Информационные и когнитивные технологии в управлении качеством жизни путем инвестиций в АПК: решение задач прогнозирования и принятия решений

РЕШЕНИЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ

В работах [1, 2, 3] решены задачи когнитивно-целевой структуризации и формализации предметной области, а также синтеза и верификации статистических и системно-когнитивных моделей. Данная работа посвящена применению этих моделей для решения задачи прогнозирования влияния объемов и направленности инвестиций в АПК на экономическую составляющую качества жизни населения региона.

Соответственно, в качестве значений факторов, влияющих на качество жизни, мы будем рассматривать объемы и направленность инвестиций в АПК (таблица 1), а в качестве результатов влияния этих значений факторов на объект моделирования будем рассматривать различные показатели, характеризующие экономическую составляющую качества жизни населения региона (таблица 2).

Для осуществления прогнозирования результатов влияния объемов и направленности инвестиций в АПК на экономическую составляющую качества жизни необходимо выполнить следующие этапы:

- этап 1-й: подготовить исходные данные для прогнозирования в виде Excel-файла с именем Inp_rasp.xls точно такой же структуры, как файл исходных данных Inp_data.xls;

- этап 2-й: ввести исходные данные для прогнозирования из Excel-файла Inp_rasp.xls в систему «Эйдос»;

- этап 3-й: провести пакетное прогнозирование;

- этап 4-й: получить результаты прогнозирования в виде экранных форм и таблиц.

Ниже кратко рассмотрим выполнение этих этапов.

Таблица 1 - Значения факторов - объемы и направленность инвестиций в АПК

Таблица 2 - Показатели, характеризующие экономическую составляющую качества жизни населения региона

Этап 1-й. В качестве данных для прогнозирования используем данные обучающей выборки. Таким образом файл Inp_rasp.xls получим просто путем копирования файла Inp_data.xls с заменой имени. В результате получим файл: c:\Aidos-X\AID_DATA\Inp_data\Inp_rasp.xls, размещенный в той же папке Inp_data, из котрой система «Эйдос» берет исходные данные не только для формирования модели, но и для прогнозирования.

Этап 2-й. Для ввода исходных данных для прогнозирования из Excel-файла Inp_rasp.xls в систему «Эйдос» используем тот же программный интерфейс 2.3.2.2 (API), что и для ввода обучающей выборки, с параметрами, приведенными на рисунке 1:

Рисунок 1. Экранная форма программного интерфейса 2.3.2.2 (API), что и для ввода обучающей и прогнозируемой выборки

В результате работы данного программного интерфейса получим прогнозируемую выборку (рисунок 2):

Рисунок 2. Фрагмент прогнозируемой выборки

Этап 3-й. Для выполнения пакетного прогнозирования в режиме 5.6 зададим текущей наиболее достоверную по критерию L1 модель Inf3 (рисунок 3) и выполним в не режим 4.1.2 (рисунок 4):

Рисунок 3. Присвоение наиболее достоверной модели Inf3 статуса текущей

Рисунок 4. Выбор графического процессора для прогнозирования

Этап 4-й. В результате прогнозирования получается 10 различных выходных форм, из которых мы рассмотрим только одну (рисунок 5).

На экранной форме, приведенной на рисунке 5, мы видим прогнозируемые на определенный год (по ретроспективным данным) значения различных показателей, характеризующих экономические аспекты качества жизни в Краснодарском крае. Значения показателей, соответствующие факту, т.е. фактически осуществившиеся прогнозы, отмечены символом: «».

В качестве факторов выступают объемы и направленность инвестиций в АПК (таблица 1). В качестве результатов действия факторов выступают различные показатели, характеризующие экономическую составляющую качества жизни населения региона (таблица 2). В системно-когнитивной модели (СК-модели) Inf3 отражено, какое количество информации содержится в каждом значении фактора о переходе объекта моделирования во все состояния, соответствующее классам. Но на каждый определенный период прогнозирования одновременно действует не одно, а много значений факторов. Степень сходства ситуации, сложившейся на определенный период, с обобщенными образами классов определяется в соответствии с аддитивным интегральным критерием. Этот интегральный критерий представляет собой суммарное количество информации, содержащееся во всех значениях действующих факторов о том, что объект моделирования перейдет в каждое из будущих состояний, соответствующих классам. Для каждого класса вычисляется значение интегрального критерия. Далее классы ранжируются в порядке убывания значения интегрального критерия и эта информация выводится в виде экранной формы, представленной на рисунке 5.

Рисунок 5. Экранная форма с результатами прогнозирования

Таким образом, в результате данной работы созданы определенные предпосылки для решения задачи поддержки принятия решений по объемам и направленности инвестиций в АПК, наиболее существенно влияющих на экономическую составляющую качества жизни, а также задачи исследования моделируемой предметной области путем исследования ее модели.

РЕШЕНИЕ ЗАДАЧИ ПРИНЯТИЯ РЕШЕНИЙ

Данная работа посвящена применению этих моделей для решения задачи принятия решений по таким объемам и направленности инвестиций в АПК, которые оказывают наиболее существенное влияние на повышение экономической составляющей качества жизни населения региона.

Управление - это деятельность по достижению целей. Эта задача решается на основе знания причинно-следственных зависимостей, отражающих влияние различных значений факторов на поведение объекта управления. Для перевода объекта управления в заданное целевое стояние необходимо принимать решения о том, какими значениями факторов на него воздействовать.

SWOT-анализа классов проводится с целью определения значений факторов, обуславливающих переход объекта управления в заданное целевое состояние (рисунок 1).

Рисунок 6. SWOT-диаграмма с системой детерминации целевого состояния (пример)

Кластерный анализ классов используется для определения корректности целей управления, т.е. определения того, являются ли целевые состояния объекта моделирования совместимыми по обуславливающим их значениям факторов, и, следовательно, достижимыми одновременно, или они являются взаимно исключающими, т.е. альтернативными и одновременно получены быть не могут (рисунок 2).

Рисунок 7. Агломеративная дендрограмма кластерного анализа классов

Например, из дендрограммы на рисунке 2 мы видим, что средний уровень безработицы (код 17) обусловлен примерно теми же значениями факторов, что и средняя доля населения с наивысшими доходами (код 11).

Кластерный анализ значений факторов используется для замены рекомендуемых значений факторов, которые нет возможности использовать, на другие, сходные по влиянию на объект управления (рисунок 3).

На рисунке 4 приведен алгоритм принятия управляющих решений в автоматизированном системно-когнитивном анализе (АСК-анализе) и его программном инструментарии - интеллектуальной системе «Эйдос».

алгоритм автоматизированный когнитивный программный

Рисунок 8. Агломеративная дендрограмма кластерного анализа значений факторов

Рисунок 9. Алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»

Алгоритм принятия решений

Шаг 0-й. Когнитивно-целевая структуризация и формализация предметной области, синтез и верификация модели.

Шаг 1-й. Решаем задачу поддержки принятия решений путем применения автоматизированного когнитивного SWOT-анализа.

Шаг 2-й. Оцениваем технологические и финансовые возможности применения на практике предлагаемых значений факторов.

Шаг 3-й. Если такая возможность имеется для всех значений факторов, то принимаем их для реализации на практике и выходим из алгоритма принятия решений. Если же такой возможности нет, то исключаем из системы значений факторов те из них, которые по каким-либо причинам нет возможности применить и переходим на шаг 4.

Шаг 4-й. Прогнозирование результатов применения на практике сокращенной системы значений факторов в которой есть только те, которые есть реальная возможность применить.

Шаг 5-й. Если прогнозируемый результат применения на практике сокращенной системы значений факторов устраивает, то принимаем их для реализации на практике и выходим из алгоритма принятия решений. Если же прогноз показывает, что целевое состояние при использовании сокращенной системы значений факторов не будет достигнуто, то переход на шаг 6.

Шаг 6-й. Заменяем рекомендованные на шаге 1, но удаленные на шаге 3 значения факторов другими, сходными по влиянию на объект моделирования и управления, но такие, которые есть возможности применить. Эти значения факторов для замены выбираются с использованием результатов кластерно-конструктивного анализа факторов.

Шаг 7-й. Прогнозирование результатов применения на практике системы значений факторов, сформированной на шаге 6.

Шаг 8-й. Если прогнозируемый результат применения на практике системы значений факторов, сформированной на шаге 6, устраивает, то принимаем их для реализации на практике и выходим из алгоритма принятия решений. Если же прогноз показывает, что целевое состояние при использовании этой системы значений факторов не будет достигнуто, то переход на шаг 0.

Таким образом, в результате данной работы созданы предпосылки для решения задачи исследования моделируемой предметной области путем исследования ее модели.

Это планируется сделать в последующих работах.

Литература

1. Луценко Е.В., Лойко В.И., Барановская Т.П. От управления инвестициями к управлению с помощью инвестиций. // НОВЫЕ ТЕХНОЛОГИИ. Вып. 4, 2017 г. - Майкоп: изд-во ФГБОУ ВО «МГТУ», 2017. - 184 -191.

2. Барановская Т.П., Луценко Е.В. Информационные и когнитивные технологии в управлении качеством жизни путем инвестиций в АПК: формальная постановка задачи // НОВЫЕ ТЕХНОЛОГИИ. Вып. 3, 2018 г. - Майкоп: изд-во ФГБОУ ВО «МГТУ», 2018. - 86 - 91.

3. Барановская Т.П., Луценко Е.В. Информационные и когнитивные технологии в управлении качеством жизни путем инвестиций в АПК: синтез и верификация системно-когнитивных моделей // НОВЫЕ ТЕХНОЛОГИИ. Вып. 4, 2018 г. - Майкоп: изд-во ФГБОУ ВО «МГТУ», 2018. - 102 -107.

4. Барановская Т.П., Луценко Е.В. Информационные и когнитивные технологии в управлении качеством жизни путем инвестиций в АПК: формальная постановка задачи // НОВЫЕ ТЕХНОЛОГИИ. Вып. 3, 2018 г. - Майкоп: изд-во ФГБОУ ВО «МГТУ», 2018. - 86 - 91. References:

1. Lucenko E.V., Lojko V.I., Baranovskaja T.P. Ot upravlenija investicijami k upravleniju s pomoshh'ju investicij. // NOVYE TEHNOLOGII. Vyp. 4, 2017 g. - Majkop: izd-vo FGBOU VO «MGTU», 2017. - 184 -191.

2. Baranovskaja T.P., Lucenko E.V. Informacionnye i kognitivnye tehnologii v upravlenii kachestvom zhizni putem investicij v APK: formal'naja postanovka zadachi // NOVYE TEHNOLOGII. Vyp. 3, 2018 g. - Majkop: izd-vo FGBOU VO «MGTU», 2018. - 86 - 91. 3. Baranovskaja T.P., Lucenko E.V. Informacionnye i kognitivnye tehnologii v upravlenii kachestvom zhizni putem investicij v APK: sintez i verifikacija sistemno-kognitivnyh modelej // NOVYE TEHNOLOGII. Vyp. 4, 2018 g. - Majkop: izd-vo FGBOU VO «MGTU», 2018. - 102 -107.

4.Baranovskaja T.P., Lucenko E.V. Informacionnye i kognitivnye tehnologii v upravlenii kachestvom zhizni putem investicij v APK: formal'naja postanovka zadachi // NOVYE TEHNOLOGII. Vyp. 3, 2018 g. - Majkop: izd-vo FGBOU VO «MGTU», 2018. - 86 - 91.

Размещено на Allbest.ru