CC BY
80
зниження ризикованост та стабшзаци пiднесення аграрного виробництва на тдгрунп аналiтико-лiнгвiстичного анашзу нечiтких умов дiяльностi сшьсько-господарських товаровиробниюв з метою виявлення !х pe3epBiB в областi еко-номи витрат, завоювання нових ринкiв i пiдвищення конкурентоспроможнос-Ti. У контекст розвитку екологiчного менеджменту запропонована модель по-ширення екологiзованих аграрних шновацш узгоджуеться з управлiнськими пiдходами, спрямованими на ефективне використання природних ресурЫв сшьськогосподарського призначення на регiональному й державному рiвнях i збереження укра!нських природних багатств в iнтересах майбутшх поколiнь.
До намiчених математичних перспектив наукових розробок за тематикою роботи можна зарахувати порiвняння ефективност застосування в опи-саннях термiв рiзних функцiй належностi та деташзащю процедури завдання якiсних рiвнiв для вхщних i вихiдних змiнних задачь З економiчного погляду видаеться доцшьним розповсюдити створену модель упорядкування шнова-цшно! дiяльностi в аграрнiй сферi i на реципiентiв новiтнiх сшьськогоспо-дарських технологiй, що сприятиме двобiчному вдосконаленню модершзацп вiтчизняного аграрного виробництва.
Л^ература
1. Бабина Ю.В., Варфоломеева Э.А. Экологический менеджмент. - М.: ИД "Социальные отношения", Изд-во "Перспектива", 2002. - 207 с.
2. Пахомова Н.В., Эндрес А., Рихтер К. Экологический менеджмент. - СПб.: Питер, 2003. - 544 с.
3. Макаренко П.М. Модел1 аграрно! економши. - К.: ННЦ 1АЕ, 2005. - 682 с.
4. Еколопчний менеджмент/ За ред. В.Ф. Семенова, О.Л. Михайлюк - К.: Центр нав-чально! лггератури, 2004. - 407 с.
5. Васильева Н.К. Напрями анал1зу швестицшного стану шновацшно! модершзацп аграрних технологий репону// Наук. вюник Полтавського НТУ: Економша i репон. - 2005. -№ 1. - С. 100-102.
6. Митюшкин Ю.И., Мокин Б.И., Ротштейн А.П. Soft Computing: идентификация закономерностей нечеткими базами знаний. - Вшниця: УН1ВЕРСУМ, 2002. - 145 с.
7. Джонс М.Т. Программирование искусственного интеллекта в приложениях/ Пер. с англ. - М.: ДМК Пресс, 2004. - 312 с.
8. Зайченко Ю.П. Основи проектування 1нтелектуальних систем. - К.: Вид. д1м "Слово", 2004. - 352 с. _
УДК 004.8:330.322 Доц. Л.Д. Загвойська, канд. екон. наук;
магктрант О.1. Пастернак - НЛТУ Украти
ЗАСТОСУВАННЯ ТЕХНОЛОГ1Й ШТУЧНОГО 1НТЕЛЕКТУ ДЛЯ ВИР1ШЕННЯ ЕКОЛОГО-ЕКОНОМ1ЧНИХ ПРОБЛЕМ
Складнють еколого-економiчних систем зумовлюе пошук нових пiдходiв до !х аналiзу i прогнозування. Одним iз найпрогресивнiших i найперспектившших шстру-ментiв аналiзу iнвестицiйних проекпв з урахуванням 1хнього впливу на довкшля е засоби штучного штелекту.
Ключов1 слова: штучний iнтелект, нечггка логiка, еколого-економiчнi пробле-ми, швестицшш проекти.
Doc. L.D. Zahvoyska; post graduate student O.I. Pasternak - NUFWT of Ukraine
Solving Ecological and Economic Problems using Artificial Intelligence Technologies
Complicated character of ecological and economic systems makes us to look for new methods for their analysis and forecasting. Artificial intelligence technologies are the most progressive and much promising tool for analyzing investment projects taking their environmental impacts into consideration.
Keywords: artificial intelligence, fuzzy logic, ecological and economic problems, investment projects.
Складшсть анашзу, а тим бшьше прогнозування еколопчних та еконо-Mi4Hrn процеЫв, явищ i подш зумовлена яскраво вираженими особливостями еколого-економiчних систем. З одного боку, ми маемо справу з необхщшстю врахування людського чинника, який, зазвичай, е неконтрольованим, непе-редбачуваним, а подекуди i нелопчним. Саме тому результати певних дш часто не зб^аються iз прогнозованими показниками. З шшого боку - предметом дослщження е еколопчш системи, як мають певну кшьюсть варiантiв розвитку (атракторiв). Кожен атрактор е стабшьним i розвиваеться зпдно з вщповщними законами природи. Проте не завжди те, що прийнятне для стабильно:' екологiчноï системи, е бажаним для людини - iнодi перехiд на новий напрям (варiант) розвитку е неприйнятним для людини як бiологiчноï iстоти. Оскшьки системи е хаотичними, порiвняно невелик змiни вхiдних парамет-рiв можуть призвести до серйозних наслщюв. Власне для того, щоб еколопч-на система не перейшла на шший, згубний для людини атрактор, необхщним е обмеження певних шкiдливих наслщюв людськоï дiяльностi - забруднення навколишнього середовища, виснаження природних ресурсiв i зменшення 6ï-орiзноманiття. З щею метою встановлюють вiдповiднi норми i лiмiти забруднення, використання природних ресурЫв.
Таким чином, пiд час анашзу таких складних систем виникае питан-ня - наскiльки ютотний стан (iснуючий на даний час) вiдрiзняеться вiд бажа-ного (нормативного)? Наприклад, з точки зору збереження якост довкiлля важливим е низьке забруднення або його повна вщсутшсть, що е майже не-можливим. Для контролю за забрудненням встановлюють певш норми гранично допустимоï концентраци. Проте, чи можна вважати умовно брудним повггря, концентрацiя забруднюючоï речовини в якому тимчасово перевищуе встановленi норми на 0,5-1,0 %?
Така ж ситуащя виникае i щодо економiчних показникiв. Високий прибуток, низький рiвень iнфляцiï, середнiй рiвень ризику - це доволi умовш величини, якi для рiзних людей i в рiзних умовах матимуть рiзнi значення.
Формалiзувати данi величини доволi важко, адже складнiсть полягае не тшьки у визначеннi числового е^валента для "багато" чи "мало", але й у визначеннi чи належить той чи iнший елемент сукупност до "багато" ("мало") та якою мiрою.
Штучний штелект: його 1стор1я та розвиток
Штучний iнтелект можна визначити як область комп'ютерно1' науки, яка займаеться вщтворенням розумно!" поведiнки засобами комп'ютерних тех-
нологш, i базуеться на 11 теоретичних i прикладних принципах [1]. Ц прин-ципи зводяться до структур даних, як використовують для представлення знань, алгоршшв 1х застосування, а також вщповщних мов i методик програ-мування.
Проте, дане визначення штучного штелекту мае вагомий недолж - са-ме поняття мiнтелектм е доволi нечiтким i розмитим. Бшьшють iз нас впевне-нi, що зможуть вiдрiзнити "розумну поведiнкум тод^ коли зiткнуться iз нею. Однак, сумшвно, що хто-небудь зможе дати штелекту визначення, достатньо конкретне для ощнки комп'ютерно! програми, яка вважаеться розумною, i водночас таке, яке вщображае життездатнiсть i складнiсть людського розуму.
Таким чином, проблема визначення штучного штелекту зводиться до проблеми визначення штелекту взагаш: е штелект чимось единим, чи цей тер-мш об'еднуе набiр рiзних властивостей? Якою мiрою iнтелект можна створити, а якою вш iснуе апрiорi? Чи можна робити висновки про наявшсть iнтелекту тiльки на основi спостережень за поведiнкою, чи необхщним е усвiдомлення наявностi деякого прихованого механiзму? Чи е необхiдним створення ште-лектуально! комп'ютерно! програми, яка буде аналогом людського розуму, чи достатньо строгого Инженерного" шдходу? Чи можливо взагалi досягнути ро-зумност за допомогою комп'ютерно! технiки, чи сутшсть iнтелекту вимагае багатства почутпв i досвiду, якi притаманнi тшьки бюлопчним iстотам [1]?
Як видно, юнуе доволi серйозна проблема щодо визначення штучного iнтелекту, яка виникае через специфжу проблем i цшей. Тому ми будемо ко-ристуватись визначенням штучного штелекту як спектра проблем i методик, яю вивчають розробники систем штучного iнтелекту.
Потужним шдгрунтям для майбутнього розвитку штучного штелекту стали розвиток лопки та формалiзацiя науки, зокрема математики. До кшця 1940-х рокiв електроннi цифровi машини продемонстрували сво! можливостi у представленш пам,ятi та процесорно! потужност^ необхщно! для штелекту-альних програм. Таким чином, стали можливими реалiзацiя формальних систем мислення в машинах та емшричш випробування 1х достатностi для про-явiв розумность Архiтектура цифрових комп,ютерiв наштовхуе на специфiч-не уявлення про штелект як споЫб опрацювання шформацп. Наприклад, кон-цепцiя пошуку як методу виршення задач зобов'язана своею появою бшь-шою мiрою послiдовному характеру комп'ютерних операцiй, анiж якiйсь бь ологiчнiй моделi iнтелекту. Бiльшiсть програм штучного штелекту формаль зують знання певною комп'ютерною мовою, а по^м опрацьовують 1х вщпо-вiдно до алгорштв.
На даному етапi розвитку штучного штелекту найпрогресившшими iнструментами вважають: нечггку логiку, генетичнi алгоритми, нейронш ме-режi, а також самонавчання програмних продуклв [1].
Неч1тка логжа як 1нструмент штучного 1нтелекту
Нечггю системи, як i генетичнi алгоритми та нейромереж^ доповню-ють класичш експертнi системи, якi вважають одним iз головних напрямiв штучного штелекту. Теоретичш основи цього методу закладеш вченими, кот-рi проводять дослщження в областi "Soft Computing" - галузi iнформатики,
що займаеться так званими м'якими розрахунками, для яких притаманна не-повнота i/та неточнiсть даних. Дослiдження у сферi неч^ко1 логiки (Fuzzy Logic) привели до створення неч^ких множин (Fuzzy Sets), як мають рiзнобiчне практичне застосування.
Потреба в засобах адекватного опису понять i явищ, якi мають бага-тозначний i неточний характер, оптимiзацil управлiння нечiткими процесами спричинилася до виникнення теори нечiтких множин. Вiдомi до цього мате-матичш методи, якi використовували класичну теорш множин i булеву (двiйкову) лопку, не давали змоги вирiшувати проблеми такого типу [3]. Зпдно з аксюмою, яка лежить в основi класично1 теори множин, елемент або належить множинi, або не належить !й, третього, альтернативного рiшення немае. Це часто робить дану теорш просто нерелевантною для застосування в реальних задачах, в яких застосовують неч^ю оцшки - "високий прибуток", мпомiрну температуру", "високий тиск", "безпечнi умови", "чисте пов№ ря". На жаль, такi висловлювання не можуть бути адекватно формалiзованi за допомогою звичайних математичних методiв.
Якщо ми хочемо врахувати точне значення неч^кого термiну, то чгт-кий подш елементiв (наприклад, значення прибутку) на ri, якi належать до множини "високий", i тi, яю не належать данiй множинi, буде штучним. Така ситуащя виникае тому, що деяк значення можуть сприйматись як "високий прибуток з деякою натяжкою", "не зовЫм високий прибуток", "не надто низь-кий прибуток" тощо.
Спробу розвитку формального апарату для врахування частково1 на-лежност в теори множин було здшснено в серединi 60-х рокiв ХХ ст. Л. Заде. Вш увiв поняття неч^ко1 множини як сукупност елементiв, якi можуть належати данiй множинi зi ступенем ймовiрностi вiд 0 до 1. При цьому 0 оз-начае, що елемент абсолютно не належить множит, а 1 - абсолютно належить. Це було зроблено шляхом застосування поняття функци належносл, яка ставить у вщповщшсть кожному елементу ушверсально1 множини число з штервалу [0,1], яке означае стушнь належност [2].
Неч^ка логiка е важливим i потужним iнструментом штучного штелекту, оскшьки вона дае змогу опрацьовувати не тшьки числову шформацш, а й лiнгвiстичну (або яюсну), яка надходить вiд експертiв.
Нечггка лог1ка як 1нструмент для прийняття 1нвестиц1йних р1шень
Для спрямування економiчноl дiяльностi в русло виважених довгос-трокових рiшень важливим е планування швестицшних проектiв як на рiзних рiвнях державних структур i оргашзацш, так i у фiнансових установах. Обра-ний проект повинен бути оцшеним експертом, не суперечити державнш полi-тицi, а також шдтриманим полiтичними партiями та !х представниками у владних структурах. Ршення, знайдене за допомогою загально1 моделi ран-жування проектiв та апарату нечггко1 логiки у процесi пошуку оптимально: стратегil вибору варiантiв iнвестування, дае змогу поеднати вимоги експертв i полiтикiв щодо iнвестицiйного проекту, врахувати суперечливi уподобання численних стейкхолдерiв.
У загальному випадку iнвестицiйнi проректи вважають прийнятними, якщо вони:
• добре подготовлен 1 тдкршлет розрахунками, виконаними за реальними да-ними з урахуванням чинника часу, а також анал1зом економ1чних вплив1в (наприклад, використання анал1зу вилд 1 витрат); окр1м цього, враховують тдготовлетсть проекту з точки зору можливост його реал1зацп;
• фшансово здшснент;
• шдтримуються пол1тичними партями та гх представниками у владних структурах;
• тдтримуються населенням, чи хоча б не викликають його спротиву [5]. Розглянемо приклад виршення найпростшо! задачi ощнки швести-
цiйного проекту у термах двох змшних: мдохiднiстьм та "швестищя" (вкла-дення коштiв у проект).
Аналiзуючи економiчну ефективнiсть iнвестицiйних проеклв з точки зору суспiльства, можна видшити чотири типи проектiв (вщповщно до класи-фшаци еколого-економiчних ефеклв проф. Ю.Ю. Туницi [4]):
• збитков1 (ЕхЕ + ЕуЕ < 0; ЕхЕ < 0; ЕуЕ < 0)1;
• економ1чно прийнятт (ЕуЕ + ЕхЕ > 0; ЕхЕ < 0; ЕуЕ > 0);
• еколопчно прийнятт (ЕуЕ + ЕхЕ > 0; ЕхЕ > 0; ЕуЕ < 0);
• прибутков1 (ЕуЕ + ЕхЕ > 0; ЕуЕ > 0; ЕхЕ > 0).
Оскiльки в данш роботi економiчний ефект розглядаеться як взаемоза-лежний i взаемодоповнювальний елемент екологiчного ефекту (i навпаки), то дохщшсть проекту розглянемо у двох аспектах:
• проект збитковий (ЕхЕ + ЕуЕ < 0; ЕхЕ < 0; ЕуЕ < 0);
• проект прибутковий (ЕуЕ + ЕхЕ > 0; ЕуЕ > 0; ЕхЕ > 0).
При цьому для прибуткового проекту дохщшсть може набувати значен-ня "низька", "середня", "висока". На практищ в аналiзi iнвестицiйного проекту цим термам будуть вiдповiдати певнi числовi дiапазони, наприклад, збитки (до-хщшсть < 0), низька (0 < дохщшсть < 10 тис. грошових одиниць), середня (10 тис.г.о. < дохщшсть < 50 тис.г.о.), висока (дохщшсть > 50 тис.г.о.) (рис. 1).
Терм "збитки", як нечггка множина, мае свою специфжу: жодне зна-чення цього терму за визначенням не може приймати додатних значень, тому цей терм не перетинаеться iз сусщшм термом "низька дохщшсть". На рис. 1 зображено нормоване ранжування дохщнос^ проекту з лшшним обме-женням, хоча для бшьш грунтовних дослщжень обох цих умов можна i не дотримуватись.
Рис. 1. Варiант швестування
1 ЕхЕ, ЕуЕ - еколопчний ефект, економ1чний ефект ввдповщно.
Розглянемо лшгвютичну змшну мiнвестицiïм. Визначимо ïï piBeHb термами: "низький, середнiй, високий, дуже високий". Тепер маемо повшстю визначену задачу - модель нечгг^' лопки. На вхiд моделi подаються терми, якi визначають рiвень катталовкладень: (низький, середнiй, високий, дуже високий), а на виходi отримуемо дохщшсть у термах (збитки, низька, серед-ня, висока). Формулювання задачi у такому виглядi придатне для двох режи-мiв: оцiнки iнвестицiйноï привабливост проекту та управлiння дiючим проектом. Вщ вибраного режиму буде залежати алгоритм розв'язку.
Нехай потрiбно змоделювати перший режим. Тут важливою буде об-рана стратегiя, яка залежить вiд зовнiшнiх чинникiв. Наприклад, стратегiя може полягати у тому, що зi зростанням iнвестицiй у проект його дохщшсть завжди зростае (лшшно або нелiнiйно). Може бути й шша стратегiя. До де-якоï величини капiталовкладень дохiднiсть зростае, потм у певному дiапазо-m iнвестицiй вона залишаеться майже незмшною i далi при збiльшеннi швес-тицiй дохiднiсть спадае. Ще може бути проект з пороговою дохщшстю - точка беззбитковостi досягаеться тшьки при певному рiвнi швестицш; пiсля ще1* точки дохiднiсть рiзко зростае i далi залишаеться майже незмшною. Yd цi стратегiï мають реальний економiчний змiст i часто трапляються на практицi.
Проаналiзуемо проект за стратепею, графiк яко1' наведено на рис. 1. Ця стратепя виправдана, наприклад, при обмеженш можливост освоення до-даткових капiталовкладень. Розв'язок тако1' задачi методами нечiткоï лопки полягатиме у знаходженш вiдповiдi на запитання: як сформувати оптималь-ний швестицшний портфель?
На перший погляд може видатись, що для ситуаци, зображено1' на рис. 1, вщповщь очевидна: щоб дохiднiсть була максимальна i стабшьна, у проект необхщно вкласти 35 тис.г.о., не бшьше i не менше. Така вщповщь була б дiйсно правильною у тому випадку, коли залежшсть на графжу була б повнiстю детермшованою, чого в реальному життi школи не бувае. Не треба забувати, що графж мае тiльки оцшковий характер, i в процесi швестування обов'язково будуть fuzzy-вiдхилення i чинники, яю ми наперед урахувати не можемо, тому i застосовуемо не традицшну, а нечггку математику.
Точшший розв'язок задачi отримуемо за матрицею неч^ких правил ш-вестування, яка мае згорнутий вигляд (рис. 2).
Y розгорнутому виглядi кожен елемент (комiрка) матриц нечiтких правил е деталiзацiею вiдповiдноï стратегiï. Максимальний рiвень деталiзацiï визначаеться експертною оцiнкою умов швестування, яку можна описати з використанням ранпв достовiрностi.
Пiсля цього у термшах нечiткоï логiки записують лшгвютичш правила для кожного з можливих варiантiв розвитку обрано1' стратеги i кожен варiант ранжуеться. Варiанти порiвнюють за значеннями функци ранпв i з них вибира-ють оптимальний. На рис. 2 такий варiант позначено ламаною лiнiею 1-2-3-4-56-7. Оптимальний варiант стратеги дефазиф^ють i отримують розв'язок задачi в числах, наприклад, графш оптимальних швестицш. Незважаючи на те, що нечггку модель задачi iнвестування було наведено в максимально спрощеному виглядТ, вона добре вiдображае лопку практичного застосування нечиких метода.
Ргвень твестицт Рис. 2. Матриця нечтких правил швестування
У такому спрощеному варiантi дану задачу традицiйно розв'язують стохастичними методами. Порiвняння обох пiдходiв показало, що для спро-щених варiантiв оцiнки iнвестицiйних проектiв жоден з пiдходiв не матиме ютотних переваг нi у точностi, ш щодо швидкоди. Але оцiнка швестицшно! привабливостi реальних проектiв е значно складшшою задачею. Достатньо сказати, що матриця неч^ких правил у такому випадку буде не двовимiрною, як у попереднш задачi, а багатовимiрною i варiанти будуть ламаними лшями на гiперкубi. Працювати з такими громiздкими наборами нечiтких правил мо-же тiльки спецiальна комп'ютерна програма [6].
Використання неч^ко! лопки дае реальнiший i чутливiший шстру-мент моделювання, який може бути реалiзований засобами сучасного прог-рамного забезпечення, що е надзвичайно практичним з огляду на ушверсаль-шсть застосування цього шструменту. Особливо важливою е можливiсть ге-нерування декшькох варiантiв нечiтких функцiй для подальшого вiдбору най-кращого. Також неч^ка модель дае змогу отримати загальне уявлення про взаемозв'язки змiнних.
З описаних вище положень можна зробити таю висновки:
• метод неч1тко! лопки дуже зручний для тдготування 1 вибору вар1анта швес-тищйного проекту, оскшьки вш знижуе ризик вщхилення найкращого варь анта або ризик того, що його реал1защя буде неустшною;
• застосування нечггко! лопки дае змогу поеднати вимоги р1зних стейкхолде-р1в стосовно швестищйного проекту;
• цей метод спонукае заглибитись у розроблену модель через застосування зважених критерив 1 (або) оцшок [5].
Сфера застосування неч^ко1 логiки е надзвичайно широкою - економь ка, екологiя, медицина, техшка, сфера обслуговування тощо. Особливо1 уваги заслуговуе використання даного методу в еколого-економiчнiй сферi, яка характеризуемся високою динамiчнiстю, стохастичнiстю i комплекснiстю.
Лiтература
1. Люгер, Д. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание/ Пер. с англ. - М.: Изд. дом "Вильямс", 2003. - 864 с.
2. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети. - Винница: "УШВЕРСУМ-Вшниця", 1999. - 462 с.
3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы/ Пер. с польск. И. Д. Рудинского. - М.: Горячая линия - Телеком, 2004. - 464 с.
4. Туниця Ю.Ю. Еколопчна Конститущя Землг 1дея. Концепщя. Проблеми. - Льв1в: Вид. ц. Льв1вського НУ 1м. 1вана Франка, 2002. - 264 с.
5. Devjak S., Bencina J. Appraising Investment Projects in Public Administration with Fuzzy Logic// Proceedings of the 7th International Symposium on Operational Research S0R'03 in Slovenia, Podcetrtek, September 24-26, 2003.
6. 1нтелектуальш технологи DATA MINING: Неч1тка математика. [Цит. 07.11.2005 р.]. - Доступно з: <www.zlet.lviv.ua>._
Утьям KimoH, Аустт Трой - факультет довктля i природнихpecypcie
M. Рубенштейна, Умверситет Вермонту, США
ПОеДНАННЯ ЕКОЛОГ1ЧНИХ I ЕКОНОМ1ЧНИХ Ц1ЛЕЙ У КОНТЕКСТ ФОРМУВАННЯ ХАРАКТЕРИСТИК
СТИГЛИХ Л1С1В
Дослщження, нещодавно проведет у США та Канад1, присвячеш методам ста-лого ведення люового господарства, яю пщтримують бюлопчну р1зномаштшсть i функцюнування екосистем у люових ландшафтах, охоплених господарською д1яль-шстю. Ц дослщження торкаються питань ведення люового господарства в регюш поширення твшчних твердолистяних лю1в, структура яких сьогодш значно прость ша, шж та, яка була в умовах до европейського поселення. Одшею з можливостей ïï збагачення е модиф1кащя лю1вничих метод1в, яю використовують для формування р1знов1кових деревосташв шляхом кращого врахування збурювальних вплив1в, при-таманних природним процесам.
Неперев1рена ще гшотеза полягае в тому, що щ пщходи прискорять темпи тзньо-сукцесшного розвитку i вщповщш еколопчш функцп, а також забезпечать економ1чну ефектившсть л1созагот1вель низько'1 штенсивносп. Ми тестуемо цю гшо-тезу, використовуючи вар1ант р1знов1кового деревостану, вживаючи термш "збагачення структурно'1 комплексносп" (SCE), який описуе структуры характеристики стиглого деревостану. Пор1вняно з двома традицшними системами менеджменту (виб1рков1 рубання з вибором окремих дерев i групово-виб1рков1 рубання), цей пщхщ модифшований з метою пщвищити здатшсть збереження власно'1 структури насад-жень тсля проведення л1созагот1вл1.
Дослщження повторено у двох стиглих твердолистяних насадженнях твшчних лю1в у штат Вермонт (США). Дшянки, на яких здшснювали експерименти, i кон-трольш дшянки займали площу 2 га. Заходи на дшянках р1знов1кових насаджень були повторен дв1ч1. На дшянках 1з доглядом SCE та контрольних дшянках - повторе-ш 4 рази. Структуры цш SCE охоплюють формування багатоярусного намету в насадженнях, збшьшення юлькосп великих вщмерлих дерев i дерев, яю лежать на зем-л1, вар1абельно'1 горизонтально! повноти та перемщення до вищо'1 ступеш д1аметра за сумою площ поперечних перетишв дерев.
