Обоснование выбора метода прогнозирования развития многоотраслевой корпорации

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

РЕФЕРАТ

ОБОСНОВАНИЕ ВЫБОРА МЕТОДА ПРОГНОЗИРОВАНИЯ РАЗВИТИЯ МНОГООТРАСЛЕВОЙ КОРПОРАЦИИ

Применение классических методов прогнозирования применительно к многоотраслевой корпорации наталкивается на ряд определенных сложностей, обусловленных ее экономической природой. В отличие от других хозяйствующих субъектов, многоотраслевые корпорации характеризуются многомерными массивами данных с высокой долей искажения и фрагментированности информации, что обусловлено кумулятивным эффектом неполноты и искажения отчетной информации, поступающей от входящих в нее предприятий. В этих условиях, применяемые методы и инструментарий должны обладать высокой разрешающей способностью и эффективно работать с большими базами данных в условиях неполноты информации, обеспечивать корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов, измеряемых в различных единицах измерения. Поэтому необходимо выбрать или разработать методы, способные работать со сложными слабо формализуемыми задачами. Данное обстоятельство обосновывает актуальность проблемы разработки моделей, методик и инструментария для решения задачи прогнозирования развития многоотраслевой корпорации. В данной статье проводится сравнение методов прогнозирования и предлагается применить АСК-анализ, который имеет хорошее теоретическое обоснование содержательной интерпретации модели знаний, основанной на теории информации; высокую точность и независимость результатов расчетов от единиц измерения исходных данных за счет использования не корреляционной матрицы, как в статистических системах, а матриц знаний. Развитый и доступный инструментарий АСК-анализа - интеллектуальная система «Эйдос» (автор - Е.В.Луценко, 1994) позволяет на основе фрагментированных, зашумленных исходных данных различной природы (числовых, текстовых) создавать модели большой размерности. АСК-анализ и система «Эйдос» имеют широкую успешную апробацию в экономике, технике, сельском хозяйстве, социологии и других областях. Эти особенности АСК-анализа и обусловили его выбор в качестве метода прогнозирования динамики показателей корпорации

Application of classical forecasting methods applied to a diversified corporation faces some certain difficulties, due to its economic nature. Unlike other businesses, diversified corporations are characterized by multidimensional arrays of data with a high degree of distortion and fragmentation of the information due to the cumulative effect of the incompleteness and distortion of accounting information from its enterprises. Under these conditions, the applied methods and tools must have high resolution and to work effectively with large databases with incomplete information, to ensure correct common comparable quantitative processing of the heterogeneous nature of the factors measured in different units. It is therefore necessary to select or develop some methods that can work with poorly formalized complex tasks. This fact substantiates the relevance of the problem of developing models, methods and tools for solving the problem of forecasting the development of diversified corporations. This article compares methods of forecasting and encourages using the ask analysis which has a good theoretical justification for the meaningful interpretation of a knowledge model based on information theory; high accuracy and independence of calculation results of the unit of measurement baseline data through the use of not the correlation matrix, as in statistical systems, and matrices of knowledge. A well-developed and available Toolkit of the ASK-analysis which is an intellectual system called "Eidos" (created by E. V. Lutsenko, 1994) allows, on the basis of fragmented, noisy source data of various nature (numeric, text) to create models of large dimension. The ASK-analysis and the system of "Eidos" have been widely and successfully used in economics, engineering, agriculture, sociology and other fields. These features of the ASK-analysis have led to the fact that it was chosen as the method of forecasting of dynamics of indicators of the corporation

1. Классификация методов прогнозирования

Традиционные методы и программный инструментарий классической статистики и даже методы исследования сложных систем (генетический метод, имитационный метод и вычислимые модели) недостаточно приспособлены и для моделирования таких суперсложных систем, какой является корпорация. В последнее время для решения подобных задач все чаще привлекаются методы и системы искусственного интеллекта. Это обусловлено тем, что интеллектуальная система и соответствующий способ представления знаний обеспечивают решение широкого спектра сложных плохо формализуемых прикладных задач (рисунок 1).

Рисунок 1. Методы прогнозирования объектов
различной сложности и неопределенности

2. Характеристика классических методов

Требования к методу решения проблемы являются критериями выбора метода.

Рассмотрим некоторые методы и подходы с точки зрения их соответствия требованиям, предъявляемым к методу решения проблемы, вытекающим из свойств объекта исследования.

Различные системы управления отличаются друг от друга степенью формализации (использованием математики), и степенью автоматизации (использованием компьютеров), процессов идентификации, прогнозирования и выработки решения об управляющем воздействии:

- слабо формализованные системы управления, встречающиеся, в основном, в сельском хозяйстве, политических, экономических, социальных и психологических системах (математика и компьютеры практически не применяются, за редким исключением);

- автоматизированные системы управления (АСУ) решение об управляющем воздействии принимается управляющей системой с участием человека в процессе их взаимодействия;

- считается, что в системах автоматического управления (САУ) процесс выработки управляющего воздействия полностью автоматизирован, т.е. оно принимается управляющей системой автоматически, без участия человека.

В САУ моделью объекта управления, отражающей зависимость его выходных параметров от входных, является передаточная функция.

Подход САУ неприменим для решения нашей проблемы, т.к. искусственная экосистема представляет собой сложный многофакторный слабодетерминированный нелинейный объект управления, информация о котором сильно фрагментирована и зашумлена, а для подобных объектов пока не разработано способов получить матричную передаточную функцию непосредственно на основе эмпирических данных.

Фундаментальный и технический подходы.

В фундаментальном подходе исследуется влияние факторов различной природы на поведение объекта управления и прогнозирования, а в техническом - влияние прошлой части временного ряда на будущую его часть (относительно текущей точки во времени). Знание этих причинно-следственных связей используется для прогнозирования и принятия решений. В фундаментальном подходе существует проблема сбора информации о действующих на объект управления и прогнозирования факторах. В техническом подходе подобной проблемы нет, т.к. базы данных с временными рядами обычно более доступны. Поэтому на практике чаще используется технический подход.

В данной работе предлагается синтез фундаментального и технического подходов, суть которого в том, что на основе временных рядов, как в техническом анализе, выявляются события в развитии корпорации, а затем, как в фундаментальном подходе, выявляются причинно-следственные связи между этими событиями и эти знания используются для прогнозирования развития корпорации.

3. Преобразование исходных данных в информацию, а ее в знания

Исходные данные об объекте управления и прогнозирования обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. Использовать для прогнозирования и принятия решений непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат прогнозирования оказывается не намного достовернее случайного угадывания. Для реального же решения задачи прогнозирования необходимо предварительно преобразовать данные в информацию и знания.

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

1. Выявление событий в данных.

2. Выявление причинно-следственных зависимостей между событиями.

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

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

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, как это хорошо известно в статистике, это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями.

Знания - это информация, полезная для достижения целей (рисунок 5). Значит для преобразования информации в знания необходимо:

1. Поставить цель.

2. Оценить полезность информации для достижения цели.

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

Рисунок 2. Соотношение содержания понятий: «данные», «информация», «знания»

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

- вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

- знания, формализованные в естественном вербальном языке;

- знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);

- знания в форме технологий, организационных, производственных, социально-экономических и политических структур;

- знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие). прогнозирование многоотраслевое корпорация

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

- преобразовать исходные данные в информацию;

- преобразовать информацию в знания;

- использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.

4. Характеристика интеллектуальных методов

При всех своих терминологических различиях концептуальные подходы к построению систем искусственного интеллекта (т.е. применяющиеся в них модели представления знаний) по своей сущности имеют значительно больше общего, чем может показаться на первый взгляд. Это хорошо видно из таблицы 1, приставляющей собой своего рода словарь для перевода терминов, применяемых в различных направлениях исследований и разработок, связанных с искусственным интеллектом.

Слабые и сильные стороны различных моделей представления знаний приведены в таблице 2.

Из таблицы 2 видно, интеллектуальные методы и системы можно классифицировать на реализующие классическую логику с двумя вариантами истинности заключений: «Истина», «Ложь» (логическая, сетевая и продукционная модели), и на методы со степенью истинности, принимающей ряд дискретных или плавно меняющихся значений.

Первые - это логическая, сетевая и продукционная модели, основанные на классической логике Аристотеля. Эти модели представления знаний и основанные на них программные системы вообще не пригодны для прогнозирования развития такого суперсложного и противоречивого объекта, которым является корпорация.

Вторые, т.е. модели, основанные на нечеткой логике Л.Заде, а также фреймовая и нейросетевая модели больше подходят для этой цели, однако и у них есть свои недостатки. В нечеткой логике Л.Заде степень истинности задается искусственно, а не определяется на основе эмпирических данных, фреймовая модель сама является суперсложной в программной реализации, а нейросетевая не поддается обоснованной содержательной интерпретации. Эти недостатки преодолеваются в методе системно-когнитивного анализа (АСК-анализ) (автор - Е.В.Луценко, 2002) [1-18] (рисунок 6).

Таблица 1 - Словарь терминов моделей представления знаний

*

Размещено на http://www.allbest.ru/

Таблица 2 - Слабые и сильные стороны моделей представления знаний

Рисунок 3. Сходство и различие различных моделей представления знаний

Модель представления знаний АСК-анализа является гибридной моделью, основанной на упрощенной фреймовой модели без потери ее функционала и нелокальной интерпретируемой нейронной сетью, в которой сопоставимо анализируются не данные или информация, а знания в одних событиях о других событиях, независимо от их природы, единиц измерения и того, являются они числовыми или лингвистическими переменными. АСК-анализ имеет свои особенности: хорошее теоретическое обоснование содержательной интерпретации модели знаний, основанной на теории информации; высокую точность и независимость результатов расчетов от единиц измерения исходных данных за счет использования не корреляционной матрицы, как в статистических системах, а матриц знаний. Развитый и доступный инструментарий АСК-анализа - интеллектуальная система «Эйдос» Скачать систему «Эйдос-Х++» (самую новую на текущий момент версию) можно на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm. Это наиболее полная на данный момент незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными текстами, находящаяся в полном открытом бесплатном доступе (около 70 Мб). (автор - Е.В.Луценко, 1994) позволяет на основе фрагментированных, зашумленных исходных данных различной природы (числовых, текстовых) создавать модели большой размерности. АСК-анализ и система «Эйдос» имеют широкую успешную апробацию в экономике, технике, сельском хозяйстве, социологии и других областях [1-36]. Эти особенности АСК-анализа и обусловили его выбор в качестве метода прогнозирования динамики показателей корпорации.

Литература

1. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с. http://elibrary.ru/item.asp?id=18632909

2. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с. http://elibrary.ru/item.asp?id=21720635

3. Трубилин А.И., Барановская Т.П., Лойко В.И., Луценко Е.В. Модели и методы управления экономикой АПК региона. Монография (научное издание). - Краснодар: КубГАУ. 2012. - 528 с. ISBN 978-5-94672-584-2.http://elibrary.ru/item.asp?id=21683702

4. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=22401787

5. Орлов А.И., Луценко Е.В., Лойко В.И. Перспективные математические и инструментальные методы контроллинга. Под научной ред. проф. С.Г.Фалько. Монография (научное издание). - Краснодар, КубГАУ. 2015. - 600 с. ISBN 978-5-94672-923-9. http://elibrary.ru/item.asp?id=23209923

6. Орлов А.И., Луценко Е.В., Лойко В.И. Организационно-экономическое, математическое и программное обеспечение контроллинга, инноваций и менеджмента: монография / А. И. Орлов, Е. В. Луценко, В. И. Лойко ; под общ. ред. С. Г. Фалько. - Краснодар : КубГАУ, 2016. - 600 с. ISBN 978-5-00097-154-3. http://elibrary.ru/item.asp?id=26667522

7. Луценко Е.В. Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 2-я: синтез и верификация модели) / Е.В. Луценко, В.И. Лойко, О.А. Макаревич, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 706 - 719. - Шифр Информрегистра: 0421100012\0268, IDA [article ID]: 0711107050. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/50.pdf, 0,875 у.п.л.

8. Луценко Е.В. Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 1-я: постановка задачи и формализация предметной области) / Е.В. Луценко, В.И. Лойко, О.А. Макаревич, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 692 - 705. - Шифр Информрегистра: 0421100012\0271, IDA [article ID]: 0711107049. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/49.pdf, 0,875 у.п.л.

9. Луценко Е.В. Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 1-я: постановка задачи и формализация предметной области) / Е.В. Луценко, В.И. Лойко, О.А. Макаревич, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 692 - 705. - Шифр Информрегистра: 0421100012\0271, IDA [article ID]: 0711107049. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/49.pdf, 0,875 у.п.л.

10. Луценко Е.В. Оперативное прогнозирование трендов экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 2-я: синтез и верификация модели) / Е.В. Луценко, В.И. Лойко, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №09(073). С. 478 - 487. - Шифр Информрегистра: 0421100012\0376, IDA [article ID]: 0731109044. - Режим доступа: http://ej.kubagro.ru/2011/09/pdf/44.pdf, 0,625 у.п.л.

11. Луценко Е.В. Оперативное прогнозирование трендов экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 1-я: постановка задачи и формализация предметной области) / Е.В. Луценко, В.И. Лойко, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №09(073). С. 466 - 477. - Шифр Информрегистра: 0421100012\0378, IDA [article ID]: 0731109043. - Режим доступа: http://ej.kubagro.ru/2011/09/pdf/43.pdf, 0,75 у.п.л.

12. Автоматизированный системно-когнитивный анализ и его применение для управления социально-экономическими системами в АПК / Е.В. Луценко, В.И. Лойко, О.А. Макаревич, Л.О. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №04(078). С. 654 - 698. - IDA [article ID]: 0781204055. - Режим доступа: http://ej.kubagro.ru/2012/04/pdf/55.pdf, 2,812 у.п.л.

Размещено на Allbest.ru