Версия для печати

Файл в формате pdf

КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ И ФОРМАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ УСТОЙЧИВОСТИ ПЕРЕРАБАТЫВАЮЩЕГО КОМПЛЕКСА

Крохмаль В.В. – к. э. н., профессор

Кубанский государственный аграрный университет

В статье задача изучения устойчивости перерабатывающего комплекса региона сводится к разработке его формальной модели и исследованию ее на устойчивость. Анализируются характеристики доступных источников исходных данных для разработки модели, и сформулированные требования к модели рассматриваются как критерии выбора. В качестве инструмента моделирования предлагается применить новый перспективный метод системно-когнитивного анализа (СК-анализ). Конкретная реализация первого этапа СК-анализа, заключающегося в когнитивной структуризации и формализации  предметной области, позволяет непосредственно приступить к синтезу численной модели, обеспечивающей исследование устойчивости управления и работы перерабатывающего комплекса региона.

1. Формулирование проблемы

В данной статье перерабатывающий комплекс региона (ПКР) рассматривается с точки зрения проектирования автоматизированных систем управления (АСУ).

Устойчивость ПКР складывается из устойчивости управления и устойчивости работы. Под устойчивостью управления в статье понимается отсутствие сильных реакций ПКР на слабые управляющие воздействия, а под устойчивостью работы – отсутствие сильных реакций в условиях сильных и сверхсильных внешних воздействий [1, 2].

Очевидно, что исследование устойчивости работы и управления ПКР в принципе не может быть осуществлено на основе проведения каких-либо экспериментов с ним. Поэтому исследуем поведение ПКР в реальных условиях в течение определенного периода. На основе ретроспективных данных предлагаем осуществить синтез комплексной модели ПКР и исследуем ее на устойчивость. Полученные результаты могут считаться исследованием самого моделируемого объекта только в том случае, если будет подтверждена адекватность модели.

Прежде всего, необходимо выбрать тип модели, обеспечивающей комплексную обработку имеющихся исходных данных.

2. Исследование характеристик источников исходных данных

2.1. Источники информации

Проведенный анализ доступных источников информации о работе перерабатывающего комплекса Краснодарского края показал, что наиболее полной информацией на данный момент обладает Краевой комитет статистики и ГУ «Инвестинформсервис АПК», входящее в состав администрации Краснодарского края. Эта организация уже несколько лет поддерживает электронные базы данных по ряду отраслей АПК региона. Таких баз в настоящее время насчитывается более 50, однако, только некоторые из них охватывают период более трех лет.

В работах [2, 3] приводятся такие данные в натуральном, относительном и стоимостном выражении за 1995–2002 годы включительно. Анализ структуры этих таблиц показал, что данные в них представлены в различных разрезах и не всегда могут быть приведены к одной стандартной типовой форме. Эта работа выполнена нами не для всего объема исходных данных, а лишь для тех, для которых это оказалось возможным. Тем не менее, нам удалось в одной комплексной таблице 1 представить данные десятков разрозненных таблиц.

2.2. Характеристики источников информации

Из анализа таблицы 1 по работе АПК Краснодарского края следует наличие значительной неполноты и фрагментарности исходных данных:

1.     Нет данных ранее 1995 года, а также за 1996, 1997 и 2003 годы.

2.     По ряду показателей отсутствуют данные за 1995, 1998 и 2002 годы.

3.     Фактически достаточно полно представлены данные всего за  1999–2001 годы.

4.     Данные представлены в трех видах «единиц измерения»:

·       в натуральном выражении (ряд различных единиц измерения);

·       в стоимостном выражении, причем не в сопоставимых единицах («твердой валюте»), а в рублях;

·       в относительном выражении, т.е. в процентах относительно предыдущего года.

5.  Размерность исходных данных составляет 87 числовых показателей.

2.3. Требования к математической модели

Анализ характеристик исходных данных, отражающих динамику работы перерабатывающего комплекса региона, показывает, что его математическая модель  должна обеспечивать:

– непараметрический анализ разнородных по своей природе данных, а также неполных (фрагментированных) и зашумленных данных большой размерности;

– выявление и исследование в сопоставимой форме причинно-следственных взаимосвязей факторов среды и управления различной природы, с одной стороны, и устойчивости ПКР – с другой.

3. Традиционные пути решения проблемы

В работе [1] было показано, что классические аналитические экономические модели, хорошо зарекомендовавшие себя в развитых странах, в условиях экономики переходного периода России  имеют низкую степень адекватности, что не позволяет «настроить» эти модели на отражение наших реалий. Поэтому создание соответствующей нашим условиям аналитической модели макроэкономики переходного периода является проблематичным.

Статистические модели также не удовлетворяют сформулированным выше требованиям, т.к.:

– имеют жесткие ограничения по количеству исследуемых факторов, как правило, не более 10, тогда как в исследуемой модели факторов должно быть, по крайней мере, несколько десятков;

– требуют информации о результатах действия всех сочетаний исследуемых факторов («повторности»), что в исследуемой предметной области невыполнимо даже при нескольких факторах.

Необходимо подчеркнуть, что восполнить отсутствующие данные  опытом не представляется возможным, т.к. объект исследования (перерабатывающий комплекс региона) принципиально не допускает какого-либо экспериментирования. Применение интерполяции также некорректно, т.к. в каждой строке и столбце корреляционной матрицы имеется более одного пропуска.

Кроме того, статистические модели очень сложно интерпретировать содержательно, для чего требуются большой труд квалифицированных аналитиков.

Таким образом, можно сделать вывод о том, что для моделирования такого сложного и малоисследованного объекта, каким является перерабатывающий комплекс региона, применение традиционных математических моделей сопряжено с множеством проблем.

4. Концепция решения проблемы

По мнению автора, решение поставленной проблемы может быть получено с помощью системно-когнитивного анализа (СК-анализ) [4], – нового перспективного математического метода системного анализа, основанного на теории информации, системном анализе и когнитивном моделировании.

Весьма существенно, что для метода СК-анализа разработаны методика численных расчетов и соответствующий программный инструментарий [4], а также технология и методика их применения. Он прошел успешную апробацию при решении ряда задач в различных предметных областях. Метод является непараметрическим, позволяет сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагментированных), зашумленных данных различной природы.

В работах [1, 4] приведен перечень этапов системно-когнитивного анализа, которые необходимо выполнить для того, чтобы осуществить синтез модели перерабатывающего комплекса и исследовать его на устойчивость работы и управления им.

Технология применения программного инструментария включает следующие этапы:

1. Когнитивная структуризация, а затем формализации предметной области.

2. Ввод данных мониторинга в базу прецедентов за период, в течение которого имеется необходимая информация в электронной форме.

3. Синтез семантической информационной модели (СИМ), обеспечивающей исследование устойчивости перерабатывающего комплекса региона (на примере Краснодарского края).

4. Оптимизация СИМ ПКР.

5. Проверка адекватности СИМ ПКР (внутренняя и внешняя, дифференциальная и интегральная валидность).

6. Анализ СИМ ПКР, изучение  устойчивости управления и работы ПКР путем исследования его модели.

7. Идентификация состояний, прогнозирование и поддержка принятия управленческих решений по управлению ПКР с применением СИМ.

Наличие в распоряжении исследователей инструментария АСК-анализа позволяет осуществить не только синтез СИМ ПКР, но и периодическую адаптацию, а  также синтез новых версий семантической информационной модели, обеспечивая тем самым отслеживание динамики предметной области и сохраняя высокую степень адекватности модели изменяющимся условиям.

Рассмотрим подробнее пути реализации первого этапа этой технологии, что и является основным предметом данной статьи:

– определяют факторы и будущие состояния объекта управления;

– измеряют область изменения и интервалы (диапазоны) числовых значений факторов, а также макропараметров, определяющих состояния объекта управления;

– конструируют классификационные и описательные шкалы и градации и их кодируют;

– исходные данные кодируют в системе классификационных и описательных шкал и градаций, в результате чего формируется обучающая выборка (база прецедентов, содержащая данные формализованного опыта управления перерабатывающим комплексом региона за ряд лет).

5. Когнитивная структуризация предметной области

Под когнитивной структуризацией предметной области будем понимать процесс ее познания, осуществляемый на основе системного подхода, в соответствии с которым объект познания рассматривается как система, имеющая сложное многоуровневое, иерархическое строение. Когнитивная структуризация предметной области – это начальный этап синтеза модели, подготавливающий формализацию [1, 4].

При когнитивной структуризации:

– выделяются целевые параметры системы, т.е. ее желательные и нежелательные будущие состояния, характеризующие ее на макроуровне;

– определяется система факторов, детерминирующих эти будущие состояния (факторы окружающей среды, технологические факторы и параметры системы на нижних уровнях ее иерархической структуры).

Основываясь на исходных данных, приведенных в таблице 1, и экономической постановке задачи устойчивости ПКР, представленной в работе [1], выделим для исследования в модели будущие состояния ПКР и факторы, определяющие их.

Будущие состояния объекта управления (классы).

Динамика производства продуктов животноводства

Все категории хозяйств

– получено мяса, тыс. т;

– молоко, тыс. т;

– яйца, млн шт.;

– шерсть в физ. счете, тыс. т.

Сельскохозяйственные предприятия

– получено мяса, тыс. т;

– молоко, тыс. т;

– яйца, млн шт.;

– шерсть в физ. счете, тыс. т.

ДИНАМИКА ОБЪЕМОВ ПРОИЗВОДСТВА ПРОДУКЦИИ В ОТРАСЛЯХ АПК, МЛН РУБ.

– всего по предприятиям АПК;

– отрасли, обеспечивающие АПК средствами производства;

– отрасли, перерабатывающие сельскохозяйственное сырье;

– в т.ч. пищевая промышленность;

– в т.ч. мукомольно-крупяная и комбикормовая (МКК).

ИНДЕКСЫ ФИЗИЧЕСКОГО ОБЪЕМА ПРОМЫШЛЕННОЙ ПРОДУКЦИИ, % К  ПРЕД. ГОДУ

– всего по предприятиям АПК;

– отрасли, обеспечивающие АПК средствами производства;

– отрасли, перерабатывающие сельскохозяйственное сырье;

– в т.ч. пищевая промышленность;

– в т.ч. мукомольно-крупяная и комбикормовая.

ДИНАМИКА ВАЛОВЫХ СБОРОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР

– валовой сбор зерновых и зернобобовых, тыс. т;

– валовой сбор пшеницы, тыс. т;

– валовой сбор ячменя, тыс. т;

– валовой сбор кукурузы, тыс. т;

– валовой сбор риса, тыс. т;

– валовой сбор сахарной свеклы, тыс. т;

– валовой сбор подсолнечника, тыс. т;

– валовой сбор сои, тыс. т.

ФАКТОРЫ

ДИНАМИКА РАЗВИТИЯ ЖИВОТНОВОДСТВА В СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПРЕДПРИЯТИЯХ

– поголовье крупного рогатого скота (КРС);

– поголовье коров;

– свиней;

– овец;

– птицы, млн гол.

ДИНАМИКА ПРОДУКТИВНОСТИ СКОТА И ПТИЦЫ В СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПРЕДПРИЯТИЯХ

– средний удой молока от одной коровы, кг;

– средний настриг шерсти с одной овцы, кг;

– средняя яйценоскость одной курицы-несушки, шт.

ДИНАМИКА РАСХОДА КОРМОВ В СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПРЕДПРИЯТИЯХ

– расход кормов на 1 голову условного скота, кг;

– расход концентрированных кормов на 1 голову условного скота, кг.

ЧИСЛО ПРЕДПРИЯТИЙ, ВХОДЯЩИХ В АПК КРАСНОДАРСКОГО КРАЯ, ЕДИНИЦ

– промышленность – всего;

– крупные и средние предприятия;

– предприятия, состоящие на балансе сельскохозяйственных и других непромышленных организаций;

– малые предприятия.

ИСПОЛЬЗОВАНИЕ СРЕДНЕГОДОВОЙ МОЩНОСТИ ПРЕДПРИЯТИЙ ПО ВЫПУСКУ ОТДЕЛЬНЫХ ВИДОВ ПРОДУКЦИИ,  %

– мясо;

– масло животное;

– цельномолочная продукция;

– сахар-песок;

– консервы плодоовощные;

– вино виноградное;

– мука;

– комбикорма.

СРАВНИТЕЛЬНЫЕ ДАННЫЕ О СРЕДНИХ ЦЕНАХ РЕАЛИЗАЦИИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ, ПЕРЕРАБАТЫВАЮЩИХ ПРЕДПРИЯТИЙ И ПОТРЕБИТЕЛЬСКИХ ЦЕНАХ  НА ОТДЕЛЬНЫЕ ВИДЫ ЖИВОТНОВОДЧЕСКОЙ ПРОДУКЦИИ, ТЫС. РУБ.

Цены реализации сельскохозяйственных предприятий за 1 т

– крупный рогатый скот;

– свиньи;

– птица;

– молоко и молочные продукты.

Цены реализации перерабатывающих предприятий за 1 т

– говядина;

– свинина;

– мясо птицы.

Потребительские цены в торговле за 1 т

– говядина;

– свинина;

– куры;

– молоко цельное.

ДИНАМИКА СТРУКТУРЫ СЕБЕСТОИМОСТИ ПРОМЫШЛЕННОЙ ПРОДУКЦИИ ПО ЭЛЕМЕНТАМ ЗАТРАТ В РАЗРЕЗЕ ОТРАСЛЕЙ (КРУПНЫЕ И СРЕДНИЕ ПРЕДПРИЯТИЯ)

Всего по предприятиям АПК

– материальные затраты;

– в т.ч. сырье и материалы;

– комплектующие и полуфабрикаты;

– работы и услуги;

– топливо и энергия;

– оплата труда.

Отрасли, перерабатывающие сельскохозяйственное сырье

– из них материальные затраты;

– в т.ч. сырье и материалы;

– комплектующие и полуфабрикаты;

– работы и услуги;

– топливо и энергия;

– оплата труда.

ДИНАМИКА ПОСЕВНЫХ ПЛОЩАДЕЙ И УРОЖАЙНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР

Зерновые и зернобобовые

– уборочная площадь, тыс. га;

– урожайность, ц/га.

В т.ч. пшеница

– уборочная площадь, тыс. га;

– урожайность, ц/га.

Ячмень

– уборочная площадь, тыс. га;

– урожайность, ц/га.

Кукуруза на зерно

– уборочная площадь, тыс. га;

– урожайность, ц/га.

Рис

– уборочная площадь, тыс. га;

– урожайность, ц/га.

Сахарная свекла

– уборочная площадь, тыс. га;

– урожайность, ц/га.

Подсолнечник

– уборочная площадь, тыс. га;

– урожайность, ц/га.

Соя

– уборочная площадь, тыс. га;

– урожайность, ц/га.

6. Формализация предметной области

Формализация предметной области осуществляется на основе ее когнитивной структуризации и предполагает конструирование классификационных и описательных шкал и градаций, как правило, порядкового типа с использованием интервальных оценок, в системе которых предметная область описывается в форме, пригодной для обработки на компьютере с использованием математических моделей [4].

В соответствии с методом СК-анализа каждый числовой фактор, представленный в таблице 1, независимо от его смысла и единиц измерения, рассматривается как переменная числовая величина, принимающая определенное множество значений. Подобные величины формализуются путем сведения к интервальным значениям, т.е. введения некоторого количества диапазонов, охватывающих все множество значений фактора, и установления фактов попадания конкретного значения величины в определенный диапазон.

Для каждого фактора устанавливаются свои границы диапазонов, исходя из их количества и множества значений величины фактора.

Количество диапазонов может быть различным для разных факторов, но на практике удобнее выбирать их одинаковым. Чем больше диапазонов, тем точнее интервальные оценки. Однако это условие выполняется в том случае, когда, по крайней мере, для большинства диапазонов наблюдаются факты попадания значений факторов в них. Очевидно, для этого необходимо достаточно большое количество данных. Если их нет, то многие диапазоны могут оказаться пустыми и модель приближается к детерминистскому типу. В таком случае имеет смысл уменьшить их количество и тем самым увеличить данные.

Из этих рассуждений следует вывод о том, что при большом количестве данных можно увеличивать количество диапазонов и повысить точность исследования. Когда же данных недостаточно, приходится укрупнять диапазоны, что приводит к некоторой неточности выводов, но делает их статистически обоснованными. По-видимому, это утверждение можно считать одной из форм теоремы Котельникова об отсчетах.

СК-анализ предусматривает также возможность использования вторичных показателей, являющихся различными функциями первичных показателей. Однако этот подход требует данных большего объема и за длительный период времени, поэтому, в данном исследовании применяться не будет. Нами, прежде всего, было определено количество диапазонов, равное пяти. Затем были определены границы каждого диапазона:

– для каждого фактора были установлены минимальное и максимальное значения;

– весь интервал значений был разделен на пять равных частей (табл. 2).

Таблица 2. Области значений и границы диапазонов факторов

На основе представленных в таблице 2 диапазонов изменений факторов нами предлагаются следующие классификационные и описательные шкалы и градации, в которых:

– каждая классификационная шкала соответствует группе будущих состояний ПКР, а градации классификационных шкал – конкретным будущим состояниям ПК (табл. 3);

– каждая описательная шкала соответствует фактору, а каждая градация – определенному диапазону его изменения (табл. 4, 5).

7. Подготовка обучающей выборки

После реализации этапов конструирования классификационных и описательных шкал и градаций выполняется следующий этап подготовки базы прецедентов (обучающей выборки). Обучающая выборка (табл. 6) представляет собой исходные данные (см. табл. 1), закодированные с использованием классификационных и описательных шкал и градаций, и состоит из двух взаимосвязанных таблиц:

– таблицы кодов классов;

– таблицы кодов градаций факторов.

Коды классов (будущих состояний ПКР) и градаций факторов соответствуют справочникам, представленным в таблицах 3, 4 и 5.

Выводы

Таким образом, в статье задача исследования устойчивости перерабатывающего комплекса региона сводится к разработке его формальной модели и исследованию ее на устойчивость. Проанализированы характеристики доступных источников исходных данных для разработки моделей, и с их помощью сформулированы требования к ним. На основе обоснованных требований, рассматриваемых как критерии выбора, в качестве инструмента моделирования предлагается применить новый перспективный метод системно-когнитивного анализа (СК-анализ). Рассматривается конкретная реализация первого этапа СК-анализа, заключающегося в когнитивной структуризации и формализации предметной области. Это позволяет непосредственно приступить к синтезу численной модели исследования устойчивости управления и работы перерабатывающего комплекса региона.

Список литературы

1. Крохмаль В.В. Устойчивость перерабатывающего комплекса региона в условиях экономики переходного периода (экономическая постановка задачи) // Научный журнал КубГАУ. – 2003. – № 2. – 20 с. http://ej.kubagro.ru.

2. Крохмаль В.В. Развитие перерабатывающей промышленности в Краснодарском крае // Научный журнал КубГАУ. – 2003. – № 2. – 16 с. http://ej.kubagro.ru.