Системно-когнитивные модели прогнозирования развития многоотраслевой агропромышленной корпорации

Автоматизированный системно-когнитивный анализ (АСК-анализ) предложен в 2002 году проф. Е. В. Луценко [1]. Это инновационный метод искусственного интеллекта, оснащенный общедоступным программным инструментарием, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система «Эйдос» [2]. Скачать и запустить систему «Эйдос» (самую новую на текущий момент версию) или обновление системы до текущей версии всегда можно здесь: http://lc.kubagro.ru/aidos/_Aidos-X.htm. Это наиболее полная на данный момент незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными текстами, находящаяся в полном открытом бесплатном доступе (около 50 Мб). Обновление имеет объем около 3 Мб. АСК-анализ — это непараметрический метод, позволяющий исследователь сложные нелинейные объекты управления на основе неполных, зашумленных данных о них большой размерности, измеренных в различных типах шкал и различных единицах измерения [3].

Эти особенности АСК-анализа обусловили его выбор в качестве метода создания системно-когнитивной модели прогнозирования развития многоотраслевой агропромышленной корпорации. Авторы имеют опыт решения подобных задач в АПК [4−19].

АСК-анализ обеспечивает преобразование исходных данных в информацию, а ее в знания [1], и включает следующие этапы (рисунки 1 и 2):

• 1. Когнитивная структуризация предметной области.
• 2. Формализация предметной области.
• 3. Синтез и верификация системно-когнитивной модели.
• 4. Решение задач идентификации, прогнозирования и принятия решений.
• 5. Исследование моделируемого объекта путем исследования его системно-когнитивной модели.

Рисунок 1 Содержание понятий: «Данные», «Информация» и «Знания».

Содержание понятий: «Данные», «Информация» и «Знания» и последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и системе «Эйдос» рассмотрены в ряде работ по АСК-анализу.

Данные — это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т. е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:

• 1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т. е. в базу событий — эвентологическую базу).
• 2. Выявление причинно-следственных зависимостей между событиями.

В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т. е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А. Харкевичу [3].

Знания — это информация, полезная для достижения целей.

Значит для преобразования информации в знания необходимо:

• 1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).
• 2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

• — вообще неформализованные знания, т. е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);
• — знания, формализованные в естественном вербальном языке;
• — знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);
• — знания в форме технологий, организационных, производственных, социально-экономических и политических структур;
• — знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

• — преобразовать исходные данные в информацию;
• — преобразовать информацию в знания;
• — использовать знания для решения задач управления, принятия решений и исследования предметной области.

В данной работе в соответствии с методологией Автоматизированного системно-когнитивного анализа (АСК-анализ) рассматривается реализация 1-го и 2-го этапов АСК-анализа: когнитивной структуризации и формализации предметной области. На этапе когнитивной структуризации предметной области исследователи решают, что рассматривать в качестве объекта моделирования, влияющих на него факторов и результатов их действия.

Рисунок 2 Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и системе «Эйдос».

В данном случае в качестве объекта моделирования рассматривается многоотраслевая агропромышленная корпорация («Холдинг»), в качестве факторов, влияющих на ее развитие: Выручка от реализации (Отгрузка), Себестоимость приобретения, Валовая прибыль, Коммерческие расходы, Чистая прибыль, текущие и за 4 последним квартала по предприятиям, входящим в холдинг, а в качестве прогнозируемых показателей — эти показатели по холдингу в целом в двух следующих кварталах.

В соответствии с результатами когнитивной структуризации подготавливаются база исходных данных для исследования (обучающая выборка или база прецедентов) (таблица 1):

Таблица 1 Исходные данные (фрагмент).

Исходные данные, приведенные в таблице 1, охватывают период с 2000 по 2009 годы (10-летний лонгитюд), включают 340 строк (классификационных и описательных шкал) и подготовлены в соответствии с требованиями одного из программных интерфейсов системы «Эйдос» с внешними базами данных. Вместо описания этих требований приведем на рисунке 3 Help к этому режиму:

Рисунок 3 Help программного интерфейса системы «Эйдос», используемого для формализации предметной области на основе исходных данных из таблицы 1.

На этапе формализации предметной области база исходных данных нормализуются, т. е. разрабатываются классификационные и описательные шкалы и градации и с их использованием база исходных данных кодируется. В результате формируется база событий (эвентологическая база данных) и обучающая выборка. Этап когнитивной структуризации и подготовки исходных данных не формализован, а этап формализации предметной области полностью автоматизирован и выполняются непосредственно с применением универсальной когнитивной аналитической системы «Эйдос», которая является программным инструментарием АСК-анализа. Этапы когнитивной структуризации и формализации предметной области АСК-анализа являются первыми этапами преобразования данных в информацию, а ее в знания.

На рисунке 4 приведено окно программного интерфейса 2.3.2.3 для задания параметров формализации предметной области:

Рисунок 4 Окно программного интерфейса 2.3.2.3 для задания параметров формализации предметной области В результате работы данного программного интерфейса созданы классификационные и описательные шкалы и градации и исходные данные, представленные в таблице 1, закодированы с их использованием, в результате чего создана обучающая выборка и база событий (эвентологическая база данных) (рисунки 5, 6, 7):

Рисунок 5 Экранная форма просмотра и корректировки классификационных шкал и градаций Будущие состояния холдинга формально описываются в модели как градации классификационных шкал, т. е. классы.

Рисунок 6 Экранная форма просмотра и корректировки описательных шкал и градаций Показатели работы предприятий холдинга в прошлый период формально описываются в модели как градации описательных шкал, т. е. факторы и их значения, влияющие на будущие состояния холдинга.

Рисунок 7 Экранная форма просмотра и корректировки обучающей выборки (база событий) В результате проведенной работы подготовлены все условия для выполнения последующих этапов АСК-анализа: синтез и верификация системно-когнитивной модели, решение задач идентификации, прогнозирования и принятия решений, а также исследования моделируемого объекта путем исследования его модели, которые планируется описать в будущих статьях.

• 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.
• 2. Луценко Е. В. Универсальная когнитивная аналитическая система «Эйдос». Монография (научное издание). — Краснодар, КубГАУ. 2014. — 600 с. ISBN 978−5-94 672−830−0
• 3. Луценко Е. В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2013. — № 08(092). С. 859 — 883. — IDA [article ID]: 921 308 058. — Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
• 4. Макаревич О. А. Управление агропромышленным холдингом с применением технологий искусственного интеллекта: Монография (научное издание). — М: «Финансы и статистика», 2009. — 215 с.: ил. — Режим доступа: http://elibrary.ru/item.asp?id=19 916 607
• 5. Луценко Е. В. Системно-когнитивный подход к построению многоуровневой семантической информационной модели управления агропромышленным холдингом / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2008. — № 07(041). С. 194 — 214. — Шифр Информрегистра: 420 800 012 095, IDA [article ID]: 410 807 011. — Режим доступа: http://ej.kubagro.ru/2008/07/pdf/11.pdf, 1,312 у.п.л.
• 6. Луценко Е. В. Исследование характеристик исходных данных по агропромышленному холдингу и разработка программного интерфейса их объединения и стандартизации (формализация предметной области) / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2008. — № 07(041). С. 215 — 246. — Шифр Информрегистра: 420 800 012 094, IDA [article ID]: 410 807 012. — Режим доступа: http://ej.kubagro.ru/2008/07/pdf/12.pdf, 2 у.п.л.
• 7. Луценко Е. В. Синтез и верификация двухуровневой семантической информационной модели агропромышленного холдинга / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2008. — № 08(042). С. 1 — 15. — Шифр Информрегистра: 420 800 012 120, IDA [article ID]: 420 808 001. — Режим доступа: http://ej.kubagro.ru/2008/08/pdf/01.pdf, 0,938 у.п.л.
• 8. Луценко Е. В. Решение задач прогнозирования и поддержки принятия решений (управления) для агропромышленного холдинга на основе его двухуровневой семантической информационной модели / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2008. — № 08(042). С. 16 — 34. — Шифр Информрегистра: 420 800 012 119, IDA [article ID]: 420 808 002. — Режим доступа: http://ej.kubagro.ru/2008/08/pdf/02.pdf, 1,188 у.п.л.
• 9. Луценко Е. В. Исследование двухуровневой семантической информационной модели агропромышленного холдинга / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2008. — № 08(042). С. 35 — 75. — Шифр Информрегистра: 420 800 012 118, IDA [article ID]: 420 808 003. — Режим доступа: http://ej.kubagro.ru/2008/08/pdf/03.pdf, 2,562 у.п.л.
• 10. Луценко Е. В. Методология применения системно-когнитивного анализа для синтеза многоуровневой семантической информационной модели агропромышленного холдинга и решения на ее основе задач прогнозирования, поддержки принятия управленческих решений и научных исследований / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2009. — № 01(045). С. 11 — 29. — Шифр Информрегистра: 420 900 012 006, IDA [article ID]: 450 901 002. — Режим доступа: http://ej.kubagro.ru/2009/01/pdf/02.pdf, 1,188 у.п.л.
• 11. Луценко Е. В. Автоматизированные технологии управления знаниями в агропромышленном холдинге / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2009. — № 08(052). С. 98 — 109. — Шифр Информрегистра: 420 900 012 088, IDA [article ID]: 520 908 007. — Режим доступа: http://ej.kubagro.ru/2009/08/pdf/07.pdf, 0,75 у.п.л.
• 12. Луценко Е. В. Управление агропромышленным холдингом на основе когнитивных функций связи результатов работы холдинга и характеристик его предприятий / Е. В. Луценко, В. И. Лойко, О. А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2009. — № 10(054). С. 248 — 260. — Шифр Информрегистра: 420 900 012 111, IDA [article ID]: 540 910 015. — Режим доступа: http://ej.kubagro.ru/2009/10/pdf/15.pdf, 0,812 у.п.л.
• 13. Макаревич О. А. Применение технологий искусственного интеллекта для прогнозирования и управления в агропромышленном холдинге / О. А. Макаревич, Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2010. — № 05(059). С. 149 — 157. — Шифр Информрегистра: 421 000 012 093, IDA [article ID]: 591 005 010. — Режим доступа: http://ej.kubagro.ru/2010/05/pdf/10.pdf, 0,562 у.п.л.
• 14. Автоматизированный системно-когнитивный анализ и его применение для управления социально-экономическими системами в АПК / Е. В. Луценко, В. И. Лойко, О. А. Макаревич, Л. О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2012. — № 04(078). С. 654 — 698. — IDA [article ID]: 781 204 055. — Режим доступа: http://ej.kubagro.ru/2012/04/pdf/55.pdf, 2,812 у.п.л.
• 15. Лойко В. И. Потоковые модели управления эффективностью инвестиций в агропромышленных объединениях / В. И. Лойко, Т. П. Барановская, Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2012. — № 09(083). С. 615 — 631. — IDA [article ID]: 831 209 043. — Режим доступа: http://ej.kubagro.ru/2012/09/pdf/43.pdf, 1,062 у.п.л.
• 16. Лойко В. И. Инвестиционно-ресурсное управление сельскохозяйственным производством / В. И. Лойко, Т. П. Барановская, Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2012. — № 09(083). С. 582 — 614. — IDA [article ID]: 831 209 042. — Режим доступа: http://ej.kubagro.ru/2012/09/pdf/42.pdf, 2,062 у.п.л.
• 17. Луценко Е. В. Интеллектуальные модели инвестиционного управления АПК / Е. В. Луценко, В. И. Лойко, Т. П. Барановская // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2012. — № 09(083). С. 540 — 581. — IDA [article ID]: 831 209 041. — Режим доступа: http://ej.kubagro.ru/2012/09/pdf/41.pdf, 2,625 у.п.л.
• 18. Луценко Е. В. Концептуальные основы управления экономической устойчивостью перерабатывающего комплекса региона с применением технологий искусственного интеллекта / Е. В. Луценко, В. И. Лойко, Т. П. Барановская // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2013. — № 03(087). С. 739 — 748. — IDA [article ID]: 871 303 057. — Режим доступа: http://ej.kubagro.ru/2013/03/pdf/57.pdf, 0,625 у.п.л.
• 19. Луценко Е. В. Синтез, верификация и исследование на устойчивость системно-когнитивной модели перерабатывающего комплекса региона / Е. В. Луценко, В. И. Лойко, Т. П. Барановская // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2014. — № 07(101). С. 305 — 333. — IDA [article ID]: 1 011 407 016. — Режим доступа: http://ej.kubagro.ru/2014/07/pdf/16.pdf, 1,812 у.п.л.