Размещено на http://www.allbest.ru/

УДК 519.81

Крюкова А.В., Бочкарёв П.В.

Национальный исследовательский ядерный университет «МИФИ» E-mail: kryukova.alina.vl@gmail.com, PVBochkarev@mephi.ru

Настоящая статья посвящена разработке алгоритма, позволяющего однозначно оценить развитие научного направления на основании построения прогнозных значений. Предложенный подход дает возможность членам попечительского совета и экспертам Фондов научных исследований и научных организаций однозначно оценить, стоит ли развивать выбранное научное направление. А это значит, что информационные системы, в которых будет использоваться данный алгоритм, позволят выявлять перспективных молодых ученых, тем самым увеличивая их число, а также позволят снизить количество ошибок при выборе перспективного направления. Работа поддержана грантом РФФИ № 15-07-08742.

Ключевые слова: научные направления, управление наукой, методы прогнозирования.

DEVELOPMENT OF FORECASTING ALGORITHM PROGRESS OF SCIENTIFIC DIRECTIONS

Kryukova A.V., Bochkaryov P.V.

This article is devoted to the development of the algorithm allow uniquely evaluating the development of scientific directions to use of the predicted values. The proposed approach enables to the Board of Trustees and members of the expert of scientific research and scientific organizations uniquely assess necessity of development the selected scientific direction. This means that information systems, which will be use the algorithm, could identify the promising young researchers, thus increasing their number, and decrease the number of errors in the selection of prospective directions. This work was supported by RFFI grant № 15-07-08742.

Keywords: scientific directions, management of science, methods forecasting.

Введение

Выбор эффективного решения в научной, конструкторской, управленческой, предпринимательской деятельности является актуальной задачей сегодня, которая требует тщательного анализа и оценки всех альтернативных вариантов. В задачах, когда приходится выбирать компромиссные решения, например, между ценой и качеством, ожидаемыми доходами и возможным риском, применяются многокритериальные методы.

Актуальность алгоритма заключается в том, что он позволит обрабатывать большой объем информации, используя различные критерии поиска. Один из вариантов использования алгоритма - это создание информационной системы, которая позволит оценивать динамику развития того или иного научного направления за последние 20-30 лет. Также формировать рекомендации относительно развития научных направлений в виде краткосрочного прогноза на ближайшие 2-3 года, используя критерии поиска.

Состояние проблемы

Для экспертной оценки вклада научного коллектива в развитие того или иного научного направления важным является разработка критериев оценки и сравнения между собой различных научных направлений. Под научным направлением будем понимать совокупность научных работ, объединенных общностью объекта и методов исследования, общностью тем и их взаимосвязанностью [1].

Научное направление проходит несколько этапов своего развития. В работах Г.А. Несветайлова предложена модель жизненного цикла, состоящая из следующих этапов: зарождение, рост, зрелость и насыщение с последующим распадом [3].

На этапе зарождения фиксируется небольшое количество научных публикаций в виде статей, препринтов или тезисов докладов.

На этапе роста количество публикаций резко растет, это, как правило, тезисы докладов, статьи, незначительное количество препринтов и патентов, начинают появляться авторефераты диссертаций.

Этап насыщения характеризуется уменьшением количества научных статей и авторефератов диссертаций, увеличением монографий и учебников. Именно на этом этапе происходит рождение нового научного направления.

Этапы зрелости и насыщения составляют экстенсивную фазу развития. Исследования во время этой фазы носят прикладной характер, в связи с чем резко возрастает число патентов.

В качестве примера развития научного направления рассмотрим представленные на рис. 2 количественные объемы публикаций (в тысячах единиц) по отраслям науки: ядерная физика (рис. 1а), география (рис. 1б).

а) ядерная физика

Размещено на http://www.allbest.ru/

б) география

Размещено на http://www.allbest.ru/

Рисунок 1. Объемы публикаций, индексированных в Web of Science с 1980 по 2015 гг.

Для отрасли науки ядерная физика мы наблюдаем фазу зрелости, переходящую в насыщение, отрасль география пережила насыщение и зарождение в своем составе нового, менее крупного научного направления, связанного с появлением геоинформационных систем.

В современной литературе, посвященной многокритериальным задачам, рассматривается большое число разнообразных методов ранжирования принятия решений для слабоструктурированных проблем: PROMETHEE, ELECTRE, QUALIFLEX, REGIME, ORESTE, ARGUS, EVAMIX, TACTIC и др. [4,5,6].

Рассмотрим подробнее метод PROMETHEE

Отличительной особенностью метода является установление отношений предпочтения между вариантами (предпочтения и безразличия) относительного веса каждого критерия [2].

Преимущества метода PROMETHEE: метод позволяет найти единственное решение, а также составить иерархический список альтернатив, имеет четкую и прозрачную методику отбора. Есть возможность оценки не только отдельных, но также и наборов альтернатив.

Недостатки метода PROMETHEE: наличие несравнимых альтернатив заставляет глубже изучить природу проблемы и возможно скорректировать входные данные, что в итоге может привести к выбору иного, возможно, ошибочного решения. Исходя из этого, для прогнозирования развития научного направления следует использовать иной подход.

Принимаемый подход

научный прогнозирование алгоритм оценка

Для решения проблемы был разработан алгоритм, основанный на анализе временного ряда.

В разработанном алгоритме используется регрессия, тренд, выделение нескольких периодов (циклов), так как временной ряд охватывает очень большой промежуток времени (более 30 лет), и динамичное время развития может длиться несколько лет, в то время как существование самого направления намного больше. Поэтому имеет место выделение нескольких циклов, длительность которых длится разное время, но последствия часто бывают схожими, что говорит о том, что достоверность построенного прогноза для такого временного ряда будет очень высока.

Перед составлением алгоритма был проведён опрос среди экспертов с целью выяснения того, в какой фазе будут находиться направления на основе визуального анализа. Далее был построен алгоритм, с помощью которого получены прогнозные значения.

Алгоритм представлен на рисунке 2.

Рисунок 2. Алгоритм вычисления прогнозных значений

Ниже рассмотрим математическую модель алгоритма прогнозирования

1. Определение количества лет, для которых надо построить прогноз

Первый год для прогноза связан с обновлением базы данных, содержащей в себе всю информацию о публикациях за прошедший год. Обычно базы данных научных систем актуализируются к осени. Поэтому, если текущий месяц - сентябрь или любой последующий месяц, то первым годом, для которого строится прогноз, принимается следующий год. Если более ранний месяц, то вычисляется сначала прогнозное значение для текущего года.

Затем выбирается научное направление, для которого необходимо сделать прогноз, например, по коду и классификатору. Обязательным условием является наличие данных о развитии данного направления в прошлом, т.к. на основании этих данных будет строиться прогноз.

2. Вычисление циклов

Вначале определяется объем выборки V. Далее выделяются циклы. В каждом цикл сохраняются значения, сгруппированные по определенным признакам, например, последовательно увеличивающиеся значения элементов или последовательно уменьшающиеся и т.д.

3. Вычисление индекса цикличности и среднего значения каждого цикла

Определяется количество получившихся циклов z. В каждом цикле определяется количество элементов. Затем вычисляется среднее значение элементов в цикле (1):

,

где m - номер цикла, v - объем выборки, l - количество элементов в выборке.

Определение индекса цикличности внутри цикла (2):

,

где j - год (с известным значением), A[j] - значение в выборке в выбранном году, SRI[m] - среднее значение элементов в выбранном цикле.

4. Вычисление тренда

Определение коэффициента тренда. Для линейного тренда коэффициенты тренда определяются по формулам (3) и (4):

??? = ?????[????] ? ??? ? ?? ? (3),

где ?????[????] - среднее значение элементов выборки, ?? ?- среднее количество лет

,

где x - координата года, y - координата значения в выбранном году.

Для каждого года вычисляется значение тренда (5):

Y_hot[j]=j*???+??? (5)

Вычисляется отклонение Q[t] фактических значений от значений тренда (6):

Вычисляется значение тренда для прогнозируемого года (7):

Y_hot[j]=T[i]*x+b (7),

где T[i] - прогнозируемый год.

Определяется цикл, равный или ближайший к циклу, в котором находится текущий год. Для этого внутри каждого цикла вычисляются коэффициенты наклона между значениями по координатам (8)

Затем сравнивается коэффициенты наклона текущего цикла с предыдущими коэффициентами наклона в циклах (9):

После этого выбирается цикл, в котором по результатам сравнений у последовательно идущих друг за другом коэффициентов наклона отклонения ????[??_??] были либо равны текущим, либо близкими.

5. Вычисление прогнозного значения

Значение тренда прогнозируемого года Y_hot[j] умножается на индекс цикличности схожего цикла развития IC[m,v].

Если есть еще один год, для которого надо вычислить прогноз, тогда берется выборка, в конец выборки ставится вычисленное прогнозное значение и повторяется все сначала.

Обсуждение полученного результата

В таблице 1 приведен пример расчета прогнозного значения на первый год. Для сравнения полученного значения с реальным, расчет сделан для года, значение тренда для которого известно.

Таблица 1. Расчет прогнозного значения на 2011 год

Коэф.тренда

Результаты: реальное значение - 12246, полученное прогнозное значение - 11574. Таким образом, точность полученного значения составляет 94,5 %.

В таблице 2 приведен пример расчета прогнозного значения на второй год. Для сравнения полученного значения с реальным, расчет сделан для года, значение тренда для которого известно. Таблица 2. Расчет прогнозного значения на 2012год

Коэф.тренда 336 -663487

Результаты: реальное значение - 12655, полученное прогнозное значение - 14255. Таким образом, точность полученного значения составляет 87,3 %.

На рисунке 3 представлены график развития направления, данные которого представлены в таблице 1, с 1980 года до 2014, и график прогнозных значений для данного временного ряда с 2011 до 2017 года.

Рисунок 3. График развития направления

Здесь, синим сплошным цветом, выделены реальные значения временного ряда, оранжевым

- прогнозируемые значения, синим пунктиром - линейный тренд. Точность значений - не менее 85,6 %.

Заключение

Для реализации поставленной задачи был разработан алгоритм, основанный на анализе временного ряда. Также представлена его математическая модель. Для сравнения полученного значения с реальным сделан расчет для временных периодов, значение тренда для которых известно. Точность полученных значений составила не менее 85,6 %. Проведённое сравнение полученного результата с результатами опроса экспертов показало совпадение в 85 % случаев.

Таким образом, разработанный алгоритм позволит выявить перспективных молодых ученых, что будет способствовать развитию отечественной науки.

Список литературы

1. Бочкарёв П.В., Гусева А.И., Киреев В.С., Кузнецов И.А., Филиппов С.А. Модель научного направления на основе интеграции объектно-ориентированного, наукометрического и экспертного подходов// Фундаментальные исследования. ¬ - 2015. № 12, часть 6. - с. 1095-1102.

2. Кравченко Т. К., Авдеев Ю. В. Аналитическое обоснование инвестиционной привлекательности банков - М.: Аудит и финансовый анализ. 2012. № 3. - 140-144 с.

3. Несветайлов Г. А. Научные кадры: возраст и творчество // Социологические исследования. -- 1998. - № 9. -- С.115-119.

4. Резниченко В.А., Проскудина Г.Ю., Овдий О.М. Концептуальная модель научной публикации // Труды 14-й Всероссийской научной конференции «Электронные библиотеки: перспективные методы и технологии, электронные коллекции» (RCDL-2012). URL: http://rcdl.ru/doc/2012/paper5.pdf (дата обращения: 23.11.2015).

5. Тенденции развития научных школ в современной России / Дежина И.Г., Киселева В.В. - М.: ИЭПП, 2009. - 164 с.: ил. - (Научные труды / Ин-т экономики переходного периода; № 124P)

6. Kahnemann D. Choice, values, and frames / D. Kahnemann, A. Tversky. - Cambridge: Cambridge University Press, 2000.

Размещено на Allbest.ru