CC BY
9
УДК 004.8
08.00.13 - Математические и инструментальные методы экономики (экономические науки)
СИСТЕМНО-КОГНИТИВНОЕ ИССЛЕДОВАНИЕ ВЛИЯНИЯ НОМЕНКЛАТУРЫ И ОБЪЕМОВ РЕАЛИЗУЕМОЙ ПРОДУКЦИИ НА ПРИБЫЛЬ И РЕНТАБЕЛЬНОСТЬ ТОРГОВОЙ ФИРМЫ1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail.com http://lc.kubagro.ru
Печурина Елена Каримовна РИНЦ SPIN-код: 1952-4286 geskov@mail.ru
Ткаченко Наталья Андреевна Магистр, аспирантка natalia-mironova1990@mail.ru
Кубанский государственный аграрный университет им. И. Т. Трубилина, Россия, 350044, Краснодар, Калинина ул., 13
В предыдущих работах авторов были решены задачи когнитивной структуризации и формализации предметной области, синтеза и верификации системно-когнитивных моделей, прогнозирования влияния номенклатуры и объемов реализации продукции на прибыль и рентабельность торговой фирмы, поддержки принятия решений по выбору таких номенклатуры и объемов реализации продукции, которые обуславливают заданные целевые прибыль и рентабельность фирмы. Данная работа посвящена исследованию моделируемой предметной области путем исследования ее СК-модели
Ключевые слова: АСК-АНАЛИЗ, СИСТЕМА «ЭЙДОС», АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ НОМЕНКЛАТУРОЙ И ОБЪЕМАМИ ЗАКУПОК РЕАЛИЗАЦИИ ТОВАРОВ В ТОРГОВОЙ ФИРМЕ
DOI: http://dx.doi.org/10.21515/1990-4665-153-015
UDC 004.8
Mathematical and instrumental methods of Economics
SYSTEM-COGNITIVE STUDY OF THE IMPACT OF THE NOMENCLATURE AND VOLUME OF PRODUCTS SOLD ON THE PROFIT AND PROFITABILITY OF THE TRADING COMPANY
Lutsenko Evgeniy Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57188763047 RSCI SPIN-code: 9523-7101 prof. lutsenko@gmail.com http://lc.kubagro.ru
Pechurina Elena Karimovna RSCI SPIN-code: 1952-4286 geskov@mail.ru
Tkachenko Natalia Andreevna Master's degree, postgraduate natalia-mironova1990@mail.ru
Kuban State Agrarian University named after I.T. Trubilin, Russia,
350044, Krasnodar, Kalinina str., 13
In previous works, the authors solved the problem of cognitive structuring and formalization of the subject area, synthesis and verification of system-cognitive models, predicting the impact of nomenclature and sales volumes on the profit and profitability of the trading company, decision support for the selection of such nomenclature and sales volumes, which cause a given target profit and profitability of the company. This work is devoted to the study of the simulated subject area by studying its SC-model
Keywords: ASC-ANALYSIS, "EIDOS" SYSTEM, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, MANAGEMENT OF THE NOMENCLATURE AND VOLUME OF PURCHASES OF SALES OF GOODS IN A TRADING COMPANY
В работе [1] решена задача-1 когнитивной структуризации и формализации предметной области, а в работе [2] - задача-2 синтеза и
1 Работа выполнена при финансовой поддержке РФФИ, проект № 17-02-00064-ОГН. http://ej .kubagro.ru/2019/09/pdf/15 .pdf
верификации системно-когнитивных моделей (СК-модели). Первая задача состоит в разработке классификационных и описательных шкал и градаций и кодировании исходных данных с их помощью, в результате чего формируется обучающая выборка, а вторая - в синтезе СК-моделей и проверке их на достоверность, т.е. их верификации. На основе созданных СК-моделей могут быть решены следующие задачи:
1) прогнозирования влияния номенклатуры и объемов реализации продукции на прибыль и рентабельность торговой фирмы;
2) поддержки принятия решений по выбору таких номенклатуры и объемов реализации продукции, которые обуславливают заданные целевые прибыль и рентабельность фирмы;
3) исследования моделируемой предметной области путем исследования ее СК-модели.
Решению 3-й из этих задач и посвящена данная статья.
Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта, т.е. результаты исследования модели корректно относить к самому объекту моделирования. В системе «Эйдос» есть довольно много возможностей для такого исследования, но в данной работе из-за ограничений на ее объем мы рассмотрим лишь результаты кластерно-конструктивного анализа классов и признаков (когнитивные диаграммы и дендрограммы), а также нелокальные нейроны, нелокальные нейронные сети, 3ё-интегральные когнитивные карты и когнитивные функции. Ниже мы и рассмотрим некоторые из них.
1. Когнитивные диаграммы классов
Эти диаграммы отражают сходство/различие классов. Мы получаем их в режимах 4.2.2.1 и 4.2.2.2 (рисунок 1):
СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3"
КОНСТРУКТ КЛАССА: [1]-ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.)-1/3-{12935.0000000, 61536.0000000} Приложение: АСК-анализ влияния номенклатуры и объемов реализации товаров на прибыль и рентабельность фирмы
Диапазон кодов классов: 1 -6
Уровень сходства не менее: 0%
Число отображаем ых классов: 12
Способ выборки классов: МАХ н MIN ур.сх.
Дата и время создания формы: 09.03.2019-09:37:52
Сходство и различие между классами по их признакам (градациям факторов, системе детерминации):
СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.
Рисунок 1. Когнитивная диаграмма классов
Из рисунка 1 мы видим, что по системе детерминации, в качестве которой в выступают объемы и реализации продукции, прибыль и рентабельность образуют три четко выраженных кластера: 1) низкие прибыль и рентабельность; 2) средние прибыль и рентабельность и 3) высокие прибыль и рентабельность. При этом система детерминации средней рентабельности имеет небольшое сходство низкой. Состояния фирмы, объединенные в кластер, могут быть достигнуты одновременно, т.к. их обуславливают сходные факторы, тогда как состояния разных кластеров являются альтернативными и одновременно недостижимы.
Отметим также, что на когнитивной диаграмме, приведенной на рисунке 1, показаны количественные оценки сходства/различия различных количественных и качественных результатов выращивания пшеницы по системе детерминации этих результатов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.
2. Агломеративная когнитивная кластеризация классов
Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, пример которой приведен на рисунке 1, но и в форме агломеративных дендрограмм, полученных в результате когнитивной кластеризации (рисунок 2):
ClustCls-06.jpg
ДЕНДРОГРАММА КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^3" Приложение: "АСК-анализ влияния номенклатуры и объемов реализации товаров на прибыль и рентабельность фирмы"
ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.)-3/3-{110137.0000000. 158738.0003000) 3 РЕНТАБЕЛЬНОСТЬ ЗА МЕСЯЦ (%)-3/3-{73.3333333, 81.0000000} 6 ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.)-2/3-{61636.0000000, 110137.0000300} 2 ПРИБЫЛЬ ЗА МЕСЯЦ (ТЫС.РУБ.)-1/3-{12935.0000000, 61536.0000030} 1 РЕНТАБЕЛЬНОСТЬ ЗА МЕСЯЦ (%)-1/3-{58.0000000. 65.6666667} 4
| | |
I
I
КЛАСТЕРНАЯ ФОРМУЛА: ((3.6).((2.5),(1.4)))
С1и5К|50|51-06.]рд в
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИЙ ПРИ КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^3" Приложение: "АСК-анализ влияния номенклатуры и объемов реализации товаров на прибыль и рентабельность фирмы"
_ Межкластерные расстояния х ^ ^ ^ О с 1 (2.5) 2 (3.6) Е ■у. ч а. С
5 ((3,6).((2,5),(1.4)))
ФОРМУЛА: ((3.6),((2.5),(1.4)))
Рисунок 2. Дендрограмма когнитивной агломеративной кластеризации классов и график изменения межкластерных расстояний
Из рисунка 2 мы видим, что некоторые результаты работы фирмы сходны по системе детерминирующих их факторов, и, следовательно, могут быть получены одновременно, а другие по этой системе
обуславливающих факторов сильно отличаются, и, следовательно, не могут быть получены одновременно, т.е. являются альтернативными. 3. Когнитивные диаграммы значений факторов
Эти диаграммы отражают сходство/различие значений факторов по их смыслу, т.е. по содержащейся в них информации о результатах работы фирмы. Эти диаграммы мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок
СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "1МРЗ"
КОНСТРУКТ ПРИЗНАКА: [1]-МОЛОКО, 1Л-БУТ, (ШТ)-1/3-{19.0000000, 90.6666667} Приложение: АСК-анализ влияния номенклатуры и объемов реализации товаров на прибыль и рентабельность фирмы
—---• Диапазон кодов признаков: 1-375
Уровень сходства не менее: 60% Число отображаемых признаков: 9999 Способ выборки классов: МАХ и Г.11 N ур.сх. Дата и время создания формы: 09.03.2019-10:00:05
Сходство и различие методу признаками по их признакам (градациям факторов, системе детерминации):
СХОДСТВО признаков отображается линиями связи КРАС НОГО цвета,толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ признаков отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.
Рисунок 3. Когнитивная диаграмма и конструкт значений факторов, отражающая их сходство/различие по их смыслу, т.е. по содержащейся в них информации о результатах работы фирмы
Из когнитивной диаграммы на рисунке 3 мы видим, что все значения факторов образуют 2 четко выраженных кластера, объединенных в полюса. Значения факторов на одном полюсе конструкта обуславливают высокие результаты работы фирмы, а на другом средние и низкие (см. рисунок 2).
Отметим, что на когнитивной диаграмме, приведенной на рисунке 3, показаны количественные оценки сходства/различия значений агротехнологических факторов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.
4. Нелокальные нейроны и нелокальные нейронные сети
На рисунке 5 приведен пример нелокального нейрона, а на рисунке 6 и фрагмент одного слоя нелокальной нейронной сети:
Рисунок 5. Пример нелокального нейрона (фрагмент)
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ В МОДЕЛИ: "1^3" Отображено: 10.52% наиболее значимых синаптических связей Приложение: "АСК-анализ влияния номенклатуры и объемов реализации товаров на прибыль и рентабельность фирмы"
Рисунок 6. Один слой нелокальной нейронной сети (фрагмент)
Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой и фреймовой моделей представления знаний. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).
От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что:
1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети);
2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации;
3) нейросеть является нелокальной, как сейчас говорят «полносвязной». От фреймовой модели представления знаний модель системы «Эйдос» отличается своей эффективной и простой программной
реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них. 5. Э^интегральные когнитивные карты
На рисунке 7 приведен фрагмент Зё-интегральной когнитивной карты, отражающая СК-модель 1п!3.
Зё-интегральная когнитивная карта является отображением на одном рисунке когнитивных диаграмм классов и значений агротехнологических факторов, отображенных соответственно на рисунках 1 и 3, и одного слоя нейронной сети, приведенного на рисунке 6.
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ ИНТЕГРАЛЬНОЙ КОГНИТИВНОЙ КАРТЫ В МОДЕЛИ: "1^3" Отображено: 6.32% наиболее значимых синаптических связей Приложение: "АСК-анализ влияния номенклатуры и объемов реализации товаров на прибыль и рентабельность фирмы"
Рисунок 7. Зё-интегральная когнитивная карта в СК-модели Inf3 6. Когнитивные функции
Вместо описания того, что представляют собой когнитивные функции, приведем help соответствующего режима системы «Эйдос» (рисунок 8).
4.5. Визуализация когнитивных функций
—Что такое когнитивная Функция:-Визуализация прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных Функций Когнитивная Функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений Факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции) различной степенью редукции или степенью детерминации, которая отражает в графической Форме (в Форме полосы) количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой 'Эйдос". Необходимо отметить, что на вид Функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. См.: Луценко Е.В. Метод визуализации когнитивных Функций ■ новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. -№03(67). С. 240 - 282. - Шифр ИнФормрегистра: 042110001240077., 2,688 у.п.л. - Режим доступа: http://ei.kubaarQ.ru/2Q11 /ОЗ/pdf Л 8.pdf Задайте нужный режим:-
Внзуалнзацнн когнитивных функции_J Скачать подборку публикаций по когнитивным Функциям |
Литератур.ссылки на статьи по когнитивным Функциям Скачать подборку публикаций по управлению знаниями
Рисунок 8. Help режима визуализации когнитивных функций На рисунке 9 приведены примеры нескольких когнитивных функций:
I I
я ^
Рисунок 9. Примеры когнитивных функций Первая когнитивная функция показывает насыщение рынка по товару: «11. Пиво Балтика 7, ст/б, (шт)» и оптимальный объем продаж по этому товару - средний. Вторая когнитивная функция говорит о том, что предлагаемый фирмой объем продаж товара: «14. Сок Фруктовый сад, 05л-пак, (шт)» еще далек от насыщения рынка и чем выше объем продаж, тем выше прибыль фирмы. Третья когнитивная функция говорит о том, что продажи товара: «42. Морковь, (кг)» уменьшают прибыль фирмы, причем тем в больше степени, чем выше объем продаж.
Если сравнить вторую и третью когнитивные функции с первой, то можно предположить, что во втором случае наиболее рациональный объем продаж еще не достигнут, а в третьем он уже пройден. Иначе говоря в первом случае надо остановиться на среднем объеме продаж, во втором увеличивать его, а в третьем - уменьшать.
На основе проведенного исследования можно сделать обоснованный вывод о том, что созданные системно-когнитивные модели достоверное отражают моделируемую предметную область и исследование этих моделей позволяет обнаружить такие свойства моделируемого объекта, которые позволяют сделать деятельность фирмы более рациональной, увеличить ее прибыль и рентабельность.
Литература:
1. Луценко Е.В., Барановская Т.П. Системно-когнитивный анализ в управлении номенклатурой и объемами закупки-реализации продукции в торговой агрофирме: когнитивная структуризация и формализация предметной области // НОВЫЕ ТЕХНОЛОГИИ. Вып. 3, 2018 г. - Майкоп: изд-во ФГБОУ ВО «МГТУ», 2018. - 135 -139. http://lib.mkgtu.ru/images/ stories/j ournal-nt/2018-03/019.pdf
2. Луценко Е.В., Барановская Т.П. Системно-когнитивный анализ в управлении номенклатурой и объемами закупки-реализации продукции в торговой агрофирме: формальная постановка задачи и синтез модели // В сборнике: Актуальные аспекты реализации стратегии модернизации России: поиск модели эффективного хозяйственного развития. Сборник статей ХХХШ Международной научно-практической конференции. Под редакцией Г.Б. Клейнера, В.В. Сорокожердьева, З.М. Хашевой. 2018. С. 146-151. https://elibrary.ru/item.asp?id=36420746
References
1. Lucenko E.V., Baranovskaya T.P. Sistemno-kognitivny'j analiz v upravlenii nomenklaturoj i ob^emami zakupki-realizacii produkcii v torgovoj agrofirme: kognitivnaya strukturizaciya i formalizaciya predmetnoj oblasti // NOVYE TEXNOLOGII. Vy'p. 3, 2018 g. - Majkop: izd-vo FGBOU VO «MGTU», 2018. - 135 -139. http://lib.mkgtu.ru/images/stories/journal-nt/2018-03/019.pdf
2. Lucenko E.V., Baranovskaya T.P. Sistemno-kognitivny'j analiz v upravlenii nomenklaturoj i ob^emami zakupki-realizacii produkcii v torgovoj agrofirme: formalnaya postanovka zadachi i sintez modeli // V sbornike: AktuaFny'e aspekty' realizacii strategii modernizacii Rossii: poisk modeli effektivnogo xozyajstvennogo razvitiya. Sbornik statej XXXIII Mezhdunarodnoj nauchno-prakticheskoj konferencii. Pod redakciej G.B. Klejnera, V.V. Sorokozherd' eva, Z.M. Xashevoj. 2018. S. 146-151. https://elibrary.ru/item.asp?id=36420746
