Качество групповых решений

Типичные ошибки

• 1. Превалирование внутренних причин над внешними — групповая ошибка атрибуции.
• 2. Позиционная атрибуция для успехов и ситуационная — для неудач.
• 3. Эффект однородности чужой группы (чужая группа воспринимается как однородная, своя — как разнообразная).

Эффект групповой поляризации

В группе больше склонность к риску. Однако если отобрать осторожных людей, то у них будет наблюдаться стремление к осторожности.

Вероятность ошибок при групповых решениях

Таким образом, групповые обсуждения увеличивают число верных ответов, но не гарантируют 100%.

Точность оценок

Метод принятия групповых решений основан на том, что качество групповых решений выше, чем индивидуальных, однако это зависит от характера решаемых задач:

• 1) оценка количества и величины (количественные суждения);
• 2) решение логических задач;
• 3) ответы на вопросы, предполагающие использование знаний;
• 4) творческие вопросы, в частности решение проблем;
• 5) «консенсус» — путем открытого обсуждения исходных индивидуальных вариантов вырабатывается единое групповое;
• 6) «диалектическая» — обсуждаются не варианты, а факторы, определяющие их;
• 7) «диктатура» — обсуждение заканчивается выбором участника, чье мнение и становится мнением группы;

• 8) метод Дельфи — многократное анонимное и изолированное высказывание и обсуждение мнений в письменной форме; за несколько раундов обычно удается прийти к общему решению;
• 9) «коллективная» методика — усреднение результата, что исключает все индивидуальные влияния.

Нечеткие множества в системах управления (по материалам: В. Я. Пивкин, Е. П. Вакулин, Д. И. Кореньков) В последние пять — семь лет началось использование новых методов и моделей ПР в промышленности. И хотя первые применения нечетких систем управления были в Европе, наиболее интенсивно внедряются такие системы в Японии. При этом нечеткие системы позволяют повысить качество продукции при уменьшении ресурсои энергозатрат и обеспечивают более высокую устойчивость к воздействию мешающих факторов по сравнению с традиционными системами автоматического управления.

В этом плане любопытна точка зрения Л. Заде, считавшего, что «излишнее стремление к точности стало оказывать действие, сводящее на нет теорию управления и теорию систем, так как оно приводит к тому, что исследования в этой области сосредоточиваются на тех и только тех проблемах, которые поддаются точному решению. В результате многие классы важных проблем, в которых данные, цели и ограничения являются слишком сложными или плохо определенными для того, чтобы допустить точный математический анализ, оставались и остаются в стороне по той причине, что они не поддаются математической трактовке. Для того чтобы сказать что-либо существенное относительно проблем подобного рода, мы должны отказаться от наших требований точности и допустить результаты, которые являются несколько размытыми или неопределенными».

В последнее время нечеткое управление является одной из самых активных и результативных областей исследований применения теории нечетких множеств. Нечеткое управление оказывается особенно полезным, когда процессы оказываются слишком сложными для анализа с помощью общепринятых количественных методов или когда доступные источники информации интерпретируются некачественно, неточно или неопределенно. Экспериментально показано, что нечеткое управление дает лучшие результаты по сравнению с получаемыми при общепринятых алгоритмах управления. Нечеткая логика, на которой основано нечеткое управление, ближе по духу к человеческому мышлению и естественным языкам, чем традиционные логические системы. Нечеткая логика в основном обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности, которая всегда нечетка по природе своей.

Нечеткое подмножество отличается от обычного тем, что для его элементов нет однозначного ответа «да — нет» относительно некоторого.

(каждого) свойства. А существует диапазон ответов от «да» до «нет», определяемых (зависимых) от некоторых условий. При решении нечетких задач используются прямые и косвенные методы.

Прямые методы — когда эксперт либо просто задает для каждого элемента множества значение, либо определяет функцию совместимости с условием или элементом другого множества («да, если…»). Как правило, прямые методы задания функции принадлежности используются для измеримых понятий, таких как скорость, время, расстояние, давление, температура и т. д., или когда выделяются полярные значения. Во многих задачах при характеристике объекта можно выделить набор признаков и для каждого из них определить полярные значения, соответствующие значениям функции принадлежности, 0 или 1.

При прямых методах используются также групповые прямые методы, когда, например, группе экспертов предъявляют конкретное лицо и каждый должен дать один из двух ответов: «этот человек лысый» или «этот человек не лысый»; тогда число утвердительных ответов, деленное на общее число экспертов, даст значение параметра для данного лица. В этом примере можно действовать через функцию совместимости, но тогда придется считать число волосинок на голове у каждого из предъявленных эксперту лиц.

Косвенные методы определения значений функции принадлежности используются в случаях, когда нет элементарных измеримых свойств, через которые определяется интересующее нас нечеткое множество. Как правило, это методы попарных сравнений. Если бы значения функций принадлежности были известны, то попарные сравнения можно представить матрицей отношений. На практике эксперт сам формирует матрицу, при этом предполагается, что диагональные элементы равны 1, а для элементов, симметричных относительно диагонали, т. е. если один элемент оценивается в а раз сильнее чем другой, этот последний должен быть в 1 /а раз сильнее, чем первый. Поскольку матрица А положительна по построению, решение данной задачи существует и является положительным.

Операции над нечеткими множествами основаны на использовании операций max и min. В теории нечетких множеств разрабатываются вопросы построения обобщенных, параметризованных операторов пересечения, объединения и дополнения, позволяющих учесть разнообразные смысловые оттенки соответствующих им связок «и», «или», «не».

Понятия нечеткой и лингвистической переменных используются при описании объектов и явлений с помощью нечетких множеств. Нечеткая переменная характеризуется тройкой , где а — наименование переменной, X — универсальное множество (область определения а), А — нечеткое множество на X, описывающее ограничения (т. е. m _А (х)) на значения нечеткой переменной а.

Лингвистической переменной называется набор , где b — наименование лингвистической переменной; Т — множество ее значений (терм-множество), представляющих собой наименования нечетких переменных, областью определения каждой из которых является множество X. Множество Т называется базовым терм-множеством лингвистической переменной; G — синтаксическая процедура, позволяющая оперировать элементами терм-множества Т, в частности генерировать новые термы (значения). Множество сгенерированных термов называется расширенным терм-множеством лингвистической переменной; М — семантическая процедура, позволяющая превратить каждое новое значение лингвистической переменной, образуемое процедурой G, в нечеткую переменную, т. е. сформировать соответствующее нечеткое множество.

Чтобы избежать большого количества символов, используют символ b как для названия самой переменной, так и для всех ее значений; пользуются одним и тем же символом для обозначения нечеткого множества и его названия, например терм «молодой», являющийся значением лингвистической переменной Ъ = «возраст», одновременно есть и нечеткое множество М («молодой»). Присвоение нескольких значений символам предполагает, что контекст позволяет разрешить возможные неопределенности.

Пусть эксперт определяет толщину выпускаемого изделия с помощью понятий «малая толщина», «средняя толщина» и «большая толщина», при этом минимальная толщина равна 10 мм, а максимальная — 80 мм. Формализация такого описания может быть проведена с помощью следующей лингвистической переменной , где Ь — толщина изделия; Т — {"малая толщина", «средняя толщина», «большая толщина"}; X — G — процедура образования новых термов с помощью связок «и», «или» и модификаторов типа «очень», «не», «слегка» и др. (например, «малая или средняя толщина», «очень малая толщина» и др.); М — процедура задания наХ— нечетких подмножеств А_г — «малая толщина», А₂— «средняя толщина», А₃ — «большая толщина», а также нечетких множеств для термов из G (Т) в соответствии с правилами трансляции нечетких связок и модификаторов «и», «или», «не», «очень», «слегка» и др. операции над нечеткими множествами.

Наряду с рассмотренными базовыми значениями лингвистической переменной «толщина» (Т — {"малая толщина", «средняя толщина», «большая толщина"}) возможны значения, зависящие от области определения X. В данном случае значения лингвистической переменной «толщина изделия» могут быть определены как «около 20 мм», «около 50 мм», «около 70 мм», т. е. в виде нечетких чисел.

Нечеткие числа — нечеткие переменные, определенные на числовой оси, т. е. нечеткое число определяется как нечеткое множество, А на множестве действительных чисел R.

Расширенные бинарные арифметические операции (сложение, умножение и проч.) для нечетких чисел определяются через соответствующие операции для четких чисел с использованием принципа обобщения.

Решение задач математического моделирования сложных систем с применением аппарата нечетких множеств требует выполнения большого объема операций над разного рода лингвистическими и другими нечеткими переменными. Для удобства исполнения операций, а также для ввода-вывода и хранения данных желательно работать с функциями принадлежности стандартного вида.

Нечеткими высказываниями будем называть высказывания следующего вида.

Высказывание <�Ь есть Ъ'>, где Ъ — наименование лингвистической переменной, Ъ' — ее значение, которому соответствует нечеткое множество на универсальном множестве X.

Например, высказывание предполагает, что лингвистической переменной «давление» придается значение «большое», для которого на универсальном множестве X переменной «давление» определено соответствующее данному значению «большое» нечеткое множество. Высказывание <�Ь есть mb'>, где т — модификатор, которому соответствуют слова «ОЧЕНЬ», «БОЛЕЕ ИЛИ МЕНЕЕ», «МНОГО БОЛЬШЕ» и др., например , и др.

Составные высказывания, образованные из высказываний простых видов и союзов «И», «ИЛИ», «ЕСЛ И., ТО…», «ЕСЛ И., Т О., ИНАЧЕ».

То, что значения фиксированной лингвистической переменной соответствуют нечетким множествам одного и того же универсального множества X, позволяет отождествлять модификаторы «очень» или «не» с операциями «CON» и «дополнение», а союзы «И», «ИЛИ» — с операциями «пересечение» и «объединение» над нечеткими множествами.

Логико-лингвистические методы описания систем основаны на том, что поведение исследуемой системы описывается на естественном (или близком к естественному) языке в терминах лингвистических переменных. Входные и выходные параметры системы рассматриваются как лингвистические переменные, а качественное описание процесса задается совокупностью высказываний. Композиционное правило вывода (основной закон функционирования реальной системы данного типа) в этом случае задает закон функционирования нечеткой модели системы.

Системный подход в исследовании управления компанией предусматривает выявление всех факторов, влияющих на этот процесс, всех связей и зависимостей, которые формируют процесс управления, специфики и обязательных условий осуществления управляющих воздействий.

Обязательным условием является наличие такой внутренней среды компании, в которой непрерывно возникают новые обстоятельства, существенно влияющие на процессы, происходящие в ней, а практика такова, что менеджеру в большинстве случаев приходится сталкиваться с многоальтернативной ситуацией принятия решения. Неопределенность увеличивается в геометрической прогрессии с удалением предполагаемого события во времени. А поскольку все, что касается стратегии компании, относится к долговременному интервалу, то условия неопределенности в применении к стратегии, как считает, например, Г. Шмален, приобретают исключительное значение. Никто не может точно сказать, какими будут года через три параметры внешней среды фирмы, а ведь приспосабливаться к ним фирма должна начать уже сейчас.

Выбор из существующих альтернатив, даже имеющих вероятностный, но определенный характер, вполне мог бы осуществить компьютер на основании разработанного алгоритма. Человек же преодолевает условия неопределенности волевым решением, которое зачастую противоречит известным данным и тем не менее оказывается верным. Именно в условиях неопределенности, как считает Б. М. Рапопорт, на первое место выходят такие качества менеджера, как искусство и интуиция.

В табл. 1.3 далее приведены типы ситуаций при принятии управленческого решения. Понятие «ситуация» можно определить как сочетание, совокупность различных обстоятельств и условий, создающих определенную обстановку для того или иного вида деятельности. При этом обстановка может способствовать или препятствовать осуществлению данного действия.

В экономической теории неопределенность чаще всего считалась изначально присущей реальной среде функционирования экономической системы.

Таблица 1.3

Типы ситуаций при принятии управленческого решения.

Базой для принятия любого решения является информация. Она в современных процессах принятия решений определяется как мера многообразия, динамически связанная с неопределенностью через зависимость между числом возможных исходов некоторого явления или процесса и вероятностями их появления.

В. Ф. Капустин под неопределенностью понимает совокупность сведений, необходимых для принятия управленческого решения при отсутствии у ЛПР количественной вероятности наступления определенных событий. Таким образом, неопределенность — это открытые задачи, в которых ЛПР не знает всей совокупности действующих факторов и должно сформулировать множество гипотез, прежде чем их оценивать. Ситуация неопределенности характеризуется тем, что выбор конкретного плана действий может привести к любому исходу из фиксированного множества исходов, но вероятности их осуществления неизвестны. При этом можно выделить два случая:

• 1) вероятности неизвестны в силу отсутствия необходимой статистической информации;
• 2) ситуация не статистическая, и об объективных вероятностях говорить вообще не имеет смысла (чистая неопределенность).

Именно чистая неопределенность наиболее часто встречается в экономике, поскольку решения, особенно стратегические, принимаются каждой конкретной компанией в уникальных условиях.

Как явление неопределенность — это набор нечетких или размытых ситуаций, взаимоисключающей или недостаточной информации. К явлению относятся и форс-мажорные события, которые могут возникнуть помимо воли и сознания конкретного работника и изменить намеченный ход событий. Как процесс неопределенность — это деятельность некомпетентного работника, принимающего ошибочные решения и т. д., причем одна и та же ситуация для одного человека может являться ситуацией риска, а для другого — неопределенности, и она очень легко может перейти из одного вида в другой.

Риск принятия неоптимального решения в условиях, когда известны все исходные данные и взаимосвязи между ними, может быть связан:

• — с ошибками агрегирования этих данных;
• — неправильно построенной моделью принятия решения;
• — неправильным алгоритмом применения модели принятия решения.

Те же самые причины возникновения риска действуют и в ситуации принятия решений в условиях вероятностной ситуации. К ним следует добавить:

• — приближенную оценку истинных значений исходных данных для принятия решений;
• — неадекватность модели распределения вероятностей реально протекающим процессам.

Риск принятия решений в условиях неопределенности связан с указанными причинами, но, кроме них, следует рассмотреть:

• — невозможность определения точного или хотя бы наиболее вероятного значения информации, на основе которой принимается решение;
• — многовариантность исходных условий ситуации принятия решения;
• — многовариантность самих решений, каждое из которых является лучшим для определенных условий, наступление которых предугадать невозможно.

В отечественной теории управления использование категорий риска и неопределенности и с ними связанных не очень широко распространено, так как отечественный менеджмент до сих пор тяготеет к точным методам исследования организации и алгоритмизированным решениям. Однако в условиях неопределенности точной информации о будущем состоянии управляемой системы не существует, поэтому ЛПР моделирует неопределенность, чтобы создать основу для принятия того или иного решения.

Таким образом, неопределенность — это неустранимое качество рыночной среды, связанное с тем, что на рыночные условия оказывают одновременное воздействие неизмеримое число факторов различной природы и направленности, не подлежащих совокупной оценке. Но даже если все привходящие рыночные факторы были в модели учтены (что маловероятно), сохранилась бы неустранимая неопределенность относительно характера реакций рынка на те или иные воздействия. Сама компания также содержит в себе неопределенность относительно своего будущего параметрического и структурного состояния.

Проблему управления в условиях неопределенности необходимо решать путем ее моделирования. При этом объективный подход к моделированию неопределенности весьма ограничен по области применения, так как далеко не всегда возможно получить достаточно информации о вероятностях тех или иных событий. Кроме того, он не учитывает факторы более тонкого свойства, такие как отношение ЛПР к риску. Во многих случаях практики ЛПР предпочитают не рисковать по-крупному, опасаясь больших потерь в случае неудачи. Этот феномен субъективного подхода в моделировании неопределенности объясняется необходимостью учета среди факторов и параметров моделируемой системы и очень мягких факторов человеческого поведения (иррациональных факторов).

Основным повторяющимся этапом моделирования является прогноз значений исследуемого показателя в будущих периодах, получаемый применением математических методов прогнозирования или экспертных оценок. Наряду с прогнозными значениями исследуемого показателя необходимо получить доверительные интервалы прогнозов, в которых будут находиться реальные значения исследуемого показателя в будущих периодах с заданной вероятностью (надежностью). Доверительные интервалы получают либо применением формальных математических методов, либо экспертными оценками. Эту часть методологии называют структурно-целевым анализом. Рассмотрим пример.