Модель оценки качества тренда методом нечеткой логики Текст научной статьи по специальности «Экономика и бизнес»

Модель оценки качества тренда методом нечеткой логики

Предлагается модель оценки уровня зрелости тренда ценностной инновации на основании теории нечетких множеств, позволяющая достоверно отнести формирующуюся тенденцию к одному из уровней, сформировать наглядную оценку перспективности результатов инновационной деятельности. Кроме того, с помощью модели можно выявить проблемные области и определить необходимые стратегии и меры для улучшения эффективности и конкурентоспособности инноваций

Ю.А. Антохина1

ФГАОУ ВО «Санкт-

Петербургский государственный

университет аэрокосмического

приборостроения»

(ФГАОУ ВО ГУАП),

д-р экон. наук, профессор,

antoxina@guap.ru

С.А. Назаревич2

ФГАОУ ВО ГУАП,

канд. техн. наук, доцент,

albus87@inbox.ru

Д.С. Щукина3

ФГАОУ ВО ГУАП, shchukinadaria00@gmail.com

овременная мировая общественность сталкивается с существенными вызовами, обусловленными распространением новаторских технологий и разнообразных феноменов социоэкономи-ческого, политического и культурного характера. Эти преобразования генерируют воздействие на деятельность в разнообразных секторах и сферах, определяют эмерджентные траектории развития экономики и глобальные трансформации. Воздействие тенденций и деятельности ключевых игроков в различных секторах на формирование ценностей и потребностей общества напрямую влияет на спрос на продукцию и услуги, способствует созданию новых технологических и инновационных схем, а также стимулирует рост рынков и развитие промышленных отраслей.

Исследование тенденций в настоящее время обретает еще большую значимость в силу перспективных возможностей новых направлений и методологий, а также потенциала си-нергетического воздействия, когда инновационные исследования в рамках специфических трендов и прогрессив-

ное развитие существующих процессов в отдельных сферах приводят к существенному изменению основных концепций и методов в этих областях. Результатом данного эффекта являются ценностные инновации, которые основываются на проведенном анализе в области изучения новейших технологий и способны не только воздействовать, но и трансформировать человеческие убеждения и привычки, заложенные в укоренившиеся процессы [1].

Стадии эволюционного развития тренда, отражающие уровень устойчивости, долгосрочной стабильности и потенциал прогресса, описываются как уровни зрелости тренда. Процесс систематического научного просмотра этих уровней направлен на изучение эффективности и прогностические возможности тенденций в контексте их воздействия на социальные и экономические системы.

Материалы и методы

Существует ряд проблем, связанных с классификацией уровней зрелости и отсутствием единых

1 ректор, Санкт-Петербург, Россия

2 доцент, Санкт-Петербург, Россия

3 магистрант, Санкт-Петербург, Россия

Для цитирования: Антохина Ю.А., Назаревич С.А., Щукина Д.С. Модель оценки качества тренда методом нечеткой логики // Компетентность / Competency (Russia). — 2024. — № 6. DOI: 10.24412/1993-8780-2024-6-28-32

ключевые слова

инновации, тренды, нечеткая логика, оценка инновации

Амплитуда

Low Middle Normal

Hight

20

Функция принадлежности «Амплитуда*

40 60

Рейтинг процесса

[Membership function Amplitude]

80

100

0

показателей, характеризующих каждый из этапов. Для формирования четкой классификации этапов развития тренда ценностной инновации необходимо определить основные, наиболее значимые критерии оценки уровня зрелости тренда и представить модель для оценки и интерпретации полученных измерений.

Предложенный подход предполагает использование модели нечетких множеств для устранения неопределенности в ситуациях, когда происходит перекрывание классов или категорий.

В табл. 1 даны основные характеристики уровня зрелости тренда и значения интервальных показателей для их оценки.

Теория нечетких множеств используется для описания неопределенных значений лингвистической переменной на основе нечетких утверждений, где функция принадлежности предмета к множеству имеет непрерывный характер в диапазоне от нуля до единицы (см. рисунок). Это обеспечивает возможность формализации нечетких концепций и проведение различных логических операций над такими вели-

Таблица 1

Квалиметрическая шкала оценок характеристик уровня зрелости тренда [Qualimetric scale for assessing the characteristics of the maturity level of a trend]

Характеристика тренда [Trend characteristic] Интервал [Interval] Показатель [Indicator]

Угол наклона (УН) [0-0,1) Слабый тренд

[0,1-0,5) Умеренный тренд

[0,5-0,7) Средний тренд

[0,7-0,8) Сильный тренд

[0,8-1] Очень сильный тренд

Временной масштаб (ВМ) [0-1) Неопределенный тренд

[1-3) Низкая достоверность

[3-5) Средняя достоверность

[5-7) Высокая достоверность

[7-10] Очень высокая достоверность

Амплитуда (А) [0-30 %) Нестабильный тренд

[30-40 %) Слабо стабильный тренд

[40-70 %) Умеренно стабильный тренд

[70-90 %) Среднестабильный тренд

[90-100 %] Стабильный тренд

Число касаний (ЧК) [0-50) Неинформативный тренд

[50-70) Низкая надежность

[70-100) Умеренная надежность

[100-150) Средняя надежность

[150-200] Высокая надежность

Таблица 2

Нечеткие показатели «Амплитуда» [Fuzzy indicators Amplitude]

Нечеткое множество [Fuzzy set] Функция принадлежности [Membership function] Дефаззификатор Нечеткое множество [Defazzifier] [Fuzzy set] Функция принадлежности [Membership function] Дефаззификатор [Defazzifier]

А! = {(1/30 %); (0,7/40 %); (0,1;70 %); (0/90 %); (0/100 %)} Ца1 =' 1, 0 < х < 20 х - 20 1 ,20 < х < 40 40 - 20 0, х ¡г (0;40) Низкий А4 = {(0,2/30 %); (0,5/40 %); (0,9;70 %); (1/90 %); (0,7/100 %)} = < [l 70 х ,60 < х < 70 70 - 60 1, 70 < х < 90 х - 90 1 х 90 , 90 < х < 100 Выше среднего

А2 = {(0,9/30 %); (1/40 %); (0,8;70 %); (0,1/90 %); (0/100 %)} M-a2 = < [l 30 - Х ,20 < х < 30 30 - 20 1, 30 < х < 40 Х - 40 1 ,40 < х < 50 50 - 40 0, х г (20; 50) Умеренный 100 - 90 0, х г (60; 100)

А5 = {(0/30 %); (0,1/40 %); (0,3;70 %); (0,9/90 %); (1/100 %)} [l 90 х ,70 < х < 90 M-a5 = \ 90 - 70 [l, 90 < х < 100 Высокий

А3 = {(0,7/30 %); (0,9/40 %); (1;70 %); (0,7/90 %); (0,2/100 %)} ^a3 = < [1 40 - х ,30 < х < 40 40 - 30 1, 40 < х < 70 1 х - 70 , 70 < х < 80 80 - 70 0, х г (30;80) Средний

Одним из ключевых преимуществ теории нечетких множеств является способность использования их при моделировании задач, когда доступной информации о системе недостаточно

чинами. Одним из ключевых преимуществ теории нечетких множеств является способность использования их при моделировании задач, когда доступной информации о системе недостаточно [2].

В результате изучения существующих моделей функций принадлежности для анализа было определено, что наиболее подходящей для описания центрального интервала, который однозначно соответствует определенной классификационной группе, является трапециевидная функция [3].

Фрагмент базы нечетких показателей, на основании которой в дальнейшем будет применяться модель оценки уровня зрелости, на примере лингвистической переменной «Амплитуда» представлен в табл. 2. Аналогичные расчеты приведены для остальных рассматриваемых характеристик тренда, являющихся достаточными для дальнейшего анализа уровня зрелости.

При анализе готовности тренда переходить на более высокий уровень зрелости учитываются лишь те параметры и индикаторы, которые отражают структурно-функциональный состав ценностной инновации тренда. Эти компоненты и критерии оценки готовности к переходу на следующий уровень рассматриваются как нечеткие множества. В табл. 3 представлены основные условия принятия решения для отношения того или иного рассматриваемого тренда к определенному уровню зрелости, который классифицируется пятью ступенями.

Таблица 3

Уровень зрелости тренда [Trend maturity level]

Уровень зрелости тренда [Trend maturity level] Характеристика [Characteristic] Интервалы [Intervals] Условия принятия решения [Decision-making conditions] Дефаззификатор нечеткого множества [Fuzzy set defazzifier]

Уровень 1. Начальный уровень Угол наклона [0,5-0,7] УН3 = {(0,1/0); (0,3/0,1); (0,7/0,3); (1/0,5); (1/0,7); (0,7/0,9); (0,5/1)} Средний

Временной масштаб [0-1] ВМ! = {(1/1); (0,7/3); (0,3/5); (0,1/7); (0/10)} Низкий

Амплитуда [30-40 %] А2 = {(0,9/30 %); (1/40 %); (0,8;70 %); (0,1/90 %); (0/100 %)} Умеренный

Число касаний [0-50] ЧК1 = {(1/0); (0,9/50); (0,7/70); (0,3/100); (0,1/150); (0/200)} Низкий

Уровень 2. Рост тренда Угол наклона [0,7-0,8] УН4 = {(0/0); (0,1/0,1); (0,2/0,3); (0,6/0,5); (1/0,7); (0,9/0,9); (0,7/1)} Выше среднего

Временной масштаб [1-3] ВМ2 = {(0,9/1); (1/3); (0,2/5); (0,1/7); (0/10)} Умеренный

Амплитуда [70-90 %] А4 = {(0,2/30 %); (0,5/40 %); (0,9;70 %); (1/90 %); (0,7/100 %)} Выше среднего

Число касаний [50-70] ЧК2 = {(0,7/0); (0,9/50); (1/70); (0,7/100); (0,1/150); (0/200)} Умеренный

Уровень 3. Пик популярности Угол наклона [0,8-1] УН5= {(0/0); (0/0,1); (0,1/0,3); (0,3/0,5); (0,7/0,7); (0,9/0,9); (1/1)} Высокий

Временной масштаб [3-5] ВМ3 = {(0,4/1); (0,9/3); (1/5); (0,6/7); (0,1/10)} Средний

Амплитуда [90-100 %] А5= {(0/30 %); (0,1/40 %); (0,3;70 %); (0,9/90 %); (1/100 %)} Высокий

Число касаний [70-100] ЧК3 = {(0,1/0); (0,1/50); (0,9/70); (1/100); (0,7/150); (0,2/200)} Средний

Уровень 4. Стабильность Угол наклона [0,5-0,7] УН3 = {(0,1/0); (0,3/0,1); (0,7/0,3); (1/0,5); (1/0,7); (0,7/0,9); (0,5/1)} Средний

Временной масштаб [5-7] ВМ4 = {(0/1); (0,3/3); (0,9/5); (1/7); (0,7/10)} Выше среднего

Амплитуда [0-30 %] А! = {(1/30 %); (0,7/40 %); (0,1;70 %); (0/90 %); (0/100 %)} Низкий

Число касаний [150-200] ЧК5= {(0/0); (0,1/50); (0,3/70); (0,7/100); (0,9/150); (1/200)} Высокий

Уровень 5. Затухание Угол наклона [0,01-0,1] УН1 = {(1/0); (1/0,1); (0,8/0,3); (0,6/0,5); (0,5/0,7); (0,2/0,9); (0/1)} Низкий

Временной масштаб [7-10] ВМ5= {(0/1); (0,1/3); (0,7/5); (0,9/7); (1/10)} Высокий

Амплитуда [60-70 %] А3 = {(0,7/30 %); (0,9/40 %); (1;70 %); (0,7/90 %); (0,2/100 %)} Средний

Число касаний [100-150] ЧК4 = {(0/0); (0/50); (0,3/70); (0,9/100); (1/150); (0,7/200)} Выше среднего

актуальная тема 31

Таблица 4

Модель оценки уровня зрелости трендов ценностных инноваций [Model for assessing the maturity level of value innovation trends]

Условия принятия решения [Decision-making conditions] Интервалы Условия принятия решения [Intervals] [Decision-making conditions] Интервалы [Intervals]

УН = {1...100} = {Н; У; С; ВС; В} УН = • "Не |0;20] А = {1-100} = у да] {Н; У; С; ВС; В} C е [41;60] ВСе |61;80] В е [81; 100] A = < Не [0;20] У е [21; 40] C е [41; 60] ВСе [61;80] В е [81; 100]

ВМ = {1.100} = {Н; У; С; ВС; В} BM = [Не [0;20] ЧК = {1-10(» = Ve[21;4J0] {Н; У; С; ВС; В} Се [41;60] ВСе [6180] В е [81; 100] ЧК = Не [0;20] У е [21; 40] C е [41; 60] ВСе [61;80] В е [81; 100]

Н — низкий, У — умеренный, С — средний, ВС — выше среднего, В — высокий

Таблица 5

Функции принадлежности для моделей нечеткой логики [Membership functions for fuzzy logic models]

Уровень 1. Начальный уровень [Level 1. Entry level] Уровень 2. Рост тренда [Level 2. Trend growth] Уровень 3. Пик популярности [Level 3. Popularity peak]

У! = {С; Н; У; Н} У2 = {ВС; У; ВС; У} У3 = {В; С; В; В}

Î1-10 - x,0 < x < 10 10 h 30 x , 20 < x < 30 30 - 20 [l 55 x ,40 < x < 55 55 - 40

M-yp1 - 1, 10 < x < 20 1 x - 20 , 20 < x < 30 30 - 20 0, x ¡é(0;30) M-yp2 - 1, 30 < x < 40 x - 40 1 ,40 < x < 50 50 - 40 0, x î(20;50) M-yp3 - 1, 55 < x < 65 1-x - 60 , 65 < x < 75 75 - 60 0, x i(40;75)

Уровень 4. Стабильность [Level 4. Stability]

Уровень 5. Затухание [Level 5. Attenuation]

У4 = {С; ВС; Н; В}

У5 = {Н; В; С; ВС}

M-yp4 -"

M-yp5 - "

90 - x 1-^^, 80 < x < 90 90 - 80

1, 90 < x < 95

x — 95

1- x 95 , 95 < x < 100 100 - 95

0, x i (80; 100)

Заключение

Таким образом, представленная в работе модель оценки уровня зрелости тренда ценностной инновации методом нечеткой классификации обладает практической применимостью за счет способности классифицировать тренд на любом из уровней зрелости с высокой степенью точности и надежности (табл. 4, 5). Использование аппарата теории нечетких множеств устраняет возможность некорректной оценки

уровня зрелости тренда и на любом этапе позволяет корректировать стратегию компании, чтобы адаптироваться к изменениям рынка и технологий, вследствие чего получить сверхприбыль от инноваций. ■

Статья поступила в редакцию 10.05.2024

Список литературы

1. Назаревич С.А., Тушавин В.А., Фролова Е.А. // Инновационное приборостроение. — 2022. — Т. 1. — № 1.

2. Орлова Ю.А., Репина И.Б., Чуднова О.А. // Компетентность. — 2022. — № 4.

3. Тушавин В.А. // Системы управления и информационные технологии. — 2017. — № 4(70).

Kompetentnost / Competency (Russia) 6/2024 ISSN 1993-8780. DOI: 10.24412/1993-8780-2024-6-28-32

Model for Assessing the Trend Quality Using Fuzzy Logic Method

Yu.A. Antokhina1, FSAEI HE St. Petersburg State University of Aerospace Instrumentation (FSAEI HE SUAI), Prof. Dr. (Ec.; antoxina@guap.ru

S.A. Nazarevich2, FSAEI HE SUAI, Assoc. Prof. PhD (Tech.), albus87@inbox.ru D.S. Shchukina3, FSAEI HE SUAI, shchukinadaria00@gmail.com

1 Rector, St. Petersburg, Russia

2 Associate Professor, St. Petersburg, Russia

3 Master Student, St. Petersburg, Russia

Citation: Antokhina Yu.A., Nazarevich S.A., Shchukina D.S. Model for Assessing the Trend Quality Using Fuzzy Logic Method, Kompetentnost'/ Competency (Russia), 2024, no. 6, pp. 28-32. DOI: 10.24412/1993-8780-2024-6-28-32

key words

innovations, trends, fuzzy logic, innovation assessment

References

The paper proposes a model for assessing the maturity level of the value innovation trend based on the theory of fuzzy sets, which allows us to reliably assign the emerging trend to one of the levels, give a visual assessment of the prospects of the results of innovative activities. It is noted that the model has practical applicability due to the ability to classify a trend at any maturity level with a high degree of accuracy and reliability. In addition, using the model it is possible to identify problem areas and determine the necessary strategies of the company to adapt to market changes to improve the efficiency and competitiveness of innovations.

1. Nazarevich S.A., Tushavin V.A., Frolova E.A., Innovative instrumentation, 2022, vol. 1, no. 1, pp. 44-53.

2. Orlova Yu.A., Repina I.B., Chudnova O.A., Kompetentnost', 2022, no. 4, pp. 22-25.

3. Tushavin V.A., Management systems and information technologies, 2017, no. 4(70), pp. 76-78.

СОБЫТИЕ

Договор о сотрудничестве между АСМС и ООО «Измерительные Решения

В июле заключено соглашение о сотрудничестве между ООО «Измерительные Решения» и ФГАОУ ДПО «Академия стандартизации, метрологии и сертификации (учебная)»

Соглашение, инициированное директором Уральского филиала АСМС М.А. Черепановым, подписали руководители организаций — ректор АСМС А.В. Зажигалкин и генеральный директор компании «Измерительные Решения» А.Н. Литинский. На встрече обсуждалось сотрудничество и взаимодействие в сферах технического регулирования, стандартизации, метрологии, менеджмента и наилучших доступных технологий, а также совместное практико-ориентированное обучение специалистов по программам дополнительного профессионального образования (ДПО).

ООО «Измерительные Решения» является партнером Метрологического образовательного кластера Федерального агентства по техническому регулированию и метрологии (Росстандарта) в Санкт-Петербурге. Компания предоставляет для практических мероприятий

I»

ручные средства измерении геометрических величин. Объединение ресурсов, опыта, знании и компетенции обеих организации будет способствовать взаимовыгодному сотрудничеству и развитию новых образовательных проектов.

По материалам www.asms.ru