Количественный автоматизированный SWOTи pest-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++»1 Текст научной статьи по специальности «Компьютерные и информационные науки»

Научный журнал КубГАУ, №101(07), 2014 года

1

УДК 303.732.4 КОЛИЧЕСТВЕННЫЙ

АВТОМАТИЗИРОВАННЫЙ SWOT- И PEST-АНАЛИЗ СРЕДСТВАМИ АСК-АНАЛИЗА И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ «ЭЙДОС-Х++»1

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail. com

SWOT-анализ является широко известным и общепризнанным метод стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Т аким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос». В статье на реальном численном примере подробно описывается возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач SWOT-анализа. PEST-анализ рассматривается как SWOT-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в данной статье на примере SWOT-анализа, можно распространить и на PEST-анализ

Ключевые слова: КОЛИЧЕСТВЕННЫЙ АВТОМАТИЗИРОВАННЫЙ SWOT-АНАЛИЗ, АСК-АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС-Х++», ЭКСПЕРТНЫЕ ОЦЕНКИ, ЭМПИРИЧЕСКИЕ ДАННЫЕ

UDC 303.732.4

QUANTITATIVE AUTOMATED SWOT AND PEST ANALYSIS USING ASC-ANALYSIS AND "EIDOS X++" INTELLIGENT SYSTEMS

Lutsenko Evgeniy Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor

Kuban State Agrarian University, Krasnodar, Russia

SWOT analysis is a widely known and generally accepted method of strategic planning. However, this does not preclude the fact that it’s been criticized, often quite fair and well-reasoned. A critical review of the SWOT analysis revealed quite a lot of his weaknesses (disadvantages), the source of which is the need to engage experts, in particular to assess the strength and direction of influence factors. It is clear that the experts do it by the informal (intuitive), on the basis of their professional experience and competence. But experts have their limitations and often for various reasons they can't and don't want to do it. Thus, the problem arises of the SWOT-analysis, without the involvement of experts. This problem can be solved through automation of the functions of the expert, i.e. by measuring the strength and direction of influence factors directly based on empirical data. This technology was developed long time ago, it is already 30 years old, it was named "Eidos". This article on real numerical examples describes in detail the possibility of automated quantitative SWOT analysis by means of ASC-analysis and intelligent systems of "Eidos X++" without help of experts, when the estimations are based directly on empirical data. We have also proposed a solution of direct and inverse problems of the SWOT analysis. PEST analysis has been considered as a SWOT analysis, with more detailed classification of external factors. Therefore, the conclusions obtained in this article on the example of SWOT analysis can be extended to PEST-analysis

Keywords: AUTOMATED QUANTITATIVE SWOT ANALYSIS, ASC-ANALYSIS, INTELLIGENT SYSTEM "EIDOS X++", EXPERT EVALUATION, EMPIRICAL DATA

1 Материал подготовлен по результатам исследований, проведенных при финансовой поддержке РГНФ, проект №13-02-00440а

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

2

СОДЕРЖАНИЕ

ВВЕДЕНИЕ........................................................2

1. ФОРМУЛИРОВКА ПРОБЛЕМЫ И ИДЕЯ ЕЕ РЕШЕНИЯ.........................4

2. ЭТАПЫ АСК-АНАЛИЗА И ПРЕОБРАЗОВАНИЕ ДАННЫХ В ИНФОРМАЦИЮ, А ЕЕ В

ЗНАНИЯ В СИСТЕМЕ «ЭЙДОС»...........................................7

3. КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ................8

4. ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ..............................9

4.1. Разработка классификационных и описательных шкал и градаций.10

4.2. РАЗРАБОТКА ОБУЧАЮЩЕЙ ВЫБОРКИ, Т.Е. ОПИСАНИЕ ИСХОДНЫХ ДАННЫХ С ПОМОЩЬЮ КОДОВ

ГРАДАЦИЙ КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ................... 13

5. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ....................................13

6. ВЫБОР НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ В КАЧЕСТВЕ ТЕКУЩЕЙ............18

7. РЕШЕНИЕ ПРЯМОЙ ЗАДАЧИ SWOT-АНАЛИЗА..........................24

8. РЕШЕНИЕ ОБРАТНОЙ ЗАДАЧИ SWOT-АНАЛИЗА............................26

9. ПРЕОДОЛЕНИЕ НЕДОСТАТКОВ SWOT-АНАЛИЗА В АВТОМАТИЗИРОВАННОМ

КОЛИЧЕСТВЕННОМ SWOT-АНАЛИЗЕ СРЕДСТВАМИ АСК-АНАЛИЗА И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ «ЭЙДОС-Х++»...........................28

10. ВЫВОДЫ И РЕЗУЛЬТАТЫ........................................32

11. PEST-АНАЛИЗ КАК ДЕТАЛИЗИРОВАННЫЙ SWOT-АНАЛИЗ...............33

12. АСК-АНАЛИЗ И РЕИНЖИНИРИНГ БИЗНЕС-ПРОЦЕССОВ.....................33

13. НЕКОТОРЫЕ ОГРАНИЧЕНИЯ И ПЕРСПЕКТИВЫ........................35

ПРИЛОЖЕНИЕ (ФРАГМЕНТ ИСХОДНЫХ ДАННЫХ)..........................42

Введение2

SWOT-анализ - метод стратегического планирования, заключающийся в выявлении факторов внутренней и внешней среды организации и разделении их на четыре категории: Strengths (сильные стороны), Weaknesses (слабые стороны), Opportunities (возможности) и Threats (угрозы) [1].

Сильные (S) и слабые (W) стороны являются факторами внутренней среды объекта анализа, (то есть тем, на что сам объект способен повлиять); возможности (O) и угрозы (T) являются факторами внешней среды (то есть тем, что может повлиять на объект извне и при этом не контролируется объектом) [1]. Например, предприятие управляет собственным торговым ассортиментом — это фактор внутренней среды, но законы о торговле не подконтрольны предприятию — это фактор внешней среды.

2 Введение полностью основано на материалах сайта: https://ru.wikipedia.org/wiki/SWOT-анализ

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

3

Объектом SWOT-анализа может быть не только организация, но и другие социально-экономические объекты: отрасли экономики, города, государственно-общественные институты, научная сфера, политические партии, некоммерческие организации (НКО), отдельные специалисты, персоны и т. д. [1].

Аббревиатура SWOT визуально может быть п редставлена в виде таблицы:

Положительное влияние Отрицательное влияние

Внутренняя среда Strengths (свойства проекта или коллектива, дающие преимущества перед другими в отрасли) Weaknesses (свойства, ослабляющие проект)

Внешняя среда Opportunities (внешние вероятные факторы, дающие дополнительные возможности по достижению цели) Threats (внешние вероятные факторы, которые могут осложнить достижение цели)

SWOT-анализ предложен в 1963 году в Гарварде на конференции по проблемам бизнес-политики профессором Кеннетом Эндрюсом и является широко известным и общепризнанным методом стратегического планирования, который подробно описан в огромном количестве общедоступных источников, из которых мы указали лишь некоторые [1-7]. Поэтому в более подробном описании SWOT-анализа в данной статье нет никакой необходимости. Однако все это нисколько не мешает тому, что SWOT-анализ подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной [8].

Для целей данной статьи представляет интерес именно критическая оценка сильных и особенно слабых сторон самого SWOT-анализа, т.е. можно сказать проведение рефлексивного SWOT-анализа, в ходе которого он сам должен быть подвергнут SWOT-анализу.

SWOT-анализ эффективен при осуществлении начальной оценки текущей ситуации, однако он не может заменить выработку стратегии или качественный анализ динамики.

Сильные стороны SWOT-анализа:

1. Это универсальный метод, который применим в самых разнообразных сферах экономики и управления. Его можно адаптировать к объекту исследования любого уровня (продукт, предприятие, регион, страна и

пр.).

2. Это гибкий метод со свободным выбором анализируемых элементов в зависимости от поставленных целей (например, можно анализировать город только с точки зрения туризма или только с точки зрения работы транспорта и т.д.).

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

4

3. Может использоваться как для оперативной оценки, так и для стратегического планирования на длительный период.

4. Использование метода, как правило, не требует специальных знаний и наличия узкопрофильного образования.

Слабые стороны SWOT-анализа (недостатки):

1. SWOT-анализ показывает только общие факторы. Конкретные мероприятия для достижения поставленных целей надо разрабатывать отдельно.

2. Зачастую при SWOT-анализе происходит лишь перечисление факторов без выявления основных и второстепенных, без детального анализа взаимосвязей между ними.

3. Анализ даёт в большей степени статичную картинку, чем видение развития в динамике.

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, в то время как для оценки ситуации часто требуются количественные параметры.

5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит.

6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат.

Более подробно недостатки SWOT-анализа рассмотрены в хорошо аргументированной работе [8]. Но и перечисленного достаточно для того, чтобы сделать общий вывод о необходимости совершенствования SWOT-анализа в направлении, уменьшающем его недостатки.

1. Формулировка проблемы и идея ее решения

Каковы же источники слабых сторон, недостатков SWOT-анализа? Рассмотрим их в том же порядке, в каком они перечислены выше.

1. SWOT-анализ рассматривает только общие факторы, т.к. из-за ограниченных возможностей экспертов нет технической возможности рассматривать детализированные факторы, которые можно интерпретировать как конкретные мероприятия для достижения поставленных целей.

2. Из-за ограниченных возможностей экспертов при SWOT-анализе обычно лишь перечисляются факторы без выявления основных и второстепенных, без детального анализа взаимосвязей между ними.

3. SWOT-анализ даёт в большей степени статичную картинку, чем видение развития в динамике, так как SWOT-анализ в динамике предпола-

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

5

гает многократное проведение обычного статичного SWOT-анализа, а это невозможно из-за ограниченных возможностей экспертов.

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, которое дают эксперты, в то время как для оценки ситуации часто требуются количественные параметры. Но эксперты не могут количественно сравнить факторы по их силе и направлению влияния.

5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит и субъективизм SWOT-анализа неизбежно обусловлен субъективизмом экспертов, дающих оценки факторам.

6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат, а значит привлечения большого количества экспертов, что вообще практически невозможно, т.к. это люди в основном, занимающие высокое положение, работающие в условиях постойного цейтнота и их время стоит очень и очень дорого. Кроме того эксперты в ряде случаев по различным причинам просто не могут сообщить, каким образом они на сомом деле принимают решения.

Обобщая можно сделать обоснованный вывод о том, что слабые стороны, недостатки SWOT-анализа, обусловлены, прежде всего, необходимостью привлечения экспертов для решения различных задач в ходе проведения SWOT-анализа, основной из которых является оценка силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции, или проще говоря и мягко выражаясь «на глазок». Но возможности экспертов имеют свои физические и психические ограничения и часто по различным причинам они не могут или даже не хотят это сделать (например, потому, что истинные мотивы принятия решений не всегда можно обнародовать).

Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов.

Решение этой проблемы позволило бы существенно улучшить метод SWOT-анализа, практически преодолев многие его недостатки и при этом сохранив его сильные стороны.

По мнению автора, данная проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

6

Идея эта не нова. Различные попытки ее реализации упоминаются и в работе [8]. По мнению автора работы [8] смысл этих попыток довольно сложно понять и с ним трудно не согласиться. Работа [9] сама посвящена одному из подходов к автоматизации SWOT-анализа. Начинается эта работа многообещающе, но потом все сводится к описанию еще одного способа обобщения экспертных оценок, основанного на нечеткой логике, тогда как проблема заключается не в сложности обобщения экспертных оценок, а в сложности их получения. Таким образом, работа [9] не решает сформулированную проблему. Упоминается также: «Автоматизированный SWOT-анализ - уникальный программный аналитический сервис, разработанный CIBest - позволяет не только исследовать актуальное состояние любой компании, но и определить наиболее эффективные пути ее развития» [10] о котором кроме приведенной цитаты с указанного сайта практически нет никакой информации.

Между тем технология, обеспечивающая решение поставленной проблемы существует и разработана уже довольно давно: ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос» [10]. А в новой версии этой системы, описанной в работе [11], просто есть режимы, автоматизирующие SWOT-анализ и развивающие его. Необходимо также отметить, что система «Эйдос» является программным инструментарием автоматизированного системно-когнитивного анализа (АСК-анализ) [12].

Далее на простом реальном численном примере, взятом из работы [13], подробно рассмотрим возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных.

Объект SWOT-анализа описывается в АСК-анализе с помощью номинальных (текстовых) и числовых измерительных шкал, градации которых измеряются в различных единицах измерения. Теоретическое обоснование возможности корректной совместной сопоставимой обработки подобных данных дано в работах автора [14] и других. Основной принцип, на основе которого это становится возможным, состоит в том, что все показатели описывающие объекты рассматриваются только с точки зрения того, какое количество информации содержится в них о принадлежности объекта к определенным классам, в данном случае к ценовым категориям.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

7

2. Этапы АСК-анализа и преобразование данных в информацию, а ее в знания в системе «Эйдос»

Системно-когнитивный анализ включает следующие этапы [15], которые полностью автоматизированы в системе «Эйдос», за исключением первого (рисунок 1):

1. Когнитивная структуризация предметной области.

2. Формализация предметной области:

2.1. Разработка классификационных и описательных шкал и градаций.

2.2. Разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал.

3. Синтез и верификация моделей.

4. Выбор наиболее достоверной модели.

5. Решение задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области с применением наиболее достоверной модели.

Рисунок 1. Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и системе «Эйдос»

Рассмотрим конкретно, как реализуются этапы СК-анализа в системе «Эйдос» при решении поставленной в работе проблемы.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

8

3. Когнитивная структуризация предметной области

Это единственный не автоматизированный этап АСК-анализа. На этом этапе решается, что мы хотим определить и на основе чего. В данном случае мы хотим:

- построить модель, адекватно отражающую силу и направление влияние агротехнологических факторов на хозяйственные и финансовые результаты выращивания пшеницы;

- используя эту модель прогнозировать результаты применения заданной системы факторов;

- используя эту модель принимать решение о применении такой системы факторов, которая обусловит желаемый хозяйственно-финансовый результат.

Хозяйственно-финансовые результаты:

Урожайность (ц/га)

Качество

Прибыль (тыс.руб./га)

Прибыль (тыс.руб/поле)

Удельная прибыль (тыс.у.е./поле)

Удельная прибыль (у.е./га)

Агротехнологических факторы:

Площадь (га)

Сорт озим. пшеницы Предшест. 1 Предшест. 2 Предшест. 3 Предшест. 4 Предшест. 5 Предшест. 6 Предшест. 7 Предшест. 8 Предшест. 9 Предшест. 10

Обработка почвы(способ и глубина (см))

Посев (способ и норма высева (кг/га))

Основн.внесен.удоб.(кг/га д.в.)

Борьба с вредит.(препарат и доза)

Борьба с сорняками (препарат и доза)

Подкормка при севе

1- я подкормка

2- я подкормка

3- я подкормка

Микро и макро элементы (снижение стресса)

Борьба с болезнями (препарат и доза).

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

9

4. Формализация предметной области

Формализация предметной области включает:

- разработку классификационных и описательных шкал и градаций;

- разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал.

Эти функции могут выполняться в системе «Эйдос» вручную или автоматически в режиме 2.3.2.2 «Универсальный программный интерфейс импорта данных в систему Эйдос-Х++», экранная форма которого приведена на рисунке 2:

Рисунок 2. Экранная форма режима 2.3.2.2 «Универсальный программный интерфейс импорта данных в систему Эйдос-Х++»

Для запуска этого режима необходимо предварительно записать Excel-файл исходных данных, фрагмент которого представлен в приложении, с именем Inp_data.xls в папку:

c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xls Затем необходимо задать диапазон столбцов с классификационными шкалами и диапазон столбцов с описательными шкалами, как показано на рисунке 2, и с остальными параметрами по умолчанию и нажать ОК.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

10

4.1. Разработка классификационных и описательных шкал и градаций

Затем система открывает Excel-файл и определяет количество классификационных и описательных шкал и градаций текстового и числового типов при заданных ранее параметрах. Отображается экранная форма встроенного калькулятора, в которой мы видим результаты этого расчета, общую размерность модели, а также можем задать число градаций в числовых классификационных и описательных шкалах, если они есть (рисунок 3):

Рисунок 3. Калькулятор размерностей моделей

После задания числа градаций в числовых классификационных и описательных шкалах необходимо пересчитать характеристики модели, и если все устраивает, выйти на ее создание.

При задании количества градаций числовых шкал необходимо исходить из определенных соображений, связанных с теоремой Котельникова об отсчетах]. Чем больше мы зададим количество интервалов, тем меньше они будут и тем точнее модель будет давать оценки. Но лишь при том условии, что все интервальные значения будут представлены в эмпирических данных несколькими примерами. Ясно, что чем больше интервалов, тем больше необходимо данных для их заполнения. Получается, что чем точнее мы хотим получить модель, тем больше нам нужно исходных данных. А если у нас нет возможности увеличить объем исходных данных, то приходится выбирать такое количество интервалов, чтобы они все они были представлены несколькими примерами при таком их объеме. Чем меньше исходных данных, тем большего размера необходимо выбирать интервалы, чтобы они были представлены, тем ниже будет точность модели.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

11

В процессе создания модели режим конвертирует его в dbf-файл, стандартный для баз данных системы «Эйдос». Стадия выполнения этого процесса отображается в форме Progress-bar (рисунок 4),

Рисунок 4. Экранная форма стадии процесса формализации предметной области

Классификационные и описательные шкалы и градации, а также обучающая выборка, сформированные в результате выполнения режима, приведены в таблицах 1 и 2.

Таблица 1 - Классификационные шкалы и градации

Код Наименование

1 УРОЖАЙНОСТЬ(Ц/ГА)-1 /5-{32.1000000, 40.4000000}

2 УРОЖАЙНОСТЬ(Ц/ГА)-2/5-{40.4000000, 48.7000000}

3 УР0ЖАЙН0СТЬ(Ц/ГА)-3/5-{48.7000000, 57.0000000}

4 УР0ЖАЙН0СТЬ(Ц/ГА)-4/5-{57.0000000, 65.3000000}

5 УР0ЖАЙН0СТЬ(Ц/ГА)-5/5-{65.3000000, 73.6000000}

6 КАЧЕСТВО-1 класс

7 КАЧЕСТВО-2 класс

8 КАЧЕСТВО-3 класс

9 КАЧЕСТВО-4 класс

10 КАЧЕСТВО-5 класс

11 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-1/5-{1.6000000, 5.3000000}

12 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-2/5-{5.3000000, 9.0000000}

13 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-3/5-{9.0000000, 12.7000000}

14 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-4/5-{12.7000000, 16.4000000}

15 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-5/5-{16.4000000, 20.1000000}

16 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-1/5-{126.0000000, 634.5600000}

17 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-2/5-{634.5600000, 1143.1200000}

18 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-3/5-{1143.1200000, 1651.6800000}

19 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-4/5-{1651.6800000, 2160.2400000}

20 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-5/5-{2160.2400000, 2668.8000000}

21 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-1/5-{4.2190000, 26.5812000}

22 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-2/5-{26.5812000, 48.9434000}

23 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-3/5-{48.9434000, 71.3056000}

24 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-4/5-{71.3056000, 93.6678000}

25 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-5/5-{93.6678000, 116.0300000}

26 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-1/5-{57.4757282, 220.7570531}

27 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-2/5-{220.7570531,384.0383781}

28 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-3/5-{384.0383781,547.3197030}

29 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-4/5-{547.3197030, 710.6010280}

30 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-5/5-{710.6010280, 873.8823529}

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

12

Таблица 2 - Описательные шкалы и градации

(факторы и их значения) (фрагмент)

Код Наименование

1 ПЛОЩАДЬ (ГА)-1/5-{49.0000000, 67.0000000}

2 ПЛОЩАДЬ (ГА)-2/5-{67.0000000, 85.0000000}

3 ПЛОЩАДЬ (ГА)-3/5-{85.0000000, 103.0000000}

4 ПЛОЩАДЬ (ГА)-4/5-{103.0000000, 121.0000000}

5 ПЛОЩАДЬ (ГА)-5/5-{121.0000000, 139.0000000}

6 СОРТ ОЗИМ.ПШЕНИЦЫ-Батько

7 СОРТ ОЗИМ.ПШЕНИЦЫ-Вита

8 СОРТ ОЗИМ.ПШЕНИЦЫ-Восторг

9 СОРТ ОЗИМ.ПШЕНИЦЫ-Грация

10 СОРТ ОЗИМ.ПШЕНИЦЫ-Дея

11 СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95

12 СОРТ ОЗИМ.ПШЕНИЦЫ-зимородок

13 СОРТ ОЗИМ.ПШЕНИЦЫ-Княжна

14 СОРТ ОЗИМ.ПШЕНИЦЫ-Краснодарская-99

15 СОРТ ОЗИМ.ПШЕНИЦЫ-Крошка

16 СОРТ ОЗИМ.ПШЕНИЦЫ-Купава

17 СОРТ ОЗИМ.ПШЕНИЦЫ-Лира

18 СОРТ ОЗИМ.ПШЕНИЦЫ-Москвич

19 СОРТ ОЗИМ.ПШЕНИЦЫ-Ника-кубани

20 СОРТ ОЗИМ.ПШЕНИЦЫ-Новокубанка

21 СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия

22 СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия элита

23 СОРТ ОЗИМ.ПШЕНИЦЫ-Победа-50

24 СОРТ ОЗИМ.ПШЕНИЦЫ-Половчанка

25 СОРТ ОЗИМ.ПШЕНИЦЫ-Селлта

26 СОРТ ОЗИМ.ПШЕНИЦЫ-Селянка

27 СОРТ ОЗИМ.ПШЕНИЦЫ-Скифянка

28 СОРТ ОЗИМ.ПШЕНИЦЫ-Скмфянка

29 СОРТ ОЗИМ.ПШЕНИЦЫ-Таня

30 СОРТ ОЗИМ.ПШЕНИЦЫ-Татьяна

31 СОРТ ОЗИМ.ПШЕНИЦЫ-Уманка

32 СОРТ ОЗИМ.ПШЕНИЦЫ-Финт

33 СОРТ ОЗИМ.ПШЕНИЦЫ-Фортуна

34 СОРТ ОЗИМ.ПШЕНИЦЫ-Эхо

35 ПРЕДШЕСТ. 1-горох

36 ПРЕДШЕСТ. 1-кук.зерно

37 ПРЕДШЕСТ. 1-кук.силосная

38 ПРЕДШЕСТ. 1-мног.травы

39 ПРЕДШЕСТ. 1-озим.пшеница

40 ПРЕДШЕСТ. 1-подсолнечник

41 ПРЕДШЕСТ. 1-сах.свекла

42 ПРЕДШЕСТ. 1-соя

43 ПРЕДШЕСТ. 2-горох

44 ПРЕДШЕСТ. 2-кук.зерно

45 ПРЕДШЕСТ. 2-кук.зерновая

46 ПРЕДШЕСТ. 2-кук.силосная

47 ПРЕДШЕСТ. 2-мног.травы

48 ПРЕДШЕСТ. 2-озим.пшеница

49 ПРЕДШЕСТ. 2-озим.ячмень

50 ПРЕДШЕСТ. 2-подсолнечник

51 ПРЕДШЕСТ. 2-сах.свекла

52 ПРЕДШЕСТ. 3-горох

53 ПРЕДШЕСТ. 3-кук.зерно

54 ПРЕДШЕСТ. 3-кук.зерновая

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

13

4.2. Разработка обучающей выборки, т.е. описание исходных данных с помощью кодов градаций классификационных и описательных шкал

Затем система кодирует исходные данные, представленные в приложении, с использованием справочников классификационных и описательных шкал и градаций (таблицы 1, 2), в результате чего формируется обучающая выборка или база событий. Экранная форма с фрагментом обучающей выборки приведена на рисунке 5:

W*) 7.Я.1. Ручной тчпя-корррютлровкд пбУЧЛЮШРЙ RhlfhOpifH. Тркллмчя мплрлы INfl" 1 а |.[=]

Код объекта Наименование объекта Дат а Врем ч Г

1 1ЭЭЭП1 ...

2 1ЭЭ9П10 ...

3 1ЭЭЭП11 ...

4 1ЭЭЭП12 ...

5 1ЭЭЭП18 ...

6 1ЭЭЭП1Э ...

7 1ЭЭЭП20 ....

8 1ЭЭЭП6 ...

8 1ЭЭЭП8 ...

д ^ onnn П1 О

Код объекта Класс 1 Класс'2 Класс 3 Класс 4 д Код объекта Признак 1 Приз.нак'2 Признак 3 Признак 4 Признак-5 Признак 6 Признак 7 1 Г

1 1 10 11 16 I г1 ■ г 5 24 40 48 55 67 79

1 21 26 0 0 1 86 91 106 117 123 132 140

1 235 0 0 0 0 0 0

д Ll < I [_►

Помощь Скопировать обуч.выб.в расп I. Добавить объект Добавить классы Добавить признакг 1 Удалить объект Удалить классы Удалить признаки | Очистить БД

.

Рисунок 5. Экранная форма стадии с фрагментом обучающей выборки

5. Синтез и верификация моделей

После того как исходные данные представлены в форме событий становится возможным выявлять в них ними причинно-следственные связи, т.е. выявлять их смысл, в результате чего исходные данные преобразуются в информацию. Эта операция осуществляется в режиме 3.5 системы «Эйдос» (рисунок 6):

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

14

Рисунок 6. Экранная форма режима синтеза и верификации моделей

В этом режиме в соответствии с процедурой преобразования данных в информацию, а ее в знания (рисунок 1) сначала рассчитывается матрица абсолютных частот (рисунок 8), затем на основе нее матрицы условных и безусловных процентных распределений (рисунок 9), а потом на основе них, с использованием семи частных критериев знаний (таблица 3), матрицы знаний (таблицы 7 и 8), а затем все модели проверяются на достоверность (рисунок 7):

Затем с использованием выражений из таблицы 3 матрицы условных и безусловных процентных распределений (рисунки 8 и 9) преобразуются в матрицы знаний (рисунок 10).

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

15

Таблица 3 - ЧАСТНЫЕ КРИТЕРИИ ЗНАНИЙ, ИСПОЛЬЗУЕМЫЕ В НАСТОЯЩЕЕ ВРЕМЯ ______________В АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС-Х++»_________

Наименование модели знаний и частный критерий Выражение для частного критерия

через относительные частоты через абсолютные частоты

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак ij = Yx Log2 P Nt,N Ij = Yx Log 2 1 N7N7

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. Ij = Yx Log2 -pP N,,N Ij = Yx Log 2^— 1 N7N7 7 J

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами --- n,n7. I = N.. J v v N

INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу h—i II •Аз (As 1 II -fa 1 .Аз n77n i77 =— 1 7J N1Nj

INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу h—i II •Аз (As 1 II -fa 1 .Аз N77N I77 = ——1 71 NN

INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу II 1 .To II " «a:

INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу II 1 .To II

Обозначения:

i - значение прошлого параметра;

j - значение будущего параметра;

Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M- суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

N7 - количество встреч i-м значения прошлого параметра по всей выборке;

Nj - количество встреч j-го значения будущего параметра по всей выборке;

N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

Ij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

¥ - нормировочный коэффициент (Е.В.Луценко, 1981), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

Pij - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

16

Рисунок 7. Экранная форма отображения стадии синтеза и верификации моделей

Рисунок 8. Экранная форма с отображением фрагмента базы абсолютных частот

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

17

Рисунок 9. Экранная форма с отображением фрагмента базы условных и безусловных процентных распределений

Рисунок 10. Экранная форма с отображением фрагмента базы знаний с частным критерием знаний А.Харкевича

В режиме 3.5. создаются аналогичные модели с применением других частных критериев (таблица 3) преобразования матрицы абсолютных ча-

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

18

стот и матриц условных и безусловных процентных распределений в матрицы знаний, которые здесь не приводятся из-за ограниченного объема статьи.

При появлении новых данных, старении и потери адекватности (актуальности) ранее использованных осуществляется пересинтез моделей на новых актуальных данных, что занимает несколько минут. Это обеспечивает эксплуатацию методики в адаптивном режиме, что также позволяет исследовать объект моделирования в динамике. При необходимости методика без особых затрат может быть локализована для других фирм на их данных.

6. Выбор наиболее достоверной модели в качестве текущей

В простейшем случае измерение достоверности моделей осуществляется путем решения задачи идентификации объектов обучающей выборки с использованием этих моделей. При этом объект считается относящимся к тому классу, о принадлежности к которому в его системе признаков содержится наиболее суммарное количество информации (это соответствует лемме Неймана-Пирсона). Количественно в СК-анализе и системе «Эйдос» эта степень сходства конкретного объекта с обобщенным образом класса рассчитывается с использованием двух интегральных критериев:

Интегральный критерий «Семантический резонанс знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:

I = (Ij, L).

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

м

I = I j,

i=1

где: M - количество градаций описательных шкал (признаков);

Ij= {j

вектор состояния j-го класса;

1 = { i} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

19

1, если i - й фактор действует;

L =

n, где: п > 0, если i - й фактор действует с истинностью п;

0, если i - й фактор не действует.

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:

I,

1

ОО А

м _ _ч

X [ц -I ){l - l ),

i=1

где:

M

L О

- количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

j _

среднеквадратичное отклонение частных критериев знаний

вектора класса;

О1

объекта.

среднеквадратичное отклонение по вектору распознаваемого

4 { 1j}- вектор состояния j-го класса;

Li = {Li} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

1, если i - й фактор действует;

п, где: п > 0, если i - й фактор действует с истинностью п;

0, если i - й фактор не действует.

Li =

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если

http://eJ.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

20

признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:

L

г -1 j

L ® ——-

L ® —

sj

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.

Результаты измерения достоверности всех созданных моделей, и статистических, и когнитивных, представляются в соответствующей экранной форме (рисунок 11):_______________________________________

^ \шШ'

4.1,8,б, Обобщ,форме по достов-моделей при разы, икг.крит,, Текущая модель: TNFT"

Наименование модели и частного критерия Интегральный критерий Вероятность правильной иденгиф.ка... Вероятность правильной не иденгиф... Средняя вероятно... правильн... результата Дата- получения результата Время получения результ..

Корреляция абс.частот с обр.... 100.000 0.346 50,173 29.08.2014 16;59:21

1. ABS • частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 100.000 0.021 50 ,011 29.08,2014 16:59:21

2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Корреляция уел.отн.частот с о... 100,000 0.346 50,173 29.08,2014 16:59:34

2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Сумма уел.отн.частот по приз... 100.000 0.021 50,011 29.08,2014 16:59:34

3. PRC2 • частный критерий: условная вероятность i-ro признака... Корреляция уел.отн.частот с о... 100.000 0.346 50,173 29.08.2014 16 i 59:47

3. PRC2 • частный критерий: условная вероятность i-ro признака... Сумма уел.отн.частот по приз... 100.000 0.021 50,011 29.08,2014 16:59:47

4. INF1 • частный критерий: количество знаний по А.Харкевичу; в.. Семантический резонанс зна..+ S1.614 95.317 88,465 29.08.2014 17:00:01

4. INF1 • частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 96.248 70.262 83.255 29.08,2014 о о о Г’-

5. INF2 • частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 79,550 95.122 87.336 29.08.2014 17:00:14

5. INF2 • частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 96.248 70.563 83.405 29.08,2014 17:00:14

6. INF3 • частный критерий: Хи-квадрат, разности между Фактич... Семантический резонанс зна... 95.872 75.361 85,617 29.08,2014 17:00:28

6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Сумма знаний 95,872 75.361 85,617 29.08,2014 17:00:28

7. INF4 - частный критерий: R0I (Return On Investment); вероятно... Семантический резонанс зна... 75,985 98,449 87,217 29.08.2014 17:00:41

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 99.250 54.754 77,002 29.08,2014 17:00:41

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 75.047 98.200 86,623 29.08,2014 -j о о СП

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 98.311 58.078 78.195 29.08,2014 гл о о Г’-

8. INFG - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 91.745 76.848 84,296 29.08.2014 17:01:09

8. INFG - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний 95.872 62.140 79,006 29.08,2014 17:01:09

10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Семантический резонанс зна... 87.242 77.640 82.441 29.08.2014 17:01:23

10.INF7 - частный критерий: разн.усли безусл.вероягностей; ве... Сумма знаний 90.807 63.766 77.286 29.08,2014 17:01:23

Помощь

Рисунок 11. Экранная форма с результатами измерения достоверности моделей путем распознавания обучающей выборки

Как в АСК-анализе и системе «Эйдос» измеряется достоверность модели? Чтобы ответить на этот вопрос необходимо рассмотреть различные виды верных и неверных прогнозов того, что осуществится и того, что не осуществится.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

21

Рассмотрим, на примере с шестигранным игральным кубиком, различные виды прогнозов: положительный и отрицательный псевдопрогнозы, идеальный и реальный прогнозы.

Положительный псевдопрогноз.

Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

Отрицательный псевдопрогноз.

Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

Идеальный прогноз.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

Реальный прогноз.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз в уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

22

Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.

В системе «Эйдос» достоверность идентификации «k-й» категории (класса) Sk равна:

N - количество объектов в распознаваемой выборке;

BTik- уровень сходства «i-го» объекта с «k-й» категорией, к которой он был правильно отнесен системой;

Tik - уровень сходства «i-го» объекта с «k-й» категорией, к которой он был правильно не отнесен системой;

BFik - уровень сходства «i-го» объекта с «k-й» категорией, к которой он был ошибочно отнесен системой;

Fik - уровень сходства «i-го» объекта с «k-й» категорией, к которой он был ошибочно не отнесен системой.

В системе есть выходные формы, в которых для расчета достоверности применяется данное выражение, но здесь мы их не приводим, т.к. это не входит в задачи данной статьи. Это и есть «золотая середина». Надо искать модель, наилучшую по этому критерию, а не такую, которая дает наивысшую достоверность идентификации саму по себе, т.к. в этом случае мы от модели отрицательного псевдопрогноза кинемся в другую крайность и придем к модели положительного псевдопрогноза. Этот критерий просчитывается в системе Эйдос в ряде выходных форм анализа результатов верификации модели (4.1.3.6 и т.д.).

Отметим, что метрика, используемая для оценки достоверности модели в системе «Эйдос» имеет сходство с так называемой F-мерой3 и дает те же самые результаты рейтинга моделей по их достоверности.

Затем в соответствии с порядком преобразования данных в информацию, а ее в знания в СК-анализе и системе «Эйдос», представленным на рисунке 1, необходимо выбрать текущей моделью наиболее достоверную из них, с тем, чтобы затем решать в ней задачи идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области. В нашем случае наиболее достоверной оказалась модель INF1, ос-

3 См., например: http://bazhenov.me/blog/2012/07/21/classification-performance-evaluation.html

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

23

нованная на семантической мере информации А.Харкевича4. Экранные формы режима присвоения наиболее достоверной или иной модели статуса текущей представлены на рисунке 12:___________________

ф 5.6. Выбрать модель и сделать ее текущей

(Ё)

—Задайте текущую стаг. модель или модель знаний-Стагистические базы:

Г П. ABS

г 2. PRC1

г 3. PRC2

Базы знаний:

(• 4. INF1 -

Г 5. INF2-

Г G. INF3-

г 7. INF4-

г 8. INF5-

г Э. INF6-

г 10.INF7

частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки

- частный критерий: уел. вероятность i-ro признака среди признаков объектов j-ro класса

- частный критерий: условная вероятность i-ro признака у объектов j-ro класса

частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

частный критерий: Хи-квадрзг, разности между Фактическими и ожидаемыми абс. частотами

частный критерий: R01 (Return On Investment); вероятности из PRC1

частный критерий: ROI (Return On Investment); вероятности из PRC2

частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1

■ частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2

—Как задавать параметры синтеза моделей----------------------------------------------------------------------------------

В качестве текущей можно задать любую из ранее расчиганных в режимах 3.1,3.2, 3.3 или 3.4 стзт. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INF1. Смысл моделей знаний, применяемых в системе 'Эйдос-Х++" раскрыт в публикациях, размещенных по адресам: http://lc.kubagro.ru/aidos/index.htm, http://www.twirpx.com/file/733311/

□ к

Cancel

О 5.6. Выбрать модель и сделать ее текущей

|—Стации исполнения процесса--------------------------------------------------

ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕЛИ "INF1" СТАТУСА ТЕКУЩЕЙ МОДЕЛИ:

1/7: Копирование в массивы итоговых строк и столбцов текущей модели - Готово

2/7: Перенос информации из текущей модели в базы классов: Classes и Gr_CISc- Г отово

3/7: Перенос информации из текущей модели в базы признаков: Attributes и Gr_OpSc- Готово

4/7: Расчет значимости класс.и опис.шкал - Сброс сумматоров - Г отово

5/7: Расчет значимости класс.и опис.шкал - Накопление данных- Г отово

6/7: Расчет значимости класс.и опис.шкал - Дорасчет - Г отово

7/7: Запись информации о текущей модели - Готово

Выбор модели знаний "INF1" в качестве текущей прошел успешно!!!

—Прогноз времени исполнения-----------------------------------------------

Начало: 22:15:54

Окончание: 22:16:06

100%

Ok

Прошло: 0:00:13

□ сталось: 0:00:00

Рисунок 12. Экранные формы присвоения наиболее достоверной модели статуса текущей и отображение стадии исполнения

4 Необходимо отметить, что в других случаях, т.е. при моделировании различных объектов, наиболее достоверными могут оказаться модели, основанные на других частных критериях знаний, приведенных в таблице 3.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

24

7. Решение прямой задачи SWOT-анализа

Решение прямой задачи SWOT-анализа состоит в отображении в текстовой и графической форме системы детерминации заданных состояний объекта моделирования, т.е. указания силы и направления влияния значений различных факторов на переход объекта моделирования в заданное состояние. Эта задача решается в режиме 4.4.8 системы «Эйдос-Х++».

При выборе этого режима появляется экранная форма, представленная на рисунке 14.

В этой экранной форме пользователь может выбрать любое будущее состояние объекта моделирования, любую модель и увидеть в количественном выражении какие значения факторов способствуют, какие препятствуют и в какой степени переходу объекта моделирования в данное состояние.

Рисунок 14. Экранная форма выбора вывода результатов решения прямой задачи SWOT-анализа в текстовом виде

Графическое представление соответствующей SWOT-диаграммы приведено на рисунке 15.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

25

Рисунок 15. SWOT-диаграмма, формируемая в режиме 4.4.8 системы «Эйдос-Х++»

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

26

8. Решение обратной задачи SWOT-анализа

Если при прямой задаче SWOT-анализа мы видим, как значения факторов влияют на достижение выбранного состояния объекта моделирования, то при решении обратной задачи мы наоборот, видим, как заданное значение фактора влияет на достижение различных состояний объекта моделирования, достижению которых данное значение фактора способствуем, каких препятствует и в какой степени.

Обратная задача SWOT-анализа решается в режиме 4.4.9 системы «Эйдос-Х++», в результате формируются инвертированная SWOT-матрица и инвертированная SWOT-диаграмма (см. рисунок 13).

На экранной форме, приведенной на рисунке 16, пользователь может выбрать любое значение фактора и увидеть, как оно влияет на достижение объектом моделирования различных будущих состояний: достижению каких он способствует, каких препятствует и в какой степени.

Рисунок 16. Экранная форма выбора вывода результатов решения обратной задачи SWOT-анализа в текстовом виде

Графическое представление соответствующей SWOT-диаграммы приведено на рисунке 17.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

27

Рисунок 17. SWOT-диаграмма, формируемая в режиме 4.4.9 системы «Эйдос-Х++»

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

28

9. Преодоление недостатков SWOT-анализа в автоматизированном количественном SWOT-анализе средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++»

1. Классический SWOT-анализ рассматривает только общие факторы, т.к. из-за ограниченных возможностей экспертов нет технической возможности рассматривать детализированные факторы, которые можно интерпретировать как конкретные мероприятия для достижения поставленных целей. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей огромных размерностей. В системе «Эйдос-Х++» были проведены удачные численные эксперименты по созданию моделей размерностью 10000 классов (состояний моделируемого объекта) и 10000 значений факторов. Это вполне обеспечивает такой уровень детализации факторов, который можно рассматривать как вполне конкретные мероприятия по достижению поставленной цели.

2. Из-за ограниченных возможностей экспертов при SWOT-анализе обычно лишь перечисляются факторы без выявления основных и второстепенных, без детального анализа взаимосвязей между ними. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает классификацию факторов как основных и второстепенных по силе влияния на объект моделирования.

Рассмотрим, какую ценность имеют различные признаки (градации описательных шкал) и сами описательные шкалы для решения задач идентификации, прогнозирования и принятия решений.

Прежде всего, о том, что в АСК-анализе и системе «Эйдос» понимается под ценностью признака и шкалы. Обратимся к рисунку 10, в котором представлена в численной форме матрица информативности. Обратим внимание на количество информации, которое содержится в различных признаках о принадлежности и непринадлежности обладающих этими признаками объектов к различным классам. Мы видим, что это количество информации отличается по знаку и модулю. Положительное количество информации говорит о принадлежности объекта с признаком к классу, а отрицательное - о не принадлежности. Величина модуля отражает количество этой информации. С этой точки зрения все признаки можно условно разделить на три большие группы по их ценности:

- которые в среднем несут очень большое количество информации о принадлежности и непринадлежности к классам;

- которые в среднем несут некоторое количество информации количество информации о принадлежности и непринадлежности к классам;

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

29

- которые в среднем практически не содержат информации о принадлежности и непринадлежности к классам.

Как же отразить эту ценность количественно? По мнению автора для этого достаточно использовать любую меру вариабельности информативности, например средний модуль отклонения от среднего или среднеквадратичное отклонение от среднего. В АСК-анализе и системе «Эйдос» принят второй вариант, т.е. для количественного измерения ценности признаков используется формула:

S = 2

1

1 w _\2

--------У (i.. -I.)

W-1 j=tyiJ l}

Таким образом, ценность признака - это вариабельность его информативности. Вместо термина «ценность» могут быть использованы его синонимы: «дифференцирующая способность», «значимость», «интегральная оценка информативности» или просто «интегральная информативность». Все эти термины применялись и применяются в АСК-анализе.

В матрице информативности для каждого признака содержится его ценность. Все признаки могут быть ранжированы в порядке убывания их ценности. Если просуммировать нарастающим итогом ценность признаков, то получим логистическую кривую, отражающую выполнение закона Парето для ценности признаков (рисунок 18):

Рисунок 18. Пример кривой ценности признаков нарастающим итогом (кривая Парето) в модели INF3 (хи-квадрат) [19]

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

30

В данном случае закон Парето может быть сформулирован следующим образом: небольшая доля признаков содержит основной объем информации о предметной области, которая есть в ее модели, а большинство признаков суммарно содержат небольшую долю этой информации.

Эти малоценные признаки без ущерба для достоверности модели могут быть удалены из нее. Это операция в АСК-анализе и системе «Эйдос» называется «Ортонормирование семантического пространства», т.к. в результате ее выполнения удаляются коррелирующие признаки и остаются практически независимые друг от друга, т.е. ортонормированные.

Что касается исследования взаимосвязей между факторами, то в АСК-анализе и системе «Эйдос» для этого есть свои инструменты: это кластерно-конструктивный анализ значений факторов и классов. Кроме того могут быть получены и исследованы сочетания значений факторов и сочетания классов [17, 18]. Так что связанные с этим слабые места SWOT-анализа также преодолеваются (рисунки 19, 20).

Рисунок 19. Пример семантической сети классов, отражающей их сходство-различие по системе детерминации

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

31

Рисунок 20. Пример семантической сети значений факторов (признаков), отражающей их сходство-различие по влиянию на моделируемый объект

3. SWOT-анализ даёт в большей степени статичную картинку, чем видение развития в динамике, так как SWOT-анализ в динамике предполагает многократное проведение обычного статичного SWOT-анализа, а это невозможно из-за ограниченных возможностей экспертов. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает кардинальное сокращение затрат времени на синтез новой модели. Например, модель, рассматриваемая в качестве примера в данной статье, создавалась несколько минут. Это обеспечивает возможность многократного проведения статичного SWOT-анализа с малой периодичностью, что позволяет увидеть картину в динамике.

4. Результаты SWOT-анализа, как правило, представлены в виде качественного описания, в то время как для оценки ситуации часто требуются количественные параметры. Но эксперты не могут количественно сравнить факторы по их силе и направлению влияния. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение количественных моделей моделируемого объекта, отражающих в сопоставимой форме силу и направление причинно-следственных зависимостей в неполных зашум-

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

32

ленных данных очень большой размерности числовой и не числовой природы, измеряемых в различных единицах измерения. Это и продемонстрировано на реальном численном примере в данной статье.

5. SWOT-анализ является довольно субъективным и чрезвычайно зависит от позиции и знаний того, кто его проводит и субъективизм SWOT-анализа неизбежно обусловлен субъективизмом экспертов, дающих оценки факторам. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей моделируемого объекта и его системы детерминации непосредственно на основе эмпирических данных без привлечения экспертов.

6. Для качественного SWOT-анализа необходимо привлечение больших массивов информации из самых разных сфер, что требует значительных усилий и затрат, а значит привлечения большого количества экспертов, что вообще практически невозможно, т.к. это люди в основном, занимающие высокое положение, работающие в условиях постойного цейтнота и их время стоит очень и очень дорого. Автоматизированный количественный SWOT-анализ средствами АСК-анализа и системы «Эйдос-Х++» обеспечивает построение моделей непосредственно на основе неполных зашумленных эмпирических данных очень большой размерности числовой и не числовой природы, измеряемых в различных единицах измерения без привлечения экспертов. Это резко сокращает затраты труда и времени на создание и исследование моделей, делает их создание и использование гораздо более доступным.

10. Выводы и результаты

Обобщая можно сделать обоснованный вывод о том, что АСК-анализ и система «Эйдос» обеспечивают решение проблемы проведения SWOT-анализа без привлечения экспертов, что существенно улучшает метод SWOT-анализа, обеспечивая преодоление многих его недостатков при сохранении достоинств, в частности автоматизирует построение количественных SWOT-матриц и диаграмм.

В статье на реальном численном примере на основе непосредственно эмпирических данных выращивания пшеницы созданы и верифицированы статистические модели и модели знаний, отражающие силу и направление влияния различных агротехнологических факторов на хозяйственнофинансовые результаты.

При этом измерительные шкалы номинального типа метризованы до числового типа. Все шкалы, измеряемые в разных единицах измерения,

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

33

преобразованы в общие единицы количества информации, что обеспечивает совместную сопоставимую обработку результатов измерений, полученных в этих шкалах.

Такими образом, системно-когнитивный анализ и система «Эй-дос» являются инструментом для построения без программирования измерительных методик, обеспечивающих измерение силы и направления влияния внутренних и внешних факторов различной природы на объект моделирования, причем эти методики могут применяться в адаптивном режиме, что обеспечивает исследование объекта моделирования не только в статике, но и в динамике.

Созданные модели знаний позволяют получить решение прямой и обратной задач SWOT-анализа, т.е. исследовать систему детерминации будущих состояний объекта моделирования, а также определить, как влияет на поведение объекта моделирования любое заданное значение любого фактора, отраженного в модели.

11. PEST-анализ как детализированный SWOT-анализ

PEST-анализ5 можно рассматривать как развитие SWOT-анализа путем детализации классификации внешних факторов на природные, технологические, организационные, социально-экономические и политические. Следовательно, в АСК-анализе и системе «Эйдос» и сейчас есть все необходимые и достаточные инструменты для выполнения PEST-анализа. Для этого лишь необходимо соответствующим образом сконструировать описательные шкалы и градации. Поэтому существует возможность применения предложенной технологии решения прямой и обратной задач SWOT-анализа и для выполнения PEST-анализа средствами АСК-анализа и системы «Эйдос».

12. АСК-анализ и реинжиниринг бизнес-процессов

Отметим, что развития SWOT-анализа путем детализации классификации внутренних факторов, аналогично PEST-анализу, предложено не было. Поэтому предлагается сделать это и классифицировать внутренние факторы предприятия на психологические, технологические, организационные, социально-экономические, финансовые и другие. Отметим, что в АСК-анализе и интеллектуальной системе «Эйдос» и сейчас есть все необходимые и достаточные инструменты для проведения такого анализа, что и предлагается при необходимости пользоваться.

Бизнес-процессы можно рассматривать как внутренние факторы, влияющие на хозяйственные, финансовые и социальноэкономические результаты деятельности фирмы и достижение ее целей в этих сферах. Конечно, с другой стороны бизнес-процессы являются

5 https://ru.wikipedia.org/wiki/PEST-анализ

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

34

инфраструктурой поддержки реализации управляющих воздействий, влияющих на достижение целей фирмы, а с другой стороны они являются этой инфораструктурой в действии.

Таким образом, возникает вопрос о результатах деятельности и целях фирмы.

Хозяйственные результаты деятельности фирмы - это количество и качество произведенной продукции (услуг), например урожайность пшеницы в центнерах на гектар и содержание клейковины (стекловидность), в соответствии с которыми пшеница классифицируется как сильная, ценная и рядовая.

Финансовые результаты деятельности фирмы - это, прежде всего прибыль, рентабельность, изменение капитализации (стоимости фирмы).

Вопрос и социально-экономических результатах деятельности и целях фирмы требует специального пояснения. По этому вопросу в современной науке не сложилось общепринятой точки зрения и в различных научных направлениях этот вопрос решается по-разному. Например, в неоклассической теории считается, что целью корпорации является максимизация дохода, прибыли; в бихевиористской теории - получение удовлетворительной прибыли и дохода; институциональной теории - минимизация транзакционных издержек; теории корпорации Дж. Гэлбрейта - гарантированный уровень прибыли и максимальный темп роста; в предпринимательской же теории полагают, что цель корпорации зависит от личных целей предпринимателя [24]. При этом цели корпорации, а также различных связанных с нею социальных групп людей и государства совпадают лишь частично (рисунок 21):

Мотив (цель) корпорации -

Стабильный п прибыльный рост бизнеса

XX

3ZE

XX

XX

X

XX

Мотив (цель) Мотив (цель) Мотив (цель) Мотив (цель)

потребителей - акционеров - сотрудников - партнеров -

гарантия гарантия гарантия работы гарантия

получения стабильного и стабильного стабильного

высококачествен- получения получения получения

ной п безопасной растущего дохода растущего дохода растущего

потребительской в долгосрочной в краткосрочной дохода п

ценности перспективе перспективе долгосрочные

отношения

х

Базовые мотивы (цели) общества

Стабильное н безопасное развитие

Рисунок 21 - цели корпорации, а также связанных с ней социальных групп и государства по С.Ю. Полонскому [24].

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

35

Таким образом, наиболее распространенная точка зрения, состоящая в том, что цель корпорации заключается исключительно в получении максимальной прибыли, является неоправданно упрощенной. Более того, максимизация прибыли может быть и нежелательной, например, если это достигается за счет ущерба целям работников и государства. В любом случае ясно, что для достижения этих целей необходимо управлять корпорацией как в целом, так и на различных уровнях ее иерархической структурной организации.

АСК-анализ и его программный инструментарий интеллектуальная система «Эйдос» позволяют строить системно-когнитивные модели, отражающие силу и направление влияния на хозяйственные и финансовоэкономические результаты деятельности фирмы различных групп внутренних факторов, а именно:

- психологических факторов, т.е. свойств личности персонала и менеджмента фирмы [15, 25, 26, 27];

- технологических факторов (АСУ ТП - автоматизированные системы управления технологическим процессами) [15, 28, 29];

- организационные (АСОУ - автоматизированные системы организационного управления) [15, 28];

- социально-экономических факторов [15, 29];

- финансовых факторов (ФСА - функционально-стоимостной анализ и метод Директ-костинг, т.е. анализ влияния затрат на результаты деятельности) [15, 26].

На основе этих моделей АСК-анализ и система «Эйдос» позволяют выработать научно-обоснованные рекомендации по реинжинирингу бизнес-процессов, т.е. по выбору такой их системы, которая обуславливает переход объекта моделирования и управления в заранее заданные целевые состояния.

Таким образом, автоматизированный системно-когнитивный анализ (АСК-анализ) с его программным инструментарием: интелел-кутальной системой «Эйдос», не только имеет более общий характер, чем SWOT- и PEST-анализ, а также функционально-стоимостной анализ (ФСА) и метод Директ-костинг, т.е. включает их возможности, но также и позволяет вырабатывать научно-обоснованные рекомендации по реинжинирингу бизнес-процессов.

13. Некоторые ограничения и перспективы

Но это не означает, что данная технология лишена ограничений и недостатков. Конечно, они есть, и автор их видит и работает над их преодолением. Это касается и развития теоретического обоснования АСК-анализа, и совершенствования его программного инструментария - интеллектуальной системы «Эйдос-Х++». В настоящее время идет процесс наполнения ее функциональными возможностями, которые были у DOS-

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

36

версии системы «Эйдос». Все же система «Эйдос» развивалась около 30 лет, тогда как системе «Эйдос-Х++» к моменту написания статьи исполнилось лишь 2 года [10, 11].

К созданной и описанной в данной статье технологии стоит относиться как к примеру, демонстрирующему принципиальную возможность решения прямой и обратной задач SWOT-анализа в АСК-анализе и системе «Эйдос». Не стоит все же забывать, что все приведенные в статье модели и формы созданы на компьютере за 10 минут и сложность создания и применения данного приложения соответствует сложности лабораторной работы, в качестве которой оно и изучается в течение одной пары на дисциплинах «Интеллектуальные системы» и «Представлению знаний в интеллектуальных системах» [20].

На сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm всегда можно скачать систему «Эйдос-Х++» (самую новую на текущий момент версию) или обновление системы до текущей версии. Это наиболее полная на данный момент незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными текстами, находящаяся в полном открытом бесплатном доступе (около 50 Мб). Обновление имеет объем около 3 Мб.

Литература6

1. Майсак О. С. SWOT-анализ: объект, факторы, стратегии. Проблема поиска связей между факторами // Прикаспийский журнал: управление и высокие технологии. — 2013. — № 1 (21). — С. 151—157. Электронный ресурс. Адрес доступа:

http://asu.edu.ru/images/File/Izdatelstvo/Prikaspiiskii%201(21)%202013/151-157.pdf

2. Загородников А. Н. Управление общественными связями в бизнесе. Учебник. М: Крокус, 2013 г. (гл.3 «SWOT-анализ: сущность, цель, содержание»). Электронный ресурс. Адрес доступа:

3. Филип Котлер, Роланд Бергер, Нильс Бикхофф Стратегический менеджмент по Котлеру. Лучшие приемы и методы = The Quintessence of Strategic Management: What You Really Need to Know to Survive in Business. — М.: Альпина Паблишер, 2012. — 144 с. — ISBN 978-5-9614-2213-9. Электронный ресурс. Адрес доступа:

4. Виханский О.С. Стратегическое планирование: Учебник. Москва. Издательство МГУ. 1995. 2-е издание 1998. Электронный ресурс. Адрес доступа:

http://lib100.com/book/wealth/strategicheskoe ypravlenie/%c2%e8%f5%e0%ed%f1%ea%e8%e9

%d1%f2%f0%e0%f2%e5%e3%e8%f7%e5%f1%ea%ee%e5 %f3%ef%of0%e0%e2%eb%e5%ed %e8%e5.pdf

5. Елена Кадышева. SWOT-анализ: сделай качественно. Электронный ресурс. Адрес доступа: http://www.denga.com.ua/index.php?option=com content&task=view&id=1005

6. SWOT-анализ (подробная статья в энциклопедии маркетинга marketopedia.ru). Электронный ресурс. Адрес доступа: http://marketopedia.ru/47-swot-analiz.html

7. Репьев А. П. Убожество SWOT, Электронный ресурс. Адрес доступа: http://www.repiev.ru/doc/SWOT-Stupidities.pdf

8. Захарова А. А. Нечеткие модели и программное обеспечение SWOT-анализа социально-экономического развития города. Электронный ресурс. Адрес доступа: http://www.ict.nsc.ru/ws/YM2005/9361/index.html

6

Многие из этих работ размещены на сайте: http://lc.kubagro.ru/

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

37

9. Сайт: http://www.cibest.ru/bonus 0 1.html

10. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 - 77. - Шифр Информрегистра: 0420900012X0110, IDA [article ID]: 0540910004. - Режим доступа: http://ei.kubagro.ru/2009/10/pdf/04.pdf. 1,875 у.п.л.

11. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ei.kubagro.ru/2012/09/pdf/25.pdf. 1,812 у.п.л.

12. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ei.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.

13. Луценко Е.В. Интеллектуальная консалтинговая система выявления технологических знаний и принятия решений по их эффективному применению на основе системнокогнитивного анализа бизнес-процессов / Е.В. Луценко, В.Е. Коржаков, А.И. Ладыга // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №05(059). С. 79 - 110. - Шифр Информрегистра: 0421000012X0091, IDA [article ID]: 0591005007. - Режим доступа: http://ei.kubagro.ru/2010/05/pdf/07.pdf. 2 у.п.л.

14. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном 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://ei.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у. п. л.

15. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационнотехнических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

16. Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №06(070). С. 233 - 280. - Шифр Информрегистра: 0421100012X0197, IDA [article ID]: 0701106018. - Режим доступа: http://ei.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

17. Луценко Е.В. Метод визуализации когнитивных функций - новый инструмент ис-

следования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2011. - №03(067). С. 240 - 282. - Шифр Информрегистра: 0421100012X0077, IDA [article ID]: 0671103018. - Режим доступа:

http://ei.kubagro.ru/2011/03/pdf/18.pdf, 2,688 у.п.л.

http://eJ.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

38

18. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эй-дос») / 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://ei.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.

19. Луценко Е.В. Разработка без программирования и применение в адаптивном режиме методик риэлтерской экспресс-оценки по методу аналогий (сравнительных продаж) 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, 2013. - №10(094). С. 507 - 564. - IDA [article ID]: 0941310036. - Режим доступа: http://ei.kubagro.ru/2013/10/pdf/36.pdf, 3,625 у.п.л.

20. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с.

21. Луценко Е.В. Системно-когнитивный подход к построению многоуровневой семантической информационной модели управления агропромышленным холдингом / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №07(041). С. 194 - 214. -Шифр Информрегистра: 0420800012\0095, IDA [article ID]: 0410807011. - Режим доступа: http://ej.kubagro.ru/2008/07/pdf/11.pdf, 1,312 у.п.л.

22. 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. -№09(063). С. 1 - 23. - Шифр Информрегистра: 0421000012\0233, IDA [article ID]:

0631009001. - Режим доступа: http://ej.kubagro.ru/2010/09/pdf/01.pdf, 1,438 у.п.л.

23. Орлов А.И. Системная нечеткая интервальная математика (СНИМ) - перспективное направление теоретической и вычислительной математики / А.И. Орлов, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №07(091). С. 255 - 308. - IDA [article ID]: 0911307015. - Режим доступа: http://ej.kubagro.ru/2013/07/pdf/15.pdf, 3,375 у.п.л.

24. Полонский С.Ю. Стратегическое управление прибыльным ростом корпорации с

учетом динамики потребительской ценности. Автореферат диссертации на соискание ученой степени доктора экономических наук по специальности 08.00.05. - Санкт-Петербург, 2007 г, 32 с. -РИНЦ. [Электронный ресурс] - Режим доступа:

http://elibrarv.finec.ru/materials files/refer/A6596 b.pdf.

25. Луценко Е.В. АСК-анализ как адекватный инструмент контроллинга и менеджмента для средней и малой фирмы / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. -№09(063). С. 24 - 55. - Шифр Информрегистра: 0421000012\0238, IDA [article ID]:

0631009002. - Режим доступа: http://ej.kubagro.ru/2010/09/pdf/02.pdf, 2 у.п.л.

26. Луценко Е.В. Управление персоналом с применением функционально -

стоимостного и системно-когнитивного анализа / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ,

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

39

2014. - №04(098). С. 1009 - 1041. - IDA [article ID]: 0981404075. - Режим доступа: http://ej.kubagro.ru/2014/04/pdf/75.pdf, 2,062 у.п.л.

27. Наприев И.Л., Луценко Е.В., Чистилин А.Н. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях. Монография (научное издание). - Краснодар: КубГАУ. 2008. - 262 с.

28. Луценко Е.В., Коржаков В.Е., Ермоленко В.В. Интеллектуальные системы в контроллинге и менеджменте средних и малых фирм: Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). - Майкоп: АГУ. 2011. - 392 с.

29. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). - Краснодар, КубГАУ. 2013. - 168 с.

Literatura

1. Majsak O. S. SWOT-analiz: ob#ekt, faktory, strategii. Problema poiska svjazej mezhdu

faktorami // Prikaspijskij zhurnal: upravlenie i vysokie tehnologii. — 2013. — № 1 (21). — S. 151—157. Jelektronnyj resurs. Adres dostupa:

http://asu.edu.ru/images/File/Izdatelstvo/Prikaspiiskii%201(21)%202013/151-157.pdf

2. Zagorodnikov A. N. Upravlenie obshhestvennymi svjazjami v biznese. Uchebnik. M: Krokus, 2013 g. (gl.3 «SWOT-analiz: sushhnost', cel', soderzhanie»). Jelektronnyj resurs. Adres dostupa:

3. Filip Kotler, Roland Berger, Nil's Bikhoff Strategicheskij menedzhment po Kotleru. Luchshie priemy i metody = The Quintessence of Strategic Management: What You Really Need to Know to Survive in Business. — M.: Al'pina Pablisher, 2012. — 144 s. — ISBN 978-5-96142213-9. Jelektronnyj resurs. Adres dostupa:

4. Vihanskij O.S. Strategicheskoe planirovanie: Uchebnik. Moskva. Izdatel'stvo MGU.

1995. 2-e izdanie 1998. Jelektronnyj resurs. Adres dostupa:

http://lib100.com/book/wealth/strategicheskoe_ypravlenie/%c2%e8%f5%e0%ed%f1%ea%e8%e9 _%d1%f2%f0%e0%f2%e5%e3%e8%f7%e5%f1%ea%ee%e5_%f3%ef%f0%e0%e2%eb%e5%ed %e8%e5.pdf

5. Elena Kadysheva. SWOT-analiz: sdelaj kachestvenno. Jelektronnyj resurs. Adres dostupa: http://www.denga.com.ua/index.php?option=com_content&task=view&id=1005

6. SWOT-analiz (podrobnaja stat'ja v jenciklopedii marketinga marketopedia.ru). Jelektronnyj resurs. Adres dostupa: http://marketopedia.ru/47-swot-analiz.html

7. Rep'ev A. P. Ubozhestvo SWOT, Jelektronnyj resurs. Adres dostupa: http://www.repiev.ru/doc/SWOT-Stupidities.pdf

8. Zaharova A.A. Nechetkie modeli i programmnoe obespechenie SWOT-analiza social'no-jekonomicheskogo razvitija goroda. Jelektronnyj resurs. Adres dostupa: http://www.ict.nsc.ru/ws/YM2005/9361/index.html

9. Sajt: http://www.cibest.ru/bonus_0_1.html

10. Lucenko E.V. 30 let sisteme «Jejdos» - odnoj iz starejshih otechestvennyh universal'nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nastojashhee vremja / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2009. - №10(054). S. 48 - 77. - Shifr Informregistra: 0420900012\0110, IDA [article ID]: 0540910004. - Rezhim dostupa: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l.

11. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2012. - №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. -Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

40

12. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. - Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.

13. Lucenko E.V. Intellektual'naja konsaltingovaja sistema vyjavlenija tehnologicheskih znanij i prinjatija reshenij po ih jeffektivnomu primeneniju na osnove sistemno-kognitivnogo analiza biznes-processov / E.V. Lucenko, V.E. Korzhakov, A.I. Ladyga // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. - №05(059). S. 79 - 110. - Shifr Informregistra: 0421000012\0091, IDA [article ID]: 0591005007. - Rezhim dostupa: http://ej.kubagro.ru/2010/05/pdf/07.pdf, 2 u.p.l.

14. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom 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.

15. 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.

16. Lucenko E.V. Metodologicheskie aspekty vyjavlenija, predstavlenija i ispol'zovanija znanij v ASK-analize i intellektual'noj sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №06(070). S. 233 - 280. - Shifr Informregistra: 0421100012\0197, IDA [article ID]: 0701106018. - Rezhim dostupa: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 u.p.l.

17. Lucenko E.V. Metod vizualizacii kognitivnyh funkcij - novyj instrument issledovanija jempiricheskih dannyh bol'shoj razmernosti / E.V. Lucenko, A.P. Trunev, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. -№03(067). S. 240 - 282. - Shifr Informregistra: 0421100012\0077, IDA [article ID]: 0671103018. - Rezhim dostupa: http://ej.kubagro.ru/2011/03/pdf/18.pdf, 2,688 u.p.l.

18. 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.

19. Lucenko E.V. Razrabotka bez programmirovanija i primenenie v adaptivnom rezhime

metodik rijelterskoj jekspress-ocenki po metodu analogij (sravnitel'nyh prodazh) 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, 2013. -№10(094). S. 507 - 564. - IDA [article ID]: 0941310036. - Rezhim dostupa:

http://ej.kubagro.ru/2013/10/pdf/36.pdf, 3,625 u.p.l.

20. Lucenko E.V. Laboratornyj praktikum po intellektual'nym informacionnym sistemam: Uchebnoe posobie dlja studentov special'nosti "Prikladnaja informatika (po oblastjam)" i drugim jekonomicheskim special'nostjam. 2-e izd., pererab. i dop. - Krasnodar: KubGAU, 2006. - 318s.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

41

21. Lucenko E.V. Sistemno-kognitivnyj podhod k postroeniju mnogourovnevoj semanticheskoj informacionnoj modeli upravlenija agropromyshlennym holdingom / E.V. Lucenko, V.I. Lojko, O.A. Makarevich // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2008. - №07(041). S. 194 - 214. - Shifr Informregistra: 0420800012\0095, IDA [article ID]: 0410807011. - Rezhim dostupa: http://ej.kubagro.ru/2008/07/pdf/11.pdf, 1,312 u.p.l.

22. 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. - №09(063). S. 1 - 23. -Shifr Informregistra: 0421000012\0233, IDA [article ID]: 0631009001. - Rezhim dostupa: http://ej.kubagro.ru/2010/09/pdf/01.pdf, 1,438 u.p.l.

23. Orlov A.I. Sistemnaja nechetkaja interval'naja matematika (SNIM) - perspektivnoe

napravlenie teoreticheskoj i vychislitel'noj matematiki / A.I. Orlov, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. -№07(091). S. 255 - 308. - IDA [article ID]: 0911307015. - Rezhim dostupa:

http://ej.kubagro.ru/2013/07/pdf/15.pdf, 3,375 u.p.l.

24. Polonskij S.Ju. Strategicheskoe upravlenie pribyl'nym rostom korporacii s uchetom dinamiki potrebitel'skoj cennosti. Avtoreferat dissertacii na soiskanie uchenoj stepeni doktora jekonomicheskih nauk po special'nosti 08.00.05. - Sankt-Peterburg, 2007 g, 32 s. -RINC. [Jelektronnyj resurs] - Rezhim dostupa: http://elibrary.finec.ru/materials_files/refer/A6596_b.pdf.

25. Lucenko E.V. ASK-analiz kak adekvatnyj instrument kontrollinga i menedzhmenta dlja

srednej i maloj firmy / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. - №09(063). S. 24 - 55. - Shifr Informregistra: 0421000012\0238, IDA [article ID]: 0631009002. - Rezhim dostupa:

http://ej.kubagro.ru/2010/09/pdf/02.pdf, 2 u.p.l.

26. Lucenko E.V. Upravlenie personalom s primeneniem funkcional'no-stoimostnogo i

sistemno-kognitivnogo analiza / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №04(098). S. 1009 -1041. - IDA [article ID]: 0981404075. - Rezhim dostupa:

http://ej.kubagro.ru/2014/04/pdf/75.pdf, 2,062 u.p.l.

27. Napriev I.L., Lucenko E.V., Chistilin A.N. Obraz-Ja i stilevye osobennosti dejatel'nosti sotrudnikov organov vnutrennih del v jekstremal'nyh uslovijah. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2008. - 262 s.

28. Lucenko E.V., Korzhakov V.E., Ermolenko V.V. Intellektual'nye sistemy v kontrollinge i menedzhmente srednih i malyh firm: Pod nauch. red. d.je.n., prof. E.V.Lucenko. Monografija (nauchnoe izdanie). - Majkop: AGU. 2011. - 392 s.

29. Gorpinchenko K.N., Lucenko E.V. Prognozirovanie i prinjatie reshenij po vyboru agrotehnologij v zernovom proizvodstve s primeneniem metodov iskusstvennogo intellekta (na primere SK-analiza). Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2013. - 168 s.

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

42

Приложение (фрагмент исходных данных)

Г од, № поля I ' Прибыль (тыс.руб./га) Прибыль (тыс.руб/поле) Удельная прибыль (тыс.у.е./поле) Удельная прибыль (у.е./га) £ f .0 3 S о О 3 ш 3 ш 3 ш 3 ш 3 ш 3 ш 3 ш 3 ш 3 ш 3 ш

1999 П1 38,0 5 класс 2,400 304,800 14,514 114 127 Половчанка подсолнечник озим.пшеница кук. силосная озим.пшеница сах.свекла озим.пшеница горох озим.пшеница озим.ячмень кук.зерновая

1999 П10 40,8 4 класс 4,100 282,900 13,470 195 69 Ника-кубани сах.свекла озим.пшеница кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень сах.свекла озим.пшеница мног.травы

1999 П11 38,8 5 класс 3,900 214,500 10,210 186 55 Офелия элита сах.свекла озим.пшеница озим.ячмень кук.силосная озим.пшеница подсолнечник озим.пшеница кук.зерновая озим.ячмень яров.ячмень

1999 П12 42,1 4 класс 4,200 289,800 13,800 200 69 Скифянка сах.свекла озим.пшеница кук. силосная озим.пшеница подсолнечник горох озим.пшеница сах.свекла озим.пшеница озим.ячмень

1999 П18 35,1 5 класс 3,570 367,710 17,510 170 103 офелия элита кук. зерно озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница озим.ячмень сах.свекла кук.зерновая озим.пшеница

1999 П19 39,5 4 класс 3,940 445,220 21,200 188 113 Новокубанка кук. силосная озим.пшеница яров.ячмень озим.пшеница подсолнечник озим.пшеница горох озим.ячмень подсолнечник озим.пшеница

1999 П20 34,7 4 класс 3,600 259,200 12,342 171 72 Новокубанка кук. силосная озим.пшеница горох озим.пшеница подсолнечник кук.силосная озим.пшеница кук.силосная кук.зерновая озим.ячмень

1999 П6 43,1 4 класс 4,100 348,500 16,590 195 85 Офелия элита мног.травы кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень кук.силосная кук.зерновая озим.пшеница сах.свекла

1999 П8 32,4 4 класс 4,200 445,200 21,200 200 106 Скмфянка сах.свекла озим.пшеница горох озим.ячмень озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница яров.ячмень

2000 П1 36,7 5 класс 3,500 444,500 12,347 97 127 Эхо озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница сах.свекла озим.пшеница горох озим.пшеница озим.ячмень

2000 П10 32,2 5 класс 3,100 213,900 5,940 86 69 Офелия озим.пшеница сах.свекла озим.пшеница кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень сах.свекла озим.пшеница

2000 П14 45,7 4 класс 5,900 424,800 11,800 164 72 Крошка горох озим.ячмень озим.пшеница кук.силосная озим.пшеница подсолнечник озим.пшеница горох озим.ячмень озим.пшеница

2000 П15 32,2 5 класс 3,100 151,900 4,219 86 49 Крошка горох озим.ячмень озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница кук.силосная озим.ячмень озим.пшеница

2000 П2 34,5 4 класс 3,900 495,300 13,750 108 127 Половчанка сах.свекла озим.ячмень озим.пшеница подсолнечник озим.пшеница сах.свекла озим.ячмень горох озим.пшеница кук.зерно

2000 П5 32,1 5 класс 3,480 389,760 10,820 97 112 Крошка сах.свекла озим.пшеница горох озим.пшеница озим.ячмень подсолнечник озим.пшеница озим.пшеница яров.ячмень кук.зерно

2000 П6 35,3 5 класс 3,500 297,500 8,260 97 85 Офелия озим.пшеница мног.травы кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень кук.силосная кук.зерновая озим.пшеница

2000 П9 34,7 4 класс 3,500 406,000 11,270 97 116 Купава подсолнечник озим.пшеница озим.ячмень сах.свекла озим.пшеница яров.ячмень подсолнечник озим.пшеница сах.свекла озим.пшеница

2001 П11 48,8 4 класс 7,300 401,500 13,987 254 55 Княжна подсолнечник озим.пшеница сах.свекла озим.пшеница озим.ячмень кук.силосная озим.пшеница подсолнечник озим.пшеница кук.зерновая

2001 П12 44,5 4 класс 7,010 483,690 16,850 244 69 Крошка подсолнечник озим.пшеница сах.свекла озим.пшеница кук.силосная озим.пшеница подсолнечник горох озим.пшеница сах.свекла

2001 П17 60,0 3 класс 7,800 468,000 16,300 272 60 Крошка горох озим.ячмень кук. силосная кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень сах.свекла озим.пшеница

2001 П18 36,0 5 класс 5,030 518,090 18,050 175 103 половчанка кук. силосная озим.пшеница кук. зерно озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница озим.ячмень сах.свекла

2001 П19 40,0 4 класс 4,780 540,140 18,820 167 113 Крошка кук. силосная озим.пшеница кук. силосная озим.пшеница яров.ячмень озим.пшеница подсолнечник озим.пшеница горох озим.ячмень

2001 П20 44,0 3 класс 5,200 374,400 13,045 181 72 Эхо горох озим.пшеница кук. силосная озим.пшеница горох озим.пшеница подсолнечник кук.силосная озим.пшеница кук.силосная

2001 П7 44,4 4 класс 4,960 386,880 13,480 173 78 Офелия кук. зерно озим.ячмень озим.пшеница кук.силосная озим.ячмень подсолнечник озим.пшеница мног.травы мног.травы мног.травы

2001 П8 45,2 4 класс 5,280 559,680 19,500 184 106 Половчанка подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень озим.пшеница подсолнечник озим.пшеница сах.свекла

2002 П1 55,4 3 класс 7,200 914,400 29,028 229 127 Офелия кук. силосная озим.пшеница озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница сах.свекла озим.пшеница горох

2002 П10 47,2 5 класс 5,960 411,240 13,055 189 69 Княжна подсолнечник озим.пшеница озим.пшеница сах.свекла озим.пшеница кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень

2002 П14 56,2 4 класс 6,960 501,120 15,908 221 72 Княжна сах.свекла озим.пшеница горох озим.ячмень озим.пшеница кук.силосная озим.пшеница подсолнечник озим.пшеница горох

2002 П15 53,8 4 класс 6,840 335,160 10,640 217 49 Уманка сах.свекла озим.пшеница горох озим.ячмень озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница кук.силосная

2002 П16 54,7 4 класс 6,950 479,550 15,220 221 69 уманка подсолнечник озим.ячмень яров.ячмень мног.травы мног.травы мног.травы мног.травы озим.пшеница озим.ячмень подсолнечник

2002 П2 52,5 3 класс 7,060 896,620 28,460 224 127 Крошка горох озим.пшеница сах.свекла озим.ячмень озим.пшеница подсолнечник озим.пшеница сах.свекла озим.ячмень горох

2002 П4 60,2 3 класс 7,700 1070,300 33,970 244 139 Крошка мног.травы мног.травы мног.травы кук.зерно озим.пшеница озим.ячмень подсолнечник озим.пшеница горох озим.ячмень

2002 П6 55,3 4 класс 6,960 591,600 18,780 221 85 Княжна кук. силосная озим.пшеница озим.пшеница мног.травы кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень кук.силосная

2002 П8 58,4 4 класс 6,600 699,600 22,200 209 106 Половчанка озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень озим.пшеница подсолнечник озим.пшеница

2002 П9 47,3 3 класс 6,580 763,280 24,230 209 116 Уманка кук. силосная озим.пшеница подсолнечник озим.пшеница озим.ячмень сах.свекла озим.пшеница яров.ячмень подсолнечник озим.пшеница

2003 П11 55,2 4 класс 7,600 418,000 13,350 243 55 Дея кук. силосная озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница озим.ячмень кук.силосная озим.пшеница подсолнечник

2003 П12 51,0 4 класс 7,300 503,700 16,090 233 69 Уманка кук. силосная озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница кук.силосная озим.пшеница подсолнечник горох

2003 П17 48,5 4 класс 7,980 478,800 15,290 255 60 Лира сах.свекла озим.пшеница горох озим.ячмень кук.силосная кук.зерновая озим.пшеница подсолнечник озим.пшеница озим.ячмень

2003 П18 53,8 3 класс 8,000 824,000 26,320 256 103 дея подсолнечник озим.пшеница кук. силосная озим.пшеница кук.зерно озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница

2003 П19 54,2 4 класс 8,230 929,990 29,710 263 113 Лира кук. силосная озим.пшеница кук. силосная озим.пшеница кук.силосная озим.пшеница яров.ячмень озим.пшеница подсолнечник озим.пшеница

2003 П2 36,0 5 класс 4,800 609,600 19,470 153 127 Княжна озим.пшеница горох озим.пшеница сах.свекла озим.ячмень озим.пшеница подсолнечник озим.пшеница сах.свекла озим.ячмень

2003 П20 46,9 4 класс 7,060 508,320 16,240 226 72 Крошка кук. силосная озим.пшеница горох озим.пшеница кук.силосная озим.пшеница горох озим.пшеница подсолнечник кук.силосная

2003 П3 49,0 4 класс 5,900 637,200 20,360 189 108 Крошка мног.травы мног.травы мног.травы мног.травы мног.травы кук.зерновая озим.пшеница яров.ячмень подсолнечник озим.пшеница

2004 П1 54,3 3 класс 5,600 711,200 24,954 196 127 Победа-50 сах.свекла озим.пшеница кук. силосная озим.пшеница озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница сах.свекла

http://ej.kubagro.ru/2014/07/pdf/90.pdf

Научный журнал КубГАУ, №101(07), 2014 года

43

2004 П13 52,0 4 класс 5,300 397,500 13,940 186 75 Финт мног.травы мног.травы мног.травы мног.травы мног.травы мног.травы озим.пшеница подсолнечник озим.пшеница сах.свекла

2004 П16 50,8 4 класс 5,600 386,400 13,550 196 69 финт сах.свекла озим.пшеница подсолнечник озим.ячмень яров.ячмень мног.травы мног.травы мног.травы мног.травы озим.пшеница

2004 П4 44,0 4 класс 7,200 1000,800 35,110 253 139 Селлта сах.свекла озим.пшеница мног.травы мног.травы мног.травы кук.зерно озим.пшеница озим.ячмень подсолнечник озим.пшеница

2004 П5 40,0 5 класс 5,600 627,200 22,000 196 112 Дон-95 кук. силосная кук. зерно озим.ячмень озим.пшеница сах.свекла озим.пшеница горох озим.пшеница озим.ячмень подсолнечник

2004 П6 50,0 3 класс 7,800 663,000 23,280 274 85 Селянка подсолнечник озим.пшеница кук. силосная озим.пшеница озим.пшеница мног.травы кук.зерновая озим.пшеница подсолнечник озим.пшеница

2004 П8 58,0 4 класс 6,400 678,400 23,800 225 106 Лира кук. зерно озим.пшеница озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень озим.пшеница

2005 П10 70,0 5 класс 2,000 138,000 5,000 72 69 Победа-50 сах.свекла кук. зерно озим.пшеница подсолнечник озим.пшеница озим.пшеница сах.свекла озим.пшеница кук.зерновая озим.пшеница

2005 П11 68,2 5 класс 2,500 137,500 4,940 90 55 Победа-50 сах.свекла озим.пшеница кук. силосная озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница озим.ячмень кук.силосная

2005 П12 64,8 5 класс 2,700 186,300 6,700 97 69 Селянка кук. силосная озим.пшеница кук. силосная озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница кук.силосная озим.пшеница

2005 П17 60,5 5 класс 2,100 126,000 4,530 76 60 Победа-50 подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень кук.силосная кук.зерновая озим.пшеница подсолнечник

2005 П18 59,6 4 класс 1,600 164,800 5,920 57 103 зимородок кук. зерно озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница кук.зерно озим.пшеница подсолнечник озим.пшеница

2005 П19 65,8 4 класс 1,900 214,700 7,700 68 113 Батько подсолнечник озим.пшеница кук. силосная озим.пшеница кук.силосная озим.пшеница кук.силосная озим.пшеница яров.ячмень озим.пшеница

2005 П3 62,8 5 класс 1,680 181,440 6,526 60 108 Татьяна подсолнечник озим.пшеница мног.травы мног.травы мног.травы мног.травы мног.травы кук.зерновая озим.пшеница яров.ячмень

2005 П7 61,2 5 класс 2,640 205,920 7,400 95 78 Селянка кук. зерно озим.ячмень подсолнечник озим.пшеница кук.зерно озим.ячмень озим.пшеница кук.силосная озим.ячмень подсолнечник

2006 П13 61,2 3 класс 10,600 795,000 28,800 384 75 Батько сах.свекла озим.пшеница мног.травы мног.травы мног.травы мног.травы мног.травы мног.травы озим.пшеница подсолнечник

2006 П14 58,8 3 класс 10,000 720,000 26,080 362 72 Зимородок соя озим.ячмень подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень озим.пшеница кук.силосная

2006 П15 68,8 3 класс 11,200 548,800 19,884 406 49 Краснодарская-99 мног.травы озим.ячмень подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень озим.пшеница подсолнечник

2006 П4 67,8 3 класс 10,800 1501,200 54,390 391 139 Таня подсолнечник озим.пшеница сах.свекла озим.пшеница мног.травы мног.травы мног.травы кук.зерно озим.пшеница озим.ячмень

2006 П5 65,9 3 класс 10,600 1187,200 43,010 384 112 Краснодарская-99 подсолнечник озим.пшеница кук. силосная кук.зерно озим.ячмень озим.пшеница сах.свекла озим.пшеница горох озим.пшеница

2006 П6 70,2 3 класс 11,200 952,000 34,490 406 85 Краснодарская-99 горох озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница озим.пшеница мног.травы кук.зерновая озим.пшеница

2007 П1 54,6 2 класс 10,900 1384,300 53,240 419 127 Батько сах.свекла озим.ячмень озим.пшеница сах.свекла озим.пшеница кук.силосная озим.пшеница озим.пшеница подсолнечник озим.пшеница

2007 П11 57,3 2 класс 12,300 676,500 26,019 473 55 Таня подсолнечник озим.пшеница сах.свекла озим.пшеница кук.силосная озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница

2007 П17 43,6 3 класс 10,100 606,000 23,300 388 60 Восторг мног.травы озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень кук.силосная кук.зерновая

2007 П18 57,2 3 класс 11,800 1215,400 46,746 454 103 Таня сах.свекла озим.пшеница кук. зерно озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница кук.зерно озим.пшеница

2007 П19 58,4 3 класс 12,100 1367,300 52,600 465 113 Краснодарская-99 соя озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница кук.силосная озим.пшеница кук.силосная озим.пшеница

2007 П2 57,4 2 класс 11,800 1498,600 57,640 454 127 Таня подсолнечник озим.ячмень кук. силосная озим.пшеница озим.пшеница горох озим.пшеница сах.свекла озим.ячмень озим.пшеница

2007 П3 57,7 2 класс 12,300 1328,400 51,090 473 108 Краснодарская-99 соя озим.пшеница подсолнечник озим.пшеница мног.травы мног.травы мног.травы мног.травы мног.травы кук.зерновая

2007 П7 56,6 2 класс 11,300 881,400 33,900 435 78 Москвич сах.свекла озим.пшеница кук. зерно озим.ячмень подсолнечник озим.пшеница кук.зерно озим.ячмень озим.пшеница кук.силосная

2008 П12 67,8 2 класс 18,500 1276,500 55,500 804 69 Вита подсолнечник кук. силосная озим.пшеница кук.силосная озим.пшеница кук.силосная озим.пшеница подсолнечник озим.пшеница сах.свекла

2008 П14 63,3 3 класс 18,600 1339,200 58,220 809 72 Лира сах.свекла озим.пшеница соя озим.ячмень подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень

2008 П15 70,1 3 класс 19,200 940,800 40,904 835 49 Таня сах.свекла озим.пшеница мног.травы озим.ячмень подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень

2008 П4 72,8 1 класс 19,200 2668,800 116,030 835 139 Таня соя озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница мног.травы мног.травы мног.травы кук.зерно

2008 П5 70,9 2 класс 19,000 2128,000 92,520 826 112 Краснодарская-99 сах.свекла озим.пшеница подсолнечник озим.пшеница кук.силосная кук.зерно озим.ячмень озим.пшеница сах.свекла озим.пшеница

2008 П6 73,6 2 класс 20,100 1708,500 74,280 874 85 Краснодарская-99 сах.свекла озим.пшеница горох озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница озим.пшеница мног.травы

2008 П8 68,7 2 класс 18,900 2003,400 87,100 822 106 Москвич подсолнечник кук. зерно сах.свекла озим.пшеница кук.зерно озим.пшеница озим.пшеница подсолнечник озим.пшеница сах.свекла

2008 П9 69,3 2 класс 19,000 2204,000 95,820 826 116 Таня кук. силосная мног.травы мног.травы мног.травы мног.травы озим.пшеница кук.силосная озим.пшеница подсолнечник озим.пшеница

2009 П1 58,7 11,800 1498,600 44,220 348 127 Татьяна подсолнечник озим.пшеница сах.свекла озим.ячмень озим.пшеница сах.свекла озим.пшеница кук.силосная озим.пшеница озим.пшеница

2009 П10 58,8 5 класс 12,100 834,900 24,620 357 69 Селянка подсолнечник кук. зерно сах.свекла озим.пшеница сах.свекла кук.зерно озим.пшеница подсолнечник озим.пшеница озим.пшеница

2009 П17 60,1 4 класс 12,400 744,000 21,940 366 60 Фортуна кук. силосная озим.пшеница мног.травы озим.пшеница подсолнечник озим.пшеница сах.свекла озим.пшеница горох озим.ячмень

2009 П18 59,1 4 класс 11,800 1215,400 35,858 348 103 Таня подсолнечник озим.пшеница сах.свекла озим.пшеница кук.зерно озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница

2009 П19 54,9 4 класс 12,300 1389,900 41,000 363 113 Краснодарская-99 сах.свекла озим.пшеница соя озим.пшеница подсолнечник озим.пшеница кук.силосная озим.пшеница кук.силосная озим.пшеница

2009 П20 56,8 4 класс 13,800 993,600 29,300 407 72 Грация сах.свекла озим.ячмень кук. силосная кук.зерно подсолнечник озим.пшеница кук.силосная озим.пшеница горох озим.пшеница

2009 П3 56,5 2 класс 10,900 1177,200 34,720 321 108 Краснодарская-99 кук. силосная озим.пшеница соя озим.пшеница подсолнечник озим.пшеница мног.травы мног.травы мног.травы мног.травы

2009 П5 59,3 4 класс 11,900 1332,800 39,310 351 112 Краснодарская-99 озим.пшеница сах.свекла озим.пшеница подсолнечник озим.пшеница кук.силосная кук.зерно озим.ячмень озим.пшеница сах.свекла

2009 П7 58,3 4 класс 10,900 850,200 25,070 321 78 Таня подсолнечник озим.пшеница сах.свекла озим.пшеница кук.зерно озим.ячмень подсолнечник озим.пшеница кук.зерно озим.ячмень

http://ej.kubagro.ru/2014/07/pdf/90.pdf