АВТОМАТИЗАЦИЯ РЕШЕНИЯ КЛАССИЧЕСКОЙ ЗАДАЧИ ПАРКИНСОНА «О РОСТЕ К АБИНЕТОВ» ПУТЕМ ОПТИМАЛЬНОГО ПОДБОРА ЛИЦ, ПРИНИМАЮЩИХ РЕШЕНИЯ

Афанасьев Михаил Анатольевич

АВТОМАТИЗАЦИЯ РЕШЕНИЯ КЛАССИЧЕСКОЙ ЗАДАЧИ ПАРКИНСОНА «О РОСТЕ КАБИНЕТОВ» ПУТЕМ ОПТИМАЛЬНОГО ПОДБОРА ЛИЦ, ПРИНИМАЮЩИХ РЕШЕНИЯ

AUTOMATING THE SOLUTION OF THE CLASSICAL PARKINSON'S PROBLEM “ABOUT THE GROWTH OF OFFICES” BY OPTIMAL SELECTION OF DECISION MAKERS

АФАНАСЬЕВ Михаил Анатольевич

Доцент Базовой кафедры цифровой экономики Института развития информационного общества ФГБОУ ВО «Российский экономический университет им. Г.В. Плеханова», кандидат экономических наук, доцент

Mikhail A. AFANASEV

Associate Professor of the Basic Department of Digital Economy at the Institute of Information Society Development of the Plekhanov Russian University of Economics, Associate Professor

АННОТАЦИЯ

Статья рассматривает проблему управления затратами, связанными с подбором лица, принимающего решение, или группы лиц. Решение учитывает такие параметры как срочность, важность задач и сопряжено с потребностью в квалифицированных кадрах при ограничении затрат на принятие решения. Предлагается использовать подсистему СППР, реализующую функцию подбора ЛПР. Положенный в основу подсистемы алгоритм задействует потенциал безлюдных технологий принятия решений, функционирующих на основе исторических данных о ранее принятых ЛПР решений. Логика и эффективность работы подсистемы показана на примере решения классической задачи «о росте кабинетов».

ABSTRACT

The article considers the problem of managing the costs associated with the selection of a decision maker or a group of decision makers. The decision takes into account such parameters as urgency, importance of tasks and involves the need for qualified personnel while limiting the cost of decision making. It is proposed to use the SPPR subsystem, which realizes the function of selecting the LPR. The algorithm underlying the subsystem utilizes the potential of unmanned decision-making technologies that function on the basis of historical data on the decisions previously made by the LPR. The logic and efficiency of the subsystem's operation is shown on the example of solving the classical problem "about the growth of offices".

КЛЮЧЕВЫЕ СЛОВА

Безлюдные технологии принятия решений, затраты на принятие решений, система поддержки принятия решений, оптимизация подбора кадров.

KEYWORDS

Unmanned decision-making technologies, decision costs, decision support system, recruitment optimization.

ВВЕДЕНИЕ

В рамках управления затратами организации устойчивое и жизнеспособное управление принятием решений признано стратегическим направлением «зеленой экономики». Исследователи едины во мнении, что проекты «зеленой экономики» находятся в условиях повышенной неопределенности. Предлагаемые векторы решений при этом различны – отличается методологическая база, предлагаемый инструментарий, контур внедрения решений – от импульса в оперативном контуре решений организации (Multiple Criteria Decision-Making (MCDM) [1], Sustainable Operations Management (SOM) [2], Technique for Order Preference by Similarity to Ideal Solutions (TOPSIS) [3]) до целеполагания на уровне постановки стратегии странового или отраслевого развития (Quintuple Helix model [4], Conservation of resources (COR) Theory [5]). Приведенные примеры исследований дают представление о разнообразии решений, при этом следует отметить, что реферативные обзоры, предназначенные для обобщения результатов исследований по такой предметной области как «зеленая экономика», также отличаются и охватом данных, и методологическим разнообразием [6, 7].

Если же отвечать на вопрос, что объединяет исследования, то отметим, что все предлагаемые в качестве научных результатов решения задействуют управление жизненным циклом продукта, актуализируя потребность во внедрении парадигмы циркулярной экономики. Ведь когда организация в полной мере осознает, что источником ее будущего благосостояния является разумное управление ресурсами сейчас и отказывается от линейного процесса производства, на помощь должны прийти эффективные интеллектуальные решения. Реализуемые в данной парадигме «зеленые проекты» нацелены на проактивное управление в системе замкнутого цикла. Это стимулирует внедрение подходов, которые не позволяют принимать решения, если их польза ограничивается краткосрочной перспективой.

Это, на первый взгляд, бесспорное утверждение сталкивается с природой самого процесса принятия решений. Нечеткость и неопределенность, как явления, характеризующие данный процесс, нуждаются в применении математического аппарата, который работает с трудно предсказуемыми и трудно формализуемыми факторами. Особенную сложность вызывает работа с человеческим фактором при принятии решений. Здесь практически неприменима классическая теория информации, в которой справедлива бинарная логика принадлежности элемента данных общему множеству. Перспективным подходом видится применение обобщенной теории информации [8], которая дает понятие нечеткого множества, все элементы которого принадлежат ему с условной степенью вероятности. В прикладном аспекте применение положений обобщенной теории информации сталкивается с серьезным ограничением – низкая валидность результатов прогнозирования при недостатке исторических данных и их низком качестве. На данный момент это ограничение существенно для всех инструментов аналитики данных, которое следует учитывать и стремиться преодолеть путем накопления оцифрованных данных и их обработки.

В этой связи разумно использовать преимущества обобщенной теории информации при построении алгоритмов применения безлюдных технологий принятия решений, способных эффективно обработать накопленные исторические данные в отдельной организации для снижения затрат на принятие решений. Возможности таких алгоритмов должны способствовать снижению неопределенности при принятии решений. В качестве точки приложения силы в данном исследовании определен один из сегментов процесса принятия решений – подбор лиц, принимающих решения (ЛПР).

Константой науки управления является тезис о том, что эффективное распределение задач между ЛПР, способствует созданию стоимости продукта. При этом философия «зеленых проектов» определяет минимизацию затрат и снижение рисков как производные эффекты от приоритизации задач [9]. На высоком уровне абстракции приоритетами признаются срочность и важность, частные параметры которых задают правила распределения задач между ЛПР. Очевидно, что процессы устойчивого и жизнеспособного подбора ЛПР требуют интеграции множества критериев, эффективной координации действий руководства и адаптации к изменениям внутреннего и внешнего контура организации [10, 11].

Несмотря на очевидность требований к подбору ЛПР, традиционные методы управления распределением задач опираются на интуитивный менеджмент, в основе которого лежит экспертная оценка. Такие методы не имеют надежного механизма проверки решений и излишне фокусируются на текущей ситуации и краткосрочных целях, что входит в противоречие с философией «зеленых проектов». Причиной ограниченности традиционных методов является сложность в повышении точности прогнозирования, недостатке или накопленной ошибке исторических данных, используемых для распределения задач. Но основной сложностью является нечувствительность результата прогнозирования к проявлениям человеческой природы – эмоциональному интеллекту, психосоматическим реакциям, которые оказывают влияние на процесс подбора ЛПР и интерпретацию результата выполнения поставленной задачи.

Все это приводит к ограничению возможностей для принятия проактивных управленческих решений в условиях неопределенности. Актуализируется запрос к разработке и внедрению научно обоснованных инструментов распределения задач, способных обойти или учесть указанные ограничения и реализовать потенциал «зеленых проектов» как в экономическом аспекте за счет снижения затрат в стоимости продукта, так и управленческом аспекте за счет ответственного управления человеческими ресурсами организации.

ЦЕЛЬ

В данном исследовании цель состояла в демонстрации и представлении преимуществ автоматизированного подхода к подбору ЛПР, на основе которого осуществляется поддержка принятия решений и реализация интеллектуального, адаптивного процесса распределения задач в динамичной и сложной среде функционирования организации. Автоматизированный подход подбора ЛПР реализован в составе системы поддержки принятия решений (далее – СППР) и использует качественные исторические данные о решениях, ранее принятых ЛПР в организации. Подход включает интерпретацию оценки эффективности ранее принятых ЛПР решений и сопоставляет результат этой оценки с требованиями новых распределяемых задач по критериям срочности, важности заданий и достаточного уровня квалификации ЛПР. Алгоритм, выполняемый в СППР, автоматизирует задачи подбора ЛПР, которые переданы безлюдным технологиям принятия решения (БТПР) [12].

Задачей исследования была определена проверка способности решения по автоматизации подбора ЛПР преодолеть ограничения, связанные с влиянием человеческого фактора на процесс распределения задач. Решение поставленной задачи опиралось на математический аппарат нечеткой логики и математического программирования. Работа математического аппарата показана на примере решения классической задачи «о росте кабинетов» С. Паркинсона.

Программная реализация автоматизированного подхода подбора ЛПР предполагает использование в составе перспективной СППР отдельной подсистемы по подбору ЛПР (далее – ПЛПР или подсистема) [13]. В качестве перспективной СППР, то есть находящейся на этапе проектирования и не введенной в настоящее время в промышленную эксплуатацию, автор предлагает рассматривать такую СППР, которая представлена сгруппированными в подсистемы модулями и предполагает интеграцию подсистем принятия решений безлюдными технологиями (ПРБТ) и передачу части задач на выполнение БТПР.

Алгоритм функционирования подсистемы задействует накопленные в организации качественные исторические данные для стратификации распределяемых задач между ЛПР, группами ЛПР по критериям важности и срочности, набору компетенций. Оптимальность результата подбора ЛПР (группы ЛПР) достигается за счет минимизации затрат на принятие решения и снижения уровня неопределенности процесса распределения задач. Применение в алгоритме подсистемы качественных исторических данных об эффективных решениях обеспечивает не только обоснованность подбора ЛПР, но и реализует надежный механизм проверки оценки эффективности работы ЛПР для организации движения кадров в организации.

МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

Для демонстрации возможности применения предложенной подсистемы подбора ЛПР воспользуемся классическим примером действия эмпирического закона С. Паркинсона, известного как «закон роста кабинетов» [14].

Генезис ситуации С. Паркинсон описывает следующим образом:

Некий чиновник А жалуется на перегрузку. В данном случае неважно, кажется это ему или так оно и есть; заметим, однако, что ощущения А (истинные или мнимые) могут порождаться и упадком сил, неизбежным в среднем возрасте. Выхода у него три. Он может уйти; он может попросить себе в помощь чиновника В; он может попросить двух подчиненных, С и D. Как правило, А избирает третий путь. Уйдя, он утратил бы право на пенсию. Разделивши работу с равным ему В, он рискует не попасть на место W, когда оно наконец освободится. Так что лучше иметь дело с двумя подчиненными. Они придадут ему весу, а он поделит работу между ними, причем только он один будет разбираться и в той, и в другой категории дел. Заметьте, что С и D практически неразлучны. Нельзя взять на службу одного С. Почему же? Потому что он разделил бы работу с A и стал бы равен ему, как отвергнутый В, и даже хуже, он метил бы на место А. Итак, подчиненных должно быть не меньше двух, чтобы каждый придерживал другого, боясь, как бы тот его не обскакал. Когда на перегрузку пожалуется С (а он пожалуется), А с его согласия посоветует начальству взять и ему двух помощников. Чтобы избежать внутренних трений, он посоветует взять двух и для D. Теперь, когда под его началом служат еще и E, F, G, H, продвижение А по службе практически обеспечено.

Работу созданной структуры Паркинсон описывает следующими словами: «Любая бумага должна предстать перед каждым. Е решает, что она входит в ведение F, F набрасывает ответ и дает его С, С смело правит его и обращается к D, a D – к G. Однако G собрался в отпуск и передает дело H, который снова пишет все начерно за подписью D и вручает бумагу С, а тот в свою очередь просматривает ее и кладет в новом виде на стол А. Он внимательно читает документ, вычеркивает неудачные абзацы, привнесенные С и H , и возвращает его к тому виду, который̆ был избран изначально разумным (хотя и склочным) F. Правит он и стиль – никто из этих юнцов языка своего толком не знает, – и в результате мы видим тот вариант, который создал бы A, если бы С, D, Е, F, G и H вообще не родились. Но вариант этот создал множество людей, и ушло на него не мало времени».

При применении СППР с подсистемой ПЛПР к описанной задаче получаем следующее:

Задача x поставлена чиновнику А и его команде.

В «Подсистеме принятия решения безлюдными технологиями» задача x относится к типу ψ_p, и, в случае если возможно принятие решения без привлечения ЛПР, передается БТПР [11]. В противном случае, если недостаточно исторических данных, либо по другим причинам передача на решение БТПР невозможна, необходимо осуществить подбор ЛПР для выполнения задачи x, отнесенной к типу ψ_p.

В «Модуле определения перечня достаточных компетенций ЛПР» на основе исторических данных о ЛПР, успешно принимавших решения по типу задачи ψ_p, предлагается трёхэтапный алгоритм формирования множества компетенций необходимых и достаточных для решения задач, входящих в подмножество X_(ψ_p ).

На первом этапе формируется множество всех компетенций путем объединения компетенций, имеющихся у ЛПР, успешно принимавших решения по типу задачи ψ_p:

C_(H_(ψ_p ) )=⋃_(u=1)^(|H_(ψ_p ) |)▒C_(h_(ψ_p)^u ) ,u=(1,|H_(ψ_p ) |) ̅,

где: C_(h_(ψ_p)^u ) – множество компетенций ЛПР, успешно принимавшего решение по задачам, принадлежащим типу ψ_p.

|H_(ψ_p ) | – мощность множества H_(ψ_p ).

Для формирования множества необходимых компетенций, не содержащего избыточные компетенции, с одной стороны, и содержащего все необходимые компетенции, учитывая вероятность недостоверности, ошибки в анализируемых данных, на втором и третьем этапах используется математический инструментарий нечетких множеств.

На втором этапе формируется нечеткое множество C_(H_(ψ_p ))^', которое содержит в себе информацию обо всех компетенциях ЛПР, успешно принимавших решения по задачам, принадлежащим типу ψ_p, и частотах их использования:

C_(H_(ψ_p ))^'=∑_(l=1)^|C_(H_(ψ_p ) ) |▒〖μ_(C_(H_(ψ_p ) ) (с_(h_(ψ_p)^u)^l))/с_(h_(ψ_p)^u)^l,〗

где: с_(h_(ψ_p)^u)^l- компетенция ЛПР, успешно принимавших решения по задачам, принадлежащим типу ψ_p, идентифицируемый по индексу l=(1,|C_(H_(ψ_p ) ) | ) ̅.

|C_(H_(ψ_p ) ) | - мощность множества C_(H_(ψ_p ) ).

На третьем этапе определяется множество C_(H_(ψ_p ))^'', являющееся множеством α-уравня, состоящее из множества необходимых и достаточных компетенций:

C_(H_(ψ_p ))^''=∑_(α∈C_(H_(ψ_p ))^')▒〖α〖C_(H_(ψ_p ))^'〗^α 〗

Определение конкретного значения α выходит за рамки настоящего исследования и может быть вычислено различными методами, например, с использованием правила трех сигм.

Таким образом, условием успешного принятия решения по задаче, принадлежащей к типу ψ_p, является обладание множеством компетенций C_(H_(ψ_p ))^''. Этому условию может удовлетворять как отдельный ЛПР, так и их группа.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Соотнося сделанное утверждение с постулатами эмпирического закона

С. Паркинсона, известного как «закон роста кабинетов» [16], можно вывести гипотезу о возможности снижения транзитного уровня управления за счет автоматического распределения задач между сформированными группами ЛПР, члены которых суммарно обладают достаточным множеством компетенций для успешного принятия решения по задаче, принадлежащей к типу ψ_p. Работа ПЛПР в составе СППР нового вида позволяет исключить из процесса принятия решения по задачам тех ЛПР, которые осуществляют распределение задач между подчиненными ЛПР, но не принимают решения по существу.

В «Модуле формирования множества групп ЛПР» осуществляется создание множества возможных групп из доступных ЛПР.

Из всего доступного субъекту экономической деятельности множества ЛПР Y, определяемого формулой:

Y={y_1,…,y_q }, при y_j, j=(1,q) ̅,

где q – количество доступных субъекту экономической деятельности ЛПР;

возможно формирование множества групп:

G={G_1,…,G_ξ },

где ξ – количество возможных наборов.

Каждая группа G_ω представляет собой множество ЛПР:

G_ω={g_ω^1,…,g_ω^δ },δ=(1,q) ̅.

При этом множество G_ω может состоять из ЛПР g_ω^k,k=(1,δ) ̅, входящих в множество Y. Частными случаями G_ω являются группы, состоящие из одного ЛПР, и группа, состоящая из всех ЛПР, которые могут быть привлечены субъектом экономической деятельности для решения задач:

G_ω⊆Y.

Среди множества групп G_ω возможны группы, члены которых суммарно не обладают достаточным множеством компетенций для успешного принятия решения по задаче, принадлежащей к типу ψ_p.

Всего получаем 127 групп, состоящих из 1-7 сотрудников, начиная от группы в составе одного A и завершая группой, включающей ACDEFGH. В связи с размером полученного множества с одной стороны, и очевидностью его содержания, с другой, оно не приводится.

В «Модуле отбор групп ЛПР, обладающих достаточными компетенциями» осуществляется отбор групп ЛПР, способных принять качественное решение по задаче x. Формируем подмножество G^' множества G.

Подмножество G^' множества G состоит из групп, обладающих достаточным для решения задач, относящихся к типу ψ_p, набором компетенций, при соблюдении следующих условий:

G^'={G_1^',…,G_σ^' },σ=(1,ξ) ̅,

при C_(G_γ^' )⊇C_(H_(ψ_p ) ),γ=(1,σ) ̅,

где: C_(G_γ^' ) - множество компетенций ЛПР, входящих в группу G_γ^'.

При этом множество компетенций C_(G_γ^' ) является достаточным для решения задач, относящихся к типу ψ_p:

G_γ^'={g_γ^'1,…,g_γ^'δ },

где: g_γ^'k – ЛПР, входящие в множество Y, которые могут быть привлечены субъектом экономической деятельности к решению задач и обладают достаточным набором компетенций для этого индивидуально (группа из одного человека) или в составе группы G_γ^'.

В рассматриваемом примере, исходя из предоставленной Н. Паркинсоном информации, G^' содержит 53 группы (Таблица 1).

Таблица 1.

Группы сотрудников, обладающих достаточными компетенциями

№ Состав группы № Состав группы № Состав группы № Состав группы № Состав группы

1 A 12 AFH 23 ADEF 34 ACDEH 45 ADFGH

2 AF 13 AGH 24 ADEG 35 ACDFG 46 AEFGH

3 AG 14 ACDE 25 ADFG 36 ACDFH 47 ACDEFG

4 ACD 15 ACDF 26 ADFH 37 ACDGH 48 ACDEFH

5 ACF 16 ACDG 27 ADGH 38 ACEFG 49 ACDEGH

6 ACG 17 ACDH 28 AEFG 39 ACEFH 50 ACDFGH

7 ADF 18 ACEF 29 AEFH 40 ACEGH 51 ACEFGH

8 ADG 19 ACEG 30 AEGH 41 ACFGH 52 ADEFGH

9 AEF 20 ACFG 31 AFGH 42 ADEFG 53 ACDEFGH

10 AEG 21 ACFH 32 ACDEF 43 ADEFH Х Х

11 AFG 22 ACGH 33 ACDEG 44 ADEGH Х Х

В «Модуле отбор групп ЛПР, удовлетворяющих по параметру занятости» производится формирование подмножества групп ЛПР, обладающих достаточным для решения задачи набором компетенций и способных разрешить задачу x в допустимый срок. Конкретных временных параметров в своем примере Паркинсон не указывает, однако приводит данные о том, что G – уходит в отпуск, поэтому он не может выполнить поставленную задачу. Участие А является величиной постоянной и в расчетах не учитывается. Опираясь на эти ограничения и введя допущения о том, что трудоемкость всех 3 стадий разрешения задачи известны и равны между собой, в сумме составляют 1 временную единицу, сформируем подмножество G^'' подмножества G^' состоящее из групп, обладающих достаточным для разрешения задачи набором компетенций и способных разрешить задачу x в допустимый срок. В рассматриваемом примере G^''содержит 20 групп (Таблица 2).

Таблица 2.

Группы сотрудников, обладающих достаточным для разрешения задачи набором компетенций и способных разрешить задачу x в допустимый срок

№ Состав группы № Состав группы

1 AF 11 ACFH

2 ACD 12 ADEF

3 ACF 13 ADFH

4 ADF 14 AEFH

5 AEF 15 ACDEF

6 AFH 16 ACDEH

7 ACDE 17 ACDFH

8 ACDF 18 ACEFH

9 ACDH 19 ADEFH

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

10 ACEF 20 ACDEFH

В «Модуле подбора группы ЛПР по параметру минимизации затрат» производится расчет затрат на разрешение задачи x каждой группой, из подмножества групп ЛПР, обладающих достаточным для решения задачи набором компетенций и способных разрешить задачу x в допустимый срок, и выбор группы, удовлетворяющей условию минимизации затрат на принятие решения.

ОБСУЖДЕНИЕ

Затраты на принятие решений группой ЛПР складывается из затрат на всех ЛПР, входящих в группу, исходя из времени их задействования и стоимости единицы трудозатрат:

s_(x_i)^(G_λ^'' )= ∑_(k=1)^(|G_λ^'' |)▒〖P_(g_λ^''k ) (τ_(x_i)^1+τ_(x_i)^2+〗 τ_(x_i)^3),∀λ, (32)

где: s_(x_i)^(G_λ^'' ) - затраты на принятие решений группой G_λ^'' по задаче x_i.

P_(g_λ^''k ) - стоимость единицы времени ЛПР g_λ^''k, в ходящего в группу G_λ^'.

|G_λ^'' | - мощность множества G_λ^''.

Допустим, что ставка оплаты труда А составляет 1 денежную единицу в единицу времени, C, D – 0,9 денежной единицы в единицу времени, E, F, G, H – 0,8 денежной единицы в единицу времени. Произведя соответствующие расчеты сформируем множество стоимостей G_^'''и найдя минимальное значение, например с использованием алгоритма сортировки Хоара (Quicksort), получаем результат, состоящий в том, что оптимальным вариантом группы, которая может разрешить задачу x является группа, состоящая A и F. (Таблица 3).

Таблица 3.

Затраты на разрешение задачи x

№ Состав группы Стоимость № Состав группы Стоимость

1 AF 1,8 11 ADFH 3,5

2 AEF 2,6 12 ACDE 3,6

3 AFH 2,6 13 ACDF 3,6

4 ACF 2,7 14 ACDH 3,6

5 ADF 2,7 15 ACEFH 4,3

6 ACD 2,8 16 ADEFH 4,3

7 AEFH 3,4 17 ACDEF 4,4

8 ACEF 3,5 18 ACDEH 4,4

9 ACFH 3,5 19 ACDFH 4,4

10 ADEF 3,5 20 ACDEFH 5,2

Затраты этой группы составляют 1,8 денежных единиц. У всех остальных групп, которые могут разрешить задачу x затраты выше, их значения варьируются от 2,6 денежной единицы до 5,2 денежной единицы. Полученный результат с одной стороны подтверждает вывод Паркинсона, состоящий в том, что положительный эффект от работы А достижим путем предоставления ему одного подчиненного, с другой стороны демонстрирует возможность применения предложенного алгоритма для оптимизации затрат путем исключения из процессов принятия решений сотрудников относящихся к транзитному уровню управления. Учитывая наличие в большинстве существующих информационных систем поддержки принятия решений функционалов контроля за объемом выполняемой работы, предлагаемая подсистема подбора ЛПР позволит получить синергетический эффект, состоящий в выявлении сотрудников не привносящих существенный вклад в выполнение бизнес-процессов субъекта экономической деятельности.

ЗАКЛЮЧЕНИЕ

В статье рассмотрена проблема управления затратами, связанными с подбором лица, принимающего решение, или группы лиц. Специфика, определяющая сложность решения данной проблемы, состоит в необходимости учета компетентности лиц для выполнения задачи в сопряжении с такими факторами, как срочность, важность задачи и при условии минимизации затрат на принятие решения. Как доказывает исследование помощь в решении проблемы обеспечивает применение безлюдных технологий принятия решений. Основанные на исторических данных алгоритмы формируют варианты оптимизации затрат на подбор ЛПР с учетом указанных факторов. Это позволяет не только сократить прямые затраты, но и снизить значимость неявных знаний, которые поддаются автоматизации со множественными ограничениями, но при этом во многом определяют эффективность бизнес-процессов. Предлагаемая к использованию в перспективных СППР подсистема подбора ЛПР продемонстрировала свою эффективность на примере решения классической задачи С. Паркинсона «о росте кабинетов», выбранной в качестве иллюстрации влияния человеческого фактора при управлении проектами. Доведенная до уровня абсурда последовательность действий с подбором лиц, принимающих решения, представленная в задаче «о росте кабинетов», как нельзя лучше описывает пространство вариантов для ситуаций формата «что еще может пойти не так». При том, что все варианты соответствуют человеческой логике, возникает однозначное понимание неконтролируемого роста затрат на подбор ЛПР. Поэтому задача «о росте кабинетов» квалифицируется как нестареющая классика бизнес-задач, не имеющих прямого решения и требующих нетривиальных методов. Предлагаемая подсистема подбора ЛПР решает эту задачу, используя качественные исторические данные. При их наличии задействованный в подсистеме алгоритм обеспечит варианты подбора ЛПР, группы ЛПР (в частном случае состоящей из одного ЛПР), обладающей достаточным для решения задачи набором компетенций, способной выполнить задачу в допустимый срок и удовлетворяющей условию минимизации затрат на принятие решения.

Библиографический список

Wang, Q. Interpretable decision-making model with uncertain weights for sustainable digital economy / Q. Wang // Advanced Engineering Informatics. – 2024. – Volume 60. – 102359. – DOI 10.1016/j.aei.2024.102359.

Behl, A. Analysis of Industry 4.0 and circular economy enablers: A step towards resilient sustainable operations management / A. Behl, R. Singh, V. Pereira, B. Laker // Technological Forecasting and Social Change. – 2023. – Volume 189. – 122363. – DOI 10.1016/j.techfore.2023.122363.

Zhou, F. A hybrid group decision-making approach involving Pythagorean fuzzy uncertainty for green supplier selection / F. Zhou, T.-Yu Chen // International Journal of Production Economics. – 2023. – Volume 261. – 108875. – DOI 10.1016/j.ijpe.2023.108875.

Pamučar, D. A decision analysis model for smart mobility system development under circular economy approach / D. Pamučar, G. Durán-Romero, M. Yazdani, A. M. López // Socio-Economic Planning Sciences. – 2023. – Volume 86. – 101474. – DOI 10.1016/j.seps.2022.101474.

Gupta, A. Green human resource management and work engagement: Linking HRM performance attributions / A. Gupta, S. Jangra // Sustainable Futures. –2024. – Volume 7. – 100174. – DOI 10.1016/j.sftr.2024.100174.

Dyckhoff, H. Integrating multiple criteria decision analysis and production theory for performance evaluation: Framework and review / H. Dyckhoff, R. Souren // European Journal of Operational Research. – 2022. – Volume 297. – Issue 3. – pp. 795–816. – DOI 10.1016/j.ejor.2021.05.046.

Rejeb, A. Modeling enablers for blockchain adoption in the circular economy / A. Rejeb, S. Zailani, K. Rejeb, H. Treiblmaier, J. G. Keogh // Sustainable Futures. – 2022. – Volume 4. – 100095. – DOI 10.1016/j.sftr.2022.100095.

Klir G., Wierman M. J. Uncertainty-Based Information Elements of GIT. – Berlin: Springer-Verlag, 1999. – 168 p.

Gao, X. Multiple-stakeholders’ game and decision-making behaviors in green management of megaprojects / X. Gao, S. Zeng, R. Zeng, J. J. Shi, R. Song // Computers Industrial Engineering. – 2022. – Volume 171. – 108392. – DOI 10.1016/j.cie.2022.108392.

Yamoah, Fr. A. Demystifying corporate inertia towards transition to circular economy: A management frame of reference / Fr. A. Yamoah, U. Sivarajah, K. Mahroof, Iker González Peña // International Journal of Production Economics. – 2022. – Volume 244. – 108388. – DOI 10.1016/j.ijpe.2021.108388.

Yang, J. Strategic flexibility, green management, and firm competitiveness in an emerging economy / J. Yang, F. Zhang, X. Jiang, W. Sun // Technological Forecasting and Social Change. – 2015. – Volume 101. – pp. 347–356. – DOI 10.1016/j.techfore.2015.09.016.

Афанасьев, М. А. Рентабельность функционирования СППР с подсистемой принятия решений безлюдными технологиями / М. А. Афанасьев // Научные труды Вольного экономического общества России. – 2023. – Т. 241. – № 3. – С. 251–261. – DOI: 10.38197/2072-2060-2023-241-3-251-261.

Афанасьев, М. А. Методы и информационная система автоматизированного подбора лица, принимающего решения / М. А. Афанасьев // Прикладная информатика. – 2024. – Т. 19. – №3. – С. ¬5–21. – DOI: 10.37791/2687 0649 2024 19 3 5-21.

Паркинсон С. Законы Паркинсона. Сборник: пер. с англ. / сост. и авт. предисл. В. С. Муравьев; послесл. Л. Ионина, О. Шкаратана. – М.: Прогресс, 1989. – 446 с.

References