CC BY
507УДК 303.442
ЛОГИКО-ЛИНГВИСТИЧЕСКИЕ МОДЕЛИ НАУКОЕМКОГО ПРОИЗВОДСТВЕННОГО КОМПЛЕКСА КАК РАЗНОВИДНОСТЬ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ*
Е. Ю. ХРУСТАЛЁВ,
доктор экономических наук, профессор, ведущий научный сотрудник E-mail: stalev@cemi.rssi.ru Центральный экономико-математический институт Российской академии наук
В статье показаны роль и место логико-лингвистических моделей в интеллектуальных информационных комплексах, основанных на знаниях. Особое внимание уделено возможностям когнитивного моделирования, с помощью которого получены прогнозные сценарии развития отечественных наукоемких производств.
Ключевые слова: логико-лингвистическое моделирование, когнитивные модели, наукоемкий производственный комплекс, искусственный интеллект, систематизация знаний.
Введение
Многие методы, созданные для формализации слабоструктурируемых явлений (предметов и процессов) традиционным (например, математическим или операционным) инструментарием, заканчивались тем, что модели последних оказывались настолько абстрактными, что переставали адекватно соответствовать действительности. Кроме того, стремление к точности приводит к тому, что такие исследования сосредоточиваются только на тех задачах, которые поддаются строгому математическому решению. В итоге многие классы значимых проблем, являющихся чрезмерно сложными или не четко определенными для того, чтобы провести их точный математический анализ, остаются неизученными, например, методология анализа
* Статья подготовлена при поддержке Российского гуманитарного научного фонда (проект № 14-02-00035).
состояния и прогнозирования экономического и научно-технического развития промышленных и научных организаций отечественного наукоемкого производственного комплекса (НПК). Для постановки, изучения и эффективного решения подобных проблем следует отказаться от точности результатов и допустить использование приближенных.
В последние годы в теории и практике системного анализа стали активно применяться методы логико-лингвистического (семантического) моделирования, которые базируются на «мягких» вычислительных расчетах и способны качественно описывать и изучать слабоструктурируемые процессы, системы и явления [3, 9, 11].
Главным достоинством методов логико-лингвистического моделирования представляется то, что используемые в них языковые средства «мягких» расчетов имеют большие по сравнению с традиционными математическими языками возможности по формализации реальных ситуаций, однако одновременно они в меньшей степени способны обеспечивать формальные преобразования и модификации построенных и используемых конструкций.
Модели, построенные на основе «мягких» языковых средств, являются семантическими или логико-лингвистическими и отличаются следующими основными специфическими особенностями: - используемые в таких моделях переменные, как правило, качественные, а не количественные (семантические, т. е. их значениями являются
слова и термины естественного языка, а не числа);
- переменные взаимосвязаны между собой не математическими зависимостями и уравнениями, а также семантически - с использованием выражений и фраз естественного языка;
- оценка эффективности определяется не математическими формулами, а описывается с помощью качественных предложений и рекомендаций по недопустимости, желательности или предпочтительности того или иного варианта решения.
Логико-лингвистические модели применяются, как правило, на стратегическом или концептуальном уровнях управления и разработки решений.
Логико-лингвистические модели в системе искусственного интеллекта
Важное место в исследованиях по искусственному интеллекту занимают разработки систем, основанных на знаниях. Не выходя за пределы языка своей предметной области, пользователь может общаться с ЭВМ непосредственно, используя информационно-поисковые, расчетно-логические и экспертные системы.
Интеллектуальные информационно-поисковые системы реализуют поиск в базе знаний необходимой информации.
Расчетно-логические системы обеспечивают решение проектных, плановых, научных и управленческих задач по их постановкам (описаниям) и исходным данным без программирования, независимо от сложности алгоритмов. Эти системы основываются на одной из важнейших разновидностей семантических сетей - функционально-семантических сетях. Процесс выбора необходимой программы или составления, если потребуется, более сложной программы по сравнению с имеющимися в памяти ЭВМ происходит автоматически по директивам пользователя на не сложном для него языке программирования или на его профессиональном языке.
Экспертная система с помощью аккумулирования в ЭВМ знаний о предметной области позволяет распознавать и диагностировать процессы в сложных системах, принимать решения, формулировать планы действий, выдвигать и проверять гипотезы, выявлять закономерности в результатах наблюдений, в том числе там, где математические модели трудно использовать. Если в расчетно-логических
системах логико-лингвистические модели играют служебную роль, обеспечивая эффективное использование математических моделей, то в экспертных системах они приобретают решающее значение.
В интеллектуальных комплексах данного класса наиболее распространенной является разновидность логико-лингвистических моделей, называемых продукциями. Продукция - это правило вида «если... -то...», содержащее левую и правую части. Если левая часть - посылка, а правая - заключение, то мы имеем дело с элементарным логическим актом. Например, если левая часть - ситуация, а правая - действие, то такая продукция характерна для систем управления. Подобного рода продукции присущи всем областям знания и сферам деятельности, начиная от правил уличного движения и кончая статьями уголовного кодекса (в последнем случае левая часть - диспозиция, а правая - санкция).
Значения одних продукций могут входить в условия других: образуются сложные цепочки, которые могут использоваться для логического вывода. Допускается как прямой вывод, так и обратный. Прямой вывод - от условий к заключительному факту, обратный - от заключительного факта как гипотезы, которая подтверждается или не подтверждается имеющимися фактами-посылками.
Экспертная система состоит обычно из системы общения; базы знаний, в которой хранятся факты и правила вывода (продукции); «машины вывода» -рабочего поля памяти, где фиксируется состояние системы в процессе вывода; системы накопления знаний; системы, объясняющей пользователю, как и почему получен тот или иной вывод.
Знания, которыми должны оперировать экспертные системы, находятся у заказчика [12]. Поэтому организация-исполнитель обычно разрабатывает инструментальные программно-аппаратные средства и на их основе строит «пустые» системы. Наполнение осуществляется у заказчика либо специалистами предметной области, либо инженерами по знаниям, которые достаточно осведомлены в данной предметной области и в то же время хорошо представляют себе возможности и структуру экспертной системы.
Приведенный краткий обзор существующих систем искусственного интеллекта показывает, что самое важное в их разработке - умение проектировать базы знаний, содержащие описания исследуемых прикладных областей. Наибольшая сложность состоит в формализации процесса отображения
в памяти ЭВМ взаимосвязей понятийных (смысловых) единиц естественного языка, с помощью которого можно описать любую решаемую задачу с необходимой степенью полноты и адекватности.
Логико-лингвистический инструментарий предназначен для систематизации, хранения, накопления и модификации семантической информации, обрабатываемой с использованием вычислительной техники. Главная составляющая комплекса логико-лингвистических моделей - тезаурус - обеспечивает взаимосвязь понятий, определяет предметную сферу, информация о которой заносится в базу знаний. Как следует из существующих подходов к построению концептуальных моделей, основное различие между ними заключается в наборе средств, используемых для фиксации отношений между выделенными понятиями. Для построения сложных семантических конструкций необходимо предусмотреть достаточно широкий спектр допустимых типов связей. Следует отметить, что лучше, когда связи являются бинарными и поэтому могут изменяться по типу в зависимости от направления. Это дает возможность специалисту, работающему с системой, сохранять ориентацию при движении по тезаурусу, т. е. знать, в каком месте массива он находится, где расположена общезначимая информация, а где - более детальные, видовые сведения.
Из-за недостатка ресурсов программно-аппаратных сред, реализующих предлагаемые разновидности систем искусственного интеллекта, логико-лингвистические модели ограничиваются как по количеству включаемых в модель объектов, так и по количеству и типам допускаемых взаимосвязей. В традиционных подходах к моделированию применяются главным образом разнообразные модификации причинно-следственных отношений, а программный аппарат моделирующих систем предназначается для их компьютерной обработки. Дальнейшее развитие таких систем искусственного интеллекта будет, очевидно, идти по пути включения новых типов отношений. Можно все основные типы отношений предусмотреть сразу, тогда совершенствование логико-лингвистической базы знаний будет предполагать более тонкую детализацию каждого конкретного вида отношений, хотя не станет исключать расширения имеющегося комплекта связей.
Основу всех подходов к построению баз знаний составляют выявление и формализация стандартных ситуаций, которые реализуются некоторыми
типовыми конструкциями. В эти конструкции проектировщики пытаются вложить соответствующим образом структурированное явление (событие). Для описания некоторой ситуации семантический метод предоставляет определенный комплект связей, ничем не ограничивая конфигурацию получаемой конструкции.
Любая исследуемая проблема при изучении распадается на ряд объектов, перечень и взаимосвязи которых в значительной мере ее определяют и характеризируют. От того, насколько исчерпывающе охвачены все компоненты проблемы и точно установлены связи между ними, зависит качество разрабатываемой модели. Логико-лингвистический подход позволяет достаточно технологично строить семантические описания практически с любой степенью детализации. Тезаурусная статья «Экономика наукоемкого производственного комплекса» является по своей сути моделью объекта, название которого вынесено в заголовок статьи, и может считаться некоторой аналогией фрагмента семантической сети или фрейма.
Тезаурус в целом может быть интерпретирован как совокупность взаимосвязанных типовых фреймов. В отличие от традиционных подходов к упорядочению информации в рассмотренных системах искусственного интеллекта, построенных главным образом на различных модификациях причинно-следственных отношений, в семантической сети особо важную роль играют родо-видовые отношения, без которых невозможно осуществление логического вывода. На базе данного типа отношений формулируется основной принцип систематизации информации - принцип общезначимости. Углубленное исследование родо-видовых связей и отражение их в тезаурусе позволяют в явном виде зафиксировать реально существующие закономерности, имеющие место в предметной области.
Пример. Пусть существует ряд объектов Q, где i = 1,..., k, связанных отношением «род - вид» (v или графически в виде стрелки
Qi ^ Q2 ^ Q3 ^• • ^Qk-i^ Qk-
В логико-лингвистической модели для V Q 31^, где I. - соответствующий информационный компонент объекта Qi, составленный с учетом принципа общезначимости. Тогда для VQi, такого, что 1 < j < k, можно в автоматизированном режиме собирать все родовые сведения Rod о произвольном объекте Q.
Rod (Qj) = (jl,.
i=1
Комплекс логико-лингвистических моделей по своим функциональным возможностям и структуре приближается к современным экспертным системам. Он кроме базы знаний имеет развитый интерфейс с пользователем, позволяющий общаться с системой на близком к естественному языке, а также набор средств, обеспечивающих пополнение и модификацию базы знаний. Однако «решателем» (носителем правил вывода) остается работающий с системой специалист (рис. 1).
Блок фиксации навигаций поиска позволяет проследить путь, который проходит пользователь в базе знаний прежде, чем получит интересующие его сведения. Этот блок является прототипом блока объяснений в экспертной системе.
Семантическая база знаний предназначена для расширения памяти человека, который в условиях информационного взрыва оказывается не в состоянии помнить все необходимые ему в повседневной деятельности знания. Модель лишь усиливает, но никак не заменяет способности и возможности абонента, т. е. творческие процессы остаются прерогативой человека. Структурированный логико-лингвистический массив сведений может быть обработан непосредственно пользо-
вателем, обладающим опытом решения искомого класса задач (не все знания эксперта перенесены в автоматизированную систему).
Следующий шаг в совершенствовании логико-лингвистической технологии состоит в формализации и включении в ее состав алгоритмов решения конкретных прикладных проблем. В настоящее время разрабатывается и эксплуатируется ряд экспертных систем, поддерживающих предлагаемую структуру для представления знаний. Эти системы допускают функционирование как в традиционном стиле консультации, так и в режиме непосредственного пользовательского участия, причем соотношение активности пользователя и системы может варьироваться в зависимости от сложности решаемой задачи, полноты базы знаний и других условий.
Интегрированная совокупность логико-лингвистических моделей может рассматриваться как особая разновидность интеллектуальных комплексов нового научного направления - системы, доставляющие знания. Эти комплексы лишены правил вывода, не способны выполнять рассуждения, но обладают базой знаний и механизмом их сопоставления. Сюда же можно отнести системы, объединяющие блоки, реализующие логический вы-
Блок приобретения знаний
Тексты документов, Знания экспертов
Блок фиксации навигаций поиска
II
Рис. 1. Сопоставление структур экспертной (блок I) и семантической (блок II) систем
вод, с электронными изданиями и гиперсредствами. Цель подобных проектов - полная автоматизация издательской деятельности. Однако, по мнению ряда специалистов, данное направление имеет более широкие возможности и может привести к новой компьютерной революции - революции знаний.
Одним из последних достижений теории и практики искусственного интеллекта является построение гибридных интеллектуальных систем, предназначенных для решения сложных неоднородных задач в составе единого человеко-машинного комплекса, который содержит в своем составе развитый интерфейс с пользователем и средства работы с трудноформализуемыми и слабоструктурированными проблемами. Допустимы две принципиально отличные схемы интеграции компонентов в единой системе: программно-ориентированная и семантико-ориентированная, в основе которых лежат соответственно два различных принципа организации обработки информации, базирующихся либо на процессе, либо на знаниях.
Программно-ориентированная схема организации интеллектуальных средств по своей сути ориентирована на проблему. Ядро гибридной системы в этом случае составляет система программно-аппаратных средств, реализующая развернутую программу решения определенного круга задач (базисную программу), связанных с той или иной проблемой.
Значительно большими возможностями обладает семантико-ориентированная схема построения и организации взаимодействия системы с пользователем. В такой схеме центральным объединяющим звеном, через посредничество которого осуществляется взаимодействие всех компонентов системы, служит база знаний, представляющая собой семантическую модель проблемной среды.
Частным случаем интеллектуального комплекса, построенного по второй схеме, являются гибридные гипертекстовые системы, для ко-
основе использования соответствующих пакетов прикладных программ, обрабатывающих выделенную из баз знаний информацию [9].
Сближение, а в некоторых случаях объединение возможностей экспертных, поисковых, гибридных, гипертекстовых и некоторых других новейших типов информационных систем представляется вполне естественным и отражает закономерный процесс интеграции систем искусственного интеллекта в единый комплекс. В этом комплексе семантическая база знаний из самостоятельной единицы превращается в центральный и обязательный блок, требующий особой тщательности при его разработке и сопровождении.
Когнитивное моделирование
С учетом отмеченных особенностей исследование процессов функционирования и развития отечественного наукоемкого производственного комплекса целесообразно проводить на основе когнитивных моделей (когнитивных карт), относящихся к классу логико-лингвистических.
В широком смысле когнитивная модель (карта) представляет собой схематичное, упрощенное описание фрагмента картины мира, относящегося к конкретной проблемной ситуации. Система понятий, характеризующих когнитивный подход в управлении и прогнозировании, представлена на рис. 2.
Когнитивное моделирование -
метод исследования ситуаций, основанный на изучении (анализе и динамическом моделировании) их когнитивных карт
Когнитивная карта (когнитивная модель) -
структура (сеть) причинно-следственных связей между элементами исследуемой системы
и окружающей ее среды, отображающая (структура) представление индивида или группы индивидов об устройстве и функционировании данной системы
торых в качестве базисной задачи выступает проблема поиска сведений, а решение вспомогательных задач производится на
Элементы когнитивной карты
Базисные факторы -
понятия, характеризующие, по мнению индивида или группы индивидов, исследуемую систему и окружающую ее среду
Причинно-следственные отношения между базисными факторами -
изображаются в виде стрелок, соединяющих базисные факторы
Рис. 2. Система понятий, характеризующих когнитивный подход в управлении и прогнозировании
В экономических исследованиях схожим с когнитивным подходом к построению моделей является пришедший из радиотехники плюс-минус факторный метод, представляющий собой способ составления схем, описывающих причинно-следственные связи различных факторов.
Особенностью метода когнитивного моделирования, отличающего его от традиционных операционных, является то, что благодаря использованию лингвистических переменных и нечетких алгоритмов он позволяет эффективно исследовать поведение сложных, слабоформализуемых систем, не поддающихся точному математическому анализу. Для математической формализации и исследования когнитивных карт применяются нечеткая логика, теория графов и теория матриц. Когнитивные карты применялись для исследования социально-экономических, военно-политических, внешнеполитических, экологических и других ситуаций [1, 4, 5, 10, 13, 15, 16, 18, 19].
Когнитивный анализ и моделирование стратегического развития НПК состоит из пяти основных этапов.
Этап 1. Когнитивная структуризация. Вначале осуществляется структуризация сведений о функционировании НПК и возможных изменениях процессов развития (внешне- и внутриполитических, социально-экономических и др.), которые оказывают воздействие на НПК. Данный этап состоит из процессов сбора, анализа и структуризации (синтеза) информационных данных и формирования когнитивной модели (карты), предназначенной для логико-лингвистической формализации условий и механизма функционирования НПК.
Структуризация информации. Данная процедура осуществляется для выявления базисных факторов X = {х1, х2,..., хп} и нахождения между ними причинно-следственных связей.
Для каждого базисного фактора оценивается его тенденция - скорость изменения показателя, который определенным образом характеризует систе-
му, предмет или явление и логически взаимосвязан с данным фактором. Для отношений «причина -следствие» выявляется сила связи между базисными факторами и ее характер (отрицательный или положительный). Значения выявленных переменных определяются в лингвистической (семантической) шкале: каждому значению соответствует число в интервале [-1; 1] (см. таблицу).
Множество базисных факторов, причинно-следственные отношения между ними и параметры факторов и отношений определяются по результатам анализа текстов, содержащихся в информационно-аналитической базе, и анкетирования или интервьюирования экспертов и лиц, принимающих решения. При кодировании текстов могут применяться специальные автоматизированные средства, например, контент-анализ, семантический анализ и эвристические принципы.
Построение когнитивной модели (карты) ситуации. Когнитивная модель может быть формально определена как взвешенный ориентированный граф G = (А, X), в котором А - множество дуг, характеризующих непосредственные воздействия факторов друг на друга, Х - множество вершин, взаимно однозначно соответствующее множеству базисных факторов [8].
Произвольная дуга, связывающая факторы (вершины) х. и х, имеет вес а,, который характеризует величину и тип влияния фактора х. на фактор х. Если а положительная величина, изменение значения х. меняет значение х, в том же направлении. Если а, - отрицательная, то при изменении значения х . значение х, изменяется в противоположном направлении. Модуль величины а, характеризует силу влияния фактора х . на фактор х,.
С графом G ассоциируется матрица смежности А^. Элемент а, матрицы А^, стоящий на пересечении 7-й строки и ,-го столбца, характеризует влияние фактора х. на фактор х (рис. 3).
В рамках данного этапа на множестве базисных факторов ситуации определяются под-
Значения лингвистических переменных
Лингвистические значения переменной «тенденция» Лингвистические значения переменной, характеризующей связи между базисными факторами Численные значения переменных
Очень слабо растет (падает) Очень слабо усиливает (ослабляет) 0,1; 0,2 (-0,1; - 0,2)
Слабо растет (падает) Слабо усиливает (ослабляет) 0,3; 0,4 (-0,3; - 0,4)
Умеренно растет (падает) Умеренно усиливает (ослабляет) 0,5; 0,6 (-0,5; - 0,6)
Сильно растет (падает) Сильно усиливает (ослабляет) 0,7; 0,8 (-0,7; - 0,8)
Очень сильно растет (падает) Очень сильно усиливает (ослабляет) 0,9; 1 (-0,9; - 1)
Базисный фактор
Фрагмент графа в=(Х, А)
Рис. 3. Формальное представление когнитивной модели множества целевых 7 = {у1, у2,..., ут} и управ-
Матрица смежности Ад графа G=(X, А)
ляющих U = (uj , и2
,} факторов и вектор
начальных тенденций базисных факторов х(х) = (X!(X), х2(X),...,хп(х)); х = 0.
В состав управляющих факторов включают такие, которые относятся к внешней среде или к объекту управления и на которые может воздействовать субъект управления. В качестве целевых выбираются факторы, которые определяют состояние и цели объекта управления.
Этап 2. Структурный анализ когнитивной карты. Для эффективного управления ситуацией следует исследовать ее структурные особенности, т. е. свойства причинно-следственных связей, которые имеют место между базисными факторами. Структурный анализ предназначен для изучения свойств когнитивной карты, обеспечения непротиворечивости целей и согласованности управлений и целей, достижения максимального суммарного воздействия на целевые факторы с помощью управляющих. При выполнении структурного анализа принимается принцип целеполагания, в соответствии с которым лицо, принимающее решение (ЛПР), способно по своему усмотрению определить и назначить наиболее желательный (благоприятный) вариант изменения базисных факторов [7].
Благоприятную динамику в изменении фактора х оценивают с помощью показателя гх<, который приравнивается к 1, если требуется рост значения данного фактора, к - 1, если требуется уменьшение значения фактора, и к 0, если ЛПР не может определить положительную динамику фактора. Показатель называется оценкой динамики фактора х .
Сущность непротиворечивого построения вектора целей заключается в том, чтобы благоприятное изменение одних целевых факторов не приводило к изменениям, ухудшающим другие целевые факторы. Следовательно, вектор целей Y считается системно непротиворечивым, если достижение одной из поставленных целей не препятствует достижению других: гУ] r}, = sign qv, Vv, yi е у,
где q .. - элемент матрицы Q = E + Ag + A^ +... ... + Agn = (En — Ag)-j, т.е. матрица Qs получается в результате транзитивного замыкания матрицы Ag и содержит значения интегральных, т. е. прямых и всех опосредованных влияний базисных факторов друг на друга, En - единичная матрица порядка п.
Управление ситуацией состоит в такой модификации управляющих факторов, чтобы это способствовало желательным переменам в целевых факторах, т. е. к их изменениям в направлении положительной динамики. По этой причине следует исследовать и оценить управляющие факторы на согласованность с целями и на эффективность их воздействия на целевые факторы.
Согласованность управляющих факторов с вектором целей заключается в том, что никакое изменение управляющих факторов не вызовет изменения ни одной из целей в нежелательном направлении. То есть вектор управлений u согласован с вектором целей у, если для каждой координаты вектора управлений можно указать такой знак, что для результирующего знакового вектора sign u rу = sign q. sign u., Vy t e y, Vu , e u.
Эффективность управляющего фактора определяется силой и характером влияния данного фактора на целевые факторы. Формально показатель эффективности E (и) управляющего фактора и. (т. е. максимальный положительный эффект от изменения фактора и) представляет собой абсолютное значение суммы коэффициентов интегрального
u
влияния данного управляющего фактора на целевые факторы, умноженных на оценку динамики целевых факторов:
Е(ы,) =
2 ,у,
,=1
, 7 = 1,... ,р.
Этап 3. Сценарное моделирование развития ситуации. Моделирование может проводиться в режимах саморазвития и управляемого развития.
Моделирование с использованием когнитивной карты является динамической процедурой. Значение переменной «тенденция» фактора х. в момент времени (^ + 1) определяется как
X. (( +1) = X (() + 2 ё, (X, К) - X, ((+1)),. = 1,..., п,
}
где ё, - элемент матрицы Q а значения базисных факторов для отрицательных времен принимаются равными нулю (х.. (О = 0 при I < 0 для . = 1,..., п).
В матричной форме это соотношение принимает вид
X (г +1) = X (г )(Еп + Qg) - X (г -1) Qg.
Значение тенденции фактора в каждый момент времени определяется как сумма значения тенденции фактора в предыдущий момент времени и всех влияний, пришедших от соседних факторов.
Этап 4. Оценка и интерпретация результатов моделирования. Для оценки эффективности управленческих решений разработана система показателей:
- ресурсоемкость управленческого решения, характеризующая объем и ценность ресурсов, необходимых для реализации управленческого решения;
- коэффициент благоприятности ситуации, характеризующий степень благоприятности ситуации для ЛПР;
- коэффициент целедостижения, характеризующий степень достижения цели;
- коэффициент эффективности управленческого решения, позволяющий оценить отношение степени достижения целей к объему и ценности ресурсов, необходимых для реализации соответствующего управленческого решения. Этап 5. Когнитивный мониторинг ситуации. На завершающем этапе, когда наблюдается негативная тенденция в текущей ситуации, осуществляется модификация когнитивной модели, и процедуры моделирования и структурно-целевого анализа развития ситуации повторяются.
Возможные сценарии развития наукоемкого производственного комплекса, построенные на основе семантического прогнозирования
Возможные сценарии развития НПК концептуально представлены на рис. 4. Сценарий «Нестабильный рост» характеризуется сравнительно быстрым ростом экономических показателей и неизбежными провалами, сопровождающими быстрый рост. Сценарий «Устойчивое развитие» характеризуется медленным, но устойчивым развитием. Сценарий «Пессимистический прогноз», когда отрасль теряет способность осуществлять долговременные наукоемкие программы. Преодоление кризиса - это вопрос жизнеспособности отрасли. Неспособность к преодолению кризисных явлений ведет к реализации сценария «Пессимистический прогноз».
Совокупность общих явлений названа кризисом «научный задел - производственная база -реструктуризация - материалы - комплектующие -кадры». Он является общесистемным для наукоемкого производственного комплекса, однако при правильном управлении НПК может преодолеть кризис с минимальными потерями. Свертывание фундаментальных научных исследований, ликвидация научных школ ведут к недостатку научного знания и задела, позволяющим осуществлять прогрессивное инновационное развитие. Составляющая кризиса «реструктуризация» - это кризис системообразующего институционального фактора. Технологическая составляющая кризиса названа «материалы -комплектующие». Консолидированная, высокотехнологичная и эффективная отрасль наполнена мотивированными, высококвалифицированными сотрудниками. Недостаток таких сотрудников на различных уровнях - отраслевом, региональном, программном, на уровне отдельных предприятий и организаций - назван кризисом «кадры».
Сценарии развития НПК имеют ярко выраженный качественный характер. Поэтому представленный график (рис. 4) следует понимать как некоторое обобщение и группировку тенденций, которым может быть подвержена отрасль на период до 2025 г. [2, 6, 14, 17].
Сценарий «Нестабильный рост» связан с реализацией преимущественно рыночных механизмов, которые действуют в НПК.
В сценарии «Устойчивое развитие» основной акцент делается на устойчивом, без провалов
Рис. 4. Возможные
Социально-экономический эффект
сценарии развития НПК до 2025 г
2012
2015
2018
2021
■ «Пессимистический прогноз»
! «Нестабильный рост»
«Устойчивое развита
развитии НПК для достижения перспективных целей. Перечень перспективных целей определяются: государственными интересами, требованиями рынка (потребительские предпочтения и спрос на услуги).
Общая привлекательность НПК может быть посчитана исходя из следующих факторов: емкость рынка и предполагаемый рост, циклические колебания, технологическое состояние, интенсивность конкуренции, появляющиеся возможности и угрозы, потребности в капитале, средняя рентабельность, социальные и политические факторы, факторы окружающей среды, государственного регулирования.
Сценарий «Пессимистический прогноз» означает, что предприятия НПК в условиях незначительного государственного заказа и низкой собственной конкурентоспособности вынуждены будут прекратить профильную деятельность и перестроить производство на выпуск другой продукции (которая имеет экономическую целесообразность) или осуществить реструктуризацию активов путем их продажи. Для страны это будет означать отказ от участия в производстве наукоемкой инновационной продукции и услуг, а также превращение российской экономики в сырьевой придаток развитых государств.
Заключение
Для повышения эффективности и качества анализа и прогнозирования, а также текущего функ-
> >
2025
ционирования и сопровождения наукоемкого производственного комплекса и других трудноформализу-емых слабоструктурированных экономических систем в их жизненном цикле должен присутствовать этап семантического (логико-лингвистического) моделирования. Традиционное модельное представление исследуемой или создаваемой системы включает в себя целостное и взаимосвязанное описание моделей по крайней мере трех уровней: концептуального, логического, физического. Построение моделей осуществляется с использованием специальных методов и технологий, разработанных для каждого конкретного уровня.
Системного, теоретически обоснованного и программно реализованного подхода, позволяющего охватить в едином цикле весь процесс моделирования, начиная с получения моделей семантического уровня и кончая физическими базами данных, программами обработки и эксплуатационной документацией проектировщика, в настоящее время не существует. Причем, если для физического и логического уровней разработаны и функционируют системы, автоматизирующие процессы построения соответствующих моделей, то среди методов и средств концептуального проектирования, как наиболее интеллектуального вида деятельности, трудно выделить достаточно эффективный и практически используемый инструментарий. Отсутствие полностью разработанной общей процедуры моделирования сложных производственных комплексов и экономических систем объясняется не только нерешенностью ряда проблем, но и в
значительной степени усилением влияния и ростом значимости быстро развивающейся теории моделей данных, а также необходимостью взаимной увязки общих принципов разработки моделирующих систем и разработкой новой методологии построения и использования моделей различных видов. Средства моделирования должны обеспечивать сквозной цикл при создании моделей различных уровней, позволять комплексно выполнять их корректировку и модернизацию.
Список литературы
1. Авдонин Б. Н., Хрусталёв Е. Ю., Хруста-лёв О. Е. Когнитивная методология структуризации знаний для изучения и применения финансово-экономических инноваций // Финансовая аналитика: проблемы и решения. 2013. № 35.
2. Бендиков М. А., Хрусталёв О. Е. Механизм инновационного развития наукоемких высокотехнологичных производств и рынков // Экономический анализ: теория и практика. 2012. № 28.
3. Макаренко Д. И. Когнитивная модель государственной военно-технической политики // Когнитивный анализ и управление развитием ситуаций (CASC-2003): труды III международной конференции. М.: ИПУ РАН, 2003. Т. 1.
4. Макаренко Д. И., Максимов В. И. Проблемы согласования предпочтений и интересов участников в когнитивных моделях активных систем // Теория активных систем: труды международной научно-практической конференции. М.: ИПУ РАН, 2001.
5. Макаренко Д. И., Хрусталёв Е. Ю. Когнитивные технологии в теории и практике управления (на примере оборонно-промышленного комплекса) // Проблемы теории и практики управления, 2007. № 4.
6. Макаров Ю. Н., Хрусталёв Е. Ю. Механизмы реструктуризации наукоемких производств (на примере ракетно-космической промышленности) // Экономика и математические методы. 2010. Т. 46. № 3.
7. Максимов В. И. Структурно-целевой анализ развития социально-экономических ситуаций // Проблемы управления. 2005. № 3.
8. Максимов В. И., Корноушенко Е. К. Аналитические основы применения когнитивного подхода
при решении слабоструктурированных задач // Труды ИПУ РАН, 1999. Т. II.
9. Морозов В. П., Тихомиров В. П., Хрусталёв Е. Ю. Гипертексты в экономике: информационная технология моделирования. М.: Финансы и статистика, 1997.
10. Омельченко А. Н., Хрусталёв О. Е. Когнитивное моделирование развития банковской системы России в условиях глобализации // Финансы и кредит. 2011. № 41.
11. Поспелов Д. А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1981.
12. Рудцкая Е. Р., Хрусталёв Е. Ю., Цыганов С. А. Методы накопления научного знания для инновационного развития российской экономики (опыт РФФИ) // Проблемы прогнозирования. 2009. № 3.
13. Хрусталёв Е. Ю. Когнитивная модель развития банковской системы РФ // Экономика и математические методы. 2011. Т. 47. № 2.
14. Хрусталёв Е. Ю., Ларин С. Н. Использование информационных ресурсов и технологий для стимулирования инновационного развития экономики // Национальные интересы: приоритеты и безопасность. 2011. № 32.
15. Хрусталёв Е. Ю., Мингалиев К. Н. Когнитивные модели стратегического управления оборонно-промышленным комплексом // Вооружение и экономика. 2011. № 1. URL: http://vvt-eco. ru/new/ source/journal/13.pdf.
16. Хрусталёв Е. Ю., Хрусталёв О. Е. Когнитивное моделирование развития наукоемкой промышленности (на примере оборонно-промышленного комплекса) // Экономический анализ: теория и практика. 2013.№ 10.
17. Хрусталёв Е. Ю., Хрусталёв О. Е. Модельное обоснование инновационного развития наукоемкого сектора российской экономики // Экономический анализ: теория и практика. 2013. № 9.
18. Kim D-H. Cognitive Maps of Policy Makers on Financial Crises of South Korea and Malaysia: A Comparative Study // International Review of Public Administration. 2005. Vol. 9. № 2.
19. Levi A., Tetlock P. A Cognitive Analysis of Japan's 1941 Decision for War // Journal of Conflict Resolution. 1980. Vol. 24. № 2.
Theory of economic analysis
LOGICAL-LINGUISTIC MODELS OF A HIGH-TECH INDUSTRIAL COMPLEX AS A FORM OF INTELLIGENT INFORMATION SYSTEMS
Evgenii Iu. KHRUSTALEV
Abstract
The article deals with the role and place of logical-linguistic models of intelligent information complexes based on knowledge. The particular attention is paid to the capabilities of the cognitive modeling, which makes it possible to get the prognostic scenarios of development of the domestic high-tech industries.
Keywords: logical-linguistic modeling, cognitive models, knowledge-based industrial complex, artificial intelligence, systematization of knowledge, scientific research, information technology
References
1. Avdonin B. N., Khrustalev E. Iu., Khrustalev O. E. Kognitivnaia metodologiia strukturizatsii znanii dlia izucheniia i primeneniia finansovo-ekonom-icheskikh innovatsii [Cognitive knowledge-structuring methodology for studying and application of financial and economic innovation]. Finansovaia analitika: problemy i resheniia - Financial analytics: problems and solutions, 2013, no. 35.
2. Bendikov M.A., Khrustalev O. E. Mekhanizm innovatsionnogo razvitiia naukoemkikh vysokotekhno-logichnykh proizvodstv i rynkov [The mechanism for innovation development of high-tech industries and markets]. Ekonomicheskii analiz: teoriia i praktika -Economic analysis: theory and practice, 2012, no. 28.
3. Makarenko D. I.[A cognitive model of the state military-technical policy]. Kognitivnyi analiz i uprav-lenie razvitiem situatsii (CASC-2003): trudy III mezh-dunarodnoi konferentsii [Cognitive analysis and development of management of situations (CASC-2003). Proc. 3rd International Conference]. Moscow, Institute of Control Sciences Publ., 2003, vol. 1. (In Russ.)
4. Makarenko D. I., Maksimov V. I. [The problem of matching the preferences and interests of the participants in the cognitive models of active systems]. Teoriia aktivnykh sistem: trudy mezhdunarodnoi nauchno-prak-ticheskoi konferentsii [Theory of active systems. Proc. Int. Sci. and Prac. Conf.]. Moscow, Institute of Control Sciences Publ., 2001.
5. Makarenko D. I., Khrustalev E. Iu. Kognitivnye tekhnologii v teorii i praktike upravleniia na primere oboronno-promyshlennogo kompleksa [Cognitive technology in management theory and practice in the military-industrial complex]. Problemy teorii ipraktiki upravleniia - Problems of theory and practice of management, 2007, no. 4.
6. Makarov Iu. N., Khrustalev E. Iu. Mekhanizmy restrukturizatsii naukoemkikh proizvodstv na primere raketno-kosmicheskoi promyshlennosti [Restructuring mechanisms for intensive production in the aerospace industry]. Ekonomika i matematicheskie metody -Economics and mathematical methods, 2010, vol. 46, no . 3 .
7. Maksimov V. I. Strukturno-tselevoi analiz razviti-ia sotsial'no-ekonomicheskikh situatsii [Structure-targeted analysis of socio-economic situations]. Problemy upravleniia - Management problems, 2005, no. 3.
8. Maksimov V. I., Kornoushenko E. K. Analit-icheskie osnovy primeneniia kognitivnogo podkhoda pri reshenii slabostrukturirovannykh zadach [The analytical basis for the cognitive-approach use to solve semi-structured problems]. Trudy IPU RAN - Proceedings of Institute of Control Sciences, 1999, vol. 2.
9. Morozov V. P., Tikhomirov V. P., Khrustalev E. Iu. Giperteksty v ekonomike: informatsionnaia tekhnologiia modelirovaniia [Hypertexts in economics: information technology modeling]. Moscow, Finansy i statistika Publ., 1997.
10. Omel'chenko A. N., Khrustalev O. E. Kognitiv-noe modelirovanie razvitiia bankovskoi sistemy Rossii v usloviiakh globalizatsii [Cognitive modeling of the banking system of Russia in the context of globalization]. Finansy i kredit - Finance and credit, 2011, no. 41.
11. Pospelov D.A. Logiko-lingvisticheskie modeli v sistemakh upravleniia [Logical-linguistic models in control systems]. Moscow, Energoizdat Publ., 1981.
12. Rudtskaia E. R., Khrustalev E. Iu., Tsyganov S.A. Metody nakopleniia nauchnogo znaniia dlia innovat-sionnogo razvitiia rossiiskoi ekonomiki, opyt RFFI [Methods for accumulation of scientific knowledge for innovative development of the Russian economy
(RFBR experience)]. Problemy prognozirovaniia -Problems of forecasting, 2009, no. 3.
13. Khrustalev E. Iu. Kognitivnaia model' razvitiia bankovskoi sistemy RF [Cognitive model of the banking system of the Russian Federation]. Ekonomika i matematicheskie metody - Economics and mathematical methods, 2011, vol. 47, no. 2.
14. Khrustalev E. Iu., Larin S. N. Ispol'zovanie informatsionnykh resursov i tekhnologii dlia stimu-lirovaniia innovatsionnogo razvitiia ekonomiki [Use of information resources and technology to promote innovative development of economy]. Natsional'nye interesy: prioritety i bezopasnost '- National interests: priorities and security, 2011, no. 32.
15. Khrustalev E. Iu., Mingaliev K. N. Kognitivnye modeli strategicheskogo upravleniia oboronno-promy-shlennym kompleksom [Cognitive models of strategic management of the military-industrial complex]. Vooruzhenie i ekonomika - Weapons and economy, 2011, no. 1. Available at: http://vvt-eco. ru/new/source/ journal/13.pdf.
16. Khrustalev E. Iu., Khrustalev O. E. Kognitiv-noe modelirovanie razvitiia naukoemkoi promyshlen-nosti na primere oboronno-promyshlennogo kompleksa
[Cognitive modeling of the knowledge-based industries in the military-industrial complex]. Ekonomicheskii analiz: teoriia i praktika - Economic analysis: theory and practice, 2013, no. 10.
17. Khrustalev E. Iu., Khrustalev O. E. Model'noe obosnovanie innovatsionnogo razvitiia naukoemkogo sektora rossiiskoi ekonomiki [Model study of innovative development of the high-tech sectors of the Russian economy]. Ekonomicheskii analiz: teoriia i praktika - Economic analysis: theory and practice, 2013, no. 9.
18. Kim D.-H. Cognitive Maps of Policy Makers on Financial Crises of South Korea and Malaysia: A Comparative Study, International Review of Public Administration, 2005. vol. 9, no. 2.
19. Levi A., Tetlock P. A Cognitive Analysis of Japan's 1941 Decision for War, Journal of Conflict Resolution, 1980, vol. 24, no. 2.
Evgenii Iu. KHRUSTALEV
Central Economic-Mathematical Institute of Russian Academy of Sciences, Moscow, Russian Federation stalev@cemi.rssi.ru
