CC BY
57
УДК 303.732.4
ПРОГНОЗИРОВАНИЕ РИСКОВ ОСАГО (АНДЕРАЙТИНГ)
С ПРИМЕНЕНИЕМ СИСТЕМНОКОГНИТИВНОГО АНАЛИЗА (по данным ООО Росгосстрах-ЮГ Краснодарского края)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Подставкин Никита Алексеевич студент-дипломник
Кубанский государственный аграрный университет, Краснодар, Россия
В статье описываются результаты применения системно-когнитивного анализа для прогнозирования рисков совершения дорожно-транспортных происшествий и сумм страховых выплат в системе обязательного автострахования.
Ключевые слова: АНДЕРАЙТИНГ, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ПРОГНОЗИРОВАНИЕ РИСКОВ ДТП, СУММ СТРАХОВЫХ ВЫПЛАТ, ОБЯЗАТЕЛЬНОЕ АВТОСТРАХОВАНИЕ.
UDC 303.732.4
PROGNOSIS OF OSAGO RISKS (UNDERRARING) WITH THE APPLICATION OF SYSTEMIC-COGNITIVE ANALYSIS ( on data of Ltd. Company Rosgosstrakh-Yug of Krasnodar krai)
Lutsenko Eugeny Veniaminovich
Dr. Sci. Econ., Cand. Tech. Sci., professor
Podstavkin Nikita Alexeevich graduate student
Kuban State Agrarian University, Krasnodar, Russia
The results of application of systemic-cognitive analysis for prognosis of risks of traffic accidents and sums of insurance payments in the system of compulsory auto insurance are described in the article.
Key words: UNDERRATING, SYSTEMIC-COGNITIVE ANALYSIS, RISKS PROGNOSIS OF TRAFFIC ACCIDENTS, SUMS OF INSURANCE PAYMENTS, COMPULSORY AUTO INSURANCE.
В соответствии с действующим законодательством страховая компания, оказывающая услуги обязательного автострахования, обязана оказывать эти услуги всем обращающимся за этим клиентам и не может отказать кому-либо из них, при условии, что клиент предоставил все необходимые документы. Вместе с тем компания имеет ряд законных способов повлиять на контингент обращающихся к ней клиентов. Среди этих способов необходимо отметить прежде всего целенаправленную рекламу, ориентированную на определенные группы населения, а также маркетинговые мероприятия. В результате использования подобных технологий страховая компания уже сейчас может повлиять на приоритеты и механизм принятия решений различных категорий потенциальных клиентов в таком направлении, которое приведет к относительному увеличению доли желательных клиентов и уменьшения доли нежелательных. Кроме того возможно в будущем страховые компании получат большие права по отбору клиентов.
Уже сегодня компании имеют право уменьшать оплату за автострахования безаварийным водителям и повышать для водителей, совершивших дорожно-транспортные происшествия (ДТП), повлекшие страховые выплаты со стороны компании.
В связи со всем этим, когда в страховую компанию обращается очередной клиент то возникает резонные вопросы о том:
1. Какова вероятность совершения ДТП этим водителем или владельцем автотранспортного средства (конкретно именно этим водителем и конкретно именно на данном автотранспортном средстве).
2. Какова возможная тяжесть этого ДТП и наиболее вероятная сумма соответствующей страховой выплаты.
В теории и практике страхования эта задача получила название "ан-дерайтинг". Обладание технологией решения этой задачи уже сегодня позволило бы компании существенно уменьшить риски автострахования и соответственно, уменьшить страховые выплаты и увеличить свою прибыль. По-видимому, в перспективе возможность решения этой задачи в реальном времени непосредственно во время приема клиента на начальной стадии оформления документов будет играть еще большую роль.
Однако, проблема состоит в том, что не смотря на все эти достаточно очевидные выгоды и преимущества в реальной практике большинства страховых компаний системы андерайтинга не применяются.
На наш взгляд это обусловлено следующими обстоятельствами:
1. Эти системы недостаточно технологичны для их применения в реальном времени, непосредственно во время обслуживания клиента.
2. Существующие системы разработаны за рубежом или в мегаполисах (в основном в Москве и Санкт-Петербурге) и очень слабо отражают региональную специфику (т.е. нелокализованы), вернее вообще ее практически не отражают, из-за чего и имеют очень низкую достоверность прогнозирования, близкую и статистически незначимо отличающуюся от вероятности случайного угадывания без использования этих систем или другой априорной информации.
3. Эти системы не обладают адаптивностью и не учитывают динамику предметной области, которая чрезвычайно высока, особенно в Юж-
ном Федеральном Округе (ЮФО). В результате даже первоначально хорошо работающие системы очень быстро теряют адекватность модели и качество прогнозов.
4. Стоимость этих систем настолько высока, что их приобретение и использование чаще всего мало или вообще нерентабельно.
Целью данной работы является решение поставленной проблемы путем разработки адаптивной методики прогнозирования рисков автострахования и сумм страховых выплат, и, на этой основе, поддержки принятия решений в страховой компании.
Для достижения поставленной цели был выбран метод системнокогнитивного анализа (СК-анализ). Этот выбор был обусловлен тем, что данный метод является непараметрическим, позволяет сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагментированных), зашумленных данных различной природы, т.е. измеряемых в различных единицах измерения. Для метода СК-анализа разработаны и методика численных расчетов, и соответствующий программный инструментарий, а также технология и методика их применения. Они прошли успешную апробацию при решении ряда задач в различных предметных областях [1-33]. Наличие инструментария СК-анализа (базовая система "Эйдос") позволяет не только осуществить синтез семантической информационной модели (СИМ), но и периодически проводить адаптацию и синтез ее новых версий, обеспечивая тем самым отслеживание динамики предметной области и сохраняя высокую адекватность модели в изменяющихся условиях. Важной особенностью СК-анализа является возможность единообразной числовой обработки разнотипных по смыслу и единицам измерения числовых и нечисловых данных. Это обеспечивается тем, что нечисловым величинам тем же методом, что и числовым, приписываются сопоставимые в пространстве и времени, а также между собой, количественные значения, позволяющие обрабатывать их как числовые: на первых двух этапах СК-анализа числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях) (этот этап реализуется и в методах интервальной статистики); на третьем этапе СК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической
теории информации А.Харкевича, сопоставляются количественные величины (имеющие смысл количества информации в признаке о принадлежности объекта к классу), с которыми в дальнейшем и производятся все операции моделирования (этот этап является уникальным для СК-анализа).
В работах [5, 6] приведен перечень этапов системно-когнитивного анализа, которые необходимо выполнить, чтобы осуществить синтез модели и исследование модели объекта управления. Учитывая эти этапы СК-анализа выполним декомпозицию цели работы в последовательность задач, решение которых обеспечит ее поэтапное достижение:
1. Когнитивная структуризация предметной области и формальная постановка задачи, проектирование структуры и состава исходных данных.
2. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (обычно в форме базы данных).
3. Разработка стандартной Ехсе1-формы для представления исходных данных.
4. Преобразование исходных данных из исходных баз данных в стандартную электронную Ехсе1-форму.
5. Контроль достоверности исходных данных и исправление ошибок.
6. Разработка и использование программного интерфейса для преобразования исходных данных из стандартной Ехсе1-формы в базы данных, используемые в инструментарии системно-когнитивного анализа (СК-анализ) - универсальной когнитивной аналитической системе "Эйдос" (система "Эйдос").
7. Синтез семантической информационной модели (СИМ).
8. Оптимизация СИМ.
9. Измерение адекватности СИМ.
10. Задача 1: "Многокритериальная типизация автомобилей клиентов по типам: "Не совершившие ДТП", "Совершившие ДТП" и категориям, отражающим суммы страховых выплат.
11. Задача 2: "Разработка методики прогнозирования риска совершения ДТП и суммы страховой выплаты на основе информации о клиенте и его автомобиле".
12. Задача 3: "Разработка методики поддержки принятия решений
по выбору контингента клиентов, наиболее предпочтительных и нежелательных для автострахования".
13. Разработка принципов оценки экономической эффективности разработанных технологий при их применении в реальной страховой компании.
14. Исследование ограничений разработанной технологии и перспектив ее развития.
Кратко рассмотрим решение этих задач.
1. Когнитивная структуризация предметной области это 1-й этап формальной постановки задачи, на котором решается, какие параметры будут рассматриваться в качестве причин, а какие - следствий. На этом этапе было решено в качестве следствий, т.е. классов, рассматривать: безаварийность, аварийность, сумму страховой выплаты, а в качестве причин: марку и модель автотранспортного средства, его цвет, Российское или иностранное производство автомобиля, водительский стаж владельца.
На этапе формальной постановки задачи, исходя из результатов когнитивной структуризации, было осуществлено проектирование структуры и состава исходных данных.
2. Затем исходные данные запланированного состава были получены в той форме, в которой они накапливаются в поставляющей их организации (обычно в форме базы данных). В нашем случае этой организацией выступила компания ООО Росгосстрах-ЮГ Краснодарского края. Здесь необходимо отметить, что в полученной базе данных представлено 65535 примеров (это максимальное количество строк в листе Excel) застрахованных автотранспортных средств, из которых 540 участвовали в различного рода ДТП и по этим случаям были произведены страховые выплаты. Этого было более чем достаточно для целей данной работы, за что авторы благодарны руководству данной страховой компании.
3. Была разработана стандартная Excel-форма для представления исходных данных (см. рис. 1).
4. Исходные данные из Excel-формы, представленной на рис.1, были преобразованы средствами Excel в стандартную для программного интерфейса системы "Эйдос" электронную Excel-форму (см. рис. 2).
13 Microsoft Excel - CARD.xls ЕЕ®
: SjJ файл Правка Вид Вставка Формат Сервис Данные Окно Справка -.Sx
j J \3 закрыть 1 cá |Д 1 ^ SX 1 * J \ "О ' - 1 > ¡jf 2 * я! 5-1 Ш О 102% - Ф а
1 Arial , 10 , |ж | АГ Ч | = | = | — Ш 1 £Э S Ш Щ % ООО TáS £1 1 ír 1 Ат|
А В С D Е F G H I J
Z Госномер VIN КОД Мощность в HP Мощность в KW Марка Модель Цвет 56 о Сумма выплаты
2 1 C450AM23 XTJ11113030093229 32 23,53 ВАЗ 1111 Тёмно-Серый [оттенки тёмно-серого) 40 18 856,50
3 2 Н246УА JDAOQS86M00050376 47 34,56 Оа11па15и HIJET Синий (оттенки синего) 8 34 563,00
4 3 м532то23 >mH311000w0155005 98 72,06 ГАЗ 3110 Светло-серый (оттенки светло-серого и серебристого) 1 13 301.72
5 4 Н64ЭС023 XTH330210S1550481 0 0 ВАЗ 2106 Розовый [оттенки розового) 2 2 964.35
6 5 Т00ЭЕУ23 ХТА21099043640333 78 57,35 ВАЗ 21099 Сиреневый [оттенки сиреневого) 27 5 443,00
7 6 Н775КР23 75 55,1 5 Москвич 2140 Фиолетовый [оттенки фиолетового) 19 54 341.00
8 7 с716ое23 хга210610x4138003 72 52,94 ВАЗ 2106 Жёлтый [оттенки жёлтого и светлозолотистого) 9 17 328,55
9 8 С168УС XTH310290Т0483423 90 66,18 ГАЗ 31029 Тёмно-зеленый (оттенки тёмно-зеленого) 28 5 554,00
10 9 95 69,85 ВАЗ 2106 Голубой (оттенки голубого) 41 5 615,40
1 1 10 Q247AM23 WF О BXXGAJ BVD3731 0 75 55,1 5 рога FIESTA Белый [оттенки белого) 15 11 307.00
12 1 1 Т134КС23 >СГа21099031 581 546 70 51 ,47 ВАЗ 21099 Красный (оттенки красного) 2 8 654,00
13 12 5533цпф 0 0 ВАЗ 2106 Тёмно-зеленый (оттенки тёмно-зеленого) 0 31 854,60
14 13 Е353А023 FW15-872020 105 77,21 N¡55311 PULSAR Фиолетовый (оттенки фиолетового) 32 4 313.00
1 5 14 X7MCF41 GP4M01 8637 102 75 Нуипс1а1 ACCENT Тёмно-зеленый (оттенки тёмно-зеленого) 25 7 645,00
16 1 5 ХТА210230Е0617935 72 52,94 ВАЗ 2102 Сиреневый [оттенки сиреневого) 5 17 098.14
17 16 ХТН330210315191 06 0 0 ГАЗ 3302 Чёрный 10 7 547,00
18 17 У668СР23 ХТА210930R1515252 70 51 ,47 ВАЗ 2109 Коричневый (оттенки коричневого) 37 13 350,90
19 18 ХТА211020У0166373 78 57,35 ВАЗ 21 10 Хамелеон или несколько цветов без преобладания люб 6 8 764,00
20 19 87 63,97 ВАЗ 2106 Светло-серый (оттенки светло-серого и серебристого) 43 9 523.95
21 20 ХТА21 0740W1 1 64304 75 55,1 5 ВАЗ 2107 Голубой (оттенки голубого) 2 5 633.00
22 21 V466CM23 3X60-403161 107 78,68 Т оусЛа CHASER Темно-зеленый (оттенки темно-зеленого) 24 24 364,40
23 22 ХТА2111ООК0002278 71 52,21 ВАЗ 21 1 1 Зеленый [оттенки светло-зеленого) 31 7 653.00
24 23 т546тн23 WBAAD310701425134 129 94,85 ВМУУ 320 Оранжевый [оттенки оранжевого) 36 49 131,99
25 24 ХТА21074041983987 78 57,35 ВАЗ 2107 Коричневый (оттенки коричневого) 32 5 433.00
26 25 М187кр23 ХТВ2141200459029 72 52,94 Москвич 2141 Розовый [оттенки розового) 40 5 921,00
27 26 У778ТА23 XTC54200N1020055 210 154,41 КамАЗ 2106 Розовый [оттенки розового) 7 977.00
28 27 WKE3DP29000T72327 0 0 ВАЗ 2106 Оранжевый [оттенки оранжевого) 9 120 000.00
29 28 PÜ78HC23 JCTH270500V0056523 0 0 ГАЗ 2705 Жёлтый [оттенки жёлтого и светлозолотистого) 23 6 219,03
ЗО 29 XTJ81570МР0000320 0 0 ВАЗ 2106 Тёмно-Серый (оттенки тёмно-серого) 25 87 543.00
31 ЗО Y6D11030740050615 58 42,65 ВАЗ 2106 Синий (оттенки синего) 1 10 478.18
32 31 0 0 ВАЗ 2106 Зеленый [оттенки светло-зеленого) 9 66 553.00
33 32 ХТА21093031737363 68 50 ВАЗ 2109 Голубой (оттенки голубого) 2 21 917.99
►' \jj2j3_/
> I
ЕЭ Microsoft Excel - CAR...
Рисунок 1. Excel-форма с исходными данными
Ö Microsoft Excel - CARD.xls и®®
: Файл Правка Вид Вставка Формат Сервис Данные Окно Справка -I-, ' - S X
I j ¡¡з закрыть ш lA jiлi^ i л ji - ■ * ч е - jb a; й о 125% - * и
1 Ariai т ш я |ж1 к ч = \ш\т Ш 1 сз Ш Э % ооо iF iF " ’ А * 1 1
Е f.
А В С D Е F G Н
1 Ü: Summa да Й> Power Proizvodstvo Marka ■о о £ і 2 Color
2 1 18856,50 40 32,00 Россия ВАЗ ВАЗ-1111 Тёмно-Серый (оттенки тёмно-серого)
3 2 34563,00 8 47,00 Иномарка Оаіґіаїзи Daihatsu-HIJET Синий (оттенки синего)
4 3 13301,72 1 98,00 Россия ГАЗ ГАЗ-3110 Светло-серый (оттенки светло-серого и серебристого)
5 4 2964.35 2 0,00 Россия ВАЗ ВАЗ-2106 Розовый (оттенки розового)
6 5 5443,00 27 78,00 Россия ВАЗ ВАЗ-21099 Сиреневый (оттенки сиреневого)
7 6 54341,00 19 75,00 Россия Москвич Москвич-2140 Фиолетовый (оттенки фмолетового)
8 7 17328,55 9 72,00 Россия ВАЗ ВАЗ-2106 Жёлтый (оттенки желтого и светлозолотистого)
9 8 5554,00 28 90,00 Россия ГАЗ ГАЗ-ЗЮ29 Тёмно-зеленый (оттенки тёмно-зеленого)
10 9 5615,40 41 95,00 Россия ВАЗ ВАЗ-2106 Голубой (оттенки голубого)
11 10 11307,00 15 75,00 Иномарка РогсІ Ford-FIESTA Белый (оттенки белого)
12 11 8654.00 2 70,00 Россия ВАЗ ВАЗ-21099 Красный (оттенки красного)
13 12 31854,60 0 0,00 Россия ВАЗ ВАЗ-2106 Тёмно-зеленый (оттенки тёмно-зеленого)
14 13 4313,00 32 105,00 Иномарка N¡55311 Nissan-PULSAR Фиолетовый (оттенки фмолетового)
15 14 7645,00 25 102,00 Иномарка Нуипсіаі Hyundai-ACCENT Тёмно-зеленый (оттенки тёмно-зеленого)
16 15 17098.14 5 72,00 Россия ВАЗ ВАЗ-2102 Сиреневый (оттенки сиреневого)
17 16 7547.00 10 0,00 Россия ГАЗ ГАЗ-3302 Чёрный
18 17 13350,90 37 70,00 Россия ВАЗ ВАЗ-2109 Коричневый (оттенки коричневого)
19 18 8764,00 6 78,00 Россия ВАЗ ВАЗ-2110 Хамелеон или несколько цветов без преобладания любого
20 19 9523.95 43 87,00 Россия ВАЗ ВАЗ-2106 Светло-серый (оттенки светло-серого и серебристого)
21 20 5633.00 2 75,00 Россия ВАЗ ВАЗ-2107 Голубой (оттенки голубого)
22 21 24364,40 24 107,00 Иномарка Тоуоіа Toyota-CHASER Тёмно-зеленый (оттенки тёмно-зеленого)
23 22 7653,00 31 71,00 Россия ВАЗ ВАЗ-2111 Зеленый (оттенки светло-зеленого)
24 23 49131.99 36 129,00 Иномарка ВМУУ BMW-32Q Оранжевый (оттенки оранжевого)
25 24 5433.00 32 78,00 Россия ВАЗ ВАЗ-2107 Коричневый (оттенки коричневого)
26 25 5921.00 40 72,00 Россия Москвич Москвич-2141 Розовый (оттенки розового)
27 26 977,00 7 210,00 Россия КамАЗ КамАЗ-2106 Розовый (оттенки розового)
28 27 120000,00 9 0,00 Россия ВАЗ ВАЗ-2106 Оранжевый (оттенки оранжевого)
29 28 6219.03 23 0,00 Россия ГАЗ ГАЗ-2705 Жёлтый (оттенки жёлтого и светлозолотистого)
30 29 87543.00 25 0,00 Россия ВАЗ ВАЗ-2106 Тёмно-Серый (оттенки тёмно-серого)
31 30 10478,18 1 58,00 Россия ВАЗ ВАЗ-2106 Синий (оттенки синего)
32 31 66553,00 9 0,00 Россия ВАЗ ВАЗ-2106 Зеленый (оттенки светло-зеленого)
33 32 21917.99 2 68,00 Россия ВАЗ ВАЗ-2109 Голубой (оттенки голубого)
34 33 6653,00 2 67,00 Россия ВАЗ ВАЗ-2105 Красный (оттенки красного)
\1/2\Э/
> I
.А’ "■'< ■ зу awöim и
Рисунок 2. Excel-форма,
Total Commander 6,5,,. Çj Статья-1.doc - Micro,,. Q Microsoft E;
стандартная для программного интерфейса системы "Эйдос"
5. На этапе контроля достоверности исходных данных было обнаружено, что в исходной базе данных мощность двигателя у некоторых особо престижных моделей автомобилей доходила до 728690 л.с. В данной работе было принято решение не использовать в модели этот параметр, а не исправлять его. Хотя в принципе зная марку и модель автотранспортного средства можно было бы точно узнать и мощность его двигателя, и колесную формулу. Но для целей данной работы этого не требовалось и сделано не было.
6. Затем Excel-форма, приведенная на рисунке 2 средствами Excel была записана в стандарте DBF-4, dBASE IV (*.dbf), разработан и использован программный интерфейс для преобразования исходных данных из стандартной Excel-формы в базы данных, используемые в инструментарии системно-когнитивного анализа (СК-анализ) - универсальной когнитивной аналитической системе "Эйдос" (система "Эйдос").
Ниже приводится исходный текст программы данного программного интерфейса, работающий с получившимся dbf-файлом:
******** ФОРМИРОВАНИЕ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИИ ***
******** и ОБУЧАЮЩЕЙ ВЫБОРКИ ИЗ DBF-Excel-файла ***
******** Подставкин Н.А. 05/22/07 11:49am ************
PARAMETERS File_name
***** БЛОК-1. ОТОБРАЖЕНИЕ ИНФОРМАЦИИ О ФУНКЦИЯХ ПРОГРАММНОГО ИНТЕРФЕЙСА
scr23 = SAVESCREEN(0,0,24,79)
SET CURSOR OFF SET DATE ITALIAN SET DECIMALS TO 15 SET ESCAPE On
FOR J=0 TO 24
@J,0 SAY REPLICATE("|",80) COLOR "gb+/N"
NEXT
SHOWTIME(0,60,.F.,"rg+/n",.F.,.F.)
FOR J=0 TO 24
@J,0 SAY REPLICATE("|",80) COLOR "gb+/N"
NEXT
**** ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ ***
COPY FILE ("Card.dbf") TO ("Card_sh.dbf")
CLOSE ALL
USE Object EXCLUSIVE NEW;ZAP USE Priz_ob EXCLUSIVE NEW;ZAP
USE Priz__per EXCLUSIVE NEW;ZAP
USE Card EXCLUSIVE NEW
USE Card_sh EXCLUSIVE NEW;ZAP APPEND BLANK APPEND BLANK APPEND BLANK
SELECT Card
N_Rec = RECCOUNT()
M_KodKl = 0
M_KodSh = 0 M_KodGr = 0 N Grad = 10
Структура базы данных: card.dbf 01.05.07 08:56:20
* I N | Имя поля Тип Ширина I Дес. I Примечание I
* I 1 | SUMMA N 10 I 2 I I
* I 2 | STAG N 3 I 0 I I
* I 3 | POWER N 8 I 0 I I
* I 4 | PROIZVODST C 9 I 0 I I
* I 5 | MARKA C 11 I 0 I I
* I 6 | MARKA MODE C 31 I 0 I I
* I 7 | COLOR C 51 I 0 I I
** В n И Г О длина записи: 124 байтов. I
A_FNRus := {}
AADD(A FNRus,"Сумма страховой выплаты: ")
AADD(A_FNRus,"Стаж владельца")
AADD(A FNRus,"Мощность двигателя (л.с.)")
AADD(A_FNRus,"Производство")
AADD(A_FNRus,"Марка")
AADD(A_FNRus,"Марка и модель")
AADD(A_FNRus,"Цвет")
@24,0 SAY REPLICATE("|",80) COLOR "rb/n"
FOR ff=1 TO 7 && Начало цикла по полям Card.dbf
*** Числовые столбцы IF 1 <= ff .AND. ff <= 3 SELECT Card
INDEX ON STR(999999999-FIELDGET(ff),10) TO Mrk_funi UNIQUE DBGOTOP()
F_MaxSH = FIELDGET(ff)
DBGOBOTTOM();DBSKIP(-1)
F MinSH = FIELDGET(ff) && Не брать 0, т.к. для него отдельный класс Delta = (F_MaxSH-F_MinSH)/N_Grad
SELECT Card_sh
DBGOTO(1);FIELDPUT(ff,F_MaxSH)
DBGOTO(2);FIELDPUT(ff,F_MinSH)
DBGOTO(3);FIELDPUT(ff,Delta)
** Классы
IF ff = 1
SELECT Object APPEND BLANK F_MinGR = 0 F_MaxGR = 0
M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"
REPLACE Kod WITH ++M_KodKl
REPLACE Name WITH M_Name
SELECT Object
APPEND BLANK
F_MinGR = F_MinSH
F_MaxGR = F_MaxSH
M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}" REPLACE Kod WITH ++M_KodKl
REPLACE Name WITH M_Name
SELECT Object FOR gr = 1 TO N_Grad SELECT Object APPEND BLANK
F_MinGR = F_MinSH+(gr-1)*Delta F_MaxGR = F_MinSH+(gr )*Delta
M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}" REPLACE Kod WITH ++M_KodKl
REPLACE Name WITH M_Name
NEXT
ENDIF
** Признаки числовые столбцы
IF ff = 2 && Только стаж, а мощность не берем, т.к. у нее бредовые значения
SELECT Priz_ob APPEND BLANK
REPLACE Kod WITH ++M_KodSh REPLACE Name WITH A_FNRus[ff]
FOR gr=1 TO N_Grad SELECT Priz_per APPEND BLANK
F_MinGR = F_MinSH+(gr-1)*Delta F_MaxGR = F_MinSH+(gr )*Delta
M_Name = A_FNRus[ff]+": {"+ALLTRIM(STR(F_MinGR,11,3))+", "+ALLTRIM(STR(F_MaxGR,11,3))+"}"
REPLACE Kod WITH ++M_KodGr
REPLACE Kod_ob_pr WITH M_KodSh
REPLACE Name WITH M_Name
SELECT Priz_ob
FIELDPUT(gr+2,M_KodGr)
NEXT
ENDIF
ENDIF
** Признаки текстовые столбцы
IF 4 <= ff .AND. ff <= 7 SELECT Card
INDEX ON FIELDGET(ff) TO Mrk_funi UNIQUE
** Признаки
SELECT Priz_ob APPEND BLANK
REPLACE Kod WITH ++M_KodSh REPLACE Name WITH A_FNRus[ff]
SELECT Card SET ORDER TO 1 DBGOTOP() gr = 0
DO WHILE .NOT. EOF()
M_Name = A_FNRus[ff]+”-”+ALLTRIM(FIELDGET(ff))
SELECT Priz_per APPEND BLANK REPLACE Kod REPLACE Kod_ob_pr REPLACE Name
SELECT Priz_ob FIELDPUT(++gr+2,M_KodGr)
SELECT Card DBSKIP(1)
ENDDO
ENDIF
NEXT *WAIT CLOSE ALL
*** ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ *******************************************************
CLOSE ALL
USE Object EXCLUSIVE NEW INDEX ON Name TO Obj_name CLOSE ALL
USE Priz_per EXCLUSIVE NEW INDEX ON Name TO Prpe_nam
CLOSE ALL
USE Object INDEX Obj_name EXCLUSIVE NEW
USE Priz_per INDEX Prpe_nam EXCLUSIVE NEW
USE Card EXCLUSIVE NEW
USE Card_sh EXCLUSIVE NEW
USE ObInfZag EXCLUSIVE NEW;ZAP
USE ObInfKpr EXCLUSIVE NEW;ZAP
N_Rec = RECCOUNT()
DBGOTOP()
@24,0 SAY REPLICATE("|",80) COLOR ”rb/n”
M_KodIst = 0
SELECT Card
N_Rec = RECCOUNT()
Num = 0
DBGOTOP()
DO WHILE .NOT. EOF()
SELECT Card_sh
DBGOTO(1);F_MaxSH = FIELDGET(l)
DBGOTO(2);F_MinSH = FIELDGET(l)
****** База заголовков SELECT Card
M_NameIst = STR(FIELDGET(1),15,2)
***** Формирование массива кодов классов из БД Card
A_Obj := {}
M_Summa = FIELDGET(1)
F_MinGR = 0 F_MaxGR = 0
IF F_MinGR <= M_Summa .AND. M_Summa <= F_MaxGR
M_Name = A_FNRus[1]+”: {"+ALLTRIM(STRTF_MinGR,11,3))+", ”+ALLTRIM(STR(F_MaxGR,11,3))+”}” SELECT Object;SET ORDER TO 1;T=DBSEEK(M_Name)
IF T
IF ASCAN(A_Obj, Kod) = 0 AADD(A_Obj, Kod)
ENDIF
ENDIF
ENDIF
F_MinGR = F_MinSH F_MaxGR = F_MaxSH
IF F_MinGR <= M_Summa .AND. M_Summa <= F_MaxGR
M_Name = A_FNRus[1]+”: {"+ALLTRIM(STRTF_MinGR,11,3))+", ”+ALLTRIM(STR(F_MaxGR,11,3))+”}” SELECT Object;SET ORDER TO 1;T=DBSEEK(M_Name)
IF T
WITH ++M_KodGr WITH M_KodSh WITH M_Name
IF ASCAN(A_Obj, Kod) = 0 AADD(A_Obj, Kod)
ENDIF
ENDIF
ENDIF
SELECT Card_sh
DBGOTO(1);F_MaxSH = FIELDGET(1)
DBGOTO(2);F_MinSH = FIELDGET(1)
Delta = (F_MaxSH-F_MinSH)/N_Grad FOR gr=1 TO N_Grad
F_MinGR = F_MinSH+(gr-1)*Delta F_MaxGR = F_MinSH+(gr )*Delta
IF F_MinGR <= M_Summa .AND. M_Summa <= F_MaxGR
M_Name = A_FNRus[1]+”: {”+ÄLLTRIM(STRTF_MinGR,11,3))+”, ”+ALLTRIM(STR(F_MaxGR,11,3))+”)”
SELECT Object;SET ORDER TO 1;T=DBSEEK(M_Name)
IF T
IF ASCAN(A_Obj, Kod) = 0 AADD(A_Obj, Kod)
ENDIF
ENDIF
ENDIF
NEXT
SELECT ObInfZag APPEND BLANK
REPLACE Kod_ist WITH ++M_KodIst REPLACE Name_ist WITH M_NameIst FOR jj=1 TO LEN(A_Obj)
FIELDPUT(jj+2,A_Obj[jj])
NEXT
****** Формирование массива кодов признаков из БД Card M_KodPr = {)
FOR jj=2 TO 7 && Начало цикла по полям БД Card
SELECT Card Fv =FIELDGET(jj)
*IF 2 <= jj .AND. jj <= З
IF jj = 2 && берем только стаж, т.к. у мощности бредовые значения
SELECT Card_sh
DBGOTO(1);F_MaxSH = FIELDGET(jj)
DBGOTO(2);F_MinSH = FIELDGET(jj)
Delta = (F_MaxSH-F_MinSH)/N_Grad FOR gr=1 TO N_Grad
F_MinGR = F_MinSH+(gr-1)*Delta F_MaxGR = F_MinSH+(gr )*Delta IF F_MinGR <= Fv .AND. Fv <= F_MaxGR
M_Name = A_FNRus[jj]+”: {”+ALLTRIM(STR(F_MinGR,11,3))+”, ”+ALLTRIM(STR(F_MaxGR,11,3))+”)” SELECT Priz_per;SET ORDER TO 1;T=DBSEEK(M_Name)
IF T
IF ASCAN(M_KodPr, Kod) = 0 AADD(M_KodPr, Kod)
ENDIF
ENDIF
ENDIF
NEXT ENDIF IF jj > З
M_Name = A_FNRus[jj]+”-”+FIELDGET(jj)
SELECT Priz_per;SET ORDER TO 1;T=DBSEEK(M_Name)
IF T
IF ASCAN(M_KodPr, Kod) = 0 AADD(M_KodPr, Kod)
ENDIF
ENDIF
ENDIF
NEXT
******* Запись массива кодов признаков из БД &Fns в БД ObInfKpr
SELECT ObInfKpr
APPEND BLANK
FIELDPUT(1,M_KodIst)
k=2
FOR jj=1 TO LEN(M_KodPr)
IF k <= 12
FIELDPUT(k++,M_KodPr[jj])
ELSE
APPEND BLANK
FIELDPUT(1,M_KodIst)
k=2
FIELDPUT(k ,M_KodPr[jj])
ENDIF
NEXT
p=++Num/N_Rec*100;p=IF(p<=100,p,100)
@24,0 SAY STR^^H'^” COLOR ”w+/r+”
@24,4 SAY REPLICATE(”|”,0.76*p) COLOR ”rg+/n”
SELECT Card DBSKIP(1)
ENDDO
@24,0 SAY REPLICATE(”|”,80) COLOR ”gb+/n”
Mess = ” ПРОЦЕСС ГЕНЕРАЦИИ ЗАВЕРШЕН УСПЕШНО !!! ”
@24,40-LEN(Mess)/2 SAY Mess COLOR ”rg+/rb”
INKEY(0)
RESTSCREEN(0,0,24,79,scr23)
CLOSE ALL QUIT
В результате работы данного программного интерфейса автоматически получаются исходный справочник классов распознавания, справочник признаков, а также обучающая выборка, представляющая собой закодированные в соответствии с этими справочниками страховые случаи (см. таб.1, таб.2, таб.3):
Таблица 1 - справочник классов распознавания
22-05- 07 12: 05:20 г Краснодар
I N I п/п I і I Код I класса I Н а и м к л а с с а е н о в а н и е р а с п о з н а в а н и я I Степень I редукции I образа Абсол. I кол-во I I % к кол I физичес I анкет I 1
1 I 1 I 1 | Сумма страховой выплаты: {0.000, 0.000} I 0.01916 I 64995 I | 99.200 I
I 2 I 2 | Сумма страховой выплаты: {34.000, 573575.000} I 0.15524 I 540 I 0.800 I
I 3 I 3 | Сумма страховой выплаты: {34.000, 57388.100} I 0.15300 I 469 I 0.700 I
I 4 I 4 | Сумма страховой выплаты: {57388.100, 114742.200}.... I 0.13388 I 58 I 0.100 I
I 5 I 5 | Сумма страховой выплаты: {114742.200, 172096.300}... I 0.05552 I 11 I I
I 6 I 6 | Сумма страховой выплаты: {172096.300, 229450.400}... I 0.00000 I
I 7 I 7 | Сумма страховой выплаты: {229450.400, 286804.500}... I 0.05630 I 1 I I
I 8 I 8 | Сумма страховой выплаты: {286804.500, 344158.600}... I 0.00000 I
I 9 I 9 | Сумма страховой выплаты: {344158.600, 401512.700}... I 0.00000 I
I 10 I 10 | Сумма страховой выплаты: {401512.700, 458866.800}... I 0.00000 I
I 11 I 11 | Сумма страховой выплаты: {458866.800, 516220.900}... I 0.00000 I
I 12 I 12 | Сумма страховой выплаты: {516220.900, 573575.000}... I 0.03674 I 1 I I
Универсальная когнитивная аналитическая система НПП *ЭЙДОС*
Таблица 2 - справочник наименований шкал и градаций признаков
(ФРАГМЕНТ)
22-05- 07 12 05:25 г. Краснодар
I N Код Н а и м е н о в а н и я IИнтегр. Абсол. I % к кол I
I п/п призн шкал и градаций признаков Iинф-сть кол-во Iфиз.анкI
[ 1] СТАЖ ВЛАДЕЛЬЦА I | I I
I 1 1 Стаж владельца: {1.000, 5.300} ..I 0.078 7474 I 11.405I
I 2 2 Стаж владельца: {5.300, 9.600} ..I 0.004 5820 I 8.881!
I 3 3 Стаж владельца: {9.600, 13.900} ..I 0.038 6005 I 9.163I
I 4 4 Стаж владельца: {13.900 , 18.200} ..I 0.193 7348 I 11.212I
I 5 5 Стаж владельца: {18.200 , 22.500} ..I 0.067 6022 I 9.189|
I 6 6 Стаж владельца: {22.500 , 26.800} ..I 0.012 6004 I 9.162I
I 7 7 Стаж владельца: {26.800 , 31.100} .. I 0.038 7436 I 11.347I
I 8 8 Стаж владельца: {31.100 , 35.400} . . I 0.225 5952 I 9.082I
I 9 9 Стаж владельца: {35.400 , 39.700} .. I 0.134 5948 I 9.076|
I 10 10 Стаж владельца: {39.700 , 44.000} I 0.039 7442 I 11.356|
[ 2] ПРОИЗВОДСТВО I I I
I 11 11 Производство-Иномарка.. . . I 0.068 13569 | 20.705|
I 12 12 Производство-Неизвестно . . I 0.001 1493 | 2.278|
I 13 13 Производство-Россия.... I 0.030 50473 | 77.017|
[ 3] МАРКА I I I
I 14 14 Марка- ..I 0.001 1493 | 2.278|
I 15 15 Марка-А1£а-Котео ..I 0.001 16 | 0.024|
I 16 16 Марка-Аго ..I 0.001 1 | 0.002|
I 17 17 Марка-Авіа ..I 0.001 12 | 0.018|
I 18 18 Марка-Ав 'Ьга ..I 0.001 2 | 0.003|
I 19 19 Марка-Аи^ ..I 0.205 792 | 1.209|
I 20 20 Марка-Аив'Ьіп. . . . ..I 0.001 1 | 0.002|
I 21 21 Марка-ВШТ ..I 0.043 697 | 1.064|
I 22 22 Марка-Веп'Ыеу. . . ..I 0.001 1 | 0.002|
I 23 23 Марка-Виіск ..I 0.001 1 | 0.002|
I 24 24 Марка-Са^11ас. . I 0.001 4 | 0.006| |
| | [ 4] |МАРКА И МОДЕЛЬ | I I
I 1141 114 | Марка и модель-- | 0.001I 1493 I 2.278I
I 1151 115 | Марка и модель-А1£а-Котео-156 | 0.001I 2 I 0.003I
I 1161 116 | Марка и модель-А1£а-Котео-166 | 0.001I 1 I 0.002 I
I 117 | 117 |Марка и модель-А1£а-Котео-2106 | 0.001I 11 I 0.017I
I 1181 118 | Марка и модель-А1£а-Котео-33 | 0.001I 1 I 0.002 I
I 1191 119 |Марка и модель-А1£а-Котео-75 | 0.001I 1 I 0.002I
I 1201 120 | Марка и модель-Аго-10 | 0.001I 1 I 0.002 I
I 1211 121 | Марка и модель-Ав±а-2106 | 0.001I 12 I 0.018I
I 122 I 122 | Марка и модель-Ав'Ьга-2106 | 0.001I 2 I 0.003I
I 1231 123 | Марка и модель-АисИ-100 | 0.001I 177 I 0.270I
I 1241 124 | Марка и модель-АисИ-200 | 0.001I 6 I 0.009I
I 1251 125 | Марка и модель-АисИ-2106 | 0.001I 58 I 0.089I
I 1261 126 | Марка и модель-АисИ-80 | 0.271I 250 I 0.381I
I 127 I 127 | Марка и модель-АисИ-90 | 0.001I 6 I 0.009I
I 1281 128 | Марка и модель-Аис1±-А2 | 0.001I 1 I 0.002 I
I 1291 129 | Марка и модель-Аис1±-А3 | 0.001I 14 I 0.021I
I 1301 130 | Марка и модель-Аис1±-А4 | 0.001I 82 I 0.125I
I 1311 131 | Марка и модель-Аис1±-А4 Avant | 0.001I 2 I 0.003I
I 132 I 132 | Марка и модель-Аис1±-А6 | 0. 0211 158 I 0.241I
I I [ 5] |ЦВЕТ | I I
I 8881 888 |Цвет-Бежевый (оттенки бежевого и светло-золо| 0.109I 3664 I 5.591I
I 8891 889 |Цвет-Белый (оттенки белого) | 0. 057 I 3632 I 5.542 I
I 8901 890 |Цвет-Бордовый(оттенки бордового и вишневого)| 0.030I 3594 I 5.484I
I 8911 891 |Цвет-Голубой (оттенки голубого) | 0.231I 3696 I 5.640I
I 892 I 892 |Цвет-Жёлтый (оттенки жёлтого и светлозолотис| 0.240I 3676 I 5.609I
I 8931 893 |Цвет-Зеленый (оттенки светло-зеленого) | 0.121I 3701 I 5.647 I
I 8941 894 |Цвет-Коричневый (оттенки коричневого) | 0.018I 3523 I 5.376I
I 8951 895 |Цвет-Красный (оттенки красного) | 0.045I 3671 I 5.602I
I 8961 896 |Цвет-Оранжевый (оттенки оранжевого) | 0.132 I 3640 I 5.554I
I 897 I 897 |Цвет-Розовый (оттенки розового) | 0.064I 3673 I 5.605I
I 8981 898 |Цвет-Светло-серый (оттенки светло-серого и с| 0. 009I 3763 I 5.742I
I 8991 899 |Цвет-Синий (оттенки синего) | 0.053I 3708 I 5.658I
I 9001 900 |Цвет-Сиреневый (оттенки сиреневого) | 0.012 I 3512 I 5.359I
I 9011 901 |Цвет-Тёмно-Серый (оттенки тёмно-серого) | 0.020I 3708 I 5.658I
I 902 I 902 |Цвет-Тёмно-зеленый (оттенки тёмно-зеленого).| 0.130 I 3726 I 5.686I
I 9031 903 |Цвет-Фиолетовый (оттенки фмолетового) | 0.052I 3550 I 5.417 I
I 9041 904 |Цвет-Хамелеон или несколько цветов без преоб| 0.026I 3508 I 5.353I
I 9051 905 | Цвет- Чёрный | 0.040I 3590 I 5.478I
Универсальная когнитивная аналитическая система НПП *ЭЙДОС*
22-05-07 Таблица 3 — АНКЕТА обучающей выборки N° 1 18:16:12 г.Краснодар
I Код I Наименования классов распознавания |
I 2 I I 3 I Сумма страховой выплаты: : {34.000, 573575.000} | Сумма страховой выплаты: : {34.000, 57388.100} |
I Код I Градации описательных шкал (признаки) |
I 10 I I 13 I I 93 I I 741 I I 901 I Стаж владельца: {39.700, 44.000} | Производство-Россия | Марка-ВАЗ | Марка и модель-ВАЗ-1111 | Цвет-Тёмно-Серый (оттенки тёмно-серого) |
Универсальная когнитивная аналитическая система НПП *ЭЙДОС*
Таким образом данным программным интерфейсом полностью автоматизируется этап СК-анализа, называемый "Формализация предметной области".
7. Затем стандартными средствами системы "Эйдос" (режим: _235) был выполнен синтез семантической информационной модели (СИМ).
8. В системе "Эйдос" реализовано много различных методов оптимизации модели: это и исключение из модели статистически малопредстав-ленных классов и факторов (артефактов), и исключение незначимых факторов, и ремонт (взвешивание) данных, что обеспечивает не только классическую, но и структурную репрезентативность исследуемой выборки по отношению к генеральной совокупности, и итерационное разделение классов на типичную и нетипичную части. Последний метод и был использован для оптимизация СИМ. В результате категории были разделены на типичные и нетипичные части и был получен следующий справочник классов (таблица 4):
Таблица 4 - справочник классов оптимизированной модели
22-05- 07 18: 57:05 г Краснодар
I N I п/п I Код I I классаI I I Н к л а а и м е н о в а н и е I с с а р а с п о з н а в а н и я I Степень | редукции | | образа Абсол. I кол-во I I % к кол | физичес | анкет |
I 1 I 1 | Сумма страховой выплаты: {0.000 , 0.000} 0.00000
I 2 I 16 | Сумма страховой выплаты: {0.000 , 0.000} з.Ъ={1} 0.11539 I 48368 I 73.800 |
I 3 I 23 | Сумма страховой выплаты: {0.000 , 0.000} з.Ъ={1,2} 0.31439 I 1218 I 1.900 |
I 4 I 22 | Сумма страховой выплаты: {0.000 , 0.000} з.Ъ={2} 0.25730 I 15409 I 23.500 |
I 5 I 5 | Сумма страховой выплаты: {114742.200, 172096.300} 0.07006 I 11 I
I 6 I 6 | Сумма страховой выплаты: {172096.300, 229450.400} 0.00000
I 7 I 7 | Сумма страховой выплаты: {229450.400, 286804.500} 0.07104 I 1 I
I 8 I 8 | Сумма страховой выплаты: {286804.500, 344158.600} 0.00000
I 9 I 2 | Сумма страховой выплаты: {34.000, 573575.000} 0.26875 I 235 I 0.400 |
I 10 I 13 | Сумма страховой выплаты: {34.000, 573575.000} іі={1}.... 0.08553 I 236 I 0.400 |
I 11 I 18 | Сумма страховой выплаты: {34.000, 573575.000} іі={1,2}.. 0.13139 I 37 I 0.100 |
I 12 I 19 | Сумма страховой выплаты: {34.000, 573575.000} іі={2}.... 0.07634 I 32 I
I 13 I 3 | Сумма страховой выплаты: {34.000, 57388.100} 0.27906 I 164 I 0.300 |
I 14 I 14 | Сумма страховой выплаты: {34.000, 57388.100} іі={1} 0.09376 I 231 I 0.400 |
I 15 I 17 | Сумма страховой выплаты: {34.000, 57388.100} іі={1,2}... 0.13006 I 40 I 0.100 |
I 16 I 21 | Сумма страховой выплаты: {34.000, 57388.100} іі={2} 0.07720 I 34 I 0.100 |
I 17 I 9 | Сумма страховой выплаты: {344158.600, 401512.700} 0.00000
I 18 I 10 | Сумма страховой выплаты: {401512.700, 458866.800} 0.00000
I 19 I 11 | Сумма страховой выплаты: {458866.800, 516220.900} 0.00000
I 20 I 12 | Сумма страховой выплаты: {516220.900, 573575.000} 0.04636 I 1 I
I 21 I 4 | Сумма страховой выплаты: {57388.100, 114742.200} 0.18025 I 46 I 0.100 |
I 22 I 15 | Сумма страховой выплаты: {57388.100, 114742.200} іі={1}. 0.05121 I 9 I
I 23 I 20 | Сумма страховой выплаты: {57388.100, 114742.200} іі={2}. 0.06247 I 3 I
Универсальная когнитивная аналитическая система НПП *ЭЙДОС*
При этом средняя по всей выборке объемом 65535 страховых случаев вероятность правильного отнесения страхового случая к тем классам, к которым он действительно относится, на 2-й итерации составила 88,953% (на 1-й итерации она составляла всего 23,692%). При дальнейших итерациях эта величина стабилизировалась, поэтому в этот процесс был остановлен. Достигнутая степень адекватности (достоверности) модели оценива-
ется нами как довольно высокая и достаточная для того, чтобы исследование этой модели считать исследованием самой моделируемой предметной области, и выводы, полученные путем исследования модели считать относящимися к самой предметной области.
9. Контрольное измерение адекватности СИМ было проведено на тестовой выборке, в которую вошли 2160 страховых случаев, представляющие все классы, в т.ч. все с совершенными ДТП и по остальным классам не более 540 случаев. При этом были получены результаты, представленные ниже:
ИЗМЕРЕНИЕ АДЕКВАТНОСТИ (ДИМЕРЕНЦИААЬНОЙ И ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ) СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ ПОДЕАИ
Всего (физических анкет: 2160 (100Е для п.15)
Всего логических анкет: 2700
4. Средняя достоверность идентификации логических анкет с учетоп сходства
5. Среднее сходство логических анкет, правильно отнесенных к классу
6. Среднее сходство логических анкет, оинбочно не отнесенных к классу
7. Среднее сходство логических анкет, оинбочно отнесенных к классу
8. Среднее сходство логических анкет, правильно не отнесенных к классу
4.828Е
0.613Ї
0.345Х
0.825Ї
5.385Ї
п. 14)
9. Средняя достоверность идентификации логических анкет с учетоп кол-ва : 46.037Е
10. Среднее количество (физич-х анкет, действительно относятся к классу: 397.576 (100Е для п.11 и п.12)
Среднее количество (физич-х анкет, действительно не относятся к классу: 1762.424 (100Е для п.13 ^ "
Всего физических анкет: 2160.000 (100Ї для п.15)
11. Среднее количество и 1 пог-их анкет, правильно отнесенных к классу: 260.427, т.е. 65.504К
12. Среднее количество и 1 лог-их анкет, оинбочно не отнесенных к классу: 137.150, т.е. 34.497Е
13. Среднее количество и 1 пог-их анкет, оинбочно отнесенных к классу: 445.653, т.е. 25.286Ї
14. Среднее количество и 1 пог-их анкет, правильно не отнесенных к классу: 1316.770, т.е. 74.714Е
15. Средневзвешенная вероятность случайного угадывания принадленности объекта к классу ( 1 ): 18.406
16. Средневзвешенная эффективность применения подели по сравнению со спуч. угадываниеп (раз): 11.882
22-05-07 17:34:39
г.Краснодар
N п/п Код класса Наипенование класса Достов. идентиф. пог.анк. Суппарное сходство/различие пог.анк правильно ипи оинбочно отнесенных или не отнесенных к классу Достов. ИДеНТИф. пог.анк. Кол-во пог.анк. дейст-но относя- црхся к классу Количество логических анкет правильно или оинбочно отнесенных ипи не отнесенных к классу Вероятн. случай- ного ЗффеКТИВ подели по срав. со спуч. угадыв. (раз)
сходства эвр.крит Правнпь. отнесен. Оинбочно не отнес Оинбочно отнесен. Правнпь. не отнес пичества эвр.крит Правнпь. отнесен. Оинбочно не отнес Оинбочно отнесен. Правнпь. не отнес ння Ш =NLA/NFA
1 2 3 4 5 6 7 8 9 10 И 12 13 14 15 16
1 13 Суппа страховой выплата: {34.000, 573575.000} it=ü} 7.4 0.6 0.0 1.4 8.2 38.2 236 222 14 653 1271 10.926 8.610
14 Суппа страховой выплата: {34.000, 57388.100} it=ü} 7.3 0.6 0.0 1.3 8.1 39.5 231 216 15 638 1291 10.694 8.744
>! VA Суппа страховой выплата: {0.000, 0.000} it={l,2} 4.5 1.4 0.0 0.4 3.5 69.6 540 515 25 303 1317 25.000 3.815
4 1 h Суппа страховой выплата: {0.000, 0.000} it=ü} 3.0 0.9 0.1 0.9 3.1 37.8 540 471 69 603 1017 25.000 3.489
К 3 Суппа страховой выплата: {34.000, 57388.100} 2.5 0.2 0.0 0.5 2.8 56.5 164 139 25 445 1551 7.593 11.162
h Суппа страховой выплата: {34.000, 573575.000} 2.4 0.2 0.0 0.4 2.5 54.8 235 165 70 418 1507 10.880 6.453
і Суппа страховой выплата: {34.000, 57388.100} it={2> 1.7 0.2 0.0 3.0 4.5 16.9 34 34 0 897 1229 1.574 63.532
Н V Суппа страховой выплата: {34.000, 57388.100} it=ü,2} 1.1 0.2 0.0 3.1 4.0 4.4 40 32 8 1024 1096 1.852 43.197
ч 1Н Суппа страховой выплата: {34.000, 573575.000} it=ü,2} 0.9 0.2 0.0 3.2 3.9 4.4 37 30 7 1026 1097 1.713 47.333
111 14 Суппа страховой выплата: {34.000, 573575.000} it={2> 0.7 0.2 0.0 3.2 3.7 6.4 32 32 0 1011 1117 1.481 67.522
11 4 Суппа страховой выплата: {57388.100, 114742.200} -0.7 0.1 0.0 1.6 0.8 -22.0 46 45 1 1317 797 2.130 45.928
1У К Суппа страховой выплата: {114742.200, 172096.300} -3.9 0.1 0.0 6.0 1.9 -25.8 11 11 0 1359 790 0.509 196.464
U і Суппа страховой выплата: {229450.400, 286804.500} -5.3 0.0 0.0 5.6 0.2 -24.4 1 1 0 1344 815 0.046 2173.913
14 VW Суппа страховой выплата: {57388.100, 114742.200} it={2> -8.7 0.1 0.0 8.9 0.2 -43.7 3 3 0 1552 605 0.139 719.424
1К 1К Суппа страховой выплата: {57388.100, 114742.200} it=ü} -10.0 0.1 0.0 10.3 0.1 -71.2 9 9 0 1849 302 0.417 239.808
16 1¿ Суппа страховой выплата: {516220.900, 573575.000} -10.8 0.0 0.0 11.0 0.2 -28.1 1 1 0 1384 775 0.046 2173.913
Средневзвешенные значения 4.8 0.6 0.3 0.8 5.4 46.0 397.6 260.4 137.2 445.7 1316.8 18.406 11.882
Универсальная когнитивная аналитическая система
40РНУПЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ДИМЕРЕНЦИАПЬНОЙ ВАЛИДНОСТИ (ПО КЛАССАМ):
C04tkl = C05tkl - C06[k] - C07tkl + COSÍkl
C09tkl = ( Clltkl - C12tkl - C13(k] + C14(k] ) / ( Cllíkl + C12(k] + C13(k] + C14(k] ) * 100
ClOtkl = Clltkl + C12tkl
C15tkl = ClOtkl / NFiz * 100
C16tkl = C09tkl / C15tkl
где k - класс (соответствует строке)
где NFiz - суппарное количество физических анкет (объектов) в распознаваемой выборке
40РНУПЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ (СРЕДНЕВЗВЕИЕНН0Е ПО ВСЕМ КЛАССАМ):
С1 = СУММА_по_к( Citkl * ClOtkl ) / NLog
где i = { 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16 >
где NLog = СУММА_по_к(CÍO t к 1) - суппарное количество логических анкет в распознаваепой выборке ПРИМЕЧАНИЕ: учтены только результата идентификации с подулеп сходства не пенее: -1
НЛП *ЗЙД0С*
Из анализа этой формы можно сделать следующие выводы:
- хорошо представленные классы можно использовать при прогнозировании, т.к. достоверность идентификации по этим классам достаточно высокая;
- результаты прогнозирования по слабо представленным классам учитывать в принятии решений нецелесообразно;
- применение модели обеспечивает во много раз более высокую достоверность, чем случайное угадывание или не использование модели;
- общая вероятность достоверной идентификации оказалась несколько ниже, чем по всей выборке, по всей видимости из-за того, что в тестовой выборке не было возможности указать все страховые случаи по которым не было ДТП, из-за огромного количества таких случаев.
10. По сути задача 1: "Многокритериальная типизация автомобилей клиентов по типам: "Не совершившие ДТП", "Совершившие ДТП" и категориям, отражающим суммы страховых выплат была решена при синтезе модели на 7-м этапе. Результатом этого этапа и решением 1-й задачи является матрица информативностей, фрагмент которой приводится на рисунке 3:
Microsoft Excel - INF.xls
Файл Правка Вид Вставка Формат Сервис Данные Окно Справка
і Л 3 ають d j, j I л .д У д, jt .. J.-i - ■ I ^ У е - и ¡1 Н ІШ
Введите вопрос
• [ж] л- Ч ' Щ\ а Щ В
f* KOD_PR
А В с D Е F G н I J к L M N 0 p Q R
1 KOD_PR OBJ_2 tr> I -у ta о OBJ_4 е гао Г'- ! -у CÛ о OBJ_12 OBJ _1 3 OBJ_14 OBJ _15 OBJ_16 OBJ_17 OBJ_18 OBJ_19 о I —3 tù о OBJ_21 гг гао OBJ_23
2 1 0,41 0,46 0,30 -0,08 0,00 0,00 -0,92 -1,16 0,00 0,02 0,31 0,31 0,36 0,00 0,44 -0,29 0,60
3 2 0,02 0,01 -0,11 0,01 0,00 0,00 0,01 0,05 0,08 0,01 -0,45 -0,42 0,13 0,47 0,01 -0,02 -0,14
4 3 -0,23 -0,47 0,13 0,00 0,00 0,00 0,08 0,08 0,07 -0,00 -0,46 -0,43 -0,38 0,00 -0,40 0,03 -0,35
5 4 -0,42 -0,64 -0,33 0,18 0,00 0,78 0,10 0,09 0,24 -0,01 -0,14 -0,11 -0,45 0,00 -0,47 0,04 -0,30
6 5 -0,31 -0,27 -0,26 0,00 0,00 0,00 -0,15 -0,26 0,32 -0,03 0,18 0,06 0,00 0,00 0,00 0,11 -0,46
7 6 -0,01 -0,02 0,13 0,00 0,00 0,00 0,04 0,05 0,00 0,01 -0,07 -0,04 0,12 0,00 0,18 -0,04 -0,20
8 7 -0,31 -0,65 0,05 -0,07 0,00 0,00 0,06 0,07 -0,01 -0,00 -0,14 -0,12 -0,06 0,38 -0,22 0,03 -0,41
9 8 -0,17 -0,14 0,00 0,25 0,85 0,00 -0,00 -0,01 0,07 -0,00 0,04 0,07 -0,13 0,46 -0,39 0,03 -0,40
10 Э -0,23 -0,10 0,00 0,00 0,00 0,00 -0,00 -0,01 0,07 -0,01 -0,21 -0,18 -0,37 0,00 -0,39 0,06 -0,40
11 10 0,07 0,05 0,11 0,17 0,00 0,00 -0,03 0,00 0,00 0,01 -0,04 -0,01 -0,06 0,00 -0,08 -0,02 -0,20
12 11 0,12 0,15 0,14 -0,29 0,00 0,00 -0,47 -0,43 0,00 -0,29 0,26 0,29 -0,42 0,00 -0,44 0,33 0,48
13 12 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
14 13 -0,02 -0,04 -0,03 0,07 0,09 0,09 0,08 0,08 0,09 0,06 -0,10 -0,12 0,08 0,09 0,08 -0,25 -0,49
15 14 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
16 15 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
17 16 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
18 17 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
19 18 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
20 19 -0,12 -0,24 0,00 0,73 0,00 0,00 0,00 0,00 0,00 0,00 0,26 0,29 0,00 0,00 0,00 0,49 0,51
21 20 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
22 21 0,31 0,38 0,26 0,00 0,00 0,00 0,00 0,00 0,00 -0,08 0,31 0,34 0,00 0,00 0,00 0,12 0,45
23 22 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
24 23 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
25 24 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,52 0,00
26 25 0,00 0,00 0,00 0,00 0,00 0,00 0,25 0,26 0,00 -0,02 0,00 0,00 0,00 0,00 0,00 0,07 -0,09
¡а -. ' »■ И *s = □ і То
Статья-2, doc -...
Рисунок 3. Фрагмент матрицы информативностей
В этой матрице столбцы соответствуют классам распознавания, строки - градациям факторов, а в клетках на их пересечении приведено количество информации в битах, которое содержится в факте обнаружения в страховом случае определенной градации фактора (например, водительского стажа, марки, модели или цвета автомобиля) о том, что этот случай относится к определенному классу. Приведен лишь фрагмент этой матрицы, т.к. в ней 905 строк.
11. Задача 2: "Разработка методики прогнозирования риска совершения ДТП и суммы страховой выплаты на основе информации о клиенте и его автомобиле", решается по сути автоматически при синтезе модели на 7-м этапе СК-анализа. В системе "Эйдос" есть стандартный режим _42, обеспечивающий подсчет для каждого страхового случая (представленного в распознаваемой выборке) суммарного количества информации, которое содержится в его признаках о принадлежности данного случая к каждому из классов. Все классы сортируются (ранжируются) в порядке убывания суммарного количества информации, содержащегося в описании страхового случая, о принадлежности к ним. Эта информация представляется в виде экранной формы и файла (см. рис. 4):
С' F:\WINDOWS\system32\crnd.exe
Универсальная когнитивная аналитическая система.
11:52 (с; нпп *ЭЙДОС*
Т
№ анкеты:
174 Наим.физ.источника: 63553.00 Качество: 6.208
Код Наименование класса % Сх Гистограмма сходств/различий
Я 4 Сумма страховой выплаты: {573 31
2 Сумма страховой выплаты: (34. Vі 12
18 Сумма страховой выплаты: {34. 6 ■
1 17 Сумма страховой выплаты: {34. 5 ■
1 16 Сумма страховой выплаты {0.0 -2
23 Сумма страховой выплаты {0.0 -4
21 Сумма страховой выплаты {34. -6
9 19 Сумма страховой выплаты {34. -7
5 Сумма страховой выплаты {114 -7
V ■ 22 Сумма страховой выплаты {0.0 -9
\ 14 Сумма страховой выплаты {34. -17 ш
т 13 Сумма страховой выплаты {34. -20
.
Р1 Стр.Т Р2Стр.I РЗПечать карточки Р4Печать всех карточек РБПечать сводной формы
Рисунок 4. Пример экранной формы с результатами прогнозирования для тестового страхового случая с номером 174.
На рисунке 4 птичками "V" отмечены классы, к которым данный страховой случай действительно относится. Эта же информация приводится и в файле, в котором наименования классов приводятся не в сокращенном варианте:
РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ ИНФОРМАЦИОННОГО ИСТОЧНИКА С КПАССАМИ РАСПОЗНАВАНИЯ
22-05-07 11:54:17
Номер анкеты: 174 Наим.физ.источника: 63553.00 Качество результата распознавания: 6.208%
Код Наименование класса распознавания % Сх Гистограмма сходств/различий
4 Сумма страховой выплаты: {57388.100, 114742.200} 31
2 Сумма страховой выплаты: {34.000, 573575.000} -І 12 ■“
18 Сумма страховой выплаты: {34.000, 573575.000} Н={1,2} 6
1/ Сумма страховой выплаты: {34.000, 57388.100} ії={1,2} 5
12 Сумма страховой выплаты: {516220.900, 573575.000} -0
/ Сумма страховой выплаты: {229450.400, 286804.500} -0
20 Сумма страховой выплаты: {57388.100, 114742.200} Н={2} -1
15 Сумма страховой выплаты: {57388.100, 114742.200} Н={1} -1
3 Сумма страховой выплаты: {34.000, 57388.100} -1
16 Сумма страховой выплаты: {0.000, 0.000} Н={1} -2
23 Сумма страховой выплаты: {0.000, 0.000} Н={1,2} -4
21 Сумма страховой выплаты: {34.000, 57388.100} ії={2} -6
19 Сумма страховой выплаты: {34.000, 573575.000} Н={2} -/
5 Сумма страховой выплаты: {114742.200, 172096.300} -1
22 Сумма страховой выплаты: {0.000, 0.000} Н={2} -9
14 Сумма страховой выплаты: {34.000, 57388.100} ії={1} -1/
13 Сумма страховой выплаты: {34.000, 573575.000} Н={1} -20
Универсальная когнитивная анапитическая система НПП "ЗЙДОС"
Если в распознаваемой выборке представлено сразу несколько страховых случаев, то может представлять интерес другая форма вывода информации о результатах прогнозирования по ним:
Рисунок 5. Пример карточки идентификации страховых случаев с классом: код 2, "Сумма страховой выплаты: 34-573575 рублей”
По сути этот класс эквивалентен по смыслу классу: "Совершит ДТП".
12. Для решения задачи 3: "Разработка методики поддержки принятия решений по выбору контингента клиентов, наиболее предпочтительных и нежелательных для автострахования", необходимо исследовать модель. Это можно сделать используя как возможности системы "Эйдос", так и просто загрузив матрицу информативности в Excel. В результате получаем следующие формы (см. рис. 5-7):
Рисунок 6. Влияние малого стажа на аварийность
Из этой формы видно, каким образом водительский стаж 1-5 лет обуславливает принадлежность страхового случая к классам оптимизированной модели (таблица 4).
Рассмотрим влияние водительского стажа на безаварийность (рис.7) и цвета автомобиля на безаварийность (рис.8).
CopuRight (с) Scientific & industrial enterprise AIDOS, Russia, 13B1-Z001. Russian Patent No 940217. All mghts Reserued.
Профиль класса распознавания:
[22]-СУММА СТРАХОВОЙ ВЫПЛАТЫ: : <0.000,
0.000} IT-{2} ([1]-стаж владельца)
0.100
+* О . 050
■И
И
0 . 000
til
3 -0.050
h
0 -0.100 Z
til
З -0.150
h іП
E 0.200
H
0
* -0.250
1
-0.300
Рисунок 7. Влияние водительского стажа на безаварийность
Рисунок 8. Влияние цвета автомобиля на безаварийность
Из рис.7 видно, что обывательское представление о том, что чем больше водительский стаж, тем меньше аварийность, не совсем соответствует действительности. Вернее оно соответствует действительности на интервалах: {1, 22.5} лет и {22.5, 39.7} лет. А вот стаж 22.5-26 лет как это ни парадоксально, несет информацию о том, что водитель не относится к безаварийному классу (как и очень малый стаж от 1 до 5 лет, но в меньшей степени). Правда дальнейшее увеличение стажа до 39.7 лет также постепенно приводит к меньшей аварийности, но стаж 39.7 - 44 года опять говорит о склонности к аварийности. Если причины высокой аварийности при очень малом (до 5 лет) и малом (до 9 лет) стаже понятны: это неопытность и лихачество, то причины аварийности опытных водителей с большим (2226 лет) и очень большим стажем (39-44 года) видимо кроются в состоянии здоровья, связанном с кризисом среднего возраста и с наступлением старости.
Необходимо отметить, что задача выявления фактически имеющихся зависимостей, и задача содержательного объяснения причин существования именно обнаруженных зависимостей, а не каких-либо других, т.е. задача содержательной интерпретации обнаруженных зависимостей, -это совершенно разные задачи. Авторы считают, что задача интерпретации должна решаться специалистами в моделируемой предметной области, в данном случае - специалистами в области автострахования.
Получены также функции влияния на аварийность и безаварийность марки и модели автомобиля, но эти формы не приводятся из-за большой размерности (т.е. очень большого количества моделей и марок). Отметим лишь, что из этих форм следует гипотеза о том, чем дороже автомобиль, тем больше (при всех прочих равных условиях) вероятность обращения в страховую компанию при участии в ДТП.
На рисунке 9 приведем форму, показывающую влияние того, произведен ли автомобиль в России или за рубежом на принадлежность к новым категориям (таб.4).
ВЛИЯНИЕ СТРАНЫ - ПРОИЗВОДИТЕЛЯ НА ПРИНАДЛЕЖНОСТЬ К КАТЕГОРИЯМ
к
5
Ш
5
о.
о
■&
X
Ряді
Ряд3
Классы
Рисунок 9. Влияние российского (ряд 3) и зарубежного (ряд 1) производства автомобиля на принадлежность к классам оптимизированной модели (таб.4)
13. Основной принцип оценки экономической эффективности разработанной методики (при условии ее применения в деятельности реальной страховой компании) состоит в том, что данная методика позволяет создать научно обоснованный образ желаемого клиента (как и образ неже-лаемого) и это, в сочетании с методами формирования контингента клиентов, позволяют улучшить состав портфеля договоров автострахования, уменьшив в нем долю убыточных и увеличив долю прибыльных договоров, повысив таким образом рентабельность и прибыль компании.
14. При планировании данного исследования авторы ставили цель лишь оценить возможность применения технологии СК-анализа для решения задачи андерайтинга. Данное исследование показало, что это возможно и перспективно. Но для того, чтобы иметь основания сделать этот вы-
вод не было необходимости проводить полномасштабное научное исследование. Поэтому, естественно, что представленный в работе вариант имеет ряд ограничений и недостатков, в преодолении которых и состоит перспектива ее развития.
В частности можно было бы увеличить объем обучающей выборки, взять значительно большее количество параметров, характеризующих как автотранспортное средство, так и его владельца, а также локализовать задачу для других регионов. Например, можно было бы учитывать является ли автомобиль переднеприводным, заднеприводным или полноприводным, мощность его двигателя, год изготовления, более детально можно было бы учитывать страну-производитель и т.д. Владельца вообще можно было бы исследовать как личность, как это делается в транспортной психологии, например применив подход, описанный в статьях: [8-15]. Но для достижения целей данной работы этого не требовалось и не делалось.
Таким образом, на основе исследования разработанного упрощенного варианта подсистемы айдерайтинга можно сделать вывод о возможности полномасштабного решения этой задачи методом системно-когнитивного анализа.
Литература
1. Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с.
2. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с.
3. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318с.
4. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с.
5. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организацион-
но-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.
6. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 "Прикладная информатика (по отраслям)". - Краснодар: КубГАУ. 2004. - 633 с.
7. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом. Монография. - Краснодар: КубГАУ. 2005. - 480 с.
8. Луценко Е.В., Лаптев В.Н., Третьяк В.Г. Прогнозирование качества специальной деятельности методом подсознательного (подпорогового) тестирования на основе семантического резонанса В сб.: "Проблемы совершенствования систем защиты информации, энергоснабжения военных объектов и образовательных технологий подготовки специалистов". Материалы II межвузовской научно-технической конференции. - Краснодар: КВИ, 2001. - С. 127-128.
9. Луценко Е.В., Третьяк В.Г., Александров С.Г. Модель профессионально-значимых качеств личности сотрудников ОВД Вестник учебного отдела КЮИ МВД РФ. -2001. - №1. - С. 37-40.
10. Луценко Е.В., Третьяк В.Г. Анализ профессиональных траекторий специалистов с применением системы "Эйдос" Личность и ее бытие (социально-психологические аспекты бытия личности в местном сообществе): сборник научных работ / Под.ред.
З.И.Рябикиной. - Краснодар: КубГУ, 2002. -С. 43-49.
11. Луценко Е.В., Щукин Т.Н., Дорохов В. Б., Лебедев А.Н. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: постановка задачи Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №04(6). - Режим доступа: http://ei.kubagro.ru/2004/04/20/p20.asp.
12. Луценко Е.В., Щукин Т.Н., Дорохов В. Б., Лебедев А.Н. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: описание эксперимента Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: Куб-ГАУ, 2004. - №04(6). - Режим доступа: http://ei.kubagro.ru/2004/04/21/p21.asp.
13. Луценко Е.В., Щукин Т.Н., Дорохов В. Б., Лебедев А.Н. ЭЭГ прогноз успешности
выполнения психомоторного теста при снижении уровня бодрствования: анализ результатов исследования Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №04(6). - Режим доступа:
http:// ei. kubagro. ru/2004/04/22/p22. asp.
14. Луценко Е.В., Лебедев А.Н. Диагностика и прогнозирование профессиональных и творческих способностей методом АСК-анализа электроэнцефалограмм в системе "Эйдос" Межвузовский сборник научных трудов, том 1. - Краснодар: КВИ, 2003. -С. 227-229.
15. Луценко Е.В., Наприев И.Л., Синтез многоуровневых семантических информационных моделей активных объектов управления в системно-когнитивном анализе Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. -№04(28). - Режим доступа: http://ei.kubagro.ru/2007/04/pdf/11.pdf
Примечание: для удобства читателей эти и другие работы автора размещены на его сайте по адресу: http://lc.kubagro.ru/aidos/eidos.htm
