Содержание к диссертации
Введение
ГЛАВА 1. Когнитивно-адаптивная модель, как инвариантный инструмент анализа социальных процессов 14
1.1. Задачи и принципы анализа социальных процессов; сравнение и выбор методов и алгоритмов анализа 15
1.2. Аналитические системы: принципы построения и роль в анализе социальных процессов 23
1.3. Исследование социальных процессов с применением когнитивно-адаптивной модели 29
1.3.1. Выявление знаний о процессе 30
1.3.2. Построение модели процесса 32
1.3.3. Этапы анализа процесса с применением когнитивно-адаптивной модели 39
1.4. Когнитивно-адаптивное моделирование в информационно-аналитической работе по управлению социальным процессом 44
1.5. Оценка качества и адекватности когнитивно-адаптивной модели 47
1.6. Пути дальнейшего развития когнитивно-адаптивной модели, как средства анализа социальных процессов 50
ГЛАВА 2. Формальное описание когнитивно-адаптивной модели: базовые модели, алгоритмы и связующие методы 51
2.1. Моделирование на когнитивных графах 51
2.1.1. Когнитивный анализ сложных социальных процессов 55
2.1.2. Виды когнитивно-графовых моделей 57
2.1.3. Типы когнитивно-графовых моделей 58
2.1.4. Формальное описание когнитивного графа 58
2.1.5. Чувствительность когнитивно-графовой модели 63
2.2. Метод генетической адаптации элементов модели 64
2.2.1. Алгоритм генетической адаптации 65
2.2.3. Основные операторы генетического алгоритма 70
2.3. Символьное генетическое кодирование элементов когнитивно-графовой модели 74
2.3.1. Кодирование матрицы смежности когнитивного графа 74
2.3.2. Кодирование вектора значений параметров когнитивно-графовой модели 74
2.4. Развитие когнитивно-адаптивной модели: построение нечеткой базы знаний по когнитивно-графовой модели 75
2.4.1. Базовые понятия метода управления нечеткими знаниями... 75
2.4.2. Построение нечеткого вывода 77
2.4.3. Метод перехода от когнитивно-графовой модели к нечеткой базе правил 80
2.4.4. Переход от параметров когнитивно-графовой модели и фактических данных к лингвистическим переменным и их временным значениям 82
ГЛАВА 3. Создание и использование прикладной аналитической системы на основе когнитивно-адаптивной модели 84
3.1. Метод создания аналитической системы 84
3.1.1. Когнитивный модуль 86
3.1.2. Хранилище фактических данных и полученных решений 89
3.1.3. Модуль генетической адаптации 91
3.1.4. Модуль управления нечеткими знаниями 92
3.2. Человеко-машинные сценарии взаимодействий аналитической системы 94
3.3. Спецификации и требования программного комплекса аналитической системы 97
3.3.1. Общее описание программного комплекса 97
3.3.2. Общие принципы функционирования программного комплекса аналитической системы 98
3.3.3. Требования к аппаратным и программным средствам 99
3.3.4. Средство разработки 99
3.3.5. Установка системы 99
3.4. Сравнение прикладной аналитической системы с подобными системами 100
ГЛАВА 4. Решение задач анализа социальных процессов с применением модели 102
4.1. Исследование зависимости социальной напряженности в регионе от действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской республике) 102
4.2. Исследование зависимости инвестиционной привлекательности региона от воздействий социоэкономических факторов (на основе данных по Удмуртской республике) 105
4.3. Исследование процесса изменения значимости стратегических рисков с учетом их взаимозависимостей 110
4.4. Оценка зависимости степени трудозатрат на выполнение проекта от его качественных и количественных показателей 113
Основные результаты и выводы 118
Литература 120
Приложения 130
- Задачи и принципы анализа социальных процессов; сравнение и выбор методов и алгоритмов анализа
- Когнитивный анализ сложных социальных процессов
- Человеко-машинные сценарии взаимодействий аналитической системы
- Исследование зависимости инвестиционной привлекательности региона от воздействий социоэкономических факторов (на основе данных по Удмуртской республике)
Введение к работе
В сегодняшней России, в постоянно меняющихся условиях, с новой остротой встали вопросы исследования процессов протекающих в социуме. Даже далекий от государственных органов управления человек, будучи постоянно включенным, в единое информационное пространство вынужден реагировать на информацию, поступающую из СМИ. Граждане выносят собственные суждения, критикуют или поддерживают решения, принимаемые, например, на государственном уровне. Но мало кто задумывается над тем, как принимаются эти самые решения, что предшествует озвучиванию позиции по той или иной проблеме. Еще меньшее число владеет принципами и технологиями решения задач анализа, использует специализированные программно-технические комплексы различной сложности в области моделирования сложных социальных процессов.
Специфика и чрезвычайная сложность решения задач анализа и моделирования социальных систем и процессов требует использования адекватных по сложности технологий и программно-технических комплексов поддержки процесса анализа. Особенностью большинства задач анализа и дальнейшего управления является существование нескольких практически равнозначных и равновозможных вариантов выхода из сложившейся ситуации, наличие большого числа взаимосвязанных факторов и параметров, подлежащих оценке. Причем, оценка должна быть комплексной, потому что «разрозненная» оценка значимых для решения задачи факторов, зачастую не дает возможности представить целостную картину проблемы и предложить варианты ее разрешения.
Факт использования традиционных экспертных методов и методик моделирования уже не требует доказательства. Они многократно опробованы в управленческой практике и заслуженно занимают свою нишу в области решения задач анализа. Но нельзя забывать о самом главном аналитическом инструменте, которым наделила человека природа — о данной нам способности к образному мышлению, умению собирать в мгновение единую картину из множества разрозненных, кажущихся несопоставимыми элементов. Основным условием эффективной «сборки» образа является представление задачи в форме удобной для анализа. Очевидно, что решению социальной аналитической задачи, должна предшествовать работа по подготовке почвы для такого решения.
Использование технологий и программно-технических аналитических комплексов призвано обеспечить детальную проработку задачи до того, как она вынесена на рассмотрение управляющему лицу. Требуются достаточно серьезные трудозатраты коллектива экспертов, осуществляющих разработку формы представления исходных данных, непосредственно их ввод в эту форму, предварительный анализ задачи, формулировку возможных вариантов решения. Это может быть целым подразделением, «институтом экспертов», имеющим в своем распоряжении достаточно серьезную техническую и методологическую базу, а также основу всего - профессиональную элиту в сфере аналитической работы для обеспечения органов федеральной и региональной властей высококачественной «аналитической продукцией».
Объединяющим началом для всех «аналитических продуктов» является то, что проводимая с их помощью предварительная проработка решаемой задачи позволяет управленцу уделить максимум времени поиску или выбору наилучшего варианта решения задачи, а не ее описанию и структурированию.
Эффективность применения математических, системных методов зависит от учета особенностей моделирования социально-экономических процессов. Последние и определяют основные проблемы информатизации, автоматизации задач анализа и управления [1, 15, 31]:
1. Социально-экономические процессы сложны, многокомпонентны, разнородны. Характеризуются стохастичностью, сложностью и многофакторностью. Они складываются под влиянием многих противоречивых объективных и субъективных условий. Динамичность, наличие качественных признаков не позволяет достичь полной формализации задач анализа.
2. Многочисленные сложные экономико-математические модели не нашли и не находят массового применения. Они не ориентированы непосредственно на пользователей, экспертов и руководителей. Большинство из них не владеет экономико-математическими методами настолько, чтобы самостоятельно, на основе собственного опыта и личных навыков поиска решений строить такого рода модели. Сложные модели приносят пользу лишь в том случае, если их разрабатывают, а полученные результаты интерпретируют высококвалифицированные специалисты.
3. Поскольку физиологические возможности человека по представлению, обработке и преобразованию информации ограничены, а темпы роста сложности аналитических задач непрерывно возрастают, усиливаются противоречия между постоянно растущим объемом информации и возможностью ее эффективного использования.
Современная реальность обусловливает новые требования к моделям, технологиям, к формам и методам обработки и представления социально-экономической информации, как к важным средствам
11 привлечения руководителей и экспертов к выработке и осуществлению научно-обоснованных решений. Они должны быть наглядными, простыми, естественными для человека, междисциплинарными, понятными, убедительными и обеспечивать правильность интерпретирования рассматриваемых данных.
В наибольшей степени этим требованиям отвечают смешанные методы и модели с использованием различных форм представления информации: графическую, сетевую, продукционную, которые могут быть реализованы с помощью современных средств информатики и компьютерной графики. Их использование особенно эффективно в тех случаях, когда объем информации «размыт», а для правильного восприятия необходим ее целостный охват. Это относится ко многим социальным процессам.
Важно не просто «физическое» объединение имеющихся методов, моделей и средств, а их логическое развитие и совершенствование на основе принципиально новых, комплексных методологий. История науки показала, что там, где появляются новые удобные и простые инструменты, соответствующие приобретенным навыкам и пригодные в различных ситуациях, там возникает и новая технология, в данном случае «безбумажная» технология анализа и моделирования.
Исходя из сказанного, поставим следующие цели исследования: повышение качества решения задач анализа социальных процессов (СП) за счет применения комплексного сочетания методов и алгоритмов на основе концептуального, когнитивно-графового моделирования и эволюционных вычислений; расширение класса моделируемых социальных процессов с применением когнитивно-адаптивной инвариантной модели за счет расширения когнитивно-графовой модели аппаратом адаптации, использованием лингвистических параметров и нелинейных отношений; разработка метода создания и функционирования аналитической системы на основе когнитивно-адаптивного моделирования. Для достижения поставленных целей, необходимо решить следующие задачи: выбор базовых методов и алгоритмов, обоснование выбора; комплексирование базовых методов, обоснование построенных взаимосвязей; разработка метода создания аналитической системы, автоматизирующей ряд этапов анализа СП; решение научно-практических задач, подтверждающих адекватность метода; разработка программно-методического комплекса на основе метода.
В первой главе работы, в продолжении к введению, вскрываются противоречия между общественными запросами, методами анализа и технологиями автоматизации решения отдельных задач по исследованию сложных социальных систем. Выдвигаются требования к современным комплексным методам анализа и моделирования социальных процессов, их возможностям и компонентам. Раскрывается выносимое на защиту сочетание методов и алгоритмов анализа СП. Показывается, как с помощью предлагаемого сочетания методов и алгоритмов решаются основные задачи управления процессом.
Во второй главе формально описываются основные комплексируемые методы и алгоритмы, а именно, когнитивно-графовое моделирование, эволюционные вычисления и управление нечеткими знаниями. Описывается построение связующих конструкций - символьных генетических кодов для когнитивных графов и векторов параметров процесса, методов перехода от когнитивно-графовой модели к нечеткой базе знаний.
В третьей главе показывается метод построения системы, автоматизирующей этапы анализа и моделирования социальных процессов, излагаются человеко-машинные сценарии взаимодействий такой системы.
В четвертой главе описывается решение задач анализа социальных процессов - социальной напряженности в регионе, меняющейся под влиянием действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской Республике), изменение эффективности коллективной работы над проектом по разработке программного обеспечения, исследование зависимости инвестиционной привлекательности региона от социоэкономических факторов (на основе данных по Удмуртской Республике), изменение значимости стратегических рисков Российской Федерации.
Задачи и принципы анализа социальных процессов; сравнение и выбор методов и алгоритмов анализа
Анализ социальных процессов - это такая целенаправленная деятельность людей, которая обеспечивает общественный прогресс, способствует, а не препятствует социально-экономическому движению. Зная законы движения, развития сложных систем, можно с определенной точностью описать эти движения и даже экстраполировать на будущее.
В реальной действительности общественная эволюция всегда прокладывает себе дорогу через массу случайностей - положительных и отрицательных, ускоряющих или тормозящих развитие. Случайности искажают процесс движения общества, вызывая отклонения от нормального состояния. Не будь случайностей, объективных и субъективных, применение инструментов математического моделирования к любому историческому периоду было бы тривиально. Задача социального моделирования заключается в этой связи в том, чтобы раскрыть случайные отношения, взаимодействия, исключить или сгладить негативные воздействия, влияния случайностей на ход общественного развития, скорректировать кривую движения. Мудрость руководства состоит в том, чтобы уметь вовремя увидеть опасность в зародышевом состоянии [31] и не дать ей вырасти до размеров угрозы, вовремя устанавливать согласованность интересов и потребностей различных элементов общественной системы, возникающих из движения всей системы, в отличие от движения её самостоятельных частей. Та или иная общественная система ставит перед собой определенную цель и задачу, которой она подчиняет свои подсистемы. Зная эти цели, можно строить обобщенные, концептуальные системы координат, с помощью которой становится реальным исследование, измерение и сравнение между собой движений различных подсистем, проекций меньшей размерностей. Исследования реальных процессов, систем процессов обычно заменяются исследованиями их моделей, адекватно отражающих структуру и/или развитие процессов. Описание взаимной связи параметров элементов объекта исследования с помощью аналитических выражений, графиков, таблиц и других математических приемов будем называть математической моделью. Описание объекта исследования, полученное в результате теоретических исследований взаимосвязей между элементами в объекте, назовем теоретической моделью, а характеристики и описания объекта, полученные после выполнения модельных экспериментов (обработки экспериментальных данных) - экспериментальной моделью [27]. Классическое моделирование предполагает, что с точки зрения проведения исследования множество входных воздействий разбито на три подмножества: управляемые воздействия; неуправляемые, но контролируемые воздействия; неуправляемые и неконтролируемые воздействия.
Считается, что управляемые воздействия полностью известны. Они могут быть изменены субъектом управления. Воздействия второго типа могут лишь контролироваться и учитываться при изучении свойств системы и обработке экспериментальных данных. Они не могут быть изменены субъектом управления [37].
В каждом конкретном случае используется не вся совокупность величин параметров, а выделяется лишь их существенная часть, необходимая для данного исследования, поскольку при учете чрезмерно большого количества входных воздействий исследование значительно усложняется, не приводя к улучшению результатов. Все неучтенные воздействия могут быть отнесены к воздействиям третьего типа, к которым относятся воздействия, неизвестные субъекту управления, множество случайных и неопределенных факторов.
Будем считать, что объект исследования известен, если имеется математическое описание, устанавливающее количественные или качественные соотношения между параметрами элементов объекта, совпадающими с экспериментальными данными, отражающими описание тех же связей, то есть если теоретическая модель в степени, удовлетворяющей эксперта, совпадает с экспериментальной моделью.
Большинство строимых моделей относятся к моделям выработки управленческих воздействий, которые отражают и процесс получения воздействия, через динамические зависимости, и сами системы, на которые эти решения влияют. При этом задача формулируется в следующем виде: отыскать те значения управляемых воздействий, которые при заданных ограничениях и неуправляемых воздействиях оптимизируют эффективность системы.
Обычно цель исследования заключается в отыскании и установлении недостающих сведений в описании состояния социально-экономического процесса с той степенью полноты, которая определяется существующим уровнем развития науки и техники. Перед исследователем часто ставятся две задачи.
Прямая задача - на основании известного состава и структуры объекта исследования дать описание модели объекта и определить ее поведение при различных внешних воздействиях и изменении состава и структуры.
Обратная задача - на основании анализа поведения объекта, его откликов при различных воздействиях построить модель объекта с учетом имеющихся гипотез, а в дальнейшем определить состав и структуру объекта.
В прямых задачах, как правило, известны отношения между параметрами объекта, представляющие математическую модель. В обратных задачах - наоборот - из результатов исследований известны значения параметров процесса и воздействия, эти значения «породившие», и требуется найти вид отношений.
Когнитивный анализ сложных социальных процессов
Когнитивный граф социального процесса представляет собой ориентированный взвешенный граф, в котором [34, 56]: вершины взаимнооднозначно соответствуют параметрам базисных факторов и объектов процесса, в терминах которых он описываются. Множество первоначально отобранных базисных факторов создается с помощью алгоритмов «извлечения знаний», позволяющих отбросить избыточные факторы, слабо связанные с процессом; определяются непосредственные взаимосвязи между факторами и объектами путем рассмотрения причинно-следственных цепочек, описывающих распространение влияний от каждого фактора (объекта) на другие. Считается, что факторы и объекты, входящие в посылку «если...» цепочки «если... то...», непосредственно влияют на факторы и объекты следствия «то...» этой цепочки, причем это влияние является либо усиливающим (положительным), либо тормозящим (отрицательным), либо переменного знака в зависимости от возможных дополнительных условий.
Когнитивный граф отображает лишь факт наличия влияний объектов и факторов друг на друга. В нем не отражается ни детальный характер этих влияний, ни динамика изменения влияний в зависимости от изменения процесса, ни временные изменения самих факторов. Учет всех этих обстоятельств требует перехода на следующий уровень структуризации информации, отображенной в когнитивном графе, то есть к когнитивно-графовой модели. На этом уровне каждая связь между вершинами когнитивного графа раскрывается до соответствующего уравнения, которое связывает как количественные (численные) параметры, так и качественные (лингвистические) параметры.
Количественные параметры входят естественным образом в виде их численных значений. Каждому же качественному параметру ставится в соответствие совокупность символьных меток, отображающих различные состояния этого параметра, а каждой метке соответствует определенное числовое множество.
По мере накопления знаний о процессах, происходящих в исследуемом процессе, становится возможным более детально раскрывать характер связей между параметрами. При анализе конкретного процесса обычно известно или предполагается, какие изменения базисных факторов являются «желательными». Факторы, представляющие наибольший интерес в контексте исследования, назовем целевыми. Их параметры - это «выходные» параметры когнитивно-графовой модели. Задача выработки решений по управлению процессом состоит в том, чтобы обеспечить «желательные» изменения целевых факторов, это цель управления. Цель считается корректно заданной, если «желательные» изменения одних целевых факторов не приводят к «нежелательным» изменениям других целевых факторов.
В исходном множестве базисных факторов выделяется совокупность так называемых управляющих факторов. Управляющие параметры когнитивно-графовой модели соответствуют тем «рычагам», с помощью которых возможно воздействовать на реальную ситуацию с целью изменения ее состояния. Приведение в действие какого-либо «рычага» отображается в модели путем подачи на соответствующий управляющий параметр так называемого управляющего воздействия, изменяющего величину этого параметра. Интенсивности задействования «рычага» в реальном процессе соответствует в модели величина управляющего воздействия. Управляющее воздействие считается согласованным с целью, если оно не вызывает «нежелательных» изменений ни в каком из параметров целевых факторов.
При корректно заданной цели управления и при наличии управляющих воздействий, согласованных с этой целью, решение задачи управления не вызывает особых трудностей. В общем же случае нахождение условий для обеспечения целенаправленного поведения в ситуации является весьма непростой задачей. Погружение в проблемную область, идентификация проблемы: 1. Формулировка задачи и цели исследования. 2. Изучение текущей ситуации с позиций поставленной цели. 3. Сбор, систематизация, анализ существующей статистической и качественной информации по рассматриваемой задаче. 4. Выделение основных характеристических признаков, определение действия основных объективных законов развития исследуемого процесса. Это позволит выделить объективные зависимости, тенденции в подпроцессах. 5. Определение присущих исследуемому процессу требований, условий и ограничений. 6. Выделение основных субъектов, связанных с процессом, определение их субъективных интересов в развитии данного процесса. Это позволит определить возможные изменения в объективном развитии процесса, выделить факторы, на которые реально могут влиять субъекты процесса. 7. Определение путей, механизмов действия, реализации интересов основных субъектов процесса. Это позволит в дальнейшем определить стратегии поведения и предотвращения нежелательных последствий развития процесса.
Человеко-машинные сценарии взаимодействий аналитической системы
Редактор данных предоставляет пользователю интерфейс по работе с информацией, необходимой для настройки модели. Данные представляются в табличном виде (см. Приложение 5). По столбцам таблицы располагаются варианты, по строкам - параметры процесса. В первой строке каждого вектора данных хранится специальная величина -количество итераций когнитивно-графовой модели, в течение которых применяется именно этот пример. Далее по строкам располагаются значения параметров в численном виде. Редактор позволяет тем самым работать с тремя видами фактических данных: временные последовательные примеры, временные парные примеры и примеры-аналогии.
В случае последовательных временных примеров в первой строке указывается число итераций от предыдущего примера, причем, каждый последующий пример является, как бы, развитием начального. В случае парных временных примеров величина в первой строке указывает также на число итераций от предыдущего примера, но примеры связаны только попарно, то есть, в ходе идентификации не учитывается зависимость всех примеров от первого. В случае идентификации по примерам-аналогиям, на первом месте находится величина, равная числу итераций КГМ для достижения выходных значений по заданным входным.
Редактор фактических данных позволяет нормировать строки таблицы в двух вариантах: со смещением относительно среднего значения и без смещения. Редактор позволяет также строить по двум векторам импульсные значения для КГМ, как построчные разности векторов. Кроме того, редактор позволяет поместить значения вектора данных в вершины когнитивного графа для последующего анализа.
Хранилище данных и решений используется на этапе сравнения сгенерированных решений, построения прогнозов. Хранилище помогает осуществить просмотр полученных в ходе адаптации вариантов матриц смежности когнитивного графа, так, чтобы пользователь мог выбрать из всего полученного множества тот вариант, который видится ему наиболее адекватным фактической ситуации и обладает минимальным отклонением от фактических данных, среди себе подобных. Единица информации хранящихся решений, помимо матрицы смежности и набора векторов — значений и импульсов, хранит еще и ссылку на когнитивно-графовую модель, для которой были получены решения. Если КГМ меняется, то хранилище очищается от итоговых решений.
Хранилище данных позволяет осуществлять экспорт/импорт данных посредством вызова методов библиотеки драйверов ODBC и используя объект ADORecordset (см. Приложение 6). Для этого необходимо настроить параметры соединения ADOConnection и задать запрос на языке SQL. Результаты запроса будут импортированы в текущий набор данных. Во время экспорт данных результаты моделирования помещаются в таблицу, имя которой пользователь указывает интерактивно.
Модуль является, по большей части, «системным» поскольку он практически не имеет отображения для конечного пользователя. Его назначение - построить генетический код по элементам КГМ и, основываясь на текущей фитнесс-функции, адаптировать генетическую популяцию. Пользователю предоставляется лишь возможность задать некоторые параметры генетического алгоритма: количество итераций, вероятность мутации, тип генетического алгоритма: «однопопуляционный/мультипопуляционный». Основными компонентами модуля генетической адаптации являются: процессор генетического кодирования и процессор генетических вычислений. Процессор генетического кодирования позволяет отобразить данные из хранилища и из когнитивного модуля в генетический код, согласно связующим методам. Па вход процессору кодирования поступает элемент КГМ: матрица смежности когнитивного графа или вектор значений параметров. На выходе процессор выдает линеаризованные вектора - генетические коды. Процессор выполняет и обратные преобразования. Процессор генетических вычислений реализует в себе основные генетические операторы. Получая на вход генетический код элемента КГМ, а также указатель на используемую фитнесс-функцию и базовые параметры генетического алгоритма, процессор осуществляет генетическую адаптацию и на выходе получает целое множество адаптированных генетических кодов.
Исследование зависимости инвестиционной привлекательности региона от воздействий социоэкономических факторов (на основе данных по Удмуртской республике)
Инвестиционный климат включает объективные возможности страны или региона (инвестиционный потенциал) и условия деятельности инвестора {инвестиционный риск).
Интуитивно понятно, почему для принятия решений недостаточно рассматривать только потенциал или только риски. Регион может быть первоклассным с точки зрения потенциала, но, если политическая обстановка нестабильна или загрязнена окружающая среда, то на инвестиции мало кто решится. Инвестиционный потенциал учитывает основные макроэкономические характеристики, насыщенность территории факторами производства, потребительский спрос населения и другие показатели. Инвестиционный потенциал региона складывается из восьми частных потенциалов, каждый из которых, в свою очередь, характеризуется целой группой показателей: ресурсно-сырьевого (средневзвешенная обеспеченность балансовыми запасами основных видов природных ресурсов); трудового (трудовые ресурсы и их образовательный уровень); производственного (совокупный результат хозяйственной деятельности населения в регионе); инновационного (уровень развития науки и внедрения достижений научно-технического прогресса в регионе); институционального (степень развития ведущих институтов рыночной экономики); инфраструктурного (экономико-географическое положение региона и его инфраструктурная обеспеченность); финансового (объем налоговой базы и прибыльность предприятий региона); потребительского (совокупная покупательная способность населения региона). Величина инвестиционного риска показывает вероятность потери инвестиций и дохода от них. Учитываются следующие виды риска: экономический (тенденции в экономическом развитии региона); финансовый (степень сбалансированности регионального бюджета и финансов предприятий); политический (распределение политических симпатий населения по результатам последних парламентских выборов, легитимность местной власти); социальный (уровень социальной напряженности); экологический (уровень загрязнения окружающей среды, включая радиационное); криминальный (уровень преступности в регионе с учетом тяжести преступлений); законодательный (юридические условия инвестирования в те или иные сферы или отрасли, порядок использования отдельных факторов производства). Инвестиционный потенциал отличается значительной «консервативностью». В последние годы его относительно быстрое наращивание происходило лишь в узкоспециализированных регионах нефтегазодобычи.
Риск - более динамичная характеристика инвестиционного климата, чем потенциал. В принципе это свидетельствует о неустойчивости социально-экономической ситуации в стране в целом. За недавние годы резко возросла активность региональных властей в сфере инвестиционно-налогового законодательства. Специальные законы, регулирующие деятельность инвесторов, были приняты в шестнадцати регионах, а двадцать девять приняли подобные документы.
И все же, высокая инвестиционная рисковость по-прежнему является «ахиллесовой пятой» не только всей России, но и абсолютно всех регионов. Нет ни одного региона, в котором все составляющие риска были бы ниже средних по России. Значительный вклад в увеличение риска в истекшие годы внесла социальная активность населения. Необходимо отметить, что классические методы исследований сводились к попытке линеаризовать модель показателей, дабы выразить уровень инвестиционной привлекательности в виде линейной комбинации потенциала и суммарного риска. Такой переход не учитывал комплексность явления, взаимовлияние факторов. Предлагается укрупнить некоторые факторы, определить взаимовлияние и представить социоэкономический процесс изменения инвестиционной привлекательности региона в виде когнитивного графа, изображенного на рисунке 19. Ход исследования Учитывая гипотетическую модель социального процесса региона РФ - изменения инвестиционной привлекательности, был построен когнитивный граф, в вершинах которого расположены основные факторы, а дуги обозначают зависимости. Идентификация КГМ проводилась по примерам-аналогиям на основании статистических данных по субъектам РФ за 2000 год.
