CC BY
60
О. В. Булыгина, канд. экон. наук, доцент, филиал Национального исследовательского
университета «МЭИ» в г. Смоленске, baguzova_ov@mail.ru
Анализ реализуемости инновационных проектов по созданию наукоемкой продукции: алгоритмы и инструменты1
Сегодня развитие российской экономики неразрывно связано с высокими технологиями и радикальными инновациями. При управлении проектами по созданию наукоемкой продукции важную роль играет анализ перспектив их реализации, который должен строиться на анализе достаточности ресурсов предприятия и благоприятности внешних условий. В статье предложен набор экономико-математических инструментов для эффективной оценки внутренней и внешней среды предприятия, основанных на применении интеллектуальных методов анализа слабоструктурированных данных.
Ключевые слова: управление инновационными проектами, наукоемкая продукция, диагностика внутренней и внешней среды предприятия, нечеткие пирамидальные сети, нечеткая логика, экспертно-диагностические системы.
Введение
В современных сложных макроэкономических и внешнеполитических условиях, сформировавших возможность для реализации национальной политики им-портозамещения, переориентации с сырьевой модели на «высокие технологии» и создания отечественных научно-промышленных кластеров, особую роль играет построение эффективной системы управления жизненным циклом проектов по созданию и производству наукоемкой продукции, востребованной на внутреннем и внешнем рынках.
В отечественной и зарубежной литературе [1] под жизненным циклом проекта обычно понимают совокупность стадий, этапов и работ, определяющих процесс его инициализации, разработки, реализации и завершения, который осуществляется в заданных ограничениях (материально-техниче-
1 Работа выполнена при финансовой поддержке РФФИ, грант № 14-01-00690 А.
ских, финансовых, технологических, временных и т. д.). В настоящее время существует множество моделей жизненного цикла проекта, разработанных для различных предметных областей и различающихся в зависимости от его стоимости, длительности и сложности. Например, в ИТ-сфере чаще всего используются каскадная, итерационная, спиральная и эволюционная [4; 8] модели жизненного цикла проекта по реализации программно-аппаратных комплексов.
Проекты по созданию наукоемкой продукции могут быть отнесены как к инвестиционному, так и к инновационному типу. Основное отличие между ними в том, что целью инвестиционного проекта всегда является получение инвестором финансовой выгоды, превышающей капитальные вложения. В то же время инновационный проект нацелен на создание новации (в виде нового продукта, технологии, рационализаторского решения и т. д.) и доведение ее до практической реализации, которая обеспечит стейкхолде-рам (разработчикам, инвесторам, произво-
дителям и т. д.) некоторое конкурентное преимущество, не обязательно финансового характера. Например, создание новой военной техники главным образом повышает обороноспособность страны (и как следствие, ее престиж), нередко не обеспечивая прямой коммерческой выгоды.
Жизненный цикл инновационного проекта, связанного с созданием наукоемкой продукции, обязательно начинается с технико-экономического обоснования, в котором определяются рыночные перспективы и предполагаемые конкурентные преимущества, в первую очередь в техническом аспекте. В результате формируется техническое задание на научные исследования, носящие в зависимости от масштабов, технологической сложности и решаемой задачи фундаментальный и/или прикладной характер. В ходе опытно-конструкторских и технологических работ полученные «новые знания» обретают материальную форму — изготавливается опытный образец.
Следующий этап — подготовка и освоение опытного производства, а также испытание и сертификация нового изделия. Этап промышленного производства, в свою очередь, объединяет непосредственно производство, продвижение и сбыт наукоемкой продукции. Обычно цикл завершается практическим применением инноваций конечным потребителем, а также оказанием соответствующих услуг по послепродажному сервисному обслуживанию (и при необходимости — по выведению из эксплуатации) [11; 12].
На рис. 1 приведена примерная модель жизненного цикла инновационных проектов по созданию наукоемкой продукции, отражающая основные аналитические процедуры и источники информации, необходимые для эффективной реализации процессов планирования и реализации проектных этапов.
Следует отметить, что управление жизненным циклом таких проектов должно осуществляться при наличии жестких взаимосвязей между структурными подразделениями предприятия и реализуемыми ими биз-
нес-процессами, обеспечивая полный охват всей технологической цепочки, а также учитывать влияние различных факторов микро-и макроокружения [9].
Процесс разработки и реализации инновационного проекта по созданию наукоемкой продукции
Для управления жизненным циклом инновационного проекта, представленным на рис. 1, целесообразно использовать управленческую модель PDCA (plan — do — check— act), описывающую логико-временную последовательность выполнения действий по принятию эффективных решений, направленных на создание наукоемкой продукции, внедрение инновационных технологий, совершенствование системы управления и т. д. Данная модель предполагает детальное предварительное планирование каждого этапа проекта и постоянный мониторинг их реализации, позволяющие своевременно разрабатывать улучшающие и корректирующие мероприятия для совершенствования производственно-технологических и бизнес-процессов.
Для закрепления сформированных улучшений целесообразно использовать цикл SDCA (standardize — do — check — act), который позволяет эффективно внедрять новшества, а также оперативно адаптироваться к изменяющимся внутренним и внешним условиям реализации проекта. Предполагается, что повторная реализация стандартизированных действий позволяет повысить эффективность выполнения конкретного этапа, а также сократить ошибки в дальнейшем.
Показанный на рис. 1 процесс математически может быть представлен следующим образом:
P = < G, S, R£, E0 >,
где G = {gi: i е [1,10]} — множество глобальных целей проекта;
S — множество этапов разработки и реализации проекта;
Fig
Рис. 1. Примерная модель жизненного цикла инновационного проекта по созданию наукоемкой продукции
1. An exemplary model of the innovation project lifecycle for creating high-tech products
№ = , Я ре, , Я'*,...} — множество выделенных на реализацию проекта ресурсов (финансовых, человеческих, материально-технических, программно-аппаратных и т. д.);
Ео = [Еесп, Е р, Етгк, Е^, Ег%, Еес1,...} — исходные внешние условия начала реализации проекта (экономические, политические, рыночные, научно-технические, нор- [ 89 ]
мативно-правовые и иные факторы), где
Е1уре = {£1уре . д е Щ .
В свою очередь, каждый этап реализации проекта можно рассматривать как отдельный проект, представляемый в следующем виде:
5 =<Т, J,R,Е8,О >, J = {(А,D)1: I еЩ,
где Т = : j е [1,10]} — множество локальных целей, определяющих техническое задание на данный этап;
^ — множество работ по реализации этапа, определенных как упорядоченная пара действия А с заданной длительностью D;
Я с Я2 — выделенные на реализацию этапа ресурсы;
Ея — внешние нестационарные условия реализации этапа;
N
О = Ок — множество материально-тех-
к=1
нических и/или интеллектуальных результатов выполнения различных работ данного этапа.
Ввиду технологической сложности и высокой стоимости инновационных проектов
существенное значение в процессе их реализации отводится подготовительному этапу, связанному с технико-экономическим анализом перспектив создания наукоемкой продукции, которые зависят от научно-технических, финансово-экономических и маркетинговых параметров осуществимости проекта.
На рис. 2 представлена структурно-функциональная диаграмма процесса анализа перспективности инновационного проекта, построенная в соответствии с методологией IDEF0. Так, особая роль в процессе разработки и реализации инновационного проекта отводится оценке внутренней и внешней среды предприятия, которая ложится в основу составления бизнес-плана его реализации. В свою очередь, уникальный характер наукоемкой продукции обусловливает необходимость детального проведения экспертизы бизнес-плана, что предполагает использование экспертных методов для исследования его проработанности и выполнимости. Оценка экономической эффективности осуществляется с использованием таких по-
Рис. 2. Логико-информационная модель анализа перспективности инновационного проекта
Fig. 2. Logical information model of analysis of the innovative project perspectives
казателей, как чистый приведенный доход, внутренняя норма рентабельности, индекс прибыльности инвестиций.
Анализ внутренней и внешней среды наукоемкого предприятия
В основе определения перспективности инновационного проекта лежит анализ достаточности у предприятия имеющихся ресурсов и накопленного потенциала, определяющих внутреннюю среду, а также благоприятности условий внешней среды. Так, в процессе анализа внутренней среды предприятия рекомендуется исследовать следующие сферы:
• научно-производственные процессы (включая производственно-технологическую базу, программно-аппаратные средства, а также их материально-техническое снабжение);
• финансовое обеспечение технологических и бизнес-процессов;
• человеческие ресурсы, определяющие интеллектуальный потенциал;
• маркетинг (в том числе продвижение и сбыт наукоемкой продукции);
• организационно-управленческую систему.
При анализе внешней среды следует исследовать следующие элементы:
1) микросреда, формируемая согласно М. Портеру поставщиками, потребителями, конкурентами и партнерами;
2) макросреда, определяемая различными видами факторов (научно-техническими, экономическими, политическими, нормативно-правовыми и т. д.);
3) инновационная инфраструктура, объединяющая организации, обеспечивающие и поддерживающие инновационные процессы в различных сферах (характеристика основных элементов представлена в табл. 1) [7].
Таблица 1. Характеристика элементов инновационной инфраструктуры
Table 1. Characteristics of innovative infrastructure elements
Элементы Роль Структуры
Научно-технологическая Доступ к научно-производственным ресурсам Инновационно-технологические центры, технопарки, бизнес-инкубаторы, научно-промышленные комплексы и т. п.
Консалтинговая Консультирование по научно-техническим, финансовым, маркетинговым, информационным и иным вопросам Организации в сфере информационных технологий, инженерного и управленческого консалтинга
Кадровая Подготовка высококвалифицированных специалистов Средние и высшие учебные заведения, научно-исследовательские институты, центры переподготовки
Финансовая Доступ к источникам финансирования инновационных проектов Финансово-кредитные организации. Различные фонды (бюджетные и внебюджетные, инновационные, посевные, страховые, стартовые)
Маркетинговая Продвижение инновационной продукции на внутренний и внешний рынок Форумы, выставки и т. п. Рекламные и маркетинговые агентства. Специальные структуры коллективного выхода на зарубежные рынки
Информационная Доступ к научно-технической информации по различным направлениям, а также к статистическим данным Государственная система научно-технической информации. Федеральная служба государственной статистики
Существует множество методов анализа вышеприведенных элементов внутренней и внешней среды предприятия, применяемых в стратегическом, инвестиционном и инновационном менеджменте. Так, в зарубежной практике широкое распространение получили SWOT- и SNW-анализы, а также матричные инструменты (модели Boston Consulting Group, GE/McKinsey, ADL/LC, Sheel/DPM, Hofer/Schendel, PIMS), которые позволяют оценивать сильные и слабые стороны предприятия, выявлять его внутренние и внешние возможности, а также определять его конкурентные позиции и перспективы развития. Однако использование качественных данных, задаваемых в естественно-языковой форме, не позволяет адекватно сопоставлять результаты, получаемые посредством различных инструментов.
Для количественной оценки сегодня обычно используются аналитические инструменты «Бортовое табло» (Tableau de Board), «Сбалансированная система показателей» (BSC), «Система ключевых индикаторов результативности» (KPIs), «Прогрессивные индексы устойчивого развития» (SDPIs), а также «Система стратегического управления фирмы BASF». Однако они не позволяют комплексно анализировать все элементы внешней среды предприятия, поскольку не рассматривают ключевые макроэкономические и специфические отраслевые факторы.
Также для количественной оценки состояния внешней и внутренней среды могут применяться экономико-статистические методы (анализ рядов распределения и рядов динамики, индексный метод, факторный и корреляционно-регрессионный анализ). Однако уникальность инновационных проектов не позволяет сформировать необходимый объем статистических данных, характеризующих различные стратегические факторы (число которых, в свою очередь, значительно), что ограничивает возможности применения традиционных методов математической статистики и теории вероятностей.
Для объединения данных различных маркетинговых исследований, результаты которых измеряются в разных мерах измерения, можно использовать метаанализ (например, по технике Шмидта-Хантера), позволяющий приводить переменные к единой системе измерения. В то же время основным препятствием для его применения выступает необходимость согласованного использования количественных и качественных методов.
Таким образом, приведенные методы исследования внутренней и внешней среды предприятия, основанные на качественных и количественных оценках их различных элементов, не позволяют получать комплексную оценку текущих и будущих перспектив инновационного проекта по созданию наукоемкой продукции, что существенно затрудняет своевременное принятие актуальных и научно обоснованных управленческих решений в процессе его реализации.
Таким образом, возникает необходимость разработки концептуально нового инструментально-методического подхода к организации и проведению анализа состояния внутренней и внешней среды предприятия. Такой подход должен быть основан на детальном исследовании составляющих процесса, оцениваемых в различных системах измерений, агрегируя результаты которых, можно получать обоснованные оценки эффективности реализации инновационных проектов.
Алгоритмическое обеспечение процессов диагностики внутренней и внешней среды предприятия
Проведенный анализ различных элементов внутренней и внешней сред предприятия позволил выявить следующие особенности, требующие особого учета при разработке инструментальных средств их диагностики [2]:
1) наличие факторов, одновременно характеризующих несколько элементов внутренней и/или внешней сред предприятия, что существенно осложняет процесс опреде-
ления степени их влияния на формирование различных состояний;
2) необходимость агрегирования качественных и количественных показателей, используемых для оценки конкретных элементов внутренней или внешней среды;
3) наличие взаимозависимости (корреляции) между факторами, формирующими определенное состояние;
4) отсутствие достаточного объема статистической информации о причинно-следственных связях между различными событиями и состояниями;
5) использование плохо формализуемых данных и знаний о состоянии внутренней и внешней сред, для которых свойственна неточность, неполнота, неоднозначность, некорректность и т. п.
Указанные ограничения делают необходимым применение интеллектуальных методов анализа данных, позволяющих получать адекватные оценки даже на основе слабоструктурированной информации, получаемой в условиях высокой динамичности факторов внешней среды. Особенности предметной области и решаемой научной задачи делают наиболее предпочтительными логико-лингвистические модели, описывающие в естественно-языковой форме сложные объекты и логические связи между их элементами. В качестве способа иерархического представления сложных структур можно использовать растущие пирамидальные сети, которые в отличие от других сетевых моделей (например, семантических, нейронных, гибридных и т. д.) способны решать классификационные задачи в условиях слабой формализации информации и недостатка статистических данных [5].
Так, указанный аппарат, предложенный в 70-е годы прошлого века в Институте кибернетики им. В. М. Глушкова (Украина), активно используется для структурирования данных и решения задач ассоциативного поиска в различных областях науки. В первую очередь это обусловлено высокой скоростью выполнения поисковых запросов ввиду оп-
тимального представления информации, что достигается вследствие автоматического построения иерархической структуры в зависимости от входных данных [14; 15].
В то же время необходимо отметить такую особенность данного математического аппарата, как невозможность определения степени влияния одних факторов на другие, что существенно осложняет процесс поиска единственного решения. Для преодоления указанной проблемы целесообразно применять методы нечеткой логики, которые на основе экспертных знаний способны оценивать потенциальную возможность конкретного состояния объекта в результате реализации некоторого события.
Данный факт обусловливает необходимость модификации аппарата растущих пирамидальных сетей за счет внедрения элементов нечеткой логики для решения классификационных задач в условиях неравнозначности структурных элементов и причинно-следственных связей.
Описание нечетких пирамидальных сетей
Концептуально пирамидальная сеть представляет собой ациклический ориентированный граф, состоящий из следующих элементов (рис. 3а):
• рецепторы — вершины, находящиеся на нижнем уровне сети, которые представляют собой значения показателей, описывающих ключевые характеристики элемента внутренней/внешней среды предприятия (задаются с помощью порядковой шкалы);
• концепторы — промежуточные вершины, которые формируются в результате объединения рецепторов;
•• исходы — вершины, которые представляют комплексные оценки некоторого элемента внутренней и/или внешней среды (например, отражающие достаточность человеческих ресурсов) и также задаются на порядковой шкале.
Исходы
Концепторы
Рецепторы
Рис. 3. Пример нечеткой пирамидальной сети:
а — общий вид; б — алгоритм построения Fig. 3. An example of fuzzy pyramidal network: a — general view; b — constructing algorithm
Процесс построения пирамидальной сети представляет собой формирование пирамид, обязательно содержащих вершины всех типов, с учетом следующих ограничений:
• отсутствие замкнутых циклов;
• пирамида исхода должна содержать не менее двух рецепторов;
• в субмножестве концептора должно быть не менее двух вершин;
• наличие не менее трех исходов в одной области исследования.
Построение нечеткой пирамидальной сети (НПС) осуществляется в соответствии с алгоритмом (рис. 36), предложенным В. П. Гла-дуном [6].
Процесс обучения нечеткой пирамидальной сети сводится к формированию понятий, представляющих собой обобщенные логические модели классов объектов, с помощью которых непосредственно реализуется алгоритм распознавания.
Пусть имеется пирамидальная сеть, отражающая объекты обучающей выборки. В алгоритме, предложенном В. П. Гладуном, формирование понятий выполняется на основе последовательного просмотра пирамиды объектов выборки и определения специальных вершин, имеющих наибольший объем самого понятия, а также и число определяющих ее вершин. Таким образом, расстановка контрольных вершин производится на основе имеющейся статистики и количества рецепторов, при этом не учитывается степень связанности понятия.
Для преодоления указанной проблемы введено два дополнительных показателя, используемых для повышения обоснованности решений при распознавании [5]:
1) сила связи между вершинами, определяемая с помощью нечетко-логического вывода, входными переменными для которого являются особенности построения сети (длина дуги, ее проводимость, количество альтернативных входящих и исходящих дуг, число исходов в супермножестве задействованных вершин);
2) значимость вершины, определяющая степень ее важности в процессе решения прямой задачи распознавания, для расчета которой аналогично используется нечетко-логический вывод со следующими входами:
• особенности построения сети (уровень вершины, число дуг в ее нулевых суб- и супермножествах, максимальная сила связи среди исходящих дуг);
• эвентуальность вершины, отражающая возможность ее возбуждения в результате возбуждения вершин нулевого субмножества, которая для рецептора всегда равна 1, а для концептора определяется по формуле
ж=Ха-¿а• в +Х а• ву■ вк-
>=1, j=i i * j
1=1, j=1,k=1 i * j ,i * k, j * k
-... + (-1)-1 Пв:,-в е [0,1],
1=1
где вг — сила связи для 7-й входящей дуги; п — число входящих дуг.
б
а
Существует множество алгоритмов проведения нечетко-логического вывода, позволяющего получать решения в условиях недостатка статистических данных с использованием экспертных знаний, которые подходят для различных теоретических и практических задач. Например, алгоритмы Сугено и Цукамото целесообразно применять только для количественных характеристик, а также для получения робастной оценки при несогласованной базе нечетких продукционных правил.
Как показывает анализ отечественных и зарубежных исследований, для работы с качественными и количественными характеристиками целесообразно использовать алгоритмы Мамдани и Ларсена. Широкое применение правила (тах-тт)-композиции обусловлено ассоциативностью и дистрибутивностью этой операции относительно max (алгоритм Мамдани), а правила (max-prod)-композиции — высокой чувствительностью даже к незначительным изменениям входных переменных в предпосылках нечетких продукционных правил (алгоритм Ларсена). Ввиду необходимости учета всех изменений структуры пирамидальной сети при расчете показателей «сила связи» и «значимость вершины» будем использовать алгоритм Ларсена.
Для построения функции принадлежности целесообразно использовать «метод на основе статистических данных». Так, в качестве степени принадлежности элемента некоторому множеству выступает оценка частоты использования понятия для его описания, задаваемая нечетким множеством. Сглаживание функций принадлежности производится за счет построения специальных матриц подсказок.
В системах нечетко-логического вывода по алгоритму Ларсена база нечетких продукционных правил будет строиться по следующему принципу:
где Х7 — 7-я входная переменная; N — число входных переменных; А^ - значение ¿-го
нечеткого терма 7-й входной переменной (¿7 = 1... Т); Т i — число нечетких термов 7-й входной переменной; У — выходная переменная; В1—значение 1-го нечеткого терма выходной переменной; Ы1 — число продукционных правил для 1-го нечеткого терма выходной переменной; Ь — количество нечетких термов выходной переменной;, © — идентифицируемая операция сложения (обозначает объединение), ® — идентифицируемая операция умножения (обозначает пересечение); wj — вес у-го продукционного правила, определяющий 1-й нечеткий терм выходной перемены,
ной (wJl е[0; 1], £wJl = 1).
у=1
Модификация обучения пирамидальных сетей приводит в необходимости внесения соответствующих изменений и в алгоритм распознавания, в рамках которого должны решаться две взаимно противоположные задачи:
1) «прямая», связанная с диагностикой элемента исследуемого объекта или его внешнего окружения на основе исследований, определяющих множество возбужденных рецепторов (восходящий просмотр сети);
2) «обратная», связанная с выявлением наиболее значимых рецепторов, формирующих конкретное состояние (нисходящий просмотр сети).
При решении прямой задачи процесс распознавания начинается с определения возбужденных рецепторов, которые представляют обобщенную характеристику набора индикативно-аналитических показателей, описывающих состояние различных элементов объекта и его внешнего окружения. Например, в процессе построения пирамидальной сети для диагностики кадрового потенциала предприятия могут применяться рецепторы, характеризующие производительность труда (низкая/запланированная/высокая), определяемую на основе набора показателей.
Для определения одного из возможных значений интегрального показателя можно использовать нейро-нечеткий классификатор ANFIS-сетей, который представляет со- [ 95 ]
бой нечеткую гибридную сеть [3; 10], состоящую из 5 слоев (рис. 4).
Так, на первый слой подаются значения выделенных показателей оценки производительности труда, которые определяются либо количественно (например, доля работников, не выполняющих нормы), либо экспертно с помощью ранговой шкалы (от 1 до 10) (например, качество условий труда). Количество нейронов первого слоя — 5.
Во втором слое для выделенных показателей устанавливается степень принадлежности к нечетким множествам (Н — «низкий», С — «средний», В — «высокий»), при этом термы задаются функцией Гаусса.
Третий слой реализует операции нечетко-логического «И» и «ИЛИ», при этом каждому узлу соответствует только одно нечеткое продукционное правило. В свою очередь, каждый
узел третьего слоя соединен с узлами второго слоя, формирующими антецеденты (условия) соответствующего правила. Выходом слоя является степень выполнения каждого правила.
В четвертом слое происходит агрегирование результатов выполнения нечетких продукционных правил.
В пятом слое выполняется сопоставление полученных значений функций принадлежности конкретного вида производительности труда с группами А, В и С (т. е. с ЦА, и ): производительность труда принадлежит той группе, чья функция принадлежности больше.
Непосредственно решение «прямой» задачи, связанной с определением состояния некоторого элемента, заключается в расчете для каждого исхода следующих характеристик:
1) кумулятивная возможность возникновения, последовательно рассчитываемая для
Рис. 4. Структура нейро-нечеткого классификатора, используемого для определения возбужденных рецепторов
Fig. 4. Structure of neuro-fuzzy classifier used to determine the excited receptors
каждой вершины при восходящем просмотре пирамидальной сети от возбужденных рецепторов к исходу:
m m
с=£ ащ - £ (в щ) • в щ)+...
,=1 1=1, ]=1 , * 3
т
... + (-1) т-1 П йг- Щ ,
1=1
где Qi — сила связи 1-й дуги, входящей в вершину; Щ — эвентуальность возбужденной вершины, из которой выходит 1-я дуга; т — число входящих в вершину дуг;
2) суммарная значимость исхода, обосновывающая выбираемое решение:
и = £(2* •К,)/£(2* • Ук),
*= 0 / *= 0
где * — коэффициент влияния, определяемый на основе значимости рассматриваемой вершины (И = {0,1,...,Н},Н < 6); Н — число интервалов на области определения значимости вершины; У* — суммарное число вершин с коэффициент влияния *, входящих в субмножество исхода; V* — количество возбужденных вершин из субмножества исхода с коэффициентом влияния *;
3) число возбужденных рецепторов, формирующих субмножество рассматриваемого исхода.
Поиск единственного решения осуществляется путем поэтапного сопоставления исходов по трем указанным показателям в приведенной последовательности (сравнение заканчивается в случае разницы в значениях выше заданного порога).
Решение «обратной» задачи заключается в определении весов рецепторов при нисходящем просмотре нечеткой пирамидальной сети. Они рассчитываются как сумма произведений силы связей дуг, задающих путь к рецептору, на эвентуальность вершин, в которые входят данные дуги (полученные значе-
ния нормируются в рамках конкретного исхода).
z = ¿&-W,
1=1
где Qi — сила связи 1-й дуги, задающей путь к рецептору; Wi — эвентуальность вершины, в которую входит 1 -я дуга; n — число дуг на пути от исхода к рецептору.
Программная реализация предложенных алгоритмов
Разработанные алгоритмы анализа достаточности возможности предприятия и благоприятности внешних условий для достижений поставленных целей инновационного проекта практически были реализованы в виде экспертно-диагностической системы, архитектура которой представлена на рис. 5.
Для проектирования и разработки экспер-тно-диагностической системы, реализующей предложенные методы интеллектуального анализа слабо структурированной информации, был выбран объектно-реляционный подход, который позволяет, с одной стороны, моделировать процессы на уровне объектной технологии, обеспечивая сохранение семантики, а с другой — применять возможности SQL для быстрого доступа к данным. В качестве инструментального средства его реализации использовалась СУБД Caché, позволяющая создавать высокопроизводительные Web-приложения (csp-страницы) и обеспечивать обмен данными посредством XML-стандарта с приложениями, решающими задачи нечетко-логического вывода (RSrt. exe и Vsign. exe) и нейро-нечеткой классификации (ANFIS. exe), разработанными в математическом пакете Matlab.
На рис. 6 представлена диаграмма классов, описывающая основные понятия предметной области в соответствии с ODMG-стандартом, в котором поведение объекта определяется методами, а состояние — значе-
Рис. 5. Диаграмма компонентов экспертно-диагностической системы
Fig. 5. Component diagram of expert-diagnostic system
ниями свойств (принципы определения классов в СУБД Caché приведены в листинге 1).
Одним из преимуществ выбранной гипертекстовой архитектуры экспертно-диагностической системы на основе аппарата нечетких пирамидальных сетей является возможность удаленного доступа. Непосредственно система будет размещена на корпоративном сервере предприятия, а в качестве клиентского приложения пользователями будет использоваться обычный Web -браузер. Такой подход значительно снижает предъявляемые к системе программно-аппаратные требова-
ния и делает интерфейс системы удобным, привычным и интуитивно-понятным для пользователя
Заключение
В качестве заключения перечислим полученные результаты.
1. Предложен концептуально новый подход к проведению диагностики достаточности внутренних ресурсов и накопленного потенциала промышленного предприятия, а также благоприятности внешних условий
Рис. 6. Диаграмма классов экспертно-диагностической системы
Fig. 6. Class diagram of expert-diagnostic system
для реализации инновационного проекта по созданию наукоемкой продукции, основанный на комплексном применении различных инструментов интеллектуального анализа слабоструктурированной информации.
2. Разработан экономико-математический аппарат, основанный на модификации растущих пирамидальных сетей путем использования алгоритмов нечеткой логики и гибридных сетей для учета сложных взаимосвязей между факторами и состояниями, который позволяет: • проводить диагностику различных элементов внутренней и внешней среды предприятия на основе комплексной оценки на-
бора количественных и качественных показателей (прямая задача);
• выявлять факторы, оказывающие наибольшее влияние на формирование определенного состояния для последующей разработки набора корректирующих мероприятий (обратная задача).
3. Разработана экспертно-диагностиче-ская система, реализующая предложенный экономико-математический аппарат, которая построена с использованием серверных страниц СУБД Caché, автоматически создаваемых по запросу клиентского Web-приложения. Для реализации нечетко-логического выво-
Листинг 1. Определение класса «Результаты исследования объекта»
Listing 1. Class Definition «The results of object research»
<Class name="Application.ObjectResults"> <Description> Результаты исследования</Description> <Super>%Persistent</Super>
<Property name="Incident">
<Description>Случай</Description> <Type>%Integer</Type> </Property>
<Property name="Index">
<Description>Показатель</Description> <Type>%Integer</Type> </Property>
<Property name="Ivalue">
<Description>Значение</Description> <Type>%Integer</Type> </Property> <Storage name="Default">
<Type>%Library.CacheStorage</Type> <DataLocation>AApplication. ObjectResultsD</DataLocation> <DefaultData> ObjectResultsDefaultData</DefaultData> <IdLocation>AApplication.ObjectResultsD</IdLocation> <IndexLocation>AApplication.ObjectResultsI</IndexLocation> <StreamLocation>AAppNcation.ObjectResultsS</StreairiLocation> <Data name=" ObjectResultsDefaultData"> <Structure>listnode</Structure> <Subscript/>
<Value name="T'><Value>%%CLASSNAME</Value></Value> <Value name="2"><Value>Incident</Value></Value> <Value name="3"><Value>Index</Value></Value> <Value name="4"><Value> lvalue </Value></Value> </Data> </Storage> <Method name="Input">
<ClassMethod>1</ClassMethod> <FormalSpec> cls1,cls2,cls3</FormalSpec> <ReturnType>%Status</ReturnType> <Implementation><![CDATA[
set writer=##class(%Application.ObjectResults).%New() set writer.Indent=1
........................... // далее следует описание метода
]]></Implementation> </Method> </Class>
да и нейро-нечеткой классификации используются специальные ехе-приложения, разработанные в математическом пакете ЫмЬаЪ, взаимодействие с которым осуществляется с помощью ХЫЬ-стандарта обмена данными.
4. Практическое использование разработанных методов предполагается в направлении создания систем поддержки принятия решений при создании наукоемкой продукции, в том числе в дорогостоящих наукоем-
ких отраслях, например в проектах по развитию крупномасштабных авиатранспортных предприятий, — в сочетании предложенного аппарата с другими современными моделирующими средствами [13].
Список литературы
1. Анфилатов В. С., Емельянов А. А., Кукушкин А. А. Системный анализ в управлении / под ред. А. А. Емельянова. М.: Финансы и статистика, 2009. — 368 с.
2. Багузова (Булыгина) О. В., ГоловинскаяМ. В., Чиче-рова Е. Ю. Анализ особенностей и выбор инструментов диагностики состояния сложных социально-экономических объектов промышленности // Научное обозрение. 2014. № 3. С. 165-168.
3. Бояринов Ю. Г., Стоянова О. В., Дли М. И. Применение нейро-нечеткого метода группового учета аргументов для построения моделей социально-экономических систем // Программные продукты и системы. 2006. № 3. С. 7.
4. Булыгина О. В., Емельянов А. А. Синергия и эволюция информационных систем в управлении холдингом // Прикладная информатика. 2016. Т. 11. № 2 (62). С. 85-98.
5. Булыгина О. В., Селявский Ю. В., Офицеров А. В. Диагностика реализации инновационных проектов с использованием нечетко-сетевых иерархических моделей // Путеводитель предпринимателя. 2015. Выпуск XXVII. С. 96-104.
6. Гладун В. П. Растущие пирамидальные сети — организация памяти интеллектуальных сетей // Штуч-ний штелект. 2003. № 3. С. 70-77.
7. Дли М. И., Какатунова Т. В. О перспективах создания технопарковых структур сетевого типа // Инновации. 2008. № 2. С. 118-120.
8. Емельянов А. А., Шильникова О. В., Емельянова Н. З. Моделирование процесса поддержки работоспособности развивающейся АСУ // Прикладная информатика. 2015. Т. 10. № 5 (59). С. 93-108.
9. Зайцев А. В. Особенности функционирования высокотехнологичного предприятия в инновационной экономике // Вопросы инновационной экономики. 2014. № 1 (15). С. 21-35.
10. Мешалкин В. П., Дли М. И., Гимаров В. А. Динамическая классификация сложных технологических систем. Методы, алгоритмы и практические результаты. М.: Физматлит, 2006. — 344 с.
11. Мешалкин В. П., Стоянова О. В., Дли М. И. Управление проектами в сфере нанотехнологий: особенности и возможности их учета // Теоретические основы химической технологии. 2012. Т. 46. № 1. С. 56.
12. Саркисов П. Д., Стоянова О. В., Дли М. И. Принципы управления проектами в сфере наноинду-стрии // Теоретические основы химической технологии. 2013. Т. 47. № 1. С. 36.
13. Яркова О. Н. Имитационное моделирование системы обслуживания пассажиров вылетающих рейсов на примере аэропорта «Оренбург» // Прикладная информатика. 2016. Т. 11. № 4 (64). С. 103 - 114.
14. Gladun V., Vashchenko N. Analytical processes in pyramidal networks // International journal on information theories & applications. 2000. Vol. 7. P. 103-109.
15. Gladun V., Velychko V., Ivaskiv Yu. Selfstructurized systems // International Journal on information theories & applications. 2008. Vol. 15. P. 5-13.
References
1. Anfilatov V. S., Emel'yanov A. A., Kukushkin A. A. Sistemnyi analiz v upravlenii. Pod red. A. A. Emel'ya-nova. [System analysis in the management. Edited by A. A. Emelyanov]. Moscow, Finansy i statistika Publ., 2009. 368 p.
2. Baguzova (Bulygina) O. V., Golovinskaya M. V., Chicherova E. Yu. Analysis of specific features and choice of tools for diagnosing the condition of complex socio-economic industrial objects. Nauchnoe oboz-renie — Science Review, 2014, no. 3, pp. 165-168 (in Russian).
3. Boyarinov Yu. G., Stoyanova O. V., Dli M. I. Prim-enenie neiro-nechetkogo metoda gruppovogo ucheta argumentov dlya postroeniya modelei sotsial 'no-eko-nomicheskikh sistem [The use of a neuro-fuzzy method of group argument account for the construction of socio-economic system models]. Programmnye produk-ty i sistemy — Program products and Systems, 2006, no. 3, p. 7.
4. Bulygina О. V., Emelyanov A. A. Synergy and evolution of information systems in the management of the holding. Prikladnaya Informatika — Journal of Applied Informatics, 2016, vol. 11, no. 2 (62), pp. 85 - 98 (in Russian).
5. Bulygina O. V., Selyavsky Yu. V., Oficerov A. V. Diagnostics of the innovative project implementation using fuzzy network hierarchical models. Putevoditel' Pred-prinimatelya — Entrepreneur guide, 2015, vol. XXVII, pp. 96-104 (in Russian).
6. Gladun V. P. Rastushchie piramidal'nye seti — orga-nizatsiyapamyati intellektual'nykh setei [Growing pyramidal network — the organization of the memory of intelligent networks]. Shtuchnii intelekt—Artificial Intelligence, 2003, no. 3, pp. 70-77.
7. Dli M. I., Kakatunova T. V. O perspektivakh sozdani-ya tekhnoparkovykh struktur setevogo tipa [About the prospects of creating technopark structures of net-
work type]. Innovatsii — Innovation, 2008, no. 2, pp. 118-120.
8. Emelyanov A. A., Shil'nikova O. V., Emelyano-va N. Z. Modelling of developing information management system and supporting of its working ability. Prikladnaya Informatika — Journal of Applied Informatics, 2015, vol. 10, no. 5 (59), pp. 93-108 (in Russian).
9. Zaitsev A. V. Osobennosti funktsionirovaniya vyso-kotekhnologichnogo predpriyatiya v innovatsionnoi ekonomike [Features of high-tech enterprises functioning in the innovative economy]. Voprosy Innovatsionnoi Ekonomiki — Issues of innovative economy, 2014, no. 1 (15), pp. 21-35.
10. Meshalkin V. P., Dli M. I., Gimarov V. A. Dinamiches-kaya klassifikatsiya slozhnykh tekhnologicheskikh sistem. Metody, algoritmy i prakticheskie rezul'taty [Dynamic classification of complex technological systems. Methods, algorithms and practical results]. Moscow, Fizmatlit Publ., 2006. 344 p.
11. Meshalkin V. P., Stoyanova O. V., Dli M. I. Project management in the nanotechnology industry: specifics and possibilities of taking them into account. Theoretical Foundations of Chemical Engineering, 2012, vol. 46, no. 1, pp. 50-54.
12. Sarkisov P. D., Stoyanova O. V., Dli M. I. Principles of project management in the field of nanoindustry. Theoretical Foundations of Chemical Engineering, 2013, vol. 47, no. 1, pp. 31-35.
13. Yarkova O. N. Simulation of passenger service system departing flights from airport (AP Orenburg's for example). Prikladnaya Informatika — Journal of Applied Informatics, 2016, vol. 11, no. 4 (64), pp. 103 - 114 (in Russian).
14. Gladun V., Vashchenko N. Analytical processes in pyramidal networks. International journal on information theories & applications, 2000, vol. 7, pp. 103-109.
15. Gladun V., Velychko V., Ivaskiv Yu. Selfstructurized systems. International Journal on information theories & applications, 2008, vol. 15, pp. 5-13.
O. Bulygina, Branch of National Research University «MPEI» in Smolensk, Russia, baguzova_ov@mail.ru
Analysis of the feasibility of innovative projects for creating high technology products: the algorithms and instruments
Today, development of Russian economy is inseparably connected with the application of high technologies and the practical introduction of radical innovations. In managing the project to create hightech products analysis of its implementation prospects plays an important role. It should be based on assessing the sufficiency of the internal resources and the accumulated potential of the enterprise, the favorable external conditions. The specific features of innovative activities, related to the statistics lack, have necessitated the usage of data mining techniques. In the article it's suggested the economic and mathematical apparatus for the diagnosis of various elements of internal and external enterprise environment, based on the modified algorithms of growing pyramidal networks. The modification is involved using the fuzzy logic methods to find reasonable single decision under the conditions of uncertainty. The fuzzy inference algorithms are applied to calculate the connection power between the factors and conditions and the vertex significance. The neuro-fuzzy classifier is used to get an aggregate assessment of the various indicators — the characteristics of internal and external enterprise environment. These methods are implemented as the expert-diagnostic system, which is built using the server pages of database Caché and tools of mathematical package MatLab. It is expected that the application of the described tools will enhance the validity of accepted decisions and reduce the errors in the initial stages of the project lifecycle.
Keywords: innovative project management, high-tech products, diagnostics of internal and external environment of the enterprise, fuzzy pyramidal networks, fuzzy logic, expert diagnostic system.
About authors: O. Bulygina, PhD in Economics, Associate Professor
For citation: Bulygina O. Analysis of the feasibility of innovative projects for creating high technology products: the algorithms and instruments. Prikladnaya Informatika — Journal of Applied Informatics, 2016, vol. 11, no. 4 (64), pp. 87 - 102 (in Russian).
