CC BY
62
10. Индикаторы науки. 2007. Стат. сб.: ГУ ВШЭ. — М.: 2007. — С.102-103.
11. Хлунов А.В. Приоритеты государственной технологической политики. Наука и власть: Проблемы коммуникаций. Матер.
Всерос. науч. конф. Москва 26 сентября 2008г. — М.: Научный эксперт, 2009. — С 41.
12. Лебедева Е.И. О проблемах государственных приоритетов в финансировании научных исследований в Российской Федерации // Инновационное развитие экономики России: Ресурсное обеспечение. Вторая Междунар. науч. конф. — Москва. 22-24
апреля 2009 г.: Сб. тр. МГУ. Экон. фак-т. / Под ред. В.П. Колесова, Л.А. Тутова. — М.: МАКС Пресс, 2009. — С. 217.
13. Макеева И.В. Экономические условия развития наукоградов // Финансы. — 2008. — № 2. — С. 21.
14. Вердикт профессионалов. Счетная палата проверяет, анализирует, рекомендует // Научно-технический бюллетень развития наукоградов России. — 2009. — № 1. — С.5.
15. Круглый стол: Роль финансовой и банковской системы в инновационном развитии экономики // Финансы. — 2008. — № 6. — С. 78.
17. Там же.
институциональный подход к моделированию процесса ТРАНСФЕРА ИННОВАЦИЙ
В.Д. Шалынин,
доцент кафедры экономики и предпринимательства Санкт-Петербургского института машиностроения (ЛМЗ-ВТУЗ), соискатель кафедры экономики и управления на автомобильном транспорте Саратовского государственного технического университета,
кандидат технических наук
В статье обосновываются преимущества подхода к моделированию процесса трансфера инноваций, построенного на математическом аппарате теории нечетких мер и нечетко-интегрального исчисления. Показывается, что применение в интеллектуальных аналитических системах Риггу-технологии позволяет достичь качественной новизны на основе создания возможности оценить любой аспект инновационной деятельности — политический, социальный, технический, экономический, исследовать общую схему взаимодействия субъектов трансфера инноваций в системе коммуникаций инновационной системы.
Ключевые слова: модель трансфера инноваций, инновационная система, теория множеств, экспертно-аналитическая система, нечеткая логика, Риггу-технология.
УДК.510.22.(075.8); ББК 67.404.3
Инновационность предполагает исследование реальности как недетерминированной и целостной системы, подверженной влиянию множества факторов и не подчиняющейся простым правилам менеджмента. Именно поэтому инновацию нельзя запланировать или директивно предписать — ее можно только спрогнозировать, учитывая тенденции рынка.
Прогнозное моделирование трансфера инноваций в национальной инновационной системе (НИС) представляет сложную проблему, и без применения современных математических методов, программно-ориентированных экспертно-аналитических систем обойтись невозможно, учитывая жёсткие временные параметры и конкуренцию.
Наиболее масштабная попытка решения проблемы моделирования задач трансфера инноваций в национальной инновационной системе была предпринята в 2003 г. группой специалистов по инновациям кафедры системной интеграции и менеджмента МФТИ (А.Н. Отоцкий, В.В. Шишов, И.В. Десятов, Е.П. Кузнецов и др.). В рамках реализации пилотного проекта осуществлялась практическая отработка элементов системы коммуникаций инновационной системы на территории Московской области (Научно-промышленный комплекс Московской области по масштабам занимает третье место после Москвы и Санкт-Петербурга) [2; 10; 11].
Учеными, входящими в состав группы, были опробованы все известные организационные системы управления — линейные, функциональные, матричные, дивизиональные, множественные, штабные. Использовались все традиционные технологии управления: управление менеджментом, бизнес-планирование,
проектное управление, управление персоналом, управление качеством и т. п., которые не привели к успеху. Исследуя итоговые материалы по реализации пилотного проекта, учёные пришли к выводу: разнообразие известных и апробированных систем управления неадекватно разнообразию существующей инновационной системы, т.е. не выполняется закон необходимого разнообразия У.Р Эшби. Как одну из причин указанного несоответствия исследователи отмечают разорванную связь между наукой и производством. Обе эти сферы экономики страны функционируют практически в автономном режиме.
Одним из направлений преодоления этого разрыва соисполнители проекта считают создание функционально-завершенной инновационной системы, имеющей четко выраженную мотивацию действия каждого субъекта. По их мнению, решение этой задачи предусматривает применение кибернетических методов моделирования с целью адекватного увеличения разнообразия системы управления инновационной системой Московской области.
С этой целью сотрудниками группы был проведен ряд исследований по решению наиболее значимых проблем управления трансфером инноваций в инновационной системе Московского региона. Было установлено:
• несоответствие существующей методики сбора и обработки первичной информации о субъектах системы коммуникаций трансфера инноваций (Московской области) критическим требованиям соответствия первичной информации реальному состоянию субъектов системы коммуникаций инновационной системы. Это, в свою очередь, ставит под сомнение эффек-
тивность самого процесса моделирования. Попытка создания специфической методики сбора и обработки информации завершилась в 2005 г. разработкой Госкомстатом (с учетом опыта западных стран) новой статистической формы отчетности (форма № 4, раздел по инновациям);
• отсутствие нормативно-правовой регламентации взаимодействия субъектов системы коммуникации трансфера инновации и мотивации их поведения;
• отсутствие отлаженной системы передачи потоков информации между субъектами системы коммуникаций трансфера инноваций;
• состояние инновационной системы Московской области не удовлетворяет критерию необходимого разнообразия У.Р Эшби. Другими словами, для обеспечения жизнеспособности инновационной системы она должна обладать достаточным разнообразием, адекватным разнообразно окружающей среды;
• отсутствие приемлемого варианта разработанной целостной модели трансфера инноваций;
• проблематичность реализации самого кибернетического подхода в управлении трансфером инноваций в системе коммуникаций инновационной системы Московской области в силу неадекватности выбора базового параметра моделирования, не учитывающего закон необходимого разнообразия У. Эшби.
Попытки решения указанных проблем в ходе реализации пилотного проекта не привели к успеху. Анализ результатов реализации проекта и выводов группы ученых позволяют сделать обоснованный вывод о наиболее существенных причинах его недостаточного успеха. По мнению автора, затруднения в реализации кибернетического подхода к управлению трансфером инноваций в Московской области обусловлены рядом объективных и субъективных причин:
• упоминаемая в исследованиях московских ученых методика сбора первичной информации о состоянии субъектов коммуникаций трансфера инноваций не адекватна рассматриваемой кибернетической системе. Эффективное управление трансфером инновации в любой инновационной системе возможно лишь при поддержании во времени необходимого внутреннего разнообразия системы. Это напрямую связано с отсутствием отлаженной системы передачи потоков информации субъектами коммуникаций в процессе трансфера инноваций. Отсюда возникает необходимость обработки нечеткой первичной информации в реальном, или близком к реальному, масштабе времени. Оптимальная организация передачи потоков информации является решающим фактором процесса трансфера инноваций в инновационной системе. Именно на этом определяющем моменте акцентирует свое внимание один из главных экспертов международного проекта BRUIT Славко Радошевич в докладе «Анализ инновационной политики России и Украины по методологии Европейского Союза»: «Знания должны свободно перетекать в современной экономике» [9]. К примеру, инновационная система Японии по своей структуре представляет перцептрон Розенблата и идентична организационной структуре человека—управление более централизованно и основано на стратегическом управлении;
• в настоящее время взаимодействие субъектов системы коммуникаций трансфера инноваций, мотивация их поведения не имеет нормативно-правового обеспечения, кроме общих положений различных программных документов (стратегий, концепций, программ проектов и т.д.);
• для обеспечения жизнеспособности инновационной системы она должна обладать достаточным разнообразием, чтобы соответствовать любому внешнему разнообразию окружающей среды. При этом существует два способа обеспечения такого соответствия:
а) препятствовать воздействию внешнего разнообразия (торговые ограничения, таможенные ограничения, система правовой защиты объектов интеллектуальной системы);
б) повышение собственного разнообразия через обращение к новым знаниям и ресурсам (понижение уровня энтропии инновационной системы).
• Существующие практические варианты моделей, как правило, отражают процесс трансфера инноваций с учетом какого-либо одного фактора — политического, экономического, социального, технического, и т.п.
Разработать приемлемый отечественный вариант многофакторной модели, позволяющей учесть влияние наиболее существенных факторов трансфера инновации, не удалось, несмотря
на имеющийся положительный опыт стран дальнего и ближнего зарубежья [1]. Проблематичность учета разнородных факторов при моделировании трансфера инноваций, по мнению автора, предопределяет выбор институционального подхода к реализации самого процесса моделирования. Это обусловлено тем, что процесс трансфера инноваций является ярко выраженным нелинейным и трудно прогнозируемым процессом. Для его описания и моделирования необходим накопленный опыт не только кибернетики, но и смежных наук — философии, теории информации, теории управления, лингвистики, специальных разделов математики. Подобная институциональность в подходе к моделированию трансфера инноваций предопределяет исключительную роль специалистов-экспертов, осуществляющих обработку первичной информации для моделирования, а также моделирование и обработку его результатов. Именно на исключительной роли экспертов акцентирует внимание У.Р. Эшби в одной из своих работ: «...разнообразие системы не является его внутренним свойством: для точного определения разнообразия нужно указать наблюдателя и его способность различения» [8].
В свою очередь, строгое применение количественных методов возможно только к хорошо формализованному языку, а значит естественный язык, обычно используемый в социальноэкономических коммуникациях, необходимо либо упростить (что нереально), либо создавать сложные логико-семантические формальные системы, позволяющие приблизиться к формализации естественного языка [1; 6]. В противном случае невозможно выявить и отразить нечеткость, заложенную в первичной информации о состоянии инновационной системы.
В этом случае, по мнению автора, очень значимым является вывод А.Д. Урсула о том, что «закон необходимого разнообразия выступает как информационный закон управления, но рассматривает управление в основном в структурно-синтаксическом плане (количественное выражение получает лишь синтаксическое разнообразие) [4; 5]. Далее в своей работе А.Д. Урсул подчеркивает: «Синтаксические методы теории информации оказываются в состоянии лишь в какой-то мере отразить формальный (структурный) аспект информации, но уже непригодны для описания качественных аспектов информации, выступающих в больших системах на первый план» [4].
Данный вывод базируется на том, что, рассматривая подход У.Р. Эшби к трактовке понятия «информация», А.Д. Урсул отмечает: «У.Р.Эшби как биолог, как кибернетик имел право утверждать, что информация — это разнообразие, основываясь только на статистической теории информации». Однако, только «семантическая» теория информации разрешает противоречия между статистическими и нестатистическими подходами [5]. Ключевым в теории семантической информации (Ю.А. Шрейдер) является положение о том, что количество семантической информации определяется через изменение разнообразия запаса знаний субъекта.
Существующие математические концепции теории информации предусматривают изучение различных видов разнообразия: статистического, семантического, динамического, комбинаторного, алгоритмического, топологического и т. д. То есть предметом их (концепций) изучения является разнообразие в той или иной особенной форме. При этом, каждому виду разнообразия должен соответствовать свой вид информации.
«И в этом плане предполагается, что статистический и нестатистические подходы (динамический, комбинаторный и другие) могут быть объединены на базе теории множеств» [5]. Предпосылкой к такому выводу послужило то, что, У.Р. Эшби в своих исследованиях исходил из общих идей Н. Винера и результатов, полученных К. Э. Шенноном. В книге «Введение в кибернетику» У.Р. Эшби, формулируя закон необходимого разнообразия, признает, что закон является обобщением 10-й теоремы К. Шеннона применительно к процессам управления: «Любая кибернетическая система потому и функционирует, что в ее основе заключено объективное единство и противоположность информации и энтропии» [7]. Эти смежные понятия впервые связал в 1948 г. К. Шеннон, рассматривая информацию как снятую неопределённость. Снятие или снижение неопределённости даёт возможность принимать обоснованные управленческие решения и делать однозначный выбор. Именно в этом и проявляется управляющая роль информации. Взаимосвязь энтропии и информации в аналитической форме подтверждает Леон Бриллюэн: «Получение информации о состоянии физической системы эквивалентно соответствующему уменьшению ее энтропии» [3].
• проведение прогнозной оценки объектов интеллектуальной собственности;
• осуществление нелинейного контроля за процессом инновационной деятельности;
• формирование самообучающейся системы;
• детальное исследование критических и рисковых ситуаций инновационной деятельности;
• совершенствование стратегии процесса трансфера инноваций.
Исследования, проведенные учеными компании «ИНЕКС», показывают, что на сегодняшний день моделирование задач управления трансфером инноваций с использованием методологии нечеткой логики может обеспечить математические инструментарии следующих известных математических аппаратов [1]:
1. Многозначной логики.
2. Теории вероятностей.
3. Теории ошибок.
4. Теории интервальных средних.
5. Теории субъективных вероятностей.
6. Теории нечетких множеств.
7. Теории нечетких мер и интегралов.
Сопоставление эффективности представленных математических аппаратов проводилось по 18 параметрам (табл. 1). По результатам анализа построена диаграмма их рейтинга (рис. 1).
Сопоставительный анализ эффективности математических аппаратов позволяет определить наиболее эффективный математический инструментарий — аппарат теории нечетких мер и нечетко-интегрального исчисления.
Технология, использующая компоненты математического обеспечения теории нечетких множеств, теории нечетких мер, нечетко-интегрального исчисления — Fuzzy- технология. Именно Fuzzy-технология позволяет обеспечить эффективное решение экспертно-аналитических задач в условиях разнородной неопределенности реального процесса трансфера инноваций. Реализация возможностей Fuzzy-технологии позволяет обрабатывать информацию:
• точную, четкую;
• неточную (интервальную);
• точную, статистически неопределенную;
• неточную, нечеткую информацию.
Именно институциональный подход лежит в основе применения Fuzzy-технологии и обеспечивает качественно новый
Таблица 1
Характеристики эффективности математических аппаратов
№№ Учитываемая характеристика Инструментарий
1 2 3 4 5 6 7
1. Учет физической числовой неопределенности - + + + + + +
2. Учет физической нечисловой (событий) неопределенности + + - + + + +
3. Учет нечисловой лингвистической неопределенности + - - - + + +
4. Зависимость ошибки конечного результата от точности задания исходных данных недо- пус- тима Очень сильно растет растет не превосходит ошибки на выходе
5. Возможность учета модальности информации + - - - - + +
6. Учет квалификации уровня (количественной оценки) неопределенности - + - - + + +
7. Учет квалификации (более чем, значительно, очень и т. д.) + - - - - + +
8. Учет противоречия между точностью и неопределенностью + - - - - - +
9. Эффективность формализации полного незнания + - + + + + +
10. Отсутствие требования задания полного перечня событий + - + + - + +
11. Эффективный учет взаимовлияния неопределенности + - - - - - +
12. Возможность одновременного получения пессимистических и оптимистических оценок и уровня доверия к ним - + - + + + +
13. Единый подход к представлению точных, неопределенных, неполных, нечетких значений атрибутов - - - - - - +
14. Возможность реализации алгоритмов обработки информации + + + + + + +
15. Возможность работы на профессиональном языке + - - - - + +
16. Простота выявления экспертных знаний + - + + - + +
17. Возможность работы с неопределенной информацией, основанной на малых статистических выборках + - + + - + +
18. Наглядность получаемых результатов - - - - - - +
Поскольку неопределенность в реальном процессе управления трансфером инноваций не всегда жестко связана со случайностью, то категорию неопределенности можно характеризовать тремя признаками:
• взаимосвязью, взаимозависимостью состояний субъектов инновационной системы;
• наличием тождественных свойств сторон в субъектах инновационной системы;
• процессом превращения возможностей в действительность.
Поэтому в основу предлагаемого автором институционального подхода к моделированию трансфера инноваций должна быть положена технология управления, формализующая неопределенность и позволяющая оценивать связанные с ней риски. Необходимым условием реализации формализованного подхода является возможность описания нечетких понятий в количественных категориях, т.е. оценки с помощью каких-либо математических конструкций. В условиях недостатка достоверной, четкой информации наиболее предпочтительным является подход на основе специальных методов и соответствующих инструментальных средств, обеспечивающих достоинства лингвистического и вероятностного подходов, но не требующий обязательного получения точной и, как правило, дорогостоящей информации. Реализовать достоинства лингвистического и вероятностного подходов в условиях воздействия факторов неопределенности возможно лишь с помощью экспертно-аналитических систем на базе аппарата нечеткой логики [1]. Только методы и технологии, основанные на нечеткой логике, позволяют осуществить моделирование трансфера инноваций в условиях тотальной неопределенности. Ещё в 90-е гг. Бартоломей Коско доказал FAT-теорему: «Любая математическая система может быть аппроксимирована системой, основанной на нечёткой логике». Нечеткая логика — это многозначная логика, которая позволяет промежуточным значениям быть определенными между точными оценками. Методология нечеткой логики дает возможность применять принципы человеческого мышления в программировании и моделировании систем и процессов.
Экспертно-аналитические системы на базе нечеткой логики позволяют эффективно решать задачи моделирования и прогнозирования трансфера инноваций.
Подобные экспертные системы в условиях разнородной неопределенности обеспечивают решение полного спектра частных задач управления трансфером инноваций:
18
16
14
12
10
8
6
4
2
0
Рис. 1. Рейтинг эффективности математических аппаратов
уровень моделирования. Использование Fuzzy-технологии в интеллектуальных аналитических системах позволяет оценить любой аспект инновационной деятельности — политический, социальный, технический, экономический, исследовать общую схему взаимодействия субъектов трансфера инноваций в системе коммуникаций инновационной системы. Создание действительно интеллектуальных аналитических систем дает возможность отойти от догматики детерминированных или стохастических подходов, которые не в состоянии учесть и описать модальные оттенки при анализе данных или суждений эксперта. Fuzzy-технология предполагает осознанное и направленное использование лингвистических квалификаторов модальности в процессах моделирования, принятия решений и управления. Модальные квалификации в лингвистических конструкциях есть достаточно мощный и в то же время деликатный инструмент для формирования экспертных суждений [1].
Институциональный подход к моделированию процесса трансфера инновации в инновационной системе любого уровня на основе аппарата нечеткой логики не противоречит кибернетическому, а лишь дополняет его, поскольку инновационная система это, прежде всего и более всего, информационная система, и взаимодействия между субъектами трансфера инноваций в инновационной системе, прежде всего, информационные. При этом следует учитывать, что инструментарий нечеткой логики — это только «усилитель» интеллектуальной мощности эксперта и не всегда заменяет существующие методы, а только дополняет их.
Литература
1. Бочарников В.П., Светников С.В. Fuzzy-Technology: основа моделирования и решения экспертно-аналитических задач. — К.: Эльга, Ника-Центр, 2003. — 296 с.
2. Отоцкий А.Н., Стаффорд Бир и перспективы инновационного трансфера // Компьютер. — 2003. — № 38(511). — С.54-55.
3. Урсул А.Д. Негэнтропийный принцип информации и научное познание (Рецензия на книгу Л. Бриллюэна «Научная неопределенность и информация». -М.: Наука, 1966) // Вопросы философии. — 1967. — № 11. — С. 47-62.
4. Урсул А.Д. Информация. Методологические аспекты. — М.: Наука, 1971. — 460 с.
5. Урсул А.Д. Нестатистические подходы к теории информации // Вопросы философии. — 1967. — № 2. — С. 38-62.
6. Шалынин В.Д. Интеллектуальная собственность: Теоретические и прикладные проблемы правовой защиты и оценки объектов интеллектуальной собственности. — СПб.: Изд-во Политехн. ун-та, 2007. — 160 с.
7. Шеннон К.Э. Работы по теории информации и кибернетике. — М.: Наука, 1963. — 386 с.
8. Эшби У. Росс. Введение в кибернетику. — М.: Наука, 1959. — 412 с.
9. Ваганов А.В. Инновационные системы России и Украины оценили по европейским стандартам. URL: http://www.rftr.ru/show. php?id=479&code=AR (дата обращения 10.12.2009).
10. Отоцкий П.Л., Десятов И.В., Кузнецов Е.П., Серегин С.Н., Сысо П.А., Шишов В.В. Анализ механизмов снижения рисков инновационной деятельности на базе кибернетического управления национальной, региональной или крупной корпоративной инновационной системой. URL: http://zhurnal.ape.relarn.ru/articles/2006/011.pdf (дата обращения 18.11.2008).
11. Шишов В.В., Клименко С.В. О снижении рисков в инновационной деятельности на основе использования классического кибернетического подхода. URL: http://smi-svoi.ru/content/?f1=5930sn=1384 (дата обращения 18. 09. 2009).
1
2
3
4
5
6
7
