CC BY
48
УДК 303.732.4
ОПЕРАТИВНОЕ ПРОГНОЗИРОВАНИЕ ЗНАЧЕНИЙ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ МНОГООТРАСЛЕВОЙ КОРПОРАЦИИ С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА (часть 2-я: синтез и верификация модели)1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail. com
Лойко Валерий Иванович заслуженный деятель науки РФ, д.т.н., профессор
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, loyko@kubagro. т
Макаревич Олег Александрович к.э.н., доцент
Майкопский государственный технологический университет, Республика Адыгея, Россия
Макаревич Лилия Олеговна соискатель
НОУ ВПО "Санкт-Петербургский институт внешнеэкономических связей, экономики и права", филиал в г. Краснодаре, Россия
В статье описывается процедура синтеза четырех моделей корпорации, отличающихся частыми критериями взаимосвязи между прошлыми показателями предприятий, входящих в корпорацию и будущими состояниями корпорации в целом, производится верификация всех частных моделей с использованием двух интегральных критериев, осуществляется прогнозирование будущих состояний корпорации по их системе детерминации
Ключевые слова: СИСТЕМНЫЙ ПОДХОД, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, МНОГООТРАСЛЕВАЯ КОРПОРАЦИЯ, ПРОГНОЗИРОВАНИЕ, СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ
UDC 303.732.4
ON-LINE FORECASTING OF VALUE OF ECONOMICAL INDEXES OF DIVERSIFIED CORPORATION WITH APPLICATION OF PROCESS ENGINEERINGS OF ARTIFICIAL INTELLIGENCE (part 2: synthesis and model verification)
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor
Kuban State Agrarian University, Krasnodar, Russia
Loiko Valery Ivanovich
deserved scientist of the Russian Fedration,
Dr.Sci.Tech., professor
Kuban State Agrarian University, Krasnodar, Russia
Makarevich Oleg Alexandrovich Cand.Econ.Sci., associate professor
Adygh State Technological University, Maikop, Ady-ghea Republic, Russia
Makarevich Lilija Olegovna Competitor
St.-Petersburg institute of foreign economic relations, economy and law, branch in Krasnodar, Krasnodar, Russia
In this article, the routine of synthesis of four models of the corporation, different by frequent measure of correlation between past indexes of the factories entering into corporation and the future statuses of corporation as a whole is featured, verification of all private models with utilization of two integral measure is fabricated, forecasting of the future statuses of corporation on their system of determination is performed
Keywords: SYSTEMIC APPROACH, SYSTEMIC-COGNITIVE ANALYSIS, SYSTEMS APPROACH, DIVERSIFIED CORPORATION, FORECASTING, SEMANTIC INFORMATION MODEL
Данная статья является продолжением статьи [8]. Рассмотрим в ней последующие этапы АСК-анализа: 3) синтез и верификация (оценка степени адекватности) модели; 4) решение задачи прогнозирования значений
1 Работа выполнена при поддержке гранта РФФИ №11-06-96508-р_юг_ц, № Гос.рег.НИР: 01201172967
экономических показателей многоотраслевой корпорации, рассмотрению которых посвящена работа [8].
3. Синтез и верификация (оценка степени адекватности) модели.
Данный этап автоматизированного системно-когнитивного анализа предметной области в системе «Эйдос» может быть выполнен, в частности, с помощью режима _25, который обеспечивает [5, 6]:
- синтез четырех моделей баз знаний, отличающихся видом частного критерия для количественной меры знаний;
- оценку достоверности каждой модели знаний с помощью двух интегральных критериев: суммы знаний и корреляции конкретного образа объекта исследуемой выборки с обобщенным образом класса в базе знаний.
В результате работы данного режима формируется 4 базы знаний, приведенные в таблицах 9, 10, 11 и 12, а также оценку их достоверности, установленную путем прогнозирования значений показателей многоотраслевой корпорации по ретроспективным данным, т.е. по исходной выборке (таблица 13).
Таблица 1 - БАЗА КРИТЕРИЙ А
ЗНАНИИ, МЕРА ЗНАНИЙ - КЛАССИЧЕСКИЙ ЧАСТНЫЙ А.Харкевича-Е.В.Луценко (МИЛЛИБИТЫ, ФРАГМЕНТ)
КОй 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 579 625 428 498
2 44 588 -265 -106 677 -51 306 143 212
3 91 555 -46 572 19 626 235
4 105 484 268 -18 441 376 -160 429 572
5 -60 210 637 -183 276 548 155 210 887
6 579 625 428 498
7 102 537 -208 -49 625 6 288 200 269
8 340 466 -135 91 483 -70 -443 538 147
9 248 429 213 125 386 321 -215 463 518
10 301 727 366 638 -92 300 977
11 543 -410 550 -321 -603 392 -409 462
12 645 326 625 343 91 538 -177
13 21 628 -103 553 94 92 572
14 30 301 530 -93 366 441 245 834
15 238 171 597 114 236 508 312 170 847
16 543 -410 550 16 428 498
17 645 326 485 451 -49 646 -514
18 -68 539 94 -191 465 342 3 484 202
19 545 141 371 422 206 281 620 478
20 -136 331 561 -259 397 471 79 471 811
21 -95 200 129 62 -49 343 127 -246 538 7 -177
22 455 -33 -278 450 56 -564 -367 351 -369 -171 374
23 -95 397 129 -275 -49 485 6 -210 199 200 62 160
24 201 331 363 78 397 274 -65 276 134 614
25 230 360 392 107 228 500 553 163 305
26 357 188 -329 -733 365 276 -255 -667 337 -594 -254 346
27 -195 409 202 -103 394 70 145 589 147 4
28 736 802 681
29 424 654 489 564 369 761
30 -60 210 637 -183 276 548 -182 547 887
31 434 -181 -252 -656 442 105 -375 -590 353 -177 389
32 382 311 104 133 385 -27 -290 -401 580 49 -669
33 399 629 465 539 344 736
34 424 654 489 564 369 761
35 -60 210 637 -183 276 548 -182 547 887
36 540 -374 586 -285 428 498
37 -630 448 377 -472 428 418 -407 -106 538 -190 -374
38 129 399 292 6 127 539 541 399
39 -100 508 400 -223 573 311 452 507 313
40 219 785 284 696 555 1035
41 420 251 428 340 -726 400 -531 409
42 -270 531 267 483 192 -267 514 409
43 412 641 477 552 19 945
44 30 301 530 -93 366 441 245 300 780
45 966 877 1216
46 466 629 343 539 344 879
47 966 877 1216
48 307 125 54 353 16 71 264 125 -603 283
49 -42 5 -65 116 -100 -104 94 -49 73 8 -29 6 61 204 -34
50 675 371 741 281 423 478 621
В столбцах таблиц 9-12 приведены коды классов, соответствующих будущим значениями показателей многоотраслевой корпорации (таблица 5), а в строках - коды значений факторов (значений показателей предприятий, таблица 6), обусловливающих эти показатели. В таблицах 9-12 приводятся лишь фрагменты баз знаний, т.к. их размерность составляет 50 столбцов на 1650 строк.
Таблица 2 - БАЗА ЗНАНИИ ЧАСТНЫЙ КРИТЕРИЙ
МЕРА ЗНАНИЙ А.А.Харкевича-Е,
МОДИФИЦИРОВАННЫЙ В.Луценко (ФРАГМЕНТ)
КОй 1 2 3 4 5 6 7 8 9 10 11 12 13 14
1 1559 1674 1172
2 -26 1826 -718 -496 2089 -81 809 504
3 352 1715 -63 1767 130 1937 767
4 382 1511 867 19 1382 1189 -396 1341 1774
5 -109 699 1962 -471 891 1699 529 699
6 1559 1674 1172
7 144 1674 -548 -326 1937 89 757 674
8 1089 1452 -326 352 1504 -133 -1413 1674 504
9 804 1349 705 442 1219 1027 -558 1442 1612
10 966 2230 1159 1966 -203 966
11 1452 -1133 1452 -870 -1718 1065 -1133
12 1996 1037 1937 1089 172 1674
13 130 1937 -233 1715 352 352 1767
14 159 966 1645 -203 1159 1382 797 2551
15 774 581 1844 411 774 1581 996 581
16 1452 -1133 1452 130 1172
17 1996 1037 1522 1411 -243 1996
18 -133 1674 352 -496 1452 1089 89 1504 674
19 1686 494 1172 1324 686 909 1909 1494
20 -335 1058 1736 -697 1250 1473 303 1473
21 -441 674 452 259 -326 1089 452 -828 1674 89
22 1191 -15 -752 1155 248 -1600 -1015 942 -1015 -430
23 -441 1259 452 -741 -326 1522 89 -548 494 674 259
24 665 1058 1151 303 1250 888 -112 888 473
25 751 1144 1237 389 751 1559 1711 559
26 902 639 -906 -2098 902 902 -683 -1906 902 -1683 -683
27 -496 1282 674 -233 1241 282 504 1826 504 89
28 2259 2452 2089
29 1333 2011 1526 1748 1163 2333
30 -109 699 1962 -471 891 1699 -471 1699
31 1130 -455 -677 -1870 1130 393 -1040 -1677 949 -455
32 1215 992 385 478 1215 -8 -785 -1288 1800 215
33 1259 1937 1452 1674 1089 2259
34 1333 2011 1526 1748 1163 2333
35 -109 699 1962 -471 891 1699 -471 1699
36 1443 -1026 1559 -763 1172
37 -2026 1411 1189 -1326 1352 1312 -1133 -413 1674 -496
38 452 1259 937 89 452 1674 1674 1259
39 -226 1581 1259 -589 1774 996 1411 1581
40 723 2401 916 2138 1723
41 1089 826 1089 1089 -2081 1089 -1496
42 -718 1645 867 1504 645 -718 1604 1282
43 1296 1974 1488 1711 126 2881
44 159 966 1645 -203 1159 1382 797 966
45 2937 2674
46 1452 1937 1089 1674 1089
47 2937 2674
48 751 452 230 867 130 282 686 452 -1718
49 -281 97 -125 419 -225 -488 360 -73 290 97 -183 97 249 682
50 2079 1172 2271 909 1324 1494
51 1559 1559 -763 1172
52 2189 645 2130 867 364 1452
53 -133 1230 1037 1282 645 -133 867 1604
54 -226 1166 1844 -589 1359 1581 -4 411 2166
55 159 966 1645 -203 1159 1382 797 966
61 1352 -233 1352 615 1172
62 1937 1130 1615 1352 -150 1937
63 -112 -335 1473 151 303 1250 888 888 1303 473
64 1149 372 1635 787 564 1372 -213 787 1372
65 452 1259 937 89 1452 674 1089 1259
66 1172 587 1172 1172 1172
67 504 1282 674 1504 282 -496 2089 504
68 282 1674 767 -81 1867 504 1919 1089
Таблица 3 - БАЗА ЗНАНИЙ, МЕРА ЗНАНИЙ И ТЕОРЕТИЧЕСКОГО ЗНАЧЕНИЙ ХИ-
РАЗНОСТЬ ФАКТИЧЕСКОГО КВАДРАТ (ФРАГМЕНТ)
КОй 1 2 3 4 5 6 7 8 9 10 11 12 13 14
1 6958 -1658 -1917 -2200 -1373 7234 -1382 -2470 -1924 -1649 5852 -1656 -2466 -1101
2 262 3507 -726 -1980 -1236 -489 3756 -223 -1731 -1484 3267 510 -2219 -991
3 -1521 171 2041 -100 -686 -1383 -691 2765 38 -825 -2074 2172 767 -551
4 -2555 -1393 389 3152 847 -2323 -1161 -75 2384 1615 -3484 -391 2929 2075
5 -1795 -978 -131 702 2190 -1632 -815 -457 865 2027 -2447 -977 545 350
6 6958 -1658 -1917 -2200 -1373 7234 -1382 -2470 -1924 -1649 5852 -1656 -2466 -1101
7 566 2673 -534 -1760 -1098 -213 2894 24 -1539 -1319 2682 676 -1973 -881
8 -1825 1005 1850 -320 -824 -1659 171 2518 -154 -990 -1489 2007 521 -661
9 -2860 -1559 1198 2932 710 -2600 -1299 678 2192 1450 -3899 -556 3682 1965
10 -1491 -813 -940 922 2327 -1355 -677 -1210 1057 2192 -2032 -811 -208 461
11 8741 -1322 -2684 -3080 -1922 8128 -935 -2458 -2693 -2309 7193 -1318 -3452 -1541
12 -2434 3673 1466 -1760 -1098 -2213 2894 2024 -1539 -1319 682 2676 -1973 -881
13 -1521 -829 41 2900 -686 -1383 -691 -235 2038 175 -2074 172 2767 -551
14 -1491 -813 60 922 1327 -1355 -677 -210 1057 1192 -2032 -811 792 2461
15 -1947 -1061 773 592 2121 -1770 -884 419 769 1944 -2655 -1060 1422 295
16 8741 -1322 -2684 -3080 -1922 8128 65 -3458 -2693 -2309 8193 -2318 -3452 -1541
17 -2434 3673 1466 -1760 -1098 -2213 1894 3024 -1539 -1319 -318 3676 -1973 -881
18 -1825 -995 -150 2680 176 -1659 -829 -482 1846 1010 -2489 7 2521 339
19 -1034 -564 1348 252 533 -940 -470 1160 346 439 -1410 -563 2162 626
20 -2099 -1144 -323 1482 2053 -1908 -954 -704 1673 1862 -2862 -1142 299 1240
21 -217 337 233 120 -549 -106 -553 1012 230 -660 -659 1338 14 -440
22 6076 -139 -2473 -2838 -771 5432 217 -2187 -2482 -1128 5649 -1136 -3181 -420
23 -434 1673 466 -760 -1098 -213 1894 24 -539 -1319 1682 676 -1973 119
24 -2099 -1144 677 1482 1053 -1908 -954 296 1673 862 -2862 -142 1299 240
25 -1977 -1078 754 1570 1108 -1798 -898 394 750 1928 -2696 -1076 3397 284
26 6764 1600 -1931 -3510 -2814 6330 2167 -2064 -2944 -3381 8497 -2394 -2055 -2257
27 -2738 -493 2274 1020 -236 -2489 -1244 2777 269 516 -3733 3510 781 9
28 -304 -166 -192 780 -137 -277 -138 -247 808 -165 -415 -166 753 -110
29 -578 -315 -364 582 739 -526 -263 -469 634 687 -788 -315 532 791
30 -1795 -978 -131 702 2190 -1632 -815 -457 865 2027 -2447 -977 -455 1350
31 7676 -902 -1356 -2850 -2402 7160 582 -2323 -2367 -2886 7741 -2897 -1315 -1927
32 -3346 2176 1891 580 -1510 -3042 480 3283 -116 -814 -2563 4179 288 -1211
33 -608 -332 -383 560 725 -553 -276 -494 615 670 -830 -331 507 780
34 -578 -315 -364 582 739 -526 -263 -469 634 687 -788 -315 532 791
35 -1795 -978 -131 702 2190 -1632 -815 -457 865 2027 -2447 -977 -455 1350
36 8045 -1156 -2493 -2860 -1785 8405 -797 -3211 -2501 -2144 7608 -2152 -3205 -1431
37 -2651 3010 2699 -1640 -1647 -3319 2342 4036 -1309 -1979 -977 4013 -959 -1321
38 -1217 -663 233 1120 451 -1106 -553 12 230 1340 -1659 -662 2014 560
39 -1947 -1061 -227 2592 1121 -1770 -884 -581 2769 944 -2655 -1060 2422 1295
40 -882 -481 -556 362 1602 -802 -401 -716 442 1522 -1203 -480 -715 681
41 7524 2015 -3451 -3960 -2471 7022 2512 -3446 -3463 -2969 9534 -1980 -4438 -1982
42 -3194 -741 3987 1690 -1441 -2904 -1451 4406 980 -732 -4355 3262 3411 -1156
43 -1186 -647 -748 1142 1465 -1079 -539 -963 1250 1357 -1618 -646 38 2571
44 -1491 -813 60 922 1327 -1355 -677 -210 1057 1192 -2032 -811 792 461
45 -304 -166 -192 -220 863 -277 -138 -247 -192 835 -415 -166 -247 -110
46 -608 -332 617 -440 725 -553 -276 506 -385 670 -830 -331 507 -220
47 -304 -166 -192 -220 863 -277 -138 -247 -192 835 -415 -166 -247 -110
48 3741 678 316 -3080 -1922 4128 65 542 -2693 -2309 4193 682 -2452 -1541
49 -445 32 -432 1062 -457 -951 526 -422 556 48 -424 36 586 1029
50 -1034 -564 -652 2252 533 -940 -470 -840 2346 439 -1410 -563 1162 626
51 9045 -2156 -2493 -2860 -1785 8405 -797 -3211 -2501 -2144 7608 -2152 -3205 -1431
52 -2130 3839 658 -1540 -961 -1936 3033 1271 -1347 -1154 1097 1841 -1726 -771
53 -2130 -161 1658 1460 -961 -1936 -967 2271 653 -154 -2903 841 3274 -771
54 -1947 -1061 -227 1592 2121 -1770 -884 -581 1769 1944 -2655 -60 422 2295
55 -1491 -813 60 922 1327 -1355 -677 -210 1057 1192 -2032 -811 792 461
61 8437 -488 -2876 -3300 -2059 7851 927 -3705 -2886 -2474 8778 -2483 -3698 -1652
62 -1521 2171 1041 -1100 -686 -1383 1309 1765 -962 -825 -74 2172 -1233 -551
63 -2099 -144 -323 2482 53 -1908 -954 296 1673 862 -2862 858 2299 240
64 -2251 -1227 1581 372 1984 -2047 -1023 1172 576 1780 -3069 -225 1175 1185
65 -1217 -663 233 1120 451 -1106 -553 12 1230 340 -1659 -662 1014 560
66 7828 1181 -3260 -3740 -2334 7298 2651 -4199 -3270 -2804 9949 -2815 -4192 -1872
67 -2738 507 2274 1020 -1236 -2489 -1244 3777 269 -484 -3733 4510 781 -991
68 -1369 -746 137 2010 382 -1245 -622 -112 2134 258 -1866 -745 2890 505
ТАБЛИЦА 4 - БАЗА ЗНАНИЙ, МЕРА ЗНАНИЙ - ROI
(RET rüRN ON INVESTMENT) (ФРАГМЕНТ)
KOD 1 2 3 4 5 6 7 8 9 10 11 12 13 14
1 2287 -1000 -1000 -1000 -1000 2616 -1000 -1000 -1000 -1000 1411 -1000 -1000 -1000
2 96 2350 -421 -1000 -1000 -197 3020 -100 -1000 -1000 875 342 -1000 -1000
3 -1000 206 2129 -91 -1000 -1000 -1000 2239 40 -1000 -1000 2624 622 -1000
4 -1000 -1000 242 1705 734 -1000 -1000 -36 1475 1165 -1000 -281 1414 2244
5 -1000 -1000 -116 541 2704 -1000 -1000 -314 762 2083 -1000 -1000 375 539
6 2287 -1000 -1000 -1000 -1000 2616 -1000 -1000 -1000 -1000 1411 -1000 -1000 -1000
7 233 2015 -348 -1000 -1000 -96 2618 12 -1000 -1000 808 510 -1000 -1000
8 -1000 1010 1608 -243 -1000 -1000 206 1699 -134 -1000 -598 2020 352 -1000
9 -1000 -1000 664 1418 550 -1000 -1000 292 1212 935 -1000 -357 1589 1899
10 -1000 -1000 -1000 855 3460 -1000 -1000 -1000 1122 2712 -1000 -1000 -172 854
11 2052 -569 -1000 -1000 -1000 2099 -483 -711 -1000 -1000 1239 -569 -1000 -1000
12 -1000 2769 956 -1000 -1000 -1000 2618 1024 -1000 -1000 205 2020 -1000 -1000
13 -1000 -1000 43 2636 -1000 -1000 -1000 -190 2119 213 -1000 208 2245 -1000
14 -1000 -1000 64 855 1973 -1000 -1000 -174 1122 1475 -1000 -1000 655 4561
15 -1000 -1000 630 420 2414 -1000 -1000 265 624 1842 -1000 -1000 901 419
16 2052 -569 -1000 -1000 -1000 2099 34 -1000 -1000 -1000 1411 -1000 -1000 -1000
17 -1000 2769 956 -1000 -1000 -1000 1714 1530 -1000 -1000 -96 2775 -1000 -1000
18 -1000 -1000 -131 2030 214 -1000 -1000 -325 1599 1021 -1000 7 1704 514
19 -1000 -1000 2068 337 1142 -1000 -1000 1381 529 783 -1000 -1000 2579 1671
20 -1000 -1000 -244 976 2167 -1000 -1000 -413 1260 1636 -1000 -1000 176 1633
21 -178 508 304 136 -1000 -96 -1000 1024 300 -1000 -397 2020 14 -1000
22 1548 -65 -1000 -1000 -435 1523 122 -686 -1000 -530 1056 -532 -1000 -296
23 -178 1261 304 -432 -1000 -96 1714 12 -350 -1000 507 510 -1000 135
24 -1000 -1000 512 976 1111 -1000 -1000 173 1260 758 -1000 -125 763 316
25 -1000 -1000 605 1098 1241 -1000 -1000 246 599 1798 -1000 -1000 2120 397
26 1085 471 -491 -778 -1000 1116 765 -408 -746 -1000 999 -705 -406 -1000
27 -1000 -330 1318 515 -191 -1000 -1000 1249 155 347 -1000 2356 352 9
28 -1000 -1000 -1000 3545 -1000 -1000 -1000 -1000 4198 -1000 -1000 -1000 3056 -1000
29 -1000 -1000 -1000 1392 2834 -1000 -1000 -1000 1736 2191 -1000 -1000 1135 3780
30 -1000 -1000 -116 541 2704 -1000 -1000 -314 762 2083 -1000 -1000 -313 2079
31 1442 -311 -404 -740 -1000 1479 240 -537 -703 -1000 1067 -1000 -305 -1000
32 -1000 1193 896 240 -1000 -1000 316 1208 -55 -449 -562 2295 106 -1000
33 -1000 -1000 -1000 1273 2642 -1000 -1000 -1000 1599 2032 -1000 -1000 1028 3541
34 -1000 -1000 -1000 1392 2834 -1000 -1000 -1000 1736 2191 -1000 -1000 1135 3780
35 -1000 -1000 -116 541 2704 -1000 -1000 -314 762 2083 -1000 -1000 -313 2079
36 2034 -536 -1000 -1000 -1000 2338 -443 -1000 -1000 -1000 1411 -1000 -1000 -1000
37 -726 1513 1173 -621 -1000 -1000 1412 1361 -567 -1000 -196 2020 -324 -1000
38 -1000 -1000 304 1273 821 -1000 -1000 12 300 2032 -1000 -1000 2042 1271
39 -1000 -1000 -185 1841 1276 -1000 -1000 -367 2249 895 -1000 -1000 1535 1838
40 -1000 -1000 -1000 567 4024 -1000 -1000 -1000 792 3182 -1000 -1000 -1000 2132
41 1374 675 -1000 -1000 -1000 1410 1010 -775 -1000 -1000 1277 -664 -1000 -1000
42 -1000 -426 1980 731 -1000 -1000 -1000 1699 485 -423 -1000 1876 1318 -1000
43 -1000 -1000 -1000 1331 2735 -1000 -1000 -1000 1666 2109 -1000 -1000 40 5987
44 -1000 -1000 64 855 1973 -1000 -1000 -174 1122 1475 -1000 -1000 655 854
45 -1000 -1000 -1000 -1000 6284 -1000 -1000 -1000 -1000 5063 -1000 -1000 -1000 -1000
46 -1000 -1000 1608 -1000 2642 -1000 -1000 1024 -1000 2032 -1000 -1000 1028 -1000
47 -1000 -1000 -1000 -1000 6284 -1000 -1000 -1000 -1000 5063 -1000 -1000 -1000 -1000
48 878 292 118 -1000 -1000 1066 34 157 -1000 -1000 722 294 -710 -1000
49 -82 11 -126 270 -186 -192 213 -95 162 16 -57 12 133 522
50 -1000 -1000 -1000 3010 1142 -1000 -1000 -1000 3586 783 -1000 -1000 1386 1671
51 2287 -1000 -1000 -1000 -1000 2338 -443 -1000 -1000 -1000 1411 -1000 -1000 -1000
52 -1000 3307 490 -1000 -1000 -1000 3135 735 -1000 -1000 378 1589 -1000 -1000
53 -1000 -139 1235 948 -1000 -1000 -1000 1313 485 -134 -1000 726 1897 -1000
54 -1000 -1000 -185 1130 2414 -1000 -1000 -367 1437 1842 -1000 -56 267 3257
55 -1000 -1000 64 855 1973 -1000 -1000 -174 1122 1475 -1000 -1000 655 854
61 1849 -196 -1000 -1000 -1000 1893 447 -1000 -1000 -1000 1411 -1000 -1000 -1000
62 -1000 2618 1086 -1000 -1000 -1000 1894 1429 -1000 -1000 -36 2624 -1000 -1000
63 -1000 -126 -244 1635 56 -1000 -1000 173 1260 758 -1000 751 1351 316
64 -1000 -1000 1114 228 1953 -1000 -1000 641 405 1458 -1000 -184 644 1455
65 -1000 -1000 304 1273 821 -1000 -1000 12 1599 516 -1000 -1000 1028 1271
66 1514 419 -1000 -1000 -1000 1552 1128 -1000 -1000 -1000 1411 -1000 -1000 -1000
67 -1000 340 1318 515 -1000 -1000 -1000 1699 155 -326 -1000 3027 352 -1000
ТАБЛИЦА 5 - ДОСТОВЕРНОСТЬ ЧЕТЫРЕХ МОДЕЛЕЙ БАЗ ЗНАНИЙ
С ДВУМЯ И] НТЕГРАЛЬНЫМ [И КРИТЕРИЯМИ
Частный критерий количества знаний Интегральный критерий Расчет закончен Достоверность идентификации (%) Достоверность неидентифи-кации(%) Средняя достоверность (%)
Дата Время
Классический А.Харкевича Е.Луценко Корреляция 18-09-11 22:34:26 96,261 81,988 89,125
Свертка 18-09-11 22:37:30 98,550 46,860 72,705
Модифицированный А.Харкевича -Е.Луценко Корреляция 18-09-11 22:47:33 96,261 82,370 89,315
Свертка 18-09-11 22:50:37 98,230 49,321 73,775
Разность фактического и теоретического значений хи-квадрат Корреляция 18-09-11 23:00:10 98,550 73,439 85,994
Свертка 18-09-11 23:03:16 98,550 73,439 85,994
ROI (return on nvestment) Корреляция 18-09-11 23:12:50 99,830 78,006 88,918
Свертка 18-09-11 23:15:59 98,945 74,861 86,903
Пояснения по аналитическому виду частных критериев количественных мер знаний даны в [5, 6], в частности в таблице 3 работы [6].
Из таблицы 13 видно, что наивысшую среднюю достоверность прогнозирования (89,3%) в данном случае обеспечивает модель знаний с применением в качестве частного критерия количества знаний модифицированного критерия А.Харкевича-Е.Луценко и с интегральным критерием -нормированной сверткой (корреляцией). Несущественно: примерно на 0.2%, меньше достоверность у модели знаний с классическим критерием А.Харкевича-Е.Луценко. Эта достоверность вполне достаточна для достижения цели данной работы: создания методики оперативного (на полгода вперед) прогнозирования значений экономических показателей многоотраслевой корпорации.
4. Решение задачи краткосрочного прогнозирования значений экономических показателей многоотраслевой корпорации.
Данная задача решается на основе ранее созданных моделей знаний, отражающих причинно-следственные зависимости между прошлыми значениями экономических показателей предприятий, входящих в корпорацию и будущими значениями экономических показателей корпорации в целом. Эти причинно-следственные зависимости в количественной форме представлены в базах знаний (таблицы 9-12). Для лучшего восприятия этих причинно-следственных зависимостей в системе «Эйдос» реализовано несколько вариантов их наглядной графической визуализации в виде когнитивных функций [7] (рисунок 3).
На рисунке 3 визуализирован фрагмент базы знаний, с количественным частным критерием знаний: классической мерой А.Харкевича-Е.Луценко, таблица 9. Видно, что текущая «Выручка от реализации» ООО «Бакалея» практически линейно связана с прогнозируемыми значениями
экономических показателей корпорации в целом, причем для следующего квартала связь между ним более четкая, чем для второго. Однако не во всех случаях эта связь столько проста (рисунок 4), но какой бы она не была, система «Эйдос» позволяет ее выявить в количественной форме и использовать для решения задач прогнозирования и принятия решений.
Рисунок 1. Наглядная графическая визуализация причинно-следственных зависимостей, представленных в базе знаний в виде когнитивных функций в системе
«Эйдос» (режим _54)
І і і
і І І
і І І І І І І І
Рисунок 4. Наглядная графическая визуализация причинно-следственных зависимостей, представленных в базе знаний в виде когнитивных функций в системе
«Эйдос» (режим _54)
Способ решения задачи прогнозирования состоит в сравнении конкретных образов ситуаций с обобщенными образами классов путем вычисления интегрального критерия сходства конкретной ситуации с каждым из классов. Математически задача прогнозирования в СК-анализе решается следующим образом [2, 3, 4]. На этапе синтеза модели рассчитывается какое количество знаний содержится в факте наблюдения некоторого значения фактора о том, что нам предъявлено определенное состояние моделируемого объекта. Если известно, какой набор значений факторов действует на объект управления, то для каждого состояния объекта можно посчитать, какое суммарное количество знаний содержится во всей системе этих значений факторов о переходе объекта управления в это состояние. После этого можно ранжировать (рассортировать) все состояния объекта управления в порядке убывания суммарного количества знаний о переходе в эти состояния под действием данной системы значений факторов. Логично считать, что объект управления, скорее всего, перейдет в те состояния, о
переходе в которые в системе действующих на него факторов содержится максимальное количество знаний и, скорее всего не перейдет в те, о переходе в которые в ней содержится минимум знаний.
Отметим, что задачи распознавания (идентификации) и прогнозирования математически тождественны и отличаются только тем, что при идентификации признаки объекта и его состояния одновременны, а при прогнозировании действующие значения факторов (признаки) относятся к прошлому, а состояния объекта, формализуемые в виде классов, к будущему.
Решение задачи прогнозирования выполняется за три шага: ввод информации о значениях действующих на объект факторов в систему "Эй-дос"; пакетное распознавание (прогнозирование); вывод и интерпретация результатов распознавания (прогнозирования).
Прогнозирование осуществляется в 4-й подсистеме системы «Эй-дос», некоторые экранные формы которого приведены на рисунке 5:
Ш l:\WINDOWS\system32Vcmd.exe
Универсальная когнитивная аналитическая система. 10:23 (с) нпп *эидос*
Подсистема распознавания. Пакетное распознавание. |
N Наименование операции: % исп Стадия выполнения
1 Пакетное распознавание
2 Генерация БД: объект-классы..
і Генерация БД: класс-объекты..
Интегральный критерии сходства: [1]-корреляция; [2]-сумма информации:
ВНИМАНИЕ !!!
База результатов распознавания RASP.DBF не пуста и содержит данные по объектам распознаваемой выборки с кодами от 1 до 40.
Процесс распознавания был некорректно прерван и система восстановит данные.
Начать процесс распознавания с начала: [1]; продолжить [2]:
Задайте диапазон кодов распознаваемых объектов:
*5 l:\WINDOWS\system32\cmd.exe
Универсальная когнитивная аналитическая система. 10:24 (с) нпп *эидос*
Подсистема распознавания. Пакетное распознавание.
ФМІ И
N Наименование операции: % исп Стадия выполнения
1 2 3 Пакетное распознавание 35.0
Генерация БД: объект-классы.. Генерация БД: класс-объекты..
Интегральный критерии сходства: [1]-корреляция; [2]-сумма информации:
Процесс распознавания запущен в Прошло с начала процесса Прогноз длительности исполнения Ожидаемое время окончания Средн.время идент-ии 1-й анкеты Прогноз времени до окончания
10:23:55 всего: 225S7S36 сек.с нач.года 0: 1: 2 всего: 62 сек.
0: 2:57 всего: 177 сек.
10:26:53 всего: 37613 сек.с нач.суток 0: 0: 4 всего: 4.433571 сек.
0: 1:55 всего: 115 сек.
аспознавания с кодом: 50 не описан !!!
Рисунок 5. Экранные формы режима прогнозирования системы «Эйдос» (_42)
Результаты прогнозирования, отображаются в форме, представленной на рисунке 6:
РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ ИНФОРМАЦИОННОГО ИСТОЧНИКА С КЛАССАМИ РАСПОЗНАВАНИЯ 19-09-11
10:40:24
Номер анкеты:
25 Наим.Физ.источника: 2О06_1К
Качество результата распозн.: 12.766У.
Код
Наименование класса распознавания
У. Сх
Гистограмма сходств/различий
18 В 1-м кв. ВС.ПО ХОЛД
43 Н 2-м кв. ВС.ПО ХОЛД
29 Н 2-м кв. ВС.ПО ХОЛД
4 В 1-м кв. ВС.ПО ХОЛД
38 В 2-м кв. ВС.ПО ХОЛД
ЗЬ В 2-м кв. ВС.ПО ХОЛД
V н 1-м кв. ВС.ПО ХОЛД
48 в 2-м кв. ВС.ПО ХОЛД
13 в 1-м кв. ВС.ПО ХОЛД
22 в 1-м кв. ВС.ПО ХОЛД
Коммерческие р-3/5-<350017.49, 487912-85> Коммерческие р-3/5-<350535 .57, 488258 -24> Выручка от -4/5-<5684678.92, 7191940.91> Выручка от -4/5-<5684678.92, 7191940.91> Валовая прибыл-3/5-<613418.95, 864609.31> Себестоимост-5/5-<5907952.00, 7138038-95> Себестоимост-4/5-<4677865-06, 5907952-00> Чистая прибыль-3/5-<345085.08, 498977.28> Валовая прибыл-3/5-<613418.95, 864609.31} Чистая прибыль-2/5-<191192.88, 345085.08}
>1 54 >1 53 >1 20 ч] 13 9
20
44
19
21
46
В 1-м кв.: ВС.ПО ХОЛД.: Коммерческие р-5/5-<625808.21, 763703.57}
В 2~м кв.: ВС.ПО ХОЛД.: Коммерческие р~4/5~<488258.24, 625980.90}
В 1-м кв.: ВС.ПО ХОЛД.: Коммерческие р-4/5-<487912.85, 625808.21}
В 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-1/5-<37300.68, 191192.88}.
В 2~м кв.: ВС.ПО ХОЛД.: Чистая прибыль-1/5-<3730О.68, 191192.88}.
-20
-22
-25
-32
-35
Универсальная когнитивная аналитическая система
РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ ИНФОРМАЦИОННОГО ИСТОЧНИКА С КЛАССАМИ РАСПОЗНАВАНИЯ 19-09-11
НПП «ЭЙДОС*
10:40:24
Наим.физ.источника: 2О06_2К Качество результата распозн.: 11.387И
Номер анкеты:
Код
Наименование класса распознавания
У. Сх Гистограмма сходств/различий
18 В 1-м кв. ВС.ПО ХОЛД
43 в 2-м кв. ВС.ПО ХОЛД
4 н 1-м кв. ВС.ПО ХОЛД
35 в 2-м кв. ВС.ПО ХОЛД
48 в 2-м кв. ВС.ПО ХОЛД
39 в 2-м кв. ВС.ПО ХОЛД
13 в 1-м кв. ВС.ПО ХОЛД
ЗМ н 2-м кв. ВС.ПО ХОЛД
23 в 1-м кв. ВС.ПО ХОЛД
1Ш в 1-м кв. ВС.ПО ХОЛД
Коммерческие р-3/5-<350017.49, Коммерческие р-3/5-<350535.57, Выручка от -4/5-<5684678.92, Себестоимост-5/5-<5907952.00, Чистая прибыль-3/5~<345085.08, Валовая прибы-4/5-<864609.31,
Выручка от -5/5-<7191940.91, Чистая прибыль-3/5-<345085.08. ХОЛД.: Себестоимост-5/5-<5907952.00,
487912.85}
488258.24}
7191940.91}
7138038.95}
498977.28}
1115799.68}
864609.31}
8699202.90}
498977.28}
7138038.95}
44
46
21
В 2-м кв.: ВС.ПО ХОЛД.: Коммерческие р-4/5-<488258.24, 625980.90}
В 2-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-1/5-<37300.68, 191192.88}.
В 1-м кв.: ВС.ПО ХОЛД.: Чистая прибыль-1/5-<37300.68, 191192.88}.
>1 -1 -37 -39
Универсальная когнитивная аналитическая система
РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ ИНФОРМАЦИОННОГО ИСТОЧНИКА С КЛАССАМИ РАСПОЗНАВАНИЯ 19-09-11
НПП *ЭЙД0С"
10:40:24
Номер анкеты:
27 Наим.Физ.источника: 2О06_ЗК
Качество результата распозн.: 9.484У.
Код
Наименование класса распознавания
У. Сх Гистограмма сходств/различий
29 В 2-м кв. ВС.ПО ХОЛД
34 Н 2-м кв. ВС.ПО ХОЛД
18 В 1-м кв. ВС.ПО ХОЛД
14 В 1-м кв. ВС.ПО ХОЛД
23 В 1-м кв. ВС.ПО ХОЛД
1 И Н 1-м кв. ВС.ПО ХОЛД
38 В 2-м кв. ВС.ПО ХОЛД
47 В 2-м кв. ВС.ПО ХОЛД
44 В 2-м кв. ВС.ПО ХОЛД
Ь В 1-м кв. ВС.ПО ХОЛД
19 В 1-м кв. ВС.ПО ХОЛД
Выручка от -4/5-<5684678.92, 7191940.91} Себестоимост-4/5-<4677865.06, 5907952.00} Коммерческие р-3/5-<350017.49, 487912.85} Валовая прибы-4/5-<864609.31, 1115799.68} Чистая прибыль-3/5-<345085.08, 498977.28} Себестоимост-5/5-<5907952.00, 7138038.95} Валовая прибыл-3/5-<613418.95, 864609.31} Чистая прибыль-2/5-<191192.88, 345085.08} Коммерческие р-4/5-<488258.24, 625980.90} Выручка от -5/5-<7191940.91, 8699202.90} Коммерческие р-4/5-<487912.85, 625808.21}
46
21
В 2-м кв.: В 1-м кв.:
ВС.ПО ХОЛД.: Чистая прибыль-1/5-<3730О.68, ВС.ПО ХОЛД.: Чистая прибыль-1/5-<37300.68.
191192.88}.
191192.88}.
-28
-33
Универсальная когнитивная аналитическая система
НПП «ЭЙДОС*
Рисунок 6. Карточки результатов прогнозирования, генерируемые режимом _431 системы «Эйдос» (_42)
На карточках результатов прогнозирования:
- в верхней части карточки показаны классы, о которых в системе действующих в прошлом значений факторов содержится положительное количество знаний в порядке убывания этого количества знаний, а в нижней - отрицательное;
- птичками отмечены состояния корпорации, по которым прогноз оправдался.
Таким образом, в статье формулируется проблема краткосрочного прогнозирования значений и динамики экономических показателей многоотраслевой корпорации, на основе применения системно-когнитивного анализа (СК-анализ) и его инструментария (интеллектуальной системы «Эйдос») осуществляется формальная постановка задачи и синтез четырех моделей корпорации, отличающихся частыми критериями взаимосвязи между прошлыми показателями предприятий, входящих в корпорацию и будущим состоянием корпорации в целом, производится верификация всех частных моделей с использованием двух интегральных критериев прогнозирования, приводятся результаты когнитивной кластеризации будущих состояний корпорации по их системе детерминации.
В качестве перспективы планируется создать систему визуализации результатов прогнозирования с отображением как точечных прогнозов, представленных в карточках прогнозирования (рисунок 6), так и средневзвешенного прогноза, формируемого на основе точечных с учетом количества знаний в каждом из них. Кроме того, планируется разработать методику оперативного прогнозирования динамики значений показателей многоотраслевой корпорации.
По результатам работы можно сделать обоснованный вывод о том, что поставленная цель работы достигнута и сформулированная проблема решена.
Литература2
1. Ильиных, Ю.М.. Инструменты анализа внешней среды при стратегическом планировании развития корпорации. Дисс. на соиск. уч.ст.канд.эконом.наук., Барнаул, -2005 год.
2. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследова-
2 Для удобства читателей некоторые из работ приведены на сайте одного из авторов: http ://lc. kubagro. ru
нии экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.
3. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.
4. Макаревич О.А. Управление агропромышленным холдингом с применением технологий искусственного интеллекта: Монография (научное издание). - М: "Финансы и статистика", 2009. - 215 с.
5. Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №06(70). С. 233 - 280. - Режим доступа: http://ei.kubagro.ru/2011/06/pdf/18.pdf. 3 у.п.л.
6. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (Кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. -№07(71).- Режим доступа: http://ei.kubagro.ru/2011/07/pdf/40.pdf. 2,94 у.п.л.
7. Луценко Е.В. Метод визуализации когнитивных функций - новый инструмент ис-
следования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №03(67). С. 240 - 282. -Шифр Информрегистра: 0421100012\0077. - Режим доступа:
http://ei.kubagro.ru/2011/03/pdf/18.pdf, 2,688 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: Куб-ГАУ, 2011. - №07(71). - Режим доступа: http://ei.kubagro.ru/2011/07/pdf/49.pdf, 0,938 у. п. л.
