CC BY
15
УДК [658.7:339.1]:004.8
08.00.13 - Математические и инструментальные методы экономики (экономические науки)
ИНФОРМАЦИОННЫЕ И КОГНИТИВНЫЕ ТЕХНОЛОГИИ В УПРАВЛЕНИИ КАЧЕСТВОМ ЖИЗНИ ПУТЕМ ИНВЕСТИЦИЙ В АПК: РЕШЕНИЕ ЗАДАЧИ ИССЛЕДОВАНИЯ ПРЕДМЕТНОЙ ОБЛАСТИ 1
Барановская Татьяна Петровна
доктор экономических наук, профессор,
заведующая кафедрой системного анализа и
обработки информации факультета прикладной
информатики
ЬаПр 2@mail.ru
Вострокнутов Александр Евгеньевич кандидат экономических наук, доцент кафедры системного анализа и обработки информации dop@mail.ru
Яхонтова Ирина Михайловна к. э.н., доцент
ФГБОУВО «Кубанский государственный аграрный университет им. И. Т. Трубилина»; 335044, г. Краснодар, ул. Калинина, 13
Данная работа посвящена освещению некоторых возможностей исследования объекта моделирования путем исследования его модели, предоставляемых АСК-анализом и системой «Эйдос»
Ключевые слова: АСК-АНАЛИЗ, СИСТЕМА «ЭЙДОС», АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, КАЧЕСТВО ЖИЗНИ, РЕГИОН, ИНВЕСТИЦИИ
Б01: http://dx.doi.org/10.21515/1990-4665-153-014
UDC [658.7:339.1]:004.8
Mathematical and instrumental methods of Economics
INFORMATIONAL AND COGNITIVE TECHNOLOGIES IN THE QUALITY OF LIFE MANAGEMENT THROUGH THE AGRICULTURAL SECTOR INVESTMENT: THE SOLUTION OF STUDYING SUBJECT AREA TASK
Baranovskaya Tatyana Petrovna Doctor of economic Sciences, Professor, head of the Department of system analysis and information processing of the faculty of applied Informatics e-mail: bartp_2@mail.ru
Vostroknutov Alexander Evgenievich Сand.Econ.Sci., associate professor of the system analysis and information processing department f_dop@mail.ru
Yahontova Irina Mihaylovna Cand.Econom.Sci., associate professor
Kuban state agrarian University named after I. T. Trubilin, Krasnodar, Russia
This work is devoted to revealing some opportunities of the research of a subject to modeling by a research of its model given by the ASC-analysis and the Eidos system
Keywords: ASC-ANALYSIS, EIDOS SYSTEM, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, QUALITY OF LIFE, REGION, INVESTMENTS
Данная работа посвящена исследованию объекта моделирования путем исследования его модели. Объектом моделирования является региональный АПК, объемы и направленность инвестиций и уровень качества жизни населения региона. Так как созданная модель обладает высокой достоверностью, т.е. верно отражает объект моделирования, то результаты ее исследования корректно считать результатами исследования самого объекта моделирования.
1 Работа выполнена при финансовой поддержке РФФИ, проект № 17-02-00045-ОГН.
В АСК-анализе исследование объекта моделирования включает: когнитивные диаграммы классов и значений факторов, 8ШОТ-диаграммы классов и значений факторов, дендрограммы кластеризации классов и значений факторов и графики межкластерных расстояний, нелокальные нейроны и нейронные сети, 2ё и 3ё-интегральные когнитивные карты, когнитивные функции и другие формы когнитивной графики. Рассмотрим примеры некоторых из этих выходных форм.
Когнитивные диаграммы классов и значений факторов приведены на рисунках 1:
СЕМ^
КОНСТРУКТ КЛАССА: [3]-ВРП НАДУШУ НАС.В ТЕК.ЦЕНАХ ТЫС.РУБ.,С 1998Г.-РУБ.-3/3-{20924.0000000, 46543.0000000} Приложение: АСК-анализ влияния инвестиций в АПК на качество жизни населения региона
Рисунок 1. Примеры 2ё-когнитивных диаграмм классов и значений
факторов2
2 При увеличении масштаба просмотра все рисунки в статье вполне читабельны
Параметры, при которых получены данные диаграммы, приведены на самих диаграммах. В отличие от традиционного подхода в АСК-анализе и системе «Эйдос» весовые коэффициенты на когнитивных диаграммах определяются расчетным путем на основе статистических и системно-когнитивных моделей (СК-модели), а не на основе экспертных оценок на основе интуиции, опыта и профессиональной компетенции. Из первой когнитивной диаграммы на рисунке 1 мы видим, что классы группируются в два основных кластера, образующих полюса конструкта: «Качество жизни». На одном полюсе этого конструкта группируются классы, характеризующие высокий уровень качества жизни, а на другом низки. На второй когнитивной диаграмме мы видим, что значения факторов также образуют конструкт. Полюса этого конструкта образуют системы детерминации, обуславливающими переход объекта моделирования в состояния, соответствующие полюсам конструкта классов.
8Ш0Т-анализ классов проводится с целью определения значений факторов, обуславливающих переход объекта управления в некоторое заданное состояние, в частности в целевое состояние (рисунок 2).
Рисунок 2. SWOT-диаграмма с системой детерминации целевого
состояния (пример)
8ШОТ-анализ значений факторов проводится с целью определения классов, переход в которые обуславливает данное значение фактора (рисунок 3):
Рисунок 3. Инвертированная 8ШОТ-диаграмма влияния значения фактора
(пример)
Кластерный анализ классов используется для определения корректности целей управления, т.е. определения того, являются ли целевые состояния объекта моделирования совместимыми по обуславливающим их значениям факторов, и, следовательно, достижимыми одновременно, или они являются взаимно исключающими, т. е. альтернативными и одновременно получены быть не могут (рисунок 4).
Рисунок 4. Агломеративная дендрограмма кластерного анализа классов
Например, из дендрограммы на рисунке 4 мы видим, что средний уровень безработицы (код 17) обусловлен примерно теми же значениями факторов, что и средняя доля населения с наивысшими доходами (код 11).
Кластерный анализ значений факторов используется для замены рекомендуемых значений факторов, которые нет возможности использовать, на другие, сходные по влиянию на объект управления (рисунок 5).
На рисунке 5 приведен алгоритм принятия управляющих решений в автоматизированном системно-когнитивном анализе (АСК-анализе) и его программном инструментарии - интеллектуальной системе «Эйдос».
Нелокальные нейроны и нейронные сети приведены на рисунках 6 и
7.
2d интегральные когнитивные карты отображают содержательно сходство-различие двух классов или двух значений факторов (рисунки 8 и
9):
Рисунок 5. Агломеративная дендрограмма кластерного анализа значений
факторов
Рисунок 6. Пример нелокального нейрона
А)
Б)
Рисунок 7. Один слой нейронной сети СК-модели 1пВ: А) - полный слой;
Б) - фрагмент из 7.68% наиболее сильных по модулю связей
соа0гаась0ю1-го12-06.та, ^ . л. * ш - . тгъ <т " м —- , л ^ КОГНИТИВНАЯ ДИАГРАММА КЛАССОВ В МОДЕЛИ: "1^3" Приложение: "АСК-анализ влияния инвестиций в АПК на качество жизни населения региона" Кл.шкала: [1] ВРП НАДУШУ НАС.В ТЕК.ЦЕНАХ ТЫС.РУБ.,С 1998Г.-РУБ. - , ипя^пв- "К ЯКК°/ Кл.шкала: [4] ДОЛЯ ДОХОДОВ 20% НАСЕЛЕНИЯ С НАИВЫСШИМИ Д Класс: [1] 1/3-{2237.0000000, 8985.0000000} <-ХОД./раЗЛ .КЛЭССОВ. ¿.ИОО /о Класс: [12] 3/3444.8000000,46.2000000} Наименования признаков: Наименования признаков:
[1] инвестиции в основной капитал - всего, млн.руь [2] 2/4-[743.0,9933.0} !™7 | V \ щш яг [5] инв. в осн.кап.по крупн. и средн.предпр. - лес ное хозяйство, млн.руб. [20] 4/4416.0,28.0} Е ОБ
[2] инв. в осн.кап.по крупн. и средн.предпр. - все го, млн.руб. [6] 2/4-{743.0,6159.0} ¡0=2.57°!7 ^ ™ [16] инв. в осн.кап.по крупн. и средн.предпр. - пр очие непроизводственные отрасли, млн.руб. [63] 3/4-{127.0,167.0}
[17] инвестиции в основной капитал апк по крупны \1 и средним предприятиям - всего, млн.руб. [66] 2/44245.0,1093.0} 15 [12] инв. в осн.кап.по крупн. и средн.предпр. - зд равоохранение, физическая культура и социальн! [48] 4/4-{3074.0,4371.0}
[16] инв. в осн.ка11.110 кру11н. и срщн.1 1рьд11р. -11р очие непроизводственные отрасли, млн.руб. [63] 3/4-{127.0,167.0} 1ь=1.143 1р=20.807 | 1Ь=-0.747 [3] ИНВ. В ОСН.КА1 I I10 КРУ11Н. И СРЬДНЛ 1РЬД11Р. -11РО МЫШЛЕННОСТЬ, МЛН.РУБ [10]2/4-{100.0,1594.0}
[11] ИНВ. В ОСН.КАП.ПО КРУПН. И СРЕДН.ПРЕДПР - ЖИ ЛИЩНО-КОММУНАЛЬНОЕ ХОЗЯЙСТВО. МЛН РУБ. [43] 3/4-{1019.0,1274.0} 1Ь=-0.945 3? [15] ИНВ. В ОСН.КАП.ПО КРУПН. И СРЕДН.ПРЕДПР. - НА УКА И НАУЧНОЕ ОБСЛУЖИВАНИЕ, МЛН.РУБ. [58] 2/4-{2.0,4.0}
[12] ИНВ. В ОСН.КАП.ПО КРУПН. И СРЕДН.ПРЕДПР. - ЗД РАВООХРАНЕНИЕ, ФИЗИЧЕСКАЯ КУЛЬТУРА И СОЦИАЛЬНО! [48] 4/4-{3074.0,4371.0} 1Ь=-0.945 " Яр^-17.212 3 [4] ИНВ. В ОСН.КАП.ПО КРУПН. И СРЕДН.ПРЕДПР. - СЕЛ ЬСКОЕ ХОЗЯЙСТВО, МЛН.РУБ [14] 2/4-{88.0, 555.0}
[7] ИНВ. В ОСН.КАП.ПО КРУПН. И СРЕДН.ПРЕДПР. - СВЯ ЗЬ, МЛН.РУБ. [27] 3/4-{275.0,1184.0} — 5г [5] ИНВ. В ОСН.КАП.ПО КРУПН. И СРЕДН.ПРЕДПР. - ЛЕС НОЕ ХОЗЯЙСТВО, МЛН.РУБ. [17] 1/441.0, 3.0}
Фильтр по оп.шкале: [и] виь и! 1иид 1ьльныь шкалы т-ьв Фильтр по оп.шкале: [и] виь и! миа 1ьльныь шкалы т-ьа
Рисунок 8. Пример 2d-когнитивной карты, содержательно отображающей сходство-различие системы детерминации двух классов
Рисунок 9. Пример 2d-когнитивной карты, содержательно отображающей сходство-различие двух значений факторов по их влиянию на объект
моделирования
3d-интегральные когнитивные карты (рисунок 10) являются объединением на одной диаграмме 2d-когнитивных диаграмм классов и значений факторов (рисунок 1) и слоя нейронной сети (рисунок 7):
Рисунок 10. Пример 3d-когнитивной карты (фрагмент)
Отметим, что 3d-интегральные когнитивные карты являются наиболее полным графическим отображением статистических и СК-
моделей АСК-анализа и системы «Эйдос». Когнитивные функции отображают влияние всех значений фактора на переход объекта моделирования в будущие состояния, соответствующие классам одной классификационной шкалы. В исследуемой в данной статье СК-модели 17 описательных шкал (факторов) 15 классификационных шкал (результатов влияния факторов на поведение объекта моделирования). Поэтому в этой модели 17*15=255 когнитивных функций. Из них мы в качестве примера приведем лишь одну (рисунок 11). В когнитивной функции каждому значению фактора соответствуют все классы, но в различной степени, которая отображается цветом. Класс, соответствующий состоянию объекта моделирования, о переходе в которое в данном значении функции содержится максимальное количество информации, в когнитивной функции отображается красным цветом, а о переходе в которое минимальное количество информации - фиолетовым цветом. Точки с максимальным количеством информации соединены линией, как и точки с минимальным количеством информации.
Рисунок 11. Пример когнитивной функции
В данной статье авторы смогли показать лишь некоторые из возможностей исследования моделируемой предметной области путем исследования ее модели, имеющиеся в АСК-анализе и системе «Эйдос». В более полном варианте исследование может быть проведено в специальных отчетах.
Литература:
1. Луценко Е.В., Лойко В.И., Барановская Т.П. От управления инвестициями к управлению с помощью инвестиций. // НОВЫЕ ТЕХНОЛОГИИ. Вып. 4, 2017 г. -Майкоп: изд-во ФГБОУ ВО «МГТУ», 2017. - 184 -191. http://lib.mkgtu.ru/images/stories/journal-nt/2017-04/026.pdf
2. Барановская Т.П., Луценко Е.В. Информационные и когнитивные технологии в управлении качеством жизни путем инвестиций в АПК: формальная постановка задачи // НОВЫЕ ТЕХНОЛОГИИ. Вып. 3, 2018 г. - Майкоп: изд-во ФГБОУ ВО «МГТУ», 2018. - 86 - 91. http://lib.mkgtu.ru/images/stories/journal-nt/2018-03/012.pdf
3. Барановская Т.П., Луценко Е.В. Информационные и когнитивные технологии в управлении качеством жизни путем инвестиций в АПК: синтез и верификация системно-когнитивных моделей // НОВЫЕ ТЕХНОЛОГИИ. Вып. 4, 2018 г. - Майкоп: изд-во ФГБОУ ВО «МГТУ», 2018. - 102 -107. http://lib.mkgtu.ru/images/stories/journal-nt/2018-04/013.pdf
References
1. Lucenko E.V., Lojko V.I., Baranovskaja T.P. Ot upravlenija investicijami k upravleniju s pomoshh'ju investicij. // NOVYE TEHNOLOGII. Vyp. 4, 2017 g. - Majkop: izd-vo FGBOU VO «MGTU», 2017. - 184 -191. http://lib.mkgtu.ru/images/stories/journal-nt/2017-04/026.pdf
2. Baranovskaja T.P., Lucenko E.V. Informacionnye i kognitivnye tehnologii v upravlenii kachestvom zhizni putem investicij v APK: formal'naja postanovka zadachi // NOVYE TEHNOLOGII. Vyp. 3, 2018 g. - Majkop: izd-vo FGBOU VO «MGTU», 2018. -86 - 91. http://lib.mkgtu.ru/images/stories/journal-nt/2018-03/012.pdf
3. Baranovskaja T.P., Lucenko E.V. Informacionnye i kognitivnye tehnologii v upravlenii kachestvom zhizni putem investicij v APK: sintez i verifikacija sistemno-kognitivnyh modelej // NOVYE TEHNOLOGII. Vyp. 4, 2018 g. - Majkop: izd-vo FGBOU VO «MGTU», 2018. - 102 -107. http://lib.mkgtu.ru/images/stories/journal-nt/2018-04/013.pdf
