CC BY
4448 (303) - 2012
Инновационная деятельность
УДК 33. 658:005.5
ПОВЫШЕНИЕ ЭРГОНОМИЧНОСТИ И ГИБКОСТИ ПОДХОДОВ К ОЦЕНКЕ И МОДЕЛИРОВАНИЮ ИННОВАЦИОННЫХ ПРОЕКТОВ
Д. А. ТОМАСОВА,
аспирант кафедры менеджмента, E-mail: rameria@rambler. ru Санкт-Петербургский государственный университет технологии и дизайна
Для эффективного моделирования и оценки инновационного проекта необходимо создавать гибкие и эргономичные системы информационного обеспечения и продуцирования решений. В работе выявлены возможности аппарата теории нечетких множеств для повышения интеллектуального потенциала экспертов в работе с данными, знаниями и предположениями.
Ключевые слова: инновационный проект, моделирование, эргономичность, гибкость, нечеткое множество, нечеткая логика, функция принадлежности, семантическая нагрузка.
Любой инновационный проект представляет собой сложную, многоуровневую систему, и при управлении им необходимо учитывать такие его особенности, как сложность структуры и стохастичность связей между элементами, неоднозначность алгоритмов его поведения при различных условиях внешней и внутренней среды, большое количество параметров и переменных, усиленное неполнотой и недетерминированностью исходной информации о них, разнообразие воздействий внешней среды на элементы проекта и др. Кроме того, информационное обеспечение, анализ и контроль в области именно инновационного проектирования сопряжены с такими сложностями, как наличие нескольких часто конфликтующих целей
для управляемой системы, уникальность объекта управления и отсутствие информации о поведении аналогичных систем, а также потенциально большое (иногда неограниченное) количество альтернатив и вариантов реализации проекта.
Эффективное управление инновационными проектами и принятие решений по ним требуют учета всех аспектов экономической деятельности предприятия. Неоднозначность проведения границ между управляемым объектом (проектом) и внешней средой, а также значительное количество компонент внешней среды, которые необходимо учесть при моделировании поведения управляемого объекта, становятся сложной задачей при разработке алгоритма оценки и анализа проекта. Кроме того, разнообразные составляющие среды в силу своей различной природы описываются при помощи разных типов данных, зачастую качественных и расплывчатых, и содержат в себе неопределенность различных видов. Для эффективной работы с неопределенностью выбранная модель управления проектом должна удовлетворять требованиям высокой реалистичности отображения множественных параметров и ограничений, широкого диапазона применимости и достаточности информационного обеспечения.
Гибкость и эргономичность моделей управления инновационными проектами становятся неотъ-
емлемым условием эффективной работы аналитика с базами данных и получения адекватного решения. Поэтому представляется важным рассмотреть возможности повышения эргономичности подходов к оценке проектов.
С точки зрения инновационного проектирования под эргономичностью разрабатываемых алгоритмов предлагается понимать, во-первых, их соответствие естественным принципам и логике человеческого мышления при работе с качественной, приблизительной и трудноформализуемой информацией, а также способность усиления интеллектуального потенциала человека-эксперта при составлении заключений, рекомендаций и выводов. Во-вторых, эргономичность модели будет рассматриваться как возможность представления результатов и решений в интуитивно понятной человеку форме и обеспечение необходимой свободы их толкований. В-третьих, в процессе моделирования эргономич-ность связывается с удобством целеполагания и возможностью наиболее полно и непротиворечиво выразить цели и интересы участников проекта как значимую составляющую входных данных.
Как составная часть эргономичности будет анализироваться также возможность адаптации алгоритма к эффективному групповому принятию решений.
Гибкость моделей управления инновационными проектами будет анализироваться в первую очередь с точки зрения эффективности работы аналитика с предположениями и гипотезами, которые составляют важную часть описания инновационной управляемой системы. Также рассматривается возможность повышения гибкости моделей для создания, пересмотра и уточнения параметров модели при получении новой информации об управляемом объекте, внешней среде или системе предпочтений лица, принимающего решение.
Значение экспертных методов в инновационном проектировании. Инновационный проект как объект управления и моделирования имеет ряд специфических особенностей, отличающих его от других видов деятельности организации: для него характерны работа с идеями, имеющими нематериальный характер, и в то же время разрешение вопросов их практической материализации, а также наличие высоких рисков коммерциализации наряду с непредсказуемостью маркетинговых факторов. Моделирование проекта подразумевает анализ всей последовательной цепочки преобразований: от
научно-технической задумки до получения нового конкурентного преимущества предприятия, причем эту последовательность отличает высокий динамизм преобразований, и в ней возникает большое число случайных возмущений, усложняющих процесс оценки и управления [8, 13]. Таким образом, на стадии инициации проекта его информационное пространство характеризуется разнородностью и разноуровневостью носителей информации, ее фрагментарностью, частичной противоречивостью, неопределенной тенденциозностью, различной степенью надежности и изменяемости во времени.
В такой ситуации при наличии большого количества слабоструктурированных и нечетко определенных параметров использование традиционных методов анализа затруднено и может привести к потере ряда значимых последствий и качественных характеристик [6]. Поэтому в инновационном проектировании первостепенное значение приобретает смысловая и логическая обработка имеющейся информации, максимальное использование опыта деятельности, явных и неявных знаний сотрудников и внешних экспертов. Значительное количество информации может быть получено от людей, имеющих опыт работы с рассматриваемой системой, понимающих особенности и цели ее функционирования [5].
Окружающая информационная среда инновационного проекта отличается большим разнообразием, поэтому для обеспечения жизнеспособности и эффективности системы управления им необходимо, чтобы эта система соответствовала уровню разнообразия среды. На современном этапе требуется усиление собственного разнообразия систем моделирования и управления инновационными проектами через обращение к новым знаниям и ресурсам. Однако, по утверждению У. Р. Эшби, разнообразие системы не является ее внутренним свойством и зависит от ее наблюдателя и его способности различения информации [18]. Именно эксперт обеспечивает привнесение в систему дополнительного опыта и его превращение в новое знание, увеличивающее эффективность системы.
Экспертные методы обработки данных и получения нового знания, а также принятия решения на его основе имеют ряд особенностей и требуют специфической, эргономичной формы структурирования данных. Целью повышения эргономичности моделирования можно считать нахождение возможностей в полной мере сохранять исходную разно-
образную и трудноформализуемую информацию о проекте, представляя ее аналитику в интуитивно понятной форме и оставаясь при этом на должном уровне математической строгости.
Поскольку содержание любой модели включает в себя ее целевую идентификацию, общий функциональный алгоритм и интерпретацию модели, то определенная ранее эргономичность должна достигаться на уровне входных данных, математических конструкций и выходных переменных.
Моделирование исходных данных и формализация информационного пространства инновационного проекта. Особенностью входных данных при применении экспертных методов является то, что эти данные опираются на профессиональный опыт экспертов, который состоит из сущностей, выраженных в форме вербальных и невербальных когнитивных образов, т. е. представляет собой субъективную интерпретацию суждений и не имеет четких границ [17]. Сведения, получаемые от эксперта, обычно имеют качественный характер и отражают содержательные особенности предмета исследования [1]. В особенности это относится к описанию стратегических параметров и критериев, лежащих в основе конкретного инновационного проекта, поскольку инновационная деятельность предприятия тесно связана со стратегическим планированием и во многом опирается на результаты стратегического анализа. Исходя из этого, именно лингвистический подход становится основой реалистического описания и моделирования сложных гуманистических систем, на поведение которых влияют восприятие и суждения человека.
Нечеткое моделирование проекта представляется более эргономичным, чем произвольно принятое четкое описание. Если эксперт, не имея достаточно четкого представления, вынужден все же высказывать четкие суждения, то это приведет к упрощению и частичной потере имеющего у него знания, и математическая модель будет менее адекватной реальности.
При задании в модели параметров целей и ограничений также рекомендуется применение лингвистических размытых характеристик, поскольку такой подход позволяет предотвратить преждевременное отсечение некоторых менее желательных альтернатив и сохранить более гибкую базу данных и знаний [14].
Использование аппарата теории нечетких множеств позволяет выбрать удобный уровень прибли-
жения в зависимости от общей неточности исходной информации. При высокой неопределенности применение наиболее простой формы представления нечетких данных, треугольных чисел избавляет от излишнего ужесточения модели и упрощает работу с предположениями.
Даже в тех случаях, когда данные могут быть без существенных потерь представлены в количественной форме, знание их качественной оценки все же может оказаться предпочтительнее. Одно и то же количественное значение показателя в разных ситуациях имеет различный смысл. Например, для предприятий с различными объемами и структурой капиталов один и тот же уровень потерь соответствует принципиально разным значениям риска. В то же время качественная оценка содержит дополнительную информацию, т. е. значению параметра придается определенная интерпретация в зависимости от окружающей ситуации в целом. Это обстоятельство можно определить как нарастание семантической нагрузки на содержание данных, поскольку они преобразуются в формы, более удобные для человеческого восприятия [17].
Опыт экспертов становится основой, на которую опираются при введении гипотез, необходимых для снятия неопределенности на этапе подготовки информационного обеспечения, и в этом смысле требует эффективного способа формализации субъективного смысла качественных показателей. Эту задачу выполняет функция принадлежности конкретного лингвистического терма нечеткому множеству значений параметра. Она отражает субъективную меру достоверности или значимости того или иного утверждения. Кроме того, функция принадлежности позволяет формализовать значимость не учтенных при моделировании факторов. Некоторые факторы в рамках больших систем не могут быть учтены напрямую при моделировании в силу своей неопределенности либо в силу того, что их введение чрезмерно усложнит модель. В этом случае они зачастую признаются несущественными и исключаются из анализа. Однако возможен также их косвенный учет через построение отношений предпочтения в классе нечетких откликов. Определенная здесь степень нечеткости в наиболее агрегированном виде отражает все имеющееся у эксперта представление о реальной величине параметра и его влиянии. Получаемая модель может оказаться более простой и приемлемой, чем модель, учитывающая все многообразие факторов [12, 16].
Исходя из этого, важным направлением повышения эргономичности моделирования можно считать разработку методик помощи экспертам в построении функции принадлежности и системы нечетких отношений предпочтения.
Функция принадлежности обычно задается вне самого алгоритма, и ее адекватность не может быть проверена средствами этого алгоритма. В настоящее время развивается подход к построению функции принадлежности по результатам наблюдений в системах принятия решений. В зависимости от качества и полноты состава наблюдений, а также потребностей модели на этой основе могут быть выстроены треугольная, трапециевидная, гауссова формы функции принадлежности. Большая часть наблюдений относится к квазистатистике, т. е. ситуации, когда выборка недостаточно однородна или надежна, но в то же время позволяет с субъективной степенью достоверности обосновать закон наблюдений, классифицировать их нечетким способом и генерировать важную для принятия решения информацию [11].
Использование экспериментальных данных при построении функции принадлежности обеспечивает достоинства лингвистического и вероятностного подходов, позволяя применять классическую теорию вероятности к плохо определенным ситуациям, уменьшать влияние субъективных факторов при решении инновационных задач и ориентировать эксперта в определении меры размытости его суждения.
Так, функция принадлежности может быть получена из функции плотности вероятности события, а ее носитель интерпретируется в интервале рассматриваемых значений [10]. Одним из вероятностных подходов является построение функции принадлежности на основе аппроксимации логита условной вероятности. Понятие функции принадлежности принимается эквивалентным понятию условной вероятности, и на этой основе могут быть получены математические зависимости для оценки параметров для ряда параметрических моделей функции принадлежности; причем исследование показало, что количество функций принадлежности и состав правил могут быть заданы так, чтобы нечеткая система в точности повторяла поведение заданного объекта [4].
В случае, когда основать функцию принадлежности лингвистической переменной на численно измеримых показателях затруднительно и требует
слишком больших усилий по абстрагированию, аппарат нечетких множеств дает возможность использовать в качестве универсального множества порядковую шкалу впечатлений и образов. Она может быть составлена из принятых за эталон объектов, имеющих общую природу, но различную интенсивность какого-либо не поддающегося объективному измерению свойства. Сравнение объектов с эталонной шкалой позволяет эксперту на основе размытых впечатлений составить нечеткое множество, определяющее сходство исследуемого объекта с эталонными. Возможно также применение номинальной неупорядоченной шкалы для ряда свойств сложного эталонного объекта, что позволяет определить уровень вхождения исследуемого объекта в эталон [17].
Относительная важность отношений предпочтения также не всегда может быть адекватно описана соответствующими коэффициентами. Более естественным для человеческого мышления является выстраивание нечетких отношений вида «не менее важно». В этом случае относительная важность параметров может быть задана экспертом в форме матрицы попарных сравнений, а не путем непосредственного задания числовых характеристик. Аппарат нечеткой логики позволяет извлечь из такой матрицы оценок функцию полезности, кроме того, при восстановлении весов определяется внутренняя несогласованность оценок [12].
Создание эргономичных алгоритмов моделирования и принятия решений на основе использования аппарата теории нечетких множеств. При преобразовании данных в процессе моделирования характеристики неопределенности в них могут существенно меняться. Для сохранения исходной полноты данных и представлений об их достоверности необходимо разрабатывать механизмы фаззификации и дефаззификации, а также системы нечетких правил. На современном этапе функциональный алгоритм моделирования и принятия решений по проекту может быть представлен экспертными системами, которые строят механизм решения задачи с помощью техники рассуждений человека-эксперта. На данном этапе повышение эргономичности алгоритма связано с непротиворечивым и наиболее полным переводом профессионального опыта эксперта в адекватный набор правил нечеткой логики.
В отличие от формализованных программ и электронных алгоритмов человек обладает способ-
ностью оперировать расплывчатыми понятиями и выполнять расплывчатые инструкции, создавая на их основе эффективные решения [2]. Организация работы эксперта с алгоритмом на естественном языке с применением неформализуемых параметров и ограничений, характерных для человеческого мышления, позволяет значительно усилить интеллектуальный потенциал эксперта, принимающего решение, и наиболее полно проявить его опыт и способности работы со слабоструктурированной информацией.
Возможности совершенствования алгоритмов в этом направлении предоставляет методология теории нечетких множеств и лингвистических переменных. Экспертно-аналитические системы на базе нечеткой логики позволяют применять по отношению к данным такие характерные для человеческого мышления логические операции, как обобщение и агрегация качественных понятий. В отличие от математически точных логических связок и отношений равенства и включения они не искажают и не сужают логические выводы, основанные на качественных понятиях. Причем допускается более широкое толкование операций объединения и пересечения: в зависимости от интуитивно улавливаемого смысла того или иного высказывания: логические связки «и», «или», «не» могут пониматься более или менее жестко и могут быть формализованы при помощи различных ^ и ¿•-норм [17].
При оценке высокодинамичной и неопределенной среды интуитивное понимание важности того или иного параметра и уверенности в его достоверности имеет не меньшее значение, чем приблизительный диапазон данных. Аппарат нечеткой логики позволяет перейти от обработки данных к обработке данных и суждений и эффективно описывать модальные оттенки при анализе данных, формализуя неопределенность экспертного суждения при помощи направленного выбора квалифи-каторов модальности. Таким образом, в результате анализа может быть получена не только конкретная оценка относительно объекта, но и сформирована информационная единица - более широкий параметр моделирования, включающий в себя наряду со смысловой стороной суждения и характеристику уверенности эксперта в его достоверности [18].
Так, распространенный в современных аналитических системах подход Р. Ягера позволяет отразить интуитивные представления эксперта о
жесткости требований к достижению целей и важности отдельных ограничений путем их ранжирования на основе операций возведения в степень по отношению к функции принадлежности [3]. Кроме того, в этом случае обеспечивается симметрия по отношению к целям и ограничениям и устраняется необходимость искусственного разбиения расплывчато сформулированной задачи на эти категории.
Моделирование инновационного проекта необходимым образом является многоаспектным и требует разностороннего анализа с точки зрения научно-технической состоятельности инновации, информационного обеспечения, влияния социофак-торов и уровня корпоративного развития в целом, наличия материальных и финансовых ресурсов. Поэтому принятие решений в инновационной сфере основывается на знаниях и опыте специалистов различных областей, следовательно, подразумевает сотрудничество нескольких экспертов и применение групповых алгоритмов анализа. Такой подход обеспечивает расширение базы данных и базы знаний по проекту. Однако расширение информационного обеспечения проекта приведет к улучшению анализа проблемы только в том случае, если содержательный смысл дополнительной информации понятен всем участникам процесса и непротиворечив. В то же время данным различного происхождения свойственна неопределенность различных типов: интервальная, вероятностная, размытая и др. [7]. Таким образом, для обеспечения эффективной групповой работы необходимо привести разноплановую информацию к сопоставимому и интуитивно понятному виду, что может быть достигнуто при введении лингвистических переменных с соответствующими степенями принадлежности.
При многоэкспертном анализе может возникнуть конфликт в понимании целей и управляющих критериев, в особенности, если они выражены нечетко и несут на себе оттенок субъективного суждения. Нечеткая логика оперирует с уровнями допустимости таким образом, что позволяет находить компромиссы за счет предоставления большей степени свободы толкования, если конфликт целей является мягким, размытым [14].
Важным элементом группового принятия решений является мера согласованности экспертов и их уверенности в достоверности принятого решения. Одна из возможностей проведения такой оценки связана с введением ортогонального семантического пространства как частного случая лингвистической
переменной: нахождение степени его нечеткости позволит охарактеризовать меру рассогласования экспертов [15].
Система представления результатов моделирования на языке нечеткой логики. Для обеспечения эргономичности алгоритма система представления результатов моделирования должна сохранять ту же семантическую нагрузку, которая характеризовала информацию на предыдущих этапах анализа. То есть для того, чтобы аналитику было удобнее делать окончательное заключение на основе полученных результатов, необходимо придавать им большую свободу толкования, приводя их в удобном для человеческого восприятия виде.
Поскольку при моделировании инновационной деятельности акцент переносится с прогнозирования конкретных параметров на распознавание общей ситуации с указанием соответствующей степени достоверности, то понятие оптимальности принятого решения приобретает более полное толкование. Вместо максимизации однозначно определенной цели предполагается идентификация отношений предпочтения на множестве альтернатив притом, что разграничение между целью и ограничениями стирается и достигается определенная симметрия между ними. В этом случае с рационализацией связывается выбор нечеткого подмножества множества допустимых альтернатив, которому соответствует в некотором смысле наилучшее нечеткое значение функции, оценивающей результаты выбора альтернатив, и описание результатов моделирования остается столь же информативным, как и описание исходных данных по проекту.
Подобный подход позволяет эксперту, придавая различные положительные веса функциям цели и ограничений и максимизируя их, определять любое требуемое число эффективных альтернатив. Таким образом, создается удобный инструментарий, при помощи которого эксперт, осуществляя окончательный выбор, может гибко оперировать субъективными представлениями и опираться на дополнительную информацию, неявные знания, которые в силу своей сложности или по иным причинам не были введены в модель, но каким-то образом характеризуют относительную важность функций цели [12].
Инновационное проектирование и моделирование являются творческим процессом, а их информационная среда динамична, поэтому в ходе анализа часто появляются новые предположения, гипотезы,
знания, новая интерпретация имеющегося опыта. В связи с этим особое значение приобретает повышение гибкости моделирования. Аппарат теории нечетких множеств обеспечивает возможности многократного возвращения к предположениям посредством пересмотра функции принадлежности по полученному нечеткому отклику. Кроме того, повышению гибкости и быстродействия моделирования способствует разработка механизма получения экспресс-решений. Они позволяют продуцировать дополнительные частные решения, варьируя уровень достоверности, и отслеживать тем самым влияние неопределенности и размытости оценок на эффективность инновационного проекта [9].
Анализ существующих подходов к моделированию и оценке инновационных проектов показал, что повышение их эргономичности и гибкости связано с расширением применения аппарата теории нечетких множеств на этапах целевой идентификации, построения функционального алгоритма и интерпретации модели. Выявленные характеристики инновационного проектирования определили приоритетность экспертных методов обработки данных и получения знаний и актуальность проблемы организации работы с трудноформализуемой информацией о проекте, представленной на естественном языке.
В соответствии с заявленным в начале статьи пониманием эргономичности инструмент теории нечетких множеств позволяет представлять данные в интуитивно понятной форме на основе лингвистических переменных и выбирать удобный уровень приближения.
Усиление интеллектуального потенциала эксперта достигается за счет привнесения в систему дополнительного опыта и увеличения семантической нагрузки данных.
Построение системы нечетких откликов и нечетких отношений предпочтения способствует усилению удобства и адекватности процесса целе-полагания и перевода качественных стратегических характеристик в конкретные параметры изучаемого проекта.
Механизмы унификации и агрегации разнородной информации, входящие в аппарат нечеткой логики, позволяют адаптировать алгоритм к групповой работе экспертов. В то же время операции над функцией принадлежности и введение квалифика-тора модальности упрощают варьирование параметров проекта и введение гипотез и предположений.
В авторском исследовании также определены основные проблемы и противоречия, связанные с применением нечеткомножественного подхода в инновационном проектировании. Это недостаточная адекватность функции принадлежности, неточность полного перевода профессионального опыта эксперта в формируемую базу знаний и разрешение конфликта нечетких целей при групповой работе экспертов.
Таким образом, основными направлениями повышения эргономичности можно считать уточнение механизмов фаззификации и дефаззификации, продуцирования нечетких правил, а также применение комплексного вероятностно-лингвистического подхода к построению функции принадлежности для ситуаций квазистатистики.
Список литературы
1. Алехина А. Э. Формализация задачи выбора инвестирования при нечетких исходных данных // Региональная экономическая политика: тезисы докладов международной межвузовской научной конференции, Гродно, 27-28 мая 1999 г. / Гродненский государственный университет. Высшая экономическая школа в Белостоке. Гродно, 1999.
2. Вопросы анализа и процедуры принятия решений: сб. переводов / под ред. И. Ф. Шахнова. М.: Мир, 1976.
3. Гареев Т. Ф. Оценка эффективности инноваций с использованием нечетких чисел // Вестник Казанского государственного аграрного университета. 2008. № 4.
4. Дубов И. Р., Диаб Т. О. Параметрический подход к построению функции принадлежности нечеткого множества // Современные проблемы экономики. Владимир: Владимирский гос. ун-т, 2004.
5. ЗабоевМ. В. Характеристика различных видов неопределенности и методы их учета в процессе обоснования инвестиционно-строительных проектов // Проблемы современной экономики. 2008. № 3.
6. Итс Т. А., Колосова О. В. Разработка проведения экологической экспресс-оценки инновационных проектов / Разработка, производство и внедрение инновационных товаров и услуг в условиях российской экономики, Материалы международной
научно-практической конференции. СПб: ИИСПб-ГТУ, 2002.
7. Квинтюк Ю. М. Факторы управления рисками инновационных проектов // Конкурентоспособное, устойчивое, безопасное развитие России в условиях глобализации экономики: сборник трудов молодых ученых. Волгоград: Политехник, 2005.
8. Косинец А. А. Вопросы оценки рисков реализации инновационных проектов // Актуальные проблемы управления-2000. 2. М.: ГУУ, 2001.
9. Левнер Е. В., Птускин А. С., Фридман А. А. Размытые множества и их применение. М.:ЦЭМИ РАН, 1999.
10. Линец А. Л. Применение теории нечетких множеств в задачах рискоанализа // Информация и безопасность. 2006. № 1.
11. Недосекин А. О. Фондовый менеджмент в расплывчатых условиях. СПб: Сезам, 2003.
12. Орловский С. А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.
13. Пономарева А. Н., АристарховаМ. К. Механизм системного обеспечения устойчивого развития инновационной деятельности промышленных предприятий // Проблемы анализа риска. 2007. № 3.
14. Птускин А. С. Решение стратегических задач в условиях размытой информации: монография. М.: Дашков и К, 2003.
15. Рыжов А. П. О качестве классификации объектов на основе нечетких правил // Интеллектуальные системы. Т. 9. Вып. 1-4, М.: МНЦ КИТ, 2005.
16. Смирнов В. А., Хасанова А. А. Особенности реализации системы управления на нечеткой логике // Известия Челябинского научного центра. 2003. № 4.
17. Тенетко М. И., Пескова О. Ю. Концепция оценивания информационных рисков на основе нечетких множеств // Известия ЮФУ. Технические науки. 2005. № 3.
18. Шалынин В. Д. Подход к моделированию задач процесса трансфера инноваций на основе формализованной неопределенности и аппарата нечетких множеств // Вестник Саратовского государственного технического университета. 2010. № 1.
