WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

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

Автореферат докторской диссертации по экономике

 

На правах рукописи

Кацко Игорь Александрович

 

ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ПРОЦЕССА УПРАВЛЕНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИМИ СИСТЕМАМИ МЕЗОУРОВНЯ: ТЕОРИЯ, МЕТОДОЛОГИЯ, ИНСТРУМЕНТАРИЙ

 

Специальность 05.13.10 – Управление в социальных и экономических

системах (экономические науки)

 

 

Автореферат

диссертации на соискание ученой степени

доктора экономических наук

 

 

 

Ростов-на-Дону – 2008

Работа выполнена в ГОУ ВПО «Ростовский государственный университет путей сообщения»

Научный консультант:                 доктор технических наук, профессор

                     Горелова Галина Викторовна  

Официальные оппоненты:           доктор экономических наук, профессор

           Ниворожкина Людмила Ивановна

доктор экономических наук, профессор

Крюков Сергей Владимирович

доктор экономических наук, профессор

Захарова Елена Николаевна

Ведущая организация:                  Санкт-Петербургский государственный

      политехнический университет

Защита диссертации состоится «15» октября 2008 года в 12 00 на заседании объединенного диссертационного совета по экономическим наукам ДМ 212. 208. 28 при ФГОУ ВПО «Южный федеральный университет» по адресу: 344006, г. Ростов-на-Дону, ул. М. Горького, 88, ауд. 302.

С диссертацией можно ознакомиться в Зональной научной библиотеке Южного федерального университета по адресу: 344006, г. Ростов-на-Дону, ул. Пушкинская, 148.

Отзывы на автореферат, заверенные печатью, просим направлять по адресу: 347928, г. Таганрог, пер Некрасовский, 44, объединенный диссертационный совет ДМ 212.208.28, ученому секретарю.

Автореферат разослан «     » ____________2008 г.

Ученый секретарь

диссертационного совета                                                  С.В. Гриненко


ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Трансформация в сфере экономики России, произошедшая в последние десятилетия, привела к переходу от командно-административного к либерально-рыночному управлению и повлекла за собой необходимость адекватного изменения структуры и алгоритмов управления различными по масштабам и уровням агрегации систем мезоуровня. Общая интеллектуализация воспроизводственных процессов актуализирует исследования подходов, методов и технологий принятия управленческих решений, соответствующих требованиям точности, адекватности и своевременности, что определяет необходимость совершенствования информационного обеспечения процессов управления социально-экономическими системами (СЭС) мезоуровня, сформированного на основе принципиально новых идей, основанного на использовании всей наличной информации, современных методов интеллектуального анализа данных, системно активизирующих потенциал современных инструментарно-аналитических и программных средств, повышающих эффективность труда управленцев. Вместе с тем, существующая в настоящее время сфера их применения ограничивается лишь достаточно узким спектром хорошо формализованных задач управления. Данный факт обусловливает актуальность разработки специализированных, совершенствования и адаптации существующих способов организации взаимодействий в эргатических системах управления. Несмотря на целый ряд системных исследований СЭС мезоуровня в настоящее время отсутствует методология использования количественно-качественной информации для поддержки процесса принятия управленческих решений. Современное состояние национальной экономики требуют дальнейшей разработки концептуальных и методологических основ анализа данных и оптимизации деятельности структур управления в условиях неопределенности, а также разработки соответствующих информационных систем поддержки принятия решений. Наличие большой совокупности нерешенных проблем в указанной области определило выбор направления, цели и задачи исследования.

Степень разработанности проблемы. В диссертации степень разработанности проблемы рассматривалась в четырех аспектах: с практических позиций (как изучены вопросы связи различных экономических систем мезоуровня и какими методами возможно проведение необходимых для этого исследований); с точки зрения имеющихся знаний в этой области в современной экономике; с позиций ее теоретической и методологической разработанности в современной теории сложных систем и их слабоструктурированных проблем; а также с позиций применения современного аппарата интеллектуального анализа данных в исследованиях состояния СЭС и информационного обеспечения поддержки управленческих решений для обеспечения устойчивого и безопасного их развития.

Обзор доступных к рассмотрению работ по исследованиям, связанным с совершенствованием управления социальными и экономическими системами, показал, что имеются исследования отдельных аспектов изучения СЭС и их эффективного развития, но они не доведены до возможности практической реализации. Существуют методологические и информационные основы оценки их текущего состояния и системного подхода к определению перспективных направлений развития.

Методологические аспекты управления экономическими системами на различных уровнях отражены в работах зарубежных (М. Альберта, И. Ансоффа, У. Баумоля, П. Друкера, Б. Карлоффа, Ф. Котлера, М. Мескона, Д. Сакса, А. Файоля, Ф. Хедоури и др.) и отечественных (Л.И. Абалкина, С.С. Алексеева, В.М. Белоусова, М.А. Боровской, С.В. Глазьева, А.Г. Зельднера, Н.П. Кетовой, Ю.С. Колесникова, С.В. Крюкова, А.Я. Лифшица, Б.З. Мильнера, В.Н. Овчинникова, В.Ф. Яковлева и др.) ученых.

Важность анализа современного состояния теории измерений и необходимости разработки методологии эконометрического моделирования можно подтвердить многочисленными публикациями ведущих ученых, таких как Б.В. Гнеденко, В.В. Налимов, А.И. Орлов, Ю.Н. Толстова и др.

Системному исследованию сложных систем посвятили свои работы

В.Н. Волкова, А.А. Денисов, Ф.И. Перегудов, Ф.П. Тарасенко и др.; когнитивному моделированию – Г.В. Горелова, Е.Н. Захарова, Е.К. Корноушенко, В.И. Максимов, А.Н. Райков, Р. Солсо и др.

Вопросам управления сложными объектами на основе информационных механизмов посвящены труды В.Н. Буркова, Т.П. Барановской, А.К. Еналеева, В.А. Ирикова, В.И. Лойко, Е.В. Луценко, Н.Н. Лябаха, Л.Г. Матвеевой, Д.А. Новикова, Н.Н. Пушкарева, М.И. Семенова, В.Н. Тренева и др. При исследовании проблем управления СЭС мезоуровня использовались исследования известных экономистов (А.И. Алтухова, А.А. Багмута, А.И. Костяева, В.И. Нечаева, А.Н. Голубева, Е.С. Оглоблина, П.Ф. Парамонова, Л.Г. Раменского,

Г.А. Романенко, Х.О. Реппа, Б.А. Рунова, А.А. Семенова, П.С. Федорука,

И.Т. Трубилина и др.); а также зарубежных и российских ученых, посвятивших свои работы изучению проблем занятости населения, таких как Ham, Sveinar and Terrell; Lubyova, Van Ours, Earl, Pauna, Micklewright, Nagy, Sollogub, Pascal, Foley, Т. Четвернина, Л.И. Ниворожкина, Е.М. Ниворожкин, А.Г. Шухмин.

Теоретической и методологической базой исследования послужили работы таких зарубежных ученых, как С. Бир, К. Гёдель, К. Доугерти, Н. Дрейпер,

Л. Заде, Л. Закс, Дж. Касти, В. Каплан, М. Кендэл, М. Клайн, Г. Крамер,

Т. Кун, К. Пирсон, Г. Пятецкий-Шапиро, Р. Солсо, А. Стюарт, Дж. Тьюки,

В. Феллер, Р. Фишер, Ф. Фишер, Г. Фогель, Г. Харман и др., а также российских ученых, таких как С.А. Айвазян, С.Б. Арсеньев, В.М. Бухштабер,

А.М. Гатаулин, В. Дюк, И.С. Енюков, А.Г. Ивахненко, М. Киселев, Н. Кречетов, Ю.В. Линник, А.А. Макаров, А. Масалович, Л.Д. Мешалкин, В.С. Мхитарян, А.О. Недосекин, Н.Б. Паклин, Л.И. Трошин, Ю.Н. Тюрин и др.

Цели и задачи исследования.Целью настоящей работы является разработка  теоретико-методологических основ и построение информационного обеспечения исследования состояния и динамики социально-экономических систем мезоуровня для  принятия управленческих решений на основе применения разведочного, многомерного, интеллектуального анализа данных и когнитивного моделирования.

В соответствии с целью в работе поставлены и решены следующие задачи:

  • Обосновать концепцию исследования и управления СЭС на основании использования структурированной и слабоструктурированной информации; провести анализ состояния систем управления СЭС, что необходимо для теоретического обоснования  разрабатываемой методологии изучения и совершенствования управления СЭС.
  • Провести формализацию проблемы принятия управленческих решений в виде комплекса математических моделей, основываясь на принципах системного анализа, теории управления и когнитивного анализа; адаптировать известные методы когнитивного анализа к решению задач управления и принятия решений в экономических системах мезоуровня, что необходимо для разработки методологии поддержки принятия управленческих решений в СЭС.
  • Разработать методологию, основанную на синтезе когнитивного подхода и интеллектуального анализа данных, и инструментарий формирования информационного обеспечения исследования состоянии СЭС мезоуровня на основе структуры интеллектуальной информационной системы построения моделей задач принятия решений, состоящей из баз данных, аналитического инструментария, что необходимо для поддержки принятия управленческих решений в СЭС.
  • Обосновать концептуальные подходы применения классических и современных методов анализа данных для моделирования СЭС – это позволит реально оценить возможности указанных методов для исследования экономических систем мезоуровня; перспективы использования современных прикладных программ по анализу информации (данных), что необходимо для включения средств интеллектуального анализа данных (ИАД) в состав структуры информационной системы построения моделей, для поддержки управленческих решений в СЭС и перехода к экономике «знаний».
  • Разработать программное обеспечение для построения моделей в виде решения задачи непараметрической идентификации на основании метода группового учета аргументов, что необходимо для прогнозирования развития  процессов в СЭС.
  • Разработать наоснове проведения статистического и экспертного анализа состояния социально-экономической системы АПК Краснодарского края и результатов ее диагностики систему когнитивных моделей, реализующую иерархическое описание взаимосвязанных подсистем механизма СЭС на мезоуровне (взаимодействия производственной и непроизводственной сфер производства продукции растениеводства; рынка труда в АПК; схемы работы службы занятости (СЗ) населения), что необходимо для представления механизма функционирования региональной экономической системы как в целом, так и отдельных ее подсистем и провести когнитивное моделирование, включающее анализ устойчивости, сценарное моделирование, необходимые для выявления среди различных структур экономического механизма устойчивых вариантов и разработки принятия управленческих решений.
  • Разработать модели влияния материально-денежных затрат на производство продукции растениеводства для повышения урожайности зерновых культур, выявления резервов снижения себестоимости и обеспечения конкурентоспособности продукции.
  • Провести оценку эффективности агротехнологий по результатам многолетних многофакторных опытов в Кубанском НИИСХ, что необходимо для реализации управленческих решений при производстве зерновых.
  • Разработать статистические, многомерные и интеллектуальные модели, объясняющие процессы перехода из категории безработных в занятое население по данным одной из районных служб занятости, что необходимо для оценки зависимости уровня занятости населения от влияния различных социальных и экономических факторов.

Объект и предмет исследования. Объект исследования – процессы управления развитием СЭС мезоуровня, основанные на реализации потенциала информационно-аналитических средств в разработке и адаптации технологий, обеспечивающих принятие управленческих решений.

Предмет исследования – информационные и аналитические технологии в управлении социально-экономическими системами; методологические, теоретические, методические и практические проблемы анализа информации, для принятия обоснованных управленческих решений.

Работа произведена в рамках пунктов паспорта специальности 05.13.10 – Управление в социальных и экономических системах:

6. «Разработка и совершенствование методов получения и обработки информации для задач управления социальными и экономическими системами»;

7. «Разработка методов идентификации в организационных системах на основе ретроспективной, текущей и экспертной информации».

Концепция диссертационного исследования. Авторская концепция рассматриваемой проблемы представлена системой следующих взаимосвязанных положений.

Совершенствование управления в экономических системах невозможно без исследования, «содержательной» обработки данных о социально-экономическом состоянии и разработке на основе этого эффективных управленческих решений.

Концептуальные особенности применения современных методов анализа структурированных данных (прикладной статистики и интеллектуального анализа данных) обусловливают ограничения и особенности применения при изучении экономических систем мезоуровня. Отсутствует методология исследования и принятия решений, основанная на информационном обеспечении процесса управления, системном подходе к слабоструктурированным проблемам и когнитивном моделировании, а также методах интеллектуального анализа данных (методология – это основа разработки интеллектуальной системы поддержки управленческих решений, без которой невозможно в современных условиях совершенствование управления).

Теоретико-методологическая основа исследования. В работе использованы положения экономической теории, теории систем и системного анализа, теории управления, методы и модели когнитивного анализа, многомерного статистического анализа.

Инструментально-методический аппарат. В исследовании использованы методы прикладной статистики, многомерного представления данных в виде кубов OLAP, интеллектуального анализа данных и т. д., а также пакеты прикладных программ по анализу структурированной (Statistica, PolyAnalyst, Deductor) и слабоструктурированной (ПС КМ – программная система когнитивного моделирования) информации.

Информационной базой исследования послужили информационные источники Федеральной службы государственной статистики по отчетности предприятий АПК Краснодарского края, служб занятости населения за период 2000–2007 гг., данные российских и зарубежных порталов.

Научная новизна заключается в разработке методологии исследования и принятия решений, основанной на информационном обеспечении процесса управления при наличии слабоструктурированной и структурированной информации, предложении схемы получения математических моделей на основе синтеза методов когнитивного моделирования и анализа структурированной информации, базирующихся на современных информационных технологиях, которая может быть положена в основу структуры системы поддержки принятия решений в СЭС мезоуровня. Конкретно элементы научной новизны заключаются в следующем:

– обосновании применения методов и подходов к управлению СЭС, которые отличаются рассмотрением влияния на систему внешней среды («пограничного слоя системы»), а также свойств системы не только на уровне качественных или усредненных количественных признаков, но и использующих знания, заключающиеся в данных, что дает возможность научно диагностировать состояние СЭС и обосновывать эффективные управленческие решения;

– разработке теоретико-множественной модели метанабора системы исследования и принятия управленческих решений СЭС, характеризующей не только  описание системы, но и окружающей среды, отличающейся от близких по смыслу возможностью выполнить основные требования системности;

– разработке методологии и инструментария формирования информационного обеспечения исследования состояния СЭС мезоуровня и принятия управленческих решений, позволяющих перейти на инструментально-технологический уровень извлечения знаний из имеющейся количественно-качественной информации, что предоставило возможность реализовать системный подход к изучению сложных систем и рассмотреть не только саму систему, но и «пограничный слой», характеризующий взаимоотношения с внешней средой;

– оценке современного состояния моделирования систем на основании статистической информации, отличающейся сравнительным обзором методов, традиционно относящихся к методам математической статистики, с методами разведочного анализа данных, что позволило выявить границы применимости указанных методов, заключающиеся в априорном предположении о виде изучаемой зависимости (обычно линейной), природе изучаемых данных (вероятностной или геометрической); оценке современных систем анализа структурированной информации, отличающейся обоснованием методов интеллектуального анализа данных на основе формулировки «новой парадигмы» в анализе данных, соответствующей принципам научного подхода к изучаемым системам и объектам, основанного на знаниях, предположительно содержащихся в данных; это дало возможность рассматривать данные как информационную модель объекта, которая может описываться в трех основных вариантах – вероятностном, геометрическом и когнитивном (основанном на знаниях – экспертных либо содержащихся в данных);

– разработке программного обеспечения для прогнозирования социально-экономических процессов, позволяющего получать адекватные прогнозы в виде нелинейных моделей авторегрессии, с удобным интерфейсом, соответствующим идеологии Windows;

– разработке системы когнитивных моделей в виде укрупненной когнитивной карты социально-экономического механизма АПК Краснодарского края и когнитивных карт различных подсистем ее социально-экономической системы, отличающейсяцелью построения (повышение эффективности управления)исодержанием от известной обобщенной модели регионального экономического механизма Гранберга (адаптация к конкретным условиям края), а также детальной проработкой отдельных его блоков (когнитивные карты подсистем); это дало возможность целостно представлять СЭС, не теряя деталей, объяснять механизм ее функционирования и решать различные системные задачи, проводя когнитивное моделирование и анализ данных, реализующих описание объекта в виде функционального графа;

– разработке системы моделей, характеризующей влияние затрат на производство продукции растениеводства, отличающейся расширением диапазона априорных предположений о природе изучаемых данных; это дало возможность разностороннего описания изучаемых зависимостей как базы для эффективного управления производством;

– разработке моделей ковариационного анализа, включающих помимо технологических факторов климатические; это позволило осуществлять прогноз урожайности зерновых в северной зоне Краснодарского края и рационально управлять материальными и трудовыми ресурсами;

– разработке рекомендаций по формированию стратегии управления СЭС мезоуровня (в том числе АПК и рынком труда), отличающейся примененной методологией, основанной на синтезе когнитивных, многомерных, статистических моделей, проведенной диагностикой состояния, что дало возможность на примере АПК предложить приоритетную на данном периоде систему направлений развития: первоочередное – развитие агропромышленного комплекса с его специализацией на производстве зерна, технических культур и продукции животноводства; другое направление – создание и развитие в районах информационно-консультационных служб, которым рекомендуется использование систем поддержки принятия решений (СППР) на основе предлагаемой методологии.

Теоретическая ценность результатов исследования определяется актуальностью исследования, научной новизной и заключается в разработке методологии и методического обеспечения при изучении социально-экономических систем и позволяет развивать научные и методологические основы создания систем поддержки принятия управленческих решений для изучения социально-экономических систем при наличии слабоструктурированных и структурированных данных.

Практическая значимость проведенных исследований состоит в том, что на основе обобщения известных научных результатов, а также научных результатов, полученных автором, появилась возможность развивать научные и методологические основы создания систем поддержки принятия управленческих решений для изучения социально-экономических систем при наличии слабоструктурированных и структурированных данных. Разработанная автором методология может быть реализована как с помощью известных программных средств, так и создана под реальные СЭС (например, АПК, рынка труда), включена в процесс разработки управленческих решений на мезоуровне и доведена до инструментально-технологического уровня.

Предложения и рекомендации, сформулированные в результате исследования по диагностике состояния АПК и рынка труда, построения сценариев развития и прогнозирования, нашли применение при разработке мероприятий департаментом сельского хозяйства и продовольствия муниципального образования г. Краснодар, в работе Кубанского НИИСХ им. П.П. Лукьяненко, а также при выполнении исследований по гранту РНП 3.4.1.8107 № 01.2.006 10857 Министерства образования и науки РФ «Интеграция молодежи в отношения труда и занятости» (2006–2007 гг.).

Учебные пособия «Теория вероятностей и математическая статистика в примерах и задачах с применением Excel», «Практикум по анализу данных на компьютере» имеют грифы Министерства образования РФ и УМО по прикладной информатике соответственно и используются в учебном процессе при изучении курсов «Теория вероятностей и математическая статистика», «Эконометрика», а также спецкурсов, при подготовке специалистов по прикладной информатике в экономике, другим специальностям и являются базовыми для подготовки аналитиков в области обработки данных для принятия управленческих решений в экономике и используются в учебном процессе Кубанского государственного аграрного университета (г. Краснодар), Технологического института ЮФУ (г. Таганрог) и Ростовского государственного университета путей сообщения (г. Ростов-на-Дону).

Основные положения диссертации, выносимые на защиту

  • Концепция исследования и управления СЭС мезоуровня на основании структурированной и слабоструктурированной информации в соответствии с принципом «мягких вычислений» для решения задач принятия управленческих решений, что позволяет теоретически обосновать использование всей количественно-качественной информации о функционировании СЭС, основываясь на синтезе  когнитивного подхода и методов интеллектуального анализа данных.
  • Модель метанабора системы исследования и принятия решений по управлению СЭС, состоящая из различных моделей объекта, полученных в результате параметрической и структурной идентификации; моделей окружающей среды; моделей взаимодействия объекта и окружающей среды; когнитивных моделей, реализующих внешнее описание системы, полученное на основании структуризации знаний экспертов; моделей управления системой; моделей получения сценариев развития на основе импульсного моделирования, что позволяет реализовать системный подход при изучении СЭС и использовать знания о законах и закономерностях развития сложных систем.
  • Методология формирования информационного обеспечения исследования состояния СЭС мезоуровня, состоящая из источников информации, информационно-аналитического инструментария оценки состояния социально-экономической системы, основанного на применении разведочного, многомерного, интеллектуального анализа данных и когнитивного моделирования, что позволило осуществить алгоритмический подход к построению математических моделей СЭС для решения задач управления.
  • Концептуальный подход к моделированию СЭС мезоуровня, основанный на синтезе когнитивного моделирования и методов изучения структурированных данных, ориентированный на предположение о вероятностной или геометрической природе данных и априорной линейности изучаемых моделей (что позволило показать изоморфность указанных методов задаче параметрической идентификации), а также использовании систем интеллектуального анализа данных (ИАД) для объективного моделирования деятельности СЭС (содержательно-целевой подход), что позволяет перейти к экономике «знаний».
  • Программное обеспечение получения моделей по методу группового учета аргументов в виде полиномов авторегрессии второго порядка, позволяющее получать прогноз согласно принципам свободы выбора решений, множественности математических моделей, идеологии бутстреп метода, и получения модели прогноза в виде решения задачи непараметрической идентификации.
  • Система когнитивных моделей, идентифицирующих объект исследования, состоящая из укрупненной когнитивной карты экономического механизма АПК Краснодарского края, отражающей взаимосвязь и взаимодействие между вершинами когнитивной карты – блоками внешней среды (федеральные регулирующие системы, межрегиональный и внешнеэкономический обмен, природная среда) с блоками внутренней среды (производство, валовое накопление, конечное потребление, региональная финансовая система, занятость, социальная сфера, население и др.) и блоками-подсистемами внутренней среды (когнитивные карты «Взаимодействие производственной и непроизводственной сфер производства продукции растениеводства», «Рынок труда в АПК», «Схема работы службы занятости населения»), что позволило моделировать на качественном уровне (сценарный анализ) тенденции развития экономики в региональных социально-экономических условиях на когнитивных картах, а при наличии количественных концептов строить модели, реализующие модель в виде функционального графа.
  • Система математических моделей взаимосвязи факторных и результативных признаков производства, построенных на основе методов регрессионного анализа и эволюционного программирования, что позволило провести разносторонний анализ влияния производственных затрат и разработать обоснованные управленческие решения по повышению экономической эффективности отрасли растениеводства.
  • Выводы об экономической эффективности агротехнологий, полученные на основании математических моделей по результатам многолетних, многофакторных опытов в Кубанском НИИСХ, что позволяет обоснованно принимать управленческие решения (ресурсосберегающие технологии, использование высокоурожайных сортов, комплексное применение удобрений) и на разных стадиях возделывания прогнозировать урожайность зерновых.
  • Результаты изучения процессов трудоустройства по данным одной из служб занятости Краснодарского края; это позволяет на современном научном уровне оценивать и выявлять проблемы занятости, социально-экономические структуры и сценарии развития, обосновывать выбор управленческих решений по снижению безработицы, что необходимо для обеспечения роста занятости, приводящего к повышению благосостояния населения края.

Апробация и внедрение результатов исследования. Результаты исследований опубликованы в 56 публикациях (общий объем свыше 139 печ. л., из которых 85,6 печ. л. – это авторский вклад).

Основные результаты диссертационного исследования наиболее полно отражены в монографии «Структура и инструментарий системы информационного обеспечения рынка труда и занятости молодежи», а также в целом ряде статей в научных и научно-производственных журналах, сборниках, учебных и методических пособиях.

Результаты исследований на различных этапах представлялись в научных докладах на Первой научно-практической конференции МГТИ (г. Майкоп, 1996), научных конференциях КГАУ (1997–2007 гг.), 4-й региональной научно-практической конференции молодых ученых «Научное обеспечение агропромышленного комплекса» (г. Краснодар, 2002), конференции «Экология, город, почвы» (г. Краснодар, 2003), III Международной научно-практической конференции «Проблемы регионального управления, экономики, права и инновационных процессов в образовании» (г. Таганрог, 2003), IV Международной конференции «Новые технологии в управлении, бизнесе и праве» (г. Невинномысск, 2004), X Международной конференции «Системный анализ в проектировании и управлении» (г. Санкт-Петербург, 2006), Международной конференции «International Conference on Artificial Intelligent Systems. AIS-2006», (г. Таганрог, 2006), XIV Международной конференции «Проблемы управления безопасностью сложных систем» (г. Москва, 2006), XI Международной конференции «Системный анализ в проектировании и управлении» (г. Санкт-Петербург, 2007), XV Международной конференции «Проблемы управления безопасностью сложных систем» (г. Москва, 2007).

Структура работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы. Работа изложена на 379страницах машинописного текста, включает 19 таблиц, 79 рисунков. Список литературы содержит 352 наименования (в том числе 36 – зарубежных авторов). Данная структура отражена в оглавлении диссертации.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность исследования, определена степень изученности проблемы управления экономическими системами мезоуровня в условиях неопределенности, сформулированы цель и задачи исследования, раскрыты научная новизна и практическая значимость работы, ее теоретико-методологические основы и информационно-эмпирическая база.

В первой главе «Региональная социально-экономическая система, предпосылки совершенствования методологии управления» выявлены современные проблемы управления социально-экономической системой, главным образом, проблемы исследования закономерностей функционирования и оценки состояния реальной СЭС. Разработаны требования к методологии исследования социально-экономических систем с точки зрения системного подхода на основании имеющейся информации об объекте (структурированной, слабоструктурированной и неструктурированной). Для их выполнения предложено синтезировать когнитивную методологию и методы анализа структурированной информации. Обоснованы методологические принципы управления социально-экономическими системами на основании имеющейся слабоструктурированной информации. Предложены этапы синтеза моделей для поддержки принятия решений, уточнена схема функций менеджера, а также информационная модель процесса принятия решений.

Управление в СЭС в последние десятилетия качественно изменяет свое содержание (экономическое и социальное), была разрушена вертикаль власти и произошла трансформация парадигмы управления, когда руководящие органы могут лишь контролировать среднюю динамику процессов в экономических системах и реагировать на ее спады различными постановлениями, положениями и льготами.

Переход России к рыночным отношениям существенно повлиял практически на все социально-экономические системы страны. Новые политические и социальные отношения породили целый ряд проблем: организационных, управленческих, политических и т. д. Не сразу была понята необходимость реструктуризации предприятий и вообще СЭС различного уровня с ориентацией их на потребности рынка, изменения принципов управления с директивно-командных на итеративно-оценочные и т. д. Процесс осознания необходимости изменения принципов и подходов к управлению СЭС, по-видимому, ещё не закончен, так как продолжает наблюдаться снижение основных показателей деятельности предприятий, уровня жизни населения, значительны колебания безработицы и т. д. Проведенные исследования показали, что разработка и предложение перспективных направлений развития СЭС (АПК, промышленности, образования и т. д.) обычно не отражает системного подхода к изучаемым проблемам их взаимосвязи и носит лишь характер пожеланий специалистов отдельных областей науки и образования. Органы управления, оставшиеся со времён командно-административной системы управления, перестали выполнять свои функции управления и в настоящее время способны только осуществлять ретроспективный контроль деятельности СЭС (департамент сельского хозяйства, центры занятости населения). Необходима реструктуризация органов управления с наделением их дополнительными возможностями и функциями.

Систему управления СЭС можно представить в виде иерархической структуры: системы сбора информации – системы поддержки принятия решений (системы анализа информации) – лицо, принимающее решение (ЛПР). Оценка современного состояния органов управления на разных уровнях показывает, что среднему звену указанной иерархии практически не уделяется внимания. Основная используемая информация основывается на описательных статистиках, получаемых в службе статистики. Обычно даже речи не идет об исследовании зависимостей в данных и использования их для повышения эффективности управления. Однако многие стороны деятельности экономических систем мезоуровня сопровождаются сбором информации, аккумулирующейся в базах данных (БД), на электронных и бумажных носителях (иногда в базах знаний – БЗ). Анализ этой информации ориентируется на выявление показателей-индексов и средних значений тех или иных показателей, обычно неадекватно отражающих действительную ситуацию в изучаемой системе, которая часто содержит кластеры, поэтому изучать данные следует в соответствующих границах. Кроме того, практически не изучаются взаимосвязь и взаимозависимость в данных, которые могут использоваться для принятия управленческих решений.

В настоящее время управление СЭС осуществляется за счёт специальных экономических и социальных рычагов: ставок налогов, социальных выплат, кредитования и инвестирования сельского хозяйства, выплат за второго ребёнка и т. д. Однако часто эти меры не системны и не позволяют достигать поставленных целей: увеличения бюджета, помощи нуждающимся гражданам, реанимации сельского хозяйства и т. д. В связи с реформированием России и появлением принципиально новых проблем по управлению социально-экономическими системами в целом (например, АПК и рынком труда), в диссертации предлагается разработка и применение новой методологии изучения текущих проблем на основании концепции синтеза методов анализа слабоструктурированной и структурированной информации для решения задач принятия управленческих решений.

Переход к новым технологиям управления (у нас в стране, как и во многих развитых странах) должен осуществляться постепенно – дополняя сложившиеся структуры, системы и методы управления. Смена индустриальной экономики, базирующейся на использовании природных ресурсов, экономикой, базирующейся на знаниях, – это современная парадигма XXI в.

В настоящее время при управлении экономическими системами мезоуровня может рассматриваться два направления: стратегическое (или эффективное), ориентированное на конечные результаты деятельности; активное, предлагающее способы и средства, с помощью которых можно достичь эффективных результатов.

Теория активного управления опирается на использование открытых наукой и практикой причинно-следственных взаимосвязей между факторами и процессами хозяйственной деятельности во избежание нежелательных ситуаций при планировании, а также при развитии желательных ситуаций и инверсии нежелательных ситуаций в желательные. Таким образом, достигается предотвращение потерь от нежелательных и получение эффекта от благоприятных ситуаций.

Возникает вопроскакие причинно-следственные зависимости и закономерности используются при активном управлении?

В настоящей работе предлагается использовать результаты анализа данных о функционирования СЭС, представленных в виде количественно-качественной информации, для определения обобщенных целей и возможных путей их достижения. Основой этому должны быть математические модели, полученные в результате синтеза нескольких этапов моделирования.

Композицию отображения математического моделирования можно записать в виде

         ,                                          (1)

которая начинается с формализации ТЭТ (технические, технологические, эксплуатационные, экономические и экологические требования), принципов построения (pr), когнитивной структуризации (с), идентификации (A). Этапы функционального аспекта F предшествуют структурному, поэтому сначала решают функциональные задачи путём построения функций выбора для соответствующего этапа. Очевидно, что и оставшиеся аспекты должны иметь этапы, соответствующие (1), и носить аналогичные названия (рисунок 1).

Рисунок 1 – Этапы синтеза моделей

На рисунке 1 стрелками на дугах указано направление моделирования при полном описании требований всех аспектов для каждого из этапов. После решения задач каждого этапа появляются новые данные, необходимые для формирования функции выбора следующих этапов. Как часто бывает, по разным причинам не все ограничения и условия сформулированы и включены в функции выбора, что приводит к невозможности на одном из этапов какого-либо аспекта синтезировать решение, удовлетворяющее соответствующей функции выбора. Поэтому возникает необходимость после уточнения данных для построения функции выбора вернуться по контуру обратной связи на один этап назад. Эти ситуации отображены на рисунке стрелками на линиях аспектов. В результате реализации предлагаемой концепции должна сложиться новая методология информационного обеспечения на основе анализа качественной и количественной социально-экономической информации, которая позволит повысить качество управления и принятия решений.

Общий вывод по первой главе заключается в констатации факта отсутствия методологии изучения СЭС мезоуровня на основе имеющейся количественно-качественной информации для поддержки принятия эффективных управленческих решений. Предложена концепция исследования и управления СЭС мезоуровня на основании структурированной и слабоструктурированной информации.

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), MYSc, 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 yIYIEm, характеризующий фазовое состояние объекта (например, валовой доход, инвестиции, численность безработных и т. д.), U – вектор управляемых переменных uIUIEr, (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 pIPIEs (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);MYSc = {MSc, MYS} – модель взаимодействия объекта и среды (MSc  – 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:

  • выбор моделей управления для того, чтобы обеспечить желаемое поведение целевых факторов;
  • оценка возможных изменений ситуаций в будущем;
  • 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:

  • множество вершин V графа G, представляющих совокупность факторов моделируемого объекта;
  • множество дуг факторов друг на друга;
  • Q E графа G, представляющих совокупности воздействия I{Imp} – импульсы, представляющие внешние возмущения;
  • e – 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 lji, wji, характеризующие знак (lji: «+» или «-») и степень влияния wji 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:

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

Подпись: Рисунок 2 – Структура системы построения моделей   (разработано автором)

      

    • 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).

    • 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.

Опыт авторских исследований применения рассмотренных выше эконометрических моделей (подходы 1–3) показывает, что часто они неадекватно описывают реальную социально-экономическую ситуацию. Под адекватностью эконометрической модели мы понимаем достижение целей моделирования (получение моделей, объясняющих имеющиеся данные, моделей для прогнозирования и управления).

Таким образом, в настоящее время общая цель методов анализа данных – выявление знаний на основе свёртки имеющейся информации (в виде формул, таблиц, графиков) для решения прикладных задач: анализа и объяснения особенностей функционирования изучаемой системы, управления, прогнозирования. При этом практические задачи интерпретируются как проблемы разведочного анализа данных, сводящиеся к первичной обработке и визуализации, исследованию и построению зависимостей, классификации и снижению размерности. В последние десятилетия в связи с развитием информационных технологий (ИТ) к ним добавились задачи поиска ассоциаций, последовательностей, паттернов в данных и т. д. Сегодня решение задач построения моделей на основе статистической информации основывается на нескольких основных подходах:

1) вероятностном – обычно с предположением нормальности распределения изучаемых величин (математическая статистика);

2) геометрическом – данные не имеют вероятностной природы и образуют в многомерном пространстве структуры с определенными свойствами;

3) содержательном, предполагающем достижение целей моделирования.

Первые два подхода реализуются в прикладной статистике, третий – в интеллектуальном анализе данных. И первый, и второй подходы постулируют тот факт, что имеет место некоторая модель, обычно линейная, и наша цель – найти для неё оптимальные в определенном смысле параметры. Методы интеллектуального анализа с помощью нейронных сетей, методов эволюционного программирования и других методов машинного обучения итеративно подбирают модель, в определённом смысле наилучшим образом описывающую исходные данные. Следует отметить, что анализ данных – это процесс движения по спирали: от простых методов к более сложным. И если простая (детерминированная, вероятностная) модель позволяет решать наши задачи (анализа, прогнозирования, управления), нет смысла искать более сложные методы.

Подавляющее большинство методов прикладной статистики и эконометрики, используемых экономистами для решения тех или иных задач, первоначально было разработано для конкретных прикладных задач с выполнением ряда априорных условий. Рассмотрение основных аспектов применения ряда методов многомерного статистического анализа и прикладной статистики показало, что практически все классические методы анализа данных изоморфны задаче параметрической идентификации, в которой вид изучаемой модели (обычно линейный) известен.

Считается, что для математического аппарата не важна природа данных, и это позволяет решать различные по смыслу задачи. Однако явления и процессы в социально-экономических системах столь сложны и уникальны в первую очередь из-за влияния социальных, политических и природно-климатических условий, поэтому известные методы прикладной статистики и эконометрики не вполне отражают реальные процессы. В первую очередь это касается априорного предположения о линейности связей, нормальности распределения исходных данных и т. д.

Применение методов прикладной статистики и эконометрики на современном этапе сводится к поиску состоятельных, несмещённых и эффективных оценок априори предполагаемых линейных моделей. Решение этих внутриматематических задач зачастую не позволяет решать практические задачи (прогнозирования, управления, описания механизма функционирования). Именно поэтому используемые методы часто не адекватны изучаемым экономистами явлениям.

Общий вывод из анализа концептуальных условий применимости (для решения проблем управления в СЭС) методов прикладной статистики заключается в констатации ограниченной возможности их использования из-за ряда априорных предположений (линейность моделей, вероятностная или геометрическая природа данных и т. д.), применение обусловливается практическим приложением результатов. Процесс построения модели изучаемого экономического явления должен быть циклическим (рисунок 2) – необходимо соблюдать принципы множественности математических моделей и соответствующих гипотез до достижения приемлемого практического результата.

В четвертой главе «Перспективы использования информационных систем анализа структурированных данных в СЭС для повышения эффективности управления и перехода к экономике «знаний» рассмотрены современные направления интеллектуального анализа структурированных данных: представлены возможности и ограничения использования систем статистического анализа данных; на основании формулировки «новой парадигмы» в анализе данных обосновано использование систем интеллектуального анализа данных для поддержки принятия управленческих решений в СЭС, основанных на извлечении знаний в базах данных.

Создание базы данных и её заполнение – это первый шаг к обработке и анализу данных, целью которого обычно является выявление закономерностей в данных для решения задач прогнозирования и повышения эффективности управления изучаемым объектом. Проведенное исследование показало, что для адекватного решения задач анализа необходимо рассмотреть объект в целом, выявить существующие проблемы или вопросы, на которые мы хотим получить ответ в результате анализа (постановка целей, задач и основных гипотез исследования); выявить те факторы, которые, по нашему мнению, могут способствовать решению наших задач. При этом необходимо учитывать следующее.

1. Анализ описательных статистик, сравнения средних по выборочным данным, например, о рынке труда и занятости населения должен выполняться при условии, что нам известны значения этих характеристик в районе, крае и в стране в целом, т. е. актуализация знаний о генеральной совокупности по выборке необходима для обеспечения надёжного анализа.

2. Импорт переменных из базы данных, приводящий к получению таблиц для анализа и построения зависимостей (или задач классификации и снижения размерности), должен предваряться построением семантических сетей (когнитивных карт), содержащих в явном или скрытом виде гипотезу, которую необходимо подтвердить или опровергнуть в результате анализа.

3. Для адекватного применения методов анализа данных необходимо иметь представление о характере переменных, используемых в анализе. Разработка методологии и системы показателей отображаемого объекта предполагает профессиональное (экономическое, агрономическое и т. д.) изучение сущности задач и может составлять специальную область исследования (например, опытное дело или социально-экономическая статистика рынка труда в сельском хозяйстве и т. д.).

Средства обработки часто включают в табличные процессоры и базы данных, но реальный (и более достоверный) анализ лучше проводить в специализированных пакетах. Существуют профессиональные программы, реализующие системный подход к анализу данных и включающие методы Data Mining. Наиболее известные программные продукты: SAS Enterprise Miner, SPSS Clementine, STATISTICA Data Miner, PolyAnalyst, Deductor. В настоящее время  интерфейс большинства программных продуктов соответствует идеологии Windows – имеет интуитивно понятный графически ориентированный подход (результаты анализа представляются в виде дерева, узлы которого – папки с графиками, таблицами результатов анализа, моделями). Практически во всех системах доступны методы  визуализации и разведочного анализа в базах и хранилищах данных, методы построения конкретных моделей для  формулировки научных или практических выводов.

В системах добычи данных основное внимание уделяется поиску решений, на основе которых можно было бы строить достоверные прогнозы, сценарии и т. д. Сейчас говорят о когнитивной (< гр. gnosis – знание, учение) революции – смене научной парадигмы, произошедшей в  50–60-х гг. ХХ в., проникающей во все области науки. В когнитологии преобладает содержательный подход к изучению знаний; критерием качества когнитивных теорий является их практическая реализация.

Следует отметить, что подобное развитие идей анализа данных косвенно связано с теоремой К. Гёделя о неполноте формальной арифметики, доказанной в 1931 г. Суть ее заключается в том, что любая математическая теория, аксиоматизированная некоторым образом  неполна, т. е. в ней существуют положения, которые нельзя ни доказать, ни опровергнуть, оставаясь в рамках этой теории. В связи с этим в 60-е гг. ХХ в. Стаффорд Бир предложил расширить теорию с помощью внешних дополнений, соответствующих целям моделирования («принцип внешних дополнений»), например, построение наилучшей модели прогноза или модели управления. Таким образом, анализ данных об объекте (системе) должен основываться не на индуктивных положениях, составляющих системы, а на дедуктивных особенностях их взаимодействия, что и предполагается  при системном подходе.

Результаты функционирования СЭС в настоящее время отражаются в базах данных различных департаментов, государственных, коммерческих структур, служб статистики и т. д. Однако практически эти данные рассматриваются только в разрезе средних значений показателей, всевозможных относительных  величин и индексов. Отсутствуют примеры применения современных информационных технологий (ИТ) применительно к извлечению знаний в СЭС для поддержки принятия управленческих решений. Между тем согласно современным представлениям данные содержат знания о внутренних связях и соотношениях между показателями функционирования СЭС.

Применительно к анализу больших объёмов данных различают два класса систем интеллектуального анализа данных: системы класса Data Mining и KDD. Отличительной чертой систем интеллектуального анализа данных  является тот факт, что анализ данных проводится с помощью методов машинного обучения (эволюционного программирования, нейронных сетей, деревьев решений и т. д.). При расширении классов решаемых задач к ним примыкают системы нечёткой логики, когнитивных карт и т. д.

Среди российских разработчиков известно два основных продукта класса Data Mining: PolyAnalyst и Deductor. Обе системы фактически являются рабочим местом аналитика, занимающегося анализом данных большого объёма.

Системы ИАД в настоящее время преимущественно используются в бизнесе. Между тем очевидна возможность использования этих систем при решении задач управления в СЭС. Основные предпосылки этого заключаются в возможности использования современных информационных технологий – использования сценариев анализа, включающих создание хранилища данных, загрузку в него информации, извлечение и очистку данных (ETL), интеллектуальный анализ данных, создание отчетов для конечного пользователя (ЛПР).Изучение современных систем ИАД показало, что:

– все системы ориентированы на извлечение информации из табличных данных (как числовых, так и текстовых) и превращение её в знания, необходимые для управления и принятия решений;

– практически все технологии анализа основываются на теориях 60-х гг. ХХ в., которые относили к методам разведочного анализа данных (прикладной статистики), кибернетики, теории искусственного и машинного интеллекта и computer science;

– в отличие от классических моделей статистики и эконометрики вид изучаемых связей и зависимостей не задаётся априори, а подбирается компьютером итеративно в целях наилучшего описания данных, таким образом, решается задача непараметрической идентификации объекта;

– в качестве критериев адекватности обычно используются (несмотря на частые утверждения об абсолютной независимости от теории вероятностей и математической статистики) формальные вероятностные методы;

– основной целью использования перечисленных выше систем является получение информации для объективного анализа (содержательно-целевой подход). Если формальные методы основываются на идее достижения некоторого критерия, например, F-Фишера (дисперсионный анализ), то содержательные методы предполагают достижение целей моделирования (получение модели для прогноза, управления и т. д.).

Таким образом, все (или почти все) классы систем анализа данных позволяют решать одни задачи, но делают это с помощью разных подходов и позволяют объективно  анализировать сложные системы, характеризующиеся структурированной (слабоструктурированной) информацией. Использование методов ИАД обосновывается «новой парадигмой» в анализе данных, соответствующей принципам научного подхода к изучаемым объектам, основанного на знаниях, предположительно содержащихся в данных. Исходные структурированные данные – это информационная модель объекта, описание которой может основываться на трех подходах: вероятностном, геометрическом и когнитивном (основанном на знаниях – экспертных либо содержащихся в данных). В качестве альтернативных средств могут использоваться системы Deductor, PolyAnalyst и Statistica. Преимуществом подобного рассмотрения является возможность построения моделей, опирающихся на различные априорные предположения о природе данных, что согласуется с методологией, предложенной во второй главе.

Пятая глава «Моделирование сложных СЭС на примере АПК и рынка труда Краснодарского края» – посвящена практическому применению разработанной методологии исследования СЭС для поддержки принятия управленческих решений: получены когнитивные модели АПК Краснодарского края и его подсистем, реализующие иерархическое описание региональной системы АПК; проведено статистическое моделирование данных производства продукции растениеводства и рынка труда; получено многомерное описание данных службы занятости в виде куба OLAP; с использованием методов эволюционного программирования проведен интеллектуальный анализ данных службы занятости. Все это позволило осуществить системный подход к изучению объекта в виде описаний, использующих различные априорные предпосылки.

(1) Когнитивное моделирование.

Для формализации процесса анализа социально-экономического состояния Краснодарского края, проектирования и анализа возможных сценариев развития АПК и влияния на них рынка труда был разработан комплекс когнитивных карт (рисунки 4–7).

Для построения укрупненной когнитивной карты АПК Краснодарского края были использованы: модель функционирования региональной экономики Гранберга, методики, предложенные в главе 2, теоретические сведения по сельскому хозяйству, экспертные и статистические данные по Краснодарскому краю.

Если представить схему регионального механизма Гранберга в виде многомерной структуры, в которой измерениями являются концепты, то фактически мы получим многомерный куб.

Рассмотрим срез этого куба по измерению «Производство» (V2) в смысле «Агропромышленный комплекс». На основе этого была получена укрупнённая схема АПК в структуре регионального социально-экономического механизма (рисунок 4).

Качественное свойство АПК региона – множественность (полиструктурность) структурной организации отражается укрупнённой схемой взаимосвязанных основных блоков: «Производственная сфера АПК», «Природная среда», «Занятость», «Население». Схема на рисунке 4 является  когнитивной картой в простейшей форме – в форме ориентированного графа.

При разработке когнитивной карты учитывались требования системного подхода к изучению сложных систем – выбор значимых блоков и факторов (показателей состояния АПК), определение направления и силы взаимосвязи блоков и привязки оценки состояния к единому периоду времени.

Блоки обозначены как вершины Vi, i = 1,2,…,9. Эти блоки характеризуются векторами параметров – основных показателей АПК по Краснодарскому краю (рисунок 4).

Подпись: Продукция растениеводстваПодпись: Продукция   животноводства    Подпись: Расходы на  конечное потребление  Подпись: Валовое  накопление  Подпись: Чистые налоги на   проиизводство  Подпись: Валовая прибыль   и валовой смешанный доход  Подпись: Оплата   труда  наёмных   работников  Подпись: Растениеводство  Животноводство  Производство  удобрений  Сельхозмашиностроение  Производство  комбикормов  Строительство  Элеваторы  ЭМК  Мукомольные производства  Сахарные   заводы  Мясокомбинаты

Рисунок 4 – Укрупненная схема G1 регионального механизма АПК

Краснодарского края (адаптировано автором)

Нумерация связей введена  для того, чтобы отдельно можно было охарактеризовать их силу: W – слабая, M – средняя, S – сильная. В экономике современной России сущность и сила связей между элементами регионального механизма и внешней экономической средой  (федеральные регулирующие системы, межрегиональный и внешнеэкономический обмен, население) изменяются непрерывно.

Укрупнённая схема АПК в региональной социально-экономической системе позволяет разработать целый комплекс когнитивных карт для отдельных подсистем. В соответствии с задачами диссертационной работы были разработаны некоторые из них: G2 – «Взаимодействие производственной и непроизводственной сфер производства продукции растениеводства»,

G2 = <V1-V12, Eij >; G3 – «Рынок труда в АПК», G = <V1-V9,Eij >; G4 – «Схема работы службы занятости населения», G4 = <V0-V9, Eij> (рисунки 5–7).

Рисунок 5 – Когнитивная карта G2 «Взаимодействие производственной

и непроизводственной сфер производства продукции растениеводства»

 (разработано автором)

В соответствии с разработанной методологией были проведены следующие этапы когнитивного моделирования: исследование структурных особенностей, путей и циклов когнитивной карты, анализ устойчивости системы, импульсное моделирование и сценарный анализ. Получены следующие основные результаты.

Рисунок 6 – Когнитивная карта G3 «Рынок труда в АПК»

(разработано автором)

Рисунок 7 – Когнитивная карта G4

«Схема работы службы занятости населения» (разработано автором)

Исследование модели G2. Решение характеристического уравнения матрицы инциденций AG2 – нахождение вектора собственных чисел и определение максимального из них по модулю числа М дали результат:

max{M = (1,09; 1,05; 1,05; 0,01; 0,01;0,251;0,251;0,125;0;0;0;0;0)}=1,09, это дает основание заключить, что система неустойчива ни по возмущению, ни по начальному значению. Циклов 26, из них с отрицательной обратной связью 8, следовательно, система также и структурно неустойчива.

Исследование модели G3. Решение характеристического уравнения матрицы инциденций AG3 – нахождение вектора собственных чисел и определение максимального из них по модулю числа М:

max{M = (0; 0,613; 0,613; 0,469; 0,469; 0; 0; 0; 0)}=0,613 – дает основание заключить, что система устойчива по возмущению и по начальному значению. Циклов 14, из них с отрицательной обратной связью 8, следовательно, система структурно неустойчива.

Исследование модели G4. Решение характеристического уравнения матрицы инциденций AG4 – нахождение вектора собственных чисел и определение максимального из них по модулю числа М:

max{M = (1,14; 1,14; 1,04; 0,166; 0; 0; 0; 0; 0)}=1,14 – дает основание заключить, что система неустойчива ни по возмущению, ни по начальному значению.

Имеется два цикла: V9>V5>V6>V9, V9>V7>V6>V9. Первый являются циклом положительной обратной связи, второй – отрицательной обратной связи, следовательно, структурно система устойчива.

Проанализируем пути для безработных: 1) наличие высшего образования дает 15 возможных путей трудоустройства, из них 14 с положительной обратной связью; 2) наличие среднего профессионального образования – десять возможных путей трудоустройства, из них семь с положительной обратной связью; 3) наличие начального профобразования дает 15 возможных путей трудоустройства, из них 14 с положительной обратной связью; 4) отсутствие образования – 17 возможных путей трудоустройства, из них десять с положительной обратной связью. Таким образом, наибольшие шансы получить работу в СЗ у лиц без образования и с высшим профессиональным образованием.

Проанализируем импульсные процессы в механизме, отображенном на когнитивной карте. Моделирование проводилось на основании формул (2)–(6), реализованных в программе ПС КМ. В целях оценки возможных управляющих воздействий, а также возможных стратегий развития было проведено импульсное моделирование. Выбор вершин и совокупностей вершин, в которые вносились импульсные воздействия, определялся на основании экспертных предложений и анализа симплициальных структур.

Сценарий № 1. Импульс поступает в одну вершину V3 – затраты, видно, что при этом происходит улучшение продовольственной безопасности, увеличение реализованной продукции, что положительно сказывается на качестве жизни населения (см. рисунок 8).

      

G2: при qv3=1; qv1=-1, qv2=1

Рисунок 8– Импульсные процессы для когнитивной карты G2

(получено по результатам исследований автором)

Сценарий № 2. Импульсы поступают в две вершины: V1-финансы -1 и V2-инвестиции +1. Из рисунка 8 видно, что несмотря на инвестиции, нехватка финансов отрицательно влияет практически на все индикаторы. (Сценарный анализ для когнитивных карт G3-G4 показал, что государственная  политика, работа службы занятости  положительно влияют на спрос и предложение рабочей силы, а так же на уровень жизни населения и отрицательно на безработицу и т. д.)

(2) Статистический анализ данных в АПК.

1. Важнейшей задачей в сельском хозяйстве является оценка влияния затрат на производство продукции и урожайность. В нашем случае рассматривалось 547 сельскохозяйственных предприятий, из которых 169 принадлежат северной и центральной зонам Краснодарского края – основным производителям зерновых. Рассматривались следующие факторы: затраты на 1га – x1 (тыс. руб.); оплата труда  на 1га (тыс.руб.) – x2; затраты на семена на 1га (тыс. руб.) – x3; затраты на удобрения на 1 га (тыс. руб.) – x4; затраты на  ГСМ на 1 га (тыс.руб.) – x5; амортизация (тыс. руб.) – x6; урожайность ц/га – y. 

Регрессионный анализ с использованием Statistica 6.1 показал, что линейная модель объясняет всего 16,2 % вариации урожайности и кроме свободного члена и затрат на удобрения на 1 га других значимых переменных нет. Результаты пошаговой регрессии, несмотря значимость факторов, включенных в модель, объясняют всего 13 % вариации урожайности. Использование кусочно-линейной регрессиис использованием квази-ньютоновского метода оптимизации позволило получить следующую модель (R2=0,707):

y = (30.358 + 0.582x1 +0.207 x2 -1.694x3   + 1.726x4   - 0.002x5 + 3.932x6)* (y <= 47.199) + (45.686 +1.206x1 + 1.828x2 + 1.029x3  - 0.225x4  - 0.015x5   + -0.885)*(y > 47.199 ).

Поиск законов (в системе PolyAnalyst) позволил найти правило

(R2 =0,4346):

Урожайность = (58.9852 *"Оплата труда на 1га"*"затраты на 1га"*"затраты на 1га"*if(NewVar,1,0.761038)+120.481*"Оплата труда на 1га"*"затраты на 1га")/("Оплата труда на 1га"*"затраты на 1га"*"затраты на 1га"+25.472 *"Оплата труда на 1га"+0.0620379 *"затраты на 1га"*"затраты на 1га").

Регрессия в Statistica и аналогичные средства в системе PolyAnalyst взаимно дополняют друг друга в описании изучаемого процесса. Рассмотрение данных с двух альтернативных точек зрения позволяет лучше вникнуть в суть проблемы. Потенциально с помощью этих моделей (и им подобных) можно прогнозировать урожайность в разные моменты времени или тенденцию к росту или спаду урожайности. Это необходимо для оценки государственными органами потенциальных возможностей сельского хозяйства, полученные модели могут с успехом использоваться в северной и центральной зонах Краснодарского края.

2. Практически при проведении полевого опыта часто регистрируют целый ряд сопутствующих неконтролируемых переменных, меняющихся при повторении опыта – это элементы погодных условий на разных стадиях развития растений, а также элементы структуры урожая. Так, в многолетнем многофакторном эксперименте в ст. Ленинградской Краснодарского края фиксировались в разные периоды вегетации климатические факторы X1-X18:

а) содержание влаги в 0–30-сантиметровом слое почвы: X1 –на период посева, X2 – на период возобновления весенней вегетации, X3 – на период выхода в трубку, X4 – на период колошения, X5 – на период полной спелости;

б) содержание влаги в 0–100-сантиметровом слое почвы: X6 – на период посева, X7 – на период возобновления весенней вегетации, X8 – на период выхода в трубку, X9 – на период колошения, X10 – на период полной спелости;

в) количество осадков X11 – за с/х год VIII–VII, X12 – за IX–XI – период осенней вегетации, X13 – за IV–VI – период весенне-летней вегетации, X14 – за V–VI – период от колошения до созревания;

г) гидротермический коэффициент X15 – на период посева, всходов, X16 – на период возобновления весенней вегетации, X17 – на период выхода в трубку, колошения, X18 – на период колошения, восковой спелости, X19 – на период восковой спелости.

Перечисленные выше климатические факторы, переменные Xs  – ковариаты, наблюдались на фоне двухфакторного иерархического опыта: фактор B-доза внесения удобрений «сгруппирован» внутри главного фактора A-предшественник. Фактор А наблюдался на пяти уровнях: эспарцет, озимая пшеница, подсолнечник, кукуруза, озимая пшеница. Фактор B наблюдался на трех уровнях: без удобрений, средняя доза NPK, органоминеральная система. Опыт проводился с 1979 по 1998 гг., результаты опытных данных были объединены в одну таблицу, годовые данные полевого опыта использовались в качестве повторений (по 20 повторений для каждого сочетания предшественника и дозы внесения удобрений), расчеты проводились с использованием многолетней средней.

С использованием системы Statistica 6.1 была получена модель, в общем, объясняющая 70,5 % вариации урожайности (множественный коэффициент корреляции R равен 0.84 и является значимым при уровне значимости менее 0,05). В полученной модели значимы все факторы, кроме X12, X16, X18.

Анализ показал, что наибольшую долю влияния на урожайность дает доза внесения удобрений, затем предшественник и их взаимодействие. Затем согласно доле влияния содержание влаги в 0–100-сантиметровом слое почвы на период полной спелости; количество осадков за с/х год VIII-VII; X9; X7; X13; X15.

Полученная модель ковариационного анализа может с успехом использоваться в северной зоне Краснодарского края, но сама идеология применения ковариационного анализа для обработки данных многолетних многофакторных опытов, конечно, применима везде. Необходимость подобных моделей подтверждается опытом развития аграрной науки как у нас в стране, так и за рубежом.

(3) Статистический анализ данных службы занятости населения.

Характеристика данных. Источником данных для анализа являлась база данных, основанная на карточках учёта лиц, обратившихся в государственную службу занятости одного из районов Краснодарского края. Всего рассматривалось свыше 250 признаков. Нами были выбраны социально-демографические признаки: пол, дата рождения, образование, а также профессионально-квалификационные характеристики: общий стаж, профессии (по образованию, первая–четвертая профессии, последняя профессия), средний размер оплаты труда за последний год. На основании перечисленных выше переменных были сформированы следующие переменные: возраст на момент закрытия карты, число профессий, число дней до трудоустройства.

Кроме того, рассматривались причины закрытия карты, категории незанятости. База данных до 2007 г. формировалась только с учётом лиц, добровольно обратившихся за содействием в поиске работы. С 2007 г. в базе данных стали учитываться и лица, обратившиеся в СЗ за консультацией. Поэтому исследование проводилось лишь для безработных, которые обратились в СЗ с 1.01.2004 по 31.12.2006 г. В этот период, несмотря на некоторые изменения в трудовом законодательстве, средний приток безработных в СЗ не изменялся. При изучении молодёжного сегмента рынка труда на основании данных службы занятости нами была рассмотрена молодёжь в трёх возрастных группах (16–19, 20–24 и 25–29 лет, как наиболее близких друг другу. В первой группе, как правило, нет профессий, вторая группа находится в процессе получения профессии и третья группа – это лица, уже получившие образование и имеющие несколько профессий. За исследуемый период в районной СЗ получил статус безработного 10441 человек, из них лица в возрасте 16–29 лет – 4390 человек. Временной промежуток анализа – от даты постановки на учёт до даты закрытия карточки.

Последние полтора–два года политика государства ориентирована не на социальную стабилизацию в обществе, как это было в начале 90-х гг. (выплата пособий по безработице), а на обеспечение занятости населения – то есть найти работу теперь более выгодно, чем жить на пособие по безработице. С 2004 по 2006 гг. наибольшее число дней до трудоустройства возрастает для мужчин по всем возрастным категориям, а также для женщин первой возрастной категории. Для мужчин второй и третьей возрастной категорий наибольшее число дней до трудоустройства уменьшается. Если для первой возрастной категории (16–19 лет) в отношении мужчин и женщин число дней до трудоустройства примерно одинаково, то для второй категории (20–24 года) трудоустройство женщин было более длительным в 3,2; 4,1; 1,7 раз в 2004–2006 гг. соответственно. Для третьей возрастной категории длительность трудоустройства женщин превышала в 5,1; 3,9; 1,9 раза в 2004–2006 гг. соответственно. Продолжительность безработицы в среднем составляла в 2004 г. – 44,2 дня, в 2005 г. – 33,7 дней и в 2006 г.– 53,6 дня. Для лиц интеллектуального труда, работников финансовой сферы, потерявших работу в связи с сокращениями и банкротством организаций, число вакансий стабильно меньше потребности в них. Дополнительные вакансии предлагались, прежде всего, для лиц рабочих профессий. Таким образом, в течение всего периода 2004–2006 гг. наблюдался дисбаланс между спросом и предложением рабочих мест.

Применение рангового коэффициента корреляции Спирмена показало, что в исходных данных нет значимых корреляций (превышающих 0,6).

Факторный анализ показал, что существует два фактора, которые объясняют свыше 53,8% общей дисперсии в 2004 г., 59,12% и 45,2% соответственно в 2005 и 2006 гг. Вращение факторов показывает, что такими факторами могут быть: число дней до трудоустройства и категории занятости в 2004 г., группы молодёжи и образование в 2005 и в 2006 гг. Для оценки достоверности разделения изучаемого множества на классы применялся дискриминантный анализ исходных данных, который показал, что три группы молодёжи достаточно хорошо различимы. Матрица классификации показывает, что 98,9 % данных классифицированы правильно.

Вероятностный анализ перехода в различные временные интервалы при пребывании на учёте в центре занятости в состоянии регистрируемой безработицы и оценку «риска» сняться с учёта в качестве безработного проведен нами с помощью оценок Каплана-Мейера. Анализировались данные за три года (2004–2006 гг.). Методы анализа выживаемости не описывают адекватно имеющиеся данные. Если исключить из анализа безработных, получивших работу в первые 9–11 дней, то оставшиеся данные достаточно хорошо описываются распределением Вейбулла, для которого нет значимого отклонения от наблюдаемых значений при оценивании параметров по минимуму суммы взвешенных квадратов (таблица 1).

Таблица 1 – Оценки параметров модели Вейбулла Веса:

1=1., 2=1./V,3=N(I)*H(I)

 

Лямбда

Стд.Ош.

Гамма

Дисперс.

Стд.

Ош.

Ковар.

Хи-квадр

сс

p

Вес 1

0,00019

0,00029

1,65

0,07

0,27

-0,0008

10,24

9,00

0,33

Вес 2

0,00119

0,00014

1,34

0,04

0,2

-0,0003

4,595

9,00

0,87

Вес 3

0,00312

0,00399

1,16

0,05

0,21

-0,0008

3,174

9,00

0,96

Полгода безработные получали пособие по безработице, а затем многие снялись с учёта, следующий скачок снятия с учёта произошел ещё через полтора года – это лица, которые по истечении срока выплаты пособия переходят в состав безработных без выплаты пособия, а затем они вновь становятся получателями пособия по безработице. Безработным, чей стаж более 20 лет, срок пособия продлевается на две недели ежегодно. Многие лица работают без официального оформления, а пребывание на учёте в СЗ обеспечивает им сохранение стажа и медицинского страхования. В этой группе преобладают женщины, что связано с возможностью находиться дома, воспитывать детей, сохраняя социальные льготы.

(4) Многомерный анализ данных службы занятости.

Формирование отчётности в центрах занятости населения. Стандартной программой по вводу, хранению и обработке данных в центрах занятости населения страны является программный комплекс (ПК) «Катарсис» – многофункциональная система, предназначенная для автоматизации основных направлений деятельности Департамента федеральной государственной службы занятости населения субъектов Российской Федерации, их структурных подразделений и филиалов.

Систему «Катарсис» можно отнести к классу систем поддержки принятия решений СППР (DSS, Decision Support System), которая позволяет решать только информационно-поисковые задачи. Оперативно-аналитические задачи более рационально решать с использованием кубов OLAP. Например, рассмотрим срез куба с четырьмя измерениями (пол, группа молодёжи, образование, трудоустроен) по показателю трудоустроен за последние три года (2004–2006гг., на момент проведения исследования 2007 г. еще не закончился) по всем уровням образования, группам молодёжи и полу. Получим следующий многомерный отчет (рисунок 9). Подобные результаты можно объединить в аналитической отчетности, в которой пользователю доступны только конечные результаты (выдержки) из работы аналитика. Отчеты строятся в виде древовидного иерархического списка, каждым узлом которого является отдельный отчет или папка, содержащая несколько отчетов. Для каждого отчета настраивается свой способ отображения (таблица, гистограмма, кросс-таблица, кросс-диаграмма и т. п.). Это удобно, так как несколько отчетов могут быть связаны с одним узлом дерева сценария.

Описанный выше подход показывает, что использование современных систем аналитической отчетности значительно упрощает и облегчает работу конечных пользователей, что выгодно его  отличает  от стандартной системы «Катарсис», используемой СЗ.

 

Группа молодёжи

Пол

 

 

 

 

 

 

 

 

1

2

3

Итого:

Трудоустроен

Обpазование

Ж

М

Итого:

Ж

М

Итого:

Ж

М

Итого:

0

Высшее профессиональное

 

 

 

35

20

55

94

33

127

182

Начальное профессиональное

9

10

19

57

40

97

45

20

65

181

Не имеющие основного общего

11

21

32

2

5

7

6

7

13

52

Основное общее (9 кл.)

119

143

262

77

130

207

26

27

53

522

Среднее общее (11 кл.)

43

63

106

135

124

259

50

32

82

447

Среднее профессиональное

17

4

21

372

91

463

117

28

145

629

Итого:

199

241

440

678

410

1 088

338

147

485

2 013

1

Высшее профессиональное

 

1

1

45

12

57

87

30

117

175

Начальное профессиональное

2

13

15

34

71

105

21

54

75

195

Не имеющие основного общего

161

261

422

3

4

7

3

1

4

433

Основное общее (9 кл.)

449

631

1 080

94

145

239

23

42

65

1 384

Среднее общее (11 кл.)

72

49

121

156

193

349

97

165

262

732

Среднее профессиональное

23

6

29

259

71

330

93

56

149

508

Итого:

707

961

1 668

591

496

1 087

324

348

672

3 427

Итого:

906

1 202

2 108

1 269

906

2 175

662

495

1 157

5 440

Рисунок 9 – Пример OLAP-отчета по данным о трудоустройстве молодёжи (получено по результатам исследований автором)

(5) Интеллектуальный анализ данных службы занятости.

Рассмотрим применение методов эволюционного моделирования (в системе PolyAnalyst) для анализа данных центра занятости населения со следующими показателями: Пол, Возраст, Группа молодёжи, Обpазование, Последняя пpофессия, Число дней до трудоустройства, Категор. незанятости, Общий стаж (в месяцах).

Применение жёсткого алгоритма поиска зависимостей (FD) позволило найти наиболее влияющие параметры: пол, образование, общий стаж.

Жёсткий алгоритм включил в зависимость переменные: пол, образование, общий стаж. На рисунке 10 видно, что мужчины со средним профессиональным образованием трудоустраиваются примерно через 138 дней, а с высшим профессиональным через – 161 день. Мягкий алгоритм показал в качестве основного фактора, влияющего на число дней до трудоустройства, только Образование.

Рисунок 10 – Отчёт применения жёсткого алгоритма поиска зависимостей

(получено по результатам исследований автора)

Нами было сформулировано три правила о принадлежности к первой–третьей группам молодёжи и четвертое, пятое правила о числе дней до трудоустройства – не свыше девяти дней и свыше девяти дней соответственно. В качестве целевой переменной была выбрана «Причины закрытия карточки безработного». В качестве независимых переменных рассматривались: Пол, Обpазование, Категор. Незанятости, Общий стаж (месяцы) и пары правил о принадлежности к тому или иному классу молодёжи и числе дней до трудоустройства, В результате применения машины обучения DT – дерево решений, было получено шесть деревьев решений, позволяющих построить правила для оценки того или иного варианта закрытия карточки безработного.

Для получения более полной картины рассматривались данные социологического исследования, направленного на изучение жизни, интересов, мнений по разным вопросам для создания портрета студентов, которые видят себя работником большой компании с возможностями карьерного роста, несмотря на жесткую конкуренцию. Рассматривалось 30 вопросов. Ответы строились в 10-балльной шкале, в которой ответ 1 означает, что человек полностью отвергает данное утверждение, а ответ 10 – принимает на 100 %. Всего было опрошено 500 студентов старших курсов экономических факультетов КГАУ (г. Краснодар). Линейный вычислительный модуль PolyAnalyst позволяет сделать ценные выводы в отношении портрета вероятного служащего крупной компании. Этот человек придает большое значение моде, склонен к риску, бесшабашен, готов к приключениям, уверен в себе и, возможно, богат, так как может позволить себе все, что захочет, или надеется стать богатым, достигнув высокого положения в крупной компании. Применение модуля Поиск Зависимостей подтверждает факт наибольшего влияния переменной Q5 (склонность к риску и авантюризму), который был уже обнаружен линейным методом, а так же  переменных Q13 (ограниченность в средствах), Q24 (романтичность).

Если условно принять, что человек, поставивший балл 10 для целевого утверждения, за 100 %-ю вероятность того, что он будет стремиться работать в крупной компании, то можно составить следующую таблицу вероятностей:

Значения факторов

Количество человек

Вероятность желания работать в крупной компании

Q13<7

Q5<5, Q24<5

72

19,17 %

Q5>5, Q24>5

52

78,08 %

Q13>7

Q5<5, Q24<5

41

18,78 %

Q5>5, Q24>5

50

73,6 %

Таким образом, можно сделать вывод о том, что из 500 опрошенных 113 (72+41=113) относятся к жизни достаточно серьёзно, трезво оценивают свои возможности (Q24<5,  Q5<5 и Q13<7) и скептически рассматривают вероятность карьерного роста при работе в крупных компаниях (вероятность около 19 %). В то же время 102 (52+50=102) человека из 500 связывают своё будущее именно с карьерным ростом в крупных компаниях (вероятность свыше 73 %). Метод Поиск Законов выделил в качестве наиболее влияющих факторов те же самые переменные Q5, Q24 и Q2 (желание модно выглядеть), также входящие и в результаты, полученные линейным методом. Это является еще одним подтверждением, что эти факторы являются решающими.

В данной главе разработана система когнитивных моделей АПК Краснодарского края, реализующая иерархическое описание взаимосвязанных подсистем регионального механизма, и проведено когнитивное моделирование. С использованием статистического и интеллектуального анализа данных разработаны альтернативные модели затрат на производство продукции растениеводства в целях выяснения резервов снижения и улучшения конкурентоспособности. Проведена оценка эффективности агротехнологий по результатам многолетних многофакторных опытов в Кубанском НИИСХ, что позволяет повысить эффективность управления. Разработаны статистические, многомерные и интеллектуальные модели функционирования одной из районных служб занятости населения, реализующие принцип синтеза моделей при различных априорных предположениях, что позволило адекватно оценить зависимости влияния различных факторов на занятость населения и реализовать модель метанабора системы исследования и принятия решений.

В заключении диссертации приведены наиболее существенные результаты исследования: теоретические выводы, обобщения и обоснованы практические рекомендации.

***

Реализация этих результатов исследования в деятельности крупных компаний, районов и регионов по управлению социально-экономическими системами мезоуровня, а также использование концептуальных положений в учебном процессе при реализации учебных программ обучения специалистов в области управления будут способствовать повышению уровня подготовки кадров для перехода к экономике «знаний» и обеспечению стабильности экономики России на всех уровнях.

 

 

 

 

Основные положения и выводы диссертационного исследования

опубликованы в следующих научных работах:

Монографии

  1. Кацко И.А. Структура и инструментарий системы информационного обеспечения рынка труда и занятости молодежи: Монография / Под ред.

    Н.Н. Лябах. – Ростов-на-Дону: ЮФУ, 2007. 14,4 п. л.

  2. Горелова Г.В. Исследование и моделирование социально-экономических систем. Когнитивное моделирование / Г.В. Горелова и др. – Ростов-на-Дону: ЮФУ, 2008. 25,6/1 п. л.

Статьи в журналах, рекомендуемых для публикации основных

результатов диссертационного исследования на соискание ученой степени доктора наук

  1. Кацко И.А. Когнитивно-регрессионный подход к построению функциональной модели температурных полей оконных блоков со стеклопакетами / И.А. Кацко, В.Д. Таратута // Изв. вузов. Северо-Кавказский регион (технические науки). – 2003. – № 2. 0,5/0,3 п. л.
  2. Кацко И.А.  Ковариационный анализ многофакторного полевого опыта // Труды КГАУ. – Вып. № 1. – 2006. 0,6 п. л.
  3. Кацко И.А. Методические аспекты создания аналитических систем на железнодорожном транспорте // Вестник РГУПС, 2007. 0,6 п. л.
  4. Кацко И.А. Методологические аспекты оценки взаимосвязи состояния рынка труда с тенденциями мирового развития // Экономический вестник Ростовского государственного университета, 2007. – Т. 5. – № 3. 0,6 п. л.
  5. Кацко И.А. Концепция региональной системы поддержки принятия решений для управления деятельностью государственной службы занятости // Изв. вузов. Северо-Кавказский регион (технические науки), – 2007. – № 6. 0,6 п. л.
  6. Кацко И.А. Эконометрический подход к прогнозированию временных рядов на примере урожайности зерновых культур / И.А. Кацко, С.И. Свиридова // Труды КГАУ. – Вып. 5 (9). – 2007. 0,6/ 0,3 п. л.
  7. Кацко И.А. Направления системных исследований в социально-экономических системах // Экономический вестник Ростовского государственного университета. – 2007. – Т. 5. – № 4. 0,5 п. л.
  8. Кацко И.А. Проблемы точности измерений в социально-экономических исследованиях // Экономический вестник Ростовского государственного университета. – 2008. – Т. 1. – № 1. 0,6 п. л.
  9. Кацко И.А. Этапы построения математических моделей для управления в социально-экономических системах // Экономический вестник Ростовского государственного университета. – 2008. – Т. 1. – № 1. 0,6 п. л.
  10. Кацко И.А. Кластерный анализ сельскохозяйственных организаций по уровню развития молочного скотоводства / И.А. Кацко, Е.И. Артемова // Международный сельскохозяйственный журнал. – М., 2008. – № 2. 0,75/0,3 п. л.

Учебные пособия

  1. Горелова Г.В. Теория вероятностей и математическая статистика в примерах и задачах с применением EXCEL / Г.В. Горелова, И.А. Кацко. Учеб. пособие для вузов. Изд. 4-е испр. и доп. – Ростов-на-Дону: «Феникс», 2006. 30/15 п. л.
  2. Кацко И. А. Практикум по анализу данных на компьютере: Учебно-практическое пособие / И.А.Кацко, Н.Б.Паклин; Под ред. проф. Г.В. Гореловой. – Краснодар: КубГАУ, 2007. 15/10 п. л.

Статьи и научные доклады

  1. Кацко И.А. Оптимизация распределения ресурсов и инвестиций // Материалы первой научно-практической конференции МГТИ: Тезисы докладов. – Майкоп: «Зихи», 1996. 0,1 п. л.
  2. Кацко И.А. Разработка математической  модели  организации рыночных отношений / И.А. Кацко, Н.Н. Лябах // Материалы первой научно-практической конференции МГТИ: Тезисы докладов. – Майкоп: «Зихи», 1996. 0,2/0,1 п. л.
  3. Кацко И.А. К вопросу применения регрессионных методов в экономике (статья) / И.А.Кацко, Н.Н.Лябах, Р.А.Беданоков // Актуальные проблемы экономической теории и практики: Сборник трудов. – Ростов-на-Дону; – Майкоп, 1997. 0,2/0,1 п. л.
  4. Кацко И.А. Имитационная модель проверки адекватности регрессионных методов построения зависимостей / И.А. Кацко, С.Г. Чефранов // Актуальные проблемы экономической теории и практики: Сборник трудов. – Ростов-на-Дону; – Майкоп, 1997. 0,2/0,1 п. л.
  5. Кацко И.А. К вопросу о методах построения регрессионных моделей / И.А. Кацко, С.Г. Чефранов // Курганская ГСХА, Рег. № 123ВС-97. – Деп. 0,3/0,1 п. л.
  6. Кацко И.А. Проблема параметрической идентификации с помощью регрессионных методов / И.А. Кацко, И.Е. Коваленко // Автоматизированные информационные технологии: Труды КГАУ. – Вып. 368 (369). – 1998. 0,45/0,35 п. л.
  7. Кацко И.А. Непараметрическая идентификация при зашумленных входных и выходных переменных / И.А. Кацко, С.Г. Чефранов// Автоматизированные информационные технологии: Труды КГАУ. – Вып. 368 (369). – 1998. 0,25/0,15 п. л.
  8. Кацко И.А. К вопросу о повышении устойчивости при управлении сложными системами. Анализ эффективности и устойчивости сельскохозяйственного производства // Труды КГАУ. – Вып. 376 (404). – Краснодар, 1999. 0,3 п. л.
  9. Кацко И.А. Обработка нечисловой информации с помощью нейролингвистического программирования (NLP) / И.А. Кацко, П.Ю. Величко // Анализ эффективности и устойчивости сельскохозяйственного производства: Труды КГАУ. – Вып. 376 (404). – Краснодар, 1999. 0,2/0,1 п. л.
  10. Кацко И.А. Биологическая активность почвы в посевах пшеницы и люцерны / И.А. Кацко, Л.А. Коростелёва, Т.И. Бедловская // Агроэкологический мониторинг в земледелии Краснодарского края: Сборник трудов. – Вып. 2. – Краснодар, 2002. 0,3/0,1 п. л.
  11. Кацко И.А. Принятие решения о структуре системы автономного энергоснабжения с использованием когнитивного подхода (статья) / И.А. Кацко, А.С. Кремер // Научное обеспечение агропромышленного комплекса: Материалы 4-й региональной научно-практической конференции молодых ученых. – Краснодар: КГАУ, 2002. 0,2/0,1 п. л.
  12. Кацко И.А. Эколого-экономическое моделирование / И.А. Кацко, Е.Д. Стеганцова // Экология, город, почвы: Материалы научно-практической конференции. – Краснодар: КГАУ, 2003. 0,5/0,3 п. л.
  13. Кацко И.А. К вопросу о новой парадигме в анализе данных // Проблемы регионального управления, экономики, права и инновационных процессов в образовании: Материалы III Международной научно-практической конференции. – Таганрог. – ТИУЭ, 2003. 0,56 п. л.
  14. Кацко И.А. К вопросу о прогнозировании сложных процессов / И.А. Кацко, Ю.Н. Захарова // Организационно-экономический механизм повышения эффективности аграрного производства: Сборник научных трудов. – Вып. № 403 (431). – Краснодар, 2003. 0,2/0,1 п. л.
  15. Кацко И.А. К вопросу о прогнозировании урожайности семян сахарной свеклы в хозяйствах Краснодарского края / И.А. Кацко, Е.Г. Малыгина // Труды КГАУ. – Вып. 376 (404). – Краснодар, 2004. 0,3/0,1 п. л.
  16. Кацко И.А. Структура системы автономного энергоснабжения, основанная на когнитивном подходе / И.А. Кацко, А.С. Кремер // Научный журнал КубГАУ [Электронный ресурс]. – Краснодар. – КубГАУ, 2004. – №02 (4). – Режим доступа: http://ej.kubagro.ru/ 2004/02/01/p01.asp. 0,2/0,1 п. л.
  17. Кацко И.А. Разведочный анализ опытных данных по изучению влияния технологии выращивания на урожайность и качество озимой пшеницы, сорт Юна (КГАУ 1993–1995 гг.) // Новые технологии в управлении, бизнесе и праве: Труды IV Международной конференции. – Невинномысск, 2004. 0,52 п. л.
  18. Кацко И.А. К проблеме использования современных методов для прогнозирования производства продукции растениеводства / И.А. Кацко, С.И. Свиридова // Труды КГАУ. – Вып. 424 (452). – Краснодар, 2006. 0,5/0,4 п. л.
  19. Кацко И.А. Проблемы развития  АПК и пути поиска их решения // Труды КГАУ. – Вып. 430 (470). – Краснодар, 2005. 0,2 п. л.
  20. Кацко И.А. Методологические основания «мягкого» экономико-математического моделирования в отрасли сельского хозяйства. / И.А. Кацко, Г.В. Горелова // «Интеллектуальные системы» International Conference on Artificial Intelligent Systems: Труды Международной конференции. – AIS-2006. 0,44 /0,2 п. л.
  21. Кацко И.А. Когнитивное моделирование – основа до-формального анализа // Системный анализ в проектировании и управлении: Труды X Международной конференции, 2006. 0,2 п. л.
  22. Кацко И.А. Проблемы анализа данных в условиях неопределенности // Труды КГАУ, 2006. – Вып. №436 (478). 0,3 п. л.
  23. Кацко И.А. К вопросу о региональной продовольственной безопасности // Проблемы управления безопасностью сложных систем: Труды XIV Международной конференции.– М.: РГГУ, 2006. 0,25 п. л.
  24. Кацко И.А.Системный подход в обучении технологиям анализа данных студентов-информатиков / И.А. Кацко, Н.Б. Паклин // Системный анализ в проектировании и управлении: Труды XI Международной конференции, 2007. 0,25/0,1 п. л.
  25. Кацко И.А. Деятельность сельхозпредприятий – основа продовольственной безопасности // Проблемы управления безопасностью сложных систем: Труды XV Международной конференции.– М.: РГГУ, 2007. 0,1 п. л.
  26. Кацко И.А. Разработка учебно-методического комплекса анализа бизнес-процессов с целью обеспечения интеграции молодых специалистов в отношения труда и занятости // Труды ТРТУ, 2007. 0,5 п. л.
  27. Кацко И.А. Разработка системы аналитической отчётности для повышения эффективности учётных систем при укрупнении сельскохозяйственных предприятий / И.А Кацко и др. // Научный  журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2007. –  №27(3). –  Шифр Информрегистра: 0420700012\0056. – Режим доступа: http://ej.kubagro.ru/2007/03/pdf/30.pdf . 1/0,5 п. л.
  28. Кацко И.А. Интеллектуальный анализ данных и моделирование зависимости урожайности зерновых от затрат // Научный журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2008. –  № 02 (36). –  Шифр Информрегистра: 0420800012\0126. – Режим доступа: http://ej.kubagro.ru/2008/02/pdf/16.pdf .  0,6 п. л.

   V

  

Получено по результатам исследований  автором

Адаптировано автором к синтезу моделей СЭС мезоуровня на основании работ Ю.И. Лыпаря.

 



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

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.