авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Pages:     | 1 | 2 || 4 | 5 |   ...   | 6 |

Информационное обеспечение процесса управления социально-экономическими системами мезоуровня: теория, методология, инструментарий

-- [ Страница 3 ] --

Во второй главе «Методология исследования социально-экономических систем для поддержки принятия управленческих решений» представлена авторская методология, основанная на синтезе положений теории управления, кибернетики, когнитивного моделирования, статистического и интеллектуального анализа данных. На основании категорного подхода обосновано применение когнитивного моделирования слабоструктурированных проблем для формализации системы исследования и регулирования СЭС. С использованием теоретико-множественного подхода предложена модель метанабора системы исследования и принятия решений. Рассмотрены возможности анализа когнитивных карт, а также получения сценариев развития на основании построения моделей распространения возмущений. На основании требований к методологии исследования СЭС и принципов управления разработана структура системы поддержки принятия решений СЭС, позволяющая объединять в рамках одного исследования методы анализа слабоструктурированной и структурированной информации. Разработан алгоритм, а также соответствующее программное обеспечение прогнозирования социально-экономических процессов на базе метода группового учета аргументов, позволяющие получать прогноз в виде модели авторегрессии.

В основу методологии положено использование в качестве основного аппарата комбинирование когнитивного анализа, методов прикладной статистики и интеллектуального анализа данных, позволяющее осуществить комплексный подход к моделированию и разработке управленческих решений для социально-экономических систем.

При управлении сложным объектом, характеризующимся количественной и качественной информацией, предложена следующая концепция идентификации:

1) когнитивное описание объекта и его структурный анализ;

2) импульсное моделирование когнитивного описания, позволяющее оценить сценарии развития системы;

3) выделение подсистем, характеризующихся количественной информацией;

4) построение моделей с использованием прикладной статистики и интеллектуального анализа данных;

5) согласование когнитивных моделей СЭС мезоуровня и моделей, полученных с использованием методов анализа структурированной информации;

6) при рассогласовании – возвращение к 4);

7) выбор управляющих воздействий;

8) контроль процесса управления;

9) оценка управления и при необходимости возвращение на этапы 1), 3).

Для реализации описанной выше концепции необходимо формализовать систему исследования и регулирования СЭС. Результатом является построение модели метанабора соответствующей системы:

М ={МO (Y, U, P), MO(Х), MYS, MD(Q), MMO, MME, MU, А, Мн }, (2)

где МO (Y, U, P) – идентифицирующая модель системы (например, АПК, рынок труда), в которой вектор Y – эндогенные переменные yYEm, характеризующий фазовое состояние объекта (например, валовой доход, инвестиции, численность безработных и т. д.), U – вектор управляемых переменных uUEr, (например, посевные площади, затраты на ГСМ и удобрения, затраты на обновление основных фондов, инвестиции в образование, инвестиции в производство определённых видов сельскохозяйственной продукции и т. д.), P – вектор имеющихся ресурсов pPEs (например, основные фонды, прибыль, количество экономически активного населения);



MO(Х) – модель окружающей среды (региональная социально-экономическая система), X – экзогенные величины (например, природная среда, межрегиональный экономический обмен);

MYS = {MS, MYS} – модель взаимодействия объекта и среды (MS – модели связи со средой на входе, MYS – модели систем со связями со средой на выходе);

MD(Q) – модель поведения системы, Q – возмущающие воздействия;

MMO и МME – модели измерения состояния системы и окружающей среды (например, программы, планы получения данных, организация измерений);

MU – модель управляющей (регулирующей) системы (например, федеральные регулирующие системы) не включается в метанабор, если решаются только задачи исследования объекта;

А – правило выбора процессов изменения объекта;

Мн – модель «наблюдателя» (исследователя, эксперта, инженера-когнитиолога). Наличие в метанаборе М «наблюдателя» позволяет учитывать изменения в понимании (познании) изучаемого объекта исследователем и синтезировать методологию исследования и принятия решений.

Решение задачи управления системой рассматривается в следующей последовательности: определение цели управления и управляющих воздействий Qn, позволяющих достигнуть поставленную цель; удержание системы в достигнутом состоянии до появления новой цели.

Обычно анализ текущего состояния сложной ситуации ЛПР сопровождается следующими этапами:

  1. выбор моделей управления для того, чтобы обеспечить желаемое поведение целевых факторов;
  2. оценка возможных изменений ситуаций в будущем;
  3. оценка возможных проблем.

Моделирование объекта можно представить как совокупность взаимодействующих между собой динамических процессов, происходящих в реальном времени. Моделирование разными типами графов отражает последовательность изменения состояний, и время фактически не имеет смысла времени. Это происходит в случае рассмотрения орграфов и взвешенных орграфов. Для описания воспользуемся работами Ф.С. Робертса, В.В. Кульбы, Г.В. Гореловой.

Учет в когнитивной модели времени основывается на использовании модифицированных функциональных графов – МФ-графов, в этом случае необходимо определить:

  1. множество вершин V графа G, представляющих совокупность факторов моделируемого объекта;
  2. множество дуг факторов друг на друга;
  3. Q E графа G, представляющих совокупности воздействия {Imp} – импульсы, представляющие внешние возмущения;
  4. – предельная точность вычислений.

Возмущение, поступившее в одну из вершин, распространяется по цепочке на остальные, усиливаясь или затухая. Таким образом, значения переменных в вершинах графа могут изменяться под влиянием поступивших возмущений.

Рассмотрим правило изменения параметров в вершинах в момент tn+1.

Если параметр xi зависит от времени xi=xi(t), то можно определить процесс распространения возмущений по графу, т. е. переход системы из состояния t-1 в t, t+1,…

Если на значение хi(t+1) в вершине Vi влияют предыдущие значения хi(t) и вершины, смежные с Vi, и вершина Vi смежна с Vj, причём pj(t) – изменение в вершине Vj в момент времени t, то влияние этого изменения на параметр xi в момент t в зависимости от знака дуги, соединяющей Vi и Vj, будет описываться функцией ±pj(t).

Пусть имеется несколько вершин Vj, смежных с Vi, тогда процесс распространения возмущения по графу определяется по формуле

, (3)

где x(0) – известные начальные значения во всех вершинах, p(0) – начальный вектор возмущений.

Обычно моделирование проводят по шагам или импульсам, т. е. в одной из вершин задаётся определённое изменение, которое инициирует все связанные с ней вершины. Эти вершины называют активизирующими.

Простейший вариант представления функции fij между вершинами Vj, Vi – это коэффициенты ji, ji, характеризующие знак (ji: «+» или «-») и степень влияния ji параметра вершины Vj на параметр вершины Vi; функцию pj(t) влияния изменения в смежной с Vj вершине Vi представим в виде импульса:

p(n) = x(n+1) – x(n),

где x(n), x(n+1) – величины показателя в вершине Vi при шагах имитации в момент t=n и следующим за ним t=n+1. Тогда формула (2) преобразуется к виду

. (4)

Коэффициенты ij, характеризующие взаимовлияние смежных вершин, определяются статистически или экспертно.

В подобные модели можно вводить лаги – задержки передачи воздействия по каждой дуге.

Правило (PR) изменения параметров в вершинах в момент tn+1, если в момент времени tn в вершины поступили импульсы, выглядит следующим образом:

(5)

. (6)

Модель импульсного процесса – это кортеж <Ф, Q, PR>, где Ф – Ф-граф, Ф=<(V, E), X, W>, Q=Q(tn) – последовательность возмущающих воздействий, PR – правило изменения параметров.

Модельное представление системы <tn, Sn, Bn> – это последовательность <n, X(tn), Q(tn)>.

Рассмотрим математическую модель импульсных процессов в матричном виде (на знаковых графах). Введём следующие обозначения:

, t=0,1, 2,…, – вектор внешних импульсов qit, вносимых в вершины vi в момент времени t;

, t=0,1, 2,…, – вектор значений параметров xit вершин vi в момент времени t;

– вектор параметров вершин в момент времени t, который задается уравнением:

Rt = Xt – Xt-1, t=1, 2, 3, …

Тогда изменения параметров вершин можно задать следующим уравнением:

Xt = Xt-1 + ARt-1 + Qt-1.

Из последнего уравнения получим выражение для Rt:

Rt=At-1Q0 + At-2 Q1+…+ AQt-2+ IQt-1, (7)

где I – единичная матрица.

Методология моделирования социально-экономических систем на основании качественной и количественной информации должна основываться на следующих принципах: 1) принцип внешних дополнений (критерием построения математической модели является цель моделирования – получение прогноза, описание закономерностей в данных, получение модели для управления); 2) принцип цикличности анализа данных при выдвижении и проверке различных гипотез; 3) принцип свободы выбора решений Д. Габора; 4) принцип неокончательных решений; 5) принцип множественности математических моделей.

На основании этих принципов предлагается следующая структура системы построения моделей (рисунки 2–3).

На первом этапе эксперт формулирует проблемы исследования и предлагает систему концептов. В зависимости от имеющейся информации и её изменения цели и концепты могут изменяться.

На втором этапе проводится идентификация концептов, при этом:

  1. Если концепты качественные, то задача сводится к когнитивному моделированию, основанному на алгебро-геометрическом подходе.
  1. Если концепты количественные, то используются методы анализа табличных данных и проводится идентификация имеющейся информации:

    1. При наличии базы данных, которая может обновляться, создаются хранилища данных (ХД) и ориентируются на методы Knowledge discovery in databases (KDD)и Data mining (DM).

2.2. При наличии небольших объёмов не связанной информации ориентируются на методы прикладной статистики и разведочного анализа данных (РАД).

    1. При наличии количественных и качественных концептов необходимо перейти к анализу на качественном уровне (п. 1 и при возможности выделить подсистему с количественными концептами и перейти к п. 2.2).

Далее строятся когнитивные – в виде графов и (или) численные модели, происходит их верификация (содержательная оценка), анализ результатов, принятие решений и разработка рекомендаций.

Для прогнозирования социально-экономических процессов предложено использовать метод группового учета аргументов, отличающийся от стандартного варианта возможностью построения моделей прогноза в виде нелинейных моделей авторегрессии.

Во второй главе предложена модель метанабора системы исследования и принятия решений по управлению СЭС, позволяющая использовать знания о законах и закономерностях развития сложных систем и методология изучения СЭС на основе имеющейся количественно-качественной информации, реализованная в виде структуры системы построения моделей для поддержки принятия решений при решении проблем управления.

В третьей главе «Концептуальные подходы применения классических методов анализа структурированных данных при управлении в социально-экономических системах» проведено изучение проблемы применимости классических и современных подходов к экономико-статистическому моделированию СЭС: рассмотрены проблемы получения данных в СЭС и точности их измерений; выявлены особенности применения современных методов статистического моделирования, связанные с необходимостью выполнения ряда априорных предпосылок относительно исходных данных и описывающих их моделей; рассмотрены практические аспекты использования статистических моделей, связанные с выполнением условий применимости.





При выделении в когнитивной модели концептов, которые можно описать структурированными данными, представленными в виде таблиц количественно-качественных признаков небольшого объема, используются статистические и эконометрические методы, проблемы использования которых обычно основываются на неправильном применении методов анализа данных, в первую очередь – некорректном понимании измерений в СЭС и применении не адекватных методов.

Классический подход, реализуемый математической статистикой, утверждает, что любое наблюдение можно представить как

,

где – наблюдаемое i-е значение переменной X, – точное i-е значение переменной X, – случайная ошибка (погрешность).

Причем обычно предполагается, что – это случайная величина, имеющая нормальный закон распределения. Существует мнение, что неопределенность (случайность, нечеткость, неточность), имеющая место при измерениях, вызвана недостатком информации. Проведенные исследования показали, что кроме этого могут рассматриваться и другие неопределенности: принципиальная, сгенерированная большим числом объектов, порожденная высокой платой за определенность, порожденная субъектами рынка из-за недостатка опыта или знаний, связанная с ограничениями во времени или пространстве параметров, вызванная поведением среды или противника.

Также можно выделить внешнюю, вызванную влиянием экзогенных переменных (экология, внешняя политика государства и т. д.), внутреннюю, вызванную влиянием субъекта (средства, ресурсы, квалификация кадров) и структурную неопределенность, характеризующуюся степенью «достоверности» модели поведения объекта.

Таким образом, неопределенность – это характерная черта СЭС.

В настоящее время существует несколько источников исходных данных для эконометрического исследования: 1) данные баз и банков, витрин и хранилищ данных, которые автоматически пополняются; 2) данные статистической отчетности; 3) данные, получаемые путем экспертного опроса.

Рациональный подход к изучению исходных данных должен основываться на учете проявления различных источников ошибок.

Решение проблем точности данных в настоящей работе предлагается рассматривать с той точки зрения, что они (данные) представляют собой информационную модель изучаемой системы и, фактически, являются одной из возможных проекций признакового пространства, характеризующего функционирование объекта и внешнюю среду. Поэтому необходимо изучать свойства объекта (системы) на основании этой модели, предполагая ту или иную природу данных.

Выбор только одной из точек зрения обусловливает целый ряд априорных предположений, которые существенно влияют на результаты моделирования. Так, в настоящее время имеется возможность сбора информации о деятельности предприятий, центров занятости населения и т. д. Утверждение о вероятностной природе данных приводит к соответствующей теории. Другие предположения приведут к другим теориям. Значит, необходимо рассматривать несколько априорных предположений и проверять их согласование с практикой.

Пусть в результате ежегодных наблюдений за некоторым социально-экономическим объектом, например, сельхозорганизациями Краснодарского края, отмечается ряд переменных xj – для i-го предприятия это будут наблюдения xij. Таким образом, все наблюдения – исходные статистические данные – можно представить в виде так называемых панелей (матриц), строки которых соответствуют объектам, а столбцы – наблюдениям:

.

Если T1n = (t1, t2, …,tn) – вектор-строка, обозначающая n лет наблюдений, то исходные данные с помощью произведения Кронекера можно представить в виде блочной матрицы размерности : .

Графически произведение Кронекера в данном случае можно представить как трехмерный куб.

Проведенные исследования позволили выделить в соответствии с многомерным представлением данных пять классов задач:

1. Рассмотрение срезов куба в пространстве и во времени. Отсюда практически все методы многомерного статистического анализа (прикладной статистики) ориентируются на решение трёх типов задач:

– выявление сходства между объектами – строками матрицы (одномерная классификация объектов – простая или комбинированная группировка; многомерная классификация – кластерный и дискриминантный анализ);

– анализ взаимодействия между признаками – столбцами матрицы (дисперсионный анализ, корреляционно-регрессионный анализ, ковариационный анализ, факторный и компонентный анализ, путевой анализ и т. д.);

– выявление закономерностей (трендов, сезонностей, циклов) изменения признаков предприятия – элементов xij во времени (анализ одномерных и многомерных временных рядов).

2. Применение оператора векторизации, преобразующего матрицу в вектор, позволяет получить матрицу размерности , которую можно представить в виде модели ковариационного анализа.

3. Рассмотрение моделей панельных данных, предполагающих изучение зависимостей и в пространстве, и во времени.

4. Представление данных в виде многомерной модели OLAP-куба с возможностями свёртки (обобщения одного или нескольких измерений и агрегирования соответствующих показателей); развёртки (получения подробной информации об одном или нескольких измерениях); расщепления и разрезания (развёртка на один уровень вниз по одному или нескольким измерениям для ограниченного количества элементов); построения кросс-таблиц, кросс-диаграмм, что для небольших объёмов информации доступно в Excel.

5. Представление данных в виде пространственной базы с привязкой к некоторой базовой системе координат (например, земной поверхности) и использование в географических информационных системах (ГИС) для решения задач визуализации (нанесения информации на географическую карту в виде различных векторных слоёв с информацией о земельных участках, экологическом районировании, почвах, социальных, экономических показателях и т. д.), тематического поиска, анализа местоположения, топографического анализа, анализа потоков (связность, кратчайший путь), пространственного анализа (поиск шаблонов, центров, автокорреляций), измерения (расстояний, периметра, очертания, направления).

Цель решения задач выявления сходства между объектами, анализа взаимодействия между признаками (в пространстве и во времени), выявления закономерностей – получение описания объектов в виде конечных формул для решения задач описания и анализа.



Pages:     | 1 | 2 || 4 | 5 |   ...   | 6 |
 

Похожие работы:










 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.