем примере видно, как различные факторы теснейшим образом «переплетаются» друг с другом. Так, квалификация персонала существенно влия-ет на себестоимость товаров и на их конкурентоспособность, т.е. на число непроданных товаров. Объем партии товара того или иного типа влияет, в принципе, на рыночные цены и на число непроданных единиц этого товара и т.д.

Таким образом, каждая единица товара того или иного типа характеризуется соответствующим вектором значений факторов. По предположению, все эти вектора имеют одинаковую длину.

Допущение 2. Будем считать, что изменения макроэкономи-ческих факторов, а также изменения внутри предприятия проис-

123

ходят довольно медленно, в силу чего можно выделить времен-ной интервал Т (скажем, год), на котором неизвестная функцио-нальная зависимость между прибылью, получаемой от продажи каждой единицы товара, и координатами вектора факторов сохраняется практически неизменной в течение этого интервала времени.

Это позволяет сформировать исходную выборку в виде мас-сива векторов факторов, описывающих партии товаров, выбро-шенных на рынок в течение выбранного временного периода, и дополнить этот массив столбцом значений прибыли, полученной в каждый из рассматриваемых моментов времени от продажи каждой из партий товаров. В таблице 1 представлена исходная выборка для предложенного гипотетического примера. Выбран-ный временной интервал (год) включает 9 моментов времени (3 квартала) поступления рыночной информации о проданных партиях товаров (макроэкономические факторы на интервале Т считаются константными и в таблицу 1 не входят).

3. Построение регрессионных соотношений по ис-ходной выборке

Обозначим неизвестную функциональную зависимость, су-ществующую на рассматриваемом интервале Т между прибы-лью, получаемой от продажи каждой партии товара типа k, и координатами вектора факторов, описывающих продаваемые товары, как Yk = Fk(X1, X2,…,X5), k = 1, 2, 3.

Для удобства дальнейшего рассмотрения в терминах рег-рессионного анализа будем называть факторы X1, X2,…,X5 – факторами стоимости, а соответствующую прибыль от продажи той или иной партии – зависимой переменной Y.

По предположению, построенная регрессионная модель должна использоваться далее для управления значениями фак-торов стоимости с целью обеспечения желаемых значений зави-симой переменной.

124

Таблица 1. Исходная выборка: описания товаров в терминах факторов стоимости и результаты продаж

Себест Квалиф Объем Цена Непрод Прибыль Тип

(тыс.руб.) (балл) (ед.) (тыс.руб.) (ед.) (тыс.руб.)

1 8 0.3 260 11 52 208 1 8 0.3 270 11 54 216 1 9 0.3 250 11 45 5 1 9 0.3 230 12 43 174 1 9 0.25 230 12 46 138 1 10 0.25 210 13 40 110 1 10 0.2 210 13 38 136 1 10 0.2 200 14 46 156 1 11 0.1 200 14 42 12 2 20 0.3 175 27 37 226 2 20 0.3 180 27 40 180 2 18 0.3 150 25 36 150 2 18 0.25 150 25 38 100 2 18 0.25 150 26 37 238 2 19 0.2 150 26 32 218 2 20 0.2 130 27 33 19 2 20 0.1 130 27 30 100 2 20 0.1 130 27 32 46 3 35 0.3 64 45 14 10 3 35 0.3 75 45 15 75 3 35 0.5 75 45 13 165 3 33 0.5 75 45 11 405 3 33 0.7 100 46 20 380 3 33 0.7 100 46 17 518 3 31 0.9 150 45 31 705 3 31 1 150 45 28 840 3 31 1 180 44 35 800

125

Поскольку в любой конкретной регрессионной модели каж-дый коэффициент отражает характер и силу влияния соответст-вующего фактора на зависимую переменную, то при использо-вании такой модели для целей управления зависимой переменной и знаки, и значения её коэффициентов должны не противоречить практическому опыту (и здравому смыслу) раз-работчика модели (т.е. коэффициенты модели должны быть предметно интерпретируемыми – см., например, [1]). Однако, как правило, коэффициенты моделей, полученные с использова-нием той или иной минимизационной процедуры, не удовлетво-ряют этим требованиям. Дело в том, что требование минимиза-ции используемого критерия и требование предметной интерпретируемости коэффициентов модели зачастую несо-вместимы. Это обстоятельство вынуждает переходить к моде-лям, в которых минимизация выбранного критерия осуществля-ется структурно (т.е. путем последовательного выбора определенной структуры результирующей модели) с сохранени-ем предметной интерпретируемости её коэффициентов.

Ниже предлагается процедура построения одной из таких моделей, базирующейся на значениях коэффициентов корреля-ции факторов модели с зависимой переменной. Результирующая модель – линейна, а процедура её построения включает сле-дующие этапы:

1) Для каждого из факторов модели находится коэффици-ент корреляции этого фактора с зависимой переменной;

2) Если этот коэффициент корреляции положителен, то дан-ный фактор входит в модель без изменений. Если же коэффициент корреляции отрицателен, то значения X*i данного фактора Xi заменяются на обратные значения вида pi / Xi , где pi – порядок наибольших значений фактора Xi (другими словами, вместо фак-тора Xi рассматривается фактор 1

iX − , значения которого опреде-ляются указанным выше образом), и находится коэффициент корреляции фактора 1

iX − с зависимой переменной Y; 3) Определяется вклад каждого фактора в среднее значение

зависимой переменной Y как произведение среднего значения Yср

126

на величину отношения соответствующего коэффициента кор-реляции к сумме значений коэффициентов корреляции всех факторов модели с зависимой переменной Y;

4) Определяется среднее значение Xiср каждого фактора Xi в исходной выборке и вычисляется средняя цена аi (в единицах измерения зависимой переменной Y) единицы измерения фак-тора Xi (или фактора 1

iX − ) как значение отношения вклада этого фактора в величину Yср к среднему значению Xiср этого фактора;

5) Результирующая модель имеет вид Y = 1

m

i=∑aiXi.

Вернемся к нашему примеру. Поскольку, по предположе-нию (см. таблицу 1) , для каждой партии каждого типа товара известны помесячные прибыли, целесообразно построить моде-ли указанного выше вида для каждого типа товара. Эти модели выглядят следующим образом: Y1=32.0063*Себест–1+109.0800*Квалиф+0.0948*Объем+ +13.3347*Цена–1+0.6420*Непрод; Y2=–1.9423*Себест+302.0097*Квалиф+0.5546*Объем–0.8294*Цена+1.4594*Непрод; Y3=354.7521*Себест–1+163.1473*Квалиф+0.9377*Объем+ 77.1123*Цена–1+4.4898*Непрод.

Здесь запись Себест–1 (Цена–1) означает, что вместо поме-сячных данных о себестоимости (цене) в моделях 1 и 3 исполь-зуются соответствующие данные вида 10/Себест(i), 15/Цена (i), i = 1,…,9, где числа 10 и 15 – порядки наибольших значений соответственно себестоимости и цены.

Замечание 2.В модели для товаров 2-го типа факторы Себе-стоимость и Цена имеют отрицательные коэффициенты. Дело в том, что в силу малости используемой выборки переход к обрат-ным значениям этих факторов не изменил знаки коэффициентов корреляции этих факторов с зависимой переменной. Поэтому в данной модели используются исходные значения себестоимости и цены, а отрицательность вкладов этих факторов интерпретиру-ется как уменьшение прибыли с возрастанием себестоимости (цены) товара.

127

На рис. 1 и 2 представлены графики месячных прибылей для товаров типа 2 и 3 и модельные оценки этих графиков, полученные с использованием моделей 2 и 3 соответственно.

Замечание 3. Качество моделей 1 и 3 (погрешность оценки, коэффициент детерминации и т.п.) не очень хорошее в силу малости исходных выборок по каждому из типов товаров и выбора линейной модели в качестве аппроксимирующей суще-ственно нелинейную зависимость прибыли для товаров каждого из типов от факторов стоимости. Здесь следует отметить два момента:

− в условиях малой выборки использование более точных нелинейных моделей для аппроксимации исходных данных на обучающей выборке (т.е. на той, по которой строится аппрокси-мирующая модель) чревато тем, что на других данных, не вхо-дящих в обучающую выборку, качество аппроксимации такой модели будет весьма низким (поскольку при её построении весьма значимым может оказаться «эффект малости выборки» – см., например, [2]);

− в плане демонстрации идеи предлагаемого подхода ли-нейные модели весьма наглядны и получаемые результаты легко интерпретируемы.

Рис. 1. График месячных прибылей по товарам типа 2

и их модельные оценки

128

Рис.2. График месячных прибылей по товарам типа 3

и их модельные оценки

4. Применение регрессионных моделей для решения некоторых оптимизационных обратных задач управления

Линейная структура построенных регрессионных моделей 1 – 3 позволяет сформулировать и решить некоторые оптимизаци-онные задачи по выбору управлений с использованием линей-ных алгоритмов минимизации.

Задача 1. Оценить суммарную (по товарам всех типов) мак-симальную месячную прибыль, которая может быть получена при ограничениях на допустимые значения факторов, приведен-ных в таблице 2, с наложением дополнительных условий:

- Суммарное (по всем типам) количество товаров, одновре-менно выбрасываемых на рынок, не превышает 400 единиц;

- При этом суммарное количество непроданных еди-ниц не превышает 70.

Эта задача решается стандартным методом линейного про-граммирования. В частности, её формулировка в вычислитель-ном пакете MATLAB выглядит следующим образом: X=linprog(F,lb,ub,C,d),

129

где F=(А1, А2, А3), а Аi – вектор коэффициентов i–й модели, lb, ub – интервальные ограничения на допустимые значения факто-ров, представленные в таблице 2, координаты вектора d суть d(1)=400, d(2)=70.

Таблица 2. Нижние и верхние ограничения на допустимые зна-чения факторов стоимости для товаров разных типов

Себест (тыс.руб.)

Квалиф (балл)

Объем (ед.)

Цена (тыс.руб.)

Непрод (ед.)

Тип 1 12 [0.1,0.3] [150,300] [15,18.75] [30,50] Тип 2 [15,20] [0.1,0.4] [110,200] 27 [25,50] Тип 3 [20,30] [0.4,0.8] [50, 200] [25, 40] [10, 40]

Полученное решение, максимизирующее суммарную ме-

сячную прибыль, представлено в таблице 3.

Таблица 3. Значения факторов стоимости, являющиеся решени-ем задачи 1

Себест (т.руб.)

Квалиф (балл)

Объем (единицы)

Цена (тыс.руб.)

Непрод (едини-цы)

Тип 1 12 0.3 150 15 30 Тип 2 15 0.4 110 27 25 Тип 3 20 0.8 140 25 15

При этом суммарная максимальная месячная прибыль равна

825.7528 (тыс.руб.). Подчеркнутые значения факторов не при-надлежат концам допустимых интервалов.

Замечание 4. Малость (непредставительность) исходной выборки не позволяет использовать гипотезу о нормальности распределения месячных прибылей, что делает невозможным оценку доверительного интервала для полученной максималь-ной прибыли в задаче 1. Это решение следует рассматривать лишь как некоторое среднее значение для возможных значений суммарных месячных прибылей. Следует подчеркнуть, что качество решения задачи 1 в значительной степени определяется

130

качеством и количеством исходных данных (исходной выборки). Данный пример показывает лишь принципиальную возможность решения указанной задачи в рамках регрессионного подхода.

Задача 2. При ограничениях задачи 1 добиться следующих значений месячной прибыли (в тыс.руб.) по товарам каждого типа:

Вариант 1. Тип 1: 150, Тип 2: 200, Тип 3: 300, Вариант 2. Тип 1: 200, Тип 2: 300, Тип 3: 400. Эта задача решается с использованием линейного метода

наименьших квадратов с ограничениями. Её формальное пред-ставление в пакете MATLAB выглядит следующим образом:

X = lsqlin(A,b,lb,ub,C,d), где А – матрица размера 3×15, на главной диагонали которой в каждой из трех клеток стоят соответствующие вектора А1, А2, А3 коэффициентов моделей 1 – 3, а координаты вектора-столбца b суть заданные значения месячных прибылей по товарам каж-дого типа для вариантов 1 или 2. Остальные параметры lb,ub,C,d определяются так же, как в задаче 1.

Значения месячных прибылей, найденные путем решения задачи 2 для каждого из вариантов, представлены в соответст-вующем столбце таблицы 4. При этом левые числа являются исходно задаваемыми, а числа после косой линии – соответст-вующими координатами результирующего вектора решения.

Для полученных решений полностью справедливо замеча-ние 4. Однако даже на этом простейшем примере видно, что требования, приведенные во втором варианте, являются «непо-сильными» для предприятия и «в среднем» могут быть выпол-ненными только для товаров типа 3.

Таблица 4. Сравнение исходно задаваемых требований с соот-ветствующими координатами полученных решений

Тип Месячная прибыль (тыс.руб.)

Месячная прибыль (тыс.руб.)

Тип 1 150/113.3326 200/ 106.1999 Тип 2 200/193.7323 300/ 223.9776 Тип 3 300/ 304.0915 400 / 400

131

4. Заключение

По представленному материалу можно сделать следующие выводы:

• На простейшем примере показана возможность примене-ния регрессионного подхода для решения некоторых задач управления при анализе СС-систем, в структуре которых со-держатся ненаблюдаемые (и неизмеримые) параметры, влияю-щие на результаты её функционирования;

• Качество результатов анализа и управления СС-системой при использовании регрессионного подхода зависит от предста-вительности исходных данных, по которым строятся используе-мые регрессионные соотношения;

• Аналогичное рассмотрение может быть проведено и с уче-том временных изменений в функционировании СС-системы, что потребует привлечения методов прогнозирования поведения временных рядов. Однако принципиальная возможность приме-нения регрессионного подхода для решения задач управления сохраняется и в этом случае.

Литература

1. АНИСИМОВА И.Н., БАРИНОВ Н.П. ГРИБОВСКИЙ С.В. Учет разнотипных ценообразующих факторов в многомер-ных регрессионных моделях оценки недвижимости // Вопро-сы оценки, N2, 2004, с. 2–15.

2. БОЛЧ Б, ХУАНЬ К. Дж. Многомерные статистические методы для экономики. – М: Статистика, 1979, 263 с.

3. MISSROON A.M. Demystifying the Balanced Scorecard // Data Management Review, N12, 1999, pp. 453–467.

4. MISSROON A.M. Measure vs. Manage // Data Management Review, N1, 2000, pp. 62–79.

132

КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ РЕГИОНАЛЬНЫХ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ

СИСТЕМ

Кочкаров А.А, Салпагаров М.Б. (Институт прикладной математики им. М.В. Келдыша РАН, г. Москва, Северо-Кавказский Государственный тех-

нический университет, г. Ставрополь) azret_kochkarov@mail.ru

Одним из распространенных подходов когнитивного моделиро-вания является подход, основанный на представлении модели-руемой системы в виде взвешенного ориентированного графа с распространяемым по нему импульсом. В настоящей работе этот подход используется для моделирования региональной социально-экономической системы в условиях внешних воздей-ствий. Ключевые слова: когнитивное моделирование, взвешенный ориентированный граф, импульсное воздействие

Введение

Моделирование – общенаучный инструмент познания ок-ружающего мира. В зависимости от уровня детализации и при-менимости различают вербальное, когнитивное, качественное и имитационное моделирование. Когнитивное моделирование выделяется среди остальных видов моделирования своей откры-тостью для специалистов и экспертов различных областей нау-ки. Это позволяет строить математические модели, результаты исследования которых легко интерпретируемы на практике.

Одно из центральных мест в исследованиях по управлению рисками [2] занимает анализ кризисов, то есть ситуаций, когда система оказывается не в состоянии в полном объеме выполнять возложенные на нее функции. Системы (технические, социаль-

133

но-экономические и т.п.), рассматриваемые в теории управления риском, могут быть подвержены внешнему влиянию (воздейст-вию) на протяжении небольшого промежутка времени. Нередко такие воздействия являются внезапными и интенсивными, а поэтому рассматриваемые системы не всегда могут “противо-стоять” этим поражающим факторам. Поражающие воздействия, приложенные к системе, могут приводить к ухудшению ее функционирования, а порой и к кризисам. Живучесть системы, ее способность функционировать в условиях внешних пора-жающих воздействий будем называть стойкостью [4] системы.

Одним из распространенных подходов когнитивного моде-лирования является подход, основанный на представлении моде-лируемой системы в виде взвешенного ориентированного графа с распространяемым по нему импульсом [6,9]. Этот подход используется в настоящей работе для моделирования региональ-ной социально-экономической системы в условиях внешних воздействий.

Моделирование региональной социально-экономической системы в условиях внешних воздей-ствий

Под системой [1] обычно понимается объединение взаимо-действующих элементов, рассматриваемых как связное целое. Каждый элемент системы производит определенные действия, что позволяет всей системе выполнять возложенные на нее функции. Структура системы [3] – организация системы из отдельных элементов с их взаимосвязями. Структура любой системы наглядно представима в виде ориентированного графа

( , )G V E= . Вершины (множество , 1,iV v i n= = ) графа соот-ветствуют элементам системы, а ребра (множество

( , )i jE e v v= = , , 1,i j n= , i j≠ ) – связям между элементами этой системы. Ориентация ребер графа определяется направлен-ностью влияния одних элементов системы на другие. Для полно-го описания системы до попадания ее в зону форс-мажорных

134

обстоятельств (в условия внешних дестабилизирующих им-пульсных воздействий) необходимо наделить (взвесить) верши-ны графа числами ( )iw t – показателями качественного состоя-ния элемента iv , а ребра – коэффициентами сопротивляемости

( , )i j ijw v v ε= . Зона форс-мажорных обстоятельств, в которой система под-

вергается влиянию дестабилизирующих факторов, представляет-ся в виде внешнего импульсного воздействия

( ), 1,2,..,jimp t j n∈ . Динамика распространения внешних дестабилизирующих

воздействий по системе описывается как изменение показателей качественного состояния элементов системы:

– распространение возрастающих импульсных воздействий

deg

1

( 1) ( ) ( )iv

i i ji jj

w t w t imp tε=

+ = ∏ ,

когда импульсное воздействие усиливается при переходе от одного элемента системы к другому;

– распространение затухающих импульсных воздействий

deg

1

( 1) ( ) (1 ( ))iv

i i ji jj

w t w t imp tε=

+ = −∏ ,

когда импульсное воздействие ослабевает при переходе от одно-го элемента системы к другому.

Распространение импульсных воздействий происходит в дискретном времени 0,1,2,3... t = . Значения всех показателей (показателей качественного состояния элемента, коэффициентов сопротивляемости, импульсных воздействий) – величины отно-сительные, и находятся в отрезке (0, 1).

В соответствии с описанным импульсным воздействием на орграфе можно ввести различные критерии отказа [5] в случае моделирования технической системы или кризиса в случае моделирования социально-экономической системы. К примеру, можно считать, что система находится в состоянии отказа или кризиса, если показатель качественного состояния хотя бы

135

одного из наиболее значимых элементов системы ниже некото-рого допустимого уровня. Этот уровень будем называть крити-ческим уровнем качественного состояния элемента v и обозна-чать cr( )v Если показатель качественного состояния элемента ниже критического уровня, то элемент не в состоянии выпол-нять возложенных на него функций, или функционировать требуемое время.

Целесообразно также использовать в описываемой модели управляющие воздействия, позволяющие повышать значения качественных показателей состояния элементов системы в лю-бой момент времени, вмешиваясь тем самым в процесс распро-странения дестабилизирующих воздействий по системе. А также внутренний ресурс системы – периодическое восстановление значений качественных показателей состояния элементов систе-мы на определенную величину.

В рамках предлагаемого подхода возможно исследование и социально-экономических систем. Это позволяет определить ряд сценариев, по которым будет развиваться система при различ-ных внешних воздействиях. Полезность и практичность такого подхода продемонстрирована когнитивной моделью управления государством на примере Союза Сербии и Черногории [7].

Рис. 1. Структура региональной социально-экономической

системы

На рис. 1 представлена структура социально-экономической системы, типичная для многих небольших регионов (республик, областей) Российской Федерации. Система состоит из пяти

136

основных элементов: СП – социальное положение (напряжен-ность) в регионе, ОЭ – оппозиционная элита региона, УЭ – управленческая элита региона, ВА – внешний арбитр, ЭА – экономическая активность региона.

Исследование модели было проведено при различных ис-ходных данных (показателях качественного состояния элемен-тов системы и коэффициентах сопротивляемости ребер) о со-стоянии системы и импульсных воздействиях, приложенных к различным вершинам. Это позволило сделать наиболее досто-верные выводы о поведении исследуемой системы в различных условиях внешних воздействий.

Своего критического уровня cr(СП) 0,01= система со структурой, изображенной на рис. 1, достигает за характери-стическое время t=33 (см. рис. 2).

вес ,

w(t

)

время, t

Рис. 2

Если в структуру системы добавить обратные связи (к при-меру УЭ→ОЭ или СП→ВА), то на первый взгляд система долж-на стать более стойкой к внешним воздействиям. Но при указан-ных структурных изменениях системы характеристическое время уменьшится почти вдвое.

На рис. 3(а) представлен график изменения основного пока-зателя системы – СП исследуемой региональной социально-экономической системы с внутренним ресурсом и внешним

137

затухающим воздействии, приложенным к вершине (элементу) ВА. Наблюдается падение основного показателя.

а

б

в

Рис. 3. Графики изменения основного показателя системы

без управляющего воздействия

На рис. 3(б) представлен график изменения основного пока-зателя системы СП, когда тоже самое по величине внешнее зату-хающее воздействие, что и в предыдущем случае, при тех же исходных данных системы приложено к другому элементу систе-мы – к вершине (элементу) ОЭ. В такой ситуации, в отличие от предыдущей, системе удается восстановиться, благодаря внутрен-нему ресурсу, и зафиксировать значение основного показателя на некотором стабильном уровне, хотя и ниже исходного.

На рис. 3(в) показан график изменения основного показате-ля системы СП, когда импульсное воздействие, в два раза мень-

138

шее, чем ранее, приложено сразу к двум элементам системы – ОЭ и ВА. Наблюдается падение значения СП.

Управляющие воздействия являются основным инструмен-том повышения значений показателей качественного состояния элементов системы. Но величина управляющего воздействия, время и точка его приложения должны быть определены в зави-симости от распространяемого по системе импульсного воздей-ствия.

Использование этой модели позволяет увидеть парадок-сальные, неочевидные, на первый взгляд, способы управления социально-экономической системой.

На рис. 4(а) изображен график изменения основного показа-теля исследуемой региональной социально-экономической системы с внутренним ресурсом, когда затухающее импульсное воздействие приложено к элементу ВА. Наблюдается падение основного показателя.

Управляющее воздействие, приложенное к системе в мо-мент времени t=75 (см. рис. 4(б)), повысит значение показателей качественного состояния ее элементов, но не повлияет на общее состояние системы в дальнейшем.

Управляющее воздействие, приложенное к системе в более поздний момент распространения по ней импульсных воздейст-вий, приводит к иному результату (см. рис. 4(в)). Основной показатель системы не понижается, а стабилизируется, хотя и на уровне более низком, чем первоначальный. Это объясняется тем, что в предыдущем случае управляющее воздействие было при-ложено к системе, когда по ней распространялось импульсное воздействие, величина которого позволяла “поглотить” повыше-ние значение показателей качественного состояния элементов системы.

139

00,10,20,30,40,50,60,70,80,9

1

1 101 201 301 401 501

t, время

w(t)

, вес

вершин

ы

0

0,2

0,4

0,6

0,8

1

1 101 201 301 401 501

t, время

w(t)

, вес

вершин

ы

0

0,2

0,4

0,6

0,8

1

1 101 201 301 401 501

t, время

w(t)

, вес

вершин

ы

Рис. 4. Графики изменения основного показателя системы

с управляющим воздействием

Заключение

Для обеспечения стойкости системы как новой задачи в рам-ках концепции управления рисками [2] возможны два подхода.

Первый – наделение системы достаточным внутренним ре-сурсом, позволяющим противостоять любым внешним дестаби-лизирующим воздействиям.

Второй – изменение структуры системы, позволяющее по-вышать стойкость системы, “убирая” из структуры системы наиболее опасные и уязвимые взаимосвязи. Второй подход очерчивает новое направление теории управления сложными системами – структурное управление. Модели рассмотренного типа, как показывает их анализ и опыт применения, могут быть элементом систем поддержки принятия решений в соответст-

a б

в

140

вующих ситуационных центрах. Описанные случаи позволяют заключить, что реакция системы, иначе ее стойкость, понимая как способность противостоять внешним дестабилизирующим воздействиям, зависит [8] от структуры системы и как следствие от “точки приложения” самого внешнего воздействия.

Работа выполнена при поддержке РФФИ (проект 04-01-00510) и РГНФ (проект 05-03-03188).

Литература

1. АРХИПОВА Н.И., КУЛЬБА В.В. Управление в чрезвычай-ных ситуациях. – М.: РГГУ, 1998.

2. ВЛАДИМИРОВ В.А. и др. Управление риском. – М.: Наука, 2000.

3. КАСТИ Дж. Большие системы. Связность, сложность и катастрофы. – М.: Мир, 1982.

4. КОЧКАРОВ А.А. МАЛИНЕЦКИЙ Г.Г. Обеспечение стой-кости сложных систем. Структурные аспекты. Препринт Института прикладной математики им. М.В. Келдыша РАН 53. М., 2005.

5. КОЧКАРОВ А.А., МАЛИНЕЦКИЙ Г.Г. Моделирование распространения внешних воздействий по структуре сложной системы // Математическое моделирование. – 2006. – Т. 18, 2. – С. 51–60.

6. КУЛЬБА В.В. и др. Методы формирования сценариев разви-тия социально-экономических систем. − М.: СИНТЕГ, 2004.

7. КУЛЬБА В.В. и др. Сценарии управления государством (на примере Союза Сербии и Черногории) // Проблемы управле-ния. 2005. 5. – С. 33–42.

8. МАЛИНЕЦКИЙ Г.Г., ВОРОБЬЕВ Ю.Л., МАХУТОВ Н.А. Кризисы современной России и научный мониторинг // Вестник РАН, 2003, т.73, 7, С.579–593.

9. РОБЕРТС Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологиче-ским задачам. – М.: Наука, 1986.

141

ПРИМЕНЕНИЕ МЕТОДОВ КОГНИТИВНОГО АНАЛИЗА В КОНКУРСНОМ ОТБОРЕ ПРОЕКТОВ

Кочкаров Р.А., Никищенко С.П. (Финансовая академия при Правительстве РФ, г. Москва, Северо-Кавказский Государственный технический универ-

ситет, г. Ставрополь) azret_kochkarov@mail.ru

Рассмотрена проблема качественной реализации программных мероприятий, подключения проектов и проектных работ в процессе выполнения государственных целевых программ. Приведены постановки задачи оптимального выбора конкурс-ных проектов и многокритериальной задачи о назначениях на предфрактальном графе. Ключевые слова: дискретная многокритериальная оптимиза-ция, взвешенный двудольных граф, предфрактальный граф

1. Механизм поддержки конкурсного отбора проектов

Рассмотрим одну проблему, которая возникает в процессе выполнения государственных целевых программ, а именно проблему качественной реализации, исполнения программных мероприятий, подключения проектов и проектных работ. Внача-ле напомним, как работает механизм конкурсного отбора проек-тов, и введем некоторые обозначения.

На нижнем уровне находятся проекты (проектные работы), на выполнение которых подаются заявки. Для некоторых меро-приятий проекты и потенциальные исполнители известны еще на этапе разработки программы (см. рис. 1). Так для мероприя-тий 1M и 2M уже сформулированы задания на проектирование и, более того, уже поступили заявки на выполнение конкретных проектных работ. В тоже время по проектным заданиям меро-приятий 3M , 4M и 5M исполнителей (ни реальных, ни потен-

142

циальных) еще нет. Проекты, запланированные в программе, являются предложением для исполнителей. Реальные же про-ектные работы отбираются на конкурсной основе среди испол-нителей. На исполнение проекта 1П подаются заявки от воз-можных исполнителей на три проектные работы (реальные работы) 1Р , 2Р и 3Р . На конкурсной основе отбирается одна заявка на проектную работу 1Р [2,3].

Рис. 1 Покрытие мероприятий программы проектами

По каждому потенциальному проекту формируется "лот", в котором указаны условия для проводимых работ. Поступающие заявки от потенциальных исполнителей сравниваются с усло-

143

виями лота, и определяется степень "покрытия" содержащимися в заявке предложениями условий лота. Эта информация пред-ставляется членам конкурсной комиссии и непосредственно влияет на результат конкурсного отбора.

На рис. 1 для проекта 1П принята заявка от исполнителя ра-бот 1Р . Если условия лота не полностью покрываются заявкой, тогда вводится новый лот на исполнение работ, оставшихся непокрытыми. Так как в реальной жизни сложно подбирать заявки, полностью покрывающие лоты, тогда отбор заявок будет проводиться по следующим двум критериям:

– близость заявки условиям лота; – степень покрытия лота заявкой. Таким образом, для исполнения одного проекта может по-

требоваться несколько проектных работ, от разных заявителей.

2. Задача оптимального выбора конкурсных проек-тов

Одной из основных проблем в процессе реализации про-граммы является проблема подключения проектов. Проекты непрерывным потоком предоставляются на рассмотрение, и на конкурсной основе подключаются к программе. Дерево целевой программы является своего рода картой исполнения программы. Вся программа, а равно и цели программы покрыты мероприя-тиями. Таким образом, для исполнения программы и достиже-ния всех поставленных целей необходимо обеспечить все мно-жество мероприятий проектами [2].

Сформулируем математическую постановку задачи отбора проектов. Разобьем все множество мероприятий M на группы, каждая из которых определяется параметрами, то есть в каждую отдельную группу будут входить мероприятия с однородными параметрами. Однородность параметров в данном случае озна-чает следующее – равенство количества параметров каждого мероприятия группы и соответствие качеств (типов) параметров, определенных в группе. Например, в группу (3) ( , , )M q s t будут

144

входить мероприятия (3) ( , , )i i i iM q s t , i I∈ , где параметры группы определяются следующим образом, q – стоимость проекта, s – трудовые ресурсы, t – время исполнения мероприятия. Таким образом, получим разбиение множества M на подмножества

( )lM , 1,2,..,l L= . Параметры мероприятий будут представлены числовыми значениями, определяющими ограничения сверху ресурсов по каждому параметру группы.

На рассмотрение предоставляются проекты, причем они идут непрерывным потоком. Одни проекты принимают, другие наоборот исключаются. При этом часть проектов может оста-ваться востребованной до определенного времени, пока эти проекты не будет исключены или приняты. Таким образом, задача назначения проектов связана со временем.

Предположим, что лицо, принимающее решение (ЛПР) с оп-ределенной периодичностью рассматривает поступающие проек-ты и, соответственно, принимает решения в эти моменты времени. Это может быть заседание организационного совета каждый квартал или полугодие. То есть в моменты 1,2,...sT = происходит заседание, обсуждаются вопросы о проектах. На каждый момент времени 1,2,...sT = будет приходиться множество проектов P , и, соответственно, в каждый момент времени необходимо решать задачу о назначении проектов. Для этого сначала решим задачу на один определенный момент времени sT ∗ .

Предположим, что на момент времени sT ∗ имеется множе-ство мероприятий M и множество проектов P . Разобьем все множество представленных мероприятий M на группы. Каждая группа будет определяться параметрами, т.е. в каждую отдель-ную группу будут входить мероприятия с однородными пара-метрами. Тогда получим разбиение множества M на подмноже-ства ( )lM , 1,2,..,l L= . При этом параметры мероприятий будут представлены числовыми значениями, означающими ограниче-ния ресурсов. Теперь разобьем множество проектов P на под-множества ( )lP , так чтобы каждое подмножество проектов

145

можно было бы поставить в соответствие одному из подмно-жеств мероприятий.

Тогда на момент времени sT ∗ все проекты оказались постав-ленными в соответствие с группами мероприятий. Возьмем один объект, то есть одну группу мероприятий M ∗ и соответствую-щую ей группу проектов P∗ .

Соединим каждый проект из P∗ с теми мероприятиями из M ∗ , к которым он потенциально подходит. Например, проект постройки дорог может быть присоединен к мероприятиям по строительству автомагистралей, мостов, ремонту городских дорог и т.д.

Назначим каждому ребру графа G∗ соответствующий вес (стоимость проекта) ic , 1,i n= . Отметим, что стоимость проекта

ic не означает денежную, либо какую-нибудь другую стоимость, а является совокупной стоимостью, состоящей из стоимостей различного вида. При этом веса ребер исходящих из одного и того же проекта будут одинаковыми (см. рис. 2).

Рис. 2 Взвешенный двудольный граф G∗

Выбирая для каждой вершины ip наилучшее ребро, полу-чим максимальное паросочетание двудольного ориентированно-го графа G∗ . Задача оптимального назначения проектов сводит-

146

ся к выделению максимального паросочетания двудольного ориентированного графа. В случае, когда n k= и для каждого мероприятия существует хотя бы один альтернативный проект, то есть в каждую вершину jm входит не менее одного ребра, решением будет совершенное паросочетание.

Таким образом, для каждой пары – ( )lM и ( )lP задается двудольный граф lG , 1,2,..,l L= на некоторый момент времени

sT ∗ . Далее на каждый момент 1,2,..,sT T= рассматривается последовательность двудольных графов lG . В каждый момент

sT производится поиск максимальных паросочетаний для после-довательности lG , 1,2,..,l L= [4].

3. Многокритериальная постановка задачи о назна-чениях на предфрактальном графе

Формально, если в задаче о назначениях (ЗН) каждому из n заказчиков и m исполнителей поставить в соответствие верши-ны графа, а ребрами обозначить возможности исполнения работ, предложенных заказчиками, то полученный двудольный граф

( , , )G V V E′ ′′= [2,3] является схемой, отражающей всевозможные связи между заказчиками и исполнителями. На графе G множе-ства вершин V ′ , V n′ = , и V ′′ , V m′′ = соответствуют заказчи-кам и исполнителям. Множество ребер E соответствует связям между исполнителями и заказчиками. Смысл связей заключается в возможности реализации исполнителями работ, предложенных заказчиками. Каждому ребру из E приписываются веса, кото-рые призваны качественно демонстрировать экономическую целесообразность выполняемых работ, предложенных конкрет-ным заказчиком конкретному исполнителю.

В фиксированный момент времени в работе должен быть задействован каждый исполнитель, причем он может принимать участие в выполнении только одного заказа. Каждый заказчик также может следить за реализацией единственного заказа.

147

План выполнения работ, предложенных заказчиками испол-нителям, в терминах теории графов будет соответствовать паро-сочетанию, выделенному на двудольном графе G . Напомним, что паросочетание – это несвязный суграф, каждая компонента которого представляет собой ребро.

Необходимость построения экономически обоснованного плана вынуждает обратиться в сферу дискретной многокритери-альной оптимизации. Таким образом, ЗН в теоретико-графовой (классической) постановке сводится к поиску на двудольном графе паросочетаний, удовлетворяющих требованиям некоторых критериев.

ЗН в классической постановке, как в однокритериальном, так и в многокритериальном случае тщательно исследована.

С появлением понятия фрактального (предфрактального) графа многие задачи математического программирования, ис-следуемые аппаратом теории графов, в том числе и ЗН, потребо-вали серьезной доработки, а нередко и совершенно новых мето-дов для решения этих задач с постановкой на предфрактальных графах [1].

Перейдем к многокритериальной постановке ЗН на пред-фрактальном графе.

Рассмотрим взвешенный предфрактальный граф ( , )L L LG V E= порожденный двудольной затравкой ( , , )H W W Q′ ′′= , у которой

/ 2W W n′ ′′= = , Q q= . Покрытием графа LG будем называть подграф

( , ) L x kx V E D= = , x LE E⊆ , каждая компонента kD , 1,2,...,k K= , которого является деревом. Очевидно, что покрытие ( , )L xx V E= является остовным лесом графа LG .

Всевозможные покрытия x предфрактального графа LG образуют множество допустимых решений ( )LX X G x= = (МДР).

Качество покрытия x на графе LG задается векторно-целевой функцией (ВЦФ):

148

(1) 1 2 3 4F( ) ( ( ), ( ), ( ), ( ))x F x F x F x F x= (2) 1( ) ( ) min

xe E

F x w e∈

= →∑ ,

где ( )xe E

w e∈∑ – общий (суммарный) вес покрытия x ;

(3) 2 ( ) minF x x= → , где x – число компонент в покрытии x . (4) 3 ( ) deg minkF x D= → для всех 1,k K= , где max deg deg

kkv D

v D∈

= – степень компоненты

kD в покрытии x . (5) 4 ( ) minkF x D= →

для всех 1,k K= , где kD – число вершин компоненты kD в покрытии x .

Критерии (2) – (5) ВЦФ (1) имеют конкретную содержа-тельную интерпретацию.

Веса, приписанные ребрам предфрактального графа LG , призваны отражать “неэффективность” сотрудничества между учреждениями, которым соответствуют вершины – концы ребер. Наладить плодотворное сотрудничество между крупными пред-приятиями, ввиду их сильной конкуренции, труднее, чем между более мелкими. Поэтому вес ребер с ростом их рангов уменьша-ется. При такой интерпретации весов, приписанных ребрам предфрактального графа, целесообразно искать покрытие с наименьшим весом. Именно, это и сформулировано в первом критерии (2) ВЦФ (1).

Число компонент x в покрытии x соответствует числу час-тей, на которые разделен основной проект. Чем менее раздроблен основной проект при его реализации, тем эффективнее процесс объединения и обобщения результатов на завершающем этапе выполнения этого проекта. Поэтому второй критерий (3) ВЦФ (1) направлен на уменьшение числа компонент в покрытии.

149

Некоторые учреждения при распределении работ (частей основного проекта) могут одновременно сотрудничать с не-сколькими предприятиями. В покрытии x степени вершин компонент kD будут указывать на число учреждений, сотрудни-чающих с учреждением, соответствующему данной вершине. Учреждения в таком широком сотрудничестве выступает и качестве заказчиков, и в качестве исполнителей заказов. Как известно, чрезмерная загрузка предприятия, преобладающая над его производственными возможностями, сильно ухудшает каче-ство предлагаемых услуг и производимых изделий. Критерий (4) ВЦФ (1) стремиться уменьшить максимальную среди степеней вершин каждой компоненты kD покрытия x , что обосновывает-ся целесообразностью уменьшения количества сотрудничающих учреждений.

Вершины, соответствующие учреждениям и предприятиям, имеющим тесные взаимоотношения, образуют компоненты kD покрытия x . Увеличение количества взаимосвязанных учрежде-ний и предприятий, работающих над одним заказом (частью основного проекта), понижает эффективность выполняемой работы. Число вершин (или ребер, на дереве число вершин отличается от числа ребер ровно на единицу), входящих в ком-поненты kD покрытия x уменьшаются до возможного миниму-ма критерием (5) ВЦФ (1), что позволяет предполагать достиже-ния эффективного сотрудничества между учреждениями, соответствующие вершины которых на предфрактальном графе

LG объединены в компоненты kD покрытия x .

Литература

1. КОЧКАРОВ А.М. Распознавание фрактальных графов. Алгоритмический подход. − Нижний Архыз: РАН САО, 1998.

2. КОЧКАРОВ Р.А. Управление реализацией, формализация и мониторинг целевых программ. Известия ТРТУ. Тематиче-

150

ский выпуск “Перспективные системы и задачи управле-ния”. – Таганрог: ТРТУ, 2006. – 3. – С. 127–132.

3. КОЧКАРОВ Р.А. Целевые программы в современных ры-ночных условиях. Модели экономических систем и инфор-мационные технологии: Сборник научных трудов / Под ред. О.В. Голосова. – М.: Финансовая академия при Пр. РФ, 2005. – Вып. XIV. – С. 82–97.

4. КОЧКАРОВ Р.А., КОЧКАРОВ А.А. Параллельный алго-ритм определения направлений объектов инвестирования. Актуальные проблемы математического моделирования в финансово-экономической области: Сборник научных ста-тей / Отв. ред. И.Н. Дрогобыцкий. – М.: Финансовая акаде-мия при Пр. РФ, 2004. – Вып. 5. – С. 19–27.

151

КОГНИТИВНЫЙ ПОТЕНЦИАЛ И АДЕКВАТНОЕ УПРАВЛЕНИЕ СИСТЕМАМИ СОЦИАЛЬНО-

ЭКОНОМИЧЕСКОЙ ПРИРОДЫ (НА ПРИМЕРЕ ПРЕДПРИЯТИЙ ЧЕРНОЙ МЕТАЛЛУРГИИ)

Клепарский В.Г., Клепарская Е.В. (Институт проблем управления РАН, г. Москва)

В статье представлен метод пассивного эксперимента на примере изучения особенностей использования крупнейшими предприятиями черной металлургии ситуации, сложившейся после дефолта 1998 г., – особенностей, способствовавших появлению новых уровней адекватности управления. Ключевые слова: динамическая система, адекватное управ-ление, зона аттракции

Введение

Умелое использование сложившейся ситуации является не-пременной составляющей целенаправленного процесса эволю-ции систем социально-экономической природы. Сложный про-цесс разработки и осуществления управляющих воздействий, адекватных сложившейся ситуации, направлен при этом на возможно более полное следование притягивающему множеству возможных решений эволюционного уравнения (аттрактора динамической системы в терминах теории управления [2,3]), определяемых потенциалом системы и обстановкой. Решение этой задачи осложняется еще и необходимостью согласованной работы верхних и нижних уровней управленческой иерархии. Теоретические методы оценки достигнутого уровня адекватно-сти управления затруднены нелинейностью и многофакторно-стью эволюционных уравнений системы. Поэтому наиболее приемлемым представляется использование методов пассивного эксперимента, когда адекватность управления может быть опре-

152

делена по данным наблюдения за эволюцией исследуемых сис-тем. В предлагаемой работе метод пассивного эксперимента был использован для изучения особенностей использования круп-нейшими предприятиями черной металлургии ситуации, сло-жившейся после дефолта 1998 г., – особенностей, способство-вавших появлению новых уровней адекватности управления. Выбор в качестве объекта изучения предприятий черной метал-лургии обусловлен важнейшим значением этой отрасли в рос-сийской экономике (четвертое место по объему экспорта после нефтяной и газовой промышленности и цветной металлургии).

1. Постановка задачи

Как схематически показано на рис. 1, начиная с 1992 г. про-изводство черной металлургии России непрерывно уменьша-лось.

303540455055606570

1991 1993 1995 1997 1999 2001 2003Годы

млн

.т. 1

23

Рис. 1. Производство основных видов продукции черной метал-

лургии в России, млн.т. (по данным [4]) 1 – сталь, 2 – готовый прокат, 3 – чугун

Изношенность основных фондов, небольшая загруженность производственных мощностей в условиях отсутствия заказов, а главное – тяжелейшее финансовое положение предприятий при

153

хронических неплатежах – все это вело черную металлургию к дальнейшему упадку. Дефолт 1998 г. оборвал эту разрушитель-ную тенденцию.

В последующие 2 года в черной металлургии наблюдался резкий рост производства, и началось существенное обновление основных фондов. Небольшой период стагнации ( конец 2000 г. – первая половина 2001 г.) сменился новым ростом производства.

Металлургический комплекс – а это примерно 200 крупных компаний, непосредственно занимающихся подготовкой сырья и производством черных металлов – требует для своего развития непрерывного совершенства технологии, квалифицированной рабочей силы, больших капиталовложений. Состояние черной металлургии – только на десяти крупнейших предприятиях отрасли заняты более 300 тыс. человек – в значительной мере определяет социально-экономическое положение целых регио-нов России. Поэтому выявление закономерностей перехода предприятий черной металлургии к новым формам поведения (от спада к росту производства) с использованием основных представлений теории управления имеет не только фундамен-тальное, но и важное прикладное значение.

2. Исходные модельные представления

Для дальнейшего напомним, что предприятие (субъект ры-ночной экономики) может быть определено как самооргани-зующаяся система, расходующая экономические составляющие (капитал, труд, сырье) для изготовления продукции и услуг, которые она продает потребителям и другим фирмам [5]. Под-держание режима динамического равновесия в процессе функ-ционирования предприятии обеспечивается возникновением своеобразного кругооборота ресурсов. Этот кругооборот реали-зуется в виде трех последовательных каскадов осуществления процесса производства:

– производство товарной продукции, при использовании имеющихся ресурсов;

154

– реализационно-маркетинговых действий, позволяющих предприятию сформировать доход;

– использование полученного дохода для восстановления затраченных ресурсов и расширения производства (блок вос-производства израсходованных ресурсов).

В целом последовательно-каскадная структура предприятия обеспечивает поддержание соответствующих потоков матери-альных, трудовых, информационных и иных ресурсов в режиме, обеспечивающем снижение до минимума общих издержек про-изводства

Требуемое для наилучшего использования потенциала предприятия управление “направленным развитием” – в направ-лении снижения затрат на производство, реализацию и воспро-изводство затраченных ресурсов – представляет собой сложный процесс выработки и осуществления адекватных обстановке управляющих воздействий. Решение проблемы становится возможным, поскольку предприятие (как самоорганизующаяся система) выделяет в процессе “направленного развития“ в каче-стве критерия адекватности управления такой хорошо фикси-руемый конечный результат функционирования предприятия как увеличение производства продукции, пользующейся спро-сом, и, соответственно, увеличение объема продаж. Уровень выполнения этой задачи определяет адекватность интегрального управления предприятием.

Теория динамических систем позволяет свести задачу реа-лизации предприятием (саморазвивающейся системой социаль-но-экономической природы) необходимого уровня адекватного управления, во-первых, к проблеме формирования системой и окружающей средой соответствующего конечномерного притя-гивающего многообразия – аттрактора и, во-вторых, к проблеме отслеживания системой – предприятием центральной линии зоны аттракции (см., например, [1]). Профиль зоны аттракции можно получить, пользуясь эргодической гипотезой, по данным наблюдения за изучаемыми достаточно близкими (однотипны-ми) предприятиями как профиль кривой плотности распределе-ния вероятности для роста объема продаж. При этом величина

155

стандартного отклонения σ для кривой плотности распределения может быть принята за характеристику адекватности управления (при сложившейся ситуации) для изучаемой группы предпри-ятий. Кроме того, анализируя изменение положения интере-сующего нас предприятия в пределах зоны аттракции можно провести сравнительную оценку адекватности управления дан-ного конкретного предприятия.

3. Исследование адекватности управления

В качестве объекта исследования нами были выбраны пред-приятия черной металлургии, с использованием данных не только о рейтингах 200 крупнейших компаний России в период 1996, 1999, 2000-2003 гг., ежегодно публикуемых в журнале ‘Эксперт”, но и данных, используемых при составлении указан-ных рейтингов. Это позволило удвоить число исследуемых компаний и тем самым повысить статистическую достоверность полученных результатов. Указанный интервал позволяет не только проследить последствия дефолта 1998 г., но и заметить влияние мировой и внутренней конъюнктуры на особенности формирования зоны аттракции и провести сравнительную оцен-ку адекватности управления на предприятиях металлургии.

В качестве примера полученных результатов на рис. 2 пред-ставлены плотности распределения p(r/s0) ежегодного роста объема реализации r ≡ ln(S1/S0) за 1999, 2000 и 2001 гг. для ряда крупнейших металлургических компаний России. Здесь s0≡lnSo, S1 и S0 – объем продаж в текущем и предыдущем годах, соот-ветственно.

Хорошо заметен характерный для 1999 г. (первый год после дефолта) уверенный рост объема продаж и, соответственно, консолидированное отслеживание ведущими предприятиями черной металлургии центральной линии зоны аттракции. Ре-зультаты исследования показывают, однако, что воспользоваться преимуществами масштабной девальвации рубля, в одночасье превратившей экспорт продукции черной металлургии в высо-кодоходный сегмент российской экономики, смогли, в основ-

156

r=ln(S1/S0)0,01

0,1

1

10

0,01 0,1 1 10 /

p(r/S)1999 2000 2001

1

4

7 123

7 1

2

34

567

ном, лишь самые крупные предприятия, на которых и держался экспорт.

1999 г.: 1 – Нижнетагильский МК, 2 – Западно-Сибирский МК, 3 – Магнитогорский МК, 4 – Оскольский ЭМК, 5 – Выксунский МЗ,

6 – Челябинский МК, 7 – Кузнецкий МК. 2000 г.: 1 – Выксунский МЗ, 2 – Кузнецкий МК, 3 – Челябинский МК,

4 – Нижнетагильский МК, 5 – Магнитогорский МК, 6 – Западно-Сибирский МК, 7 – Оскольский ЭМК.

2001 г.: 1 – Выксунский МЗ, 2 – Нижнетагильский МК, 3 – Кузнецкий МК, 4 – Западносибирский МК, 5 – Челябинский МК,

6 – Оскольский ЭМК, 7 – Магнитогорский МК.

Рис.2. Плотность распределения p(r/s0) ежегодного роста объема реализации r ≡ ln(S1/S0) для группы самых крупных

металлургических компаний России

Так на долю трех гигантов (Северсталь, Магнитогорский и Новолипецкий металлургические комбинаты) приходилось в 1999 г. примерно 55% суммарного российского экспорта и 97% экспорта листового проката. Как результат произошел достаточ-но заметный (как это представлено на рис.3) разрыв в последе-фолтном росте продаж между крупнейшими и относительно “средними“ предприятиями.

157

0,1

1

10

0,1 1r=ln(S1/So)

p(r/

S0) 1999 КП

1999 СП1999 МП

КП – крупнейшие предприятия, СП – “средние” предприятия,

МП – сравнительно “мелкие” предприятия

Рис. 3. Плотность распределения p(r/s0) ежегодного роста объема реализации r≡ ln(S1/S0) для металлургических компаний

России на 1999 г.

Естественно, что при этом уровень использования сложив-шейся ситуации, а значит и уровень адекватности управления для основной массы предприятий металлургии и для крупных предприятий – экспортеров были различными. Это можно заме-тить, анализируя зависимость стандартного отклонения σ(S0) кривой плотности распределения p(r/s0) от объема продаж S0 для исследованных групп предприятий металлургии за 1996, 1999 и 2000 гг. Для взаимного сопоставления кривых σ(S0) полученные средние значения объема реализации S0 пересчиты-вались в доллары США. Пересчет производился по среднему курсу за соответствующий год.

Хорошо заметен происшедший после дефолта 1998 г. раз-рыв в значениях стандартного отклонения σ(S0) для крупных и сравнительно “средних” предприятий. Также было замечено, что этот разрыв, во-первых, несколько уменьшился в 2000 г. и, во-вторых, как это представлено на рис. 4, распространился на более “средние” по объему продаж предприятия.

158

0,01

0,1

1

0,01 0,1 1 10

1996

1999

2000

1999 КП

2000 КП

S0 , млрд. долл.

G(So)

Рис.4. Зависимость стандартного отклонения σ(S0) плотности кривой распределения p(r/s0) для предприятий металлургии

за 1996, 1999 и 2000гг.

4. Обсуждение результатов

При объяснении полученных результатов необходимо учи-тывать особенности приватизации предприятий черной метал-лургии, которая осуществлялась в условиях неполного обеспе-чения их собственными оборотными средствами и в условиях существенного изменения кредитной системы государства. Возникший в результате дефицит финансовых ресурсов (как и отсутствие полноценной реализационно-маркетинговой дея-тельности) препятствовали функционированию блока восста-новления затраченных ресурсов и расширения производства. Высокая процентная ставка (100–200% в 1993–1995 гг.) не спо-собствовала привлечению инвестиций и кредитов в черную металлургию. Спад производства был в этих условиях неизбе-жен. Резко возросшие после дефолта 1998 г. доходы от экспорта дали возможность ведущим предприятиям реализовать самофи-

159

нансирование. Динамика роста заемных и собственных средств предприятий черной металлургии представлена на рис. 5. Как результат, менеджменту ведущих предприятий – экспортеров удалось наладить требуемое рынком функционирование всех трех последовательных каскадов осуществления производства: про-изодство продукции, маркетинг, восстановление ресурсов и рас-ширение производства. В терминах нелинейной динамики (см., например, [2,3]) эту внутреннюю перестройку можно идентифи-цировать как изменение параметров, входящих в уравнения эво-люции предприятия – сложной самоорганизующейся системы.

0

50

100

150

1994 1996 1998 2000 2002 2004

T, годы

Q, м

лрд.

руб

.

2

1

Рис. 5 Динамика изменения объема источников финансирования по предприятиям черной металлургии (по данным [4]). Собст-

венные средства – 1, заемные и привлеченные –2.

Но изменение параметров эволюционного уравнения может привести к резкому изменению типа поведения системы. И действительно, представленные на рис. 6 данные свидетельст-вуют о достаточно резком переходе крупных предприятий на новый уровень адекватности управления с существенно мень-шими значениями стандартного отклонения σ(S0) от централь-ной линии зоны аттракции. В то же время основная масса пред-приятий черной металлургии, лишенная возможности расширенного самофинансирования осталась на прежнем уровне управления.

160

0

0,05

0,1

0,15

0,2

0,25

1995 1996 1997 1998 1999 2000 2001 2002 2003

Годы

G

1

2

Рис. 6 Динамика расхождения значений стандартного отклоне-ния σ(s0) для (1) основной массы предприятий (S0 < 0,5 109 руб)

и для (2) наиболее крупных (S0 > 1,1 109 руб.)

Для объяснения полученных результатов будем предпола-гать, что собственные средства, решившие проблему самофи-нансирования, сыграли роль основного параметра управления в решении проблемы повышения адекватности управления пред-приятиями черной металлургии. Для проверки этого предполо-жения на рис. 7 представлен график σ =f(Q) зависимости значе-ний стандартного отклонения σ от Q – величины собственных средств предприятий черной металлургии. Можно заметить, что при Q≥50 млрд. руб. произошло существенное уменьшение значений стандартного отклонения σ(S0,Q) от центральной линии зоны аттракции, а значит и увеличение адекватности управления для самых крупных предприятий черной металлур-гии, экспортные успехи которых и позволили этим предприяти-ям иметь собственные средства для самофинансирования своего развития. Поскольку группа успешно развивающихся предпри-ятий (с малыми значениями σ стандартного отклонения) вклю-чала в себя 8–10 предприятий, требуемая в 1999 г. для перехода к высоким значениям адекватности управления “критическая

161

масса“ собственных средств на самофинансирование составляла примерно 5–6 млрд. руб. на одно предприятие.

0

0,05

0,1

0,15

0,2

0,25

0 50 100 150

2

1

Q, млрд. руб. Рис. 7. Зависимость стандартного отклонения σ(S0,Q)

от величины собственных средств Q предприятий черной металлургии. Основная масса предприятий – 1, крупнейшие

предприятия – 2.

Проведенные оценки подтверждаются опубликованными в [4] данными. Согласно [4] собственные источники финансиро-вания составляли на 31.12.2002 г. для Магнитогорского МК ≈ 30 млрд. руб., Северсталь ≈ 42 млрд.руб., Новолипецкого МК ≈ 43 млрд. руб. Это позволяло указанным предприятиям получить высокие значения адекватности управления и в 2003 г. В то же время, Нижнетагильскому МК с собственными источниками финансирования в ≈ 4 млрд.руб. потребовалось ≈ 7 млрд.руб. заемных средств, чтобы сохранить свое место в группе высоких значений адекватности управления. Вместе с тем, ход зависимо-сти σ = f(Q) позволяет предположить, что вложение соответст-вующих средств на расширение и модернизацию предприятий (собственные средства Q) не являются единственным управ-ляющим параметром уравнения, определяющего динамику стандартного отклонения σ. Наблюдаемое на рис. 7 разрушение бифуркации типа камертон может иметь место лишь при нали-чии в правой части динамического уравнения (вида dx/dt = –x3 + λx +c) постоянного члена. При этом в 1999 г. – в первый год

162

после дефолта – величина этой постоянной составляющей была существенно больше, чем в последующие годы. Можно предпо-лагать поэтому, что адекватность управления в значительной степени определяется и высокой согласованностью поведения всех уровней управленческой иерархии (когнитивным потен-циалом в терминологии В.И. Максимова).

Литература

1. КЛЕПАРСКИЙ В.Г., КЛЕПАРСКАЯ Е.В. Адекватность управления саморазвивающимися системами социально-экономической природы (на примере предприятий черной металлургии)// Проблемы управления, 2006 (в печати).

2. МАЛИНЕЦКИЙ Г.Г., ПОТАПОВ А.Б. Современные про-блемы нелинейной динамики. / М., Эдиториал УРСС, 2000.

3. НЕЙМАРК Ю.И. Динамические системы и управляемые процессы. / М., “Наука“, 1978.

4. СУХОВЕРХОВА Ж.В. Механизм эффективного управления предприятиями черной металлургии. /М., МАКС Пресс, 2005.

5. GYERT R., MARCH J. A Behavioral Theory of the Firm./ New Jersey, Prentice-Hall, Englewood Cliffs, 1963.

163

МОДЕЛИ ЗАДАЧ ПРИНЯТИЯ РЕШЕНИЙ НА ИЕРАРХИЧЕСКИХ ДИНАМИЧНЫХ

КОГНИТИВНЫХ КАРТАХ ВЗАИМОДЕЙСТВИЯ СЛОЖНЫХ СИСТЕМ1

Горелова Г.В. (Таганрогский государственный радиотехнический

университет, г. Таганрог) gorelova@at.infotecstt.ru

Предложен комплекс взаимосвязанных моделей принятия реше-ний. Комплекс включает иерархические динамические когни-тивные модели, отражающие структуру исследуемой системы и ее поведение, и модели задач принятия решений в условиях неопределенности, позволяющие оценивать возможные послед-ствия принимаемых решений и выбирать наилучшие согласно принятым критериям Ключевые слова: иерархические динамические когнитивные модели, когнитивная карта, задачи принятия решений, кри-териальная (целевая) функция, математическое ожидание полезности, оптимум номинала

Введение

Управление сложными системами в социально-экономической, политической, военной и др. сферах требует предварительно моделирования и оценки результатов принятия управленческих решений для исключения возможных катастро-фических последствий. Разрабатываемые в этих целях интеллек-туальные системы поддержки управленческих решений основы-ваются на моделировании систем и их поведения и должны содержать модели задач принятия решений.

В данной работе предлагается комплекс взаимосвязанных моделей принятия решений. Комплекс включает иерархические

164

динамические когнитивные модели, отражающие структуру исследуемой системы и ее поведение, а также модели задач принятия решений в условиях неопределенности, позволяющие оценивать возможные последствия принимаемых решений и выбирать наилучшие согласно принятым критериям. Необходи-мость создания подобных сложных моделей вызвана сложно-стью слабоструктурированных проблем социальных, экономи-ческих, политических и т.п. объектов, взаимодействующих в изменяющейся внешней среде.

1. Иерархические динамичные когнитивные модели взаимодействия сложных систем

Сложные системы иерархичны по своей природе и их функ-ционирование в условиях различного рода неопределенности и изменений внешней среды требует отражения в моделях свойств иерархичности, динамики, адаптации и других системных свойств количественного описания сложной системы, т.к. многие ее пара-метры и показатели могут быть определены только качественно. Как известно, эти обстоятельства привели к необходимости раз-личать проблемы принятия решений в таких системах как струк-турированные, слабоструктурированные, неструктурированные. Использование в последние годы когнитивного подхода [2, 3, 4] к моделированию слабоструктурированных проблем принятия решений в сложных системах показало свою эффективность, поэтому в данной работе использованы именно методы когнитив-ного моделирования в сочетании с методами принятия решений в условиях неопределенности разного рода [1, 3].

Как известно, наиболее простой когнитивной моделью сис-темы является ее модель в виде когнитивной карты (1) ,G V E= где V – множество концептов; вершины Vi∈V, i =1, 2,…, k явля-ются элементами изучаемой системы;

Е – множество дуг, дуги еij∈E, i,j=1, 2,…,N отражают взаи-мосвязь между вершинами Vi и Vj.

165

Вершины V обозначают чаще всего качественное представ-ление элемента системы (например, качество жизни населения, состояние окружающей среды и др).

В зависимости от цели построения когнитивной модели и степени информированности лица, принимающего решения (ЛПР), на определенном этапе принятия решений, когнитивная модель может быть в различной степени детализирована и иметь не только качественные, но и количественные элементы. При моделировании взаимодействия сложных систем на разных уровнях в работе используются разные типы когнитивных моде-лей, в том числе: векторный функциональный граф, параметри-ческий векторный функциональный граф, и др.

Параметрический векторный функциональный граф: (2) , , ,пФ G X F θ= где X:V→θ, X – множество параметров вершин,

θ – пространство параметров вершин; F=F(X, E) – функционал преобразования дуг, F: E×X×θ→R.

В частном случае F=F(X, E) = f(xi,xj,eij) = wij – весовые коэффици-енты.

Дальнейшим усложнением модели является модифициро-ванный МФ-граф, в котором для отражения происходящих в системе изменений под воздействием всевозможных возмуще-ний, в модель вводится время.

Вершины когнитивных моделей могут разворачиваться в самостоятельные когнитивные карты, которые представляют более подробную характеристику системы (блоков или фрагмен-тов объекта). Когнитивная карта может быть представлена также в виде нечеткого (расплывчатого) графа.

Но когнитивные модели представленных типов не отражают иерархические особенности сложных систем, поэтому предла-гаются модели (рис. 1), в общем случае имеющие вид (3) 1, ,k k kIG G G E+= , ( ) ( ),k k

k i ijG v e=

где Gk, Gk+1 – когнитивные карты на уровнях k, k ≥ 2, Ek = еk,k+1 – множество дуг между уровнями k, еk,k+1 – отношения между вершинами разных уровней;

166

vi(k) – множество вершин k-го уровня,

еij(k) – дуги, отражающие отношения между вершинами од-

ного уровня.

Рис. 1. Иерархическая когнитивная карта

Иерархические когнитивные карты отображают структуру объекта в виде взаимосвязей различных элементов на всех k уровнях и между ними. Количество иерархических уровней может определяться существующей системой управления объек-том.

Если взаимодействуют две системы А и В, то предполагает-ся, что объекты имеют собственные (может быть, подобные) иерархические когнитивные карты IGA, IGВ. В этом случае модель общей системы имеет вид (4) ( 1) ( 1), , , , , , , ,AB Ak A k Ak Bk B k Bk A BIGG G G E G G E R IG IG R+ += =

где R – взаимодействие (противостояние) сторон. Усложняя задачу, можно представить несколько взаимодей-

ствующих объектов, функционирующих в определенной окру-жающей среде Ω. Следует рассмотреть возможные формы их взаимодействия. Стороны могут находиться в отношениях со-трудничества (кооперации, коалиции) или противоборства (кон-куренции).

V(0)

V(k)

V(1)

167

В случае взаимодействия N сторон общая модель представ-ляет собою систему иерархических когнитивных моделей (5) ,N jkIGG IG R= , где ( 1), ,jk jk j k jkIG G G E+=

В зависимости от информации об изменениях состояний j сторон и состояния окружающей среды, а также результатов предварительных исследований на моделях могут применяться когнитивные карты с перестраиваемой структурой, которые назовем иерархическими динамичными когнитивными моделя-ми. При этом предусматривается возможность изменения всех составляющих модели: число, характер, параметры вершин и дуг, функционалы преобразования дуг, весовые коэффициенты и др. с учетом времени.

Модель иерархической динамичной когнитивной модели имеет вид (6) ( ) ( ) ( ) ( ) ( )( ) ( ) ( )

( 1)St , St , St , , , ,k k kДпj jk j k jk j j j stIMФ G G E F St X St t Rθ+=

где G(St) – когнитивные карты с перестраиваемой структурой St в зависимости от влияния внешней среды,

X(St) – изменяющиеся параметры вершин когнитивной кар-ты,

F(St) – изменяющиеся функциональные связи между вер-шинами,

θ – пространство параметров вершин, t – время, Rst – правила изменения структур. Возможны различные постановки задач принятия решений в

зависимости от того, какой случай рассматривается (один объект или несколько, учитываются или нет изменения когнитивной каты по ходу исследований и каков характер взаимодействия).

2. Модели задач принятия решений в условиях неоп-ределенности. Правила выбора

Проблемы принятия решений можно рассматривать с двух позиций, как проблемы принятия управленческих и организаци-

168

онных решений, так и как проблемы, связанные с моделирова-нием систем и принятием решений на основании моделирова-ния.

Для моделирования принятия решений необходимо выявить проблемную ситуацию. Характерные особенности проблемной ситуации можно представить множеством (7) , , , ,PS D A Y U P= , где D – субъект, ЛПР (decisive), у которого есть цель (внутрен-няя или заданная извне);

A = αi, i = 1,…,m – множество способов (альтернатив, стратегий) достижения цели (не менее двух: m ≥ 2);

Y = yij – множество результатов, соответствующих стра-тегиям αi, (не менее двух: m ≥ 2); множество

U = uij, uij – полезности результатов стратегий αi (не менее двух: m ≥ 2);

Р – пространство вероятностей Р = Р(yij) достижения ре-зультатов (может быть не известно).

Правила принятия решений зависят от условий неопреде-ленности и степени информированности о них ЛПР.

При формализации процесса принятия решения необходимо получить выражение (критерий функционирования, критерий или показатель эффективности, целевую или критериальную функцию К, функцию цели и др.), в котором учтены все призна-ки проблемной ситуации, описанной выше, и в котором цель связана со средствами ее достижения. В общем случае критери-альная (целевая) функция может быть представлена (а) в терми-нах проблемной ситуации или (b) в терминах кибернетической модели (8) ( ) ( ) ( ) ( ), , , , ,a K k a U Y b K k X Z Y= = , где α – средства достижения цели,

Y – значения показателей достижения цели, U – полезность результатов, Х – средства достижения цели (управляющие воздействия,

управления), Z – измеряемые воздействия среды,

169

Y – результаты управления (принятия решений Х), k – функция (функционал) связи обозначенных переменных. Представление задачи (7) позволяет затем применять фор-

мализованные методы анализа проблемной ситуации либо ана-литически, либо численным методом.

Построение целевой функции зависит от типа задачи приня-тия решений. Тип задачи определяется информационной ситуа-цией. Выделяют три типа задач принятия решений в зависимо-сти от степени информированности ЛПР:

– детерминированные задачи принятия решений (задачи, в которых ЛПР однозначно знает, какой получит результат при выборе каждой стратегии) – соответствуют хорошо структури-рованным проблемам,

– вероятностные задачи принятия решений, или задачи с риском, или «игры с природой», или задачи в условиях неопре-деленности первого рода (задачи, в которых ЛПР знает вероят-ность Р, с какой получит некоторый результат при выборе каж-дой стратегии) – соответствуют слабоструктурированным проблемам,

– задачи принятия решений в условиях неопределенности второго рода (например, задачи теории игр, в которых ЛПР не знает, с какой вероятностью получит результат при выборе своей стратегии, но знает свои выигрыши – полезности и воз-можные стратегии своего противника (конкурента) с соответст-вующими им его потерями; в отличие от «природы» противник действует сознательно) – соответствуют слабоструктурирован-ным и неструктурированным проблемам.

В общем случае модель задачи принятия решений в терми-нах проблемной ситуации является множеством (9) , , , , i IR D A Y U pr∈= , где pri∈I – предпочтения, заданные на множестве стратегий А = αi, i ∈I = 1,2,…,m. Для вероятностных задач вместо Y учи-тывается вероятность P(y).

Тип задачи определяет правила принятия решений. Так, мо-дель (8) может иметь форму задачи оптимизации, для решения

170

которой используются методы математического программиро-вания. Кроме того, в теории принятия решений распространены модели в виде «платежной матрицы», которые чаще всего ока-зываются более удобными при анализе возможных управленче-ских решений в сложных системах.

Выбор лучшей стратегии чаще всего осуществляется со-гласно «принципу рациональности» – определению mах К, min K, или max min K.

В задачах принятия решений на иерархических динамичных когнитивных картах предлагается чаще всего использовать «принцип рациональности» в форме критерия для вероятност-ных задач принятия решений – критерия максимизации матема-тического ожидания полезности (Бернулли, Сэвидж, Дж. фон Нейман и О. Моргенштерн):

(10) ( ) ( ) ( )1

max , max ,n

oai ai i j i j

jU M U a P a U aθ θ θ

=

⎧ ⎫= =⎡ ⎤ ⎨ ⎬⎣ ⎦

⎩ ⎭∑ , i=1,2,…,m)

а также в форме, предложенной Д.В. Свечарником (задача об оптимуме номинала) и развитой его учениками: (11) ( ) ( ) ( )max , ... , ,o

ai h hs

U F M t C Y f Y M t dcdYdt= = ∫∫ ∫

(12) ( ), , 1,2,...,hM f X t h k= = , где F(Мh,t) – функция эффективности оптимума номинала от параметров Мh распределения случайных величин Y и времени t;

f(Y,Mh,t) – плотность распределения Y, С(Y) – полезность областей S значений Y. Выражение (11) является формулой определения математи-

ческого ожидания полезности, (12) – ограничения на целевую функцию f в виде зависимости параметров Мh (моментов) рас-пределения целевых показателей Y от управляющих (или воз-мущающих) факторов Х; на параметры X и Y могут быть нало-жены ограничения Хдоп и Yдоп. Выражения (8) – (12) являются моделью принятия решений в условиях вероятностной неопре-деленности.

171

Заключение

Для проведения когнитивных исследований сложных сис-тем на отдельных когнитивных моделях разработана подробная методология, соответствующая ей программная система ПСКМ и имеются практические приложения для различных социально-экономических объектов [2, 3, 4]. В докладе кратко представле-ны возможности дальнейшего теоретического развития методо-логии когнитивных исследований. Имеется ряд практических работ (В.А. Верба, Е.Н. Захарова, Э.В. Мельник, С.А. Радченко), в которых реализованы предложенные выше модели.

Литература

1. ГОРЕЛОВА Г.В., СВЕЧАРНИК Д.В., ЗДОР В.В. Метод оптимума номинала и его применения. М.: Изд-во «Энер-гия», 1970.

2. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., ГИНИС Л.А. Когни-тивный анализ и моделирование устойчивого развития со-циально-экономических систем. – Ростов н/Дону: Изд-во РГУ, 2005.

3. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., РАДЧЕНКО С.Н. Ис-следование слабоструктурированных проблем социально-экономических систем: когнитивный подход. – Ростов н/Дону: Изд-во РГУ, 2006.

4. ГОРЕЛОВА Г.В., МЕЛЬНИК Э.В. Моделирование сложных систем динамичными когнитивными картами, адаптируе-мыми к быстрым изменениям внешней среды. / Материалы Межд. научно-техн. конф. ИИИМС’2006.– Таганрог: Изд-во ТРТУ, 2006.– ТI. – С.36–41.

172

СТРУКТУРНЫЙ АНАЛИЗ КОГНИТИВНЫХ МОДЕЛЕЙ СЛОЖНЫХ СИСТЕМ1

Горелова Г.В., Захарова Е.Н. (Таганрогский государственный радиотехнический

университет, г. Таганрог, Адыгейский государственный университет, г. Майкоп)

gorelova@at.infotecstt.ru, zaharova@maykop.ru

Существует множество подходов и направлений математиче-ских исследований структурных свойств сложных систем. Полиэдральный анализ позволяет раскрыть многомерную геометрию сложных систем, проследить влияние различных локальных изменений на структуру системы в целом, остано-вить внимание именно на структурных особенностях системы, что не выявляется при других подходах. Использование этого метода для анализа структурно-сложных систем позволяет по другому подойти к самому определению понятия «сложность», более глубоко вскрыть роль отдельных элементов и их влияние на остальные элементы системы. Ключевые слова: слабоструктурированные проблемы, когни-тивные карты и модели, теория графов, симплициальные структуры, полиэдральный анализ

Введение

Слабоструктурированные проблемы принятия решений в сложных системах, таких как, например, социально-экономические, для исследования и разрешения требуют приме-нения специальных методов моделирования. К таким методам последнее десятилетие относятся активно разрабатываемые

1 Работа выполнена в рамках проекта 05-02-02199а Российского научного гуманитарного фонда в 2005-2006 гг.

173

методы когнитивного анализа, позволяющие единой схемой в виде графа описать качественные и количественные элементы системы и связи между элементами. Полученная в результате когнитивной структуризации знаний экспертов модель далее служит инструментом исследования поведения сложной систе-мы, а также различных структурных свойств системы.

В настоящее время структурный анализ является одним из важнейших этапов исследования сложных систем. Это вызвано тем, что с усложнением структуры самих систем возрастают требования к результатам анализа, влияющим на организацию взаимодействия подсистем системы, на повышение качества управленческих решений. Изучение структуры важно для выяв-ления закономерностей существования и развития систем; для выявления таких особенностей и недостатков исследуемых структур, которые требуют повышенного внимания не только исследователя, но и лица, принимающего решения (ЛПР). На этапе структурного анализа формируется первоначальное пред-ставление исследователя (эксперта, ЛПР) об изучаемой системе, которое влияет на определение и объяснение многих характери-стик систем. Важнейшими среди них являются структурная устойчивость и сложность организации системы, значимость ее элементов, слабые места системы.

В настоящее время существует множество подходов и направ-лений математических исследований структурных свойств слож-ных систем, таких, как теория графов, кластерный анализ, модели-рование систем в пространстве состояний, позволяющих проводить исследование различных аспектов структурных свойств сложных систем, проблемы которых слабо структурированы.

Хорошо развитая теория и практика применения графов да-ет возможность представить структуру сложного объекта как единого целого, выявлять различные характеристики системы, исследовать потоки в графах типа «сеть», решая задачи оптими-зации сетей, задачи синтеза сетей с заданными качествами. Использование теории графов не накладывает жестких требова-ний к исходной информации при исследовании системы, позво-

174

ляя работать как с количественными, так и качественными данными.

Понятие связности и сложности системы взаимосвязаны. Сложность системы – понятие неоднозначное, точное определе-ние его считается дать невозможным. Оно включает такие ин-туитивные факты, как большое количество элементов и подсис-тем, большое количество связей и взаимовлияний между ними, невозможность предсказания поведения сложной системы без специального анализа и вычислений. Поэтому обычно указыва-ют некоторые основные компоненты, которые присутствуют в любой математической теории сложности и которые предлага-ются как меры сложности. Рассматривают:

– структурную сложность (включает понятия иерархии, схем связности, многообразия, уровни взаимодействия);

– динамическую сложность (случайность и детерминизм, разные шкалы времени для различных частей процесса);

– вычислительную сложность (многоаспектная проблема, в частности, длина алгоритмов);

– эволюционную сложность (если система может увеличи-вать контакт с окружающей средой);

– внутреннюю и внешнюю сложность и др. На уровне личных или социально-экономических проблем

сложность тесно связана с возможностью или невозможностью рационального выбора решений человеком. В связи с этим сложность отражает тип неопределенности, не поддающийся обработке вероятностными методами. Когнитивные карты по-зволяют исследовать некоторые аспекты структурной сложно-сти, которые определены связностью систем. Кроме того, когни-тивные модели в определенной степени дают возможность анализировать динамическую сложность. На все эти исследова-ния накладываются проблемы вычислительной сложности, которые в настоящее время преодолеваются созданием инфор-мационных систем поддержки управленческих решений.

Анализ связности системы в конечном итоге направлен на выявление существенных, функционально-значимых связей системы. Теория графов дает возможность определить числа

175

связности, разреза графа, выделить подграфы, частичные графы и т.п., т.е. дают возможность взглянуть на систему с какой-либо одной стороны. Поэтому возникает проблема исследования структуры системы как на глобальном уровне, с позиций струк-туры, как единого целого, так и на локальных уровнях с позиций отдельных подсистем и элементов. Для этих целей представля-ется полезным применять аппарат алгебраической топологии, теории групп, теории множеств и бинарных отношений, позво-ляющий проводить анализ структуры как сложного многомерно-го геометрического образования – симплициального комплекса. Это возможно при минимальной априорной информации отно-сительно исследуемых объектов и явлений.

Основы топологического исследования сложных систем на основе изучения их структурных свойств были заложены в 60-70-е годы прошлого столетия. В настоящее время показана эффективность использования симплициальных комплексов для моделирования свойств связности различных сетей взаимодей-ствующих элементов (подсистем, сущностей и т.п.), таких, как коммуникации, трафики, биологические сети, сети распределен-ных алгоритмов. Обычное статическое представление таких сетей использует теорию графов. Доказано, что симплициальные комплексы весьма полезны при исследованиях динамических процессов в сетях. Анализ симплициальных структур носит название «полиэдрального анализа» или q-анализа.

Полиэдральный анализ когнитивных моделей слож-ных систем

Математические основы полиэдрального анализа были за-ложены К. Дроукером (C. Droucer), а дальнейшее развитие анализ получил в работах британского физика Р.Эткина (R.H. Atkin) [3]. Им был разработан первый инструмент, симплици-ального анализа, названный q-анализом. Р. Эткин моделировал социальные сети при симплициальном представлении высоко-связной субсети. Затем он изучил симплициальный комплекс, любая пара которого связана цепью симплексов. Все эти работы

176

послужили началом исследования сложности структур систем методом q-анализа или полиэдральной динамики. Несмотря на то, что приложение q-анализа к исследованию социальных, биологических, экономическим и др. сложным системам показа-ло свою эффективность, публикаций в этом направлении не так много (из ранних – это работы Р. Эткина, Дж. Касти, С. Сейдмана, Дж. Джонсона, К. Эрла, П. Гоулда, Х. Кауклклиса, С. Макгилла, А. Куллена, Х. Гриффита, Г. Барселло, Х. Крамера, Р. Аксельрода, Р. Лаубенбахера). В нашей стране последние годы также начал наблюдаться интерес к применению методов топологии в изучении структур сложных систем (например, В.Б. Мнухин, О.Ю. Кашаев).

Методика анализа связности позволяет судить о связности системы более глубоко, нежели традиционные исследования связности графа, поскольку при этом устанавливается наличие взаимовлияния симплициальных блоков системы через цепочку связей между ними. На основании таких возможностей предла-гаются формализованные правила обоснования выбора целевых и управляющих вершин, определение устойчивости систем, характеризуемых теми или иными симплициальными комплек-сами, условия структурной устойчивости систем. Определение числа симплексов и их структуры, анализ q-связности системы позволяют выдвигать обоснования для решения задач декомпо-зиции и композиции изучаемой социально-экономической сис-темы, выявлять симплексы, более всего влияющие на процессы в системе и образующие вершины которых рациональнее выби-рать в качестве управляющих.

Q-анализ позволяет раскрыть многомерную геометрию сложных систем, проследить влияние различных локальных изменений на структуру системы в целом, остановить внимание именно на структурных особенностях системы, что не выявляет-ся при других подходах. Использование этого метода для анали-за структурно-сложных систем позволяет по другому подойти к самому определению понятия «сложность», более глубоко вскрыть роль отдельных элементов и их влияние на остальные элементы системы.

177

В полиэдральном анализе система рассматривается в виде отношения между элементами конечных множеств – множества вершин V и заданного семейства непустых подмножеств этих вершин – симплексов σ. Множества вершин и соответствующих им симплексов образуют симплициальные комплексы K. Для их построения используется структура системы, заданная в виде графа G = <V, E >, V = vi, vi, E = eij, i,j = 1,2,…k. Структура системы служит основанием для геометрического и алгебраиче-ского ее представления, как симплициального комплекса. Любое отношение λ в системе представляется таким образом, что множество элементов, относимых к конкретному элементу vi (вершине, концепту графа), трактуется как симплекс σ(i), а их совокупность образует симплициальный комплекс К.

Итак, симплициальный комплекс состоит из множества вершин vi и множества σ(i) непустых конечных подмно-жеств множества vi, называемых симплексами, таких, что любое множество, состоящее ровно из одной вершины, являет-ся симплексом; любое непустое подмножество симплекса явля-ется симплексом, а также пустое множество симплексов является симплициальным комплексом.

Таким образом, симплициальный комплекс получается путем разбиения некоторого пространства Х на пересекающиеся под-множества. Пространство, допускающее такое разбиение, называ-ется полиэдром, а процесс его разбиения – триангуляцией.

Для корректного осуществления перехода от структуры системы G к ее симплициальному представлению K, что являет-ся ключевым моментом в полиэдральном (симплициальном) анализе, эксперту (исследователю, аналитику) необходимо задать множество вершин V симплициального комплекса V = X, Y и определить некоторое отношение или правило, согласно которому исходное множество вершин будет разбито на множе-ство непустых пересекающихся подмножеств – симплексов. Формальный переход от структуры системы, заданной в форме графовой модели, к ее модели в виде симплициального комплек-са не составляет труда. Но на исследователя (когнитолога) ло-жится ответственность за четкое представление целей модели-

178

рования, умение правильно выделять свойства, характеристики системы, необходимые для создания достоверной симплициаль-ной модели. Природа и характер связей между элементами структуры задают набор отношений λ, в которых эти элементы могут участвовать. Выбор того или иного типа отношений меж-ду элементами диктуется целями моделирования и от достовер-ности задания этих отношений зависит, в том числе, более про-стая и правильная интерпретация получаемых результатов симплициального моделирования.

Рассмотрим основные понятия и определения, связанные с симплициальными комплексами.

Пусть построена когнитивная карта некоторой сложной системы в виде ориентированного графа G = <V, E>, матрица смежности которого АG= [aij]. Если для конкретных целей поли-эдрального анализа сложной системы достаточно изучения отношений в модели G, т.е. набор (матрица АG) отношений aij можно считать соответствующим набору отношений λij, интере-сующих исследователя, то структура модели Λ, исследуемой методом полиэдрального анализа, задается тем же графом G и ∀ λij = аij, АG = ΛG = [λij].

Граф отражает непосредственное влияние переменных xi на yj в соответствующих вершинах матрицы Λ, взаимодействие между элементами (подсистемами) xi и yj будет определяться недиагональными элементами матрицы. Поэтому анализ связно-сти структуры должен сосредотачиваться на изучении степени заполненности матрицы Λ и значимости ее элементов. С этих позиций понятие связности системы является алгебраическим понятием, хотя для понимания связности структуры необходимо привлекать не только алгебру, но и топологию. В системе S существуют более глубокие структурные связи, которые можно вскрыть, анализируя отношение

Λ = [λij], которое с геометрической точки зрения есть сим-плициальный комплекс.

Симплекс обозначим δ(i)q, где i – номер вершины, а q – гео-

метрическая размерность симплекса. Число q определяется

179

числом дуг, соединяющих вершины yj в симплексе через пере-менную xi. Число q (число дуг, инцидентных уj) на единицу меньше числа единиц («1») в соответствующей i-строке матрицы Λ. Если в строке матрицы Λ отсутствуют 1, то размерность «пустого» симплекса обозначим: q = 0–1= –1. Перейдем еще к одному отношению, порождаемому Λ, к сопряженному отноше-нию Λ*. Отношение Λ* существует между yj и xi тогда и только тогда, когда между xi и yj существует отношение Λ. В результате получаем симплициальный комплекс Ky(X,λ*), в котором: X – множество вершин, а Y – множество симплексов. Иногда ком-плекс Ky(X,λ*) может быть более содержательным, чем Kx(Y,λ).

Симплициальный комплекс является математическим обобщением планарного графа, который отражает многомерную природу рассматриваемого бинарного отношения. Поскольку симплициальный комплекс – это семейство симплексов, соеди-ненных посредством общих граней (в том числе, общей верши-ной – точкой), то характеристикой связности может служить размерность грани, общей двум симплексам. Но поскольку существует комплекс как целое, то для анализа связности ис-пользуется понятие «цепь связи».

Цепь связи отражает возможность того, что два симплекса, непосредственно не имея общей грани, могут быть связаны при помощи последовательности промежуточных симплексов.

Понятие цепи связи – q-связность – формулируется сле-дующим образом:

два симплекса σr и σp (r, p – геометрические размерности q

соответствующих симплексов) комплекса К соединены цепью q-связи, если существует последовательность симплексов σα q, q = 1,2,…,n в К такая, что

σα q – грань σr, σα n – грань σp, σα q и σα q+1 обладают общей гранью размерностью β для q

=1,2,…, n–1; q = minr, β1 , β2,… βn, p.

180

Q-связность порождает отношение эквивалентности на сим-

плексах комплекса К, поэтому задача изучения глобальной структуры связности комплекса К сводится к изучению q-классов эквивалентности. Для каждого значения размерности q = 0,1,2,…, dim К можно определить число различных классов эквивалентности Qq. Существует определение:

Q-анализом симплициального комплекса К называется опе-рация определения числа его различных классов эквивалентно-сти, а вектор Q=Qdim K, …, Q1,Q0 – первым структурным вектором комплекса.

Если два симплекса в К связаны, то они также q–1, q–2, 0 – связаны в комплексе К. Q0 дает число несвязных компонент К. Комплекс можно рассматривать как множество многомерных трубок симплексов, а компоненты вектора Q – как число трубок каждой размерности в К. Т.е. комплекс в целом разбит на Qq дизъюнктных (несвязных) блоков (заметим, что число Q0 иден-тично применяемому в топологии нульмерному числу Бетти; другие Qq, q ≥ 1 не совпадают с q-мерными числами Бетти).

Таким образом, информация, содержащаяся в векторе Q, отражает в определенной степени глобальную структуру ком-плекса К. Для того, чтобы два симплекса σi и σj принадлежали одной q-связной компоненте комплекса К, необходимо наличие связывающей σi и σj цепи промежуточных симплексов, такой, чтобы низшее по размерности звено имело размерность боль-шую или равную q.

Схема связности определяет связь между устойчивостью графа (когнитивной карты) и его топологической структурой.

Схема связности может определять материальные потоки, финансовые потоки, потоки передачи информации и т.п. в структуре сложной системы и ограничивает воздействия, кото-рые может оказать одна часть системы на другую. Это систем-ное понятие сложности, которое выявляет тот аспект сложности, меру которого можно найти, используя вышеизложенные топо-логические идеи о q-связности систем.

181

Для проведения полиэдрального анализа были разработаны алгоритмы и соответствующее программное обеспечение [1, 2]. С их помощью были проведены исследования, позволившие связать топологические свойства системы с ее устойчивостью и характером импульсных процессов. В таблице 1 приведен фраг-мент результатов таких исследований.

Заключение

Полученные результаты позволили выявить определенные закономерности и сформулировать ряд утверждений о связи структуры когнитивной карты с характером порождаемых на ней импульсных процессов и устойчивостью системы. Эти сведения позволяют перейти от задачи анализа когнитивных структур к синтезу структур с заданными свойствами.

Таблица 1. Простые симплициальные структуры и характер импульсных процессов

Когнитивная структура

Симплициаль-ный комплекс

Импульсный процесс

Струк-турный вектор

Треугольник – устойчивый цикл АG =

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡−

010001100

3

2

1

VVV

Kx(Y,λ)=δ(1)0,δ (2)

0,δ (1) 0 σ (х1) =y3; (–)σ (х2) = (–) y1; σ (х3) = y2; имеет один (–)σ(х2) симплекс

q1= +1; q2= +1

процесс устойчив

Qx= 1, r = 0; Q0=1 y1,y2,y3; комплекс несвяз-ный

182

продолжение табл. 1 Треугольник –неустойчивый цикл АG =

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

010001100

3

2

1

VVV

Kx(Y,λ)=δ(1)0,δ (2)

0,δ (1) 0 σ (х1) =y3; σ (х2) = y1; σ (х3) = y2

q1= +1

процесс неустойчив

Qx= 1, r = 0; Q0=1 y1,y2,y3; комплекс несвяз-ный

«Песочные часы» – устойчивый цикл АG=

⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢

⎣

⎡ −

0010110000010001000000010

5

4

3

2

1

VVVVV

Kx(Y,λ)=δ(1)0,δ (2)

0,δ (3)

0 ,δ (4)0 ,δ (5)

1; (–)σ (х1) = (–)y2; σ (х2) = y5; σ (х3) = y4; σ (х4) = y5; σ (х5) = y1; имеет один (–)σ(х1) симплекс

q1= +1, q5 = +1

процесс устойчив

Qx= 1 1, r = 1; Q1=1, y1, y3, r = 0; Q0 =4, y1,y3, y2,y5, y4; комплекс связный

«Песочные часы» – неустойчивый цикл, AG =

⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢

⎣

⎡

−

−

0010110000010001000000010

5

4

3

2

1

VVVVV

через вершины

Kx(Y,λ)=δ(1)0,δ (2)

0, δ (3)

0 ,δ (4)0 ,δ (5)

1; (–)σ (х1) = (–)y2; σ (х2) = y5; (–)σ (х3) = (–)y4; σ (х4) = y5; σ (х5) = y1; имеет два (–)σ(х) симплекса

q1= +1

процесс неустойчив

Qx= 1 1, r = 1; Q1=1, y1, y3, r = 0; Q0 = 1, y1, y3,y2, y4, y5; комплекс связный

183

продолжение табл. 1 «Два тре-угольника» – неустойчивый цикл, AG =

1

2

3

4

0 1 0 00 0 0 10 1 0 01 0 1 0

VVVV

⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦

через грань

Kx(Y,λ)=δ(1)0,δ (2)

0, δ (3)

0 ,δ (4)1;

σ (х1) = y2; σ (х2) = y4; σ (х3) = y2; σ (х4) = y2 , y3;

q1 = +1

процесс неустойчив

Qx= 1 1,r = 1, Q1= 1, y2,y3, r = 0; Q0=2, y2,y3, y4; комплекс связный

«Конверт» AG =

⎥⎥⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢⎢⎢

⎣

⎡

0000110001110001010000010

5

4

3

2

1

VVVVV

вершины и грани

Kx(Y,λ)=δ(1)0,δ (2)

1, δ (3)

1 ,δ (4)1 ,δ (5)

0; σ (х1) = y2; σ (х2) = y3, y5; σ (х3) = y4, y5; σ (х4) = y1, y5; σ (х5) = y1

q5= –2

Процесс неустойчив

Qx= 3 1,r = 1; Q1=3, y3, y5, y4,y5, y1, y5, r = 0; Q0 =1, все; комплекс несвяз-ный

184

Литература

1. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., ГИНИС Л.А. Когни-тивный анализ и моделирование устойчивого развития со-циально-экономических систем. – Ростов н/Дону: Изд-во РГУ, 2005

2. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., РАДЧЕНКО С.Н. Ис-следование слабоструктурированных проблем социально-экономических систем: когнитивный подход. – Ростов н/Дону: Изд-во РГУ, 2006.

3. ATKIN R., CASTI J., Polyhedral Dynamics and the Geometry of Systems, RR-77-6. International Institute for Applied Systems Analysis, Laxenburg, Austria, March, 1977.

185

ПОЗИЦИОННЫЕ ИГРЫ НА ВЗАИМОДЕЙСТВУЮЩИХ КОГНИТИВНЫХ МОДЕЛЯХ1

Горелова И.С. (Таганрогский государственный радиотехнический

университет, г. Таганрог) gorelova@at.infotecstt.ru

Представлен когнитивный подход к построению моделей и математических методов, предназначенных для планирования стратегических действий по управлению сложными объектами разной природы в условиях конкуренции (противодействия) с другим объектом, для прогнозирования хода и исхода действий и оценки последствий принятия управленческих решений про-тиводействующими объектами. Ключевые слова: когнитивные карты и модели, функцио-нальный параметрический орграф, модель позиционной игры, импульсный процесс, возмущающие воздействия

Введение

В настоящее время продолжает существовать проблема раз-работки и практической эксплуатации системы моделей и мате-матических методов, предназначенных для планирования стра-тегических действий по управлению сложными объектами разной природы в условиях конкуренции (противодействия) с другим объектом, для прогнозирования хода и исхода действий и оценки последствий принятия управленческих решений про-тиводействующими объектами.

1 Работа выполнена в рамках проекта 05-02-02199а Российского научного гуманитарного фонда в 2005-2006 гг.

186

Одним из подходов к решению этой проблемы может быть когнитивный подход [3,4], позволяющий объединять различные модели и методы принятия решений в условиях различного рода неопределенности и неполноты информации, что свойственно слабоструктурированным проблемам принятия решений в слож-ных системах.

Предлагается конструировать модели прогнозирования раз-вития ситуаций и принятия управленческих решений с исполь-зованием когнитивных информационных технологий [1,2,3,4] и моделей позиционных игр [5].

Модель позиционной игры на взаимодействующих когнитивных моделях

Рассмотрим два конфликтующих сложных объекта I1 и I2. Пусть модель каждого объекта задана когнитивной моделью

в виде параметрического функционального орграфа (1) , , ,пФ V E X F= ,

в котором <V,E>= G – когнитивная карта (знаковый ориентиро-ванный граф), V=vi | vi∈V, i=1, 2,.,k – множество вершин гра-фа, являющихся элементами объекта; E=ei | ei∈E, i=1,2,.,k – множество дуг, отражающих взаимосвязь между вершинами Vi и Vj, Х – множество параметров вершин, F – функционалы преоб-разования дуг.

Соответственно, для I1 и I2 имеем модели Фп1 и Фп2. Пусть во внешнюю вершину (несколько вершин) когнитив-

ной модели Фп поступают возмущения Q2, инициированные действиями второго объекта I2. Реакция I1 на действия Q2 вызы-вает ответный шаг Q1 и т.д. Действия сторон и исходы этих действий можно представить в виде модели позиционной игры – дерева игры [4]. Каждое возмущающее воздействие Q (импульс) порождает в системах Фп1 и Фп2 импульсные процессы (2) , ,пИП Ф Q PR= где Фп – функциональный параметрический орграф, Q = Q(tn) – последовательность возмущающих воздействий, PR – правило

187

изменения параметров Х = xi вершин Vj. Например, в n-й момент времени [3]

(3) ( ) ( ) ( ) ( ) ( )1

, 1

1 , , 1k

i i i j ij j ii j

x n x n f x x e P n Q n−

=

+ = + + +∑

где ( ), ,i j ijF f x x e= – функционал преобразования дуг, Рj(n) –

изменение в вершине Vj в момент времени n. Модель позиционной игры в общем случае можно задать в

виде: (4) , , , , ,Pr , ,Г iГ I A F U B nθ= где I = 1,2,…,i,…,N – множество игроков, A = αi – множест-во стратегий игроков, θ – множество состояний конкурентной среды, FГ = FГ(A, θ) – множество исходов игры, множество U – полезность исходов игры, Pri – правило предпочтений, В – пра-вила игры, n – такт моделирования (шаг, ход игры). Правила В развития игры формируются в процессе развития импульсных процессов, могут оставаться некоторое время постоянными.

В общем виде модель процессов взаимодействия двух про-тивостоящих сторон можно представить следующим образом (5) 1 2 1 2, , , ,п пФГ Ф Ф Г ИП ИП=

Геометрически модель (5) может быть изображена как две (несколько) когнитивных карт, соединяемых в вершинах деревь-ями игры. В целом получается сложная структура, меняющая свою конфигурацию на разных тактах моделирования.

Пусть объекты I1 и I2 представлены простыми когнитивными картами G1 и G2 типа «устойчивый треугольник» (согласно теоре-мам о структурно устойчивых системах, представленных графа-ми, рассматриваемый «треугольник» устойчив, т.к. содержит нечетное число отрицательных дуг – отрицательная дуга обозна-чена пунктиром). На рис. 1,2 представлены некоторые результаты вычислительного эксперимента для одной из сторон – импульсно-го моделирования (3) путем внесения возмущений Q = qi.

188

Рис. 1. Структура «Треугольник» G1

q1=+1

q1=+1; q3=+1

q1=+1; q2=+1; q3=+1

q1=+1; q2=+1

Рис. 2. Импульсные процессы на структуре «Треугольник» G1

1 2 3V V V 1

1 2

3

0 1 10 0 00 1 0

G

VR V

V

⎡ ⎤⎢ ⎥= ⎢ ⎥⎢ ⎥⎣ ⎦

189

Вычислительный эксперимент проведен с помощью про-граммной системы когнитивного моделирования ПС КМ [4].

Как видно на рис. 1,2, импульсные процессы для отдельного объекта представляют собою устойчивые колебания при различ-ных сочетаниях возмущающих воздействий q.

Объединим структуры взаимодействием в вершине V5, в ко-торой будет разворачиваться позиционная игра Г, например, в форме, изображенной на рис. 3.

Исходы 2 Шаг 2, объект I2 Исходы 1 Шаг 1, объект I1

Рис. 3. Модель позиционной игры

Каждый исход – это возмущение, вносимое в когнитивную карту противоположной стороны. Пусть при этом взаимодейст-вие будет только по одной вершине – рис. 4. В результате полу-чим более сложную структуру G2 (назовем ее «Песочные ча-сы»). Некоторые импульсные процессы на ней представлены рис. 5.

Рис 4. Объединенная когнитивная карта «Песочные часы»

Как видно из рис. 5, импульсные процессы для взаимодей-ствующих объектов не устойчивы, т.е. каждый шаг импульсного моделирования делает необходимым дальнейшее развитие пози-

1 2 3 4 5V V V V V

RG2=1

2

3

4

5

0 1 0 0 00 0 0 0 10 0 0 1 00 0 0 0 11 0 1 0 0

VVVVV

−⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥−⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦

190

ционной игры. При этом необходимо производить выбор того исхода в качестве возмущающего воздействия, который соответ-ствует решению позиционной игры на совокупности рассмот-ренных шагов моделирования игры. Решение игры находилось с помощью модифицированного метода динамического програм-мирования.

q5=+1

q1=+1; q5= +1

Рис. 5. Импульсные процессы на структуре «Песочные часы»

Заключение

Теоретические положения, представленные выше, были применены при моделировании конкурентных отношений на рынке гофрокартона в России. Для конкурирующих предпри-ятий были построены функциональные параметрические модели по данным экспертных опросов и обработке статистических данных. Дерево позиционной игры строилось по правилам, задаваемым экспертно. В зависимости от возможных изменений на рынке гофрокартона разыгрывались различные комбинации

191

возмущающих воздействий и выбирались стратегии поведения предприятий на рынке.

Литература

1. ГОРЕЛОВА И.С. Теоретико-игровые задачи на графовых моделях сложных систем. В тр. Х Межд. научно-практ. конф. «Системный анализ в проектировании и управлении». – СПб.: Изд-во СПбГТУ, 2006.– Ч.I, С.229–232.

2. ГОРЕЛОВА И.С. Моделирование и принятие решений по безопасности предпринимательства на когнитивных моде-лях позиционных игр. Материалы Межд. научно-техн. конф. ИИИМС’2006.– Таганрог: Изд-во ТРТУ, 2006.–ТI. –С.56–58

3. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., ГИНИС Л.А. Когни-тивный анализ и моделирование устойчивого развития со-циально-экономических систем. – Ростов н/Дону: Изд-во РГУ, 2005.

4. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., РАДЧЕНКО С.Н. Ис-следование слабоструктурированных проблем социально-экономических систем: когнитивный подход. – Ростов н/Дону: Изд-во РГУ, 2006

5. Позиционные игры. Сб.статей / Под ред. Н.Н. ВОРОБЬЕВА. – М.: Наука, 1967.

192

ПРИНЦИПЫ ВЫБОРА СЦЕНАРИЕВ УСТОЙЧИВОГО РАЗВИТИЯ СЛОЖНЫХ СИСТЕМ1

Буянов Б.Я., Верба В.А., (ВНИИАС МПС России, Московский государственный

горный университет, г. Москва) b.buyanov@gismps.ru, verba@list.ru

На основе построения когнитивных моделей сложных систем и исследования их поведения путем импульсного моделирования формируются возможные реализации импульсных процессов (сценарии). Наличие таких реализаций позволяет поставить и решить задачу оптимума номинала по выбору «лучшего» им-пульсного процесса, который в дальнейшем может быть при-нят в качестве желаемой стратегии развития исследуемого объекта. Ключевые слова: когнитивные карты и модели, сценарий, задача об оптимуме номинала, импульсный процесс, крите-рий максимизации математического ожидания полезности

Введение

Формирование механизма устойчивого и безопасного разви-тия социально-экономических систем (СЭС) разного уровня желательно предварять моделированием их развития под воздей-ствием различных управленческих решений и оценкой «полезно-сти» последствий принятия этих решений. Применение последнее время когнитивных моделей для отображения качественных и количественных отношений между элементами и подсистемами СЭС [1], давая исследователю широкие возможности для анализа существующих механизмов СЭС, их структуры, устойчивости,

1 Работа выполнена в рамках проекта 05-02-02199а Российского научного гуманитарного фонда в 2005-2006 гг.

193

сценариев развития и т.д., не позволяет формализовать процесс оценки результатов принимаемых решений с последующей их оптимизацией. Чаще всего оценка и выбор осуществляется экс-пертно, на качественном уровне. Поэтому предлагается известные процедуры когнитивного моделирования дополнить процедурами принятия решений, основанными на использовании достаточно хорошо разработанного в свое время математического аппарата для задач об оптимуме номинала [2,3].

1. Задача об оптимуме номинала

Моделирование задач об оптимуме номинала было предло-жено в 40-е годы прошлого столетия Д.В. Свечарником [2] и далее было развито в трудах его учеников для решения задач оптимизации по полезности (чаще – экономической) различных производственных процессов (металлургия, машиностроение, электроэнергетика, нефте- и газопереработка, обогащение руд цветных металлов и др.).

В простейшем случае модель задачи об оптимуме номинала имеет вид

(1) ( ) ( )1

, ,yiвn

y i y yi yiн

m c f y m dyϕ σ=

= ∑ ∫

где ( )ymϕ – функция эффективности оптимума номинала от

математического ожидания случайной величины Y (показателя, фактора), ( ), ,y yf y m σ – плотность распределения Y; my, σy –

математическое ожидание и среднее квадратичное отклонение соответственно, ci – полезность i-го интервала [yiн, yiв] значений

Y, ( ), ,yiв

y yyiн

f y m σ∫ – вероятность попадания в i-й интервал значе-

ний. Для производственного процесса my – номинальное значение

выходного показателя Y. Задача об оптимуме номинала – это задача определения такой оптимальной для данного технологиче-

194

ского процесса в конкретных производственных условиях вели-чины o

ym , которая приведет к минимизации производственных затрат или к максимизации прибыли, или и т.п., т.е. к максимиза-ции (минимизации) функции эффективности оптимума номинала (2) ( )max

yy

oy mm

mϕ ϕ=

Принятие решения по правилу (2), также как и по правилу

(3) ( ) ( )1

max max ,n

oi i

iU u y P y Uα α

=

= =∑

является широко распространенным правилом рационального выбора решения по критерию максимизации математического ожидания полезности (ui, Pi – полезность и вероятность получе-ния i – го результата y при выборе стратегии α) [4].

В общем случае при непрерывной функции полезности, С(Y), многих показателях Y и зависимости параметров от време-ни t наилучшее решение выбирается по правилу (4) ( ) ( ) ( )max , ... , ,o

h hs

M t C Y f Y M t dcdYdtϕ ϕ= = ∫∫ ∫

при наличии ограничений на функцию эффективности в виде условий управления моментами Mh распределения f(y,Mh) (5) ( ), , 1,2,...,hM f X t h k= = и ограничений на управляющие факторы Х ∈ Хдоп и результатив-ные Y ∈Yдоп.

2. Выбор лучшего сценария среди импульсных про-цессов при моделировании на когнитивных картах.

Использование когнитивных моделей для представления сложных систем и возможного их поведения путем импульсного моделирования на когнитивных моделях [1,3,4] дает возмож-ность получить достаточное количество реализаций импульсных процессов. Наличие таких реализаций позволяет поставить и решить задачу оптимума номинала по выбору «лучшего» им-

195

пульсного процесса, который в дальнейшем может быть принят в качестве желаемой стратегии развития исследуемого объекта.

Пусть сложная система представлена когнитивной моделью в виде параметрического функционального графа (6) , , ,пФ G X F θ= где X:V→ θ, X – множество параметров вершин V, θ – простран-ство параметров вершин; F=F(X, E) = f(xi, xj, eij) – функционал преобразования дуг,

Импульсные процессы на модели задаются формулой

(7) ( ) ( ) ( ) ( ) ( )1

, 1

1 , , 1k

i i i j ij j ii j

x n x n f x x e P n Q n−

=

+ = + + +∑

где xi(n), xi(n+1) – значение параметра хi в вершине vi в моменты моделирования n и n+1 соответственно, Pj – значение импульса в вершине vj, Qi(n+1) – возмущающие воздействия, поступающие в вершины vi.

В качестве иллюстрационного примера принятия решений по способу (2) рассмотрим импульсные процессы на простой когнитивной структуре, изображенной на рис. 1.

Рис.1. Простая когнитивная структура G

На рис. 2 изображены графики некоторых импульсных про-цессов, полученных с помощью программной системы когни-тивного моделирования [3] при различных возмущающих воз-действиях и вариациях f(xi, xj, eij). Ось 0Y – значения параметров в вершинах V, ось 0Х – такты моделирования (n).

54321 VVVVV

RG = 1

2 23

3 34

4

5 51

0 1 0 0 00 0 0 10 0 0 11 0 0 0 1

0 0 0 0

VV fV fVV f

⎡ ⎤⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦

196

q1=+1 q1=+1; q2=+1; q5=+1

Рис. 2. Примеры импульсных процессов на простой структуре G

Для применения формул (1)-(4) необходимо иметь статисти-чески достаточное количество реализаций импульсных процессов. После этого необходимо выделить интервалы значений парамет-ров Y, которые соответствуют разным интервалам значений по-лезности С. Это интервалы [yiн, yiв] рисков, угроз или допустимых значений показателей-индикаторов безопасности и устойчивого развития системы [например, 5]. Необходимо иметь данные о соответствующим этим интервалам полезностям сi (рис. 3).

Рис.3 . Вероятности и оценки полезности интервалов значений показателей Y при некотором фиксированном наборе значений

параметров Х

Y Y

–C3 P3

+C2 P2

197

Изменение наборов значений параметров Х приводит к из-менению характера импульсных процессов и, следовательно, к

изменению значений вероятностей Рi = ( ), ,yiв

y yyiн

f y m σ∫ согласно

(5), поэтому возникает задача (2) или (4). Ее решение – это выбор по результатам расчетов «лучшего» импульсного процес-са, который предлагается для ЛПР как проектная стратегия устойчивого и безопасного развития системы.

Представленные выше идеи оценки по ( )ymϕ и принятия

решений по критерию максимизации математического ожидания полезности частично реализованы для региональной социально-экономической системы [1,3].

Литература

1. ВЕРБА В.А. Исследование проблем безопасного и устойчи-вого развития при когнитивном моделировании сложных систем.

2. ГОРЕЛОВА Г.В., СВЕЧАРНИК Д.В., ЗДОР В.В. Метод оптимума номинала и его применения М.: Изд-во «Энер-гия», 1970

3. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., РАДЧЕНКО С.Н. Ис-следование слабоструктурированных проблем социально-экономических систем: когнитивный подход. – Ростов н/Дону: Изд-во РГУ, 2006.

4. МАКСИМОВ В.И.. Когнитивные технологии – от незнания к пониманию. Когнитивный анализ и управление ситуация-ми (CASC’2001). 2001, Т.1

5. Экономическая и национальная безопасность: Уч. / Под ред. Е.А. Олейникова. – М.: Изд-во «Экзамен», 2004.

198

ПРИМЕНЕНИЕ МЕТОДА ВЕКТОРНОЙ СТРАТИФИКАЦИИ

В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Павельев В.В. (Институт проблем управления РАН, Москва)

gusvbr@ipu.rssi.ru

Рассматриваются типы проблемных ситуаций и подход, обеспечивающий их структуризацию и превращение в совокуп-ность задач, решение которых приводит к выходу из проблем-ных ситуаций. В рамках предлагаемого подхода решение задачи комплексного оценивания и выбора средств достижения сфор-мулированной цели достигается путем использования системы поддержки принятия решений, построенной на основе метода векторной стратификации и привлекаемых структурирован-ных знаний ЛПР и экспертов.

Ключевые слова: проблемная ситуация, система поддержки принятия решений, структурированные знания, векторная стратификация, древовидная структура показателей, балль-ная шкала

Введение

Решение задач оценивания и выбора в рамках системы под-держки принятия решений, как правило, связано с возникнове-нием проблемных ситуаций.

Определение: проблемная ситуация – это ситуация, отли-чающаяся тем, что лица, находящиеся в ней, оценивают ее нега-тивно и не имеют в рассматриваемый момент времени необхо-димых знаний о том , какие действия надо осуществить и какие средства надо применить, чтобы изменить ее в лучшую сторону до приемлемой оценки.

Для выхода из проблемной ситуации (ее разрешения) требу-ется получение необходимых структурированных знаний.

199

Типы представлений проблемных ситуаций: • Неструктурированное неформализованное

(есть набор мироощущений, известны основные факторы, опре-деляющие ситуацию; неизвестна их взаимосвязь, неизвестны нежелательные и желательные значения параметров ситуации).

• Структурированное слабоформализованное (известны факторы, определяющие ситуацию, и их взаимосвязь; известны некоторые нежелательные и желательные значения параметров ситуации, определяющие ее оценку).

• Структурированное формализованное (известны существующие нежелательные значения параметров ситуации и их взаимосвязь, известны желательные значения параметров; неизвестны пути, способы и средства перехода от одних к другим).

Если пути, способы и средства перевода ситуации из суще-ствующего положения в желаемое тоже известны, то сложив-шаяся ситуация не является проблемной (проблемы, собственно, нет, есть совокупность задач, способы и средства решения кото-рых существуют, известны и среди них надо выбрать наиболее эффективные, т.е. необходимость разрешения проблемной си-туации трансформируется в необходимость решения задачи выбора). Каждая задача заключается в нахождении и рациональ-ном распределении требуемых ресурсов, выборе и задействова-нии существующих адекватных способов и средств в нужное время.

Таким образом, процесс разрешения проблемной ситуации можно представить в виде двух этапов.

К первому этапу относится выявление совокупности и взаимосвязей характеристик ситуации и параметров, опреде-ляющих их значения, то есть построение структурной модели проблемной ситуации (ее структурная идентификация).

Ко второму этапу разрешения проблемной ситуации отно-сятся определение, комплексная оценка и выбор путей, способов и средств достижения сформулированной цели в условиях сло-жившейся ситуации.

200

Метод векторной стратификации в системах под-держки принятия решений

В рамках предлагаемого подхода решение задач комплекс-ного оценивания и выбора средств достижения сформулирован-ной цели, т.е. объектов, характеризуемых многими показателя-ми, предполагает выполнение следующих процедур.

• Выработка документируемой формулировки заданной цели.

• Построение модели выбора: – построение древовидной структуры требуемых пока-

зателей объекта оценки методом дихотомической конкретизации и детализации формулировки цели;

– построение механизма выбора в виде иерархической системы матриц логической свертки оценок показателей нижне-го уровня, размещенных в узлах дерева показателей на основе информации, получаемой от лица, принимающего решение, и экспертов.

• Проверка воспроизводимости (устойчивости во време-ни) полученной информации.

• Проведение расчетов и интерпретация полученных ре-зультатов.

Проблемная ситуация помимо реального образа действи-тельности содержит также идеальный образ ее целевого состоя-ния.

В общем случае можно считать, что образ имеет два атри-бута: способ представления информации (формат Ф) и ее содер-жательное наполнение (параметризацию П). Параметризацией образа является задание конкретных параметров и структуры связей между ними, очертания конфигурации образа, и т.д. Образ О можно представлять в виде функции Ф от параметриза-ции П:

(1) О = Ф(П),

где Ф – функция формата образа, содержащая константную часть образа.

201

Генерация управленческих решений нацелена на минимиза-цию расхождения между параметризованными идеальным и реальным образами (при заданном общем их формате).

Начальным этапом формализации образа проблемной си-туации является этап построения образа цели. Форматами цели чаще всего бывают дерево целей и численный критерий, постро-енный на основе дерева, как свертка частных критериев (подце-лей). Одна из задач формализации образа проблемной ситуации заключается в определении значений параметров образа цели по исходной информации, полученной от сравнения прецедентов решений и их анализа. Она может быть сформулирована как задача идентификации функции формата и заключается в вос-становлении значений форматной части Ф образа О по исходной информации.

Модель M целенаправленного выбора выглядит следующим образом.

(2) M = <A,S,F> Эта модель оперирует следующими понятиями: A – заданная формулировка цели; S – структура критериально-целевых свойств оцениваемых

объектов ( т. е. показателей, локальных критериев); F – решающее правило, функция выбора. 1-я особенность модели: • В данной модели используется в явном виде заданная

документированная формулировка цели А, отсутствующая в типичных моделях принятия решений, где это приводит к неоп-ределенности в выборе критериев.

• В рассматриваемой модели взаимосвязь критериев уста-навливается, исходя из формулировки цели (путем ее бинарной декомпозиции формируется S – структура критериально-целевых свойств).

2-я особенность модели: • При построении модели конкретное множество оцени-

ваемых объектов имеет второстепенное значение.

202

• Модель целенаправленного выбора строится не на осно-ве сопоставления (например, парных сравнений) элементов оцениваемого множества, а на основе разработки структурно увязанной совокупности требований к характеристикам оцени-ваемых объектов.

3-я особенность модели: • При построении решающего правила для вычисления

комплексной оценки не требуется допустимость взаимной ком-пенсации оценок по частным критериям, являющаяся недостат-ком широко применяемых аддитивных сверток

• Учитывается изменение относительной важности показа-телей при переходе на другие участки их шкал. Имеется воз-можность не только выбрать лучший вариант из рассматривае-мых, но и оптимизировать сочетание его параметров по комплексному критерию.

Одной из эффективных процедур формирования системы критериев оценки и выбора средств достижения поставленной цели является процедура последовательной дихотомической декомпозиции (ПДД) [1-3]. Она строится по следующей принци-пиальной схеме. Исходная обобщающая формулировка постав-ленной цели на первом шаге процедуры заменяется совокупно-стью двух формулировок, являющихся более конкретными понятийными представлениями о поставленной цели. Эти два представления уточняют исходное и являются взаимодополняю-щими до смысла исходного. Далее каждое из полученных пред-ставлений с помощью имеющихся знаний, в свою очередь, также представляется в виде двух взаимодополняющих представлений соответствующего уровня. На каждом уровне декомпозиции должно обеспечиваться выполнение требований полноты, непро-тиворечивости и соблюдения причинно-следственных связей. Данная процедура содержит две основные компоненты. Первая компонента – последовательное сужение области определения используемых понятий (конкретизация). Вторая компонента – бинарная детализация уточненных понятий. Этот процесс про-должается до получения однозначно понимаемых критериев. Получаемая в результате структура комплексного критерия,

203

элементами которой являются локальные критерии (показатели), имеет вид бинарного дерева. Человек, реализующий описанную процедуру, опирается на имеющуюся у него систему знаний, систему необходимых понятий, наглядных эталонов и взаимосвя-зей между ними. И обобщающее описание объекта рассмотрения, и процесс его детализации формируются на основе имеющихся и привлекаемых знаний.

Следует упомянуть о том, что осознанное обобщающее описание образа объекта рассмотрения формируется в процессе установления соответствий между обобщающим представлени-ем назначения объекта и совокупностями существенных взаимо-связанных признаков этого объекта.

Параметризация образа проблемной ситуации включает в себя построение шкал измерения ее параметров и установление соответствия между этими шкалами. На практике используются шкалы отношений, интервальные шкалы, шкалы порядка. Они могут быть как числовыми, так и лингвистическими.

В предлагаемом методе используется шкала стратификации. Она является интервальной шкалой и строится следующим образом.

Определяемый экспертами полуинтервал значений показа-телей в физической шкале (в шкале отношений) [Pmax – Pmin] переводится ими в балльную интервальную шкалу стратифика-ции. Pmax – требуемое для достижения заданной цели идеальное значение измеряемого показателя, Pmin – практически бесполез-ное для достижения заданной цели значение измеряемого пока-зателя.

Оценка соответствия фактического значения Pi измеряемого показателя предъявляемым требованиям может быть выполнена в двух вариантах.

1 вариант – использование целочисленной балльной шкалы. Экспертная оценка Y фактического значения показателя Pi,

измеренного в в числовых шкалах:

(3) Y = (P–Pmin) / (Pmax–Pmin);

5-я страта: 0,8< Y ≤1 ⇒ 5 баллов,

204

4-я страта: 0,63< Y ≤ 0,8 ⇒ 4 балла, 3-я страта: 0,37< Y ≤ 0,63 ⇒ 3 балла, 2-я страта: 0,2< Y ≤ 0,37 ⇒ 2 балла, 1-я страта: 0< Y ≤ 0,2 ⇒ 1 балл. Одной и той же страте могут соответствовать различные со-

четания значений параметров оцениваемых объектов, имеющие одинаковые оценки по обобщающему критерию.

2 вариант – балльная шкала с возможностью использования дробных значений баллов.

Экспертная оценка Y фактического значения показателя Pi, включая нечисловое, определяется, как соответствующая точка на балльной шкале, задаваемой следующими реперными точка-ми на полуинтервале Pmax – Pmin:

Y = 5 баллов ⇒ Pi = Pmax (идеальное значение) Y = 4 балла ⇒ Pi = P4 (хорошее значение) Y = 3 балла ⇒ Pi = P3 (удовлетв. значение) Y = 2 балла ⇒ Pi = P2 (плохое значение) Y = 1 балл ⇒ Pi = Pmin (бесполезное значение) Между реперными точками находятся страты с дробными

значениями баллов: 5-я страта: 4 баллов < Y < 5 баллов; 4-я страта: 3 баллов < Y < 4 баллов; 3-я страта: 2 баллов < Y < 3 баллов; 2-я страта: 1 баллов < Y < 2 баллов; 1-я страта: Y ≤ 1 балла. По реперным точкам путем интерполяции строятся непре-

рывные функции

(4) Y = f (Pi)

Балльная шкала, в отличие от шкалы отношений, является шкалой интервалов и не допускает операции деления над изме-рениями в баллах. К сожалению и в публикуемых методиках и на практике это часто делается и приводит к ошибочным оцен-кам и ошибочному выбору.

205

Отличие полученной интервальной шкалы от шкалы отно-шений можно оценить следующим образом:

(5) X = (Pmax – Pmin) / Pmax;

0,8<X <1 ⇒очень малое, 0,63< X ≤ 0,8 ⇒малое, 0,37<X ≤ 0,63 ⇒среднее, 0,2<X ≤ 0,37 ⇒большое, 0<X ≤ 0,2 ⇒очень большое. При Pmin = 0 X =1 и используемая шкала будет шкалой от-

ношений. Механизм комплексного оценивания и выбора средств дос-

тижения поставленной цели представляет собой иерархическую систему матриц логической свертки оценок показателей нижне-го уровня, размещенных в узлах дерева показателей. Матрицы строятся на основе информации, получаемой от лица, прини-мающего решение, и экспертов, об относительной важности оценок рассматриваемого объекта по обобщаемым показателям.

Вдоль строк каждой матрицы располагаются значения оце-нок по одному из обобщаемых показателей, вдоль столбцов – значения оценок по второму показателю. Значения оценок рас-сматриваемого объекта по обобщающему показателю простав-ляются на пересечении столбцов и строк.

Обобщение частных оценок с помощью матрицы логической свертки позволяет учесть изменение относительной важности показателей в зависимости от того, на каких участках шкал произ-водится их сравнение. Заполненные матрицы логической свертки показателей, помещенные во всех узлах структуры показателей, порождают решающее правило комплексной оценки. Оно может быть реализовано в виде компьютерной программы.

С помощью этого решающего правила все оцениваемые объекты можно разделить на 5 страт, (1-й, 2-й, 3-й, 4-й, 5-й), упорядоченных по их предпочтительности. Самые лучшие отнесены к 5-й страте самые худшие – к 1-й страте.

206

Литература 1. АНОХИН А.М., ГУСЕВ В.Б., ПАВЕЛЬЕВ В.В. Комплекс-

ное оценивание и оптимизация на моделях многомерных объектов. М.: – 2003 (Научное издание / Институт проблем управления им. В.А. Трапезникова РАН).

2. ГЛОТОВ В.А., ПАВЕЛЬЕВ В.В. Векторная стратифика-ция. – М.: Наука, 1984.

3. ПАВЕЛЬЕВ В.В. Формирование системы критериальных свойств при комплексной оценке сложных объектов. – В кн.: Механизмы функционирования организационных сис-тем. Вып. 29. – М., Институт проблем управления, 1982.

207

МЕТОД АНАЛИЗА КОНФИГУРАЦИЙ ОРГАНИЗАЦИОННЫХ СИСТЕМ НА СЕТЯХ ПЕТРИ

Мурадян И.А., Юдицкий С.А. (Институт проблем управления РАН, г. Москва)

muradyan_igor@mail.ru

Обсуждается операционно-целевая модель конфигураций орга-низационной системы, соответствующих стабильным периодам её развития. Результатом анализа модели является прогноз динамики достижения целей, поставленных перед системой; динамики потребления ресурсов и динамики изменения показате-лей деятельности системы. Модель базируется на формализме сетей Петри и индикаторных логических функций. Ключевые слова: операционно-целевая модель конфигура-ции организационной системы, сети Петри, индикаторные логические функции

Введение

Одна из центральных проблем стратегического управления организационными системами1 (ОС) заключается в построении моделей развития ОС и выборе на основе анализа этих моделей (с учетом возможных внешних воздействий на ОС и ситуаций внутри нее), приемлемых сценариев развития. Модели развития ОС отражают «неопределенность будущего», обусловленную изменениями, происходящими во внешней среде и внутри ОС. Для снятия неопределенности исследователь, работающий с

1 Под организационной системой (организацией) согласно [5] понима-ется объединение людей, оснащенных техническими средствами (орудиями труда), совместно реализующими поставленные цели на основе определенных процедур и правил (механизмов функционирова-ния).

208

«прогнозной» моделью ОС, на основе своих знаний и интуиции конкретизирует настроечные параметры модели и порождает вариант развития, которому соответствует множество сценариев (сценарное пространство). Из них выбирается предпочтительный вариант сценария.

В ходе итеративного моделирования (прогнозирования) может осуществляться, как корректировка исходной базовой модели развития ОС, так и переход на новую базовую модель. Результатом моделирования является формирование представ-лений о возможных путях развития ОС в будущем.

При создании базовых моделей развития ОС может быть эффективно использовано понятие конфигурации, введенное (применительно к ОС) и исследованное Г. Минцбергом и его коллегами [4]. Под конфигурацией понимается устойчивое комплексное состояние ОС, соответствующее периоду ее ста-бильного развития и характеризуемое совокупностью различных факторов: поставленными целями, выпускаемой продукцией, потребляемыми ресурсами, применяемыми технологиями, кад-ровым составом, организационной структурой, схемами поведе-ния и т.д.

Периоды стабильности прерываются трансформациями – «квантовыми скачками» в иную конфигурацию. Чередование конфигураций и переходных процессов трансформации образует жизненный цикл ОС.

Одним из подходов к прогнозному моделированию разви-тия ОС является построение динамических моделей, эффективно сочетающих творческие возможности человеческого интеллекта (интуиция, знания, опыт) и методы имитационного моделирова-ния. Исследователь создает исходную модель, формирует на-чальные условия и проводит имитационный эксперимент. На основе субъективной оценки результатов эксперимента прини-мается решение: продолжить исследование данной модели при иных начальных условиях или внести коррективы в модель. Процесс поиска продолжают до тех пор, пока не будет найдено «субъективно хорошее» решение.

209

Предпосылкой эффективного применения рассмотренного подхода является создание библиотеки типовых динамических моделей, обладающих наглядным графическим представлением. Такие возможности предоставляет формальный аппарат сетей Петри и их расширений [2,6].

В настоящем статье описывается метод прогнозирования раз-вития ОС с применением аппарата сетей Петри. В рамках конфи-гурации строится общая динамическая модель развития на основе сетей Петри, с помощью которой определяется сценарное про-странство и прогнозируется динамика достижения целей, динами-ка потребления ресурсов и динамика изменения оценочных пока-зателей результатов деятельности ОС [1]. Сопоставляя эти динамики, исследователь выбирает «хороший» сценарий.

1. Моделирование конфигураций организационных систем

Функционирование ОС в рамках конфигурации представля-ет собой циклический процесс, заключающийся в повторении внутриконфигурационных циклов (К-циклов). К-цикл имеет стандартную временную протяженность (например, 1 год) и состоит из целенаправленных действий – операций hipi ,...,1, = . Операции выполняются в определенном порядке – последова-тельно, параллельно, с взаимной синхронизацией и т.д.

Для каждого повторения К-цикла формируется своя иерар-хия целей nici ,...,1, = . При выполнении операций потребляются ресурсы miri ,...,1, = (финансовые, временные, трудовые, сырь-евые и т.д.) и устанавливаются оценки1 результатов деятельно-

1 При прогнозном моделировании оценки либо вычисляются на основе определенных алгоритмов, либо задаются человеком как качествен-ные характеристики (например, «низкий», «средний», «высокий» уровень). Далее качественные оценки переводятся в количественную форму согласно соответствующей шкале.

210

сти системы kidi ,...,1, = . Реализация К-циклов зависит и от воздействия внешней среды – внешних факторов livi ,...,1, = .

Задача моделирования К-цикла заключается в определении: 1) достигаются ли при данной ситуации поставленные цели, 2) как изменяется во времени потребление ресурсов и оценки результатов деятельности системы.

Формальная операционно-целевая модель конфигурации ОС показана на рис.1. Она состоит из двух взаимодействующих блоков – операционного и целевого. Ядром операционного блока служит сеть Петри (операционная сеть). Целевой блок описывается «порождающей сетью» – формализмом, введенным в данной работе. Управление операционной сетью, а точнее – её переходами giti ,...,1, = , производится при помощи индикатор-ных логических функций [1], соотнесенных переходам.

Операционный блок Целевой блок

Порождающая сеть

Сеть Петри

C1

C6

C 3

C 7 C 8

vi ri ci

fi

di

ci

pi

pi pi

Индикаторные логические функции

Алгоритмы вычисления оценок

деятельности

p1 t1p2

t2 t3 t4 t5p3 p7 p8

p4

p5

p6

C2

C4 C5

π1 π 2

π3 π 4

Рис. 1 Операционно-целевая модель конфигурации

Индикаторная логическая функция выражается формулой, составленной из индикаторов (предикатов) вида (x # a), где x – целочисленная переменная, a – константа, # – какой-нибудь из

211

знаков =, ≠, >, ≥, <, ≤, с помощью логических операций конъ-юнкции (∧), дизъюнкции (∨), отрицания (−) и, возможно, кван-торов всеобщности (∀) и существования (∃).

В качестве переменных х индикаторов в операционном блоке используются внешние факторы iv (например, уровни спроса и предложения в сегменте рынка, уровень конкуренций, доступность ресурсов, благоприятность политического климата и др.), цели ic , ресурсы ir , показатели деятельности системы di (темпы изменения капитализации, доходов и расходов, уровень автоматизации, уро-вень наукоемкости технологий, качество продукции и т.д.).

К индикаторным функциям наряду с классическими равно-сильностями исчисления высказываний и исчисления предикатов применим ряд дополнительных соотношений, приведенных в [1].

Порождающая сеть отличается от операционной сети пра-вилами изменения маркировки при срабатывании переходов.

В результате срабатывания перехода маркеры вносятся во все его выходные позиции, но сохраняются во всех входных позициях.

Блоки модели взаимодействуют следующим образом. Для операций процесса (позиций ip сети Петри) задаются цели ic , принадлежащие множеству начальных позиций порождающей сети. По завершении операции ip в заданные начальные пози-ции вносятся маркеры. Это может вызвать в порождающей сети цепочку срабатываний переходов, наблюдаемую как «восхожде-ние маркеров».

Примем, что в порождающей сети целевого блока отсутст-вуют циклы, в том числе циклы длины 1. При этом цепочка срабатываний завершится установлением равновесной целевой маркировки. Принадлежащие ей цели, изменившие нулевое значение на единичное, передаются в операционный блок (для вычисления индикаторных функций).

Результатом имитационного моделирования К-цикла явля-ются графики, отображающие динамику потребления ресурсов

212

ir и изменения показателей деятельности id для каждого сцена-рия [1] – линейной последовательности переходов сети Петри, ведущей из её начальной позиции в конечную. Графики описы-вают кусочно-линейные функции.

2. Локальная коррекция и трансформирование конфигураций организационных систем

В процессе моделирования развития ОС производятся изме-нения двух типов: локальная коррекция конфигурации по ре-зультатам предыдущего К-цикла, и коренная перестройка (трансформирование) системы с переходом к другой конфигура-ции. Локальная коррекция обусловлена преимущественно внут-ренними причинами – недостижимостью поставленных целей и/или выходом динамических характеристик ресурсов и показа-телей деятельности за допустимые пределы, и заключается в частичном изменении компонентов операционно-целевой моде-ли (сети Петри, индикаторных логических функций и т.д.).

Трансформирование вызывается чрезвычайными события-ми, которые могут произойти во внешнем мире. При прогнозном моделировании достоверно неизвестны как сами чрезвычайные внешние события, так и вероятность, и время их наступления. Основную роль в прогнозировании таких событий наряду со знанием общих тенденций развития играет интуиция и глубина образного мышления человека, т.е. психологический фактор.

Заключение

Моделирование развития ОС, предваряющее процесс про-ектирования системы, состоит из двух последовательных этапов – когнитивного (познавательного) анализа [3] и операционно-целевого анализа, рассмотренного в статье.

Когнитивный анализ основывается на знании факторов, су-щественных для функционирования ОС, и экспертной оценке взаимовлияния этих факторов, отображенной в когнитивной карте. Выделяются управляющие и целевые факторы и по ког-

213

нитивной карте исследуются стратегические варианты развития ОС: саморазвитие (отсутствие управления), прямая задача (оп-ределение значений целевых факторов при заданном управле-нии), обратная задача (определение управления при заданных целях).Операционно-целевой анализ требует более полного объема знаний о системе:

– структуры входа и выхода ОС; – состава операций, реализуемых в ОС, и порядка их вы-

полнения; – иерархической структуры целей ОС. Частично эти знания могут быть получены в ходе когнитив-

ного анализа, т.е. имеет место преемственность этапов модели-рования.

Результатом операционно-целевого анализа является про-гноз динамики развития ОС в рамках конфигурации (динамика достижения целей, потребления ресурсов, изменения показате-лей деятельности) и прогноз появления чрезвычайных событий, которые могут инициировать смену конфигурации.

Литература

1. ВЛАДИСЛАВЛЕВ П.Н., МУРАДЯН И.А., ЮДИЦКИЙ С.А. Взаимодействие целевой и операционной динамических мо-делей сложных процессов // Автоматика и телемеханика, 2005, 11, с.126–134.

2. КОТОВ В.Е. Сети Петри. М.: Наука, 1984. 3. КУЗНЕЦОВ О.П., КУЛИНИЧ А.А., МАРКОВСКИЙ А.В.

Анализ влияний при управлении слабоструктурированными ситуациями на основе когнитивных карт / Человеческий фактор в управлении. – М.: КомКнига, 2006, с.313–344.

4. МИНЦБЕРГ Г., АЛЬСТРЭНД Б., ЛЭМПЕЛЬ Дж. Школы стратегий. – Спб.: «Питер», 2000.

5. НОВИКОВ Д.А. Теория управления организационными системами: вводный курс. М.: МПСИ, 2005.

6. ПИТЕРСОН Дж. Теория сетей Петри и моделирование систем. М.: МИР, 1984.

214

МЕТОД СТРУКТУРНОЙ БАЛАНСИРОВКИ НА ОСНОВЕ ОЦЕНОК ЗАТРАТ ПРОИЗВОДСТВЕННОГО ЦИКЛА

Гусев В.Б. (Институт проблем управления РАН, г. Москва)

gusvbr@ipu.rssi.ru Рассматривается метод расчета сбалансированной структу-ры управления производственным циклом на основе схем оценок затрат. В долгосрочном плане сбалансированное управление отвечает критерию оптимальности для показателя воспроиз-водства ресурсов многопродуктовой производственной систе-мы. Предлагаемый метод предназначен для включения в состав инструментария индикативного планирования объектов хозяй-ственной деятельности – от холдинга до национальной эконо-мической системы. Ключевые слова: сбалансированная структура управления, производственный цикл, показатель воспроизводства ресур-сов, индикативное планирование

Введение

Методология индикативного планирования [1] находит применение как при формировании и управлении национальны-ми проектами, так и при управлении хозяйственной деятельно-стью на региональном и отраслевом уровнях, позволяет форми-ровать долгосрочные программы социально-экономического развития. «Мягкий» (индикативный) характер рассматриваемого вида планирования обеспечивается показателями, представляю-щими ориентир для формирования управленческих решений. Одними из таких индикативных показателей являются струк-турные показатели выпусков и цен на продукцию, ориентиро-ванные на устойчивый режим развития объекта хозяйственной деятельности.

215

Суть метода балансировки оценок затрат для производствен-ного цикла заключается в том, что на основе анализа оценок структуры производственных, трудовых, финансовых затрат, выпусков продукции и услуг, а также показателей товарообмена формируется численная модель воспроизводства многоресурсной и многопродуктовой системы. С помощью этой модели определя-ется показатель воспроизводства экономической системы как функция структурных пропорций выпусков и цен на производи-мые продукцию и услуги. Максимизация этого показателя, ото-бражающего соотношение выпуска и затрат, определяет структу-ру выпусков и цен, соответствующую равновесному режиму воспроизводства, когда доли прироста по всем видам продукции и услуг одинаковы. При этом равновесная структура может сущест-венно отличаться от структуры, существующей в реальности. При использовании предлагаемого подхода особое внимание следует уделить тому, что необходимо добиваться приближения к равно-весным структурам как выпусков, так и цен совместно. В против-ном случае достигнутое равновесие окажется не устойчивым, подверженным инфляционным процессам.

Метод балансировки оценок затрат для производ-ственного цикла

Схема жизненного цикла процесса воспроизводства благ включает блоки производства, трудовых ресурсов, взаимодейст-вия с внешним миром (поставок продукции), накопления (фон-дообразующих затрат).

Стрелки на этой схеме обозначают материальные и инфор-мационные потоки. Продукция, идущая на расширение произ-водства, не входит в схему замкнутого цикла и может быть определена как разность между выпуском и затратами.

Структурное планирование основано на информации о пре-дыдущем функционировании производственного цикла или на экспертных знаниях в виде оценок в сопоставимых шкалах. На основе этой информации формируется матрица баланса затрат и выпусков. Каждый элемент этой матрицы Xij представляет собой

216

оценку затрат i-го блага (продукта или услуги) на производство j-го блага за определенный период. Кроме того, исходная ин-формация включает объемы выпуска благ Vj.

1.Производство

2. Трудовые ресурсы

3.Обмен с внешним миром

4.Накопление

Рис.1. Схема производственного цикла

Таким образом, матрица затрат X состоит из 16 блоков (квадрантов). Индекс 1 соответствует сектору «производство», 2 – сектору «трудовые ресурсы», 3 – сектору «обмен с внешним миром», 4 – сектору «накопление» (рис. 2).

В схеме одно и то же благо, идущее на производственное потребление, конечное потребление, экспорт/импорт имеет различные индексы.

Если технологический цикл замкнут на себя (отсутствует обмен с внешним миром), то сумма произведенного продукта на

217

предыдущем этапе жизненного цикла равна сумме потребленно-го, умноженной на коэффициент роста gi.

1.1 1.2 1.3 1.4

1

2.1 2.2 2.3 2.4 2

3.1 3.2 3.3 3.4

V= 3

X=

4.1 4.2 4.3 4.4 4

Рис.2. Структура исходных данных

То есть, объем выпуска каждого вида благ есть сумма затрат по всем блокам цикла при производстве всего набора n благ

(1) 1

( ) ( ) ( )n

i i i i ijj

V t g X t g X t=

= = ∑ .

При этом объемы благ можно оценивать как в натуральных единицах, так и по стоимости. С другой стороны, общая стои-мость Vc

i выпускаемого блага i есть сумма стоимостей всех составляющих по технологическому циклу при цене pj на j–е благо на данном этапе, умноженная на коэффициент прироста стоимости за период цикла (рентабельность) ri

(2) j

n

jjiii

c ptXrtV )()(1

∑=

= .

Заметим, что если оценки производятся в стоимостном вы-ражении, то pj = 1 и Vc

i= Vi. Воспроизводство благ предполагает многократное повторе-

ние жизненного цикла. Качество такого воспроизводства можно оценить показателем воспроизводства F( ( ), ( 1))v V t V t= − ,

218

где F – монотонная выпуклая функция 2n переменных. Если в качестве цели ставится повышение темпа воспроизводства без изменения технологии, то показатель принимает вид )1(/)(min

i−= tVtVv ii

Задачу управления жизненным циклом процесса воспроиз-водства можно сформулировать как максимизацию продуктив-ности цикла воспроизводства по управляющим параметрам, характеризующим структуру выпусков каждого из блоков цик-ла.

Прогнозировать объемы затрат i–го блага Xi можно, исполь-зуя модель «затраты – выпуск»

∑=

=n

jjiji VaX

1,

где aij – коэффициенты удельных затрат, определяемые как (3) jijij VXa /= .

Рассмотрим задачу балансировки структуры выпусков для производственного цикла. Используя (1), получим соотношение

)()()(1

tVagtXgtVn

jjijiiii ∑

=

== ,

которое можно рассматривать как технологическое ограничение для оптимизационной задачи. Если полагать, что полные затра-ты блага равны их наличию (выпуску) в предыдущем периоде, то коэффициент воспроизводства v определяется минимальным по всем видам благ коэффициентом роста i

igv min= . Получим

формулировку оптимизационной задачи по структуре выпусков (4) v

Vimax

)()(1

tVavtVn

jjiji ∑

=

≥ ,

.,...,1),1()( nitVitVi =−≥ В этой постановке предполагается, что технология произ-

водства за один цикл не изменяется, т.е. натуральные коэффици-

219

енты удельных затрат постоянны. Решение этой задачи не зави-сит от цен на блага, однако реальное ее использование затрудне-но тем обстоятельством, что для крупных производственных систем измерения производятся, как правило, в стоимостных показателях.

Если коэффициенты удельных затрат определяются на основе стоимостных показателей, а не натуральных, как в формуле (3), т.е. (5) jiijjjiijj

cij

cij

c ppapVpXVXa /)/(/ === , то тогда задача балансировки структуры показателей производ-ственного цикла примет вид (6) v

icVmax

)()(1

tVavtVn

jjcijcic ∑

=

≥

.,...,1),1()( nitiVtiV cc =−≥ Здесь допускается изменение как натуральных объемов, так

и цен. По смыслу задача (6) не эквивалентна задаче (4), посколь-ку критерий v и ограничение на не убывание объемов выпуска имеют новое содержание. Кроме того, значения стоимостных показателей удельных затрат первоначально могут быть опреде-лены лишь на предыдущем этапе t–1. Но после изменения цен они изменятся. Поэтому для уточнения этих показателей требу-ется определить, как могут измениться цены.

Рассмотрим задачу балансировки ценовой структуры для производственного цикла. Используя соотношение (2) в стоимо-стном выражении и соотношение (3), получим

jicn

jjiiiii

c ptVarptVtV )()()(1

∑=

== .

Считая, что коэффициент воспроизводства определяется минимальной по перечню благ рентабельностью, получим опти-мизационную задачу для структуры цен (7) c

pivmax

220

∑=

≥n

jjji

ci tpavtp

1

)()(

.,...,1),1()()1( nitptptpk iiii =−≥≥− Левая часть последнего ограничения представляет конста-

тацию факта не убывания цен, а также требование на ограниче-ние темпов инфляции до уровня ki по видам благ.

Если коэффициенты удельных затрат определяются на ос-нове стоимостных показателей (5), то тогда при сбалансирован-ной ценовой структуре в равновесном режиме цены не меняются с течением периода и имеет место простое соотношение для коэффициента воспроизводства

(8) ∑=

=n

jji

cc av1i

min/1 .

Если иметь в виду что измерение коэффициентов удельных затрат производится на предыдущем этапе цикла, то задачу балансировки ценовых пропорций в неравновесном режиме можно представить в виде (9) c

Pivmax

∑=

≥n

jjjicc

i tPavtP1

)()(

nitPk ii ,...,1,1)( =≥≥ , где )1(/)()( −= tptptP iii – индекс цены на благо i.

Если решение задачи (9) использовать для корректировки коэффициентов удельных затрат, то повторное ее решение даст индексы цен, равные 1 или ki, а (8) даст точное значение равно-весного коэффициента воспроизводства vc. Кроме того, обнов-ленные коэффициенты прямых затрат можно использовать в задаче балансировки объемов (6). Таким образом, совместное решение задач (6) и (9) позволяет получить сбалансированную структуру объемов и цен, обеспечивающую максимальный коэффициент воспроизводства ресурсов для производственного цикла.

221

Заключение

Практическое использование рассматриваемого подхода предполагает этапный подход. Для каждого этапа при этом вводится дополнительное ограничение на степень отклонения от существующей структуры, соответствующее представлениям о допустимой скорости социально-экономических процессов.

Исходная информация задачи структурной балансировки формируется на основе анализа экономической статистики. Трудность заключается в том, что в ряде ситуаций (например, региональное или отраслевое планирование; сценарное прогно-зирование) отсутствуют стандартные методики по сбору и обра-ботке данных. В этих случаях предлагается статистические данные совмещать с экспертными оценками структуры затрат на единицу выпуска.

Метод структурной балансировки нашел практическое при-менение при формировании региональной программы иннова-ционного развития [2].

Литература

1. АНОХИН А.М., ГУСЕВ В.Б., ПАВЕЛЬЕВ В.В. Комплексное оценивание и оптимизация на моделях многомерных объек-тов. – М.: 2003, (Научное издание / Институт проблем управления им. В.А. Трапезникова РАН). – 58 с.

2. ЛЕВИНТАЛЬ А.Б., ЕФРЕМЕНКО В.Ф., ГУСЕВ В.Б., ПАВЕЛЬЕВ В.В., ПАЩЕНКО Ф.Ф. Комплексное оценивание и планирование развития региона. – М.: 2006, (Научное из-дание / Институт проблем управления им. В.А. Трапезникова РАН). – 53 с.

222

МАТЕМАТИЧЕСКИЕ И КОМПЬЮТЕРНЫЕ МЕТОДЫ ОЦЕНКИ КОГНИТИВНЫХ СПОСОБНОСТЕЙ

ЧЕЛОВЕКА

Багдасарян А.Г., Оганян Т.Р. (Институт проблем управления РАН, г. Москва)

arbag@mail.ru

Рассмотрены подходы к оценке когнитивных способностей человека на основе исследования активности нейронных струк-тур мозга. Ключевые слова: когнитивные способности человека, когни-тивная (нейро) психология, нейронная активность

Человеческий мозг один из самых сложных объектов иссле-

дований. Несмотря на значительные успехи в исследовании его функциональных аспектов, человеческий мозг до сих пор оста-ется большой загадкой. Многие его механизмы деятельности и возможности до конца не поняты. Например, мы плохо пред-ставляем механизм когнитивных процессов, функционирование мозга в процессе тех или иных восприятий: экстрасенсорное восприятие, понимание и оценка ситуаций и т.д.

Сознательные и психические процессы (ментальная актив-ность) связаны с электрической и химической активностью мозга, возможно и опосредовано. Эта активность отражается на деятельности нейронов коры мозга, скрыто в динамике импуль-саций ансамблей нейронов, что приводит к изменениям в элек-тромагнитной активности. Психические проявления мозга и его материальное состояние взаимно обусловливают друг друга. Так, электрические и химические процессы в нейронах, актив-ность нейронных структур обусловливают ментальные процессы (мысли, чувства, эмоции), и наоборот.

Как известно, существует два подхода к исследованию сис-тем. Первый подход, так называемый «bottom-up», заключается в

223

том, что, исходя из свойств отдельных элементов системы, пытаются воспроизвести свойства системы в целом. Другой подход обозначается английским словосочетанием «top-down» – исходя из свойств системы, делаются выводы о свойствах от-дельных ее элементов. В экспериментальных исследованиях мозга используются «bottom-up» методы, причем на передний план выходит изучение отдельных межнейронных процессов, а также процессов, происходящих внутри отдельных нейронов. Лишь недавно с появлением новых методов измерения удалось исследовать и взаимодействие групп нейронов – нейронных ансамблей.

Однако, для более глубокого исследования и проникнове-ния в тайну процессов мозга необходимо сочетание обоих под-ходов; необходимо понимание сущности связи между процесса-ми, происходящими как на микроскопическом, так и на макроскопическом уровнях.

Активные исследования в этой области проводятся под ру-ководством проф. А.Н. Лебедева из Института психологии РАН. В его исследованиях показана тесная взаимосвязь между когни-тивными способностями человека и активностью нейронных структур мозга.

Волны нейронной активности (волны импульсаций нейрон-ных ансамблей), связанные с волнами ЭЭГ, выражаются диффе-ренциальным уравнением первого порядка с запаздывающим аргументом [3]

(1) ( ) 2( ) exp[ ( )]dU t aU t b U t cdt

= − + − −

колебаний мембранного потенциала U нейрона в пункте заро-ждения нервных импульсов в текущий момент времени t . Параметры колебаний a , b и c , в их комбинациях, объясняют главные особенности нейронных волн и импульсов, хранящих запечатленную в памяти информацию. Параметр a отражает скорость деполяризации мембраны нервной клетки. Параметр b отражает скорость ее запаздывающей реполяризации. Параметр c характеризует длительность запаздывания.

224

Решение системы уравнений (1) волновой активности ней-ронов раскрывает механизм запечатления, хранения и извлече-ния информации в нейронных сетях, поскольку объясняет ус-тойчивость волн когерентной нейронной активности.

Ансамбли нейронов, образованные воздействием стимулов, отражают в циклически повторяющихся узорах своей активно-сти разнообразную информацию об окружающем мире, пережи-ваниях человека, продуктах его творчества, особенностях лич-ности, его когнитивных ресурсах. Объем памяти, скорость мнемических операций, составляющих основу принятия реше-ний человеком, а также множество других психологических показателей являются функциями небольшого числа параметров согласованной нейронной активности. Группы нейронов со связанной активностью в составе одного и того же ансамбля образуют некое единство – ту или иную единицу внутреннего мира человека.

Уравнения, выведенные на основе нейрофизиологических данных об устойчивых, незатухающих колебаниях нейронной активности, позволили рассчитать по параметрам ЭЭГ

– объемы кратковременной и долговременной памяти чело-века,

– скорость извлечения из памяти сведений, – скорость принятия решений в ситуациях выбора, – точность субъективных оценок различных особенностей

воспринимаемых сигналов, – фундаментальные количественные характеристики речи,

а также проводить оценку когнитивных способностей личности [1, 2].

Дальнейшим развитием в изучении когнитивных способно-стей человека является переход к комплексным величинам и математически мнимым полям. Применение мнимых осей и размерностей представляет значительный интерес в эксперимен-тальных исследованиях и является перспективным направлени-ем исследований в области когнитивной (нейро) психологии [4]. Исходное предположение заключается в том, что ментальная

225

активность (сознание, восприятие, психические процессы) ха-рактеризуется мнимой величиной.

Рассматривается обобщение уравнения (1) в комплексном поле ΨiUh += , где Ψ выражает ментальную составляющую. Заменяя U на h получим систему уравнений

(2) ( ) 2 2( ) cos(2 )exp( )exp( )U t aU t b U Ut

∂+ = Ψ − Ψ

∂

(2’) ( ) 2 2( ) sin(2 )exp( )exp( )t a t b U Ut

∂Ψ+ Ψ = − Ψ − Ψ

∂

Полученные уравнения будут связанными вследствие нели-нейности уравнения. Анализ связанной динамики этих уравне-ний, характера динамической взаимосвязи между действитель-ным и мнимым полем будет способствовать более глубокому пониманию когнитивных способностей человека и процессов восприятия.

На основе результатов этой работы могут быть разработаны специализированные алгоритмические схемы и компьютерные методы, выступающие в качестве математического обеспечения компьютерных экспертных систем, предназначенных для оценки когнитивно-личностных особенностей человека. Они могут найти применение в прикладных системах, использующих ЭЭГ-анализ, например, в компьютерных системах психодиагностики, системах анализа психических и умственных способностей, и др.

Литература

1. БЕРЕСТНЕВА О.Г., ЛЕБЕДЕВ А.Н., МУРАТОВА. Е.А. Компьютерная психодиагностика: Учебное пособие. – Томск: Изд-во ТПУ, 2005.

2. ЛЕБЕДЕВ А.Н. Концепция нейронного кода в психологии // Психологический журнал, 2003, 24 (1).

3. ЛЕБЕДЕВ А.Н., ЛУЦКИЙ В.А. Ритмы ЭЭГ - результат взаимосвязанных колебательных нейронных процессов // Биофизика, 1972, т.17, 3.

226

4. LEBEDEV A.N. Imaginary dimensions of subjective spaces. In: R.Steyer, K.F.Wender & K.F. Widaman (Eds.). Psychometric Methodology. Proceedings of the 7th European Meeting of the Psychometric Society in Trier. Stuttgart and New York: Gustav Fischer Ferlag, 1993, p. 258–262.

227

К ПОСТРОЕНИЮ ПРОКРЕАЦИОННОЙ1 МЕГАПРОГРАММЫ

Реут Д.В. (НИИ общественного здоровья и управления

здравоохранением Академии им. И.М. Сеченова, г. Москва) dm_reout@mail.ru

Рассматривается проблемная ситуация, которая состоит в динамичном замещении титульных наций – носителей европей-ской (в широком смысле) культуры – соседями – представите-лями культур традиционных, не склонных к ассимиляции. Пока-зано, что наиболее перспективным из современных инструментов управления является программный способ орга-низации любой коллективной деятельности, в том числе, на-правленной на решение демографических проблем. Проведена классификация современных методов управления на базе триа-ды ОРУ (организация–руководство–управление). Ключевые слова: прокреационная деятельность, управление и программирование, мегапрограмма, триада ОРУ: организа-ция – руководство – управление, методы управления

«Всякий прогресс – это

выигрыш в чем-то отдельном и разъединение в целом; это при-рост силы, переходящей в про-грессирующий прирост бесси-лия».

Р. Музиль

1 Термин «прокреационный» появился в медицинско-философском дискурсе, по-видимому, в работе [17]. Здесь мы будем понимать его в расширительном значении – не просто жизневоспроизводящий, но – предшествующий и способствующий воспроизводству жизни.

228

Преамбула

В первой трети прошлого века в отечественный культурный обиход вошло понятие «бумажная архитектура». Сюда относили масштабные амбициозные зодческие проекты (как правило, конструктивистские и модернистские), не имевшие шансов на реализацию в связи отсутствием у единственного возможного Заказчика – государства – того соотношения мотивации, вре-менного горизонта стратегического видения и резерва ресурсов, которое делало заказ возможным.

Еще более проблемной обещает быть реализация обсуждае-мой мегапрограммы, хотя ставка ее – само существование мира европейской культуры в среднесрочной (а для России – и в краткосрочной) перспективе [10–15].

Парадокс заключается в том, что мир европейской культуры в целом (и Россия в частности) не является субъектом в той степени, чтобы признать себя «хозяином» проблемы депопуля-ции и взять на себя ответственность за ее решение. Это тягост-ное состояние социума иногда называют «бессубъектностью» [5]. Проблема зреет давно. Однако, европейская система соци-альных институтов и наук не покрывает всей совокупности опыта. «Иголки», согласно пословице, ищутся «под фонарями». Для восприятия остальных зон реальности у коллективных «субъектов» просвещенной культуры просто не сформированы органы (см. эпиграф).

Вопросы отыскания или проектирования Инициатора и За-казчика мегапрограммы целесообразно ставить после того, как будет очерчен ее масштаб. Управлению предшествует узнава-ние. Оно превращает протоситуацию в ситуацию [11]. Ему и посвящена настоящая работа, ориентированная на предметную сторону проблемы прокреационной несостоятельности развитых стран Запада, а также России.

Проблемная ситуация состоит в динамичном замещении ти-тульных наций – носителей европейской (в широком смысле) культуры – соседями – представителями культур традиционных, не склонных к ассимиляции. Несмотря на общеизвестную демо-

229

графическую мировую динамику и ее прямые следствия типа косовской трагедии, проблема остается вне поля зрения общест-венности и правительств стран, входящих в очевидную зону риска. Предварим предложения по разрешению этого парадокса двумя вольными естественнонаучными аналогиями.

1) Согласно одной из гипотез, древние ящеры исчезли по-тому, что уступали мелким хищникам в скорости реакции, обусловленной временем прохождения нервных импульсов от частей их исполинского тела к мозгу. В динамичных ситуациях они оказывались беспомощными.

2) По сведениям из школьного учебника, если поместить ля-гушку в сосуд с водой и поставить его на медленный огонь, она не почувствует опасности и сварится, если же нагревать воду быстро, лягушка мгновенно выпрыгнет на волю и спасется.

В последнее десятилетие Россия теряет по миллиону жизней в год [2,4,6]. Достаточно ли этого факта, чтобы начать реагиро-вать?

1. О месте управления и программирования в дея-тельности

Деятельность есть способ существования (и развития) со-циума со всеми его культурными и цивилизационными над-стройками. Способ существования необходимо включает вос-производство, в частности, поддержание численности членов социума. Составляющую деятельности, обеспечивающую этот процесс, будем называть прокреационной деятельностью.

Различают индивидуальных и коллективных субъектов дея-тельности. Индивидуально человек может осуществлять, напри-мер, когнитивную, креативную, проектную деятельность («лич-ный проект»).

При включении в коллективные формы деятельности спектр его возможностей расширяется. Он может участвовать в полити-ко-стратегической, экономической, производственной, про-граммно-проектной [7] и т.п. деятельности. В составе коллек-тивного субъекта появляется потребность в разделении и

230

координации функций. Здесь возникает понимаемое в широком смысле управление – деятельность над конкретными перечис-ленными видами деятельности.

Наиболее перспективным из современных инструментов управления является программный способ организации работ. «Необходимость в программах (в отличие от проектов и планов) возникает в тех случаях, когда объект управления (объект заду-манных преобразований) несоразмерен субъекту, не может быть «схвачен» в едином целостном знании и положен как объект в точном смысле слова. …Поэтому программы обычно строятся для управления сложными эволюционирующими системами, т.е. системами, живущими своей собственной, в известной мере неподконтрольной управленцу жизнью. При этом существенным моментом программы всегда оказывается момент анализа и исследования «естественной» жизни объекта, особым образом соорганизующийся с моментом искусственно-технического воздействия. …эта аналитическая и исследовательская деятель-ность должна строиться в расчете на постоянную коррекцию прежних прогнозов и их наращивание во времени. … конкрет-ные воздействия на объект могут планироваться и осуществ-ляться лишь в границах горизонтов возможного прогнозирова-ния. …Для использования программы характерна ситуация, когда ясно, что именно не удовлетворяет в нынешнем положе-нии дел, примерно понятно, куда (в каком направлении) должна сдвигаться ситуация, но не ясны средства, методы и способы осуществления желаемой сдвижки. …В отличие от этой ситуа-ции в проекты организуются более локальные системы будущей деятельности, имеющие фиксированные цели и продукты, а также способы их достижения и получения. …Планы же… выступают как подсобное средство реализации программ и проектов. …программная организация занимает место объем-лющей по отношению к планам и проектам и опережает их в логике оргуправленческого мышления и деятельности, следуя за разработкой политики, стратегии и концепций» [9]. Таким обра-зом, мы видим, что инструментом решения прокреационной

231

проблемы может стать скорее мегапрограмма, чем мегапроект [10].

2. Прокреация как фоновая цель коллективной дея-тельности

Одним из интегральных эффектов коллективной деятельно-сти в социуме должно являться исполнение прокреационной функции – воспроизводства жизни в каждом конкретном сооб-ществе, стране, социуме в целом. Успешная прокреация является тем фоном, на котором могут осуществляться (или не осуществ-ляться) все иные виды человеческой деятельности. Если про-креация не обеспечена, то другие виды деятельности подобны танц-классу на палубе тонущего «Титаника».

В зависимости от организации социума, управление испол-нением прокреационной функции может иметь разную степень централизации. У народов традиционных культур эта функция предельно децентрализована, осуществляется на семейном уровне и никаких специальных общественных институтов не требует. У народов «просвещенных» культур прокреационный потенциал под предлогом научной рационализации последова-тельно экстрагировался с уровня семьи (включением женщины в общественное производство), централизовался и с теми или иными оговорками (создание яслей, детских садов, школ, инсти-тута пенсионного обеспечения) в конце концов использовался на цели общественного развития. В результате оказалось, что ис-полнение этой функции перестало быть удовлетворительным, о чем неопровержимо свидетельствует демографическая статистика.

В связи с этим сегодня необходимо «протезирование» про-креационной функции, т.е. срочное развертывание масштабной программы, направленной на восстановление прокреационного потенциала стран зоны риска (Центральной Европы, России). По масштабам усилий и затрат она обещает превзойти создание альтернативных источников энергии или выход человечества в космос. Поэтому уместно назвать ее мегапрограммой. Такова отсроченная плата за прогресс западной или европейской (в

232

широком смысле) цивилизации, за переход европейского социу-ма от естественно-искусственного состояния к искусственно-естественному. Заметим еще раз, что перед народами традици-онных культур такая проблема в принципе не стоит в силу иного распределения функций по властной вертикали.

Новейшая история Югославии показывает, что время меж-дународного сотрудничества в этой сфере еще не настало. Ви-димо, подобные мегапрограммы будут носить на начальном этапе статус национальных.

Какие же современные методы эффективного управления можно использовать в прокреационной мегапрограмме?

3. Комплекс ОРУ как базис классификации видов орг-управленческой деятельности

Отечественный философ и методолог Г.П. Щедровицкий разделял в составе оргуправленческой деятельности (ОРУ) три итеративно повторяемые стадии: организацию (в смысле – орга-низовывание – создание структуры и распределение функций), руководство (постановка целей, установление и осуществление процедур контроля их достижения) и собственно управление (коррекция движения подчиненных индивидуальных и коллек-тивных субъектов к поставленной цели) [19].

Используем упомянутую триаду (ОРУ) в качестве базиса классификации рассмотренных в работе [8] современных мето-дов эффективного управления.

Метод золотого сечения можно отнести к стадии «органи-зовывания», при этом последующие руководство и управление не имеют особой специфики.

Метод рефлексивного управления – также к стадии «органи-зовывания», которому подвергается внутренняя ментальная структура подчиненного (подчиненных людей). При этом в идеале система становится самоуправляемой. Отметим, что данный метод является продуктом постнеклассического этапа развития науки [18].

233

Метод мягкого резонансного управления – к стадии руково-дства. Этот метод применим в тех редких случаях, когда струк-тура и значения параметров управляемого объекта хорошо известны и благоприятны, что исключает надобность в предва-рительном «организовывании» и последующем собственно управлении.

Когнитивный анализ – к стадии собственно управления объектами столь сложными, что их описание и осмысление невозможны в рамках односвязного современного научного аппарата; поэтому результаты разных наук сшиваются в единую математическую модель (знаковый граф с весами) совместными усилиями экспертов-предметников. Результаты последующего математического моделирования используются в целях под-держки принятия конкретного управленческого решения.

Системный (целостный) подход является концептуальной основой для всей триады ОРУ (организация-руководство-управление). Под системой здесь понимается совокупность элементов и связей между ними, организованных таким образом, что цель системы достигается в определенном диапазоне внеш-них воздействий. Если субъект управления обладает достаточ-ной интеллектуальной мощностью для порождения целостности, он проектирует и реализует подсистему управления, дополняю-щую объект управления до этого состояния (при возможности, модифицируя и сам объект управления). Тогда в дальнейшем достаточно мягкого резонансного управления или система во-обще самоуправляема в течение неограниченного времени в заданном диапазоне внешних условий до исчерпания ресурсов. В противном случае управленец вынужден перманентно пере-проектировать подсистему управления на ограниченные сроки по мере накопления опыта и знаний («перестройка»). Заметим, что выделение системы как объекта исследования и управления в окружающем мире может быть осуществлено множеством разных способов и, соответственно, приводит к различным результатам. Поэтому и целостность выделенного объекта мо-жет приобретать различные натуральные и смысловые наполне-ния.

234

Для нас в данном случае мир европейской культуры ока-жется целостной системой, если он будет обладать прокреаци-онной состоятельностью, т.е. способностью поддерживать свою численность в заданных пределах в долговременной (неограни-ченной) стратегической временной перспективе. То же можно повторить относительно существенной части этого мира – Рос-сийской Федерации.

Ситуационный центр прокреационного программирования. Проблема столь важна, что требует непрерывного контроля ситуации. Возможно, на некотором этапе ее осознания будет признана необходимость создания ситуационного центра, по-добно предложенному и частично реализованному в свое время британским ученым С.Биром [3]. Впоследствии это техническое решение было многократно модифицировано различными раз-работчиками систем управления [1].

Для оценки текущей демографической ситуации в поле зре-ния команды экспертов должен находиться ряд экранов (карто-фонов), демонстрирующих динамическое распределение по курируемой территории: • политических приоритетов (отражающих ответы на внешнее

военное и/или демографическое давление и стратегическое видение развития страны, связанного с освоением собствен-ных ресурсов и трансформацией хозяйственно-экономического потенциала),

• плотности и возрастного состава населения, • демографического потенциала [2], • миграционных потоков, • внешних параметров качества жизни (в т.ч. уровня жизни и

экологического благополучия), • внутренних параметров качества жизни (т.е. запаса здоровья

как «экзистенциальной валюты»), • хозяйственно-экономической конъюнктуры (в натуральном

и денежном выражении). Список является открытым и постоянно пересматриваемым.

Однако, психология восприятия ограничивает общее количество

235

зрительных объектов, между которыми распределяется внима-ние эксперта.

Должна быть предусмотрена возможность отображения на одном экране текущих значений и результатов когнитивного моделирования [16] по одному или нескольким параметрам.

Резюме

Обсуждаемая проблема возникла вследствие осуществив-шегося в ходе исторического развития европейского социума перенесения ресурсов и ответственности за исполнение про-креационной функции с семейного уровня социальной иерархи-ческой пирамиды на государственный.

Поскольку повернуть историю вспять невозможно, пред-стоит определить, какими управленческими и иными действия-ми на всех уровнях пирамиды создавшееся положение может быть исправлено, а затем построить и реализовать соответст-вующую мегапрограмму.

В силу своей масштабности мегапрограмма требует между-народных усилий всего европейского сообщества, однако, ини-циация ее возможна на национальном уровне, например, на уровне Российской Федерации в развитие национальной про-граммы здравоохранения.

Литература

1. АНИСИМОВ О.С., ЖИРКОВ О.А. Организационно-деятельностные игры для принятия решений на ситуаци-онном центре. Труды 5-й международной конференции "Когнитивный анализ и управление развитием ситуаций (CASC'2005)". Москва, 18-20 октября 2005 г., М.: Институт проблем управления РАН, с.198–204.

2. БАШЛАЧЕВ В.А. Демография: Русский прорыв. Независи-мое исследование. М.: Белые альвы. 2004, 160 с.

3. БИР С. Мозг фирмы. М.: «Радио и связь», 1993, 416 с.

236

4. ГУРВИЧ И.Н. Состояние здоровья населения России: 1989 – 2003. Русский журнал «Спид, рак и общественное здоро-вье», 2005, Т.9, 1, с.72–83.

5. ЛЕПСКИЙ В.Е. Стратегические центры России. Рефлек-сивные процессы и управление, 2004, Том 4, 2,с. 14–19.

6. ЛУКАШЕВ А.М., ПРОХОРОВ Б.Б., ШИЛЕНКО Ю.В. Общественное здоровье и управление здравоохранением. М.: «Оверлей», 2005, 392 с.

7. НАУМОВ С. Представление о программах и программиро-вании в контексте методологической работы. Кентавр, 1991, 1, с.31–46.

8. ПРАНГИШВИЛИ И.В. О методах эффективного управле-ния сложными системами. Труды 5-й международной кон-ференции "Когнитивный анализ и управление развитием си-туаций (CASC'2005)". Москва, 18-20 октября 2005 г., М.: Институт проблем управления РАН, с. 7–15.

9. РАЦ М.В., СЛЕПЦОВ Б.Г., КОПЫЛОВ Г.Г. Концепция обеспечения безопасности. М.: Касталь, 1995, 84 с.

10. РЕУТ Д.В. Прокреационная ситуация и возможности управления ее развитием. Труды 5-й международной кон-ференции "Когнитивный анализ и управление развитием си-туаций (CASC'2005)". Москва, 18-20 октября 2005 г., М.: Институт проблем управления РАН, с. 135–143.

11. РЕУТ Д.В. Развитие как «синоним» неустойчивости или: о пределах возможностей управления ситуациями. Труды 5-й международной конференции "Когнитивный анализ и управ-ление развитием ситуаций (CASC'2005)". Москва, 18-20 ок-тября 2005 г., М.: Институт проблем управления РАН, с. 31–38.

12. РЕУТ Д.В. Рефлексивные горизонты субъекта обществен-ного здоровья // Рефлексивные процессы и управление N2, том 4. 2004. С.48–59.

13. РЕУТ Д.В. Субъект экологической деятельности в постне-классическом мире. Материалы Международной научно-практической конференции «Проблемы экологической

237

безопасности и природопользования», выпуск 6, Том 2, М., 2005, с. 265–268.

14. РЕУТ Д.В. Системный подход и проблематика обществен-ного здоровья. Проблемы управления здравоохранением. 2005, 6 (25), с. 35–40.

15. РЕУТ Д. В. Системный подход и основания прокреационной мета-экономики. Проблемы управления здравоохранением. 2005, 6 (25), с. 64–71.

16. РЕУТ Д.В. О когнитивном моделировании территориаль-но-распределенного прокреационного процесса. См. наст. сборник.

17. РОМАНОВ Л.Е., РЕУТ Д.В., ВАСИНА О.И. и др. Общест-венный центр "Жизниград" как форма институционализа-ции проектного отношения к здоровью и субъект новой прокреационной политики. Сборник "Здоровье человека: социогуманитарные и медико-биологические аспекты" (труды Всероссийской конференции "Здоровье как пробле-ма гуманитарного знания". Институт человека РАН, апрель 2002) М., 2003, с. 226–234.

18. СТЕПИН В.С. Теоретическое знание. М.: Прогресс-Традиция, 2003, 744 с.

19. ЩЕДРОВИЦКИЙ Г.П. Оргуправленческое мышление: идеология, методология, технология. Курс лекций / из ар-хива Г.П. Щедровицкого. Т.4, М., 2000, 384 с.

238

О КОГНИТИВНОМ МОДЕЛИРОВАНИИ ТЕРРИТОРИАЛЬНО РАСПРЕДЕЛЕННОГО

ПРОКРЕАЦИОННОГО1 ПРОЦЕССА И УПРАВЛЕНИИ ИМ

Реут Д.В. (НИИ общественного здоровья и управления здравоохране-

нием Академии им. И.М. Сеченова, г. Москва) dm_reout@mail.ru

В статье представлено предмодельное описание структуры прокреационной ситуации РФ для постановки работы по ког-нитивному анализу ее естественного и/или управляемого раз-вития в целях преодоления депопуляции и прокреационной несо-стоятельности. Ключевые слова; прокреационная мегапрограмма, когнитив-ный анализ и моделирование, многослойная серия когнитив-ных карт

Преамбула

Данная работа является продолжением работы [5] и посвя-щена частному вопросу построения прокреационной мегапро-граммы – эскизным требованиям к программному обеспечению когнитивного моделирования распределенной прокреационной ситуации, позволяющего предварительно оценивать результаты предполагаемого управленческого воздействия на населенную территорию.

1 Термин «прокреационный» появился в медицинско-философском дискурсе, по-видимому, в работе [9]. Здесь мы будем понимать его в расширительном значении – не просто жизневоспроизводящий, но – предшествующий и способствующий воспроизводству жизни.

239

По-видимому, когнитивный анализ является в настоящее время наиболее адекватным из наличных управленческих инст-рументов для работы с комплексными проблемами, охватываю-щими ряд относительно автономных областей практики (воз-можно даже, развивающихся в разных логиках). «Замыкающей» логикой в данном случае является логика прокреации, т.е. вос-производства жизни на управляемой территории, поверяемая демографической статистикой. Последняя и позволяет произво-дить настройку когнитивных коэффициентов и калибровку всего вычислительного комплекса, возможно, состыкованного с упо-мянутым в вышеуказанной работе ситуационным центром.

1. От точечной модели к территориально распреде-ленной

Прокреацию социума, общественное здоровье и т.п. сущно-сти лишь в нулевом приближении можно оценивать скалярной величиной, концептуально стягивая протекающие в стране процессы в точку. Очевидно, они существенно варьируются по территории в зависимости от природных условий, предыстории, экономической конъюнктуры, положения дел в ближайшем и отдаленном окружении, места региона в ближайших планах государственного развития и т.п. Поэтому когнитивное модели-рование, подобное предлагаемому в работах [2,3], следует про-водить для всего множества точек (узлов), покрывающих кури-руемую территорию на основании целой серии когнитивных карт (знаковых графов с весами). Каждой точке территории соответствует своя когнитивная карта серии. При этом начинать расчет целесообразно с наиболее динамично развивающегося узла, источника инвестиций и т.п. и, учитывая «эффект ореола», двигаться от этого центра к периферии по раскручивающейся спирали. Под «эффектом ореола» понимается влияние на значе-ние переменной в рассчитываемом узле значений этой же пере-менной в соседних точках (узлах) исследуемой территории. Например, существуют миграционные потоки, заметно изме-няющие демографическую ситуацию в стране.

240

Назначаемое количество расчетных узлов (рассчитываемых когнитивных карт) во многом определяет точность получаемого при моделировании результата. В перспективе может быть построен алгоритм автоматического выбора шага расчета на заранее сформированном избыточном множестве узлов исходя из задаваемой точности результата, подобный алгоритму стан-дартных программ численного интегрирования обыкновенных дифференциальных уравнений с постоянными коэффициентами методом Рунге-Кутта.

В качестве скалярного итога для управляемой территории может быть взято усредненное значение рассчитанных зависи-мых переменных (например, прокреационных потенциалов [1]), взвешенное по численности населения, приписанного каждому узлу сети, аппроксимирующей исследуемую территорию.

2. От «плоской» модели к «многослойной»

При когнитивном моделировании когнитивная карта со-ставляется относительно искомой переменной, для которой данная карта отражает влияние ряда внешних параметров.

Однако, последние, как известно, «заморожены» условно, а при более подробном рассмотрении приобретают статус пере-менных и также могут стать объектами когнитивного моделиро-вания. Тогда следует составить новую серию когнитивных карт. В части из них искомая переменная предыдущей серии окажется внешним параметром, для другой части может вообще отсутст-вовать. Расчет каждой серии когнитивных карт может начинать-ся со своей, обоснованно выбранной точки.

Вообще говоря, объектом когнитивного моделирования мо-жет оказаться каждый параметр исходной когнитивной карты или только некоторые из этих параметров – в зависимости от характера взаимных влияний и требуемой точности.

Суммарным объектом когнитивного моделирования становит-ся многослойная серия когнитивных карт, для краткости называе-мая здесь «колодой». Процесс может потребовать ряда итераций. Сходимость процесса может потребовать дополнительных иссле-

241

дований и настроек. Объем вычислений при этом, конечно, много-кратно возрастает. Однако, для решения важных задач, имеющих государственное значение, с этим приходится мириться.

3. Когнитивное моделирование управления прокреа-ционной состоятельностью населенной террито-рии

Речь идет о моделировании управления территориально распределенным прокреационным процессом.

1. Подготовку к такому моделированию целесообразно на-чинать с составления перечня влияющих на осуществление прокреационной функции комплексных факторов, каждый из которых определяется состоянием соответствующей области науки и/или практики.

Можно выделить два контура, влияющих на демографиче-скую ситуацию на территории: «внешний» и «внутренний». Первый в большей степени доступен управляющим воздействи-ям, второй – более закрыт и, к тому же, инерционен; он опирает-ся на сложившиеся «обыкновения». Расчет внешнего и внутрен-него контуров осуществляется попеременною Влияние на демографию процессов, протекающих в контурах, может быть как однонаправленным, так и разнонаправленным.

«Внешний» контур: – внешняя и внутренняя политика (волевые установки и их

предметная реализация), – экономика (наличная промышленность, экономическая

конъюнктура, экономическое благополучие, реальный уровень жизни),

– медицина, – социология (социальное благополучие, социальная на-

пряженность, «градус» межнациональных отношений), – демография. «Внутрений» контур: – экология, – образование и профессиональная подготовка,

242

– практика здравоохранения (как интерфейс между медици-ной и конкретным жителем – потенциальным пациентом),

– прокреационный аспект качества жизни, включающий об-раз жизни (как интерфейс между формируемой реальностью и прокреацией, выливающейся post factum в демографические показатели; именно он определяет актуальную жизнеспособ-ность страны в каждой точке временного континуума),

– демография (как опорная фактура и «ответ в конце задач-ника» во время настройки расчетного комплекса для текущего момента времени).

Данные списки являются открытыми, они могут изменяться в зависимости от широко понимаемой конъюнктуры, естествен-ных и искусственно формируемых перекрестных влияний. Спи-ски ранжируются на основе экспертных оценок.

2. Выбирается исходная степень подробности моделирова-ния территории, связанная с требуемой точностью результата, степенью детализации наличной исходной информации и распо-лагаемыми вычислительными мощностями. На географической карте территории наносится сеть узлов предполагаемого моде-лирования. Она не обязательно покрывает территорию равно-мерно. Должны быть последовательно пройдены все слои проек-тируемой колоды. В качестве узлов сети могут выбираться населенные пункты или их важные районы, промышленные предприятия, учебные центры, экономически активные или экологически проблемные зоны и т.п.

3. Поскольку моделируется активно управляемый процесс, необходимо определить поле приоритетов предполагаемой дея-тельности. Если моделируется управление территорией, которую предполагается удержать (например, страной), то поле приорите-тов может отражать результаты анализа внешних угроз – военно-го, экономического и/или демографического давления. Поле приоритетов представляет собой список, в котором каждому узлу сети поставлен в соответствие числовой коэффициент, отражаю-щий важность для управленца прокреационного благополучия в данном узле модели. Приоритеты задаются Стратегом в соответ-ствии с его видением и целями развития территории. В дальней-

243

шем управленцы различных рангов пользуются им (или его визу-альным, например, цветовым представлением на катрофонах ситуационного центра) при назначении управленческих воздейст-вий и/или распределении ресурсов по территории.

4. Составляются серии когнитивных карт по всем узлам для избранных к моделированию слоев реальности. Каждая серия когнитивных карт представляет собой слой подлежащей обсчету колоды.

5. Расчет прокреационного аспекта качества жизни (выли-вающегося в прокреационный потенциал, понимаемый как сдвинутое на 12 лет назад количество 12-летних детей [1]) про-водится послойно, начиная с более динамичных реальностей, например, с хозяйственно-экономической. Результаты расчета всех предыдущих слоев учитываются в расчетах каждого узла последующих слоев колоды.

6. Калибровочный расчет колоды проводится итеративно до момента достижения устойчивых значений демографических показателей, которые поверяются наличной демографической статистикой. В случае недопустимых расхождений эксперты проводят коррекцию многослойного поля когнитивных связей. Калибровка призвана предотвратить «кибернетическую опас-ность» [4] при управлении страной.

7. Другой возможностью для калибровки модели является сопоставление расчетных миграционных потоков с официально регистрируемыми. Если в точности официальных данных нет достаточной уверенности, то данные моделирования можно использовать для контроля за регистрирующими миграцию органами. Миграционные потоки являются, в первую очередь, следствием неравномерности хозяйственно-экономической конъюнктуры и межнациональной напряженности.

8. По предложению управленца в модель вводятся управ-ляющие воздействия, и производится моделирование территори-ально распределенного прокреационного процесса на заданном временном интервале. По результатам моделирования можно судить о целесообразности предлагаемых воздействий.

244

4. О соотношении прокреации, демографии и меди-цины

Врач, помимо исполнения своих прямых обязанностей, яв-ляется «крайним» должностным лицом, традиционно уполномо-чиваемым обществом фиксировать конец жизненного пути своих членов. Согласно незыблемым бюрократическим законам управления, оно обязано отчитываться перед обществом о коли-чественных результатах своей деятельности. Из этого логически вовсе не вытекает единоличная ответственность медицины за представленные ей обществу демографические показатели.

Однако, вклад здоровья индивидуального или коллективно-го субъекта в значение его прокреационного потенциала доста-точно весом. Здоровье обычно считается областью ведения медицины, хотя единого представления о здоровье до сих пор не сформировано. Ведь если отталкиваться в представлении о здоровье от понятия нормы, то определить эту норму однознач-но оказывается невозможно, поскольку она ситуативна.

Перспективно направление развития представлений о здо-ровье, опирающееся на бесспорные фактические данные – демо-графическую статистику, ведущее от общественного здоровья к личному [6,7] и трактующее здоровье в системном подходе как инструментальную ценность – средство обеспечения прокреаци-онной состоятельности коллективного и/или индивидуального субъекта.

Прокреация инструментально определяется внутренними и внешними параметрами качества жизни индивида, общности, популяции.

С учетом сказанного здоровье индивида, общности, популя-ции есть совокупность внутренних параметров качества жиз-ни (индивида, общности, популяции), и порождающих их внут-ренних процессов (соответственно и «перекрестно» – индивида, общности, популяции) в системе, соответствующей индивиду-альному и/или коллективному субъекту здоровья, и обеспечи-вающей прокреацию (воспроизводство жизни) индивидуального или коллективного субъекта.

245

На здоровье и его запас (запас «экзистенциальной валюты») непосредственно влияют и внешние параметры качества жизни, представленные в модели слоями внешней и внутренней поли-тики, экономики, социальных факторов, экологии, образования, профессиональной подготовки.

Резюме

Данная работа представляет собой предмодельное описание структуры прокреационной ситуации РФ для постановки работы по когнитивному анализу ее естественного и/или управляемого развития в целях преодоления депопуляции и прокреационной несостоятельности.

Указанные проблемы актуальны и для всего ориентирован-ного на европейскую (в широком смысле) культуру сообщества и для каждой страны в отдельности, поскольку титульные нации Европы динамично и неуклонно замещаются принадлежащими традиционным культурам соседями, о чем свидетельствует демографическая статистика [8].

Реализация предлагаемой когнитивной модели и, в особен-ности, ее использование в совокупности с ситуационным цен-тром делает процесс управление территорией (страной) более прозрачным для Стратега, работающего в долгосрочной времен-ной перспективе, и управленцев различных рангов, работающих в среднесрочной и краткосрочной временной перспективе.

Литература

1. БАШЛАЧЕВ В.А. Демография: Русский прорыв. Независи-мое исследование. М.: Белые альвы. 2004, 160 с.

2. ИЛЬЧЕНКО И.А., ГОРЕЛОВА Г.В. Когнитивный анализ факторов городской среды и их влияния на здоровье горо-жан. Труды 5-й международной конференции "Когнитив-ный анализ и управление развитием ситуаций (CASC'2005)". Москва, 18-20 октября 2005 г., М.: Институт проблем управления РАН, с. 144–151.

246

3. ЛАЗАРЕВ В.Н., КВАСОВ А.С. Когнитивное компьютерное моделирование социально-демографических процессов. Тру-ды 5-й международной конференции "Когнитивный анализ и управление развитием ситуаций (CASC'2005)". Москва, 18-20 октября 2005 г., М.: Институт проблем управления РАН, с. 152–159.

4. ПРАНГИШВИЛИ И.В. О методах эффективного управле-ния сложными системами. Труды 5-й международной кон-ференции "Когнитивный анализ и управление развитием си-туаций (CASC'2005)". Москва, 18-20 октября 2005 г., М.: Институт проблем управления РАН, с. 7–15.

5. РЕУТ Д.В. К построению прокреационной мегапрограммы. // Труды 6-й международной конференции "Когнитивный анализ и управление развитием ситуаций (CASC'2006)". – М.: ИПУ РАН, настоящий сборник.

6. РЕУТ Д.В. Системный подход и проблематика обществен-ного здоровья. Проблемы управления здравоохранением. 2005, 6 (25), с. 35–40.

7. РЕУТ Д. В. Системный подход и основания прокреационной мета-экономики. Проблемы управления здравоохранением. 2005, 6 (25), с. 64–71.

8. РЕУТ Д.В. Прокреационно-деятельностный подход к по-строению концепции культуры / Первый Российский куль-турологический конгресс. Программа. Тезисы докладов – СПб: Эйдос, 2006, с. 96.

9. РЕУТ Д.В. и др. Общественный центр "Жизниград" как форма институционализации проектного отношения к здо-ровью и субъект новой прокреационной политики. Сборник "Здоровье человека: социогуманитарные и медико-биологические аспекты" (труды Всероссийской конферен-ции "Здоровье как проблема гуманитарного знания". Инсти-тут человека РАН, апрель 2002) М., 2003, с. 226–234.

247

Секция 3 ПРИМЕНЕНИЕ КОГНИТИВНЫХ ТЕХНОЛОГИЙ ПРИ УПРАВЛЕНИИ СЛОЖНЫМИ СИСТЕМАМИ

КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ СТРАТЕГИИ ФОРМИРОВАНИЯ ГОСУДАРСТВЕННОГО ЗАКАЗА

Райков А.Н. (Институт проблем управления РАН, г. Москва)

anraikov@gcnet.ru

Представлена общая схема и методы проведения стратегиче-ского совещания (беседы) по выработке эффективной страте-гии формирования государственного заказа

Ключевые слова: организационная система, стратегия, мето-ды стратегических совещаний, когнитивное моделирование

В контексте принятия ФЗ от 21 июля 2005 года 94 «О размещении заказов на поставки товаров, выполнение работ, оказание услуг для государственных и муниципальных нужд» вопросам повышения эффективного использования средств бюджетов и внебюджетных источников финансирования, разви-тия конкуренции, совершенствования деятельности органов государственной власти и органов местного самоуправления, обеспечения гласности и прозрачности размещения заказов.

Растут требования к качеству работ и услуг. Качество на международном уровне (согласно стандартам типа ISO 9000:2000) понимается как постоянное повышение удовлетво-ренности потребителей работ, продукции и услуг при снижении издержек (себестоимости) их производства. Это понимание детализируется набором принципов и положений.

Испытанным средством успешной реализации такого под-хода к организации работ является разработка стратегии. Стра-тегия обычно имеет институализированный характер, привязы-

248

вается к определенной организационной структуре (например, департаменту, министерству) и ориентирована на определенные сегменты рынка. Стратегия – это согласованные цели и пути действий некой организации в реальных условиях формирова-ния рынка.

Однако динамика рынка постоянно растет [1], а методы формирования стратегии являются более консервативными, инерционными. Чтобы разработать стратегию надо провести маркетинг, сформировать цели, сформулировать проблемы, согласовать пути их решения среди множества исполнителей, найти мультипликативные мероприятия, которые оптимальным образом выведут организацию на целевые показатели. Традици-онно, на это тратится порядка 5 – 7 месяцев, отвлечение руково-дителей и сотрудников от работы и существенные финансовые затраты.

В современных же условиях формирования государственно-го заказа вопрос о разработке оптимальной стратегии его фор-мирования может ставиться в пределах следующих ограниче-ний:

• Ограниченность времени на формирование заказа (1 ме-сяц);

• Слабая формализуемость решаемой проблемы, реали-зуемого проекта;

• Многоаспектность (десятки факторов); • Уникальность (неповторимость) рыночной ситуации; • Латентность, скрытость данных, факторов; • Неопределенность информации, порождающая большие

риски; • Интуитивность, субъективность обстоятельств и др. Вместе с тем за рубежом и уже в России имеется опыт бы-

строго формирования и согласования стратегий среди коллекти-вов высших руководителей государственных организаций. В основу быстрого построения стратегий могут быть положены методы стратегических совещаний (бесед) [2,3]. При этом при-меняются следующие техники:

249

• познавательное (когнитивное) моделирование; • метод анализа иерархий; • SWOT-анализ; • мультимедийное моделирование; • нейролингвистическое программирование; • BSC–метод (сбалансированные показатели); • групповые экспертные процедуры; • статистические, оперативный анализ больших баз дан-

ных. Стратегическое совещание занимает, в зависимости от по-

ставленных задач, от 4 до 12 часов. В нем могут участвовать от 3 до 35 человек. Совещание проводится в отдельной комнате, снабженной компьютером, проектором с экраном коллективного пользования и доступными программными средствами. Совеща-ние проводится по предварительно подготовленной методике модератором, владеющим вышеперечисленными методами. Подготовительный и заключительный (оформительский) этапы могут занять от 1 недели до 1 месяца.

Общий стержень и последовательность этапов проведения совещания включают следующие этапы: построение дерева целей (анализ иерархий), формулирование проблемного поля (SOM, SWOT-анализ), определение и ранжирование приоритет-ных направлений деятельности (парные сравнения), составление списков требований, проектов и мероприятий государственного заказа (когнитивное моделирование).

Настоящая методика имеет 5 летний опыт апробации в гос-структурах при разработке государственных целевых программ, концепций, стратегий развития отраслей. Примерами проектов являются:

• Программа комплексной реконструкции сложившейся застройки Москвы;

• Проект Концепции развития российского рынка инфор-мационных технологий;

• Закон по противодействию злоупотреблению наркоти-ками в субъекте РФ;

250

• Региональные стратегии и концепции: повышения каче-ства высшего и профессионального образования, разви-тия здравоохранения, улучшения социальной защиты населения, развития ЖКХ, молодежной политики, рели-гиозной политики, коренных народов Севера и др.

Эти документы после своей разработки и утверждения учи-тывались и использовались при формировании государственных заказов федеральных органов власти и органов государственной власти субъектов Российской Федерации.

Литература

1. РАЙКОВ А.Н. Метафизика мечты // Экономические стра-тегии. – 2006. 3 – С. 16–23 и 4 – С. 22–25.

2. РАЙКОВ А.Н. Стратегия – в миг между прошлым и буду-щим // Информация и бизнес. – 2001. 2, – С. 30–33.

3. РАЙКОВ А.Н. Быстрая разработка стратегии в государ-ственной организации / Сб. научных статей «Теория и прак-тика применения информационных технологий в структу-рах государственной службы» –М.: Изд-во РАГС, 2003. – С. 91–104.

251

МОДЕЛИРОВАНИЕ ЗАДАЧ ПРИНЯТИЯ РЕШЕНИЙ ПО БЕЗОПАСНОМУ РАЗВИТИЮ

СЛОЖНЫХ СИСТЕМ

Буянов Б.Я., Верба В.А. (ВНИИАС МПС России, Московский государственный

горный университет, г. Москва) b.buyanov@gismps.ru, verba@list.ru

Рассмотрены проблемы безопасного и устойчивого развития социально-экономических систем, которые особо остро стоят для регионов России в настоящее время. Чаще всего оценка и выбор стратегии развития осуществляется экспертно, на качественном уровне, с использованием когнитивных моделей. Предлагается процедуры моделирования дополнить процеду-рами принятия решений, основанными на использовании мате-матического аппарата для вероятностных и нечетких задач об оптимуме номинала, что позволяет формализовать процесс оценки результатов принимаемых решений с последующей их оптимизацией. Ключевые слова: когнитивное моделирование, оптимум номинала, социально-экономические системы

Введение

В большинстве экономических исследований, объединен-ных в рамках региональной проблематики, таких как региональ-ное управление, экономика, диагностика, политика и др., потен-циал региональных структур рассматривается как категория стадии ex post с пространственно-временных позиций с прису-щей такому рассмотрению атрибутикой производимого (или произведенного) вложения средств (ресурсов региона), гаранти-рующего достижение заданной цели. При этом стадия принятия управленческих решений и формирования ресурсного обеспече-

252

ния регионального процесса ex ante, включающая вопросы оценки эффекта различных вариантов интеграции наличных региональных ресурсов, а также вариантов управления развити-ем совокупного потенциала региона в контексте концепции стратегического регионального управления, формализованная на системной основе адекватным понятийным аппаратом и методи-ческим инструментарием, либо не получила должного освеще-ния в публикациях, либо рассматривалась фрагментарно, что обусловило конвенциональность и противоречивость в научных подходах, семантическом оформлении и методической прора-ботке этой части региональной проблематики.

1. Задача принятия решений по экономически безо-пасному развитию сложных систем

Прогноз является важнейшим средством разработки методов перевода объекта в новое заданное для него состояние. Прогноз имеет большую определенность в сравнении с гипотезой, основы-вается на количественных показателях, позволяя количественно характеризовать будущее состояние объекта. В то же время связи прогноза с исследуемым объектом не являются жесткими, одно-значными, т. е. носят вероятностный характер.

Методология прогнозирования определяется содержательны-ми представлениями о траектории экономического развития ре-гиона, как фактической, так и желаемой, а также позволяет исполь-зовать адекватную технику моделирования последствий применения тех или иных инструментов экономической политики.

Мы выделим два аспекта моделирования: 1) гностический, выражающийся в экономическом предви-

дении; 2) управленческий, связанный с возможностью выработки

обоснованного управленческого решения. Цель прогнозирования – создать научные предпосылки для

выработки и осуществления выработки обоснованного управ-ленческого решения.

253

Эти предпосылки включают: научный анализ тенденций развития экономики; вариантное предвидение ее перспективного развития, учитывающее как сложившиеся тенденции, так и намеченные цели, оценку возможных последствий принимаемых решений. Обоснование направлений социально-экономического прогнозирования заключается в том, чтобы, с одной стороны, выяснить перспективы будущего в исследуемой области, руко-водствуясь экономическими процессами, сформулировать цели развития, а с другой – способствовать выработке оптимальных планов, опираясь на составленный прогноз и оценку принятого решения.

Достижение поставленной цели предусматривает решение следующих задач:

1. Исследование социально-экономических условий и ин-ституциональных предпосылок формирования феномена «ре-гиональные ресурсы», теоретическое и методологическое разви-тие понятийного аппарата управления регионом в рамках целостной системы категорий региональной проблематики, включая:

• формирование экспертно-теоретико-модельных пред-ставлений и понятийно-терминологических конструкций функ-ционального содержания экономики региона как объекта управ-ления;

• концептуальную трактовку теоретико-методологиче-ского базиса исследования структурного и функционального состава экономики региона: элементы, связи, целевые функции составляющих;

• анализ особенностей и выявление приоритетных про-блем, принципов, базовых моделей информационного и инстру-ментального обеспечения процесса управления экономики региона;

• гносеологическое обоснование и конструирование мо-дельной версии кибернетического подхода к управлению эконо-микой региона.

254

2. Разработка экспертно-теоретико-модельной концепции управления в системе стратегического менеджмента экономики региона, включая:

• исследование и формирование конструкции пространст-ва управления регионом, как сущностной характеристики и активной среды функционирования региональной системы;

• моделирование особенностей, функциональную деком-позицию процесса стратегического управления ресурсами: содержательный и структурный аспект;

• конструирование целевой функции, систем мониторинга и оценки составляющих региональной системы.

3. Формирование приемов, механизмов и моделей оптими-зации эффекта интеграции составляющих потенциала в корпора-тивной системе, включая:

• теоретическое обоснование микро- и макроэкономиче-ских особенностей, определение критериев и принципов оценки эффективности региональной системы;

• анализ экономических проблем использования регио-нальных ресурсов и развитие методов оптимизации функциони-рования отдельных подсистем;

• комплексную оценку эффективности развития региона при разных вариантах интеграции подсистем.

4. Реализация методологии, принципов и моделей – разра-ботка программного обеспечения управления региональной системой в системе государственного управления, включая:

• выявление особенностей и специфики идентификации региональных ресурсов;

• моделирование управленческих стратегий при целена-правленном воздействии на региональные подсистемы;

• диагностику и мониторинг состояния и использования региональных ресурсов.

255

2. Когнитивное моделирование принятия управлен-ческих решений по экономически безопасному разви-тию региональных систем

В работах по исследованию региональных социально-экономических систем (РСЭС) [1-5] используются различные когнитивные модели, в том числе объединенные с моделями задач принятия решений в условиях вероятностной неопреде-ленности модели в виде параметрического векторного функцио-нального графа: (1) Фп = < G, X, F, θ >,

где G = < V, E > – когнитивная карта, в которой V=vi | vi∈V, i=1, 2,.,k – множество вершин, являющихся элементами изу-чаемой системы, E=ei | ei∈E, i=1,2,.,k – множество дуг, отра-жающих взаимосвязь между вершинами Vi и Vj; X:V→θ, X – множество параметров вершин, θ – пространство параметров вершин; F=F(X,E) – функционал преобразования дуг, F: E×X×θ→R. В частном случае F=F(X,E) = f(xi,xj,eij) = wij – весовые коэффициенты, характеризующие силу влияния факторов.

Вершины когнитивной карты могут иметь смысл блоков системы, отдельных показателей и факторов или их групп в блоках. Например, экономический блок на уровне региона (объ-ем промышленного производства, финансовая система, транс-порт и связь, объем инвестиций и др. экономические подсисте-мы и показатели), социальный блок (уровень жизни населения, численность населения и др. показатели), экологический блок, политический блок, показатели безопасного и устойчивого развития региона и т.д. В когнитивной карте, построенной с помощью экспертов, по статистическим данным, теоретическим сведениям о предметной области находят отражение взаимосвя-зи и взаимовлияния вершин, которые отражены либо на качест-венном уровне, как факт влияния вершины на вершину, либо функционально.

Традиционно когнитивные модели используются для струк-турного анализа, анализа устойчивости изучаемых объектов, исследования сценариев развития системы. Результаты когни-

256

тивного моделирования дают возможность в целом оценить показатели безопасности объекта в окружающей среде, прогно-зировать его развитие по результатам имитационного моделиро-вания. В тоже время, формирование механизма устойчивого и безопасного развития РСЭС требует не только моделирования их развития под воздействием различных управленческих реше-ний, но и оценки «полезности» последствий принятия этих решений. Применение когнитивных моделей для отображения качественных и количественных отношений между элементами и подсистемами РСЭС, давая исследователю широкие возмож-ности для анализа существующих механизмов РСЭС, их струк-туры, устойчивости, сценариев развития и т.д., не позволяет формализовать процесс оценки результатов принимаемых реше-ний в целях последующей их оптимизации. Чаще всего оценка и выбор стратегии развития осуществляется экспертно, на качест-венном уровне. Поэтому предлагается процедуры когнитивного моделирования дополнять процедурами принятия решений, основанными на использовании математического аппарата для вероятностных и нечетких задач об оптимуме номинала [1, 2].

В общем случае для многих переменных Y (переобозначе-ние целевых параметров среди параметров Х когнитивной моде-ли), непрерывной функции оценки полезности С(Y) и возможно-сти оптимизации по всем параметрам Θ многомерного распределения f(Y, Θ) имеем задачу оптимума номинала второго класса: (2) ( , ) .. ( ) ( , , )h h

s

M t C Y f Y M t dcdYdtϕ = ∫∫ ∫

(3) ( , ), 1,2,...,hM X t h kη= = (4) X ∈ Xдоп ; Y ∈ Yдоп где φ(Мh,t) – функция эффективности оптимума номинала от параметров Мh распределения случайных величин Y и времени t; f(Y,Mh,t) – плотность распределения Y, С(Y) – полезность облас-тей S значений Y.

Выражение (2) является формулой определения математи-ческого ожидания полезности, (3) – ограничения на целевую

257

функцию φ в виде зависимости параметров Мh распределения целевых показателей Y от управляющих (или возмущающих) факторов Х, (3) – ограничения на параметры Х и Y. Выражения (2) – (4) являются моделью принятия решений в условиях веро-ятностной неопределенности.

При решении задач обеспечения безопасности развития ре-гиона в качестве показателей безопасности (целевых показате-лей Y) были выбраны системы показателей по каждому блоку (экономическому, социальному, политическому) разработанной когнитивной карты.

Применение модели (2) – (4) рассматривалось в двух вари-антах: выбор оптимальных значений управляющих факторов Х и выбор лучшего сценария развития системы с позиций безопас-ного развития.

При решении задачи выбора оптимальных значений управ-ляющих факторов Х в целевых вершинах графа (1) необходимо установить распределение f(Y); влияние остальных вершин рассматривается как ограничения.

3. Система когнитивного моделирования

Для решения задачи выбора лучшего сценария необходимо получить достаточное количество реализаций каждого сценария. Эта цель достигается с помощью системы когнитивного модели-рования BOIK КМ [4], структурная схема которой приведена на рис 1.

Проводится несколько серий имитационного моделирова-ния. Полученные реализации случайных процессов позволяют рассчитать параметры распределений f(Y). Далее используется модель (2) – (4).

Таким образом, введение оценочной функции ϕ – функции эффективности оптимума номинала – в случаях, когда к этому есть возможность (экспериментальная или теоретическая), дает возможность формализовать процесс выбора лучших (или до-пустимых) решений на функциональных графах, дополняя наиболее распространенный экспертный выбор.

258

Рис. 1. Архитектура системы моделирования BOIK КМ.

Моделирование можно проводить в пошаговом или им-пульсном режимах. Суть такого моделирования состоит в том, что в одной из вершин графа задается определенное изменение. Эта вершина актуализирует всю систему показателей, т.е. свя-занных с ней вершин, в большей или меньшей степени. Таких вершин может быть несколько, их принято называть активизи-рующими.

259

Модель переходного процесса – это кортеж <Ф, Q, PR>, где Ф – Ф-граф, Ф=<(V, E), X, W>, Q=Q(Тn) – последовательность возмущающих воздействий, PR – правило изменения парамет-ров.

При этом последовательность <n, X(Тn), Q(Тn)> является модельным представлением системы <Тn, Sn, Bn>.

Математическая модель импульсных процессов в матрич-ном виде (на знаковых графах). Пусть

1 kt it iQ q == , t=0,1,2,…, – вектор внешних импульсов qit, вно-

симых в вершины vi в момент времени t; 1 k

t it iX x == , t=0,1,2,…, – вектор значений параметров xit вершин vi в момент времени t;

1 kt it iR == Δ – вектор параметров вершин в момент времени t,

который задается уравнением: Rt = Xt – Xt–1, t=1,2,3,… Изменения параметров вершин задаются следующим урав-

нением: Xt = Xt–1 + ARt–1 + Qt–1. Получим из последнего уравнения выражение для Rt:

Rt=At–1Q0+At–2Q1+…+AQt–2+IQt–1, где I – единичная матрица. Для частного случая импульсных процессов на когнитив-

ных картах, называемых автономными (внешние импульсы вносятся только один раз в начале моделирования), pit=0, ∀t≥1 и для изменения параметров получаем:

10

1, 1,2,...,

kt tl i i

ia p N−

=

Δ = =∑ ,

где tia – элемент матрицы t t

iA a= . Простейшим вариантом распространения возмущения явля-

ется случай, когда P(0) имеет лишь один ненулевой вход, т.е. возмущение поступает только в одну вершину Vi. Такие процес-сы принято называть простыми процессами распространения возмущений (см. рис. 2 ).

260

Рис. 2. Результаты моделирования переходного процесса.

Заключение

При разработке использовались различные методологические подходы, в том числе системный подход в его субъектно-объектном и функционально-структурном аспектах; ресурсно- целеориентированный подход; методы и инструментальные тех-нологии научного исследования, в том числе логический, метод микро- и мезоэкономической динамики; методы программно-прогнозных разработок, конструирования управленческих техно-логий и схем ресурсных потоков; табличные и графические прие-мы визуализации статистических данных, экономико-статистических группировок, экономико-математического моде-лирования. Каждый из этих частных методов используется в качестве основного, дополнительного или проверочного в соот-ветствии с его функциональными возможностями и разрешающи-ми способностями при решении этапных задач исследования. Адресно-селективное использование их эвристического потен-циала, упорядоченное единым алгоритмом достижения цели, обеспечивает надежность, аргументированность оценок и досто-верность полученных выводов.

261

Литература

1. ГОРЕЛОВА Г.В., СВЕЧАРНИК Д.В., ЗДОР В.В. Метод оптимума номинала и его применения М.: Изд-во «Энер-гия», 1970.

2. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., ГИНИС Л.А. Когни-тивный анализ и моделирование устойчивого развития со-циально-экономических систем. – Ростов н/Дону: РГУ, 2005.

3. ГОРЕЛОВА Г.В., ВЕРБА В.А. Принятие решений на функ-циональных графах, задачи оптимума номинала //«Проблемы управления безопасностью сложных систем». Труды XIII Международной конференции.– М: РГГУ, 2005.

4. ГОРЕЛОВА Г.В., ВЕРБА В.А., ЗАХАРОВА Е.Н. Принятие решений на когнитивных моделях сложных систем // Ин-теллектуальные и многопроцессорные системы–2005. Ма-териалы Международной научно-технической конферен-ции. – Таганрог: Изд-во ТРТУ, 2005, Т.2.

5. КОВРИГА С.В., МАКСИМОВ В.И. Когнитивная техноло-гия стратегического управления развитием сложных со-циально-экономических объектов в нестабильной внешней среде. //Когнитивный анализ и управление ситуациями (CASC’2001). 2001,Т.1.

262

КОГНИТИВНЫЕ ТЕХНОЛОГИИ КАК ИНСТРУМЕНТ ПРИНЯТИЯ РЕШЕНИЙ

В СФЕРЕ МАЛОГО БИЗНЕСА

Брюханова Н.В. (г. Таганрог)

kolesnikova@users.tsure.ru Представлен когнитивный подход к решению задач управления развитием сектора малого бизнеса в нестабильной среде. Ключевые слова: когнитивный анализ, когнитивная модель взаимодействия малого бизнеса с внешней средой, импульс-ный процесс

Введение

В настоящее время своевременное получение достоверной информации, ее быстрый анализ и выразительное представление результатов стали важнейшими предпосылками успешного управ-ления. Это особенно актуально, когда объектом управления явля-ется сектор экономики, в котором протекает множество процессов (экономических, социальных, политических), оказывающих существенное влияние друг на друга. Таковым является сектор малого бизнеса. Именно малый бизнес выступает важной частью функционирования и социально-экономического развития терри-тории. Он создает рабочие места, разрабатывает и внедряет новые технологии, максимально учитывает местные условия, проникает в невыгодные для крупных предприятий сферы, дает значитель-ную часть регионального и местного валового продукта. Благода-ря малому управленческому персоналу и простым организацион-ным формам он обладает гибкостью по отношению к изменениям внешней среды, мобильностью управления, быстрой реакцией на требования потребителей. Однако его развитие сопряжено с рядом трудностей: ограниченность ресурсов, большая зависимость от рыночной конъюнктуры, слабые кредитные возможности, подчи-

263

нение целям крупных предприятий, большая длительность рабо-чей недели, слабая социальная защищенность работающих. По-этому успешное развитие данного сектора экономики возможно лишь в случае эффективно действующей модели государственной поддержки и управления [1,3].

В настоящее время существуют различные методы исследо-вания проблем и принятия решений в малом бизнесе. Среди них наиболее популярны статистические, математические и эксперт-ные методы [3]. Но проблема заключается в том, что сектор малого бизнеса обладает рядом особенностей:

– многоаспектностью происходящих в них процессов (эко-номических, социальных и т.п.) и их взаимосвязанностью; в силу этого детальное исследование лишь отдельных явлений не приводит к достоверным результатам – все происходящие в них явления должны рассматриваться в совокупности;

– отсутствием достаточной количественной информации о динамике процессов, что вынуждает переходить к их качествен-ному анализу;

– изменчивостью характера процессов во времени и т.д. В силу указанных особенностей проблемы малого бизнеса

могут быть отнесены к слабоструктурированным, и применение вышеперечисленных методов для их анализа не дает полной картины происходящего. Поэтому к изучению таких систем в настоящее время предлагается применять когнитивный подход и разработанную на его основе методику анализа и принятия решений в сфере малого бизнеса (рис. 1).

Когнитивный анализ в настоящее время понимается как достаточно универсальный научный инструментарий для изуче-ния поведения сложных систем [2]. Методика, основанная на когнитивном анализе малого бизнеса, позволяет описать его структуру и различные процессы, протекающие в нем, выявить взаимодействие малого бизнеса с внешней средой, проанализи-ровать влияние внешней среды на текущую ситуацию в малом бизнесе. Все это дает основу для обоснования необходимых управленческих решений в сфере малого бизнеса.

264

Сбор, систематизация,

анализ статистической и качественной

информации о МП

Выявление базисных факторов, влияющих на МП

Определение взаимосвязей

между факторами

Разработка когнитивной модели взаимодействия МП с внешней средой в виде функционального

графа

Определение веса дуги экспертами

Определениевеса дуги путем статистического

анализа регрессионных

зависимостей между показателями

ЛПРэкспертами на основе изучения

документов

на основе опроса группы

экспертов

с помощью открытых выборочных опросов

Анализ q-связности

Выделение и анализ устойчивости циклов когнитивной модели

Анализ структуры когнитивной модели

Когнитивное моделирование

Да

Нет

Результаты моделирования и принятие решения

Анализ распространения возмущений, импульсное

моделирование

Сценарный анализ

Анализ

чувствительности

решений

Целидостигнут

ы

Объект исследованиямалое предпринемательство (МП)

Построение когнитивной карты взаимодействия МП с внешней средой

Определение целей управления системой,выбор управляющих

факторов

Рис. 1. Методика анализа и принятия решений

в сфере малого бизнеса

265

Когнитивная модель взаимодействия малого бизне-са с внешней средой

На основании информации (статистической и экспертной) о состоянии малого бизнеса в Ростовской области и с помощью разработанного в Таганрогском радиотехническом университете программного обеспечения «Программная система когнитивно-го моделирования» [1] была построена когнитивная модель взаимодействия малого бизнеса с внешней средой (рис. 2).

Очевидными факторами, влияющими на развитие малого бизнеса в регионе, являются (v5) экономико-географическое положение; (v15, v16) политика федеральных и региональных властей по поддержки малого предпринимательства; (v1) инве-стиционный климат; (v3) объекты инфраструктуры (бизнес-инкубаторы, технопарки, кредитные организации); (v11) конку-ренция; (v12) – инфляция; (v13) нормативно-правовое обеспече-ние и т.д. Причем значительное количество факторов являются качественными.

Рис. 2. Когнитивная модель взаимодействия

малого бизнеса с внешней средой

266

Стрелки отображают взаимосвязи и направление влияния факторов друг на друга. Так, сложившийся инвестиционный климат в области (v1) положительно влияет на развитие малого бизнеса (v0), состояние которого существенно влияет на заня-тость населения (v8) и бюджет области (v6), от которых в свою очередь зависит уровень жизни населения (v9). Уровень жизни населения в свою очередь отрицательно влияет на уровень пре-ступности (v17), который, повышаясь, может ухудшить инве-стиционный климат региона.

Разработанная модель (рис. 2) является приближенной к оценке реального взаимодействия малого предпринимательства с внешней средой (в силу линейности взаимосвязей между вершинами модели) и позволяет использовать технологию ког-нитивного анализа для исследования состояния малого бизнеса и принятия решений в этой сфере.

Для более точного описания взаимодействия малого бизнеса региона с внешней средой была построена модель в виде функ-ционального графа, матрица смежности Rφ которого имеет вид:

000000000000100171011100000000010001611011100000100010015

00000000000000000114000100100000000001130000001010100100011200000000000000010111000000100000000010

000000000000000009000000000000000080000000100000000700000000000010060000000110000100115000000110111000011400000000000101000130000000000000002000000100001001000000100000017161514131211109876543210

179171170

109106

917

8986

7976

696260

292120

19171210

0100807060201

fffVVVVVVV

ffVfV

ffVffVfffV

VVV

fffVffffV

ffffffVVVVVVVVVVVVVVVVVVV

R

−−−−−

−

−−−−−−

=ϕ

Связи между некоторыми факторами представлены в виде

уравнений регрессии.

267

С целью определения возможных тенденций развития мало-го бизнеса был проведен сценарный анализ поведения системы при внесении управляющих воздействий в вершины модели. Приведем один из примеров импульсного моделирования (сце-нарного моделирования на когнитивных моделях).

Моделировалась ситуация при поступлении в модель сле-дующего управляющего воздействия: qv3 = +1 (развивается сеть инфраструктурных и институциональных организаций) (рис. 3).

Процесс моделирования ситуаций продолжался семь шагов.

Рис. 3. Сценарий развития малого предпринимательства

при внесении управляющего воздействия qv3 = +1 в V3 «Инфраструктурные организации»

Уже на втором шаге моделирования наряду с развитием «инфраструктурных организаций» (v3) (создание бизнес-инкубаторов, технопарков, информационно-консалтинговых организаций, кредитных организаций, работающих с малым бизнесом) наблюдается развитие «малого бизнеса» (v0) в регио-не, что приводит к улучшению социально-экономической ситуа-ции в регионе. Но развитие малого предпринимательства носит

268

поступательный характер, а число малых предприятий сущест-венно возрастает лишь после шестого такта моделирования.

Когнитивная модель (рис. 2) не отражает всех возможных взаимосвязей между факторами и по мере погружения в пробле-му может уточняться. Она играет роль стартовой для выявления самых общих закономерностей, присущих анализируемой си-туации. Так, для выявления процессов, протекающих в блоке v0 «Малый бизнес» была построена когнитивная карта «Малое предпринимательство». Она позволяет более детально рассмот-реть процессы, протекающие в малом бизнесе.

Качество произведенных товаровV03

Число малых предприятийV0

Доступность банковских кредитовV04

V09

Прибыль малых предприятийV08

Инвестиции восновной капиталV01

Несовершенство налоговой системыV02

Затраты на производствоV010

V05

Структура малого предпринемательства

Число занятых на малых предприятияхV06

Объем произведенной продукцииV07

Профессиональныекачества работников

Рис. 4. Когнитивная карта «Малое предпринимательство»

269

Заключение

Применение когнитивного подхода к решению задач управ-ления развитием сектора малого бизнеса в нестабильной среде позволило структурировать и формализовать знания о происхо-дящих в малом бизнесе процессах и явлениях и получить новые знания о возможных изменениях в будущем; исследовать сло-жившиеся тенденции в малом бизнесе, выявить благоприятные и неблагоприятные тенденции во внешней среде, разработать допустимые сценарии развития малого бизнеса в конкретных условиях и принимать решения по управлению исследуемым сектором экономики.

Литература

1. ГОРЕЛОВА Г.В., РАДЧЕНКО С.А., КОЛЕСНИКОВА Н.В. Когнитивное моделирование как инструментарий исследо-вания состояния и развития малого бизнеса в регионе // Системный анализ в проектировании и управлении: Труды Х Междунар. науч.-практ. конф. Ч.1. СПб.: Изд-во политех. ун-та, 2006. – С. 215–218.

2. ГОРЕЛОВА Г.В. и др. Методы и алгоритмы моделирова-ния развития сложных ситуаций. Таганрог: ТРТУ, 2003. – 157с.

3. ЛАПУСТА М.Г., Старостин Ю.Л. Малое предприниматель-ство: Учебник. – М.: ИНФРА-М, 2004. – 454 с.

270

КОГНИТИВНОЕ МОДЕЛИРОВАНИЕ ВЛИЯНИЯ СЕЗОННЫХ ИЗМЕНЕНИЙ КЛИМАТА НА ХАРАКТЕР

ХИМИЧЕСКОГО ЗАГРЯЗНЕНИЯ УРБОЭКОСИСТЕМЫ

Ильченко И.А. (Таганрогский институт управления и экономики,

г. Таганрог) kafedra_eif@mail.ru

Представлена модель урбоэкосистемы, разработанная на основе когнитивных карт механизмов химического загрязнения компонентов урбоэкосистемы в летний и зимний периоды соответственно, и представлены результаты моделирования.

Ключевые слова: химическое загрязнение урбоэкосистемы, когнитивная карта, когнитивное моделирование, импульсное воздействие

Введение

Загрязнение природной среды является сегодня одной из острых глобальных экологических проблем и наблюдается не только на глобальном, но и на региональном и локальном уров-нях [1,5]. Несмотря на тотальный характер этого явления необ-ходимо своевременно предпринимать соответствующие меры по снижению степени загрязнения окружающей среды и в даль-нейшем по предотвращению этого опасного явления как в меж-дународном масштабе, так и в пределах отдельных государств, районов и экосистем. Наиболее опасным видом загрязнения на сегодняшний день является химическое, а самыми уязвимыми объектами загрязнения – искусственно созданные экосистемы [3]. Поскольку большая часть населения планеты проживает в городах, представляющих собой неустойчивые урбоэкосистемы, то проблема установления характера и возможных последствий

271

химического загрязнения таких экосистем является актуальной в связи с необходимостью обеспечения благоприятных условий для жизнедеятельности этой группы населения.

Модель урбоэкосистемы, разработанная на основе когнитивных карт механизмов химического загряз-нения компонентов урбоэкосистемы

Для изучения характера химического загрязнения урбоэко-системы в зависимости от сезонов года и присущих им климати-ческих особенностей, оказывающих влияние на миграцию пол-лютантов между компонентами системы, были разработаны когнитивные карты G1 и G2 для теплого и холодного сезонов (рис. 1, 8). Построение когнитивных карт и последующее ситуа-ционное моделирование было проведено с помощью вычисли-тельных программ ПС КМ [2, 6]. Анализ обеих карт показывает, что основными абиотическими компонентами городской экоси-стемы, подвергающимися влиянию стационарных и подвижных источников загрязнения, являются атмосферный воздух, почва, грунтовые и подземные воды, а аналогичными биотическими реципиентами – растительность и население. К сожалению, оценить влияние химического загрязнения на городскую фауну не представляется возможным из-за отсутствия соответствую-щих данных. В когнитивной карте G1 присутствуют 4 цикла с положительной обратной связью: 1) цикл V1-V3-V1 характеризу-ет влияние растительности на состав воздуха, 2) цикл V1-V4-V1 – перенос загрязнителей между воздухом и почвой, 3) цикл V4-V3-V4 – перенос загрязнителей между растительностью и почвой, 4) цикл V1-V4-V3-V1 – миграцию загрязнителей из воздуха в почву, затем в растения и далее влияние растительности на состав атмосферного воздуха (рис.1). Последний цикл отражает взаи-модействие аэро-, гео- и биосистем (роль последней в урбоэко-системе выполняет растительность) в поддержании естествен-ных параметров среды. В г. Таганроге подземные водоисточники используются для удовлетворения потребностей населения в питьевой воде и тем самым оказывают влияние на

272

здоровье горожан. Разработанная модель урбоэкосистемы не рассматривает движения воздушных масс, в результате которого происходит рассеивание загрязнителей и снижение загрязнения воздушного бассейна в пределах городской территории. В связи с этим проведенное моделирование по своему характеру являет-ся нединамическим и, следовательно, позволяет оценить вероят-ные критические уровни загрязнения городской среды обитания с позиций предельно допустимых уровней загрязнения и пре-дельно допустимых концентраций поллютантов.

Рис. 1. Когнитивная карта G1 «Механизм химического загряз-нения компонентов урбоэкосистемы в летний период»

Анализ когнитивной карты G1 показывает, что некоторые поллютанты воздушной среды могут мигрировать по маршруту V1-V4-V5-V6-V2, обуславливая опосредованное влияние загряз-нения воздуха на здоровье людей, которое проявляется через воздействие первичных загрязнителей, а также вторичных за-грязнителей, образующихся в почве из первичных и в раство-ренном виде поступающих в подземные источники водоснабже-ния. Наличие 4-х циклов с положительной обратной связью свидетельствует о структурной неустойчивости системы [4]. Однако расчет собственных чисел матрицы отношений показал, что всего таких чисел 6, из них максимальное по модулю со-

273

ставляет 0,52, и, следовательно, можно ожидать проявления системой некоторой устойчивости.

Значения весовых коэффициентов дуг eij когнитивной кар-ты были определены на основании среднемноголетних данных экологического и социально-гигиенического мониторинга г. Таганрога и соответственно равны: e12 = –0,4; e13 = –0,4; e31=–0,2; e14 = 0,7; e43 = –0,3; e45 = 0,5; e56 = 0,5; e62 = –0,3; e41 = 0,2; e34 = –0,1; e32 = –0,1.

В сценарии 1 активизировалась вершина V1 «Загрязнение воздуха» путем внесения импульсов разной величины и изуча-лось изменение контролируемых параметров, в качестве кото-рых были выбраны загрязнение воздуха, загрязнение почв, состояние растительности и здоровье населения. В процессах 1 и 2 характер изменения контролируемых параметров аналогичен (рис. 2, 3): на 1-м такте в вершину V1 однократно вносится соответствующий импульс, на 2-м такте начинает увеличиваться загрязнение почв и ухудшаться состояние растительности и здоровье населения, далее характер изменения этих параметров сохраняется, и к 6-7 тактам наблюдается стабилизация данных показателей.

Рис. 2. Внесение импульса +0,1 в вершину V1 карты G1

Рис. 3. Внесение импульса +1,0в вершину V1 карты G1

В 3-м процессе этого сценария (рис. 4) импульс величиной +0,1 вносится с 1-го по 10-й такты моделирования, что приводит к непрерывному росту уровней загрязнения воздуха и почвы и

274

ухудшению состояния растительности и здоровья населения. Однако после прекращения возмущающего воздействия на систему изменение ее контролируемых характеристик замедля-ется, и к 13-14 тактам наблюдается их стабилизация. Следую-щий этап моделирования был направлен на выяснение роли растительности в поддержании качества городской среды обита-ния (сценарий 2). Одновременная подача импульсов величиной +0,1 в вершины V1 и V3 (рис.5) несколько изменяет поведение контролируемых параметров по сравнению с процессом 1 сце-нария 1 (рис.2), вызывая их колебания со 2-го по 4-й такты и стабилизацию к 5-6 тактам на меньших по модулю значениях.

Рис. 4. Последовательное внесение импульса +0,1 в вер-шину V1 карты G1 с 1-го по 10-й такты моделирования

Рис. 5. Внесение импульсов величиной +0,1 в вершины V1 и

V3 карты G1

Введение дополнительной процедуры по очистке воды из

подземных водоисточников (сценарий 3, рис.6) перед подачей ее в городскую водопроводную сеть позволяет уменьшить отрица-тельное воздействие недоброкачественной питьевой воды на здоровье населения, хотя стабилизация остальных изучаемых показателей происходит на тех же уровнях, что и в предыдущем сценарии.

Комплексный подход к улучшению городской среды обита-ния (сценарий 4) сочетает меры по защите атмосферного воздуха от загрязнения стационарными и подвижными источниками

275

(q1=–0,1), по озеленению территории (q3=+0,1) и очистке воды из подземных водоисточников (q6=–0,1) и является наиболее эффективным, поскольку дает возможность снизить исходные уровни загрязнения воздуха и почв и улучшить состояние расти-тельности и здоровье населения (рис.7).

Рис. 6. Внесение импульсов величиной +0,1 в вершины V1 и V3 и импульса -0,1 в вершину

V6 карты G1

Рис. 7. Внесение импульсов величиной -0,1 в вершины V1 и

V6 и импульса +0,1 в вершину V3 карты G1

На основании результатов моделирования этих четырех сценариев для когнитивной карты G1 видно, что загрязнение воздуха оказывает не только прямое влияние на состояние рас-тительности и почв, но и косвенно воздействует на самое себя через загрязнение почв и ухудшение состояния растительности по принципу положительной обратной связи. Взаимодействие компонентов городской экосистемы в условиях химического загрязнения осуществляется между подсистемами воздух-почва, воздух-растительность и почва-растительность по принципу положительной обратной связи и проявляется в миграции пер-вичных загрязнителей и в образовании и миграции вторичных загрязнителей. Кроме того, биогенная природа растительности и биокосная природа почв создают предпосылки для накопления в них поллютантов, что также усиливает опасность последствий химического загрязнения урбоэкосистемы. По аналогии с био-геохимическими циклами химических элементов в биосфере, в

276

городской экосистеме можно выделить обменный фонд мигра-ции загрязнителей (городской воздушный бассейн) и резервный фонд (городские почвы).

Анализ среднемноголетних данных социально-гигиенического и экологического мониторинга г. Таганрога свидетельствует об увеличении уровня загрязнения атмосферно-го воздуха в зимние месяцы года. Для изучения механизма химического загрязнения урбоэкосистемы в этот период време-ни когнитивная карта G1 была преобразована в когнитивную карту G2 (рис. 8) путем удаления дуги V1-V3 и изменения весо-вых коэффициентов дуг V4-V1 и V4-V5 [4].

Рис. 8. Когнитивная карта G2 «Механизм химического загряз-

нения компонентов урбоэкосистемы в зимний период»

Действительно, перемена климатических условий приводит к изменению роли растительного компонента в миграции пол-лютантов в экосистеме: листопадные растения прекращают активно поглощать загрязнители, в отсутствие травяного покро-ва с поверхности почвы сдуваются пыль и др. загрязнители, вследствие чего загрязнение воздуха возрастает. С точки зрения термодинамики на уровень химического загрязнения воздуха в первую очередь оказывают влияние его температура, относи-

277

тельная влажность и скорость ветра. В условиях нединамическо-го моделирования скорость ветра не принимается во внимание, тогда как температура и влажность воздуха, режим которых напрямую связан с сезонными изменениями климата, играют главную роль в процессе миграции поллютантов внутри урбо-экосистемы и определяют итоговый уровень загрязнения и обусловленную им величину экологического риска. В условиях резко континентального климата г. Таганрога летний период характеризуется относительно высокими среднесуточными температурами воздуха и низкой влажностью (т.е. сухо и жар-ко), а зимний период – низкими температурами воздуха и недос-таточным количеством осадков (типичны морозные бесснежные зимы). С понижением температуры воздуха возрастает концен-трация в нем кислорода, являющегося сильным окислителем (например, для превращения оксида углерода (II) в оксид угле-рода (IV)), однако низкая температура сильно замедляет проте-кание этого процесса, в связи с чем и не наблюдается снижение загрязнения воздуха оксидом углерода (II) [3]. Кроме того, стационарные условия характеризуются однородностью воз-душной массы в пределах городской территории, наличием слабого ветра или низких приподнятых инверсий, устойчивой стратификацией атмосферы. Густые дымки, туманы, слабые осадки также способствуют накоплению загрязнителей в воздухе [7].

В структуре когнитивной карты G2 по сравнению с когни-тивной картой G1 имеются только 2 цикла с положительной обратной связью: V1-V4-V1 и V1-V3-V4-V1, – однако ожидать усиления саморегулирующих свойств системы было бы прежде-временным, принимая во внимание значение вклада растительно-го компонента в поддержание естественных параметров урбоэко-системы. На рис. 9 приведены результаты моделирования изменения параметров урбоэкосистемы, когда в вершину V1 вносится импульс величиной +0,1. Стабилизация контролируемых показателей происходит при значениях, более сильно отклоняю-щихся от таковых в аналогичном процессе для когнитивной карты G1 (рис.2). Поскольку управление качеством окружающей среды

278

в зимний сезон не позволяет проводить озеленительные меро-приятия, то следует придерживаться более жестких мер по очист-ке газообразных примесей предприятий и автотранспорта.

Рис. 9. Внесение импульса +0,1 в вершину V1 карты G2

Заключение

Полученные результаты позволяют сделать следующие вы-воды и рекомендации. Во-первых, применение когнитивных технологий для решения проблем стратегического управления состоянием природных объектов в условиях химического за-грязнения является перспективным, поскольку разработка ког-нитивных карт и последующее моделирование на их основе различных сценариев изучаемых процессов позволяет не только прогнозировать возможность возникновения определенной экологической проблемы в данном объекте (например, загряз-нение подземных источников водоснабжения, ухудшение здоро-вья населения и др.) и промоделировать вероятность ее развития, но и заранее предпринять комплекс мер (экологических, эконо-мических, административных и др.) по снижению степени эко-логического риска. Во-вторых, полученные результаты сценар-ного моделирования показывают, что процессы обмена

279

веществом и энергией, протекающие в городской экосистеме и играющие важную роль в поддержании экологического равнове-сия, являются импульсно неустойчивыми вследствие сложных взаимодействий между составляющими ее подсистемами и их компонентами, а также благодаря таким ее свойствам, как сверхоткрытость, сильная зависимость от внешнего окружения, повышенная аккумулятивность и т.д. Поэтому поддержание сложной организации, особой внутренней структуры и прием-лемых для жизнедеятельности горожан условий окружающей среды требует затраты больших количеств энергии и больших организационных усилий на всех уровнях управления. В-третьих, смена климатических условий в течение года сопрово-ждается изменением характера процессов миграции загрязните-лей в экосистеме, вследствие чего целесообразно рекомендовать установление и использование сезонных значений предельно допустимых концентраций поллютантов в процессах управле-ния состоянием городской окружающей среды. В-четвертых, для достижения наиболее благоприятных значений параметров городской среды обитания и улучшения здоровья горожан сле-дует использовать комплексный подход, сочетающий проведе-ние мероприятий по защите атмосферного воздуха от загрязне-ния стационарными и подвижными источниками, озеленению (фитомелиорации) и предварительной очистке вод из подземных водоисточников перед подачей их в городскую водопроводную сеть.

Литература

1. ГОРЕЛОВА Г.В., ИЛЬЧЕНКО И.А. Когнитивное моделиро-вание процессов загрязнения урбоэкосистем // Сб. трудов 4-й Международной конференции «Когнитивный анализ и управление развитием ситуаций» CASC’2004, ИПУ РАН. Москва, 2004. Т.1. С.60–67.

2. ГОРЕЛОВА Г.В. и др. Методы и алгоритмы моделирова-ния развития сложных ситуаций. Таганрог: Изд-во ТРТУ, 2003.

280

3. ИЛЬЧЕНКО И.А. Управление качеством окружающей среды при химическом загрязнении. Таганрог: Изд-во ТИУиЭ, 2004.

4. ИЛЬЧЕНКО И.А. К вопросу об учете климатических усло-вий при выработке стратегии управления параметрами го-родской среды обитания // Сб. докладов IV Международной научно-практической конференции «Проблемы региональ-ного управления, экономики, права и инновационных про-цессов в образовании». Таганрог, 2005. Т.2. С.64–73.

5. ИЛЬЧЕНКО И.А., ГОРЕЛОВА Г.В. Комплексный когни-тивный анализ факторов городской среды обитания и их влияния на здоровье горожан // Сб. трудов 5-й Междуна-родной конференции «Когнитивный анализ и управление развитием ситуаций» CASC’2005, ИПУ РАН. Москва, 2005. – С.60–67.

6. КУЛЬБА В.В., и др. Сценарный анализ динамики поведения социально-экономических систем. М., 2002 (Научное изда-ние / ИПУ им. В.А. Трапезникова РАН).

7. ХРОМОВ С.П. Метеорология и климатология: Уч. пос./ С.П. Хромов, М.А. Петросянц. М.: Высшая школа, 2002.

281

ПРИМЕНЕНИЕ КОГНИТИВНОГО МОДЕЛИРОВАНИЯ В УПРАВЛЕНИИ КАЧЕСТВОМ ПОДГОТОВКИ

СПЕЦИАЛИСТОВ1

Заболотский М.А., Полякова И.А., Тихонин А.В. (Волгоградский государственный

технический университет, г. Волгоград) cad@vstu.ru

Представлены когнитивный подход к построению модели качества подготовки специалистов и общее описание системы когнитивного анализа и моделирования.

Ключевые слова: система образования, качество подготовки специалистов, когнитивные карты и модели

Введение

В настоящее время в нашей системе образования наблюдает-ся довольно острая проблема – несоответствие подготавливаемых специалистов запросам рынка труда. Реформирование системы образования является одним из приоритетных направлений стра-тегического развития РФ. Развивающейся экономике страны требуется большое количество квалифицированных специалистов, но текущие положение дел в сфере высшего образования не мо-жет этого обеспечить. Главная цель реформирования системы высшего образования – контроль и дальнейшее повышение каче-ства подготовки специалистов. Для достижения этой цели необхо-димо разработать методы и средства, позволяющие прогнозиро-вать развитие системы высшего образования, а, следовательно, управлять качеством подготовки специалистов.

1 Работа ведется при поддержке РФФИ, проект 04-06-96500.

282

С практической точки зрения большой интерес представля-ет качество высшего образования (подготовки специалистов). Согласно стандартам ИСО (ISO) серии 9000 [1], под качеством следует понимать степень соответствия свойств какого-то объ-екта (продукта, услуги, процесса) некоторым требованиям (нор-мам, стандартам). Таким образом, качество высшего образова-ния – это сбалансированное соответствие всех аспектов высшего образования некоторым целям, потребностям, требованиям, нормам и стандартам [3].

Использовать классический математический подход к по-строению модели системы образования практически невозможно из-за сложности формализации процессов, протекающих в данной системе, и их количественной оценки. Одним из наиболее эффек-тивных инструментов для анализа нечетких слабоструктуриро-ванных систем авторам представляется когнитивный подход, теоретические основы которого были заложены Ф.С. Робертсом [5] и который в настоящее время активно развивается научным коллективом В.И. Максимова (Институт проблем управления РАН) [2].

Таким образом, новизна проводимой авторами работы за-ключается в использовании когнитивного подхода для решения новой, крайне актуальной и многогранной задачи повышения качества высшего образования [4].

1. Модель качества подготовки специалистов

При разработке модели качества подготовки специалистов исследуемая проблема была рассмотрена с трех точек зрения, учитывающих мнения следующих субъектов:

– студентов; – сотрудников ВУЗа (преподаватели, руководство ВУЗа и

т.д.); – потребителей образования (промышленность, бизнес, го-

сударство). Для построения модели качества подготовки специалистов с

точки зрения учащихся ВУЗа в качестве экспертов были привлече-

283

ны студенты и аспиранты; также широко использовалась литера-тура по данному вопросу.

Основным методом извлечения знаний при построении когни-тивной карты, отражающей мнение учащихся, был выбран мозго-вой штурм.

Преподаватели и сотрудники ВУЗа являются вторым необ-ходимым компонентом при построении модели качества подго-товки специалистов. В качестве метода извлечения знаний был выбран метод интервьюирования.

Потребители образовательных услуг (государство, промыш-ленность, бизнес и т.д.) являются главным "оценщиком" результа-та подготовки специалистов, поэтому их мнение особенно важно. Как и в случае с преподавателями, в качестве метода извлечения знаний был выбран метод интервьюирования.

В итоге была построена когнитивная карта, содержащая бо-лее 60 факторов (рис.1).

Построенная модель является хоть и первым, но уже доста-точно объективным, приближением к построению адекватной модели качества подготовки специалистов. С помощью данной модели были

– найдены факторы, опосредованно влияющие на качество подготовки специалистов,

– выявлены скрытые закономерности между факторами, – получены прогнозы изменения качества подготовки в за-

висимости от состояния различных факторов системы. Для решения этих задач применялась система когнитивного

анализа и моделирования, разработанная авторами (рис.2).

284

Рис.1. Когнитивная карта модели качества

подготовки специалистов

2. Общее описание системы когнитивного модели-рования

Для автоматизации задач, связанных с анализом сложных слабоструктурированных социально-экономических систем, разработано комплексное программное средство когнитивного анализа и управления сложными социально-экономическими системами, которое обеспечит аналитиков и обычных пользова-телей богатым инструментарием, облегчающим построение и анализ когнитивных моделей (рис. 2).

285

Рис. 2. Информация о системе

В данной системе реализовано несколько способов построе-ния когнитивных моделей, а именно:

1) с помощью графового представления (рис. 3); 2) с помощью связанных списков; 3) с помощью матрицы взаимовлияний; 4) с помощью библиотеки шаблонов моделей и каталога

факторов. Автоматизированная система позволяет проанализи-ровать свободное и управляемое развитие системы, а также решить обратную задачу управления.

Помимо результатов моделирования в виде, представленном на рис.4, разрабатываемая авторами система также позволяет проследить характер изменения отдельно взятого фактора в процессе моделирования (см. рис.5).

286

Рис.3. Графовое представление когнитивной модели

Рис.4. Результаты моделирования (пример)

287

Рис.5. Характер изменения отдельного взятого фактора

в процессе моделирования

Заключение

В настоящее время ведется активная работа над созданием пополняемой библиотеки шаблонов моделей и каталога факто-ров для когнитивных моделей различных предметных областей, а также над улучшением и расширением функциональных воз-можностей программного средства.

288

Литература

1. ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. М.: ИПК Издательство стандартов, 2001. 25 с.

2. МАКСИМОВ В.И. Когнитивный анализ и управление раз-витием ситуаций. – Материалы 1-й международной конфе-ренции в 3-х томах/ В.И. Максимов; Под. Ред. В.И. Макси-мова. – М., 2001. – Том 1. – 196 с.

3. НИКИТИНА Н. Ш., ВАЛЕЕВ М. А, ЩЕГЛОВ П. Е. Управ-ление качеством образования. Системный подход // Систе-мы управления качеством: проектирование, организация, методология. Материалы X симпозиума "Квалиметрия че-ловека и образования: методология и практика". Кн. 4 / Под науч. ред. д-ра техн. наук, проф. Н. А. Селезневой и д-ра филос. и экон. наук А. И. Субетто. М.: Исследовательский центр проблем качества подготовки специалистов, 2002. С. 17–29.

4. ПОЛЯКОВА И.А., ТИХОНИН А.В., ЗАБОЛОТСКИЙ М.А. Когнитивный подход в вопросах повышения качества обра-зования в вузах РФ. Всероссийский конкурс инновационных проектов аспирантов и студентов по приоритетному на-правлению «Информационно-телекоммуни-кационные сис-темы». – М.: 2005.

5. РОБЕРТС Ф.С. Дискретные математические модели с приложениями к социальным биологическим и экологиче-ским задачам. М., 1986.

289

ПОДХОДЫ К ФОРМИРОВАНИЮ СИСТЕМЫ УПРАВЛЕНИЯ КАЧЕСТВОМ ОБРАЗОВАНИЯ

Давыдов С.В. (Институт проблем управления РАН, г. Москва)

davydov@ipu.ru

В статье рассматриваются подходы к определению и оценке качества образования. Выделены уровни и группы управления системой образования в зависимости от типа и уровня образо-вания. Обозначены основные подходы к управлению качеством образования. Ключевые слова: качество образования, система управления качеством образования

Введение

Управление качеством образования – очень широкая про-блема, несомненно, требующая своего решения. В настоящее время в исследование вопроса управления качеством образова-ния предложено много различных подходов, в том числе и но-вых, показаны роль и место «педагогического менеджмента» в управлении качеством образования, обоснованы критерии и показатели качества подготовки специалистов.

Однако в современных условиях применение только тради-ционных подходов при решении проблемы управления качест-вом образования (общего и профессионального) недостаточно, так как они не отвечают новым требованиям, выдвигаемым обществом (потребителями) к системе образования. По данным ЮНЕСКО, Россия сегодня занимает по качеству образования 13-ое место в последней третьей группе слаборазвитых стран.

290

1. Подходы к определению и оценке качества образо-вания

«Качество» − это полезность, ценность объектов и процес-сов, их пригодность или приспособленность к удовлетворению определенных целей, норм, доктрин, идеалов, т.е. соответствие или адекватность требованиям, потребностям и нормам1.

Термин «качество» производно от слов «как», «какой» − обладающий какими свойствами.

Существует несколько подходов к толкованию понятия «ка-чество образования».

Философский подход, философское понимание качества − то, что отличает образование от других социальных явлений, систем и видов деятельности. Это синоним термина «образова-ние». Философское понимание качества имеет существенные ограничения, так как в философии эта категория не носит оце-ночного характера.

Продуктивным является так называемый производственный подход, где ключевым является понятие «качество продукции» как совокупность существенных потребительских свойств этой продукции, значимых для потребителя. Набор этих свойств лежит в основе спецификаций на продукцию, эталонов, стандар-тов. Различают два признака качества любой продукции: нали-чие у нее определенных свойств и рассмотрения их ценности с позиций потребителя (а не производителя). В метафорическом смысле «продукцией» школы являются выпускники, имеющие образование лучшего или худшего качества.

Общепризнанны два подхода к оценке качества образова-ния:

I. По образовательным услугам (т.е. по процессу). Если го-ворить об образовательных системах (коими являются и школа,

1 с.19. Качество высшего образования в современной России: Концеп-туально-программный подход. − М.: Исследовательский центр про-блем качества подготовки специалистов. 1995. -198 с.

291

и протекающий в ней образовательный процесс, о качестве которого в своем вопросе говорит и автор), то они характеризу-ются:

1) ассортиментом предлагаемых услуг, его разнообразием и соответствием потребностям клиентов;

2) качеством услуг (качество образовательных программ и т.д.);

3) доступностью услуг, реальной возможностью пользо-ваться ими;

4) качеством обслуживания (качеством образовательного взаимодействия педагогов и школьников, качеством общения и отношений, наличием благоприятной среды).

II. По характеристике конечного продукта (т.е. по резуль-тату). Так склонны оценивать деятельность школ ее социальные заказчики.

Таким образом, понятие «качество образования» во втором аспекте (производственный подход) означает качество образова-тельного процесса, выраженное в его результатах.

Подход к толкованию термина «качество образования» как соотношение цели и результата. В этом подходе качество образования определяет уровень воспитания школьника, студен-та и т.д.

«Качество образования − это категория, если можно так выразиться, «штучная» и корректно может быть определена только на уровне конкретного ребенка, выпускника на основе фактов, поступков, его поведения в разных ситуациях». (Ям-бург Е.А. − член-корреспондент Российской академии образова-ния, д.п.н., заслуженный учитель РФ, директор Центра образо-вания 109 г. Москвы).

Качество образования личности Поташкин М.М. определя-ет как соотношение цели и результата образовательной дея-тельности.

В «Словаре понятий и терминов по законодательству РФ об образовании» понятие «качество образования выпускников» трактуется как «определенный уровень знаний и умений, умст-венного, физического и нравственного развития, которого дос-

292

тигли выпускники образовательного учреждения в соответствии с планируемыми целями обучения и воспитания» 1.

Важно отметить, что результаты и качество образования - это две взаимосвязанные, но нетождественные категории. Ре-зультаты − обязательный компонент, без которого невозможно определить качество.

Чтобы результаты оценивали качество, их нужно с чем-то сравнить. Простейший способ − это сравнение со стандартами. Но этот способ небезупречный, ибо требования стандарта никак не связаны с личностью конкретного человека (школьника), качество образования которого мы хотим определить. Стандар-ты внеличностны, и в этом их слабость, дефектность. Кроме этого не для всех результатов образования можно сформулиро-вать стандарты.

2. Подходы к формированию систем управления ка-чеством образования

Рассматривая проблему качества образования, можно выде-лить четыре группы управления в зависимости от типа и уровня образования (рис. 1):

− управление качеством общего среднего образования (По-ташкин М.М., Майоров А.Н., Панасюк В.П., Шишов С.Б. и др.);

− управление качеством начального профессионального об-разования (Глазунов А.Т., Смирнов И.П., Ткаченко Е.В. и др.);

− управление качеством среднего профессионального обра-зования (Анисимов П.Ф., Ибрагимов Г.И., Лопухова Т.В. и др.);

− управление качеством высшего профессионального обра-зования (Булынский Н.Н, Новиков А.М., Субетто А.И., Селезне-ва Н.А., Федоров В.А.,. и др.).

1 Полонский В.М. Словарь понятий и терминов по законодательству РФ об образовании. – М., 1995. С. 20.

293

Группы управления качеством образования

общее среднее

начальное профес-

сиональное

среднее профес-

сиональное

высшее профес-

сиональное

Рис. 1. Группы управления в зависимости

от типа и уровня образования

Система управления качеством образования, как и вся сис-тема управления образованием в России, является многоуровне-вой и состоит как минимум из пяти уровней (рис. 2).

Анализ проблем управления качеством образования пока-зал, что к настоящему времени в литературе уже накоплен опре-деленный багаж научных данных. Большинство исследователей затрагивают все уровни системы образования, особенно обще-образовательную школу, начальное, среднее и высшее образова-ние.

Одинаковых критериев эффективности управления качест-вом образования на всех уровней в принципе быть не может, поскольку в основе работы людей на каждом уровне лежит разная предметная деятельность: педагогическая − у учителей, воспитателей; управленческая – у работников других уровней. Поэтому разработаны соответствующие подходы к управлению качеством образования на каждом уровне, которые воздейству-ют на разные объекты и имеют разные критерии своей эффек-тивности.

294

федеральный уровень

региональный уровень

муниципальный уровень

уровень руководителей образовательных учреждений

уровень субъектов образовательного взаимодействия

Рис. 2. Уровни системы образования

Содержательный анализ имеющихся подходов к формиро-ванию систем управления качеством образования [1-11] на этих уровнях позволяет выделить наличие четырех подходов:

− аспектный (организационный, психологический, дидакти-ческий и другие аспекты управления качеством образования);

− функциональный (исследование отдельных функций управления: планирование, руководство, контроль, коррекция и др.);

− системный; − когнитивный. В то же время, хочется отметить, что в рамках когнитивного

подхода внимание образовательным системам, и тем более вопро-су управления качеством образования, не уделялось. Поэтому актуальным является разработка и исследование когнитивных моделей эффективного управления качеством образования.

295

Литература

1. АНИСИМОВ П.Ф., СОСОНОКО В.Е. Управление качест-вом среднего профессионального образования. – Казань: ИЧПО РАО, 2001. -256.

2. ИБРАГИМОВ Г.И. Критерий оценки качества подготовки специалистов среднего звена // Специалист. 2003. − 1. С. 32-34.

3. ЛИСОВ В.И. Управление российским образованием. Феде-ральные и региональные аспекты. М., 2005. – 464 с.

4. МАЙОРОВ А.Н. Мониторинг в образовании. – СПб. 1998. – 344 с.

5. НОВИКОВ А.М. Развитие отечественного образования / Полемические размышления. М.: Изд. «ЭГВЕС», 2005. – 176 с.

6. ПОТАШКИН М.М. Качество образования: проблемы и технология управления (В вопросах и ответах). М.: Педаго-гическое общество России, 2002. 352 с.

7. СЕЛЕЗНЕВА Н.А. Качество высшего образования как объект системного исследования: Лекция. М.: ИЦ ПК. ПС, 2001. – 79.

8. СУБЕТТО А.И. Качество образования в России: состояние, тенденции, перспективы. – СПб., М. 1999. − 67 с.

9. СУВОРОВ В.С. Управление качеством многоуровневой подготовки специалистов в колледже. Монография. Казань: Изд-во Казанского ун-та, 2005. 308 с.

10. ТРЕТЬЯКОВ П.И. Школа: управление по результатам: Практика педагогического менеджмента. – М.: Новая школа, 2001. – 320.

11. ШАМОВА Т.И. и др. Управление образовательными сис-темами: Учеб. Пособие для студ. высш. пед. учеб. заведе-ний. Под ред. Т.И. Шамовой. М.: Издательский центр «Ака-демия», 2002. − 384 с.

296

МНОГОАГЕНТНАЯ КОГНИТИВНАЯ СРЕДА ДЛЯ ПОДДЕРЖКИ ОРГАНИЗАЦИОННО-

МЫСЛЕДЕЯТЕЛЬНОСТНОЙ ИГРЫ

Алимбеков С.Р., Жирков О.А., Смирнов А.Ю. (РАГС, г. Москва)

zc89@mail.ru

Рассматривается проблема интеграции метода анализа ие-рархий и системы генетической адаптации когнитивного графа в многоагентную интеллектную среду для поддержки организационно-мыследеятельностной игры в режиме проведе-ния её по специальному сценарию.

Ключевые слова: слабоструктурированная проблемная си-туация, многоагентная интеллектная среда, генетическая адаптация когнитивного графа, метод анализа иерархий, организационно-мыследеятельностная игра

Введение

В настоящее время используется достаточное множество про-граммных продуктов для анализа слабоструктурированной про-блемной ситуации (ССПС). Отдельные программные продукты ориентированы на анализ результатов мониторингов – СPSS, другие интегрируют в своем составе многие известные методы обработки информации – МАТЛАБ, третьи осуществляют анализ данных для решения отдельных аспектов проблемной ситуации.

В докладе рассматривается проблема интеграции метода ана-лиза иерархий (МАИ) и системы генетической адаптации когни-тивного графа (ГАКГ) в многоагентную интеллектную среду для поддержки организационно-мыследеятельностной игры (ОМДИ) в режиме проведения её по специальному сценарию [1,2]. Среда обладает новыми синергетическими возможностями группового анализа ССПС при поддержке процесса проведения ОМДИ инно-

297

вационными программно-аппаратными средствами и доведена до практической реализации в виде программного продукта.

Общая концепция многоагентной интеллектуальной среды организационно-мыследетельностной игры

На первом этапе процесса анализа ССПС, в соответствии со сценарием проведения ОМДИ, экспертами и когнитологом осуществляется SWOT–анализ, как традиционная процедура создания списка релевантных факторов. На следующем этапе экспертами, аналитиками, когнитологами в режиме мозгового штурма создаются гипотетические варианты решения ССПС. Все этапы носят игротехничекий характер и входят составной частью в интегральный сценарий проведения ОМДИ.

Для проведения на этих этапах процесса ОМДИ формирует-ся эффективная команда из игротехника-аналитика и игроков–экспертов по рассматриваемой ССПС, при участии режиссера, сценариста и идеолога.

Предполагается, что сценарии ОМДИ поддерживаются про-граммно-аппаратными и методическими средствами Электрон-ного Делового Театра (ЭДТ).

В комплект программных средств ЭДТ должны входить эр-гономичные продукты, поддерживающие в интерактивном режиме сценарную деятельность интеллектуальных агентов, интегрированных в единую среду системы групповой поддерж-ки ОМДИ. В качестве первой очереди интеллектуальной состав-ляющей можно предложить разработанную авторами доклада интегрированную интерактивную среду, включающую в свой состав Метод анализа иерархий (МАИ) и генетически адаптив-ный когнитивный граф (ГАКГ).

Продукты интегрированы в единую полиэкранную среду, управляемую режиссером и игротехником, в соответствии со сценарием проведения ОМДИ. Общая блок схема первой очере-ди ЭДТ приведена на рис.1.

298

Рис. 1. Блок- схема первой очереди многоагентной среды ЭДТ для проведения ОМДИ

ЭДТ интегрирует в своем составе: – аналитические модули (МАИ, ГАКГ и др.), – АРМ режиссера для реализации сценариев проведения

ОМДИ, – АРМ игротехника для реализации режима взаимодействия

экспертов, – информационных агентов для поддержки работы в сети

Интернет, – Электронную доску объявлений для внутренней коммута-

ции агентов, – средства отображения информации коллективного поль-

зования (СОИ КП), – электронный стол коллективного мозгового штурма. Общее управление процессом ОМДИ осуществляет идеолог

или стратег. В результате проведения интерактивных процедур на пер-

вых двух этапах имеем (Таблица 1):

Электронная доска объявлений

Агент поддержки генетически адаптивного

когнитивного графа

Группа проведения ОМДИ

Сценарий проведения ОМДИ на Э Д Т

Агент поддержки

МАИ

299

– экспертные веса всех релевантных факторов по каждому из гипотетических вариантов решения проблемной ситуации в виде матриц (рис. 2);

– рейтинги вариантов решения проблемной ситуации на ба-зе весов релевантых факторов.

Рис. 2 Интерфейс интерактивно-аналитической метасистемы при реализация процедуры поддержки первого этапа работы

игротехнической команды по МАИ (получение весов релевантных факторов)

300

Таблица 1 Сценарий работы многоагентной системы групповой поддержки решений при анализе ССПС в режиме ОМДИ Эта-пы

Наименование этапа сценария проведения ОМДИ

Участники проведения этапа

1 Генерация списка релевантных факторов

Эксперты, когнито-лог, игротехник

2 Создание вариантов решения ССПС

Эксперты, аналитик, когнитолог, игротех-ник, режиссер, идео-лог

3 Формирование импликативных матриц взаимовлияний факторов ССПС по каждому из вариантов

Игроки, игротехник, аналитик, режиссер, сценарист

4 Взвешивание вариантов по всем факторам (формирование имплика-тивных матриц отношений)

Игроки, игротехник, аналитик, режиссер, сценарист

5

Импульсный расчет всех вариантов ССПС

Аналитик, системо-техник

6

Второй этап анализа ССПС по методу анализа иерархий, после экспертной коррекции весов факторов в соответ-ствии с результатами импульсного расчета вариантов решений

Игроки, игротехник, аналитик, режиссер, сценарист, идеолог

7

Взвешивание вариантов по всем факторам (формирование имплика-тивных матриц отношений) после экспертной коррекции весов вариантов в соответствии с результатами им-пульсного расчета вариантов решений

Игроки, игротехник, аналитик, режиссер, сценарист, идеолог

8 Этап окончательного анализа вариан-тов решений – пленарное обсуждение

Все члены команды ОМДИ

Следующий этап носит алгоритмический характер и заклю-

чается в преобразовании матриц с весами всех факторов по каждому из вариантов в вектор весов вершин ГАКГ. Процедура носит характер НОУ-ХАУ авторов и детально не приводится (инновационный характер носит впервые проведенный авторами синтез МАИ и ГАКГ).

301

Общий вид математической постановки решения можно представить ниже следующим образом.

Для ГАКГ определим следующее уравнение [3]: МО(R) – Усиливающие или ослабляющие влияния реле-

вантных факторов ССПС, заданные численно = rjk, где rjk – интерпретирует влияние j-ого фактора на k-ый.

Далее определяются матрицы смежности когнитивного гра-фа по каждому из вариантов решения ССПС, где M = (rik) – это матрица, в ij-ой ячейке которой значение отношения i-го факто-ра к j-ому.

Тогда основное уравнение для импульсного расчета ГАКГ таково: (1) ∑ −− +=

kjkikjiji tprtsts )()()( 11

где )()()( 1−−= jijiji tststp – величина импульса i-ого фактора в j-ый момент времени;

si(tj) – значение i-го фактора в j-ый момент времени. С учетом того, что мы получили веса факторов (wi) на вы-

ходе алгоритма по МАИ сравнения, уравнение импульсного когнитивного графа преобразится к виду: (2) ∑ −− +=

kjkikijiji tprwtsts )()()( 11 .

Адаптация когнитивно-графовой модели по набору факти-ческих данных позволяет сделать прогнозы и решение «обрат-ной задачи» более точными и обоснованными. В основе процес-са адаптации лежит генетический алгоритм, основанный на эволюционных факторах получения решения: механизме гене-тического наследования и изменчивости, естественном отборе.

Основные особенности генетического алгоритма состоят в следующем:

– используется действительнозначное генетическое кодиро-вание;

– используются «маскированные гены»: наряду с кодирую-щими генами, существуют дополнительные гены – «маски», управляющие генетическими операторами

302

– используется мультипопуляционная структура.

Рис. 3 ГАКГ, в вершинах которого проставлены веса, получен-ные на предыдущем этапе работы игротехнической команды в

процессе ОМДИ при использовании МАИ (рис. 2)

Рабочий момент одного из этапов функционирования ин-теллектной системы ЭДТ представлен на рис. 4.

Для оценки решений режиссер «вызвал» на экран адаптиро-ванный эргономичный аналитический модуль по МАИ, на кото-ром в интерактивном режиме группа игроков осуществляет под руководством игротехника-фасилитатора «взвешивание» факто-ров проблемной ситуации. В это время режиссер поддерживает процесс оценки визуализацией картированных данных проблем-ной ситуации. На картоиде визуализированы данные об акциях протеста (круглые диаграммы), рейтингов лидеров партий и движений (столбчатые диаграммы) и уровень задержек по зар-плате.

303

Рис. 4. Рабочий момент поддержки игротехником и режиссе-ром одного из этапов проведения ОМДИ на программных сред-ствах первой очереди ЭДТ. Отображен момент взвешивания факторов экспертами при формировании импликативной мат-рицы отношений (совмещение образной составляющей про-

блемной ситуации и аналитического модуля оценки)

Заключение

Всеми этими инновациями ЭДТ при реализации сценариев ОМДИ для конечного пользователя предоставляются качествен-но новые возможности

– углубленного анализа ССПС на едином информационном поле экрана отображения информации

– поддержки совместной работы команды игроков за столом электронного мозгового штурма.

304

Литература

1. АНИСИМОВ О.С. Виртуальные особенности игромодели-рования. Труды центра виртуалистики. Выпуск 20. – М.: Издательство “Путь” 2003, 82с.

2. ЖИРКОВ О.А. Интеллектные системы групповой под-держки решений в условиях слабострктурированных про-блем на ситуационном центре. – М.: РАГС, Институт по-вышения квалификации. Кафедра стратегического проектирования.. М.: КМК, ISBN 5-87317-178-5 2005, 94 с.

3. СМИРНОВ А.Ю. Инвариантное моделирование систем // Информационные процессы и системы, 2001. – 10. – С. 7–12.

305

ОТ КОГНИТИВНОГО СИТУАЦИОННОГО ЦЕНТРА К ЭЛЕКТРОННОМУ ДЕЛОВОМУ ТЕАТРУ

Анисимов О.С., Ефремов В.А., Жирков О.А. (РАГС, г. Москва)

zhirkov@ur.rags.ru, zc89@mail.ru

Проведенный анализ отечественных ситуационных центров гражданской сферы показывает, что они используются в основном для презентации на средствах отображения инфор-мации коллективного пользования достижений в сфере анализа данных. Авторами предлагается новая концепция функциониро-вания ситуационного центра – “Электронный деловой театр”, поддерживающий процесс проведения организационно-мыследеятельностных игр. Ключевые слова: слабоструктурированная проблемная си-туация, ситуационный центр, электронный деловой театр, средства отображения информации коллективного пользова-ния, организационно-мыследеятельностная игра

Введение

В условиях современного мира, информационной револю-ции и компьютеризации, успехов математического моделирова-ния сложных социоприродных процессов неправомерно пользо-ваться старыми методами и моделями. Старые методы основаны на образцах линейного мышления и линейных приближениях, на экстраполяциях от наличного. Они часто связаны с чрезмерным усложнением модели, стремлением принять во внимание и включить в нее как можно большее число параметров. Прежние методологические подходы к моделированию сложных социаль-ных процессов не учитывают неоднозначность будущего, конст-руктивность хаотического начала в эволюции, роль быстрых процессов в развитии сложного [7].

306

Проведенный анализ материалов конференций по вопросам функционирования отечественных ситуационных центров (СЦ) гражданской сферы показал1, что используются они в основном для презентации на средствах отображения информации коллек-тивного пользования (СОИ КП) достижений в сфере анализа данных. Основная концепция создания СЦ – организация взаи-модействия на СОИ КП в реальном масштабе времени коллекти-ва экспертов-аналитиков для решения слабоструктурированных проблемных ситуаций (ССПС) – в настоящее время в должной степени не реализуется.

Использование аппаратных средств СЦ в основном для ана-лиза данных, различного рода аналитических процедур и реали-зации презентационных функций можно объяснить следующими причинами:

– на отечественном рынке слабо представлены зарубежные интеллектные программные продукты для интерактивно-аналитической групповой поддержки взаимодействия экспертов и аналитиков для решения ССПС;

– отсутствие общесистемного, филосовско-диалектического подхода к разработке отечественных интеллектных программ-ных продуктов типа “BRAINWARE” [4]. Как следствие, продук-ты такого типа, за редким исключением, практически не разра-батываются (программные продукты, разработанные в ИПУ РАН, бывшем ВЦ РАН и ряде ведомственных и территориаль-ных организаций, – это скорее исключения).

Первая причина, вероятно, заключается в том, что зарубеж-ные интеллектные программные средства групповой поддержки решений отсутствуют на отечественном рынке программных

1 “Информационно-аналитические средства поддержки принятия решений и ситуационные центры”. Материалы двух научно-практических конференций состоявшихся в РАГС в 2005-2006 гг.

Научно-практические конференции “Ситуационные центры – про-блемы и решения. Взгляд экспертов” – Полимедия, М.: 2002-2004 гг.

307

продуктов из-за существующих негласных ограничений на поставку в РФ высокоинтеллектуальных программных средств.

Вторая причина – в том, что “в вузах России обучают узких специалистов: инженеров по обслуживанию оборудования, математиков, программистов, психологов, менеджеров, но ни один вуз не готовит интеграторов – дженералистов, способных организовать работу коллективов в ситуационных центрах” [10]. Как следствие, отсутствует философская парадигма в разработке систем для достижения консенсуса между всеми заинтересован-ными сторонами решения проблемы при анализе ССПС.

Традиционно коллективами разработчиков отечественных систем поддержки принятия групповых решений (СПГР), руково-дят, как правило, или в прошлом программисты или математики, не имеющие на вооружении философской культуры и исполь-зующие при разработке систем количественный аппарат оценки решений без учёта человеческого фактора [1].

Необходим переход от информационного обслуживания к моделированию социально- и геополитических процессов с доминированием деятельности носителей живых знаний (а не отчужденной информации) и умений экспертов, т.е. от инфор-мационно-аналитического СЦ к когнитивному, где доминантой являются новые знания, полученные в результате дискурса заинтересованных сторон и формирования “коммуникативного разума” [11]. Средой поддержки коллективного процесса мыс-ледеятельности является Когнитивный СЦ, реализованный на новой парадигме “Электронного делового театра” (ЭДТ) 1.

Перспективы функционирования ситуационного центра в режиме “Электронного делового театра”

Авторами доклада предлагается новая парадигма функцио-нирования СЦ – от систем обработки данных и презентацион-

1 Термин “Электронный деловой театр” впервые вводится авторами доклада и рассматривается как авторское НОУ-ХАУ.

308

ных функций к ЭДТ, по аналогии с Электронным правительст-вом (ЭП) [9].

В настоящее время можно идентифицировать (классифици-ровать) три основных режима (сценария) работы систем под-держки решений на СЦ:

– информационный конвейер (просмотровый, т.е. режим “электронного кинозала”),

– использование систем интеллектуального анализа данных (ИАД). Этому русскому понятию соответствуют английские термины Data Mining (добыча данных), On line Analytical Processing, OLAP (оперативный анализ данных), Knowledge Discovery (обнаружение знаний) или Intelligent Analysis Data (разведывательный анализ данных),

– наименее распространенный в настоящее время режим ин-терактивного ЭДТ с поддержкой процесса проведения организа-ционно-мыследеятельностных игр (ОМДИ).

ОМДИ – это интерактивная работа команды ЭДТ (игротех-ников, режиссера, сценариста, идеолога, экспертов, аналитиков, технических специалистов и др.) по анализу, генерированию, оценке вариантов решений и поддержке игротехнического про-цесса реализации специальных сценариев при анализе проблем-ной ситуации.

Исторически первый режим функционирования СЦ техно-логически был реализован в конце 80–х годов фирмой “Intergraf” в одном из ситуационных центров США, а впоследствии “ско-пирован” и на ряде отечественных федеральных ситуационных центрах.

Суть режима в следующем: конвейерный поток информа-ции по конкретным предметным областям подавался режиссе-ром сеанса на три экрана СОИ КП в виде компьютерных роли-ков, содержащих синхронный дикторский текст и музыкальное сопровождение.

Компьютерные ролики создавались в соответствующих аналитических службах, и специалисты–аналитики, как и ЛПР, получали информацию в виде сжатых динамических сюжетов, при этом, помимо данных о состоянии ситуации, на экранах

309

могли быть визуализированы и альтернативные пути решения проблемы.

Необходимо отметить ряд достоинств подобной техноло-гии:

− “прогон” большого объема компрессированной аналити-ческой информации в сжатое время;

− наглядность представления информации по проблеме: диаграммы, графики, компьютерные динамические и оцифро-ванные видеосюжеты;

− показ трендов развития проблемной ситуации, разрабо-танных в аналитических подразделениях по различным сценари-ям, в зависимости от заранее заданных изменениях параметров процесса;

− малое время, затрачиваемое ЛПР на ознакомление с си-туацией по сравнению с традиционным аппаратным “вхождени-ем в проблему” (заседания, совещания и т.д.);

− подача на трех экранах динамичных сюжетов со звуко-вым сопровождением, которая создает более благоприятный психологический климат для дальнейшей работы ЛПР по анали-зу и решению проблемы.

Основной недостаток работы по вышеприведенному сцена-рию – отсутствие интерактивности и, как следствие, пассивная роль группы ЛПР, невозможность влияния режиссером и анали-тиками в реальном масштабе времени на разработанный специа-листами (когнитологами, экспертами и аналитиками) сценарий подачи проблемной ситуации и вариантов её решения на экраны СОИ КП.

Второй режим работы реализуется в настоящее время на многих отечественных СЦ, но поддержка работы этого типа систем не нуждается в дорогостоящем оборудовании.

Третий режим – сценарное функционирование СЦ, а точнее его интеллектуального ядра – ситуационной комнаты в стиле делового театра и развернутой в ней СПГР. Данный режим характеризуется наличием интерактивности между средой под-держки решений – электронной доской (СОИ КП) и интерактив-ным столом мозгового штурма в процессе принятия решений.

310

Реализацию этого режима работы и должны обеспечивать технологические средства современного СЦ.

Краткому анализу перспектив функционирования СЦ в ре-жиме ЭДТ посвящен настоящий доклад. (Первая инициативная практическая реализация электронной интерактивно-аналитической среды коллективного принятия решений в граж-данской сфере с участием одного из авторов доклада была доку-ментирована 1986г. [3])

Основное отличие художественного и делового театра со-стоит в том, что “…основная внутренняя функция художествен-ного театра предстала как обеспечение трансформаций мотива-ционно-действенной основы бытия людей в социокультурном аспекте, иначе в организованной динамике жизнедеятельности и социодинамике, то в деловом театре основная функция связана с обеспечением трансформаций мотивационной, интеллектуаль-ной и волевой основы деятельностного бытия” [2].

Основные отличия работы СЦ в режиме ЭДТ с реализацией сценариев ОМДИ:

– максимальный учет человеческого фактора; – наличие интерактивности при функционировании системы; – функционирование системы в реальном масштабе времени; – реализация сценария в режиме делового театра поддер-

живается двумя специалистами: режиссером сеанса и игротех-ником.

Режиссер обеспечивает визуализацию предметной области на экранах СОИ КП, т.е. реализует образную (креативную, правополушарную) составляющую предметной области;

Игротехник реализует взаимодействие группы ЛПР, экспер-тов в процессе коллективной оценки, т.е. обеспечивает поддержку аналитической (логической левополушарной) составляющей процесса принятия решений.

311

Принятие управленческих решений в области слабо-структурированных проблемных ситуаций

Принятие управленческих решений в области ССПС явля-ется тем процессом, значимость которого для любой сферы деятельности всегда оставалась очевидной.

Для целостности принятия стратегических решений необхо-дима интеграция технологий игромоделирования процесса мыследеятельности и электронно-интеллектуализированных средств поддержки группового интерактивно-аналитического взаимодействия экспертов, аналитиков и игротехников на СОИ КП в среде ЭДТ.

Первоначальные преимущества концентрированного ис-пользования знаний дополняются в таком случае применением современных интеллектуальных технологий в области систем поддержки решений и социокультурных ориентиров и критери-ев. Происходит переакцентировка процесса анализа ССПС в пользу культуры мышления и рефлексии, а не огульного приме-нения экономико-математических методов и других аналитико-математических механистических методов анализа ситуации (СПСС, IDEF, МАТЛАБ и всего аппарата нерефлексирующих традиционных систем анализа данных и т.н. бизнес-процессов).

Возникает многомерный парадокс. Суть его состоит в сле-дующем. Во-первых, в параллельном сосуществовании доста-точно простых и случайных, индивидуализируемых форм мыс-лительного участия управленцев в принятии решений и усложненных, технологизированных, с применением огромного массива знаний, коллективно распределенных экспертных, консультационных, и распределенных сетевых систем индиви-дуальных пользователей. Во-вторых, влияние на первичный процесс принятия управленческих решений осуществляется как в ходе технологического оформления, так и в ходе привлечения критериев надситуативного, всеобщего типа, но функции техно-логий и критерии не гармонизированы в едином механизме принятия решений в реальном времени.

312

На гармонизацию технологического оформления управлен-ческих решений с позиций критериев надситуативного мышле-ния в процессе ОМДИ и ориентирована среда ЭДТ.

Для дальнейшего понимания дадим определение ССПС в нашем понимании:

“Слабоструктурированная проблемная ситуация является внешним и внутренним проявлением реакции лица или группы лиц, принимающих решения, на ту или иную форму несоответ-ствия желаемого положения дел в организационной целостности и реально происходящего. Внешняя сторона очевидна и она побуждает к выработке отношения, а внутренняя сторона состо-ит в фиксации «расстыковки» и первичном отношении. Чем более масштабен прогноз отрицательного хода событий, тем напряженнее и несобраннее лицо или группа лиц, принимающих решения”[1].

Описание бытия ЛПР легко осуществимо «обычным» обра-зом. А формулировка проблемы не может быть осуществлена вне использования специальных средств языка теории деятель-ности. В практике рефлексии хода мышления при принятии решений понимание «проблемы» приближено к пониманию проблемной ситуации и сводимо к фиксации конкретной неуда-чи, разрыва, затруднения и причины затруднения. При таком понимании формулирования проблемы, постановки проблемы, «проблематизации» не нужна современная мыслительная куль-тура, не нужны классические логико-мыслительные разработки, не требуется особая рефлексия самих процессов «проблематиза-ции» и мышления в целом.

До сих пор еще не достигнуто подобное в аналитике управ-ленческих систем, при всей множественности исследовательских и нормативных оформлений практики математической поддерж-ки управленческих решений. Причина лежит в эмпиризме мыш-ления аналитиков. Этот же эмпиризм не позволяет построить сущностно значимые механизмы стратегического управления. Большинство центров стратегического анализа, консультирова-ния, оснащенных системами поддержки принятия решений, не выходят за рамки эмпиризма мышления, а их культурно-

313

мыслительное и рефлексивно-культурное обеспечение остается в зачаточном состоянии.

Учитывая вышеизложенное, предлагается интерактивно-аналитическая среда интеллектной групповой поддержки реше-ний, оснащенная СОИ КП и электронным столом поддержки процесса игромоделирования [5].

Для повышения эффективности работы и наглядности предметной области данные по проблемной ситуации визуали-зируются на картофонах. На определенных этапах игротехниче-ского процесса в соответствии со сценарием применяются ряд интеллектных систем, где использованы широко известные и инновационные алгоритмы: модернизированный метод анализа иерархий, генетические алгоритмы, перцептрон, интерактивный геоанализатор картированных данных для получения виртуаль-ных картофонов по анализу территориальной обстановки.

Сценарное моделирование процесса функционирования ко-манды под управлением игротехника-фасилитатора осуществля-ется путем созданием структурно-функциональных схем реали-зации мыследеятельного процесса через проведение ОМДИ на интерактивном столе групповой поддержки процесса и СОИ КП в среде ЭДТ.

Наиболее эффективно применение технологий проведения ОМДИ в среде ЭДТ при анализе ССПС типа

− анализа вариантов социально-экономического развития регионов,

− достижения консенсуса заинтересованными сторонами в процессе оценки вариантов застройки территории,

− поддержки содержательных “коммуникаций при социаль-ном диалоге с народом” [8] в процессе мониторинга в среде Интернета и оценке вариантов развития социума и т.д.

Разработанная к настоящему времени первая очередь ЭДТ для поддержки ОМДИ – полиэкранная, имеет выход в реальном времени в Интра- и Интернет, поддерживает большинство дей-ствующих в настоящее время форматов данных и exe-файлов, не требует специальных аппаратных средств управления СОИ КП, поддерживает информационную и игротехническую состав-

314

ляющую процесса анализа ССПС (отдельные АРМ режиссера и игротехника) [6].

Литература

1. АНИСИМОВ О.С. Принятие управленческих решений: Методология и технология. М.2004, ФГОУ РосАКО АПК, 503 стр.

2. АНИСИМОВ О.С. Виртуальные особенности игромодели-рования. – М.: 2003. Труды Центра виртуалистики. Вып.20.

3. ГРИГОРЬЕВ Э.П., ЖИРКОВ О.А., БАЛАГУРОВ А.А. Система ускоренного проектирования “ИНВАРИАТРОН”. – М.: ВДНХ СССР, 1986г. УДК 721.011:681.322(085) (47/54/44)

4. ДОРОДНИЦЫН А.А. Информатика: предмет и задачи. В сборнике Кибернетика. Становление информатики. М.: Наука, 1986. С. 22–28.

5. ЖИРКОВ О.А. Электронный стол мозгового штурма для работы на общем экране // Третья международная конфе-ренция “Когнитивный анализ и управление ситуацией” – М.: ИПУ РАН, 2003. – С.159-163.

6. ЖИРКОВ О.А. Групповые методы качественного анализа слабоструктурированных проблемных ситуаций с инте-рактивной визуализацией / Автореферат диссертации на со-искание учёной степени кандидата технических наук. РАГС. М.: 2004.

7. КНЯЗЕВА Е., КУРДЮМОВ С. Синергетика и принципы коэволюции сложных систем. – www.hp.ras.ru

8. ПОПОВ В.Д., ФЁДОРОВ Е.С. Коммуникативные коды имиджа власти. – М.: ИД “Камерон”, 2004.

9. СМИРНОВ А.И. Информационная глобализация и Россия: вызовы и возможности. – М.: Парад, 2005.

10. ФИЛИМОНОВ В.А. Экран – сервис технологии. (Винтсер-винг. Винт 3) Омск 2005: ОГИС, 2005. 42с

11. ХАБЕРМАС Ю. Моральное сознание и коммуникативное действие. – СПб.: 2001.

315

ОПТИМАЛЬНЫЕ ПРЕМИАЛЬНЫЕ СИСТЕМЫ СТИМУЛИРОВАНИЯ

Новиков Д.А. (Институт проблем управления РАН, г. Москва)

novikov@ipu.ru Представлены общая постановка задачи синтеза оптимальной тарифно-премиальной системы стимулирования и основные этапы решения этой задачи.

Ключевые слова: Модели тарифно-премиальных систем оплаты труда, агент, оптимальное решение, принцип ком-пенсации затрат

Работа посвящена рассмотрению моделей тарифно-

премиальных систем оплаты труда, в рамках которых вознагра-ждение каждого агента складывается из двух составляющих – тарифной и премиальной [1]. Тарифная (компенсационная) составляющая определяется квалификацией агента и не зависит от результатов его деятельности. Премиальная (мотивационная) в соотношении с результатами деятельности его коллег. В по-следнем случае, как правило, фиксированный премиальный фонд распределяется между агентами в зависимости от резуль-татов их совместной деятельности. Правила распределения премиального фонд могут быть различными – в их основу могут быть положены описанные выше пропорциональные, или бри-гадные, или ранговые системы стимулирования. Такие системы оплаты труда часто встречаются на практике при определении премий (надбавок, доплат и т.д.) как в производственных кол-лективах, так и в научных или образовательных организациях.

Относительно тарифной составляющей заработной платы предположим, что она является кусочно-постоянной неубываю-щей (прогрессивной), непрерывной справа функцией. Преми-альная составляющая при этом может быть любой монотонной по результатам деятельности агента кусочно-непрерывной

316

функцией. Эффективность тарифно-премиальной системы сти-мулирования определим как гарантированное значение целевой функции центра на множестве решений игры агентов.

Общая постановка задачи синтеза оптимальной тарифно-премиальной системы стимулирования имеет следующий вид (см. стандартные постановки задач стимулирования в [2]): тре-буется найти оптимальные тарифные выплаты, премиальный фонд и правила его распределения (премиальную систему сти-мулирования), которые обеспечивали бы всем агентам в равно-весии, как минимум, заданную резервную полезность. Процесс решения этой задачи заключается в следующем.

Первым этапом является задача синтеза тарифной состав-ляющей системы стимулирования. Необходимость ее решения может и отсутствовать, так как во многих государственных организациях используются установленные законом унифици-рованные тарифные системы оплаты (примеры – единая тариф-ная сетка, отраслевые системы оплаты труда и др.). Если все же выбор тарифной составляющей является прерогативой органи-зации, то для решения этой задачи (отдельно от задачи выбора премиальной составляющей) могут быть использованы описан-ные в [2] методы поиска оптимальных систем стимулирования.

Вторым этапом является выбор премиальной составляющей оплаты труда при фиксированной тарифной составляющей и фиксированном размере премиального фонда.

И, наконец, третьим этапом является выбор оптимального размера премиального фонда. Эта задача (при известных резуль-татах первых двух этапов) обычно решается достаточно легко. Иногда размер премиального фонда фиксирован априори, тогда третий этап пропускают. Иногда второй и третий этап совмеща-ют, не акцентируя внимания на размере суммарного премиаль-ного фонда, а получая его «автоматически» в процессе решения.

Искать премиальную составляющую оплаты труда агента следует в виде «компенсаторной» системы стимулирования (то есть, равной нулю при действиях агента меньших плана, и рав-ных положительной константе в случае выполнения или превы-шения плана).

317

Оптимальное решение этой задачи основывается на принципе компенсации затрат и обладает следующими свойствами. Во-первых, в рамках введенных предположений оптимальный размер тарифной составляющей оплаты должен равняться сумме минимальных затрат и резервной полезности агента заданной квалификации. Во-вторых, премиальная составляющая должна компенсировать затраты агента по достижению требуемого центру результата. И, наконец, в третьих, оптимальные планы, назначаемые агентам со стороны центра, должны максимизировать разность между его доходом и затратами на стимулирование агентов. Имея результаты решения задачи синтеза оптимальной тарифно-премиальной системы оплаты труда заданного коллектива агентов, можно ставить и решать и другие задачи [1], в том числе – выбора оптимального состава агентов, принятия решений о повышении квалификации персонала организации и др.

Литература

1. ЗАЛОЖНЕВ Д.А., НОВИКОВ Д.А. Модели тарифно-премиальных систем оплаты труда. – М.: ИПУ РАН, 2006. – 75 с.

2. НОВИКОВ Д.А. Теория управления организационными системами. – М.: МПСИ, 2005. – 584 с

318

ОПТИМИЗАЦИЯ МНОГОУРОВНЕВЫХ ОРГАНИЗАЦИЙ1

Мишин С.П. (Институт проблем управления РАН, г. Москва)

smishin@newmail.ru В докладе рассматривается математическая модель построе-ния оптимальной организации, включающая выбор состава исполнителей и управляющих ими менеджеров, а также по-строение иерархии управления (определение взаимного подчи-нения исполнителей и менеджеров, обеспечивающее централи-зованное управление всеми исполнителями). Рассматривается класс функций затрат и дохода, который с хорошей точно-стью способен описать параметры реальных организаций.

Ключевые слова: иерархическая организация, оптимальный состав и структура

Введение

Любая экономическая система состоит из множества орга-низованных некоторым образом сотрудников. Благодаря органи-зации сотрудники действуют на основе определенных процедур и правил (механизмов), что позволяет достичь цели системы. Сотрудники организации специализированы, что повышает их эффективность. Однако взаимодействие сотрудников с различ-ной специализацией должно быть скоординировано для дости-жения общей цели системы. Для реализации управленческих функций в организации создается иерархия. В литературе по менеджменту процесс построения (или реорганизации) эконо-мической системы делится на три фазы (см. например, [11]):

1 Доклад подготовлен при поддержке гранта президента РФ МК-8928.2006.1, фонда содействия отечественной науке

319

I. Разработка технологии: определяется состав исполните-лей, их функции и порядок взаимодействия.

II. Разработка иерархии: определяется количество менедже-ров и состав сотрудников, которыми управляет каждый менед-жер.

III. Разработка механизмов управления: определяются пол-номочия начальников по отношению к их подчиненным.

Имеется большое количество математических моделей фаз I и III. Фаза II наиболее проблематична для математического исследования в силу огромного количества возможных иерархий и затруднительности количественного анализа их эффективно-сти. По этой причине на данный момент имеется небольшое количество работ по моделированию иерархий. Среди «класси-ческих работ» можно отметить [9, 10], в которых проблема освещается достаточно общо, однако модель оптимальной ие-рархии в общем виде не формализована. Ряд более поздних работ (см., например, [5]) исследует строгие математические постановки указанной задачи, налагая при этом ряд весьма жестких ограничений (как правило, рассматриваются только древовидные иерархии с подчинением только между соседними уровнями и затратами, зависящими только от числа непосредст-венных подчиненных). В ряде недавних работ [1, 2, 3, 4, 6, 7, 8] рассмотрена достаточно более общая математическая модель, позволяющая формально исследовать фазу II и минимизировать затраты иерархии управления.

Модель оптимизации организации

Затруднительность математического исследования фазы II привела к тому, что в настоящий момент достаточно развиты лишь модели организаций с фиксированной иерархией. Подав-ляющее большинство работ посвящено исследованию так назы-ваемых двухуровневых (веерных) организаций, в которых один или несколько центров (principals) управляют одним или не-сколькими агентами (agents). Опираясь на результаты [1, 2, 3, 4, 6, 7, 8], в настоящем докладе описан подход к построению моде-

320

ли многоуровневой организации и оптимизации параметров ее функционирования, включая состав исполнителей и менедже-ров, иерархию управления, планы работ исполнителей и подраз-делений, подчиненных менеджерам, механизмы стимулирования подчиненных.

Решив задачу об оптимальной иерархии можно ответить на очень важный вопрос – каков вид оптимальной иерархии, управ-ляющей заданными исполнителями с минимальными затратами менеджеров на выполнение управленческих функций. При этом количество исполнителей и их характеристики (сложность, мера, объем выполняемой работы и т.п.) считаются заданными экзо-генно. В ряде случаев это оправдано, поскольку технология жестко определяет состав и функции исполнителей. Однако во многих случаях возникает весьма важный вопрос об оптималь-ном составе исполнителей: сколько исполнителей должно быть в организации и какой объем работы должен выполнять каждый исполнитель, чтобы организация в целом работала эффективно? Эта задача рассматривается во многих работах. Однако в них за рамками исследования остаются затраты на иерархию управле-ния исполнителями (как правило иерархия предполагается двух-уровневой), что не позволяет говорить об оптимальной органи-зации.

В качестве критерия эффективности организации можно рассматривать прибыль – разность между доходом от выполне-ния исполнителями своих функций и расходами на содержание всех сотрудников, как менеджеров, так и исполнителей. В усло-виях полной информации расходы удается снизить до суммы затрат сотрудников с помощью компенсаторной системы стиму-лирования [7]. Поэтому для решения задачи об оптимальной многоуровневой организации достаточно максимизировать разность дохода и затрат всех сотрудников с учетом возможно-сти построения многоуровневой иерархии. То есть в условиях полной информации достаточно совместно оптимизировать фазы I и II, после чего применить механизм компенсаторного стимулирования для управления организацией. Ниже кратко описана соответствующая модель, которая и является основным

321

предметом настоящего доклада. Ее исследование даст в даль-нейшем возможность обобщать полученные результаты на случай неполной информации, в котором требуется создание сложных механизмов управления (контрактов, учитывающих неопределенность). Модель базируется на следующих предпо-ложениях:

1. Имеется некоторый центр (капитала, авторитета и т.п.), желающий создать (перестроить) организацию с целью получе-ния максимальной прибыли, и множество отдельных агентов, которые могут быть для этого привлечены в качестве исполни-телей или менеджеров.

2. При выполнении исполнителем объема работ (за фикси-рованный период) 0μ ≥ он несет затраты, определяемые вы-пуклой функцией ( )wc μ , а центр получает доход μ .

3. Пусть непосредственные подчиненные менеджера управ-ляют группами s1,…,sk, которые выполняют объемы работ y1,…,yk. Тогда затраты менеджера определяются функцией

1( , , )kc y y… , зависящей только от соответствующих объемов работ.

При указанных предположениях для построения оптималь-ной организации центр должен сделать следующие шаги:

1. Определить оптимальный объем выполняемой организа-цией работы 0μ ≥ , оптимальное число 1≥n исполнителей и выполняемые ими объемы работ 1, , nμ μ… , 1 nμ μ μ= + +… .

2. Из всего множества допустимых иерархий Ω выбрать иерархию H , управляющую исполнителями с минимальными затратами ( )c H .

3. Заключить с каждым из сотрудников следующий кон-тракт: сотруднику компенсируются его затраты, если подчинен-ная ему группа исполнителей выполняет определенный центром объем работ, в противном случае выплачивается ноль.

В результате затраты всех исполнителей 1( ) ( )w w nc cμ μ+ +… .

322

Прибыль (полезность) центра от наличия организации будет равна выручке μ уменьшенной на величину затрат исполните-лей и затрат менеджеров оптимальной иерархии управления. Итак, задача построения оптимальной организации имеет вид:

(1) 1

1 ( )0, 1max max ( ) ( ) min ( )

nw w n H Nn

c c c Hμ μ μ μ

μ μ μ∈Ω≥ ≥ + + =

⎡ ⎤− − −⎢ ⎥⎣ ⎦……

Заключение

Наиболее перспективны для исследования классы функций затрат менеджера, для которых в работах [1, 2, 3, 4, 6, 7, 8] решена задача оптимизации иерархии (внутренняя задача минимизации в выражении (1)). Для подобных функций осталось решить обычную задачу максимизации функции по нескольким переменным, что можно сделать численно, а в ряде случаев и аналитически.

Таким образом, весьма перспективным направлением исследований является решение задачи максимизации (1) для различных классов функций, интерпретация полученных результатов и количественное объяснение наблюдаемых на практике организационных эффектов (пределы роста орга-низаций, связь вида и характеристик организации с параметрами модели – такими параметрами функций затрат, как эффективность менеджеров, их заинтересованность, нестабильность внешней среды, виды взаимодействия в группах). Учет этих характеристик возможен в рамках функции затрат вышеуказанного вида. Одним из интересных вопросов является следующий – в каких случаях эффективны иерархические организации, а в каких – отдельные независимые исполнители? В первом случае решение задачи (1) будет иметь место при 1>n , во втором – при 1=n (минимальный предел роста).

323

Литература

1. ВОРОНИН А.А., МИШИН С.П. Алгоритмы поиска опти-мальной структуры организационной системы // АиТ. 2002a. 5. С. 120–132.

2. ВОРОНИН А.А., МИШИН С.П. Моделирование структуры организационной системы. Об алгоритмах поиска оптималь-ного дерева // Вестн. Волг. ун-та. 2001. Сер. 1: Математика. Физика. С. 78–98.

3. ВОРОНИН А.А., МИШИН С.П. Модель оптимального управ-ления структурными изменениями организационной системы // АиТ. 2002b. 8. С. 136–150.

4. ВОРОНИН А.А., МИШИН С.П. Оптимальные иерархические структуры. М.: ИПУ РАН, 2003. – 214 с.

5. ДЕМЕНТЬЕВ В.Т., ЕРЗИН А.И., ЛАРИН Р.М. и др. Задачи оптимизации иерархических структур. Новосибирск: Изд-во Новосиб. ун-та, 1996.

6. МИШИН С.П. Динамическая задача синтеза оптимальной иерархической структуры // Управление большими система-ми. Выпуск 3. М.: ИПУ РАН, 2003. С. 55–75.

7. МИШИН С.П. Оптимальное стимулирования в многоуровне-вых иерархических структурах // Автоматика и телемеханика, 5, 2004. С. 96 – 119.

8. МИШИН С.П. Оптимальные иерархии управления в экономи-ческих системах. М.: ПМСОФТ, 2004. – 205 с.

9. Овсиевич Б.И. Модели формирования организационных структур. Л.: Наука, 1979.

10. ЦВИРКУН А.Д. Основы синтеза структуры сложных систем. М.: Наука, 1982.

11. MINTZBERG H. The structuring of organizations. Englewood Cliffs: Prentice-Hall, 1979.

324

КОГНИТИВНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ ВЫПОЛНЕНИЕМ ДОГОВОРОВ

Аржаков М.В. (ЗАО НПК «Атомтехнопром», г. Москва)

arzhakov@atomtechnoprom.ru Проведен когнитивный анализ договорных отношений хозяйст-вующих субъектов рынка. Исследуются задачи управления их развитием. Показано, что совместную работу хозяйствующих субъектов обеспечивают специальные механизмы выполнения договоров, включающие штрафы и санкции при нарушении их условий.

Ключевые слова: теория эволюционных систем, субъект рынка, механизмы выполнения договоров

Введение

Дальновидные хозяйствующие субъекты рынка сотрудни-чают на основе договоров. В работе проводится когнитивный анализ их договорных отношений, и исследуются задачи управ-ления их развитием. С точки зрения когнитивного анализа, совместную работу обеспечивают специальные механизмы выполнения договоров. При нарушении условия договора сле-дуют штрафы и санкции. Поэтому хозяйствующий субъект должен постоянно оценивать все возможности и на каждом шаге выполнения договора решать, что ему выгоднее. С целью иссле-дования договорных отношений воспользуемся подходом к управлению развитием ситуаций, развитым в теории эволюци-онных систем [1].

325

Подход к управлению развитием договорных отно-шений

Для простоты, будем рассматривать взаимодействие в про-цессе выполнения договора двух субъектов рынка. Предполо-жим, что объектом договора является поставка продукции или услуг. Тогда, для краткости, первый субъект рынка будем назы-вать продавцом, а второй – покупателем. Продавец рассматрива-ется как игрок 1, а покупатель – как игрок 2. Состояние i-го игрока в периоде t (cit) описывается m показателями состояния (clit, l=1,m ): cit=(c1it,...,cmit)∈Cit⊂Rm, i=1,2 , t=1,T , где T – срок действия договора, исчисляемый в периодах времени, i=1,2 .

При заключении договора определяются его условия. Обо-значим j–е условие договора для i-го игрока в периоде t через yjit, , j=1, ,n где – n – количество условий, yit=(y1it,..,ynit) – вектор условий, yit⊂Rn. Совокупность условий для i-го игрока на перио-ды t=1,…,Т: yi=yit | t=1,T . Совокупность условий для обоих игроков: Y=yi | i=1,2 . Выполнение i–м игроком в периоде t условия yit=(y1it,…,ynit) характеризуется с помощью первых n компонент его состояния cit (т.е. с помощью показателей c1it,…,cnit, n≤m). Обозначим bit=(b1it,…,bnit) вектор этих показате-лей состояния i-го игрока. Тогда, при n<m, cit=(bit,dit), где dit=(cn+1it,…,cmit) – вектор остальных показателей состояния i-го игрока в периоде t. Этот вектор принадлежит множеству Dit в (m–n)-мерном пространствe: Dit⊂Rm–n.

Важным признаком механизма выполнения договоров явля-ется наличие штрафов за невыполнение условий договора. При невыполнении i-м игроком условия yit (bit≠yit) он штрафуется на величину Kit(yit,bit)≥0. Если же bit=yit, то штраф равен нулю. Обозначим функцию штрафов за нарушение как kit(yit,cit). Тогда kit(yit,cit)=0, если bit=yit, и kit(yit,cit)=Kit(yit,bit)≥0, если bit≠yit. Сово-купность K=Kit(yit,bit) | i=1,2 , t=1,T называется штрафной процедурой. При постоянной функции штрафов, Kit(yit,bit) не

326

зависит от векторов yit и bit: Kit(yit,bit)=Wit≥0. Обозначим соответ-ствующую штрафную процедуру через W=Wit≥0 | i=1,2 ,t=1,T .

На практике, если кто-либо из игроков нарушил условия до-говора, дальнейшие операции по нему прекращаются. Чтобы учесть это обстоятельство, введем процедуру санкций S, обеспе-чивающую остановку игры продавца и покупателя при первом же нарушении условий договора. Запрет дальнейших операций по договору в первом же периоде tS, в котором любой из игроков нарушил его условия, приводит к тому, что прибыли игроков в последующих периодах tS+1,tS+2,…,Т равны нулю: pit[ait=1]=0, t= 1,St T+ .

Процедурой стимулирования будем называть совокупность F=[S,K], где S – процедура санкций, а K – штрафная процедура. Механизм выполнения договоров (кратко – МВД) представляет собой совокупность условий договора Y и процедуры стимули-рования F=[S,K] и обозначается как ( ,[ , ])Y S KΣ = . Доход i–го игрока в периоде t (uit) является функцией выбираемого им состояния: uit=uit(cit). Прибыль i–го игрока в периоде t определя-ется, как доход uit(cit), за вычетом штрафов, определяемых на основе сопоставления состояния i-го игрока cit с условием yit: pit=pit(yit,cit)=uit(cit)–kit(yit,cit). Дальновидный игрок заинтересован в получении текущей и будущих прибылей. Его стратегия ci описывается показателями состояний, выбираемых им на весь

срок действия договора Т: ci=(ci1,...,ciT)∈Ci=1

T

itt

C=∪ , i=1,2 . Целе-

вая функция i-го игрока равна сумме его текущей прибыли и будущих прибылей, дисконтированных к текущему периоду, и зависит от выбранной им стратегии ci:

(1) Vi(ci) -1

1( , )

T

i i i iv p y cττ τ τ

τ==Σ , i=1,2 ,

где vi – коэффициент дисконтирования, 0<vi<1. Подход к исследованию договорных отношений включает

определение решения игры продавца и покупателя, а также

327

решение задач анализа и синтеза МВД, регламентирующих их действия. Множество решений игры продавца и покупателя зависит от целевых функций (1) и МВД ( ,[ , ])Y S KΣ = , и имеет вид: (2) M(Σ)= *

1c , *2c |V1( *

1c )=1

maxc

V1(c1),V2( *2c )=

2

maxc

V2(c2).

Будем говорить, что справедлива гипотеза благожелатель-ности игроков, если, при равных прибылях, i-й игрок выбирает состояние, отвечающее условию договора yit: если yi=(yi1 ,…,yiТ)∈M(ΣП), то *

itb =yit , i=1,2 , t=1,T . Рассмотрим двухуровневую систему, на верхнем уровне ко-

торой находится Центр, регламентирующий механизмы выпол-нения договоров (например, государственный орган или обще-ственная организация, выражающая заинтересованность делового сообщества в регулировании деловых отношений), а на нижнем – дальновидные субъекты рынка (продавец и покупа-тель). Пусть Ψ(Σ,c1,c2) – критерий потерь системы, зависящий от МВД Σ и стратегий игроков c1 и c2. Анализ МВД Σ основан на определении множества решений игры продавца и покупателя (2) и максимального значение критерия потерь Ψ(Σ,c1,c2) на этом множестве: N(Σ)=

( )max

c M∈ ΣΨ(Σ,c1,c2)). Постановка задачи оптималь-

ного синтеза МВД Σ имеет вид: N(Σ)=

( )max

c M∈ ΣΨ(Σ,c1,c2) Σ⎯⎯→min.

Правильным МВД ΣП=(Y,F) будем называть совокупность условий договора Y и процедуры стимулирования F, обеспечи-вающей их выполнение. Формально, при построении правильно-го МВД, потери связываются с несоблюдением условий Y, так что критерий потерь МВД имеет вид: ΨП(ΣП,c1,c2)=0, если M(Σ)⊆L(Σ), и ΨП(ΣП,c1,c2)=1, если M(ΣП)⊄L(ΣП), где L(ΣП) – множество состояний игроков, при которых они выполняют условия договора: L(ΣП)=ci, i=1,2 | ci=(ci1,…,ciТ), cit=(b1it,dit), bit=yit, dit∈Dit, t=1,T . Формально, МВД ΣП – правильный, если

*itb =yit для любого *

ic ∈M(ΣП), i=1,2 , t=1,T .

328

Теорема. Для правильности МВД ( ,[ , ])Y S WΣ = с посто-янной функцией штрафов при гипотезе благожелательности необходимо и достаточно, чтобы Wit≥max

it itd D∈uit(1,dit)–Uit, t=1,T , Uiτ= max

i id Dτ τ∈[uiτ(0,diτ)+vUiτ+1],

τ=1,…,T–1, UiT= maxiT iTd D∈

uiT(0,diT), i=1,2 .

Рассмотрим простые условия правильности МВД ( ,[ , ])Y S WΣ = , вытекающие из теоремы. Обозначим

hi=1min

t T≤ ≤max

i id Dτ τ∈uit(0,dit), ei=

1max

t T≤ ≤max

i id Dτ τ∈uit(1,dit). Рассмотрим МВД

( ,[ , ])CY S WΣ = со слабыми штрафами, в котором Wit=0, i=1,2 , 1,T : WC=Wit=0 | i=1,2 , t=1,T .

Следствие 1. Для правильности МВД ( ,[ , ])CY S WΣ = дос-таточно условия ei

≤ hi , i=1,2 . Следовательно, слабые штрафы обеспечивают соблюдение

игроками условий договора *itb =yit, t=1,T , если ei≤hi, i=1,2 .

Предположим теперь, что условие ei≤ hi выполняется лишь для одного из игроков. Тогда, даже если этот игрок выполняет условия договора, при МВД со слабыми штрафами, другой игрок может их нарушить. Предположим теперь, что ei>hi, i=1,2 . Рассмотрим простые условия правильности МОК с нену-левыми штрафами Wit >0 при условии ei>hi, i=1,2 . Назовем величину m

iW =1,

mint T=

Wit минимальным штрафом i-го игрока, а

величину siW =ei–hi>0 – достаточным штрафом i-го игрока,

i=1,2 . Рассмотрим условия правильности МВД ( ,[ , ])sY S WΣ = , в

котором процедура стимулирования F=[S,Ws], включает штраф-ную процедуру Ws= s

iK (bit,yit)= siW >0 | i=1,2 ,t=1,T . При

*itb ≠yit, штрафы s

iK (bit,yit)= siW не зависят от соотношения bit и yit,

а также от t: Wit=1,T , i=1,2 .

329

Следствие 2. Если минимальный штраф i-го игрока не меньше достаточного: m

iW ≥ siW , i=1,2 , то МОК ( ,[ , ])sY S WΣ =

– правильный.

Заключение

Полученные теорема и следствия позволяют проектировать договорные механизмы, при которых игроки (хозяйствующие субъекты рынка) заинтересованы в выполнении условий заклю-ченных ими договоров. Разработанный подход к управлению развитием договорных отношений позволяет научно обоснован-но решать практические задачи выполнения договоров научно-производственного комплекса «Атомтехнопром», заключенных с хозяйствующими субъектами на российском и зарубежном рынках оборудования для атомной энергетики.

Литература

1. ЦЫГАНОВ В.В., БОРОДИН В.А., ШИШКИН Г.Б. Интел-лектуальное предприятие: механизмы овладения капиталом и властью. – М.: Университетская книга, 2004. – 768с.

330

КОГНИТИВНЫЙ АНАЛИЗ ВЗАИМОСВЯЗИ СОСТОЯТЕЛЬНОСТИ И ГИБКОСТИ КОМПАНИИ

Аржакова Н.В. (ЗАО НПК «Атомтехнопром», г. Москва)

arzhakova@atomtechnoprom.ru

Проведен когнитивный анализ взаимосвязи состоятельности и гибкости компании на рынке. Разработаны методы управления ее развитием, за счет повышения качества продукции. Когни-тивный анализ и управление проводится на основе модели взаимодействия потребителя и поставщиков-конкурентов, в которых потребитель решает, у кого закупать необходимую продукцию.

Ключевые слова: модель взаимодействия потребителя и поставщиков-конкурентов, многопериодная игра, равновес-ные стратегии

Введение

В работе проводится когнитивный анализ взаимосвязи со-стоятельности и гибкости компании, успешно конкурирующей на рынке, и управление ее развитием за счет повышения качест-ва выпускаемой продукции. Когнитивный анализ проводится на основе модели взаимодействия потребителя и поставщиков-конкурентов, в которых потребитель решает, у кого закупать необходимую продукцию. В свою очередь, поставщик может выбирать качественные характеристики поставляемой продук-ции, не регламентированные потребителем. Потребитель рас-сматривается как игрок 1, а поставщики – как игроки 2 и 3. В многопериодной игре потребителя и поставщика i-й игрок выбирает свое состояние sit в периоде t, где i=1,3 , 1,t T= , Т – длительность игры, выраженная в периодах. Совокупность этих состояний определяет стратегию i-го игрока si=(si1,…,siT). В свою

331

очередь, состояние потребителя s1t=(y1t,u1t) определяет как выбор им поставщика (y1t), так и его последующие действия (u1t) в периоде t после получения продукции от поставщика. Если потребитель выбирает поставщика 1, то y1t=1, если поставщи-ка 2 – то y1t=2. Поэтому 1 1 1,2t ty Y∈ = . При состоянии потре-бителя s1t=(y1t,u1t) его полезность равна f1t(s1t,s2t,s3t).

Состояние i-го игрока-поставщика sit=(yit,uit) характеризует как режим его функционирования по отношению к потребителю (yit), так и показатель качества поставляемой продукции (uit) в периоде t, i= 2,3 . Режим i-го игрока-поставщика 0,1it ity Y∈ = . Предполагается, что uit∈Uit, где Uit – множество возможных показателей качества продукции i-го игрока-поставщика в пе-риоде t, i= 2,3 . Режим yit=1, при котором поставщик оптимизи-рует путем выбора показателя качества продукции uit полезность потребителя в периоде t, будем называть активным режимом. Режим yit=0, при котором поставщик оптимизирует путем выбо-ра uit, собственную полезность в периоде t, будем называть пассивным. Состояние i-го игрока-поставщика sit=(yit,uit)∈Sit= itY ⊗Uit, i= 2,3 . Поставщик выбирает режим y2t, качество продукции u2t и полезность f1t((y1t,u1t),(y2t,u2t),(y3t,u3t)).

Получив продукцию, потребитель выбирает действие на рынке u1t∈U1t(u2t,u3t). Множество U1t(u2t,u3t) характеризует ры-ночные возможности потребителя, зависящие от качества про-дукции. Оптимальное на этом множестве действие потребителя

1ptu =

1 1 2 3( , )arg max

t t t tu U u u∈f1t((y1t,u1t), (y2t,u2t),(y3t,u3t)).

При состоянии потребителя s1t=(y1t, 1ptu ) его полезность равна

f1t(y1t, 1ptu ),(y2t,,u2t),(y3t,u3t)), 1,t T= .

Целевые функции игроков 1, 2 и 3 (W1,W2 и W3, соответст-венно) являются функциями выбранных ими стратегий s1, s2 и s3:

(1) Wi(s1,s2,s3) -11 2 3

1( , , )

Tt

i it t t tt

v f s s s=

= Σ , i=1,3 .

332

где 1 2 3( , , )it t t tf s s s – полезность i-го игрока в периоде t, как функция состояний si1, si2 и si3. Решение игры ищется в равновес-ных стратегиях по Нэшу, определяемых из соотношений:

W1( *1s , *

2s , *3s ) =

1

maxs

W1(s1, *2s , *

3s ),

W2( *1s , *

2s , *3s ) =

2

maxs

W2( *1s ,s2 , *

3s ) ,

W3( *1s , *

2s , *3s ) =

3

maxs

W3( *1s , *

2s , s3).

Будем говорить, что имеет место партнерство i-го игрока-поставщика с потребителем, если последний пользуется только его продукцией: *

1ty =i, 1,Tτ = . Предположим, что потребитель пользуется в периоде t продукцией первого поставщика: y1t=1. В этом случае, режим последнего 2 2 0,1t ty Y∈ = . Пассивный режим (y2t=0) означает, что первый поставщик выбирает выгод-ное для себя качество продукции:

*2tu =

2 2

arg maxt tu U∈

f2t((1,u1t),(0,u2t),s3t). После этого потребитель опре-

деляет множество возможных действий на рынке U1t( *2tu ,0) и

выбирает оптимальное из них: *1tu =

*1 1 2( ,0)arg max

t t tu U u∈f1t((1,u1t),(0, *

2tu ),(y3t,0)), 1,t T= . При этом полез-

ность потребителя равна f1t(s1t,s2t,s3t)=f1t((1, *1tu ),(0, *

2tu ),(y3t,0)). Пассивный режим функционирования характерен для крупных поставщиков, руководство которых не имеет возможность или не желает анализировать предпочтения и множества возможных состояний каждого потребителя.

Активный режим (y2t=1) означает, что первый поставщик выбирает качество, оптимальное для потребителя. При этом он исходит из того, что, получив продукцию с показателем качества u2t, потребитель определяет множество возможных рыночных стратегий U1t(u2t,0) и выбирает оптимальное действие на рынке:

1tu (u2t)=1 1 2( ,0)arg max

t t tu U u∈f1t((1,u1t),(0,u2t),(y3t,0)).

Полезность потребителя равна

333

f1t((1, 1tu (u2t)),(0,u2t),(y3t,0)), а оптимальный для него показатель качества:

2tu =2 2

arg maxt tu U∈

f1t((1, 1tu (u2t)),(0,u2t),(y3t,0)).

Тем самым, определяется состояние потребителя 1tu ( 2tu ), 1,t T= . Аналогичным образом рассматривается случай, когда по-

требитель решает в периоде t воспользоваться продукцией вто-рого поставщика. При пассивном режиме, последний выбирает показатель качества *

3tu =3 3

arg maxt tu U∈

f2t((2,u1t),(y2t,0),(0,u3t)). Если

второй поставщик выбирает активный режим, то показатель качества продукции оптимален для потребителя:

3tu =3 3

arg maxt tu U∈

f1t ((2, 1tu (u3t )),(y2t ,0),(1,u3t)), 1,t T= .

Рассмотрим решение задачи обеспечения партнерства по-требителя и второго поставщика. Будем говорить, что справед-лива гипотеза взаимности, если, при равных полезностях потре-битель выбирает поставщика, предоставляющего ему активный режим. Предположим, что первый поставщик (конкурент) ис-пользует только пассивный режим. Такая ситуация характерна для крупных корпораций с многочисленными потребителями, руководство которых, в силу большой занятости, не имеет воз-можность анализировать полезности и множества возможных состояний каждого из них.

Назовем второго поставщика состоятельным, если f1t((2, 1tu ( 3tu )),(y2t,0),(1, 3tu ))≥f1t((1, *

1tu ( *2tu )),(0, *

2tu ),(y3t,0)), при любых , 2,3it ity Y i∈ = , 1,t T= . Назовем гибким механизм функционирования второго поставщика, при котором он исполь-зует в периоде t пассивный режим, если

f1t((2, *1tu ( *

3tu )),(y2t ,0),(0, *3tu ))>f1t((1, *

1tu ( *2tu )),(0, *

2tu ),(y3t,0)), и активный режим, если

f1t((2, 1tu ( 3tu )),(y2t,0),(1, 3tu ))≥f1t((1, *1tu ( *

2tu )),(0, *2tu ),(y3t,0))≥

334

f1t((2, *1tu ( *

3tu )),(y2t,0),(0, *3tu )).

Теорема. Если конкурент пассивен, и справедлива гипотеза взаимности, то для партнерства с потребителем состоятельному поставщику достаточно использовать гибкий механизм.

Доказательство. Определим состояния игроков *3Ts ,

i=1,2,3 , в периоде T. Полезность i-го игрока в периоде Т равна fiT (s1T,s2T,s3T). По условию теоремы, первый поставщик (конку-рент) выбирает пассивный режим: y2T=0. При заданном y1T, выбор u3T определяется гибким механизмом функционирования второго поставщика. По условию теоремы,

f1T(2,u2T, 3Tu )≥f1T(1, *2Tu ,u3T), f1T(1,u2T, *

3Tu )≤f1T(1,u2T, 3Tu ). Если f1T(1, *

2Tu ,u3T)≤f1T(2,u2T, *3Tu ), то *

3Ty =0, при любых , 2,3iT iu U i = , и потребителю выгодно сотрудничество со вторым

поставщиком (т.е. y1T*=2). Если же f1T(1, *

2Tu ,u3T)>f1T(2,u2T, *3Tu )

при любых , 2,3iT iu U i∈ = , то при активном режиме второго поставщика ( *

3Ty =1) потребителю также выгодно партнерство с ним (т.е. *

1Ty =2) в силу гипотезы взаимности. Таким образом, при гибком механизме, *

1Ty =2. Заметим, что состояния игроков *

1Ts , *2Ts , *

3Ts , 3Ts в периоде T не зависят от состояний s1T–1, s2T–1 и s3T–1 в предыдущем перио-де T–1. Поэтому можно повторить процедуру их определения в периоде Т при гибком механизме функционирования второго поставщика применительно к периодам Т–1, Т–2,…,1. Таким образом, при гибком механизме *

1y τ =2, τ=1,T . Но это означает партнерство второго поставщика с потребителем, ч.т.д.

Данная теорема устанавливает взаимосвязь состоятельно-сти, гибкости, качества и долгосрочного партнерства при пас-сивности конкурента и гипотезе взаимности. Содержательно, при выполнении условий теоремы, успешный поставщик выиг-рывает в конкурентной борьбе за счет анализа и учета полезно-стей и множества возможных состояний потребителя.

335

Предположим, например, что пассивный поставщик – это крупная фирма, работающая в пассивном режиме из-за того, что ее руководство не успевает анализировать предпочтения и мно-жества возможных состояний каждого потребителя. Успешный поставщик – это мелкая или средняя фирма, руководство кото-рой гибко меняет режимы функционирования, адаптируясь к поставщику в условиях быстрых изменений. Тогда использова-ние им как пассивного, так и активного режимов обеспечивает победу в борьбе с крупным, но негибким конкурентом. Рассуж-дая аналогичным образом, можно получить достаточные усло-вия партнерства потребителя и первого поставщика.

Заключение

Таким образом, можно исследовать механизмы конкурен-ции предприятий на основе режима поставки и качества продук-ции. При активном (или пассивном) режиме, поставщик выбира-ет выгодное для потребителя (или самого себя) качество продукции. Достаточные условия долгосрочного партнерства, в условиях конкуренции, основаны на гибких механизмах функ-ционирования поставщика. Практическая ценность результатов работы состоит в создании методов повышения обоснованности решений в условиях усиления конкуренции на рынке. Рассмот-ренные методы позволяют научно обоснованно решать практи-ческие задачи анализа и управления научно-производственным комплексом «Атомтехнопром» в условиях конкуренции на рынке оборудования для атомной энергетики.

Литература

1. АРЖАКОВА Н.В. Механизмы безопасного сотрудничества при конфликте интересов / Труды XIII межд. конф. «Про-блемы управления безопасностью сложных систем». – М.: ИПУ РАН, 2005, с.411–415.

336

УПРАВЛЕНИЕ РАЗВИТИЕМ СИТУАЦИЙ В БАНКЕ

Багамаев Р.А. (Институт проблем управления РАН, г. Москва)

R.Bagamaev@vitasbank.ru Предложен подход к построению модели функционирования банка, ориентированной на согласование интересов различных сторон в процессе управления. Рассмотрено влияние прозрачно-сти банка на его прогрессивность. Показано, что непрозрач-ность банка приводит к манипулированию и регрессу. Разра-ботаны прогрессивные адаптивные механизмы управления развитием ситуаций в банке.

Ключевые слова: управление банком, адаптивные механизмы управления, эксперты

Введение

Банк является основной формой организации для обеспече-ния оборота денег в рыночной экономике. В нем заинтересован-ные лица: вкладчики, владельцы, клиенты, менеджеры и работ-ники, – разделены. Владельцы выбирают правление, а правление нанимает менеджеров и работников. Правление осуществляет стратегический менеджмент и контроль банка. В широком смысле слова управление банком – это совместное управление финансовыми операциями всеми заинтересованными лицами. Банковское управление, регулирует взаимоотношения банка и его менеджеров с внешним миром. Под банковским управлени-ем следует понимать систему отношений между органами управления и должностными лицами банков, вкладчиками, клиентами, а также другими заинтересованными лицами, так или иначе вовлеченными в управление банком как юридическим лицом. Для выработки обоснованных рекомендаций по улучше-нию банковского управления представляет интерес построение и анализ моделей функционирования банков.

337

1. Подход к построению модели функционирования банка

Необходимо отметить, что до настоящего времени не суще-ствует единой модели функционирования банка и банковского управления [1,2]. Отличия в правовых системах, институцио-нальных структурах и традициях приводят к тому, что в разных странах мира используются различные подходы. Тем не менее, современные режимы банковского управления объединяет то, что в них уделяется первостепенное внимание интересам вклад-чиков, клиентов и владельцев, которые вверяют банку свои средства для хранения и эффективного использования. Ключе-вым компонентом системы банковского управления является налаживание взаимоотношений между банком (в лице его управленческой команды), владельцами, вкладчиками и клиен-тами. Это помогает поддерживать доверие вкладчиков и привле-кать более терпеливый, долгосрочный капитал. Конкурентоспо-собность и итоговый успех банка являются результатом коллективной работы, в которую вносят свой вклад владельцы, менеджеры и другие работники, с одной стороны, вкладчики и клиенты – с другой. Однако их цели, вообще говоря, различны. В связи с этим представляется актуальной разработка методоло-гии и методов обеспечения эффективности различных механиз-мов банковского управления, направленных на согласование интересов вышеуказанных сторон в процессе управления.

2.Банковские механизмы

Банковские механизмы относится к внутренним средствам обеспечения деятельности и контроля банка. Надлежащий ре-жим банковского управления помогает обеспечить эффективное использование банком его капитала. В основе рассматриваемой в данной работе модели банковского управления лежат следую-щие предположения. Управление банком осуществляется сооб-ществом его владельцев. Они выбирают менеджеров, которые осуществляют оперативное управление в течение всего периода

338

между собраниями владельцев. На эволюцию банка влияют также другие заинтересованные лица, в том числе вкладчики, которые «голосуют» за менеджмент банка своими вкладами. Рассмотрим банк, как двухуровневую дальновидную систему. На верхнем уровне находятся владельцы и вкладчики банка, а на нижнем – менеджер. Выход банка в периоде t характеризуется показателем эффективности уt (например, прибылью), причем pt ≤ уt ≤ Рt , где pt , Рt – стационарные случайные процессы. Вели-чины потенциалов pt и Рt владельцам и вкладчикам банка неиз-вестны. С другой стороны, эти величины становится известными и самому менеджеру лишь в периоде t, непосредственно перед выбором уt. Владельцы (и вкладчики) заинтересованы в дости-жении максимума эффективности Рt, поскольку таким образом обеспечивается максимальная степень безопасности, выживания и развития банка. С целью стимулирования менеджера к дости-жению наилучшего результата, владельцы оценивают его дея-тельность в каждом периоде. Оценки вкладчиков выражаются суммами денежных вкладов. Менеджер осуществляет выбор в каждом периоде таким образом, чтобы максимизировать собст-венную целевую функцию, зависящую от решений владельцев и вкладчиков относительно оценок его деятельности в этом пе-риоде. Каждый из владельцев и вкладчиков наблюдает выход банка уt и принимает решение о том, является работа менеджера банка удовлетворительной (оценка 1) или нет (оценка 0). На основании совокупности оценок владельцев осуществляется стимулирование и переизбрание менеджера. Чем больше удов-летворительных оценок, тем выше поощрение менеджера, тем больше вероятность его переизбрания. От совокупности оценок вкладчиков зависит капитал, привлекаемый банком. Каждый из владельцев и вкладчиков принимает решение в условиях неоп-ределенности. Для этого он использует процедуры обучения, минимизируя риск, связанный с классификацией деятельности менеджера как удовлетворительной или неудовлетворительной. Предполагается, что существует два типа владельцев и вкладчи-ков – самообучающиеся (ученые) и обучаемые (ученики), в зависимости от того, учатся ли они самостоятельно или исполь-

339

зуют мнения финансового эксперта. Предположим, что само-обучающиеся владельцы и вкладчики используют для решения задачи минимизации риска процедуры обучения классификации в условиях неопределенности того типа, что описаны в разделе 2.1.1 работы [3]. При этом настраивается норма эффективности bt . Если оказывается, что эффективность выше нормы ( уt > bt ), то оценка удовлетворительная ( ft = 1), в противном случае неудовлетворительная ( ft = 0). Предположим далее, что обучае-мые владельцы и вкладчики, как ученики, решают задачу мини-мизации риска, используя процедуры классификации, основан-ные на указаниях финансового эксперта st = S(yt) и принадлежащие к тому типу, что описан в разделе 2.1.2 работы [3]. При этом обучаемый вкладчик (владелец) с помощью указа-ний эксперта st = S(yt) формирует собственную норму эффектив-ности at . Если оказывается, что уt > at, то оценка ft = 1, в про-тивном случае ft = 0. По сути, нормы эффективности at , bt являются оценками параметра решающего правила, и имеют смысл «планки ожиданий» владельца или вкладчика. Если «планка ожиданий» превышена, то менеджер получает удовле-творительную оценку со стороны вкладчика (владельца), если нет – неудовлетворительную. Вышеуказанные процедуры обу-чения классификации, принятия решений и стимулирования вместе составляют механизм функционирования банка, или банковский механизм.

3. Прозрачность и прогрессивность

Банковский механизм должен обеспечивать прозрачность – своевременное и точное раскрытие информации по всем вопро-сам, касающимся банка, включая финансовое положение, ре-зультаты деятельности и управление банком. В рассматриваемой модели прозрачность банковского механизма означает, что владельцы и вкладчики получают истинные данные и правдивые оценки эксперта в области финансов.

Предположим, что целевая функция дальновидного менед-жера в периоде t, зависящая от процедуры стимулирования, как

340

функции оценок владельцев, имеет вид wt = W (ft,φτ,…, ft+T, φτ+T). Предполагается, что W – монотонно возрастающая функция своих аргументов. Механизм, обеспечивающий выбор дально-видным менеджером максимальной эффективности уt=Рt, есте-ственно называть прогрессивным. Справедлива следующая теорема:

Теорема 1. Прозрачный банковский механизм прогрессивен. Для краткости, доказательства этой и следующей теорем в

работе не приводятся. Теорема 1 определяет благоприятные условия для раскрытия потенциала банка в интересах его вла-дельцев и вкладчиков. Содержательно они состоят в следующем. Во-первых, менеджеры банка дальновидны, т.е. учитывают не только сегодняшние, но будущие вознаграждения. Во-вторых, владельцы и вкладчики учатся, используя эффективные проце-дуры обучения, минимизирующие риски, связанные с классифи-кацией. При самостоятельном обучении эти процедуры основа-ны на собственных наблюдениях, при обучении с учителем – на указаниях эксперта, играющего роль учителя. В-третьих, финан-совые эксперты объективны (правдивы) в том смысле, что со-общают истинную оценку положения дел в банке. Выполнение этих трех условий достаточно для того, чтобы менеджер был заинтересован в раскрытии потенциала банка, росте доходов владельцев и вкладчиков в каждом периоде.

4. Непрозрачность, манипулирование и регрессив-ность

До сих пор мы предполагали прозрачность банковского ме-ханизма, как отсутствие манипулирования сознанием владельцев и вкладчиков со стороны эксперта (например, СМИ). Рассмот-рим теперь ситуацию, когда в роли эксперта выступает манипу-лятор, который дает ученику и ученому вкладчику указания не на основе истинного положения дел, а руководствуясь собствен-ными интересами. Простейший случай – эксперт присваивает разницу Рt–уt, т.е. неиспользуемые менеджером «резервы» банка. В этом случае он заинтересован не в увеличении, а в уменьше-

341

нии величины уt. Для этого финансовый эксперт-манипулятор может давать ложную информацию. Рассмотрим механизм манипулирования банком, в котором эксперт, во-первых, дает ученику ложные указания L(yt ) (st = 0, если работа удовлетво-рительная, и st=1, если работа неудовлетворительная), и, во-вторых, корректирует данные, поступающие к самообучающе-муся вкладчику, на величину dt=D(yt), t=0,1,… . Банковский механизм, обеспечивающий выбор дальновидным менеджером минимальной эффективности уt=pt, будем называть регрессив-ным. Справедлива следующая теорема:

Теорема 2. Найдется последовательность (st,dt), t=0,1,…, та-кая, что непрозрачный банковский механизм регрессивен.

Таким образом, через манипулирование сознанием владель-цев и вкладчиков, эксперт-манипулятор эффективно влияет на дальновидного менеджера. По сути, в отношении менеджера эксперт меняет знак банковской обратной связи с положитель-ной на отрицательную, и наоборот.

5. Управление развитием ситуаций в банке

В современных российских условиях взаимоотношения ме-жду руководителями, владельцами и вкладчиками имеют гораз-до большую важность, чем в развитых странах. Это связано с особенностями исторического развития банковской среды в России и на Западе. В развитых странах банки стали результатом эволюционного развития. Будучи изначально организованными в форме частного (личного, семейного и т.п.) бизнеса, банки постоянно сталкивались с необходимостью привлечения допол-нительного капитала для обеспечения роста, которая заставляла собственников «делиться» контролем и привлекать новых вла-дельцев: сначала из узкого круга, а затем – на анонимной основе на открытых рынках. Соответственно, система взаимоотноше-ний менеджеров и владельцев также развивалась эволюционно. В России многие крупные банки появились по инициативе сверху, а не стали результатом эволюционного формирования. Поэтому взаимоотношения между их менеджерами и вкладчи-

342

ками нередко отличаются конфликтностью. В этих условиях важную роль играют независимые эксперты, с помощью кото-рых возможно разрешение конфликтов. В течение последних лет важное место в банковском управлении занимает проблема привлечения в качестве экспертов независимых директоров. С другой стороны, как следует из разд. 3, 4, эксперты могут оказы-вать решающее влияние на процесс эволюции банка.

Управление развитием ситуаций в банке может приводить к его развитию или упадку. Для того чтобы проиллюстрировать возможности управления развитием ситуаций на предложенной модели банка, рассмотрим более общий случай, когда результа-ты деятельности менеджера характеризуются несколькими скалярными показателями yjt, j=1,…,J, а его стимулирование осуществляется на основе агрегирования локальных оценок деятельности fjt, выставляемых по каждому показателю: fjt=fj(yjt), j=1,J. Без ограничения общности будем предполагать, что ком-плексные оценки f*

t, φ*t, получаемые в результате агрегирования,

являются монотонно возрастающими функциями локальных оценок деятельности: f*

t = F(f1t ,…, fJt), φ*t = Ф (φ1t , …, φJt).

Тогда комплексный банковский механизм можно рассматривать как композицию независимых локальных банковских механиз-мов, каждый из которых основан на одном скалярном показателе yjt, j=1,…,J, и описан выше, в разд.2-4. Следовательно, эксперт может мотивировать менеджера к раскрытию потенциала по тому или иному показателю ymt, 1<m<J, с помощью сообщения вкладчикам правдивых указаний. Действительно, согласно теореме 1, соответствующий локальный банковский механизм, основанный на данном показателе ykt, прогрессивен. И наоборот, сообщая вкладчикам ложные указания и данные по некоторому показателю ykt, 1<k<J, эксперт может мотивировать менеджера к сокрытию потенциала по данному показателю ykt. Действитель-но, согласно теореме 2, соответствующий локальный банковский механизм, основанный на данном показателе ykt, регрессивен. Таким образом, эксперт может обеспечивать прогресс в одном аспекте деятельности банка, характеризуемом показателем ykt , и регресс – в другом, характеризуемом показателем ymt. С точки

343

зрения вкладчика, банк шаг за шагом «разворачивается» в про-странстве показателей. Причем эволюция происходит в направ-лении, нужном для эксперта. Таким образом, осуществляется управление развитием ситуаций в банке на основе когнитивного анализа.

Литература

1. БАГАМАЕВ Р.А., ЦЫГАНОВ В.В. Концепция интеллекту-ального банка / В сб.: Информационные технологии в науке, образовании, телекоммуникации и бизнесе. Труды XXX межд. конф. (осенняя сессия) – Гурзуф, Украина, 2003, с.91–94.

2. ЦЫГАНОВ В.В., БАГАМАЕВ Р.А., БОРОДИН В.А., ШИШКИН Г.Б. Механизмы овладения капиталом в условиях конкуренции / В сб. «Информационные технологии в науке, образовании, телекоммуникации и бизнесе». Приложение к журналу «Открытое образование», 2005, с.387–389.

3. ЦЫГАНОВ В.В., БОРОДИН В.А., ШИШКИН Г.Б. Интел-лектуальное предприятие: механизмы овладения капиталом и властью. – М.: Университетская книга, 2004. – 768с.

344

КОГНИТИВНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ РАЗВИТИЕМ СИТУАЦИЙ ПРИ ПАРТНЕРСТВЕ

Шевченко Ю.А. (Институт проблем управления РАН, г. Москва)

Проведен когнитивный анализ корпоративного партнерства. Разработаны методы повышения обоснованности решений, принимаемых в процессе управления развитием ситуаций в корпорации. Показано, что когнитивный подход к управлению развитием ситуаций создает методологическую основу проек-тирования прогрессивных адаптивных механизмов партнерст-ва. Ключевые слова: управление развитием ситуаций при парт-нерстве, адаптивные механизмы партнерства, задачи анализа и синтеза механизмов и процедур партнерства

Введение

В работе проводится когнитивный анализ и управление раз-витием ситуаций в условиях корпоративного партнерства. С точки зрения когнитивного анализа, корпорация – это сложная социально-экономическая система, объединяющая ее членов, имеющих собственные цели и интересы. Современная научно-техническая корпорация (НТК) объединяет элементы инноваци-онного цикла «исследование-разработка-производство-сбыт». Особенностью сбалансированного управления НТК, по сравне-нию с корпорациями других типов, является высокая степень неопределенности, связанная с реализацией этого цикла, в усло-виях ускорения НТП и быстрых изменений. На практике особое значение приобретают механизмы взаимодействия (партнерства) ее элементов, знающих собственный потенциал и возможности партнеров по инновационному циклу, в условиях быстрых изменений. Однако до настоящего времени, исследования и

345

разработки формальных моделей и механизмов партнерства в НТК отсутствуют, что определяет актуальность исследования.

Целью работы является повышение обоснованности и эф-фективности решений, принимаемых в системах управления НТК, включающих механизмы партнерства. Для достижения указанной цели, решаются следующие основные задачи: когни-тивный анализ и разработка системы управления НТК с меха-низмами партнерства; управление развитием ситуаций путем обеспечения условий прогрессивности партнерства; анализ и синтез прогрессивных адаптивных механизмов партнерства, их проектирование и внедрение в НТК.

Сбалансированное управление развитием ситуаций, в усло-виях партнерства в НТК, необходимо для реализации инноваци-онных циклов и «спиралей прогресса», на основе сетевых струк-тур и стратегических альянсов в инновационной среде. Принципы и система партнерства в НТК основаны на концепции системы сбалансированных показателей. Для краткости, подразделение, ответственное за работу с потребителем, названо оператором. Целью оператора является получение прибыли. Подразделение НТК, ответственное за поддержку оператора, названо партнером. Целью партнера является минимизация убытков НТК.

С точки зрения когнитивного анализа, механизм партнерст-ва (МП) – совокупность процедур, устанавливаемых органом управления корпорацией (Центром) и регламентирующих взаи-модействие партнера и оператора. МП включает процедуру выделения партнером инвестиций для уменьшения убытков корпорации, а также процедуру компенсации потерь оператора. В свою очередь, оператор отчисляет партнеру финансовые средства, необходимые для его работы, используя процедуру формирования отчислений МП.

Управление развитием ситуаций основывается на практике, при которой условия партнерства (размер и порядок инвестиций, компенсаций, отчислений и др.) определяются на конкретный период, после чего пересматриваются. Поэтому МП должен быть адаптивным. Например, при увеличении убытков, отчисления на следующий период могут увеличиваться, а компенсация – умень-

346

шаться и т.д. Дальновидный оператор, зная о возможности пере-смотра этих условий, выбирает свое текущее состояние так, чтобы обеспечить максимум собственной полезности, с учетом перспек-тивы. Задача управления развитием ситуаций при партнерстве состоит в построении прогрессивного МП, заинтересовывающего оператора в снижении убытков НТК. Для построения прогрессив-ных адаптивных механизмов партнерства в НТК целесообразно использовать подходы теории активных систем.

Задачи анализа и синтеза механизмов и процедур партнерства

Рассмотрим задачи анализа и синтеза механизмов и проце-дур партнерства. Обозначим через yt убытки НТК в периоде t, yt∈[bt, *

tb ], где bt и *tb – соответственно, минимальная и макси-

мальная их величина, bt ≥ 0, t= 0,1,.... До начала периода t, опе-ратору и партнеру известно лишь множество Bt возможных значений минимальных убытков: bt∈Bt. В периоде t оператору становится известна величина bt, после чего он выбирает состоя-ние yt, yt∈[bt, *

tb ]. При этом он несет потери zt, которые зависят от величины убытков НТК yt: zt=Z(yt).

Партнер, зная yt, определяет прогноз минимальных убыт-ков at+1 в периоде t+1: at+1=I(at,yt), a0=a0, где I – рекуррентная процедура прогнозирования, являющаяся монотонно возрас-тающей функцией своих аргументов: I(a,y)↑y, I(a,y)↑a. Прогноз at используется для формирования норм партнерства: нормы компенсации потерь оператору ( )t t te E a a= ↑ и нормы отчисле-ний оператора партнеру ( )t t tl L a a= ↑ . На основе сопоставления lt и yt, определяется величина отчислений оператора партнеру в периоде t: xt=X(lt,yt), а на основе сопоставления xt и yt – компен-сация dt=D(et,yt). Прогноз at+1 используется для определения величины инвестиций ut=U(at+1), выделяемых партнером опера-тору в периоде t на предотвращение убытков, где U – процедура инвестирования, U(at+1)↓at+1.

347

Предполагается, что от величины убытков ty зависят также доход оператора от хозяйственной деятельности gt=G(yt) и его затраты на эту деятельность rt=R(yt). Тогда выигрыш оператора в периоде t имеет вид: (1) tφ = gt–rt +ut+dt–zt–xt .

Полезность оператора в периоде t: имеет вид:

(2) ( , ... , )t T

t t t Tt

V τ

τφ φ ρ

+

+=

= Σ – tτφ ,

где ρ – коэффициент дисконтирования, используемый для при-ведения будущих выигрышей к периоду t, 0 1ρ< ≤ , T – дально-видность оператора, исчисляемая в периодах времени. В качест-ве прогнозных, рассматриваются состояния, максимизирующие (1). Введем математический оператор (кратко – матоператор) максимизации на множестве возможных состояний в периоде

*[ , ]: max ,

y b bτ τ τττ

∈Μ = а также оператор Cτ устранения неопределен-

ности относительно величины bτ в периоде τ. При вероятностном подходе к построению прогноза полезности оператора, Cτ – это оператор усреднения (математического ожидания). При гаран-тирующем подходе, Cτ – это оператор минимизации на множе-стве bτ возможных значений величины bτ в периоде τ: minC

ττ σ ∈Θ= .

Положим ...v vM C M C Mμν μ μ= . Тогда ожидаемая полезность

оператора при состоянии yt :

(3) vt(lt,yt)= _1 1

1( ,..., )

t Tt T tt t t t T t t

tM V Mτ τ

ττ

φ φ φ ρ φ+

++ + +

= +

= + ∑ .

Выигрыш оператора (1) и его полезность (2) зависят от про-цедур прогнозирования, инвестирования, формирования норм партнерства, отчислений и компенсации, в совокупности фор-мирующих механизм партнерства ( , , , , , )I U L X E DΣ = . Поэтому множество ( , )t tS σΣ оптимальных состояний оператора в перио-

348

де t, при котором достигается максимум ожидаемой полезности (3), также зависит от ( , , , , , )I U L X E DΣ = :

*[ , ]( , ) max ( , )

t t t

t t t t ty b b

S Arg v l yσ∈

Σ = .

Рассмотрим задачу синтеза прогрессивного МП ( , , , , , )I U L X E DΣ = , при котором оператор минимизирует убыт-

ки корпорации. Условия прогрессивного партнерства дает Теорема 1. Если выигрыш оператора (1) является строго

монотонно убывающей функцией убытков для любого t, t=0,1,…, величина отчислений является монотонно возрастаю-щей функцией нормы отчислений: (4) X(l,y)↑l,

а величина компенсации является монотонно убывающей функ-цией нормы убытков: (5) D(e,y)↓ e,

то механизм ( , , , , , )I U L X E DΣ = – прогрессивный. Гипотеза взаимности оператора означает: если множество

оптимальных состояний оператора ( , )t tS σΣ включает мини-мальные убытки bt, то оператор выбирает состояние bt.

Теорема 2. При гипотезе взаимности оператора, для про-грессивности механизма ( , , , , , )I U L X E DΣ = достаточно выпол-нения (4), (5) и tφ ↓yt.

Рассмотрим систему управления НТК с партнерством (СУНТКП), включающую процедуры формирования дохода (G) и затрат (R) при хозяйственной деятельности оператора, проце-дуру (Z) формирования потерь оператора, а также МП Σ. Для краткости, будем обозначать СУНТКП как (6) K=[Σ,G,R,Z] .

Механизм Σ объединяет процедуры, регламентирующие внутренние взаимоотношения в паре «партнер – оператор», а процедуры G,R,Z описывают внешние воздействия на нее. По-

349

этому G,R,Z будем называть внешними процедурами СУНТКП K= [Σ,G,R,Z].

Следствие 1. Если, при гипотезе взаимности оператора, справедливы условия (4) и (5), то для прогрессивности механиз-ма ( , , , , , )I U L X E DΣ = достаточно, чтобы (7) D(et,yt)=R(yt)+X(lt,yt) +Z(yt)–U(I(at,yt))–G(yt), t=0,1,…

Обозначим через Δ множество МП, удовлетворяющих усло-виям следствия 1:

Δ= ( , , , , , )I U L X E DΣ = | I(a,y)↑y, ( )U a a↓ , X(l,y)↑l, D(e,y)↓ e.

Согласно (7), величина D(et,yt)+U(I(at,yt))– ( , )t tX l y =R(yt)– G(yt) +Z(yt)

зависит от функций G,R,Z, характеризующих СУНТКП, но не зависит от параметров механизма ( , , , , , )I U L X E DΣ = Δ. По-этому функцию (8) ( )tf y = R(yt)– G(yt)+Z(yt)

будем называть инвариантом партнерства, при заданных внеш-них процедурах СУНТКП K=[Σ,G,R,Z] (6) на множестве меха-низмов Δ.

Предположим, что оператор принимает решение о состоя-нии yt после того, как получил прибыль от хозяйственной дея-тельности (например, осуществил затраты rt и получил доход gt). Тогда, в выигрыше оператора (1), величина этой прибыли (gt–rt) задана.

Следствие 2. При заданной прибыли от хозяйственной дея-тельности и гипотезе взаимности оператора, МП

( , , , , , )I U L X E DΣ = прогрессивен, если справедливы условия (4), (5) и D(et,yt)=Zt(yt)+X(lt,yt)–U(I(at,yt)).

Рассмотрим механизмы партнерства при правильном хозяй-ственном механизме (кратко – хозмеханизме). Будем говорить, что хозмеханизм правильный, если доход оператора является монотонно убывающей функцией корпоративных убытков: gt=G(yt)↓yt, а его затраты rt – монотонно возрастающая их функ-

350

ция: rt=R(yt)↑yt. Внутренняя прибыль pt оператора определяется его доходами и расходами внутри НТК в периоде t: pt=dt–zt–xt+ut. С учетом вышесказанного, зависимость внутренней при-были pt от убытков ty можно представить в виде функции: (9) pt =p(yt)= D(et,yt)+U(I(at,yt)) – Z(yt)– X(lt,yt).

Будем говорить, что компенсация Dr(et,yt) прогрессивна, ес-ли внутренняя прибыль (9) – строго монотонно убывающая функция ty .

Следствие 3. При правильном хозмеханизме и справедливо-сти условий (4) и (5), МП ( , , , , , )rI U L X E DΣ = – прогрессивный.

Будем говорить, что компенсация Dn(et,yt) регрессивна, если внутренняя прибыль p(yt) монотонно убывает (не возрастает) по ty .

Следствие 4. При гипотезе взаимности оператора, правиль-ном хозмеханизме и справедливости условий (4), (5), МП

( , , , , , )nI U L X E DΣ = – прогрессивный. В частности, при выполнении условий следствия 4, МП ( , , , , , )nI U L X E DΣ = – прогрессивный, если Dn(et,yt)= ( , )t tX l y +

Z(yt)–U(I(at,yt)). Рассмотрим задачу построения прогрессивного МП при не-

правильном хозмеханизме, когда доход gt от деятельности опе-ратора в периоде t является монотонно возрастающей функцией yt (G(yt) ty↑ ). Если при этом затраты, потери и отчисления – монотонно убывающие функции убытков (R(yt) ty↓ , Z(yt) ty↓ и

( , )t tX l y ty↓ ), а компенсация – возрастающая функция убытков (D(et,yt)↑yt), то недобросовестный оператор может бездейство-вать или даже увеличивать убытки НТК, добиваясь роста полез-ности (2).

Предположим, что внешние процедуры G, R и Z СУНТКП K= [Σ,,G,R,Z] (6) являются линейными функциями yt: (10) G(yt)=gyt+g0, g0=const, R(yt)=r0+ryt , r0=const, Z(yt)=zyt, где g – норматив дохода, g≥0, g0–постоянная дохода, r – норма-тив затрат, r≥0, r0–постоянная затрат, z-норматив потерь, z≥0.

351

Потери оператора, как элемента НТК, не могут, естественно, превышать убытков всей корпорации, поэтому z≤1.

Рассмотрим решение задачи синтеза прогрессивного МП, процедуры которого являются линейными функциями убытков yt. Используемая в нем процедура прогнозирования имеет вид: (11) at+1= Iс(at,yt)= δ yt +χ(at), δ≥0, a0=a0 , где δ – темп роста прогноза at+1 по убыткам yt (коэффициент регрессии), χ(at) – монотонно возрастающая функция at: χ(at)↑at. Инвестиции определяются по формуле: (12) ut =Ul(at+1)=uo–ιat+1 , ι≥0, uo=const,

где ι – норматив инвестиций, uo – постоянная инвестиций. Процедура формирования отчислений имеет вид: (13) xt =Xc(lt,yt)=ω yt +υ(lt), ω≥0, где ω – норматив отчислений, υ(lt) – монотонно возрастающая функция lt: υ(lt)↑lt. Процедура формирования компенсаций dt имеет вид: (14) dt = Dc(et,yt) =θyt + ( )teλ , θ≥0, где θ – норматив компенсации, ( )teλ – монотонно убывающая функция: ( )teλ te↓ . МП ( , , , , , )l

C C CI U L X E DΣ = с процедурами (11)-(14) будем называть линейным по убыткам.

Следствие 5. Если выполняются условия (10)-(14) и (15) ιδ+ω–θ>g–r–z, то линейный по убыткам МП ( , , , , , )l

C C CI U L X E DΣ = – прогрес-сивный.

Рассмотрим линейный МП, все процедуры которого явля-ются линейными функциями своих аргументов. Именно, проце-дура прогнозирования at+1=Il(at,yt)=δyt+χat, χ – темп роста прогноза at+1 по прогнозу at+1 (коэффициент авторегрессии), процедура инвестиций имеют вид (12), норма отчислений lt=Ll(at)=κat, где κ – предельная норма отчислений, κ>0, норма убытков et=El(at)=εat, где ε – предельная норма убытков, ε>0. Процедура отчислений имеет вид: (16) xt=Xl(lt,yt)=ω yt + tlυ +xo, ω ≥0 , xo=const,

352

где ω – норматив отчислений, υ – эластичность отчисле-ний, xo– постоянная отчислений. Процедура формирования компенсаций dt имеет вид: (17) dt = Dl(et,yt)=θ yt + teλ +do, θ≥0, do=const,

где θ – норматив компенсации, λ – эластичность компенса-ции, do – постоянная компенсации.

Следствие 6. Если выполняются условия (10), (15), (16), (17) и неравенства (18) υ≥0, λ≤0, то линейный МП ( , , , , , )l l l l l lI U L X E DΣ = – прогрессивный.

Ограничения, накладываемые условиями следствия 6 на па-раметры процедур прогрессивных механизмов партнерства, можно ослабить при взаимности оператора.

Следствие 7. Если справедлива гипотеза взаимности опера-тора, выполняются равенства (10), неравенства (18) и (19) g+θ≤r+ιδ +ω+z, то линейный МП ( , , , , , )l l l l l lI U L X E DΣ = – прогрессивный.

Cледствия 5-7 позволяют балансировать рост инвестиций на предупреждение убытков, их компенсаций и отчислений, за счет подбора нормативов процедур МП. В частности, за счет сниже-ния инвестиций и роста отчислений оператора с убытками, можно обеспечить уменьшение ожидаемой полезности (3), даже при росте компенсации с убытками. Содержательно, неравенст-ва (15), (18), (19) гарантируют строгую монотонность роста полезности оператора с уменьшением убытков НТК.

Из неравенств (15) и (19) вытекает, что для минимизации убытков, необходимы определенные соотношения между коэф-фициентом регрессии и нормативами дохода, затрат, потерь, инвестиций, отчислений и компенсаций. Нарушение этого соот-ношения может привести к росту убытков НТК. Например, при заданных внешних процедурах СУНТКП, правая часть (15) задана. Чтобы обеспечить выполнение неравенства (15) при низком темпе роста прогноза δ или нормативе инвестиций ι, нужны большие нормативы отчислений ω или малые нормативы

353

компенсации θ. И наоборот, чтобы обеспечить (15) при высоком коэффициенте регрессии δ или нормативе инвестиций ι, доста-точно небольших нормативов отчислений ω. С другой стороны, при использовании принципа «планирования от достигнутого» с высоким темпом δ роста прогноза, заинтересованность операто-ра в снижении убытков сохраняется даже при больших нормати-вах компенсаций θ.

Полученные результаты можно обобщить на случай линей-ных МП с нестационарными параметрами (кратко – нестацио-нарных МП). Рассмотрим, например, нестационарный МП с идентификацией минимальных убытков. Классическая задача идентификации заключается в создании модели процесса по наблюдениям его входа и выхода. Принципиальное отличие идентификации в НТК – возможность превышения оператором минимальных убытков. При прогрессивном МП, выбор операто-ра соответствует минимальным убыткам, чем обеспечивается возможность их оценки, при использовании адекватного алго-ритма идентификации. К таким алгоритмам относятся полино-миальные модели Брауна, Тейла-Вейджа и др.

Проиллюстрируем развиваемый подход на примере модели Брауна. Рассмотрим задачу идентификации минимальных убыт-ков вида *t tb c σ= + , где tσ – независимая гауссова помеха. Настраиваемая модель минимальных убытков: t tb c= , где tc – скалярная оценка. Критерий качества идентификации − квадра-тичный. При известных минимальных убытках tb , абсолютно оптимальный алгоритм идентификации, обеспечивающий мак-симальную скорость сходимости оценок tc к оптимальной ( *c ), имеет вид: (20) 1 0( , ) - ( - ) /( 1) *, 0,1,...,o o

t t t t t t t tc I c b c c b t c t c c+ = = + ⎯⎯→ = = .

Однако партнеру (как и Центру) величины минимальных убытков tb неизвестны. Рассмотрим линейный МП, в котором идентификации проводится по алгоритму (20), но основана на фактических величинах убытков ty , наблюдаемых партнером:

354

(21) 1 ( , )ot t t t ta I a y a+ = = –( ta – ty )/(t+1), t= 0,1,..., , 0

oa a= . Обозначим нестационарную процедуру идентификации (21)

через ˆotI , 0,1,...o

tI t= = и рассмотрим нестационарный ли-нейный МП ˆ( , , , , , )о l l l l lI U L X E DΣ = . Предположим, что в пе-риоде t оператор экстраполирует текущую процедуру l

tI на весь

горизонт его дальновидности: ( ) ( )о оtI Iτ =i i , ,t t Tτ = + .

Следствие 8. Если выполняются условия (10) и g+θ<r+ω+z, то нестационарный МП ˆ ˆ ˆ( , , , , , )о l l l l lI U L X E DΣ = – прогрессив-ный.

На основе полученных результатов, разработаны методы проектирования линейных по убыткам ненормативных МП, в которых не используются процедуры нормирования.

Утверждение 1. При гипотезе взаимности оператора и ли-нейных внешних процедурах (10), ненормативный МП

0 0 00( , , , )l l lCI U X DΣ = с линейной по убыткам процедурой прогно-

зирования (11) и процедурами инвестирования 0lU =uo, отчисле-

ний 0 ( , )lt tX l y =ωyt+xo и компенсации 00( , )l

t tD e y =(r–g+z+ω)yt+d0 – прогрессивен.

В неинерционном МП прогноз формируется на основе те-кущего состояния и не зависит от прежних прогнозов.

Утверждение 2. При гипотезе взаимности оператора и вы-полнении (10), неинерционный ненормативный МП

00 0( , , , )l l l

CI U X DΣ= с процедурами прогнозирования 0 ( , )C t t tI a y yδ= +a*, компенсации 0 ( , )l

t tD e y =d0+(r–g+z+ιδ+ω)yt и инвестирования (12) – прогрессивен.

Утверждение 3. При гипотезе взаимности оператора и пра-вильном хозмеханизме, МП ( , , , , , )l

c cI U L X E DΣ = – прогрес-сивный, если Z(yt)↑yt и D(et,yt)–(ιδ+ω)yt ↓yt.

355

Заключение

Принципами проектирования МП являются адаптивность, прогрессивность, сбалансированность, иерархичность, интеллек-туальность. Применение принципов и положений когнитивного анализа и управления развитием ситуаций в условиях корпора-тивного партнерства иллюстрируются на примере НТК ЭЗАН, включающей Экспериментальный завод научного приборо-строения и Специальное конструкторское бюро Российской академии наук. Практическая ценность когнитивного анализа состоит в создании методов повышения обоснованности реше-ний, принимаемых в процессе управления НТК. Разработанные подходы к управлению развитием ситуаций создают методоло-гическую основу для проектирования механизмов партнерства. Они позволяют научно обоснованно решать практически важ-ные и широко распространенные задачи когнитивного анализа и управления развитием ситуаций в НТК.

356

ПРОЕКТИРОВАНИЕ ГЕОИНФОРМАЦИОННОГО ПОРТАЛА ОТРАСЛИ С ИСПОЛЬЗОВАНИЕМ

ОНТОЛОГИЙ ГЕОДАННЫХ

Духин С.В. (ВНИИАС МПС России, г. Москва)

s.duhin@gismps.ru

В работе рассмотрены проблемы интеграции разнородных геоинформационные ресурсов и создания единой базы данных, необходимой для разработки геоинформационного портала отрасли. Описан подход к отображению семантики, заложен-ной в пространственные онтологии, в географические концеп-туальные схемы для представления хранимой в базах геоданных информации.

Ключевые слова: геоинформационные системы, геоинфор-мационный портал, онтологии, географические концепту-альные модели

Введение

Географическая информационная система (ГИС) – это про-граммно-технологическое средство накопления территориально-координированных данных, их системного анализа, интерпрета-ции в виде картографических изображений на средствах машин-ной графики и реализации информационных запросов пользова-теля посредствам обращений к «электронным картам» заданной территории.

ГИС использует разнообразные географические данные о характеристиках земной поверхности, информацию о форме объектов и связях между ними, а так же различные описатель-ные сведения. На рис. 1 показаны основные технологии сбора данных в ГИС.

357

Рис. 1. Основные технологии сбора данных в ГИС

Программное обеспечение ГИС содержит функции и инстру-менты, необходимые для хранения, анализа и визуализации гео-графической (пространственной) информации. Ключевыми ком-понентами программных продуктов являются: инструменты для ввода и оперирования географической информацией; система управления базой геоданных, инструменты поддержки простран-ственных запросов, сравнения, анализа и измерения геоданных.

1. База геоданных – центральное звено ГИС

Основой современных ГИС являются комплексные базы геоданных (БГД), содержащие в себе данные 3 видов:

• географические сведения, описывающие положение в пространстве относительно других данных;

• атрибутивные сведения, которые описывают сущность, ха-рактеристики, переменные, значения и другие его квалификации;

• временные сведения, описывающие момент или период времени, которому соответствуют значения вышеописанных сведений элемента данных.

БГД содержит цифровые карты, семантические и служебные данные. Для работы с информацией предусматривается специаль-ный набор функциональных средств, называемых системой управления БГД. К основным функциям системы управления относятся: добавление, удаление и модификация содержащейся в базе информации, изменение структуры базы, контроль целостно-сти информации, средства ограничения доступа и т.д.

358

БГД является самой важной частью ГИС, поскольку она яв-ляется основным источником сведений о моделируемой терри-тории. От точности, полноты и корректности хранимой в ней информации, в конечном итоге зависит результат работы всей ГИС. По этой причине к разработке структуры и требований к БГД следует подходить с особой тщательностью.

Взаимосвязанное ведение цифровых карт и реляционных баз данных называют геореляционной структурой. Построение геореляционных структур является на сегодняшний день наибо-лее часто встречающейся формой организации банка данных. Геореляционная структура основывается на понятии геометри-ческой модели цифровой карты.

При размещении геоданных особый интерес вызывает про-блема согласованности разнородных геоданных по значениям хранимых значений признаков (атрибутов). Если атрибутивные данные из одной таблицы можно рассматривать как класс экви-валентности экземпляров одного логического типа с точностью до перечисления списка атрибутов, то с геоданными все выгля-дит не так просто. Наборы связанных классов атрибутов, имею-щих одинаковую пространственную привязку, должны быть организованы так, чтобы значения их атрибутов соответствовали установленным топологическим отношениям, т.к. способность хранения геометрии атрибута является одним из обязательных условий существования БГД, поскольку каждый пространствен-ный атрибут всегда должен быть доступен для отображения и анализа. Для обеспечения целостности ГИС в работе предлагает-ся использовать специально созданную для этих целей множест-венно-реляционную модель [3] и реализованный на ней меха-низм поддержания структурной согласованности [2], позволяющие вместо линейной ссылочной целостности плоских отношений поддерживать триангулярную целостность про-странственных атрибутов.

359

2. Использование баз геоданных в составе геоин-формационного портала

Разработка баз данных сложной структуры (БДСС), к кото-рым, безусловно, должны быть причислены и БГД, в настоящее время является одной из наиболее актуальных задач совершен-ствования информационного моделирования.

БГД все более становится средой постоянной работы поль-зователя, сравнимой по значимости с программной и технологи-ческими средами. Семантика данных, хранимых в БГД, приоб-ретает все больший смысл, тем более что с ростом мощности вычислительных средств уменьшение времени поиска и объема необходимой памяти как критериев эффективности теряют свою значимость.

Геоинформационные ресурсы являются более широким по-нятием, чем геоданные, включая наряду с графическими пред-ставлениями (карты, картинки, графики и т.д.) разнообразные текстовые документы и способы или методы перехода от одного к другому.

Повышение эффективности использования геоинформаци-онных ресурсов, к которым следует отнести все виды электрон-ных ресурсов, содержащие графическую составляющую, незави-симо от формата ее представления, возможно путем выполнения следующих действий [1].

1. Создание единого каталога всех геоинформационных ре-сурсов отрасли. Создание такого каталога необходимо в услови-ях, когда руководство отрасли не располагает достаточными сведениями о составе и актуальности различного рода материа-лов, документов и т.п. Кроме того, БГД хранятся в разных мес-тах, что обусловлено необходимостью оперативной корректи-ровки графической информации и, соответственно, обеспечением близости БГД к рабочему месту, на котором происходит корректировка. В этих условиях функции поиска конкретной, факторизованной информации, формирования заявки на ее получение и предоставления сведений об актуаль-

360

ности ресурса могут быть выполнены на основании каталога. В состав каталога должны входить также списки пользователей, подключенных к конкретному геоинформационному ресурсу, а также указатель или адрес хранения соответствующей БГД. Одной из важных особенностей каталога геоинформационных ресурсов является его расширяемость, необходимая для обеспе-чения возможности подключения новых появляющихся БГД.

Создание каталога отраслевых геоинформационных ресур-сов [4] является первым шагом для создания геоинформацион-ного портала отрасли (рис. 2).

Рис. 2.

2. Создание геоинформационного портала. В состав геоин-формационного портала отрасли должны входить функции, позволяющие осуществлять поиск требуемого геоинформацион-ного ресурса по его текстовому описанию, формирование заявки на подключение к ресурсу, администрирование и актуализация каталога геоинформационных ресурсов отрасли. Создание гео-информационного портала позволит увязать геоинформацион-ные ресурсы в единую интегрированную базу данных [1] отрас-ли для эффективного решения следующих задач (рис. 3):

– рассматривать все виды геоинформационных ресурсов от-расли во взаимосвязи;

– оперативно получать графическую информацию необхо-димого вида и содержания.

361

Рис. 3. Схема функционирования геоинформационного портала

Для выполнения действий по созданию, ведению и исполь-зованию интегрированной БГД отрасли необходимо специаль-ное программное обеспечение, опирающееся на типовые функ-ции ГИС. Для их реализации необходим анализ информационных потоков и разработка принципов совместного использования интегрированной БГД с другими автоматизиро-ванными отраслевыми системами с целью решения задач страте-гического мониторинга, оптимизации инвестиционной деятель-ности, прогнозирования работы отрасли (рис. 4).

Рис. 4. Схема использования внешних данных Перечисленные программные средства практически обеспе-

чивают функции мониторинга геоинформационных ресурсов.

362

3. О подходе к выбору информационной модели на основе анализа внутренних спецификаций геоданных

Использование онтологий способствует созданию адекват-ных концептуальных моделей, обеспечивая качественное, кон-тролируемое информационное интегрирование. Одна из цен-тральных современных задач геоинформатики – найти способ связи формального представления семантики, заложенной в онтологии, с концептуальными схемами, описывающими ин-формацию, сохраненную в базах геоданных (БГД). Главный ожидаемый результат – формальная структура, которая реализу-ет отображение пространственной онтологии в географическую концептуальную схему, которая будет содержать внутренние атрибутивные связи разнородных типов геоданных.

Отображение онтологий в концептуальные схемы необхо-димо производить, используя три различных уровня абстракции: формальный, уровень типов геоданных и прикладной уровень. На формальном уровне, с высоким уровнем абстракции, выде-ляют концепции, чтобы представить схему и определить онтоло-гии. На уровне типов геоданных, схема выступает в роли харак-терной логической модели данных, пригодной для сопоставления с наполнением онтологий. На прикладном уровне необходимо сосредоточить внимание на специфике географиче-ских приложений.

На концептуальном уровне представлений оправданы лю-бые полезные преобразования между представлениями, чтобы избежать избыточности. С уже разработанными представления-ми и их способами изображения процесс перемещается на уро-вень реализации, в котором пространственные структуры дан-ных обычно заполняются необходимыми данными с возможностью хранения пространственных структур данных. Так как географические приложения требуют некоторой карто-графической основы типа основной карты, существует также потребность в стадии преобразования данных.

Существующие концептуальные схемы могут использо-ваться, чтобы создать приблизительные онтологии, в то время

363

как существующие онтологии могут использоваться, чтобы генерировать концептуальные схемы, с помощью или без помо-щи опытного разработчика модели (Рис. 5).

Рис. 5

Имеются три различных уровня абстракций, на которых на-ходятся как онтологии, так и концептуальные схемы: формаль-ный, типов геоданных и прикладной уровни (Рис. 6).

364

Рис. 6

Первый уровень – формальный, в котором большее количе-ство абстрактных концепций включено в конструкцию онтоло-гий и концептуальных схем. Сопоставление содержания фор-мального уровня с географическими приложениями дает второй уровень абстракции, или уровень типов геоданных. На приклад-ном уровне, онтологии являются уточнением специализаций уровня типов геоданных.

Заключение

Основным вопросом реализации ГИС является выбор интег-рированной модели представления и отображения всех трех групп геоданных: семантической, метрической и топологической. На современном этапе развития БГД все более становится средой разработки геоинформационного портала отрасли. Анализ суще-ствующих подходов к структуризации информационных ресурсов показывает, что качественная интеграция геоинформационных ресурсов невозможна без формализации внутренних специфика-ций геоданных, представляемых онтологиями.

365

Литература

1. ДУЛИН С.К., ДУХИН С.В. Множественно-реляционная модель данных геоинформационной системы //. Сб. научных трудов III-го Международного научно-практического семи-нара «Интегрированные модели и мягкие вычисления в ис-кусственном интеллекте». – М.: Физматлит, 2005. С. 342–350.

2. ДУЛИН С.К., ДУХИН С.В. Множественно-реляционная модель как средство обеспечения гомоморфизма геоинфор-мационной системы. – М.: ВЦ РАН, 2006. – 30 с.

3. ДУХИН С.В. Формализация геоданных на основе множест-венно-реляционной модели // Системы и средства информа-тики. Специальный выпуск «Математические модели и ме-тоды информатики, стохастические технологии и системы». – М.: ИПИ РАН, 2005. С. 253–269.

4. РОЗЕНБЕРГ И.Н., ДУХИН С.В. Автоматизированная сис-тема ведения геоинформационной базы данных, увязанная с параметрами работы и развития ОАО «РЖД» //Труды девятой научно-практической конференции «Информацион-ные технологии в железнодорожном транспорте». «ИНФОТ-РАНС-2004», 6-9 октября, Санкт-Петербург, 2004. С. 12 – 16.

366

УПРАВЛЕНИЕ ГЕОИНФОРМАЦИОННЫМИ РЕСУРСАМИ С ПОМОЩЬЮ ГИС «OBJECTLAND»

Духин С.В., Розенберг И.Н. (ВНИИАС МПС России, Москва)

s.duhin@gismps.ru, i.rozenberg@gismps.ru

Представлены основные концепции, архитектура и функцио-нальные возможности отраслевой геоинформационной систе-мы ObjectLand, разработанной для обработки геоинформа-ционных ресурсов, организованных в виде базы геоданных.

Ключевые слова: геоинформационные системы, интегриро-ванные базы геоданных, распределенный доступ

Введение

Геоинформатика как наука, занимающаяся проблемами сбора, хранения и обработки информации, описывающей терри-торию, развивается более 30 лет. Но только в последнее десяти-летие геоинформационные системы (ГИС), как практическое воплощение геоинформатики, получили широкое распростране-ние. Этому способствовало постоянное улучшение потребитель-ских качеств ГИС – высокая степень интеграции модулей обра-ботки информации, постоянное движение в сторону «дружественности» пользовательского интерфейса и пр. В ре-зультате ГИС стали очень широко используемым инструментом [1,2].

На современном рынке ГИС представлены широким спек-тром зарубежных и отечественных продуктов. Наиболее извест-ные и распространенные в мире продукты разработаны в США. Это системы ArcInfo и ArcView GIS (компания ESRI), ГИС MapInfo (компания MapInfo), ГИС MGE (корпорация Intergraph). Отечественные ГИС появились значительно позже, чем на Запа-де, но завоевали определенную популярность, так как помимо достаточно высокого качества разработок имеют ряд естествен-

367

ных преимуществ – более низкую цену, разработчики находятся ближе к потребителю, разработки адаптированы к российским условиям и пр. Из наиболее известных отечественных разрабо-ток отметим системы GeoDraw (ЦГИ ИГРАН, г. Москва), GeoCad System (компания Геокад, Ltd, г. Новосибирск).

1. Общая характеристика геоинформационной сис-темы ObjectLand

Геоинформационная система ObjectLand (ГИС ObjectLand) является универсальным программным продуктом, работающим под управлением 32-разрядных операционных систем семейства Windows и предназначенным для использования в областях, связанных с совместной обработкой пространственной и таб-личной информации. ГИС ObjectLand обеспечивает создание смешанных векторно-растровых карт с присоединенными к объектам карты записями из пользовательских баз данных.

Для реализации ядра ГИС ObjectLand была разработана оригинальная объектно-ориентированная система управления базами данных, имеющая универсальный характер. Главной особенностью используемой СУБД является возможность орга-низации однородного механизма хранения и доступа к данным, имеющим различную природу. В рамках ГИС это относится главным образом к табличным и пространственным данным. Используя эти возможности, ГИС ObjectLand поддерживает в рамках единой геоинформационной базы данных (БГД) хране-ние и доступ, как к пространственной, так и к табличной инфор-мации, что позволяет достигнуть высокой степени интеграции данных.

Благодаря возможности использования ГИС ObjectLand в качестве сервера OLE-автоматизации, большая часть возможно-стей системы доступна из внешних приложений.

Учитывая, что с БГД работают различные категории поль-зователей, ГИС ObjectLand обеспечивает механизм разграниче-ния доступа пользователей к различным компонентам БГД. Описания пользователей, определяющие их права доступа к

368

различным компонентам БГД, и их возможности по делегирова-нию своих прав также являются одним из компонентов БГД.

Рис. 1. Основное окно ГИС ObjectLand

Табличная информация в ГИС ObjectLand представлена в виде набора реляционных таблиц. Ограничения на количество таблиц, их структуру и размеры отсутствуют. ГИС предоставля-ет пользователю возможность проектирования произвольной структуры табличной информации. Необходимо отметить отсут-ствие ограничений на размеры полей таблиц, достигаемое за счет использования объектно-ориентированной СУБД. Более того, при разработке структуры таблиц определяются только имена и типы полей, но не их размеры. Так строковое поле в одной записи таблицы может содержать несколько символов, тогда как в другой записи это поле может содержать большой текстовый документ. Помимо обычных типов данных, поля записи могут быть объявлены как поля типа «объект», что по-зволяет хранить в них любые OLE-объекты. Для OLE-объектов поддерживается как внедрение объекта (т.е. непосредственное

369

хранение объекта в базе данных), так и связывание с файлом, содержащим объект. Это позволяет хранить в записи такие объекты как документы Microsoft Word, Paint, графику Corel и любые другие объекты, для которых имеются объектные OLE-сервера. Для OLE-объекта можно определить строковое описа-ние, по которому можно вести поиск. Благодаря возможности хранения OLE-объектов в БГД, пользователь может ввести информацию произвольного характера об объекте карты, при-соединенном к записи таблицы, например, функциональную или структурную схему, пояснительную записку, аудиовизуальную информацию, гиперссылку в Интернет и т.п.

Набор аналитических операций над табличными данными в рамках реляционных СУБД хорошо формализован. ГИС ObjectLand поддерживает практически полный набор операций над табличными данными, а именно:

• Селекция записей в таблицах. Пользователь может форму-лировать произвольные критерии селекции записей путем свя-зывания элементарных критериев логическими связками. Воз-можен режим пошагового уточнения критерия. Для ввода критерия используется QBE-подобный интерфейс, хорошо зарекомендовавший себя при работе с непрофессиональными пользователями.

• Проекция таблицы. ГИС позволяет выборочно отключить видимость некоторых полей таблицы. При этом возможен ре-жим устранения отображения дублирующихся значений среди оставшихся полей. Допустимо задание произвольного порядка отображения полей.

• Соединения таблиц. ГИС ObjectLand поддерживает воз-можность соединения произвольного количества таблиц в еди-ную таблицу-соединение. Поддерживаются соединения как 1:1, так и M:M. В случае, когда все таблицы в соединении связаны в отношении 1:1, ГИС позволяет осуществлять редактирование таблицы-соединения. Частным случаем соединения таблиц является возможность подстановки значений из одной таблицы в другую, т.е. поддержка таблиц-справочников. Наличие механиз-ма соединения таблиц позволяет нормализовать структуру таб-

370

личной базы данных, что в свою очередь влияет на размеры БД и что особенно важно – на целостность данных.

• Вычисления в таблицах. ГИС поддерживает возможность организации вычислений (минимума, максимума, суммы, средне-го) с указанием полей по которым следует вычислить промежу-точные итоги и с получением полных итогов по всей таблице.

• Сортировка записей в таблицах ГИС ObjectLand предос-тавляет возможность сортировки записей в таблицах согласно произвольному критерию. Пользователь может сформулировать критерий сортировки путем задания полей, по которым будет осуществляться сортировка, порядка лидирования полей и по-рядка сортировки по каждому полю (возрастание, убывание).

2. Отображение пространственной информации

Пространственная информация в ГИС организована в виде структурных компонент – карт. БГД может содержать произ-вольное количество карт. Поддерживается трехуровневая струк-тура карт. Верхним уровнем структуризации карты является слой. Карта может состоять из произвольного количества слоев. В свою очередь, каждый слой содержит определенный набор типов объектов. Тип объектов характеризуется именем, геомет-рической характеристикой (точечный, линейный, площадной, текст, растр), стилями отображения (заливка, штриховка, стиль линии, условное обозначение, шрифт и т.п.), а также набором реляционных таблиц, содержащих атрибутивную информацию, связываемую с объектами данного типа. И, наконец, нижний уровень структуризации – непосредственно пространственные объекты карты. Пользователю предоставляется возможность проектирования произвольной структуры карт.

Аналитические операции над пространственными данными можно разделить на следующие категории:

• получение тематических пользовательских представле-ний базовых карт,

• поиск и выделение объектов на карте, удовлетворяющих заданным критериям;

371

• получение пространственных оценок на группах объек-тов, выделенных согласно некоторому критерию.

ГИС ObjectLand позволяет организовать выделение объек-тов карты, обладающих теми или иными значениями связанной с ними табличной информации. Средство выделения объектов в ГИС ObjectLand реализуется с помощью фильтров. Фильтр содержит критерий селекции в связанных с типом таблицах и геометрические критерии селекции объектов карты. При ото-бражении темы, фильтр на основании связанной с объектом информации определяет объект карты в одну из групп. Для группы фильтра можно установить стиль отображения объектов и управлять видимостью объектов.

ГИС ObjectLand предоставляет пользователю широкие возможности по интерактивной селекции объектов на карте.

Рис. 2. Окно просмотра темы

3. Дополнительные возможности

Дополнительным компонентом БГД является библиотека стилей, содержащая стили, используемые при отображении карт и их выводе на внешние устройства. ГИС ObjectLand поддерживает

372

полный набор редакторов стилей, позволяющих пользователю разрабатывать собственные библиотеки стилей – редакторы век-торных и растровых условных обозначений, редакторы стилей линий, заливок, штриховок и шрифтов. Шрифты в ГИС ObjectLand строятся на базе TrueType шрифтов и имеют дополни-тельные свойства, определяющие характер отображения шрифтов. Векторные стили (векторные условные обозначения, стили линий, штриховки) могут строиться на основании геометрических при-митивов «отрезок», «полигон», «окружность», «текст», что позво-ляет создавать очень сложные стили. Редактор заливок позволяет создавать произвольную многоцветную заливку, используемую для отображения площадных объектов. Высокое качество отобра-жения точечных объектов достигается при использовании растро-вых условных обозначений, которые определяются набором растровых изображений различного размера.

ГИС ObjectLand предоставляет возможность построения макета – средства представления и печати информации, храня-щейся в БГД. Макет может содержать области, в которых ото-бражаются темы, легенда и масштабная линейка для каждой темы, произвольные графические объекты, растровые картинки, деловая графика, построенная на основе выборок. Если размеры макета превышают размер страницы текущего принтера, то при печати производится автоматическое разбиение листа макета на страницы. Открытый макет всегда отражает текущее состояние БГД. Для сохранения «снимка» макета можно вывести его в расширенный метафайл Windows (EMF-файл) или в растровый файл (BMP-файл). ГИС ObjectLand позволяет сохранять в БГД построенные макеты.

Заключение

Перечисленные выше возможности ГИС ObjectLand послу-жили основой его широкого распространения в областях, свя-занных с управлением геоинформационными ресурсами в же-лезнодорожной отрасли [3], с ведением земельного кадастра, с ведением инвентаризации хозяйственных объектов и в других

373

областях, требующих хранения и анализа пространственной и табличной информации с учетом их взаимосвязей.

ГИС ObjectLand является составной частью систем ведения автоматизированного земельного кадастра в городах Ростове-на-Дону, Майкопе, Владикавказе, Краснодаре, Туапсе, Элисте, в городских и районных земельных комитетах региона Кавказских Минеральных Вод, республик Адыгея, Северная Осетия – Ала-ния, Калмыкия, в Ставропольском, Краснодарском краях.

Для поддержки пользователей ГИС ObjectLand в Интернете создан сайт http://www.objectland.ru. C этого сайта легальные пользователи могут загрузить свежую версию ObjectLand, а для любого интересующегося данной проблематикой эта версия будет являться демонстрационной, так как ObjectLand определит отсутствие аппаратного ключа защиты и запустится с некоторы-ми количественными ограничениями. Демонстрационная версия не имеет функциональных ограничений, поэтому позволяет получить полное представление о возможностях ГИС ObjectLand.

Литература

1. РОЗЕНБЕРГ И.Н., ДУХИН С.В. Геоинформационные тех-нологии – важнейшая составляющая современных инфор-мационных систем. //Автоматика, связь, информатика.– М.: 7, 2005. – С. 8–12.

2. РОЗЕНБЕРГ И.Н., ДУХИН С.В. Геоинформационные тех-нологи. //Железнодорожный транспорт, 3, 2006. С. 43–48.

3. РОЗЕНБЕРГ И.Н., ДУХИН С.В. Автоматизированная система ведения геоинформационной базы данных, увязан-ная с параметрами работы и развития ОАО «РЖД» //Труды девятой научно-практической конференции «Ин-формационные технологии в железнодорожном транспор-те». «ИНФОТРАНС-2004», 6-9 октября, Санкт-Петербург, 2004. С. 12–16.

374

МОДЕЛИРОВАНИЕ И АНАЛИЗ ЛОГИЧЕСКОЙ ЗАВИСИМОСТИ ФРАГМЕНТОВ БАЗ ЗНАНИЙ

Багдасарян А.Г., Оганян Т.Р. (Институт проблем управления РАН, г. Москва)

arbag@mail.ru

Предложена модель представления информации в базах знаний и анализа данных, которая предназначена для построения информационных систем различного назначения, использующих различного рода источниками информации, а также информа-цию, носящей разнородный характер Ключевые слова: база знаний, информационная система, контекстно-независимая формализация спецификаций

Традиционные методы разработки информационных систем

требуют больших затрат и времени. Одной из возможных при-чин этого является отсутствие четких, полных и согласованных требований к создаваемой системе. Обеспечение процедур анализа спецификаций с целью нахождения ошибок в них спо-собствует ускорению проведения этапа предварительного анали-за требований к построению информационной системы и полу-чению непротиворечивой, полной системы спецификаций.

Предлагаемая модель представления информации в базах знаний и анализа данных может использоваться для построения информационных систем различного назначения, действующи-ми с различного рода источниками информации, а также инфор-мацией, носящей разнородный характер.

В работе рассматривается модель иерархических требова-ний к системе взаимосвязанных между собой объектов. Эта модель может иметь различные прикладные области использо-вания, как например

375

− разработку архитектур баз знаний, обеспечивающих ус-тойчивость к частичным отказам и потере информации,

− планирование систем реального времени, выполняющих комплексные задачи,

− обработку результатов экспертных опросов и разработку многопользовательских систем принятия решений,

− отладку и выявление несбалансированной, нечеткой и противоречивой информации в крупномасштабных массивах статистических данных и др.

Модель иерархических требований базируется на использо-вании контекстно-независимой формализации спецификаций. Она позволяет сопоставить введенные значения элементов данных с теми, которые могут быть дедуктивно выведены на основании «осмысления» значений других данных.

В основе сопоставления лежит понятие контрольной точки (сжатие/расширение) информации, включающий три типа ком-понент:

− непосредственные данные, смежные по уровню иерар-хии, где данные более низкого и высокого уровня называются соответственно дочерними (частными) и родительскими (обоб-щающими, промежуточными, итоговыми);

− арбитражный протокол согласования, включающий пра-вила генетического вывода или восстановления родительских данных, исходя из частных, и наоборот, оценка частных данных, исходя из более общих;

− диагностический тест согласованности разно-уровневой информации.

На базе контрольных точек могут быть восстановлены все-возможные дедуктивные выводы значений какого-либо элемента данных. Результаты этих выводов, являющиеся противоречащи-ми друг другу или противоречащие введенным данным, свиде-тельствуют об обнаружении ошибки, несоответствия. Кроме того, на основе этого подхода могут быть реализованы схемы анализа данных с использованием механизма приоритетности или «компетентности» информационных объектов.

376

Особый интерес представляет использование этого метода анализа данных в режиме реального времени с вводом информа-ции. В этом случае, система введенных данных представляет собой систему, которая функционирует как активная среда, принимающая независимые или согласующиеся с ней данные и отвергающая, и не допускающая своего пополнения данными, не согласующимися с ней. В таком случае, информационная систе-ма, как результат ввода данных, существенно зависит от поряд-ка, в котором данные поступают в систему.

377

МОДЕЛЬ ОРГАНИЗАЦИИ ДАННЫХ И ИХ АНАЛИЗА В КРУПНОМАСШТАБНЫХ ИНФОРМАЦИОННЫХ

СИСТЕМАХ

Багдасарян А.Г., Оганян Т.Р. (Институт проблем управления РАН, г. Москва)

arbag@mail.ru

Рассмотрены вопросы согласования данных и поиска инстру-ментов объединения логических выводов, присущих технологи-ям обработки знаний, со средствами поиска в базах данных. Предложен подход к структуризации на основе моделей согла-сования данных в ориентации на быструю идентификацию логически связанных элементов данных. Данный подход позво-ляет получать данные различной степени обобщения или агре-гированные по различным комбинациям свойств и признаков.

Ключевые слова: дедуктивные базы данных, семантическая организация данных, модель согласования данных

Появление новых информационных технологий, CD-ROM

дисков, сетей типа Internet и др. обеспечивает возможность создания и поддержания практически неограниченных объемов информационных массивов. Это позволяет создавать информа-ционно-справочные фонды документальных и статистических данных, графических изображений и т.д., каждый из которых в дальнейшем может служить отдельной информационной едини-цей в компьютерных информационных сетях.

С ростом объемов информации повышаются требования к эффективности процедур доступа к данным, а также проблема обеспечения точности поиска.

Многие методы поиска, традиционно используемые для сравнительно небольших информационных массивов, оказыва-ются не адекватными для больших массивов. Так, поиск по списку ключевых слов практически не обеспечивает потребно-

378

стей и запросов пользователей: большая часть доступной ин-формации не представляет интереса для пользователей – необ-ходимые данные остаются недоступными.

Специализированные вопросно-ответные системы могут обеспечить потребности лишь ограниченного числа пользовате-лей. Удобство специализированных вопросно-ответных систем исчерпывается, как только возникает необходимость обеспечить массовый доступ к информации.

Принципиально новые возможности предоставляет семан-тическая организация данных.

Данная работа посвящена вопросам согласования данных и поиска инструментов объединения логических выводов, прису-щих технологиям обработки знаний, со средствами поиска в базах данных.

Под логическим согласованием данных в базе данных под-разумевается:

− формальная спецификация логической согласованности данных, например, структуризация, определяющая родственных потомков данного множества объектов,

− структуризация ориентирована на представление ключе-вых данных, содержащихся в базе данных, придающих данным способность к расширению и получению новых данных, т.е. построению дедуктивных бах данных. Дедуктивные базы дан-ных, как способ объединения техники баз знаний и баз данных, обладают способностью вывода новых фактов из множества имеющихся с помощью множества правил. Вывод новых фактов сопровождается увеличением объема просматриваемых данных, что не всегда способствует повышению эффективности поиска. В связи с этим требуется наличие механизмов ограничения множества выводимых данных, тем самым, необходимо –обеспечение управления частями информации.

Одним из возможных инструментов структуризации являет-ся использование моделей согласования данных в ориентации на быструю идентификацию логически связанных элементов дан-ных.

379

Кооперативный аспект данных реализуется с помощью ин-дексного маркирования элементов данных. Он также может использоваться в моделях надежности информации.

Интеллектуализированный ответ на запрос подразумевает: − выдачу информации, если она есть и найдена, − проведение вычислений для ее вывода, если ее нет, но

она может быть логически выведена из имеющихся данных, − выдачу информации, близкой к необходимой, если ее нет

и ее невозможно логически вывести из имеющейся. Использование такого подхода может позволить получать

данные различной степени обобщения или агрегированные по различным комбинациям свойств и признаков.