CC BY
40
УДК 347.74
В.Д. Шалынин
ПОДХОД К МОДЕЛИРОВАНИЮ ЗАДАЧ ПРОЦЕССА ТРАНСФЕРА ИННОВАЦИЙ НА ОСНОВЕ ФОРМАЛИЗОВАННОЙ НЕОПРЕДЕЛЕННОСТИ И АППАРАТА НЕЧЁТКИХ МНОЖЕСТВ
Изложен авторский подход к моделированию задач процесса трансфера инноваций на основе формализации неопределённости как базового параметра моделирования в математических конструкциях на основе теории нечётких множеств.
Институциональный подход, моделирование, трансфер инноваций, неопределенность.
V.D. Shalynin
APPROACH TO MODELING THE TASKS OF INNOVATION TRANSFER PROCESS ON THE BASIS OF FORMALIZED AMBIGUITY AND FUZZY SETS MECHANISM
Author’s approach to modeling the tasks of innovation transfer process on the basis of ambiguity formalization as fundamental parameter of modeling in mathematical constructions on the basis of fuzzy sets mechanism is stated in the article.
Institutional set-up, modeling, innovation transfer, ambiguity.
Моделирование задач процесса трансфера инноваций в национальной инновационной системе (НИС) представляет сложную проблему, и без применения современных математических методов, конкретных механизмов автоматизации этого процесса обойтись невозможно, учитывая жёсткие временные параметры и конкуренцию.
Наиболее масштабная попытка решения проблемы моделирования задач процесса трансфера инноваций в национальной инновационной системе была предпринята в 2003 г. группой специалистов по инновациям кафедры системной интеграции и менеджмента МФТИ (А.Н. Отоцкий, В.В. Шишов, И.В. Десятов, Е.П. Кузнецов и др.) в рамках реализации пилотного проекта по практической отработке элементов национальной инновационной системы на территории Московской области (Научно-промышленный комплекс Московской области по масштабам занимает третье место после Москвы и Санкт-Петербурга) [2, 3, 9].
Учеными, входящими в состав группы, были опробованы все известные организационные системы управления - линейные, функциональные, матричные, дивизиональные, множественные, штабные. Использовались все традиционные технологии управления: управление менеджментом, бизнес-планирование, проектное управление, управление персоналом, управление качеством и т.п., которые не привели к успеху. Анализируя итоговые материалы по реализации пилотного проекта, учёные пришли к выводу: разнообразие уже существующих и апробированных систем
управления неадекватно разнообразию национальной инновационной системы, т.е. не выполняется закон необходимого разнообразия У.Р. Эшби. В качестве одной из причин
указанного несоответствия исследователи отмечают разорванную связь между наукой и производством. Обе эти сферы экономики страны функционируют практически в автономном режиме.
В качестве одного из направлений преодоления этого разрыва соисполнители проекта видят в создании функционально-завершенной инновационной системы, имеющей четко выраженную мотивацию действия каждого субъекта системы. Решение этой задачи предусматривает применение кибернетических методов и адекватного увеличения разнообразия системы управления национальной инновационной системы.
С этой целью сотрудниками группы был проведен ряд исследований по решению наиболее существенных проблем управления трансфером инноваций в национальной инновационной системе:
1. Для моделирования и управления субъектами национальной инновационной системы в процессе трансфера инновации необходима специфическая методика сбора и обработки информации об этих субъектах. Соответствие первичной информации реальному состоянию субъектов в государственной инновационной системе является критическим условием эффективности моделирования и управления. В течение длительного времени Федеральная статистическая служба - Росстат (Госкомстат) предпринимала попытки создания такой методики. Все завершилось разработкой в 2005 году (с учетом опыта западных стран) новой статистической формы отчетности (Форма № 4, Раздел по инновациям).
2. Проблема координации действий субъектов НИС в процессе трансфера инновации.
Кроме общих программных документов (стратегий, концепций и т.п.) взаимодействие субъектов трансфера инновации практически ничем не регламентируется и не мотивируется.
3. Проблема оптимальной организации передачи потоков информации, что является решающим фактором обеспечения эффективности процесса трансфера инновации в НИС. К примеру, инновационная система Японии по своей структуре представляет собой перцептрон Розенблата и идентична организационной структуре человека - управление более централизовано и основано на стратегическом управлении.
4. Состояние НИС как кибернетической системы должно удовлетворять закону необходимого разнообразия У.Р. Эшби: для обеспечения жизнеспособности НИС должна обладать достаточным разнообразием, чтобы соответствовать любому внешнему разнообразию окружающей среды. При этом существует два способа «справиться» с разнообразием внешней среды:
• усилить собственное разнообразие НИС через обращение к новым знаниям и ресурсам;
• препятствовать воздействию внешнего разнообразия НИС (торговые ограничения, таможенные ограничения).
5. Проблема сложности адекватного математического моделирования задач процесса трансфера инновации в НИС, что обусловлено отсутствием разработанной целостной модели трансфера инноваций.
Существующие модели отражают процесс трансфера инновации с учетом какой-либо одной стороны - политической, экономической, социальной, технической и т.п. Разработать многофакторную модель, позволяющую учесть одновременно несколько наиболее существенных факторов процесса трансфера инноваций, очень сложно.
6. Проблема реализации кибернетического подхода в организации управления трансфером инновации в НИС. Сложность взаимодействия между субъектами НИС в процессе трансфера инновации значительно превосходит сложность взаимодействия между классическими бизнес-структурами. Поэтому для эффективного решения задач управления трансфером инновации в НИС, в связи с возросшей сложностью моделирования взаимодействия субъектов НИС, необходим обоснованный выбор
базового параметра моделирования этого взаимодействия, учитывающего закон необходимого разнообразия Эшби.
Попытки решения указанных проблем в ходе реализации пилотного проекта не привели к успеху.
По мнению автора, результаты реализации пилотного проекта и выводы группы ученых, принимавших участие в реализации проекта, позволяют сделать вывод о наиболее существенных причинах ограниченного успеха в выполнении задач проекта:
а) процесс трансфера инноваций является ярко выраженным «нелинейным» и труднопрогнозируемым процессом. Для его описания и моделирования необходим весь накопленный опыт не только кибернетики, но и смежных наук - философии, теории информации, теории управления, лингвистики, специальных разделов математики;
б) упомянутая в исследовании московских ученых методика сбора статистической информации о состояниях субъектов трансфера инноваций в государственной инновационной системе не адекватна рассматриваемой кибернетической системе -национальной инновационной системе. Управление трансфером инноваций в национальной инновационной системе возможно лишь при поддержании во времени необходимого внутреннего разнообразия системы. Это обусловливает необходимость обработки нечёткой первичной информации в реальном или близком к нему масштабе времени;
в) не определена решающая роль экспертов - специалистов, «работающих» с первичной информацией. У.Р. Эшби в своей работе [8] акцентирует внимание исследователей на том, что разнообразие системы «не является его внутренним свойством: для точного определения разнообразия нужно указать наблюдателя и его способность различения»; это обусловлено тем, что строгое применение количественных методов возможно только к хорошо формализованному языку, а значит, естественный язык, обычно используемый в социально-экономических коммуникациях, необходимо либо упростить (что нереально), либо создавать сложные логико-семантические формальные системы, позволяющие приблизиться к формализации естественного языка [1]; в противном случае невозможно выявить и отразить нечеткость заложенную в первичной информации;
г) отсутствие информационной составляющей в подходе к математическому моделированию задач управления процессом трансфера инноваций в национальной инновационной системе.
Сложность адекватного математического моделирования задач управления процессом трансфера инноваций в национальной инновационной системе объясняется:
• отсутствием целостной модели процесса трансфера инновации;
• отсутствием базового параметра моделирования, позволяющего характеризовать информационное взаимодействие субъектов НИС в процессе управления трансфером инноваций, отражающего соблюдение закона необходимого разнообразия У.Р. Эшби. По мнению автора, очень значимым для подобных исследований является вывод А. Д. Урсула о том, что «закон необходимого разнообразия выступает как информационный закон управления, но рассматривает управление в основном в структурно-синтаксическом плане (количественное выражение получает лишь синтаксическое разнообразие) [1, 6]. Далее в своей работе А. Д. Урсул подчеркивает, что «Синтаксические методы теории информации оказываются в состоянии лишь в какой-то мере отразить формальный (структурный) аспект информации, но уже непригодны для описания качественных аспектов информации, выступающих в больших системах на первый план» [5].
Существующие математические концепции теории информации предусматривают изучение различных видов разнообразия: статистического, семантического,
динамического, комбинаторного, алгоритмического, топологического и т.п. Таким образом, предметом их (концепций) изучения является разнообразие в той или иной
особенной форме. При этом каждому виду разнообразия должен соответствовать свой вид информации.
Рассматривая подход У.Р. Эшби к трактовке понятия «информация», А.Д. Урсул отмечает: «У. Р. Эшби как биолог, как кибернетик имел право утверждать, что информация - это разнообразие, основываясь только на статистической теории информации». Однако, только «семантическая» теория информации разрешает противоречия между статистическими и нестатистическими подходами [6]. Ключевым в теории семантической информации (Ю.А. Шрейдера) является положение о том, что количество семантической информации определяется через изменение разнообразия запаса знаний субъекта.
«И в этом плане предполагается, что статистический и нестатистические подходы (динамический, комбинаторный и другие) могут быть объединены на базе теории множеств» [6]. Предпосылкой к такому выводу послужило то, что, У.Р. Эшби в своих исследованиях исходил из общих идей Н. Винера и результатов, полученных К. Э. Шенноном. В книге «Введение в кибернетику» У.Р. Эшби, формулируя закон необходимого разнообразия признает, что закон является обобщением 10-й теоремы К. Шеннона на процессы управления: «Любая кибернетическая система потому и
функционирует, что в ее основе заключено объективное единство и противоположность информации и энтропии» [7]. Эти смежные понятия впервые связал в 1948 г. К. Шеннон, рассматривая информацию как снятую неопределённость. Снятие или снижение неопределённости даёт возможность принимать обоснованные управленческие решения и делать однозначный выбор. Именно в этом и проявляется управляющая роль информации. Взаимосвязь энтропии и информации в аналитической форме подтверждает Леон Бриллюэн: «Получение информации о состоянии физической системы эквивалентно соответствующему уменьшению ее энтропии» [4].
Поскольку неопределенность в реальном процессе управления трансфером инноваций не всегда жестко связана со случайностью, то категорию неопределенности можно характеризовать тремя признаками:
• взаимосвязью, взаимозависимостью состояний субъектов системы;
• наличием тождественных свойств сторон в субъектах системы;
• процессом превращения возможностей в действительность.
Поэтому в основе предполагаемого подхода должна лежать технология управления инновационным процессом, формализующая неопределенность и позволяющая оценивать связанные с ней риски. Необходимым условием реализации формализованного подхода является возможность описания нечетких понятий в количественных категориях, т. е. оценки с помощью каких-либо математических конструкций. В условиях недостатка достоверной, четкой информации наиболее предпочтительным является подход на основе специальных методов и соответствующих инструментальных средств, обеспечивающий достоинства лингвистического и вероятностного подходов, но не требующий обязательного получения точной и, как правило, дорогостоящей информации. Реализовать достоинства лингвистического и вероятностного подходов в условиях воздействия факторов неопределенности возможно лишь с помощью экспертно-аналитических систем на базе аппарата нечеткой логики [1]. Только методы и технологии, основанные на нечеткой логике, позволяют осуществить моделирование процесса трансфера инноваций в условиях тотальной неопределенности. Ещё в 90-е годы Бартоломей Коско доказал БАТ-теорему: «Любая математическая система может быть аппроксимирована системой, основанной на нечёткой логике». Нечеткая логика - это многозначная логика, которая позволяет промежуточным значениям быть определенными между точными оценками. Методология нечеткой логики дает возможность применять принципы человеческого мышления в программировании и моделировании систем и процессов.
Экспертно-аналитические системы на базе нечеткой логики позволяют эффективно решать общие задачи классификации, моделирования, прогнозирования и управления.
Подобные экспертные системы в условиях разнородной неопределенности позволяют решать полный спектр частных задач управления трансфером инноваций:
• проводить прогнозную оценку ОИС;
• осуществлять нелинейный контроль за процессом инновационной деятельности;
• формировать самообучающиеся системы;
• детально исследовать критические и рисковые ситуации инновационной деятельности;
• совершенствовать стратегию процесса управления трансфером инновации.
Моделирование реальных задач управления трансфером инноваций с
использованием методологии нечеткой логики обеспечивают инструментарии следующих известных математических аппаратов [1]:
• многозначной логики;
• теории вероятностей;
• теории ошибок;
• теории интервальных средних;
• теории субъективных вероятностей;
• теории нечетких множеств;
• теории нечетких мер и интегралов.
Сопоставление эффективности представленных математических проводилось по 18 параметрам (см. таблицу). По результатам анализа построена диаграмма рейтинга подходов (рис. 1).
математические
подходов
Характеристики эффективности подходов
№ Учитываемая характеристика
1. Учет физической числовой неопределенности
2. Учет физической нечисловой (событий) неопределенности
3. Учет нечисловой лингвистической неопределенности
4. Зависимость ошибки конечного результата от точности задания исходных данных
5. Возможность учета модальности информации
6. Учет квалификации уровня (количественной оценки) неопределенности
7. Учет квалификации (более чем, значительно, очень и т.д.)
8. Учет противоречия между точностью и неопределенностью
9. Эффективность формализации полного незнания
10. Отсутствие требования задания полного перечня событий
11. Эффективный учет взаимовлияния неопределенности
12. Возможность одновременного получения пессимистических и оптимистических оценок и уровня доверия к ним
13. Единый подход к представлению точных, неопределенных, неполных, нечетких значений атрибутов
14. Возможность реализации алгоритмов обработки информации
15. Возможность работы на профессиональном языке
Подходы
2 3 4 5
+ + + +
+ - + +
- - - +
очень сильно растёт ет ь а р
- - - -
+ - - +
- - - -
- - + +
- + + +
- + + -
+ - + +
+ + + +
- - - -
а
и
сти
>
п
о
д
е
н
5 і 8 *§
2 § ео р
1
6
7
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
^иилма ьн
16. Простота выявления экспертных знаний + - + + - + +
17. Возможность работы с неопределенной информацией, основанной на малых статистических выборках + - + + - + +
18. Наглядность получаемых результатов + +
На основании проведенного сопоставительного анализа эффективности математических подходов определен наиболее эффективный математический инструментарий - аппарат теории нечетких мер и нечетко-интегрального исчисления.
Технология, использующая компоненты математического обеспечения теории нечетких множеств, теории нечетких мер, нечетко-интегрального исчисления - Би22у-технология. Именно Би22у-технология позволяет обеспечить эффективное решение экспертно-аналитических задач в условиях разнородной неопределенности реального процесса трансфера инноваций. Реализация возможностей Би22у-технологии позволяет обрабатывать информацию:
• точную, четкую;
• неточную (интервальную);
• точную, статистически неопределенную;
• неточную, нечеткую информацию.
1 2 3 4 5 6 7
Рис. 1. Рейтинг эффективности подходов
В основу применения Би22у-технологии положена формализация перехода от обработки данных к обработке данных и суждений (рис. 2) посредством преобразования экспертного суждения в информационную единицу - (ИЕ). Формат представления информационной единицы должен обеспечивать наличие связи объекта и признака конкретного экспертного суждения:
ИЕ = (объект, признак, значение, уверенность).
Схема преобразования экспертного суждения в ИЕ для моделирования на основе аппарата теории нечетких мер и интегралов представлена на рис. 3 и описана в [1].
Применение Fuzzy-технологии обеспечивает качественно новый уровень моделирования. Использование интеллектуальных аналитических систем позволяет оценить любой аспект инновационной деятельности - политический, социальный, технический, экономический, дает возможность исследовать общую схему взаимодействия субъектов трансфера инноваций в НИС. Создание действительно интеллектуальных аналитических систем позволяет отойти от догматики детерминированных или стохастических подходов, которые не в состоянии учесть и описать модальные оттенки при анализе данных или суждений эксперта. Fuzzy-технология предполагает осознанное и направленное использование квалификаторов модальности в процессах моделирования, принятия решений и управления. Модальные квалификации в лингвистических конструкциях есть достаточно мощный и в то же время деликатный инструмент для формирования экспертных суждений. Поэтому, на основании приведенных положений и выводов, автор считает обоснованным введение информационной единицы в качестве базового параметра моделирования, наилучшим образом описывающего данный объект как процесс.
Рис. 3. Схема преобразования экспертного суждения в информационную единицу для моделирования на основе нечетких мер
Применение в качестве базового параметра моделирования информационной единицы позволяет:
• формализовать лингвистически сформулированное нечеткое экспертное суждение; при этом: с помощью направленного выбора квалификаторов модальности
экспертного суждения формализуется неопределенность экспертного суждения; с помощью направленного выбора модальности понятий (значений), входящих в экспертное суждение и семантики суждения, формализуется неточность суждения [1];
• осуществить моделирование нелинейного процесса трансфера инноваций;
• осуществить моделирование очень сложных процессов, для которых невозможно разработать целостную модель;
• формализовать переход к gX-нечетким мерам Суджено для моделирования на основе нечеткого интеграла Суджено [1];
• использовать в качестве методической основы моделирования Fuzzy-технологию.
Подобная универсальность базового параметра моделирования - ИЕ объясняется
тем, что само понятие «информация» является фундаментальным, нередуцируемым, одновременно являющимся смежным понятием энтропии (меры неопределенности).
Информационный подход к моделированию задач процесса трансфера инновации в национальной инновационной системе на основе аппарата нечеткой логики не противоречит кибернетическому, а лишь дополняет его, поскольку национальная инновационная система - это прежде всего и более всего информационная система, и взаимодействия между субъектами трансфера инноваций в национальной инновационной системе прежде всего информационные. При этом следует учитывать, что инструментарий нечеткой логики - это только «усилитель» интеллектуальной мощности эксперта и не всегда заменяет существующие методы, а только дополняет их.
ЛИТЕРАТУРА
1. Бочарников В.П. Нечеткая технология анализа и управления рисками / В.П. Бочарников, А.В. Цыганок // Проблеми економичного ризику: Анализ та управлиния: сб. материалов 1-й Всеукр. конф. Киев: Эльга, Ника-Центр, 1998. С. 79-88.
2. Отоцкий А.Н. Стаффорд Бир и перспективы инновационного трансфера / А.Н. Отоцкий // Компьютерра. 2003. № 38(511). С. 54-55.
3. Смоляк А.С. Модели управления инновационным бизнесом / А.С. Смоляк // Труды XLVII конф. МФТИ (секция системной интеграции и менеджмента). М., 2004.
С. 78-89.
4. Урсул А.Д. Негэнтропийный принцип информации и научное познание (Рецензия на книгу Л. Бриллюэна «Научная неопределенность и информация». М.: Наука, 1966) / А. Д. Урсул // Вопросы философии. 1967. № 11. С. 47-62.
5. Урсул А. Д. Информация. Методологические аспекты / А. Д. Урсул. М.: Наука, 1971. 460 с.
6. Урсул А.Д. Нестатистические подходы к теории информации / А.Д. Урсул // Вопросы философии. 1967. № 2. С. 38-62.
7. Шеннон К.Э. Работы по теории информации и кибернетике / К.Э. Шеннон. М.: Наука, 1963. 386 с.
8. Эшби У.Р. Введение в кибернетику / У.Р. Эшби. М.: Наука, 1959. 412 с.
9. Шимов В.В. О снижении рисков в инновационной деятельности на основе использования классического кибернетического подхода / В.В. Шимов, С.В. Клименко. http://smi-svoi.ru/content/?f1=5930sn=1384.
Шалынин Виктор Дмитриевич - Shalynin Viktor Dmitrievich -
кандидат технических наук, доцент кафедры Candidate of Technical Sciences,
«Экономика и предпринимательство» Associate Professor of the Department
Санкт-Петербургского института of «Economics and Business Activity»
машиностроения (ЛМЗ-ВТУЗ) of St.-Petersburg Institute of Machine Building
Статья поступила в редакцию 21.01.10, принята к опубликованию 14.07.10
