Разработка интеллектуальной технологии исследования влияния экологических факторов на различные аспекты качества жизни населения региона

Все в принципе согласны с тем, что «хорошая экология - это хорошо, а плохая экология - это плохо». Чтобы дать подобную оценку на качественном уровне нет необходимости в проведении каких-то специальных научных исследований, т.е. это не сложно. Соответственно и влияние подобных малосодержательных по существу выводов на экологическое сознание и на принятие решений руководителями различных уровней не недостаточно. Чтобы повысить обоснованность подобных выводов и их вес в формировании экологического сознания необходимо количественно оценить силу и направление влияния разнородных экологических факторов, например, таких как уровень загрязнения окружающей среды (воздуха, вод и почв), на какие-то значимые интегральные показатели, непосредственно касающиеся основной массы населения, например на качество жизни населения региона. Программная идея работы: «Экология важна не только сама по себе, но прежде всего потому, что она оказывает существенное влияние на то, что важно для нас: на наше физическое и психическое здоровье, качество жизни, рождаемость и смертность, физическую продолжительность жизни, а также продолжительность активной и творческой жизни и работоспособного состояния и многое-многое другое». Чтобы исследовать влияние экологических факторов на все эти аспекты жизни недостаточно лишь экологических баз данных о степени загрязнения земли, воды, воздуха, пищи, строительных материалов, одежды, мебели, игрушек и т.п. и т.д. Необходимы также базы данных, отражающие наше физическое и психическое здоровье, качество жизни, рождаемость и смертность, продолжительность жизни, продолжительность активной и творческой жизни и работоспособного состояния. И все эти базы данных необходимо обрабатывать совместно в сопоставимой форме по одной методологии, технологии и методике и в одной реализующей их программной системе. Проблема состоит не в том, что такой методологии, технологии, методики программной системы нет, т.к. они есть (это АСК-анализ и система «Эйдос»), а в том, что они совершенно неизвестны специалистам в конкретных областях, для которых они предназначены, в частности совершенно неизвестны экологам.

Итак, чтобы повысить обоснованность выводов о влиянии экологии на качество жизни необходимо перейти от общих рассуждений к применению количественных методов моделирования. Для этого необходима совместная обработка экологических баз данных и баз данных, отражающих различные аспекты качества жизни. Эти базы данных необходимо обработать не просто совместно, но и в сопоставимой форме по одной методологии, технологии и методике и в одной реализующей их программной системе. Впервые в экологических исследованиях это планируется сделать с применением АСК-анализа и системы «Эйдос».

4. Исследование характеристик исходных данных и обоснование требований к методу достижения цели

Исходные данные Росстата по отдельным экологическим факторам и некоторым аспектам качества жизни охватывают небольшие периоды наблюдений (малый лонгитюд), а их восполнение, в т.ч. путем проведения экспериментов, принципиально невозможно. В результате в этих данных отсутствуют полные повторности. Экологические факторы описываются разнородными показателями, измеренными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. Решаемые задачи относятся к задачам большой размерности, т.е. в них идет речь не о 5 или максимум 7 факторах, а о сотнях и тысячах Исходные данные зашумлены, не случайны и взаимозависимы, не аддитивны, зависят от каких-то третьих более фундаментальных факторов.

Экологи до сих пор надеются на то, что их задачи позволит решить MS Excel и системы «Статистика» и SPSS. Но постепенно их иллюзии рассеиваются, и они начинают понимать, что возможности инструмента решения проблемы должны соответствовать сложности проблемы. Экологи пытаются применять эти методы, однако оказывается, что корректно сделать это довольно проблематично по целому ряду вполне объективных, независимых от исследователей, реально имеющих место причин. Мы назовем лишь некоторые из них.

Во-первых, это отсутствие или малодоступность необходимых для подобных исследований исходных данных. Те же данные, которые все же удается найти, охватывают небольшие периоды наблюдений (малый лонгитюд), а их восполнение, в т.ч. путем проведения экспериментов, принципиально невозможно. В результате невозможно требовать от таких данных полных повторностей, что является необходимым условием корректно применения факторного анализа.

Во-вторых, экологические факторы описываются разнородными показателями, измеренными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. Математические методы сопоставимой обработки подобных данных, а также реализующий эти методы программный инструментарий, фактически отсутствуют.

В-третьих, подобные задачи относятся к задачам большой размерности, т.е. в них идет речь не о 5 или максимум 7 факторах, как в факторном анализе, а по крайней мере о сотнях и тысячах. Обычно в руководствах по факторному анализу начинаются с сакраментальной фразы: «Выберем небольшое число наиболее важных факторов, которые будем исследовать». Но при этом авторы этих руководств благоразумно воздерживаются от рассмотрения методологических, методических и практических подходов к тому, как это сделать, т.к. они просто отсутствуют или малоизвестны, как и необходимый для этого программный инструментарий. На практике обычно все сводится не к исследованию объекта, который надо исследовать, а к исследованию данных, которые фактически есть и удовлетворяют этим жестким требованиям, но мягко говоря, не очень полно отражают исследуемый объект.

В- четвертых, факторный анализ является неустойчивым методом в том смысле, что, даже небольшие вариации значений исходных данных приводят к сильному изменению результатов применения метода, т.е. требует, чтобы исходные данные были абсолютно точными. Ясно, что реальные исходные данные сильно зашумлены и не удовлетворяют этому требованию. Да и даже в принципе вряд ли можно всерьез говорить о каких-то гипотетических абсолютно точных данных, т.е. ясно, что это некая абстракция, которой в полной мере практически ничего в действительности не соответствует.

В-пятых, факторный анализ является линейным, параметрическим методом, т.е. требует выполнения нормального распределения и независимости исследуемых факторов. Дело в том, что нормальное распределение выполняется только при действии большого числа случайных и независимых друг от друга аддитивных факторов, а на практике они конечно не случайны и часто взаимозависимы, не аддитивны, зависят от каких-то третьих более фундаментальных факторов.

5. Выбор метода по обоснованным требованиям

автоматизированный математический моделирование синергетический

Для достижения сформулированной цели и решения поставленных задач предлагается применить новую инновационную интеллектуальную технологию: автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - систему «Эйдос». АСК- анализ имеет ряд особенностей, которые обусловили его выбор в качестве метода решения проблемы:

1) имеет теоретическое обоснование, основой которого является семантическая мера целесообразности информации А.Харкевича;

2) обеспечивает корректную сопоставимую количественную обработку разнородных по своей природе взаимосвязанных факторов, измеряемых в различных единицах измерения, высокую точность и независимость результатов расчетов от единиц измерения исходных данных;

3) обеспечивает построение многомерных моделей объекта моделирования непосредственно на основе неполных (фрагментированных) и зашумленных (искаженных) эмпирических данных о нем;

4) имеет развитую и доступную программную реализацию в виде универсальной когнитивной аналитической системы «Эйдос» (открытое программное обеспечение).

5) об АСК-анализе и различных аспектах его применения написано 22 монографии и учебных пособия, сотни статей в изданиях, входящих в Перечень ВАК РФ, на программный инструментарий АСК-анализа - интеллектуальную систему «Эйдос» и различные ее режимы и подсистемы получено 29 свидетельств РосПатента.

АСК-анализ представляет собой один из современных инновационных методов искусственно интеллекта, который имеет теоретическое обоснование и оснащен широко и успешно апробированным универсальным программным инструментарием, позволяющим решить эти вопросы не только как обычно на теоретическом концептуальном уровне, но и на практике.

Модели знаний АСК-анализа основаны на нечеткой декларативной модели представления знаний, предложенной проф.Е.В.Луценко в 1979 году и являющейся гибридной моделью, сочетающей в себе преимущества фреймовой и нейросетевой моделей и обеспечивающей создание моделей очень больших размерностей до 10 млн. раз превышающих максимальные размерности моделей знаний экспертных систем с четкими продукциями: От фреймовой модели модель представления знания системы «Эйдос» отличается существенно упрощенной программной реализацией и более высоким быстродействием без потери функциональности (за счет того, что в системе «Эйдос» для всех фреймов создается один набор баз данных, такой, как в фреймовой модели для каждого фрейма); от нейросетевой тем, что обеспечивает хорошо обоснованную теоретически на основе тоерии информации содержательную интерпретацию весовых коэффициентов на рецепторах и обучение методом прямого счета; от четкой продукционной модели - нечеткими продукциями, представленными в декларативной форме, что обеспечивает эффективное использование знаний без их многократной генерации для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта.

АСК-анализ является непараметрическим методом, устойчивым к шуму в исходных данных, позволяющий корректно обрабатывать неполные (фрагментированные) исходные данные, описывающие воздействие взаимозависимых факторов на нелинейный объект моделирования.

Суть метода АСК-анализа в том, что он позволяет рассчитать на основе исходных данных какое количество информации содержится в значениях факторов, обуславливающих переходы объекта моделирования в различные будущие состояния, причем как в желательные, так и в нежелательные.

Он состоит в целенаправленном последовательном повышении степени формализации исходных данных до уровня, который позволяет ввести исходные данные в компьютерную систему, а затем преобразовать исходные данные в информацию; информацию преобразовать в знания; использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.

Итак, для достижения сформулированной цели и решения поставленных задач планируется применить АСК-анализ, который обеспечивает корректную сопоставимую количественную обработку разнородных по своей природе взаимосвязанных факторов, измеряемых в различных единицах измерения, высокую точность и независимость результатов расчетов от единиц измерения исходных данных, построение многомерных непараметрических нелинейных моделей объекта моделирования непосредственно на основе неполных (фрагментированных) и зашумленных (искаженных) эмпирических данных о нем, имеет развитую и доступную программную реализацию в виде универсальной когнитивной аналитической системы «Эйдос»

6. Разработка этапов достижения цели с применением выбранного метода

Для достижения сформулированной цели и решения поставленных задач необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем: преобразовать исходные данные в информацию; преобразовать информацию в знания; использовать знания для решения задач управления, принятия решений и исследования предметной области.

Соответственно, АСК-анализ имеет следующее этапы:

1) когнитивно-целевая структуризация предметной области;

2) формализация предметной области (формирование классификационных и описательных шкал и градаций и обучающей выборки);

3) синтез и верификация статистических и системно-когнитивных моделей;

4) решение задач идентификации, прогнозирования, принятия решений и исследования предметной области в наиболее достоверных из созданных моделей.

7. Краткое описание содержания