Содержание к диссертации
Введение
Глава 1. Обоснование выбора метода прогнозирования 12
1.1. Характеристика объекта прогнозирования и обоснование требований к методу прогнозирования 12
1.2. Сравнительный анализ методов прогнозирования 19
1.2.1. Классификация методов прогнозирования 19
1.2.2. Характеристика классических методов 20
1.2.3. Преобразование исходных данных в информацию, а ее в знания 21
1.2.4. Характеристика интеллектуальных методов 24
1.3. Описание метода системно-когнитивного анализа 29
1.3.1. Теоретические основы СК-анализа 29
1.3.2. Математическая модель СК-анализа, основанная на системной теории информации 31
1.3.3. Получение матрицы информативностей 45
1.4. Выводы 53
Глава 2. Совершенствование методики системно когнитивного анализа и ее адаптация для прогнозирования значений экономических показателей развития корпорации 54
2.1 Методика СК-анализа 54
2.1.1. Базовые когнитивные операции СК анализа 54
2.1.2. Структура семантической информационной модели СК-анализа 56
2.1.3. Программный инструментарий СК-анализа — когнитивная аналитическая система «Эйдос»... 57
2.2. Технология применения системно-когнитивного анализа 59
2.2.1. Система критериев оценки достоверности моделей в СК-анализе 59
2.2.2. Этапы СК-анализа 62
2.3. Модели прогнозирования значений экономических показателей 62
2.3.1. Постановка задачи и формализация предметной области 62
2.3.2. Создание модели и проверка ее достоверности 74
2.3.3. Определение силы влияния предприятий па корпорацию 82
2.4. Выводы 84
Глава 3. Разработка моделей прогнозирования сценариев изменения значений экономических показателей 86
3.1. Постановка задачи и формализация предметной области 86
3.1.1. Когнитивная структуризация предметной области 87
3.1.2. Формализация предметной области 92
3.2. Создание моделей прогнозирования сценариев 95
3.2.1. Оценка степени адекватности моделей 95
3.2.2 Прогнозирование сценариев изменения значений экономических показателей 100
3.2.3. Определение зависимостей между прошлыми и будущими сценариями 103
3.2.4. Методика взвешивания сценариев для прогнозирования 111
3.3. Исследование прогнозов сценариев с использованием разработанных моделей 119
3.4. Выводы 130
Заключение 132
Литература 134
Приложения: 145
Приложение 1 -прогнозирование значений показателей 145
Приложение 2-прогнозирование сценариев значений показателей 155
- Характеристика интеллектуальных методов
- Создание модели и проверка ее достоверности
- Оценка степени адекватности моделей
- Исследование прогнозов сценариев с использованием разработанных моделей
Введение к работе
Актуальность темы исследования.
Современные тенденции глобализации, интеграции и усиления конкуренции привели к возрастанию роли корпорации как объединения предприятий, функционирующих с общими экономическими целями. Корпорации играют определяющую и ведущую роль в экономике современной России. Достаточно сказать, что 400 крупнейших российских корпораций создают более половины ВВП страны: лишь на первую десятку из них приходится 22% ВВП, 31% налоговых поступлений и 32% экспорта.
По своей экономической природе корпорации являются сложными многофункциональными системами, характеризующимися большим количеством входных и выходных параметров и наличием сложных нелинейных связей между ними. Особенно сложной структурой обладают многоотраслевые корпорации, в состав которых входят предприятия различных видов экономической деятельности и сфер народного хозяйства. Управление такими системами невозможно без применения адекватных методов планирования и прогнозирования.
Применение классических методов прогнозирования применительно к многоотраслевой корпорации наталкивается на ряд определенных сложностей, обусловленных ее экономической природой. В отличие от других хозяйствующих субъектов, многоотраслевые корпорации характеризуются многомерными массивами данных с высокой долей искажения и фрагментированности информации, что обусловлено кумулятивным эффектом неполноты и искажения отчетной информации, поступающей от входящих в нее предприятий. В этих условиях применяемые методы и инструментарий должны обладать высокой разрешающей способностью и эффективно работать с большими базами данных в условиях неполноты информации, обеспечивать корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов, измеряемых в различных единицах измерения. Поэтому необходимо выбрать или разработать методы, способные работать со
сложными слабо формализуемыми задачами. Данное обстоятельство обосновывает актуальность проблемы разработки моделей, методик и инструментария для решения задачи прогнозирования развития многоотраслевой корпорации. Этим вопросам посвящена данная работа, что и делает ее актуальной.
Степень научной проработанности темы.
Теоретическим и методологическим основам прогнозирования посвящены труды таких ученых как Б.М. Бестужева-Лада, А.И. Гладышевского, А.А. Френкеля, Г.Д. Хаупггейна, Г. Тейла, В.М. Ланцова, А.И. Глаголева, С.С. Демина, Ю.Н. Орлова, Л.П. Владимировой, Н.М. Найбороденко и других.
Традиционные методы прогнозирования, разработанные в трудах К. Гаусса, Бокса-Дженкинса, Ч. Спирмена, Д. Смита, Л. Терстоуна, К. Льюса и других, однако они применимы лишь для достаточно простых систем.
Методы прогнозирование сложных систем, в частности, такие как имитационный и эволюционно-симулятивный методы, получили развитие в работах И. Н. Коваленко, Р. Калмана, П. Фалба, М. Арбиба, В. В. Калашникова, Р. Рорера, В. Е.Лихтенштейна, Г.В. Росса, но и их проблематично применить для прогнозирования столь сложного и динамичного объекта, как корпорация. Для этого больше подходят методы искусственного интеллекта, которые представлены в трудах В. М. Глушкова, Г. С. Осипова, Э. В. Попова, Д. А. Попелова, Т. А. Гаврилова, А.В. Андрейчикова, Г. С. Поспелова, Г.В. Рыбина, В.Б.Тарасова, Ю.Ф. Тельнова, В.В. Дика, А.И. Уринцова, В.К.Финна, Л.Заде, Р. Стэнфилда, М. Мински, Дж. Маккарти, Фр. Розенблатта, А. Ньюэлла, Г. Саймона и др.
Особенно перспективными для прогнозирования представляются методы и системы когнитивного моделирования искусственного интеллекта, развиваемые в трудах таких ученых как: А.Н.Аверкина, Н.М.Абдикеева, О.П.Кузнецова, А.А.Кулинича, Н.В Титовой, В.И. Максимова, И.В. Прангишвили, А.Н. Райкова, Е.К.Корноушенко, С.В.Качаева, А.К.Григоряна, Е.А.Гребенюк, Ю.П.Адлер, Б. М.Лапидус, Е.В. Луценко, Е. Ю.Хрусталева.
В доступных для анализа источниках в недостаточной мере освещаются возможности адаптации методов искусственного интеллекта для решения задач прогнозирования на уровне корпорации, а также не рассматривается вопрос о наличии поддерживающего эти методы программного инструментария. Эти недостатки в определенной мере преодолеваются в методе системно-когнитивного анализа (Е.В. Луценко1), имеющем глубокую теоретическую проработку и развитый программный инструментарий, который обеспечивает создание когнитивных моделей моделируемых систем непосредственно на основе неполных и искаженных эмпирических данных о них. Эти особенности метода системно-когнитивного анализа и обусловили его выбор в качестве метода прогнозирования развития корпорации. Однако его использование для прогнозирования развития многоотраслевой корпорации требует функционально-ориентированной доработки методологии и программного инструментария системно-когнитивного анализа.
Целью диссертации является разработка методов и моделей прогнозирования развития многоотраслевой корпорации с использованием системно-когнитивного анализа (СКА), направленных на повышение качества принимаемых управленческих решений.
Для достижения поставленной цели в диссертационной работе были сформулированы следующие задачи:
1. Провести анализ методов прогнозирования, обосновать выбор
системно-когнитивного анализа как одного из эффективных методов
прогнозирования слабоструктурированных задач.
2. Адаптировать и развить метод системно-когнитивного анализа для
прогнозирования динамики развития корпорации с учетом сценарного
подхода.
1 Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.
3. Разработать модели прогнозирования сценариев изменения
основных экономических показателей развития корпорации и оценить их
достоверность.
4. Определить в аналитическом виде зависимости между прошлыми и
будущими сценариями различных экономических показателей.
-
Разработать аналитические модели взвешивания прогнозируемых сценариев, с учетом всех результатов прогнозирования с положительными уровнями сходства, для повышения уровня достоверности прогнозов.
-
Разработать процедуру вычисления оценки силы влияния на корпорацию (чувствительность) входящих в нее предприятий.
6. Доработать программный инструментарий СКА до уровня
информационной технологии с учетом его адаптации и развития для
прогнозирования многоотраслевой корпорации.
Объектом исследования являются многоотраслевые корпорации.
Предметом исследования являются модели и методы прогнозирования развития многоотраслевой корпорации.
Область исследования. Содержание работы соответствует области исследования, определенной пунктами 1.8. «Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов формирования спроса и потребления, способов количественной оценки предпринимательских рисков и обоснования инвестиционных решений» и 2.8. «Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интеллекта при выработке управленческих решений» паспорта ВАК по специальности 08.00.13 - «Математические и инструментальные методы экономики».
Теоретическую и методологическую основу исследования составили теоретические положения и методологические разработки, представленные в трудах отечественных и зарубежных авторов в области экспертных систем и интеллектуальных технологий для прогнозирования в социально-экономических системах. Методы исследования базируются на теории и
практике применения системного и системно-когнитивного анализа для исследования производственных систем, теории прогнозирования, концептуальных положениях экономической теории. В ходе проведения исследований в качестве инструментальных средств использовалась интеллектуальная система «Эйдос», являющаяся программным инструментарием системно-когнитивного анализа.
В процессе проводимого исследования применялись методы математической статистики, теории вероятностей, экономико-математического моделирования.
Информационная база исследования представлена научными источниками в виде данных и сведений из нормативно-правовых актов Российской Федерации, монографий, книг, справочно-статистических, аналитических и бухгалтерских материалов ОАО «Южная многоотраслевая корпорация», Федеральной службы государственной статистики, отчетов, публикаций в периодической печати, ресурсов сети Интернет.
Обоснованность и достоверность выносимых на защиту результатов работы обеспечены строгим соблюдением логики проведения научных исследований, обоснованностью исходных гипотез, надежностью подходов и методов решения поставленных задач, корректным применением известных методик, инструментов исследования и процедур обработки данных, проверкой адекватности априорных предложений и конструируемых моделей, а также непосредственным сопоставлением полученных результатов с фактическими данными.
Научная новизна исследования заключается в разработке моделей и аналитических процедур оценки сценариев при прогнозировании развития многоотраслевой корпорации и их программная реализация, которые направлены на совершенствование метода системно-когнитивного анализа.
Наиболее существенные результаты исследования, полученные лично автором, и содержащие элементы научной новизны заключаются в следующем.
1. Обоснован выбор метода системно-когнитивного анализа с целью его применения для прогнозирования развития корпорации и проведено его
усовершенствование для решения задач исследования при использовании сценарного подхода.
2. Предложено 16 видов сценариев изменения основных
экономических показателей развития корпорации, которые используются в
качестве входной и выходной информации при прогнозировании вместо
дискретных рядов, что обеспечивает более высокую информативность
моделей.
3. Введен новый частный критерий (нормированный вариант
коэффициента взаимосвязи) для оценки достоверности моделей
прогнозирования, способствующий увеличению их достоверности.
4. Определены в аналитической форме зависимости между прошлыми
и будущими сценариями различных экономических показателей, используя
которые, можно принимать решения и повышать адекватность прогноза.
-
Разработаны модели и методика взвешивания прогнозируемых сценариев, отличительной особенностью которых является возможность учета всех результатов прогнозирования с положительными уровнями сходства, что повышает их уровень достоверности.
-
Предложена аналитическая процедура вычисления оценки силы влияния на корпорацию (чувствительность), входящих в нее предприятий, в основе которой лежат данные измерения количества информации о предприятиях корпорации.
-
Разработана функционально - ориентированная информационная технология прогнозирования развития многоотраслевой корпорации на основе предложенных в диссертации моделей и методик, реализованных на алгоритмическом и программном уровне в инструментальной среде СК анализа - системе «Эйдос».
Теоретическая значимость результатов состоит в развитии методологии системно-когнитивного анализа, заключающемся в использовании сценарного подхода при прогнозировании развития многоотраслевой корпорации, а также разработке моделей, методик и процедур, повышающих достоверность прогнозов.
Практическая значимость полученных научных результатов заключается в возможности применения разработанных в диссертации технологии и методики совместного использования системно-когнитивного анализа и сценарного подхода для прогнозирования развития различных корпораций. Разработанный в диссертации подход был использован для развития и совершенствования программной системы «Эйдос».
Самостоятельное практическое значение имеют:
- функционально - ориентированная информационная технология
прогнозирования развития многоотраслевой корпорации;
- процедуры: определения зависимостей между прошлыми и будущими
сценариями различных экономических показателей; взвешивания
прогнозируемых сценариев с учетом всех результатов прогнозирования с
положительными уровнями сходства; вычисления оценки силы влияния на
корпорацию входящих в нее предприятий.
Апробация и внедрение результатов исследования. Результаты диссертации докладывались и обсуждались на международной НІЖ «Стратегия ускоренной динамики российского общества: экономика, политика, право» (Сочи, 3-7 октября 2012г.); 1-й Международной НІЖ молодых ученых «Актуальные проблемы современной науки» (Краснодар, 14 марта 2013г., Российский университет кооперации).
Результаты исследований прошли апробацию в ОАО «Южная Многоотраслевая Корпорация» при прогнозировании ее развития и принятии на основе прогнозов управленских решений. Отдельные положения были использованы в учебном процессе Кубанского госагроуниверситета в рамках дисциплин «Интеллектуальные информационные системы» и «Интеллектуальные информационные системы и технологии» при подготовке бакалавров и магистров по направлениям 230700 «Прикладная информатика в экономике» и 230700 «Информационные системы и технологии».
Публикации. По теме диссертации опубликовано 10 научных работах общим объёмом 10,17 п.л. (из них авторских 6,43 п. л.), в том числе в 8-х статьях в журналах, рекомендованных ВАК Минобрнауки России объемом 8,75 п.л. (из них авторских 5,13 п. л.).
Характеристика интеллектуальных методов
При всех своих терминологических различиях концептуальные подходы к построению систем искусственного интеллекта (т.е. применяющиеся в них модели представления знаний) имеют значительно больше общего, чем может показаться на первый взгляд. Это хорошо видно из таблицы 1, приставляющей собой своего рода словарь для перевода терминов, применяемых в различных направлениях исследований и разработок, связанных с искусственным интеллектом.
Слабые и сильные стороны различных моделей представления знаний приведены в таблице 2.
Из таблицы 2 видно, интеллектуальные методы и системы можно классифицировать на реализующие классическую логику с двумя вариантами истинности заключений: «Истина», «Ложь» (логическая, сетевая и продукционная модели), и на методы со степенью истинности, принимающей ряд дискретных или плавно меняющихся значений.
Первые - это логическая, сетевая и продукционная модели, основанные на классической логике Аристотеля. Эти модели представления знаний и основанные на них программные системы вообще не пригодны для прогнозирования развития такого суперсложного и противоречивого объекта, которым является корпорация.
Вторые, т.е. модели, основанные на нечеткой логике Л.Заде, а также фреймовая и нейросетевая модели больше подходят для этой цели, однако и у них есть свои недостатки. В нечеткой логике Л.Заде степень истинности задается искусственно, а не определяется на основе эмпирических данных, фреймовая модель сама является суперсложной в программной реализации, а нейросетевая не поддается обоснованной содержательной интерпретации. Эти недостатки преодолеваются в методе системно-когнитивного анализа (рисунок 6).
Модель знаний СКА является гибридной моделью, основанной на упрощенной фреймовой модели без потери ее функционала и нелокальной интерпретируемой нейронной сетью, в которой сопоставимо анализируются не данные или информация, а знания в одних событиях о других событиях, независимо от их природы, единиц измерения и того, являются они числовыми или лингвистическими переменными. СКА имеет свои особенности: хорошее теоретическое обоснование содержательной интерпретации модели знаний, основанной на теории информации; высокую точность и независимость результатов расчетов от единиц измерения исходных данных за счет использования не корреляционной матрицы, как в статистических системах, а матриц знаний. Развитый и доступный инструментарий СКА (ИС «Эйдос», автор -Е.В.Луценко, 2002) позволяет на основе фрагментированных, зашумленных исходных данных различной природы (числовых, текстовых) создавать модели большой размерности. СКА и ИС «Эйдос» имеют широкую успешную апробацию в экономике, технике, сельском хозяйстве, социологии и других областях. Эти особенности СКА и обусловили его выбор в качестве метода прогнозирования динамики показателей корпорации.
Создание модели и проверка ее достоверности
Рассмотрим последующие этапы СК-анализа: 3) синтез и верификация (оценка степени адекватности) модели; 4) решение задачи прогнозирования значений экономических показателей многоотраслевой корпорации, рассмотрению которых посвящена работа [58].
3. Синтез и верификация (оценка степени адекватности) модели.
Данный этап автоматизированного системно-когнитивного анализа предметной области в системе «Эйдос» может быть выполнен, в частности, с помощью режима _25, который обеспечивает:
- синтез четырех моделей баз знаний, отличающихся видом частного критерия для количественной меры знаний;
- оценку достоверности каждой модели знаний с помощью двух интегральных критериев: суммы знаний и корреляции конкретного образа объекта исследуемой выборки с обобщенным образом класса в базе знаний.
В результате работы данного режима формируется 7 баз знаний, 2 из которых приведенны в таблицах 17, 18, а также оценка их достоверности, установленная путем прогнозирования значений показателей многоотраслевой корпорации по ретроспективным данным, т.е. по исходной выборке (таблица 19).
В столбцах таблиц 17, 18 приведены коды классов, соответствующих будущим значениями показателей многоотраслевой корпорации, а в строках - коды значений факторов (значений показателей предприятий), обусловливающих эти показатели. В таблицах 16, 17 приводятся лишь фрагменты баз знаний, т.к. их размерность составляет 50 столбцов на 1650 строк.
Пояснения по аналитическому виду частных критериев количественных мер знаний даны в таблице 1.
Из таблицы 18 видно, что наивысшую среднюю достоверность прогнозирования (90,616%) в данном случае обеспечивает интеллектуальная модель с применением предложенного частного критерия знаний: «Относительное количество знаний в значениях прошлых параметров о значениях будущих параметров». Несущественно: примерно на 1.119%, меньше достоверность у модели знаний с классическим критерием А.Харкевича и тем же интегральным критерием. Эта достоверность вполне достаточна для достижения цели данной работы: создания методики (на полгода вперед) прогнозирования значений экономических показателей многоотраслевой корпорации.
4. Решение задачи прогнозирования значений экономических показателей многоотраслевой корпорации.
Данная задача решается на основе ранее созданных моделей знаний, отражающих причинно-следственные зависимости между прошлыми значениями экономических показателей предприятий, входящих в корпорацию и будущими значениями экономических показателей корпорации в целом. Эти причинно-следственные зависимости в количественной форме представлены в базах знаний (таблицы 16, 17). Для лучшего восприятия этих причинно-следственных зависимостей в системе «Эйдос» реализовано несколько вариантов их наглядной графической визуализации в виде когнитивных функций (рисунок 9).
На рисунке 9 визуализирован фрагмент базы знаний, с количественным частным критерием знаний: классической мерой А.Харкевича (таблица 17). Видно, что текущая «Выручка от реализации» ООО «Бакалея» практически линейно связана с прогнозируемыми значениями экономических показателей корпорации в целом, причем для следующего квартала связь между ним более четкая, чем для второго. Однако не во всех случаях эта связь столь проста (см. рисунок 10), но какой бы она не была, система «Эйдос» позволяет ее выявить в количественной форме и использовать для решения задач прогнозирования и принятия решений.
Способ решения задачи прогнозирования состоит в сравнении конкретных образов ситуаций с обобщенными образами классов путем вычисления интегрального критерия сходства конкретной ситуации с каждым из классов.
Математически задача прогнозирования в СК-анализе решается следующим образом. На этапе синтеза модели рассчитывается, какое количество знаний содержится в факте наблюдения некоторого значения фактора о том, что нам предъявлено определенное состояние моделируемого объекта. Если известно, какой набор значений факторов действует на объект управления, то для каждого состояния объекта можно посчитать, какое суммарное количество знаний содержится во всей системе этих значений факторов о переходе объекта управления в это состояние. После этого можно ранжировать (рассортировать) все состояния объекта управления в порядке убывания суммарного количества знаний о переходе в эти состояния под действием данной системы значений факторов. Логично считать, что объект управления, скорее всего, перейдет в те состояния, о переходе в которые в системе действующих на него факторов содержится максимальное количество знаний и, скорее всего не перейдет в те, о переходе в которые в ней содержится минимум знаний.
Отметим, что задачи распознавания (идентификации) и прогнозирования математически тождественны и отличаются только тем, что при идентификации признаки объекта и его состояния одновременны, а при прогнозировании действующие значения факторов (признаки) относятся к прошлому, а состояния объекта, формализуемые в виде классов, к будущему.
Решение задачи прогнозирования выполняется за три шага: ввод информации о значениях, действующих на объект факторов в систему «Эйдос»; пакетное распознавание (прогнозирование); вывод и интерпретация результатов распознавания (прогнозирования).
Прогнозирование осуществляется в 4-й подсистеме системы «Эйдос», некоторые экранные формы которого приведены в приложении 1:
Результаты прогнозирования, отображаются в форме, представленной на рисунке 11
На карточках результатов прогнозирования:
- в верхней части карточки показаны классы, о которых в системе действующих в прошлом значений факторов содержится положительное количество знаний в порядке убывания этого количества знаний, а в нижней - отрицательное;
- птичками отмечены состояния корпорации, по которым прогноз оправдался.
Оценка степени адекватности моделей
3-й этап СК-анализа: «Синтез и верификация (оценка степени адекватности) модели».
Данный этап автоматизированного системно-когнитивного анализа предметной области в системе «Эйдос» может быть выполнен, в частности, с помощью режима _25, который обеспечивает:
- синтез четырех моделей баз знаний, отличающихся видом частного критерия для количественной меры знаний;
- оценку достоверности каждой модели знаний с помощью двух интегральных критериев: суммы знаний и корреляции конкретного образа объекта исследуемой выборки с обобщенным образом класса в базе знаний.
В результате работы данного режима формируется 7 баз знаний, 4 из которых приведенны в таблицах 27, 28, 29 и 30, а также оценивается достоверность основанных на них методик прогнозирования, установливаемая путем прогнозирования сценариев изменения значений экномических показателей многоотраслевой корпорации по ретроспективным данным, т.е. по исходной выборке (таблица 27).
В столбцах таблиц 27-30 приведены коды классов, соответствующих будущим сценариям изменения значений экономических показателей многоотраслевой корпорации, а в строках - коды значений факторов (прошлых сценариев разностей значений экономических показателей). При этом предполагается, что прошлые сценарии изменения значений одних экономических показателей обусловливают будущие сценарии изменения как тех же самых, так и других показателей.
Из таблицы 31 видно, что наивысшую среднюю достоверность прогнозирования (89,241%) в данном случае обеспечивают модели знаний с применением в качестве частного критерия количества знаний 3-го и 4-го критериев с интегральным критерием - корреляцией. Несущественно: примерно на 0,1%, меньше достоверность у модели знаний с классическим критерием А.Харкевича и с интегральным критерием корреляцией. Эта достоверность вполне достаточна для достижения цели данной работы: разработки методики (поквартального на год вперед) прогнозирования разностей экономических показателей многоотраслевой корпорации.
Исследование прогнозов сценариев с использованием разработанных моделей
СК-анализ и система «Эйдос» позволяют исследовать систему детерминации каждого будущего сценария, т.е. изучить силу и направление причинно-следственных связей между прошлыми сценариями по различным показателям и заданным будущим сценарием по определенному показателю. Результаты этого исследования можно обоснованно считать исследованием самой моделируемой предметной области, т.к. ранее было показано, что модель имеет высокую степень адекватности. Вывод этой информации возможен в различных графических и текстовых формах, в частности в форме нелокальных нейронов (рисунок 23) и информационных портретов классов (таблица 36).
Информация о сходстве-различии будущих сценариев (классов) по их системе детерминации прошлыми сценариями представлена в матрице сходства классов (таблица 37), а о сходстве-различии прошлых сценариев (значений факторов) по тому, какие будущие сценарии они детерминируют - в матрице сходства значений факторов (таблица 38)
На основе приведенных матриц сходства с применением подхода, развитого в работе [49], могут быть получены дендрограммы когнитивной агломе-ративной кластеризации классов и графики изменения пошагового расстояния приведены на рисунках 26 и 27
Из приведенной дендрограммы видно, что обычно система детерминации сценариев одного типа по различным показателям совпадает или близка. Это означает, что если по какому-либо конкретному сценарию прогнозируется изменение одного определенного показателя, то обычно по этому же сценарию прогнозируется изменение и ряда других показателей. Например, если прогнозируется изменение выручки от реализации по 2-му сценарию, то по этому же сценарию прогнозируется и изменение валовой и чистой прибыли, а также коммерческих расходов.
Кластерно-конструктивный анализ - это математический метод анализа данных, входящий в состав СК-анализа и обеспечивающий:
- выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры;
- выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами;
- выявление факторов, наиболее сходных по детерминируемым ими классам и объединение их в кластеры;
- выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами.
Состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми (коалиционными) по детерминирующим их факторам. Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам (антагонистическими).
Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.
Кластерно-конструктивный анализ классов позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в наглядной графической форме семантической сети классов.
Кластерно-конструктивный анализ факторов позволяет сравнить факторы по сходству их влияния на переход объекта в будущие состояния и отобразить эту информацию в наглядной графической форме семантической сети факторов.
Система противоположных кластеров со спектром промежуточных классов называется конструктом классов. Система противоположных значений факторов со спектром промежуточных значений факторов называется конструктом значений факторов.
СК-анализ обеспечивает формирование конструктов классов (Таблица 39) и значений факторов (Таблица 40)
Классы, находящиеся на одном полюсе конструкта, совместимы, т.е. одновременно достижимы, т.к. имеют сходную систему детерминации. Классы, находящиеся на противоположных полюсах конструкта, несовместимы, т.е. одновременно недостижимы (альтернативны), т.к. имеют противоположную систему детерминации.
Факторы, находящиеся на одном полюсе конструкта, обуславливают переход объекта в сходные состояния. Факторы, находящиеся на противоположных полюсах конструкта, обуславливают переход объекта в альтернативные состояния.
Из отображения матрицы знаний в виде двумерной когнитивной функции, представленной на рисунке 28, видно, что для всех классификационных в виде двумерной когнитивной функции и описательных шкал, кроме шкал «Коммерческие расходы», для сценариев с 1-го по 5-й включительно наблюдается ярко выраженная зависимость, близкая к линейной, которую можно вербализовать в формулировке эмпирической закономерности: «Будущий сценарий изменения экономических показателей корпорации (кроме коммерческих расходов), как правило, не отличается от обусловливающих их сценариев прошедшего периода»:
Эту закономерность можно объяснить тем, что изменения сценариев динамики показателей происходят редко, поэтому при прогнозировании сценария измененияпоказателей, как и в случае с погодой, хорошим прогнозом является такой: «В последующем периоде все будет примерно так же, как в предыдущем».
