CC BY
18
УДК 004.8
05.13.10 - Управление в социальных и экономических системах (технические науки)
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ РЫНКА ПЕРВИЧНОЙ НЕДВИЖИМОСТИ
Кротов Александр Дмитриевич
студент факультета ПИ, группы ПИ 1822
тг. кгоЮу. аё@, gmail.com
Кубанский государственный аграрный
университет имени И. Т. Трубилина, Краснодар,
Россия
В статье исследован рынок российский рынок первичной недвижимости. Этот рынок - один из самых активно развивающихся и инвестиционно привлекательных в России, чему данная работа обязана своей актуальностью. Для проведения исследования были поставлены цели: распознать и классифицировать имеющиеся в выборке ценовые категории по определяющим их признакам; определить схожесть сформированных классов и их признаков и проанализировать распределение и значимость признаков исследуемых факторов. Для достижения поставленных целей использовался разработанный профессором Е. В. Луценко метод автоматизированного системно-когнитивного анализа. Исследование выявило четкую взаимосвязь между ценовой категорией жилья и благосостоянием региона его продажи
Ключевые слова: РЫНОК ПЕРВИЧНОЙ НЕЖВИЖИМОСТИ, СТАТИСТИКА, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, АСК-АНАЛИЗ, СИСТЕМА «ЭЙДОС»
Б01: http://dx.doi.org/10.21515/1990-4665-170-009
UDC 004.8
05.13.10-Management in Social and Economic systems (technical sciences)
AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF THE PRIMARY REAL ESTATE MARKET
Krotov Alexander Dmitrievich student of the faculty of PI, group PI1822 mr. krotov. ad@gmail. com
Kuban State Agrarian University named after I. T. Trubilin, Krasnodar, Russia
The article examines the Russian primary real estate market. This market is one of the most actively developing and investment attractive in Russia, to which this work owes its relevance. For the study, the following goals were set: to recognize and classify the price categories available in the sample according to their defining characteristics; to determine the similarity of the formed classes and their features and to analyze the distribution and significance of the features of the studied factors. To achieve the set goals, the method of automated system-cognitive analysis developed by Professor E.V. Lutsenko was used. The study revealed a clear relationship between the price category of housing and the well-being of the region where it is sold
Keywords: PRIMARY REAL ESTATE MARKET , STATISTICS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, ASC-ANALYSIS, "AIDOS" SYSTEM
Введение
Цель данной работы - исследование ценовой динамики российского рынка первичной недвижимости за 2019-2021 годы.
Для достижения этой цели были использованы инструментальные средства программной среды «Aidos-X», утилизирующие метод автоматизированного системно-когнитивного анализа.
Как пишет Луценко Е.В. в своей монографии, «Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой новый универсальный метод искусственного интеллекта, представляющий собой единственный в настоящее время вариант автоматизированного системного анализа, а именно, системный анализ, структурированный по базовым когнитивным операциям. ... Автоматизированный системно-когнитивный анализ включает: формализуемую когнитивную концепцию, математическую модель, методику численных расчетов и реализующий их программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система "Эйдос"» [15].
Алгоритм работы с системой приведён на рисунке 1.
С
Последовательность обработки данных, информации и знаний в системе «Эйдос», повышение уровня системности данных, информации и знаний, повышение уровня системности моделей
Когнитивно-целевая структуризация предметной области (единственный неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
)
О соотношении задач:
- распознавания, классификации, идентификации и диагностики (это одно и тоже, т.е. синонимы);
- идентификации и прогнозирования (при идентификации значения свойств и принадлежность объекта к классу относятся к одному моменту времени, а при прогнозировании значения факторов относятся к прошлому, а переход объекта под действием этих факторов в состояние, соответствующее классу относится к будущему);
- прогнозирования и принятия решений (при прогнозировании по значениям факторов, действующих на объект моделирования, определяется в какое будущее состояние он перейдет под их действием. При принятии решений, наоборот, по будущему целевому состоянию объекта моделирования определяются значения факторов, которые обуславливают его переход в это будущее целевое состояние. Таким образом задача принятия решений является обратной по отношению к задаче прогнозирования);
- принятия решений и исследования моделируемой предметной области (задача принятия решений является обратной по отношению к задаче прогнозирования только в простейшем случае: в случае использования $\Л/ОТ-анализа. Однако 8\Л/ОТ-анализ имеет свои ограничения: может быть задано только одно будущее целевое состояние, некоторые рекомендуемые факторы может не быть технологической и финансовой возможности использовать. Поэтому в АСК-анализе и системе «Эйдос» реализован развитый алгоритм принятия решений п.6.3 в котором кроме 8\Л/ОТ-анализа используются также результаты решения задачи прогнозирования и результаты кластерно-конструктивного анализа классов и значений факторов, т.е. некоторые результаты решения задачи исследования предметной области.)
Рисунок 1. Последовательность решения задач в АСК-анализе и системе
«Эйдос»
Когнитивная структуризация предметной области
Этот этап предполагает эмпирическое определение в наборе данных зависимых и зависящих величин для дальнейшего определения степени зависимости между ними.
В ходе проведения исследования для составления классификационной шкалы был выбран параметр «Стоимость 1 м кв первичной недвижимости», а для составления описательных - параметры «Дата» и «Город»:
Таблица 1. Классификационная шкала
№ п/п Наименование
1 Стоимость 1 м кв первичной недвижимости
Таблица 2. Описательные шкалы
№ п/п Наименование
2 Дата
3 Город
Подготовка исходных данных и формализация предметной области
Набор исходных данных был взяты с web-портала СберИндекс и представляет из себя статистику средник цен за метр недвижимости на первичном рынке, ранжированную по регионам России .
Таблица 3. Часть исходных данных (2019 год)
ю Стоим.1 метра кв. жилья (руб.) Дата Регион
1 79920,00 2020-07-01 Россия
2 37453,00 2019-01-01 Адыгея
3 0,00 2019-01-01 Алтай
4 45008,00 2019-01-01 Алтайский край
5 0,00 2019-02-01 Амурская область
6 82639,00 2019-02-01 Архангельская область
7 65801,00 2019-02-01 Астраханская область
8 50656,00 2019-03-01 Белгородская область
9 35664,00 2019-03-01 Брянская область
10 42764,00 2019-03-01 Владимирская область
11 49032,00 2019-04-01 Вологодская область
12 48929,00 2019-04-01 Воронежская область
13 0,00 2019-05-01 Еврейская автономная область
14 34500,00 2019-05-01 Ивановская область
15 56746,00 2019-05-01 Иркутская область
16 0,00 2019-06-01 Кабардино-Балкарская Республика
17 60800,00 2019-06-01 Калужская область
18 0,00 2019-07-01 Камчатский край
19 39910,00 2019-07-01 Кемеровская область
20 38000,00 2019-07-01 Кировская область
21 54274,00 2019-08-01 Краснодарский край
22 66000,00 2019-08-01 Красноярский край
23 83994,00 2019-09-01 Ленинградская область
24 67077,00 2019-10-01 Липецкая область
25 0,00 2019-10-01 Магаданская область
26 44826,00 2019-10-01 Мордовия
27 200763,00 2019-11-01 Москва
28 100565,00 2019-11-01 Московская область
29 0,00 2019-11-01 Мурманская область
30 0,00 2019-11-01 Ненецкий АО
В результате работы режима были сформированы:
• 1 классификационная шкала «Стоимость 1 метра кв. жилья (руб.)» с 50 градациями
• 2 описательных шкалы - «Дата» и «Регион», количество градаций для которых составило 27 и 84 соответственно
Таблица 4 - Классификационная шкала и её градации
Код Название Размер интервала Число наблюдений на интервал
1 1/50-{ 30099.0000000, 35424.0000000} 5325 34/34
2 2/50-{ 35424.0000000, 37625.0000000} 2201 35/35
3 3/50-{ 37625.0000000, 38687.0000000} 1062 35/35
4 4/50-{ 38687.0000000, 39600.0000000} 913 35/35
5 5/50-{ 39600.0000000, 41089.0000000} 1489 35/35
6 6/50-{ 41089.0000000, 42000.0000000} 911 35/35
7 7/50-{ 42000.0000000, 42626.0000000} 626 35/35
8 8/50-{ 42626.0000000, 43272.0000000} 646 35/35
9 9/50-{ 43272.0000000, 44000.0000000} 728 35/35
10 10/50-{ 44000.0000000, 44821.0000000} 821 35/35
11 11/50-{ 44821.0000000, 45233.0000000} 412 35/35
12 12/50-{ 45233.0000000, 45819.0000000} 586 35/35
13 13/50-{ 45819.0000000, 46339.0000000} 520 35/35
14 14/50-{ 46339.0000000, 46954.0000000} 615 35/35
15 15/50-{ 46954.0000000, 47509.0000000} 555 35/35
16 16/50-{ 47509.0000000, 48269.0000000} 760 35/35
17 17/50-{ 48269.0000000, 49260.0000000} 991 35/35
18 18/50-{ 49260.0000000, 49931.0000000} 671 35/35
19 19/50-{ 49931.0000000, 50609.0000000} 678 35/35
20 20/50-{ 50609.0000000, 51225.0000000} 616 35/35
21 21/50-{ 51225.0000000, 52023.0000000} 798 35/35
22 22/50-{ 52023.0000000, 52583.0000000} 560 35/35
23 23/50-{ 52583.0000000, 53706.0000000} 1123 35/35
24 24/50-{ 53706.0000000, 54311.0000000} 605 35/35
25 25/50-{ 54311.0000000, 55109.0000000} 798 35/35
26 26/50-{ 55109.0000000, 56000.0000000} 891 35/35
27 27/50-{ 56000.0000000, 56834.0000000} 834 35/35
28 28/50-{ 56834.0000000, 57836.0000000} 1002 35/35
29 29/50-{ 57836.0000000, 58653.0000000} 817 35/35
30 30/50-{ 58653.0000000, 60000.0000000} 1347 35/35
31 31/50-{ 60000.0000000, 61723.0000000} 1723 35/35
32 32/50-{ 61723.0000000, 62985.0000000} 1262 35/35
33 33/50-{ 62985.0000000, 64663.0000000} 1678 35/35
34 34/50-{ 64663.0000000, 66000.0000000} 1337 35/35
35 35/50-{ 66000.0000000, 67755.0000000} 1755 35/35
36 36/50-{ 67755.0000000, 69344.0000000} 1589 35/35
37 37/50-{ 69344.0000000, 70694.0000000} 1350 35/35
38 38/50-{ 70694.0000000, 72891.0000000} 2197 35/35
39 39/50-{ 72891.0000000, 74863.0000000} 1972 35/35
40 40/50-{ 74863.0000000, 77718.0000000} 2855 35/35
41 41/50-{ 77718.0000000, 79938.0000000} 2220 35/35
42 42/50-{ 79938.0000000, 81601.0000000} 1663 35/35
43 43/50-{ 81601.0000000, 84160.0000000} 2559 35/35
44 44/50-{ 84160.0000000, 88177.0000000} 4017 35/35
45 45/50-{ 88177.0000000, 91258.0000000} 3081 35/35
46 46/50-{ 91258.0000000, 97118.0000000} 5860 35/35
47 47/50-{ 97118.0000000, 105000.0000000} 7882 35/35
48 48/50-{105000.0000000, 122778.0000000} 17778 35/35
49 49/50-{122778.0000000, 149555.0000000} 26777 35/35
50 50/50-{149555.0000000, 261840.0000000} 112285 35/35
Можно заметить, что размеры интервалов получились неравными. Это объяснятся требованием на постоянное для каждого интервала
количество наблюдений фактов влияния на переход исследуемой выборки в соответствующее состояние на классификационной шкале.
Синтез и верификация статистических и системно-когнитивных моделей, и выбор наиболее достоверной из них для решения задач
Для ускорения синтеза и верификации статистических и системно-когнитивных моделей формалищации было использовано 10% от исходной выборки данных посредством удаления кортежей с наиболее недостоверными результатами распознавания.
Ниже приведены фрагменты построенных в ходе синтеза системой статистических и системно-когнитивных моделей.
Ö 5.5. Модель:"!. ABS - частный критерий: количество встреч сочетаний: "Класс-признак" у объектов обуч, выборки" — □ X
Код Наименование описательной 1. 2. ! Щ 4. 5. 6. 7 8. 9. 10.
признака шкалы и градации СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1 СТОИМ.1
МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА
КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ.
ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ
(РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.)
1/50 2/50 3/50 4/50 5/50 6/50 7/50 8/50 9/50 10/50 11/50
{30099.0, {35424.0, {37625.0, {38687.0, {39600.0, {41089.0, {42000.0, {42626.0, {43272.0, {44000.0, {44821.0,
35424.0} 37625.0} 38687.0} 39600.0} 41089.0} 42000.0} 42626.0} 43272.0} 44000.0} 44821.0} 45233.0}
1 ДАТА-1 /27-2019-01 -01 3 3 1 2 2 8 4 1 2 4
2 ДАТА-2/27-2019-02-01
3 ДАТА-3/27-2019-03-01 5 6 3 2 5 3 2 4 3 4
4 ДАТА-4/27-2019-04-01 1 1 6 1
5 ДАТА-5/27-2019-05-01 3 1 2 1 3 2 1
6 ДАТА-6/27-2019-06-01 2 1
7 ДАТА-7/27-2019-07-01 2 1 3 6 1 2 1 3
8 ДАТА-8/27-2019-08-01 2 1
9 ДАТА-9/27-2019-09-01 5 2 3 1 2 1 1 2
10 ДАТА-10/27-2019-10-01 1 1 2 3 2 3 5 1 4
11 ДАТА-11/27-2019-11-01
12 ДАТА-12/27-2019-12-01 2 1 2 1 1
13 ДАТА-13/27-2020-01-01 1 6 4 7 2 2 3 1 3
14 ДАТА-14/27-2020-02-01 2 2 1 4 3 3 6 4
15 ДАТА-15/27-2020-03-01 2 6 6 3 2 1 6 1 1
16 ДАТА-16/27-2020-04-01
17 ДАТА-17/27-2020-05-01 1
18 ДАТА-18/27-2020-06-01 1 2 3 1 2 2 3 2
19 ДАТА-19/27-2020-07-01 1 1
20 ДАТА-20/27-2020-08-01 1 1 3 2 '
±г
Рисунок 2. Фрагмент матрицы абсолютных частот
В данной матрице учтены все включения каждого фактора - в данном случае, даты и региона. Также в матрице рассчитаны сумма, среднее и среднеквадратичное частот включения признаков в тот или иной класс. Использование этих показателей для вычисления достоверности модели будет описано далее.
О 5.5. Модель: "2. PRC1 - честный критерий: усл. вероятность ¡-го признака среди признаков объектов j-ro класса" — □ X
Код признака Наименование описательной шкалы и градации СТОИМ. 2. СТОИМ.1 3. СТОИМ. СТОИМ. 5. СТОИМ.1 6. СТОИМ. 7. СТОИМ. 8. СТОИМ. 9. СТОИМ. 10. СТОИМ. стоим. 12. СТОИМ. 13. СТОИМ.
МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА МЕТРА
КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ. КВ.
ЖИЛЬЯ жилья ЖИЛЬЯ жилья ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ ЖИЛЬЯ жилья ЖИЛЬЯ жилья
(РУБ.) (РУБ (РУБ.) (РУБ ) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ.) (РУБ
1/50 2/50 3/50 4/50 5/50 6/50 7/50 8/50 9/50 10/50 11/50 12/50 13/50
{30099.0. {35424.0. {37625.0 {3868 7.0, {39600.0. {41089.0. {42000.0, {42626.0 {43272.0 {44000.0 {44821.0 {45233.0. {45819.0.
35424.0} 37625.0} 38687.0} 39600.0} 41089.0} 142000.0} 42626.0} 43272.0} 44000.0} 44821.0} 45233.0} 145819.0} 46339.0}
■ ДАТА-1/27-2019-01-01 4.286 4 . 286 1. 389 2.941 2. 778 и 765 5 714 1. 250 3. 333| 5. 714 1. 429 Fl 857
2 ДАТА-2/27-2019-02-01 1. 429
3 ДАТА-3/27-2019-03-01 8.571 4.286 2. 778] 7.353 4.167 2. 941 5.714 3. 750] 6. 667 4.286 Т. 857
4 ДАТА-4/27-2019-04-01 1.389 1.250 10. 000 1.429 4.286 7. 143
5 ДАТА-5/27-2019-05-01 4.412 1.429 1 2. ТЩ 1.471 _ 286 3. 333 _L 429] 1.429
6 ДАТА-6/27-2019-06-01 3. 333 1.429
7 ДАТА-7/27-2019-07-01 2.857 1 429, 4.412 8.333 1.471 2 500 1.667 4. 286 5 714 4 . 286
8 ДАТА-8/27-2019-08-01 2.941 1. "429|
9 ДАТА-9/27-2019-09-01 353 2.857 4.286 1.471 2 778 1.471 1 429 2. 500 1. 429
10 ДАТА-10/27-2019-10-01 1.471 1.429 1 2. 7Щ 4.167 _h 94l| 4.286 6. 250 1.667 5.714 1.429 4 . 286
11 ДАТА-11/27-2019-11-01
12 ДАТА-12/27-2019-1201 2.941 1.389 2. 941 1.667 _L 429] 1_h 857]
13 ДАТА-13/27-2020-01 -01 1.471 8.571 5.714 9. 722 2.941 2. 941 3.750 1.667 4.286 1.429 4 . 286
14 ДАТА-14/27-2020-02-01 2. 857] 2. 778 1.471 5. 556 4 . 412 < 286 7 500 5.714 1.429 2. 857
15 ДАТА-15/27-2020-03-01 2.857 8.571 8.333 4.412 2. 773 1.471 8.571 1.250 1.667
16 ДАТА-16/27-2020-04-01
17 ДАТА-17/27-2020-05-01 1 429
18 ДАТА-18/27-2020-06-01 1.471 2. 857] 4.167 1.471 778 941 4.286 2.500 857
19 ДАТА-19/27-2020-07-01 1. 429 1.667
20 ДАТА-20/27-2020-08-01 1. ~429^ 1.250 000 2. 857 4.286 L= 5. 714 ч
j: ...................:>г
Рисунок 3. Фрагмент матрицы вероятностей ьго признака среди объектов
j-го класса
Показательной также является матрица вероятностей ьго признака среди объектов j-го класса, позволяющая наглядно оценить, какие факторы являются более распространёнными и наоборот.
Верификация статистических и системно-когнитивных моделей
Для определения достоверности построенных моделей были рассчитаны:
• F — мера, являющаяся характеристикой качества модели по её точности и полноте. Fmeasure = ^ г + г , где
Precision ^ 'Recall
precision - точность, recall - полнота и a G [0; 1] - вес параметра. Так как в исследуемой предметной области оба независимых параметра имеют равную значимость, то их вес было решено считать одинаковым и равным 0,5. Это позволило преобразовать F — меру к сбалансированному виду
2*Precision*Recall
F1 =-
* Precision+Recall
• Ьг — мера, утилизирующая суммарные значения точностей и
1 т 2*4Ргес15ЮП*41еса11
полноты сформированных классов. 3Л —-, где
^ г г 1 БРтес.БЬоп+БЯесаИ
ЗРгеЫвюп - точность с учетом сумм уровней сходства, а 8ЯесаП - полнота с учетом сумм уровней сходства
• 32 — мера, использующая средние значения точностей и
т 2*АРтес15ЮП*АЯеса11
полнот сформированных классов. 32 —-, где
^ г г 2 АРтес.Б.оп+АЯесаИ
ЛРгес1БЮп - точность с учетом средних уровней сходства, а ЛЯесаП - полнота с учетом средних уровней сходства Результаты расчётов представлены на рисунках ниже.
Рисунок 4. Б-мера
Рисунок 5. Критерий Ь1
Рисунок 6. Критерий Ь2
Анализ полученных значений мер достоверности позволяет заключить, что наибольшей достоверностью обладает модель «ШЕ4», для
которой:
¥г — 0,681 — 0,853 32 — 0,787
Рисунок 7. График частоты диверсификации решений
В ходе анализа полученного с помощью инструментария системы графика распределения частот решений были зафиксированы следующие факты:
1. Среди всех решений, сформированных системой, превалируют отрицательные
2. Подавляющее большинство отрицательных решение -истинные
3. Количество истинно-положительных решений в диапазоне сходства [0%; 20%] постоянно и равно примерно 40
4. Количество ложноотрицательных решений монотонно снижается, пока не достигнет уровня истинно-положительных решений на уровне сходства в примерно 20%
5. Количество истинно-положительных решений в диапазоне [20%; 60%] монотонно убывает
6. Каких-либо решений с уровнем сходства выше 60% незначительно мало
Рисунок 8. Частотное распределение разностей истинных и ложных
решений
На данном графике более наглядно видна разница между верно и ложно определёнными решениями, что позволяет убедиться в ранее сформулированных пунктах.
FreqDistf000003.jpg
Число (ТР-РР)/(ТР+РР)*100, (ТМ-Р1\1)/(ТМ+РМ)*100 решений в модели: 7. ШР4, интегральный критерий - резонанс знаний
"АСК-анализ рынка первичной недвижимости по данным СберИндекс-сочетания классов-сочетания признаков"
V 80\ 1 60.0 40.0 20.0 Ж 1 \
)0 -90 -80 -70 -60 -50 -40 -30 -20 -10 -20.0 -40.0 -60.0 -80.0 10 20Л / 30 40 50 60 1 70 | 80 90 | -
- Разность количества положительных истинных и ложных решений в % от их суммарного количества при разных уровнях сходства: ГГР-РР)ЯТР+РР)*100 Форма создана: 07.05.2021-23:32:58
Разность количества отрицательных истинных и ложных решений в % от их суммарного количества при разных уровнях сходства: (ТМ-Р^(ТЫ+Р1\|)100 Интервал сглаживания = 3
Рисунок 9. Частотное распределение доли разности истинных и ложных решений от общего количества решений
Анализ графика долей истинных от общего количества положительных и истинных от общего количества ложных решений позволил сформулировать следующие заключения:
1. Все решения с уровнем сходства меньше примерно -6% -истинно-отрицательные
2. При повышении уровня сходства с -6% до 0% количество истинно-отрицательных решений монотонно убывает
3. Количество истинно-положительных решений начинает превышать количество ложноположительных на уровне сходства в примерно 28%
Стоит отметить, что увеличивающееся по мере приближения к максимальному уровню сходства количество разрывов графика доли истинно-положительных решений связано с очень низким количеством соответствующих решений, из-за чего системе не удаётся выполнить сглаживание реалистичным образом. На деле же, если не брать в учёт описанных разрывы, то доля истинно-положительных решений монотонно возрастает на отрезке [28%; 100%] сходства.
Решение различных задач в наиболее достоверной модели Прогнозирование (диагностика, классификация, распознавание,
идентификация)
Для определения классов модели сформированной программой обучающей выборке инструментальная среда Aidos-X позволяет провести её пакетное распознавание. Полученные в результате критерии сходства имеющихся классов организованы в таблицы с ранжированием по их сходству. Формы с этими таблицами приведены на рисунках 10-11.
Рисунок 10. Результаты распознавания в отношениях «Объект-классы»
Рисунок 11. Результаты распознавания в отношениях «Класс-объекты»
Для идентификации результатов, совпавших с фактическими значениями в графе между «Наименование объекта» и «Сходство» проставлены знаки «V» у подходящих классов. Анализ таблиц по обоим критериям сходства показал, что совпадения прекращаются, в среднем, на
уровне сходства 20%, что позволяет игнорировать результаты с более низким результатом на дальнейших стадиях анализа.
SWOT-анализ
Для того, чтобы определить, какие признаки исследуемых факторов способствую, а какие - препятствуют перехода класса в то или иное состояние на классификационной шкале, были построены SWOT-диаграммы. Далее будут приведены лишь некоторые из них, в частности -соответствующие минимальному, среднему и максимальному значениям цен.
Рисунок 12. SWOT-диаграмма составляющих минимальной цены на кв.
метр недвижимости
Рисунок 13. SWOT-диаграмма составляющих средней цены на кв. метр
недвижимости
Рисунок 14. SWOT-диаграмма составляющих максимальной цены на кв.
метр недвижимости
Анализ приведенных графиков показал, что наименьшая цена наиболее характерна для регионов:
• Тамбовская область
• Саратовская область
• Брянская область
• Курская область
• Ивановская область
Средняя, в свою очередь - для:
• Красноярского края
• Иркутской области
• Калининградской области
• Нижегородской области
Наивысшая же сильно характерна для Москвы и в 4 раза менее - для Санкт-Петербурга.
Исследование моделируемой предметной области путем исследования
ее модели
Так как было установлено, что построенная модель обладает удовлетворительным уровнем достоверности, можно считать допустимым выполнение её исследований, а именно - проведение кластерно-конструктивного анализа, построение нелокальных нейронов, нейронной сети и интегральной когнитивной 3d-карты.
Когнитивные диаграммы классов
На когнитивных диаграммах, приведенных на рисунках 15-16, наглядно отражаются количественные оценки сходства и различия классов по связанным с ними значениям их характеристик.
Рисунок 15. Когнитивная диаграмма классов минимальной и средней цен
на кв. м. недвижимости
Здесь видно, что рынку первичной недвижимости в Тамбовской и Саратовской областях сильно характерен ценовой диапазон {30099; 35424} и не характерен ценовой диапазон {54311; 55109}, что является основным различием между соответствующими этим диапазонам классами.
Рисунок 16. Когнитивная диаграмма классов средней и максимальной цен
на кв. м. недвижимости
На приведённом рисунке видно, что ценовая категория [149555; 261840] характерна для региона «Москва» и, в гораздо меньшей степени, для региона «Санкт-Петербург». Все же регионы, которым характерен ценовой диапазон [66000; 67755], имеют явные различия с категорией максимальной цены.
Агломеративная когнитивная кластеризация классов
Для более наглядного отображения на одной диаграмме была проведена агломеративная кластеризация классов, объединяющая их в кластеры древовидной структуры.
ДЕНДРОГРАММА КОГНИТИВНОМ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^4"
Приложение: "АСК-анализ рынка первичной недвижимости по данным СберИндекс"
стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим МЕТРА КВ. ЖИЛЬЯ (РУБ.)-27/50-{56000.0, 56834.0} 27 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-49/50-{122778.0, 149555.0} 49 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-50/50-{149555.0, 261840.0} 50 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-32/50-{61723.0, 62985.0) 32 МЕТРА КВ. ЖИЛЬЯ (РУБ.}-30/50-{58653.0, 60000 0} 30 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-31/50-{60000.0, 61723.0} 31 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-33/50-{62985-0, 64663.0} 33 МЕТРА КВ. ЖИЛЬЯ (РУБ.}-34/50-{64663.0. 66000.0} 34 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-35/50-{66000.0, 67755.0} 35 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-36/50-{67755.0, 69344.0} 36 МЕТРА КВ. ЖИЛЬЯ (РУБ.}-45/50-{88177.0, 91258.0} 45 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-46/50-{91258.0, 97118.0} 46 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-47/50-{97118.0, 105000.0} 47 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-48/50-{105000.0, 122778.0} 48 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-37/50-{69344.0, 70694.0} 37 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-43/50-{81601.0. 84160.0} 43 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-44/50-{84160.0, 88177.0} 44 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-41/50-{77718.0, 79938.0} 41 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-38/50-{70694.0, 72891.0} 38 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-39/50-{72891.0, 74863.0} 39 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-40/50-{74863.0, 77718.0} 40 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-42/50-{79938.0, 81601.0} 42 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-6/50-{41089.0. 42000.0} 6 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-23/50-{52583.0, 53706.0} 23 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-2/50-{35424.0, 37625.0} 2 МЕТРА КВ. ЖИЛЬЯ (РУБ.}-11/5(444821.0,45233.0} 11 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-10/50-{44000.0, 44821.0} 10 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-1/50-{30099.0, 35424.0} 1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-8/50-{42626.0, 43272.0} 8 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-7/50-{42000.0, 42626.0} 7 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-9/50-{43272.0, 44000.0} 9 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-5/50-{39600.0, 41089.0} 5 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-3/50-{37625.0, 38687.0} 3 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-4/50-{38687.0, 39600.0} 4 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-28/50-{56834.0, 57836.0} 28 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-29/50-(57836.0, 58653.0} 29 11 1
стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим стоим МЕЖКП МЕТРА КВ. ЖИЛЬЯ (РУБ.}-24/50-{53706.0, 54311.0} 24 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-26/50-{55109.0, 56000.0} 26 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-25/50-{54311.0. 55109.0} 25 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-21/50-{51225.0, 52023.0} 21 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-16/50-{47509.0, 48269.0} 16 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-20/50-{50609.0, 51225.0} 20 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-22/50-{52023.0, 52583.0} 22 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-19/50-{49931.0. 50609.0} 19 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-13/50-{45819.0, 46339.0} 13 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-14/50-{46339.0. 46954.0} 14 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-17/50-{48269.0, 49260.0} 17 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-18/50-{49260.0, 49931.0} 18 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-12/50-{45233.0, 45819.0} 12 МЕТРА КВ. ЖИЛЬЯ (РУБ.}-15/50-{46954.0. 47509.0} 15 «ПЕРНЫЕ РАССТОЯНИЯ: 19 -1-1 Э ^ 39 58 7 97 117 136 155 175 194
Форма создана: 06.05.2021-17:46:58
КЛАСТЕРНАЯ ФОРМУЛА: (((27,(49,50)),(((32.(30.31)),(33,(34,(35,36)))),((45,(46^
Рисунок 17. Дендрограмма когнитивной кластеризации классов, ранжирующая их по схожести
Анализ такой диаграммы, приведённой на рисунке 17, показал, что классы, действительно, сгруппированы не по возрастанию цены на квадратный метр первичной недвижимости, а по тому, какие факторы наиболее характерны для того или иного класса.
Нелокальные нейроны и нелокальные нейронные сети
Для определения способствующих и тормозящих факторов того или иного класса также были использованы нелокальные нейроны. Ниже
приведены диаграммы таких структур для наименьшего, среднего и
наивысшего ценовых диапазонов.
Neuron0001lnf1.jpg
НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "1^4"
Нейрон: [1]-СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-1/50-{30099.0, 35424.0} Приложение: АСК-анализ рынка первичной недвижимости по данным СберИндекс
Влияние рецепторов на актвацию/торможение нелокального нейрона, соотвествующего классу (система детерминации класса): Сортировка рецепторов по информативности
. ..................„ „п..ипг. , . Отображается количество рецепторов не более: 999
АКТИВИРУЩЕЕ влияние отображается линиями КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния. Показаны связи с относительной силой влияния выше: 0%
ТОРМОЗЯЩЕЕ влияние отображается линиями СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния. Визуализация нейрона с кодами и наименованиями рецепторов
Рисунок 18. Нелокальный нейрон класса, соответствующего самому
низкому ценовому диапазону
Рисунок 19. Нелокальный нейрон класса, соответствующего среднему
ценовому диапазону
Рисунок 20. Нелокальный нейрон класса, соответствующего самому
высокому ценовому диапазону
Рисунок 21. Слой нейронной сети с наиболее значимыми связями
Анализируя полученный слой связей, можно заметить, что наиболее сильные связи имеют в качестве независимой величины фактор «Регион». Так, класс №27 в значительной степени определяется фактором регион №48, аналогично для класса №50 и региона №32. Примечательно, что для всех нейронов, обладающим фактором «дата», определяются им наименьшей степени.
Визуальное отображение когнитивных функций
Как пишет Е. В. Луценко в своей статье о когнитивных функциях, «Смысл когнитивной функциональной зависимости в том, что в значении аргумента содержится определенное количество знаний о том, какое значение примет функция, т. е. когнитивная функция отражает знания о полезных причинно-следственных зависимостях, а не корреляцию.» [16]
Таким образом, когнитивная функция есть способ организации полученных на предыдущих этапах автоматизированного системно-когнитивного анализа знаний о влиянии тех или иных признаков фактора на состояние исследуемой величины.
Рисунок 22. Визуализация графика функции стоимости от даты
Рисунок 23. Визуализация графика функции стоимости от города
Сила и характер влияния значений факторов на цену недвижимости
Для определения степеней влияния различных признаков на класс (цену недвижимости) была построена матрица, в которой каждому кортежу (признаку исследуемого фактора) ставится в соответствие величина его влияния на значение класса с учётом знака и значение
нарастающего итога значимостей признаков. На рисунке 24 изображен график, построенный по последнему из описанных столбцов (т. н. кривая Парето).
Рисунок 24. Парето-кривая значимости градаций описательных шкал
Таблица 4. Часть Парето-таблицы значимости градаций описательных
шкал
№ Код атрибута Наименование Значимость, % Значимость нараст. итогом, %
1 75 РЕГИОН-48/84-Республика Дагестан 4,0448017 4,0448017
2 59 РЕГИОН-32/84-Москва 3,8092253 7,8540270
3 83 РЕГИОН-56/84-Республика Северная Осетия-Алания 3,7012528 11,5552797
4 91 РЕГИОН-64/84-Санкт-Петербург 2,9337327 14,4890124
5 93 РЕГИОН-66/84-Сахалинская область 2,2638006 16,7528130
6 29 РЕГИОН -2/84-Алта й 2,2059017 18,9587147
7 60 РЕГИОН-33/84-Московская область 1,8997404 20,8584551
8 99 РЕГИОН-72/84-Томская область 1,8518240 22,7102791
9 11 ДАТА-11/27-2019-11-01 1,8508763 24,5611554
10 110 РЕГИОН-83/84-Ямало-Ненецкий АО 1,6967881 26,2579435
11 31 РЕГИОН-4/84-Амурская область 1,6202174 27,8781609
12 55 РЕГИОН-28/84-Ленинградская область 1,5600882 29,4382491
13 71 РЕГИОН-44/84-Приморский край 1,5297264 30,9679755
14 105 РЕГИОН-78/84-Ханты-Мансийский АО - Югра 1,4907686 32,4587441
15 16 ДАТА-16/27-2020-04-01 1,4710016 33,9297457
16 92 РЕГИОН-65/84-Саратовская область 1,3521858 35,2819315
17 97 РЕГИОН-70/84-Тамбовская область 1,3465536 36,6284851
18 74 РЕГИОН-47/84-Республика Бурятия 1,3126348 37,9411199
19 41 РЕГИОН-14/84-Забайкальский край 1,3027862 39,2439061
20 28 РЕГИОН-1/84-Адыгея 1,2550931 40,4989992
21 102 РЕГИОН-75/84-Удмуртская. Республика 1,2224588 41,7214580
22 65 РЕГИОН-38/84-Новосибирская область 1,2116315 42,9330895
23 72 РЕГИОН-45/84-Псковская область 1,1994748 44,1325643
24 104 РЕГИОН-77/84-Хабаровский край 1,1940275 45,3265918
25 67 РЕГИОН-40/84-Оренбургская область 1,1874462 46,5140381
26 86 РЕГИОН-59/84-Республика Хакасия 1,1555024 47,6695404
27 82 РЕГИОН-55/84-Республика. Саха (Якутия) 1,1231229 48,7926634
28 21 ДАТА-21/27-2020-09-01 1,1094364 49,9020997
29 87 РЕГИОН-60/84-Россия 1,1091461 51,0112459
30 52 РЕГИОН-25/84-Красноярский край 1,0927735 52,1040194
Из таблицы 4 видно, что 30 из 111, что эквивалентно 27%, наиболее ценных для решения задачи идентификации характеристик ценовых диапазонов обеспечивают 52,1% суммарной ценности, и оставшиеся 47,9% - наименее ценными, составляющими 79% от общего их числа.
Важно, что наиболее ценными являются географические факторы, в то время как в нижней части таблицы превалируют экземпляры временного фактора.
Кроме того, анализ степеней значимости показал, что наиболее сильное влияние оказывают значения характеристик:
1. РЕГИОН-48/84-Республика Дагестан
2. РЕГИОН-32/84-Москва
3. РЕГИОН-56/84-Республика Северная Осетия-Алания
4. РЕГИОН-64/84-Санкт-Петербург
5. РЕГИОН-66/84-Сахалинская область а наиболее низкое:
1. ДАТА-22/27-2020-10-01
2. ДАТА-26/27-2021 -02-01
3. ДАТА-20/27-2020-08-01
4. ДАТА-3/27-2019-03-01
5. ДАТА-14/27-2020-02-01
Ценность всей описательной шкалы рассчитана как среднее значение значимостей факторов данной шкалы.
Таблица 5. Парето-таблица значимости описательных шкал, т. е. сила влияния исследуемых факторов на стоимость 1 м кв. жилья
№ Код Описательной Шкалы Наименование Количество признаков Значимость, % Значимость нараст. итогом, %
1 2 РЕГИОН 84 61,4303087 61,4303087
2 1 ДАТА 27 38,5696913 100,0000000
Анализ значений, рассчитанных в таблице 7 показал, что наибольший вклад в формирование значения стоимости оказывает географическое положение жилья и гораздо меньшее - дата его измерения.
Степень детерминированности класса стоимости 1 м кв. жилья
Для определения того, насколько обладание фактически зафиксированными факторами явно определяет тот или иной класс, в АСК-анализе используется расчёт степеней их детерминированности. Результаты такого расчёта приведены в таблице 6, а на рисунке 25 отображена зависимость определённости системы в целом в зависимости от определённости выделенных в ходе её формализации классов.
Pereto6rGISc-07.jpg
ПАРЕТО-КРИВАЯ СТЕПЕНИ ДЕТЕРМИНИРОВАННОСТИ КЛАССОВ (ГРАДАЦИИ КЛАССИФИКАЦИОННЫХ ШКАЛ) В МОДЕЛИ: "1^4" Приложение: "АСК-анализ рынка первичной недвижимости по данным СберИндекс"
5.7 г ■ ^ *
2.0 11.8 21.6 31.4 41.2 51.0 60.8 70.6 80.4 90.2 100.0
Градации классификационных шкал (классы) в порядке убывания степени детерминированности (в % от их количества)
Степень детерминированности класса (градации классификационной шкалы) представляет собой количественную оценку суммарной силы влияния всех факторов на переход объекта модели- 50% наиболее значимых классов обеспечивают 66% суммарной значимости
рования в состояние, соответствующее классу. Количественной мерой степени детерминированности класса в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ силы и направления влияния 32% наиболее значимых классов обеспечивают 50% суммарной значимости
различных значений факторов по данному классу в статистических: Abs, Ргс1, Ргс2 и в системно-когнитивных: Infi, Inf2, Inf3, Inf4, Inf5, Inf6, Inf7 моделях. Иначе говоря степень детерминирован- Расстояние между точками Red-Blue: 34% от максимально возможного ности класса тем выше, чем больше среднее количество информации в различных значений факторов о переходе объекта моделирования в состояние, соответствующее классу.
Путь на отображаемый файл: 3:\ТШР\А1008-Х\А1003-Х\А10_ОАТА\А0000001\8У8ТЕМ\\Раге1о6гС13с\Раге1оОгС15с-1МР4.]рд Форма создана: 05.05.2021-18:53:35
Рисунок 25. Парето-кривая степени детерминированности классов
Таблица 6. Парето-таблица степеней детерминированности стоимости 1 м кв. жилья
№ Код КШ Наименование Значимость, % Значимость нараст. итогом, %
1 50 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-50/50-{149555.0, 261840.0} 5,7161937 5,7161937
2 27 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-27/50-{56000.0, 56834.0} 5,7014198 11,4176135
3 6 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-6/50-{41089.0, 42000.0} 5,0725656 16,4901790
4 49 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-49/50-{122778.0, 149555.0} 4,9970805 21,4872595
5 48 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-48/50-{105000.0, 122778.0} 3,2666298 24,7538893
6 2 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-2/50-{35424.0, 37625.0} 3,0887160 27,8426053
7 47 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-47/50-{97118.0, 105000.0} 2,8967502 30,7393556
8 44 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-44/50-{84160.0, 88177.0} 2,5208277 33,2601833
47 21 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-21/50-{51225.0, 52023.0} 1,1891867 96,5384075
48 17 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-17/50-{48269.0, 49260.0} 1,1889918 97,7273993
49 15 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-15/50-{46954.0, 47509.0} 1,1843423 98,9117417
50 16 СТОИМ.1 МЕТРА КВ. ЖИЛЬЯ (РУБ.)-16/50-{47509.0, 48269.0} 1,0882583 100,0000000
Данные таблицы 6 позволяют сделать вывод о высокой детерминированности классов, соответствующим высоким ценовым диапазонам - {50/50; 49/50; 48/50; 47/50; 44/50} и об очень слабой - у классов, соответствующим относительно невысоким категориям стоимости: {21/50; 17/50; 16/50; 15/50}. При этом степень детерминированности наиболее и наименее полно определённых классов отличается в более, чем два раза.
Вывод
Анализ выбранной предметной области «Рынок первичной недвижимости» с помощью инструментальных средств программной среды «Aidos-X» показал сильную зависимость цены за квадратный метр жилья от финансового благополучия покупателей и очень слабую - от даты измерения.
Список литературы
1. Лойко В.И. Подходы к автоматизации процессов управления производством продукции растениеводства / В.И. Лойко, С. А. Курносов, В.В. Ткаченко, Н.А. Ткаченко // Экономико-правовые аспекты реализации стратегии модернизации России: поиск модели эффективного социохозяйственного развития: сб. стат. междунар. науч.-практ. конф., Сочи, 5-9 октября 2016 г. - М.: НИИ ЭИП2016. С. 128-132.
2. Луценко Е. В., Лойко В. И., Лаптев В. Н. Системы представления и приобретения знаний : учеб. пособие / Е. В. Луценко, В. И. Лойко, В. Н. Лаптев. -Краснодар: Экоинвест, 2018. - 513 с. ISBN 978-5-94215-415-8. http s ://elibrary. ru/item .asp?id=35641755
3. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с. http://elibrary.ru/item.asp?id=18632909
4. Луценко Е. В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСКанализе и системе «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. -№02(126). С. 1-32. - IDA [article ID]: 1261702001. - Режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf 2 у.п.л.
5. Луценко Е. В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С.
1367-1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf 2,688 у.п.л.
6. Луценко Е. В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е. В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528-576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. -Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf 3,062 у.п.л.
7. Луценко Е. В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системнокогнитивном анализе и системе «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859-883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf 1,562 у.п.л.
8. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №07(091). С.
164-188. - IDA [article ID]: 0911307012. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/12.pdf 1,562 у.п.л.
9. Луценко Е. В. Открытая масштабируемая интерактивная интеллектуальная online среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1-55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л. http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf
10. Луценко Е. В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(001). С. 79-91. - IDA [article ID]: 0010301011. - Режим доступа: http://ei.kubagro.ru/2003/01/pdf/11 .pdf 0,812 у.п.л.
11. Луценко Е. В. Системно-когнитивное моделирование влияния агротехнологий на урожайность и качество пшеницы и решение задач прогнозирования, поддержки принятия решений и исследования предметной области / Е. В. Луценко, Е. К. Печурина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2019. - №03(147). С. 62-128. - IDA [article ID]: 1471903015. - Режим доступа: http://ei.kubagro.ru/2019/03/pdf/15.pdf 4,188 у.п.л.
12. Луценко Е. В., Открытая масштабируемая интерактивная интеллектуальная online среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. -Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg 2 у.п.л.
13. Орлов А. И., Луценко Е. В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-757-0. http://elibrary.ru/item.asp?id=21358220
14. СберИндекс - [Электронный ресурс] URL: https://www.sberindex.ru/ru/dashboards
15. Луценко, Е. В. Универсальная когнитивная аналитическая система "Эйдос" / Е. В. Луценко. - Краснодар : Кубанский государственный аграрный университет, 2014.
- 600 с. - ISBN 9785946728300. https://elibrary.ru/item.asp?id=22401787
16. Луценко Е. В. Когнитивные функции как адекватный инструмент для формального представления причинно-следственных зависимостей / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №63(09). С. 1-23 - IDA [article ID]: 0631009001.
- Режим доступа: http://ei.kubagro.ru/2010/09/pdf/01.pdf
References
1. Lojko V.I. Podhody k avtomatizacii processov upravlenija proizvodstvom produkcii rastenievodstva / V.I. Lojko, S.A. Kurnosov, V.V. Tkachenko, N.A. Tkachenko // Jekonomiko-pravovye aspekty realizacii strategii modernizacii Rossii: poisk modeli jeffektivnogo sociohozjajstvennogo razvitija: sb. stat. mezhdunar. nauch.-prakt. konf., Sochi, 5-9 oktjabrja 2016 g. - M.: NII JeIP2016. S. 128-132.
2. Lucenko E. V., Lojko V. I., Laptev V. N. Sistemy predstavlenija i priobretenija znanij : ucheb. posobie / E. V. Lucenko, V. I. Lojko, V. N. Laptev. - Krasnodar: Jekoinvest, 2018. -513 s. ISBN 978-5-94215-415-8. https://elibrary.ru/item.asp?id=35641755
3. Lucenko E. V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909
4. Lucenko E. V. Invariantnoe otnositel'no ob#emov dannyh nechetkoe mul'tiklassovoe obobshhenie F-mery dostovernosti modelej Van Rizbergena v ASKanalize i sisteme «Jejdos» / E. V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1-32. - IDA [article ID]: 1261702001. -Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf 2 u.p.l.
5. Lucenko E. V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E. V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S.
1367-1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf 2,688 u.p.l.
6. Lucenko E. V. Metod kognitivnoj klasterizacii ili klasterizacija na osnove znanij (klasterizacija v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos») / E. V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528-576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf 3,062 u.p.l.
7. Lucenko E. V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemnokognitivnom analize i sisteme «Jejdos» / E. V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859-883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf 1,562 u.p.l.
8. Lucenko E.V. Modelirovanie slozhnyh mnogofaktornyh nelinejnyh ob#ektov upravlenija na osnove fragmentirovannyh zashumlennyh jempiricheskih dannyh bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos-H++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164-188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf 1,562 u.p.l.
9. Lucenko E. V. Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja online sreda dlja obuchenija i nauchnyh issledovanij na baze ASK-analiza i sistemy «Jejdos» / E. V.
Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1-55. - IDA [article ID]: 1301706001. -Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l. http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf
10. Lucenko E. V. Sistemnaja teorija informacii i nelokal'nye interpretiruemye nejronnye seti prjamogo scheta / E. V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №01(001). S. 79-91. - IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf 0,812 u.p.l.
11. Lucenko E. V. Sistemno-kognitivnoe modelirovanie vlijanija agrotehnologij na urozhajnost' i kachestvo pshenicy i reshenie zadach prognozirovanija, podderzhki prinjatija reshenij i issledovanija predmetnoj oblasti / E. V. Lucenko, E.K. Pechurina // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2019. - №03(147). S. 62-128. - IDA [article ID]: 1471903015. - Rezhim dostupa: http://ej.kubagro.ru/2019/03/pdf/15.pdf 4,188 u.p.l.
12. Lucenko E. V., Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja online sreda «Jejdos» («Jejdos-online»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg 2 u.p.l.
13. Orlov A. I., Lucenko E. V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220
14. SberIndeks - [Jelektronnyj resurs] URL: https://www.sberindex.ru/ru/dashboards
15. Lucenko, E. V. Universal'naja kognitivnaja analiticheskaja sistema "Jejdos" / E. V. Lucenko. - Krasnodar : Kubanskij gosudarstvennyj agrarnyj universitet, 2014. - 600 s. -ISBN 9785946728300. https://elibrary.ru/item.asp?id=22401787
16. Lucenko E. V. Kognitivnye funkcii kak adekvatnyj instrument dlja formal'nogo predstavlenija prichinno-sledstvennyh zavisimostej / E. V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. -№63(09). S. 1-23 - IDA [article ID]: 0631009001. - Rezhim dostupa: http://ej .kubagro.ru/2010/09/pdf/01.pdf
