CC BY
54
УДК 303.732.4
СИНТЕЗ И ВЕРИФИКАЦИЯ ДВУХУРОВНЕВОЙ СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ АГРОПРОМЫШЛЕННОГО ХОЛДИНГА
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Лойко Валерий Иванович заслуженный деятель науки РФ, д.т.н., профессор
Кубанский государственный аграрный университет, Краснодар, Россия
Макаревич Олег Александрович к.э.н., доцент
Генеральный директор агропромышленного холдинга ОАО "Южная многоотраслевая корпорация"
В статье на простом примере описывается смысл семантической информационной модели СК-анализа. Приводятся результаты синтеза и верификации системы частных моделей, входящих в двухуровневую семантическую информационную модель управления агропромышленным холдингом.
Ключевые слова: СИСТЕМНЫЙ ПОДХОД, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, АГРОПРОМЫШЛЕННЫЙ ХОЛДИНГ, УПРАВЛЕНИЕ, ПРОГНОЗИРОВАНИЕ, СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ
UDC 303.732.4
SYNTHESIS AND VERIFICATION OF TWO-LEVEL SEMANTIC INFORMATION MODEL OF AGRO INDUSTRIAL HOLDING
Lutsenko Eugeny Veniaminovich
Dr. Sci. Econ., Cand. Tech. Sci., professor
Loiko Valery Ivanovich
deserved scientist of the FR, Dr. Sci. Tech., professor
Kuban State Agrarian University, Krasnodar, Russia
Makarevich Oleg Alexandrovich Cand. Econ. Sci., associate professor
General director of agro industrial holding Ltd. company “South multibranch corporation”
Sense of semantic information model SC- analysis is described on the simple example in the article. Results of synthesis and verification of systems of individual models, entering the two-level semantic information management of agro industrial holding.
Key words: SYSTEMIC APPROACH, SYSTEMIC-COGNITIVE ANALYSIS, AGRO INDUSTRIAL HOLDING, MANAGEMENT, FORECASTING, SEMANTIC INFORMATION MODEL.
Данная статья является продолжением работ [6, 7].
В работе [6] сформулирована проблема управления агропромышленным холдингом, состоящая в том, что с одной стороны необходимо вырабатывать рекомендации по управлению холдингом, что возможно на основе его адаптивной модели, а, с другой стороны, построение его модели затруднительно из-за высокой сложности и динамичности внутренней логистики объекта управления, его территориально распределенного и многоотраслевого характера, огромного количества экономических показателей, характеризующих его деятельность на различных уровнях его организации. Там же сформулированы требования к методу решения этой проблемы, рассмотрены недостатки традиционного подхода и предложено ее общее решение путем применения системно-когнитивного анализа (СК-анализ), а также выполнен 1-й этап СК-анализа, т.е. проведена когнитивная структуризация [1-5] объекта управления и предложена классификация частных моделей, входящих в его многоуровневую семантическую
информационную модель (МСИМ) (см. рисунок 2 и таблицу 1 в работе [6]).
В работе [7] проанализированы исходные данные для построения двухуровневой семантической информационной модели управления агропромышленным холдингом, поставлена и решена задача их автоматизированного преобразования к виду, непосредственно воспринимаемому системой "Эйдос" с помощью одного из ее стандартных интерфейсов. Приведен алгоритм и исходный текст программы, обеспечивающей эти функции, а также результаты ее работы и автоматически сформированные на их основе системой "Эйдос" справочники классов и факторов, а также обучающая выборка для частных моделей, входящих в двухуровневую семантическую информационную модель управления агропромышленным холдингом.
В данной статье ставится задача выполнить следующий, 3-й этап СК-анализа, т.е. осуществить синтез и верификацию семантической информационной модели агропромышленного холдинга [1-5]. Суть этого этапа состоит в том, что на основе сформированных на предыдущем этапе справочников классификационных и описательных шкал и градаций трех частных моделей, входящих в МСИМ холдинга, а также обучающей выборки (таблицы 5-14 работы [7]) необходимо осуществить синтез этих частных моделей и выполнить их верификацию, т.е. проверить их на достоверность, адекватность отражения моделируемой предметной области (агропромышленного холдинга).
Если достоверность полученной системы моделей окажется достаточно высокой, то это означает, что на их основе или с их использованием корректно решать задачи прогнозирования и поддержки принятия решений, а также исследование этих моделей обоснованно можно считать исследованием самой предметной области.
Перед тем как непосредственно приступить к решению задачи, поставленной в данной статье, считаем необходимым на простом и наглядном примере пояснить, что представляет собой семантическая информационная модель в системно-когнитивном анализе. Это связано с тем, что метод СК-анализа является новым и недостаточно известным.
Допустим руководство одного из районов нашего края решило выяснить, влияет ли состояние алкогольного опьянения трактористов на риск совершения ими дорожно-транспортного происшествия (ДТП) и его тяжесть, и, если влияет, то каким образом. С этой целью было проведено специальное социологическое исследование с объемом выборки 1000 респондентов, которое дало результаты, приведенные в таблице 1.
Таблица 1 - РАСПРЕДЕЛЕНИЕ РЕСПОНДЕНТОВ, ОБЛАДАЮЩИХ
РАЗЛИЧНЫМИ ПРИ [ЗНАКАМИ, ПО КАТЕГОРИЯМ
Код Наименование признака Без ДТП С ДТП Сумма
Без тяжких последствий С тяжкими последствиями
1 Трезвый 882 15 3 900
2 В сост.алкогольного опьянения 93 2 5 100
Всего: 975 17 8 1000
Для классификации трактористов по категориям сконструируем порядковую классификационную шкалу, на которой определены отношения "больше", "меньше", т.е. между градациями которой существуют эти отношения, но не определена единица измерения и начало отсчета (это потребовало бы количественного определения степени тяжести ДТП, например в единицах стоимости страховых выплат КАСКО или ОСАГО [9, 10]). В качестве описательной шкалы используем порядковую шкалу с двумя альтернативными дихотомическим градациями: "трезвый", "в состоянии алкогольного опьянения".
Из таблицы 1 согласно формулам (1) получаем таблицу процентных распределений (таблица 3):
ж м ж м
N=1 N; N = 1N=11
1=1 ^=1 ^=1 1=1
N N. N. (1)
р = ____1 . р = I . р = ______1_ .
1 N/ l ^ 1 N ’
В формулах (1) использованы обозначения:
. - обозначает признак: 1£I £М;
1 - обозначает обобщенную категорию (класс): 1£] £ Ж;
Ж - количество обобщенных категорий (классов); м - количество признаков (дихотомических вариантов ответов);
N.1 - суммарное количество наблюдений факта: "у респондента, относящегося к _]-й категории (классу) наблюдался 1-й признак";
N1 - суммарное количество респондентов ]-й категории;
N. - суммарное количество встреч 1-го признака по всей выборке (у респондентов
всех категорий);
N - объем исследуемой выборки (количество респондентов);
Рц - условная вероятность наблюдения 1-го признака у респондентов ]-й категории; Р. - безусловная вероятность наблюдения 1-го признака по всей выборке (у респон-
дентов всех категорий);
Р] - безусловная вероятность встречи респондента, относящегося к ]-й категории.
В таблице 2 показано, как в таблице 1 расположены некоторые из перечисленных переменных.
Таблица 2 - ПОЯСНЕНИЯ К ОБОЗНАЧЕНИЯМ В ВЫРАЖЕНИЯХ (1)
Код Наименование признака Без ДТП С ДТП Сумма
Без тяжких последствий С тяжкими последствиями
1 Трезвый N N1
2 В сост.алкогольного опьянения
Всего: N N
Таблица 3 - УСЛОВНЫЕ И АБСОЛЮТНОЕ ПРОЦЕНТНЫЕ РАСПРЕДЕЛЕНИЯ
ПО ГРУППАМ-ОБОБЩЕННЫМ КАТЕГОРИЯМ (КЛАССАМ)
С ДТП
Без тяжких С тяжкими По всей
Код Наименование признака Без ДТП последствий последствиями выборке
1 Трезвый 90,46 88,24 37,50 90,00
2 В сост.алкогольного опьянения 9,54 11,76 62,50 10,00
Всего: 100,00 100,00 100,00 100,00
Из таблицы 3 мы видим, что 10,00% трактористов, отобранных случайным образом в день проведения социологического исследования, оказались в состоянии алкогольного опьянения. Возникают вопросы о том, а много это или мало, на сколько это плохо или хорошо, и т.д. Ясно, что это число, рассматриваемое само по себе, т.е. вне контекста, без учета остальных чисел, ответов на подобные вопросы не содержит. Чтобы ответить на эти и другие подобные вопросы, т.е. дать аналитическую интерпретацию результатам исследования, сделать из него выводы и дать на его основе рекомендации, необходима дополнительная информация о том, какой процент трактористов оказался в состоянии алкогольного опьянения в различных группах. Из таблицы 3 мы видим, что таковых:
- в группе водителей, не совершивших ДТП оказались 9,54%;
- в группе совершивших ДТП без тяжких последствий - 11,76%;
- в случаях ДТП, повлекших особо тяжкие последствия - 62,50%.
Все проценты рассчитаны от общего количества респондентов, относящихся к этой группе, которое принято за 100%.
Если проанализировать, как меняется процент нетрезвых трактористов от группы к группе в нашей порядковой шкале, то видна закономерность: чем большая доля водителей группы находится в состоянии алкогольного опьянения, тем тяжелее последствия ДТП в этой группе. Это уже позволяет говорить о том, что в результате проведенного социологического исследования был выявлен эмпирический закон, означающий, что состояние опьянения является фактором риска совершения ДТП.
Кстати, справедливости ради необходимо отметить, что это совершенно не означает, что большинство нетрезвых трактористов совершают ДТП или что большинство совершающих ДТП находятся в нетрезвом состоянии. На самом деле согласно нашему примеру:
- все же 93,00% выпивших трактористов ездят безаварийно (таблица 4), правда среди трезвых этот показатель выше и равен 98,00%;
- большинство виновников ДТП трезвые, т.к. их в 10 раз больше, чем нетрезвых, а вероятность совершения ДТП для них меньше не в 10 раз, а как видно из таблицы 4 лишь в (2,00%+5,00%)/(1,67%+0,33%)=3,5 раза (из таблицы 1 видно, что трезвые совершили 18 аварий, а нетрезвые 7).
Таблица 4 - УСЛОВНЫЕ И АБСОЛЮТНОЕ ПРОЦЕНТНЫЕ РАСПРЕДЕЛЕНИЯ
ПО ГРУППАМ-ПРИЗНАКАМ (ГРАДАЦИЯМ ФАКТОРОВ)
Код Наименование признака Без ДТП С ДТП По всей выборке
Без тяжких последствий С тяжкими последствиями
1 Трезвый 98,00 1,67 0,33 100,00
2 В сост.алкогольного опьянения 93,00 2,00 5,00 100,00
Это "если" весьма знаменательно, т.к. большинство статистических программных систем, используемых в социологических исследованиях, прежде всего таких традиционных как ЗРББ и 8ТЛТ18Т1СЛ, просто не позволяют выявлять и исследовать эмпирические законы и ничего не остается как возложить эту работу на аналитика, который вручную анализирует полученные процентные распределения и пытается найти и сформулировать эти законы. Стоит ли говорить о том, что в реальных социологических исследованиях размерности процентных распределений и их количество таково, что вручную провести их анализ просто нереально.
К сказанному необходимо добавить, что при исследовании таблицы 3, чтобы понять, что означают проценты в условном распределении, аналитик постоянно сравнивает их со значениями по тем же признакам в безусловном или абсолютном распределении (распределении по всей выборке), который используется в качестве базы для сравнения в соответствии с нормативным подходом. Фактически при разработке аналитической содержательной интерпретации он непрерывно производит математические операции, но не в количественном виде, а лишь в качественном (в своем сознании): а именно он берет отношения значений в условном распределении к соответствующему в безусловном (2):
р
Я, = -а- (2)
Р
Если выполнить эту операцию над таблицей 3 получим таблицу 5:
Таблица 5 - ОТНОШЕНИЯ УСЛОВНЫХ ПРОЦЕНТНЫХ РАСПРЕДЕЛЕНИЙ К АБСОЛЮТНОМУ (ОТНОСИТЕЛЬНЫЕ ПРЕВЫШЕНИЯ В ГРУППАХ ПО ________________ОТНОШЕНИЮ КО ВСЕЙ ВЫБОРКЕ)___________________
Код Наименование признака Без ДТП С ДТП
Без тяжких последствий С тяжкими последствиями
1 Трезвый 1,028 0,342 0,052
2 В сост.алкогольного опьянения 0,798 5,691 7,761
В этой таблице каждое число уже представляет собой результат сравнения значений из условного и безусловного процентного распреде-
лений, т.е. эта работа выполнена за аналитика программной системой. Аналитику остается лишь посмотреть больше или меньше 1 эти числа и нас сколько больше или меньше:
- если число Я, > 1, то это означает, что 1-й признак у респондентов ]-й группы встречается чаще, чем в среднем по всей выборке, и, следовательно, обнаружение этого признака несет некоторое положительное количество информации о принадлежности обладающего им респондента к этой категории;
- если число Я, < 1, то это означает, что 1-й признак у респондентов ]-й группы встречается реже, чем в среднем по всей выборке, и, следовательно, обнаружение этого признака несет некоторое отрицательное количество информации о принадлежности обладающего им респондента к этой категории, т.е. несет информацию о непринадлежности к ней;
- если же число Я, = 1, то это означает, что 1-й признак у респондентов ]-й группы встречается с той же вероятностью, что и в среднем по всей выборке, и, следовательно, обнаружение этого признака не несет никакой информации о принадлежности или непринадлежности обладающего им респондента к этой категории.
Эти выводы мы сделали на качественном уровне. Но возникает вопрос, а можно ли как-то количественно оценить это количество информации, которое мы получаем из факта наблюдения признака о принадлежности респондента к категориям? Положительный ответ на этот вопрос дает семантическая мера информации Харкевича (3):
Р..
1ц= 2-, (3)
Р
Если подставить в выражение (3) значения Р, и Ра из (1), то получим выражение (4), которое позволяет непосредственно из таблицы 1 рассчитать таблицу 6:
NN
NN.
(4)
Таблица 6 - КОЛИЧЕСТВО ИНФОРМАЦИИ В ПРИЗНАКЕ О ПРИНАДЛЕЖНОСТИ РЕСПОНДЕНТА К ОБОБЩЕННОЙ КАТЕГОРИИ
Код Наименование признака Без ДТП С ДТП
Без тяжких последствий С тяжкими последствиями
1 Трезвый 0,040 -1,548 -4,270
2 В сост.алкогольного опьянения -0,326 2,509 2,956
В таблице 6 положительное количество информации показано черным цветом, а отрицательное - красным. Из этой таблицы сразу понятно, что:
- признак "трезвый" несет положительное количество информации о том, что тракторист не совершит ДТП, и соответственно отрицательное, что совершит, причем видно, что если все же ДТП будет совершено, то скорее всего без тяжких последствий;
- признак "В сост. алкогольного опьянения" несет отрицательное количество информации о том, что тракторист не совершит ДТП, и соответственно положительное, что совершит, причем видно, что скорее будет совершено ДТП с тяжкими последствиями.
Таким образом семантическая информационная модель(СИМ) системно-когнитивного анализа позволяет непосредственно на основе эмпирических данных количественно определить силу и направление влияния значений факторов на поведение сложного объекта управления. При этом СИМ является непараметрической, многофакторной моделью, устойчиво работающей на фрагментированных и зашумленных данных, обеспечивающей единообразный и сопоставимый способ интерпретации влияния количественных и качественных факторов любой природы, измеряемых в различных единицах измерения.
Теперь, после данных пояснений приступим к синтезу и верификации системы частных моделей, входящих в многоуровневую семантическую информационную модель агропромышленного холдинга. Отметим, что система частных моделей спроектирована в работе [6], а в работе [7] разработаны классификационные и описательные шкалы и градации и обучающие выборки для синтеза этих моделей.
Модель-1: "Показатели - предприятия”
Фрагмент матрицы абсолютных частот СИМ-1 приведен в таблице 7. В этой таблице содержится информация, аналогичная той, что в таблице 1 примера. Столбец кодов содержит коды градаций факторов: интервальные значения внутренних экономических показателей предприятий, а строка кодов - коды классов, соответствующих результатам деятельности предприятий холдинга, т.е. их внешним экономическим показателям. Справочники градаций факторов, классов и обучающая выборка приведены в таблицах 5, 6 и 7 работы [7].
Таблица 7 - МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ СИМ-1
(ФРАГМЕНТ)
коа 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 15 5 15 5 16 4 14 5 1 13 7 18 2 18 2 18 2 17
2 1 3 3 1 3 3 2 1 4 3 4 2 3 2 3 2 2 2 3 2 3 2 2 1
3 1 1 1 1 1 1 1 1
4 16 16 16 14 2 13 3 16 16 16 16
5 8 8 2 5 1 6 2 2 5 1 5 2 1 4 3 1 5 2 1 2
6 4 4 4 4 2 2 2 2 2 2 2 2
7 15 15 15 14 1 12 3 15 15 15 15
8 1 5 1 5 2 4 6 2 4 5 1 4 2 5 1 3
9 3 4 3 4 1 1 5 1 6 1 3 3 1 3 3 1 3 3 1 3 3
10 15 5 1 15 5 1 17 3 1 14 6 1 14 6 1 20 1 19 1 1 20 1 17
11 1 2 1 1 2 1 1 2 1 2 2 1 2 1 1 2 1 1 2 1 1 2 1 1
12 1 2 1 2 3 3 2 1 2 1 2 1 2 1
13 16 8 4 16 8 4 18 5 5 14 8 6 15 10 3 21 4 3 20 5 3 21 4 3 18
Непосредственно на основе матрицы абсолютных частот (таблица 7) с использованием выражения, аналогичного (4)1 получена матрица информативностей [8], содержащая информацию о силе и направлении влияния внутренних экономических показателей предприятия на его результирующие показатели деятельности, играющие роль для холдинга в целом.
Таблица 8 - МАТР] ИЦА И [НФОРМАТИВНС СТЕИ СИ [М-1 (Е »кх100) (ФРАГМ ЕНТ)
коа 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 15 -7 15 -7 12 7 19 -7 -83 11 -1 10 -20 13 -33 10 -20 16
2 -79 23 62 -79 23 62 -46 -12 65 24 55 -35 10 55 -32 39 55 -52 50 55 -32 39 55 -85
3 110 110 97 87 126 126 126 126
4 32 32 25 31 -46 24 -37 16 19 16 25
5 71 71 -53 71 -21 56 8 -43 32 8 -10 32 8 -20 42 8 -10 32 8 -54
6 110 110 97 87 19 86 71 86 59 86 71 86
7 32 32 25 35 -81 23 -33 16 19 16 25
8 -70 61 -70 61 -37 75 72 -27 35 6 9 -4 36 6 9 -14
9 23 78 23 78 -85 -12 78 -38 78 -75 10 78 -94 62 78 -91 50 78 -94 62 78
10 13 -10 -63 13 -10 -63 13 -12 -76 16 1 -86 13 -13 -47 14 -47 13 -75 -47 14 -47 13
11 -47 32 31 -47 32 31 -53 59 18 33 48 -43 19 47 -62 71 47 -59 59 47 -62 71 47 -54
12 9 87 9 87 97 87 35 63 87 63 75 63 87 63
13 -0 0 -1 -0 0 -1 0 0 -1 -0 1 -1 0 -0 -1 0 0 -1 0 0 -1 0 0 -1 0
Таблица 8 содержит информацию, аналогичную той, что в таблице 6, т.е. каждое число в этих таблицах представляет собой количество информации, которое мы получаем о том, что объект окажется в некотором состоянии (соответствующем столбцу) из того факта, что на него действует некоторый фактор (соответствующий строке). По сути это означает, что таблица 8 содержит не данные и не информацию, а знания [3].
Для того, чтобы верифицировать модель, т.е. определить ее достоверность или адекватность, используется следующий метод[1-5]. Обучающая выборка, содержащая информацию о том, какие состояния предприятий наблюдались (таблица 8 в работе [7]), копируется в распознаваемую выборку и проводится ее распознавание. Затем подсчитывается количество ошибок идентификации и неидентификации по каждому классу и по всей выборке (таблица 9).
Из таблицы 9 мы видим, что:
- правильно отнесено к классам, к которым они действительно относятся более 88% состояний предприятий, причем в среднем при использовании модели вероятность верной идентификации состояния предприятия в 2,7 раза выше, чем при его случайном угадывании (следовательно достоверность выводов, полученных на основе использования модели, составляет более 95%);
- правильно не отнесено к классам, к которым они на самом деле не относятся более 90% состояний предприятий.
Таблица 9 - РЕЗУЛЬТАТЫ ИЗМЕРЕНИЯ АДЕКВАТНОСТИ 1-И МОДЕЛИ
(ФРАГМЕНТ)
ИЗМЕРЕНИЕ АДЕКВАТНОСТИ (ДИФФЕРЕНЦИАЛЬНОЙ И ИНТЕГРАЛЬНОМ ВАЛИДНОСТИ) СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ
Всего физических анкет: 28 (100% для п.15)
Всего логических анкет: 1988
9. Средняя
10. Среднее Среднее
11. Среднее
12. Среднее
13. Среднее
14. Среднее
достоверность идентификации логических анкет с учетом кол-ва : 78.974%
количество физич-х анкет, действительно относящихся к классу: 13.482 (100% для п.11 и п.12)
количество физич-х анкет, действительно не относящихся к классу: 14.518 (100% для п.13 и п.14)
Всего физических анкет: 28.000 (100% для п.15) правильно отнесенных к классу: 11.910, т.е. 88.340% ошибочно не отнесенных к классу: 1.571, т.е. 11.653%
ошибочно отнесенных к классу: 1.372, т.е. 9.450%
правильно не отнесенных к классу: 13.146, т.е. 90.550%
количество и % лог-их анкет
количество и % лог-их анкет
количество и % лог-их анкет
количество и % лог-их анкет
Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 48.150 Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 2.736
11-09-
17:25:16
Наименование : класса Достов. идентиф. лог.анк. с уч.количества эвр.крит кол-во лог. анк. дейст-но относящихся к классу Количество логических анкет правильно или ошибочно отнесенных или не отнесенных к классу Вероятн. случай- ного угадывания (%) =М1_А/|\|РА Эффектив модели по срав. со случ. угадыв. (раз)
Правиль. отнесен. Ошибочно не отнес Ощибочно отнесен. Правиль. не отнес
3 9 10 11 12 13 14 15 16
001.БАКАЛЕЯ ООО Выручка от реализац-{59873.00, 178545.67} 78.6 16 14 2 1 11 57.143 1.531
001.БАКАЛЕЯ ООО Выручка от реализа-{178545.67, 297218.33} 57.1 8 6 2 4 16 28.571 2.625
001.БАКАЛЕЯ ООО Выручка от реализа-{297218.33, 415891.00} 85.7 4 4 0 2 22 14.286 7.000
001.БАКАЛЕЯ ООО Себестоимость приобр-{54663.00, 161159.00} 78.6 16 14 2 1 11 57.143 1.531
001.БАКАЛЕЯ ООО Себестоимость приоб-{161159.00, 267655.00} 57.1 8 6 2 4 16 28.571 2.625
001.БАКАЛЕЯ ООО Себестоимость приоб-{267655.00, 374151.00} 85.7 4 4 0 2 22 14.286 7.000
001.БАКАЛЕЯ ООО Валовая прибыль-{5162.00, 17057.67} 78.6 18 16 2 1 9 64.286 1.383
001.БАКАЛЕЯ ООО Валовая прибыль-{17057.67, 28953.33} 57.1 5 4 1 5 18 17.857 4.480
001.БАКАЛЕЯ ООО Валовая прибыль-{28953.33, 40849.00} 92.9 5 5 0 1 22 17.857 5.600
001.БАКАЛЕЯ ООО Коммерческие расходы:-{4855.00, 12000.67} 92.9 14 14 0 1 13 50.000 2.000
001.БАКАЛЕЯ ООО Коммерческие расходы:-{12000.67, 19146.33} 78.6 8 7 1 2 18 28.571 3.063
001.БАКАЛЕЯ ООО коммерческие расходы:-{19146.33, 26292.00} 100.0 6 6 0 0 22 21.429 4.667
001.БАКАЛЕЯ ООО Чистая прибыль-{-1500.00, 3569.00} 57.1 15 13 2 4 9 53.571 1.618
001.БАКАЛЕЯ ООО Чистая прибыль-{3569.00, 8638.00} 64.3 10 7 3 2 16 35.714 1.960
001.БАКАЛЕЯ ООО Чистая прибыль-{8638.00, 13707.00} 85.7 3 3 0 2 23 10.714 9.334
002.ГАЛАНТЕРЕЯ ООО Выручка от реализации -{802.00, 39951.00} 85.7 21 19 2 0 7 75.000 1.206
002.ГАЛАНТЕРЕЯ ООО Выручка от реализаци-{39951.00, 79100.00} 64.3 4 4 0 5 19 14.286 7.000
002.ГАЛАНТЕРЕЯ ООО Выручка от реализац-{79100.00, 118249.00} 85.7 3 3 0 2 23 10.714 9.334
002.ГАЛАНТЕРЕЯ ООО Себестоимость приобрете-{668.00, 32332.00} 85.7 20 18 2 0 8 71.429 1.260
002.ГАЛАНТЕРЕЯ ООО Себестоимость приобре-{32332.00, 63996.00} 71.4 5 5 0 4 19 17.857 5.600
002.ГАЛАНТЕРЕЯ ООО Себестоимость приобре-{63996.00, 95660.00} 85.7 3 3 0 2 23 10.714 9.334
002.ГАЛАНТЕРЕЯ ООО Валовая прибыль-{134.00, 7410.00} 85.7 21 19 2 0 7 75.000 1.206
002.ГАЛАНТЕРЕЯ ООО Валовая прибыль-{7410.00, 14686.00} 64.3 4 4 0 5 19 14.286 7.000
002.ГАЛАНТЕРЕЯ ООО Валовая прибыль-{14686.00, 21962.00} 85.7 3 3 0 2 23 10.714 9.334
002.ГАЛАНТЕРЕЯ ООО коммерческие расходы:-{83.00, 3691.33} 92.9 18 17 1 0 10 64.286 1.469
002.ГАЛАНТЕРЕЯ ООО Коммерческие расходы:-{3691.33, 7299.67} 78.6 7 7 0 3 18 25.000 4.000
002.ГАЛАНТЕРЕЯ ООО Коммерческие расходы:-{7299.67, 10908.00} 85.7 3 3 0 2 23 10.714 9.334
002.ГАЛАНТЕРЕЯ ООО Чистая прибыль-{45.00, 3572.00} 85.7 21 19 2 0 7 75.000 1.206
002.ГАЛАНТЕРЕЯ ООО Чистая прибыль-{3572.00, 7099.00} 85.7 5 5 0 2 21 17.857 5.600
002.ГАЛАНТЕРЕЯ ООО Чистая прибыль-{7099.00, 10626.00} 78.6 2 2 0 3 23 7.143 14.000
003.КОРМИЛИЦА Выручка от реализац-{74196.00, 255238.00} 85.7 17 15 2 0 11 60.714 1.453
Это говорит о том, что модель имеет довольно высокую адекватность, т.е. верно отражает реально существующие причинно-следственные закономерности в предметной области, а значит ее вполне корректно использовать для того, чтобы по внутренним показателям предприятий определять их внешние показатели, т.е. решать задачи прогнозирования, а также для решения задач поддержки принятия решений и исследования предприятий путем исследования их модели.
Модель-2: "Предприятия - холдинг”
Фрагмент матрицы абсолютных частот СИМ-2 приведен в таблице 10. В этой таблице содержится информация, аналогичная той, что в таблице 1 примера. Столбец кодов содержит коды градаций факторов: интервальные значения внешних экономических показателей предприятий, а строка кодов - коды классов, соответствующих результатам деятельности холдинга в целом. Справочники градаций факторов, классов и обучающая выборка приведены в таблицах 9, 10 и 11 работы [7].
Таблица 10 - МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ СИМ-2 _________________(ФРАГМЕНТ)_____________
КОй 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 15 1 15 1 16 14 2 16
2 2 6 2 6 2 5 1 2 4 2 5 2 1
3 1 3 1 3 2 2 1 3 2 2
4 17 4 17 4 18 3 16 5 20 1
5 3 1 3 1 4 2 2 1 3
6 1 2 1 2 3 3 3
7 17 17 17 16 1 17
8 8 8 1 6 1 6 2 4 3 1
9 3 3 1 2 3 1 2
10 17 2 17 2 18 1 16 3 19
11 6 1 6 1 6 1 4 3 2 4 1
12 2 2 2 2 2
13 17 17 17 16 1 17
Непосредственно на основе матрицы абсолютных частот (таблица 10) с использованием выражения, аналогичного (4) получена матрица информативностей [11], содержащая информацию о силе и направлении влияния внешних (результирующих) экономических показателей предприятий холдинга на его показатели деятельности холдинга в целом.
Таблица 11 - МАТРИЦА ИНФОРМАТИВНОСТЕЙ СИМ-2 (БИх100) ...............(ФРАГМЕНТ)..................
КОй 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 19 -65 19 -65 19 18 -30 12
2 -38 41 -38 41 -40 39 7 -35 30 14 -8 24 7
3 -6 83 -6 83 30 66 61 54 66
4 12 -17 12 -17 12 -24 12 -2 10 -47
5 41 36 41 36 59 30 44 -47 71
6 7 78 7 78 96 74 96
7 21 21 19 21 -62 12
8 54 54 -70 47 7 47 14 -17 41 7
9 96 96 12 78 74 36 78
10 17 -43 17 -43 17 -67 17 -20 12
11 47 12 47 12 53 12 35 37 -41 59 12
12 96 96 96 74 96
13 21 21 19 21 -62 12
Таблица 11 содержит информацию, аналогичную той, что в таблице 6, т.е. каждое число в этих таблицах представляет собой количество информации, которое мы получаем о том, что объект окажется в некотором состоянии (соответствующем столбцу) из того факта, что на него действует некоторый фактор (соответствующий строке). По сути это означает, что таблица 8 содержит не данные и не информацию, а знания [3].
Для того, чтобы верифицировать модель, т.е. определить ее достоверность или адекватность, используется следующий метод [1-5]. Обучающая выборка, содержащая информацию о том, какие состояния холдинга наблюдались (таблица 9 в работе [7]), копируется в распознаваемую выборку и проводится ее распознавание. Затем подсчитывается количество
ошибок идентификации и неидентификации по каждому классу и по всей выборке (таблица 12).
Таблица 12 - РЕЗУЛЬТАТЫ ИЗМЕРЕНИЯ АДЕКВАТНОСТИ 2-Й МОДЕЛИ
(ФРАГМЕНТ)
ИЗМЕРЕНИЕ АДЕКВАТНОСТИ (ДИФФЕРЕНЦИАЛЬНОЙ И ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ) СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ
Всего физических анкет: 28 (100% для п.15)
Всего логических анкет: 140
9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 89.643%
10. Среднее количество физич-х анкет, действительно относящихся к классу: 13.586 (100% для п.11 и п.12)
Среднее количество физич-х анкет, действительно не относящихся к классу: 14.414 (100% для п.13 и п.14)
Всего физических анкет: 28.000 (100% для п.15)
11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 12.879, т.е. 94.796%
12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 0.707, т.е. 5.204%
13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 0.743, т.е. 5.155%
14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 13.671, т.е. 94.845%
15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 48.520
16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 2.879
12-09-08 09:46:49
Кол-во Количество логических анкет Вероятн. Эффектив
лог.анк. правильно или ошибочно отнесенных случай- модели
дейст-но или не отнесенных к классу ного по срав.
Наименование относя- угадыва- со случ.
класса щихся Правиль. Ошибочно Ошибочно Правиль. ния (%) угадыв.
к классу отнесен. не отнес отнесен. не отнес =nla/nfa (раз)
3 10 И 12 13 14 15 16
ВСЕГО ПО ХОЛДИНГУ Выручка от реализации -{939973.00, 3475821.67} 17 17 0 0 И 60.714 1.647
ВСЕГО ПО ХОЛДИНГУ Выручка от реализаци-{3475821.67, 5011670.33} 8 7 1 2 18 28.571 3.063
ВСЕГО ПО ХОЛДИНГУ Выручка от реализаци-{6011670.33, 8547519.00} 3 3 0 1 24 10.714 9.334
ВСЕГО ПО ХОЛДИНГУ Себестоимость приобрет-{802952.00, 2946534.33} 17 17 0 0 И 60.714 1.647
ВСЕГО ПО ХОЛДИНГУ Себестоимость приобре-{2946534.33, 5090116.67} 8 7 1 2 18 28.571 3.063
ВСЕГО ПО ХОЛДИНГУ Себестоимость приобре-{5090116.67, 7233699.00} 3 3 0 1 24 10.714 9.334
ВСЕГО ПО ХОЛДИНГУ Валовая прибыль-{88181.00, 374670.33} 18 17 1 0 10 64.286 1.469
ВСЕГО ПО ХОЛДИНГУ Валовая прибыль-{374670.33, 661159.67} 7 7 0 1 20 25.000 4.000
ВСЕГО ПО ХОЛДИНГУ Валовая прибыль-{661159.67, 947649.00} 3 3 0 1 24 10.714 9.334
ВСЕГО ПО ХОЛДИНГУ Коммерческие расходы-{63035.00, 213141.00} 16 15 1 1 И 57.143 1.641
ВСЕГО ПО ХОЛДИНГУ Коммерческие расходы-{213141.00, 363247.00} 7 6 1 3 18 25.000 3.429
ВСЕГО ПО ХОЛДИНГУ Коммерческие расходы-{363247.00, 513353.00} 5 5 0 0 23 17.857 5.600
ВСЕГО ПО ХОЛДИНГУ Чистая прибыль-{28839.00, 177449.33} 21 19 2 0 7 75.000 1.206
ВСЕГО ПО ХОЛДИНГУ Чистая прибыль-{177449.33, 326059.67} 4 4 0 4 20 14.286 7.000
ВСЕГО ПО ХОЛДИНГУ Чистая прибыль-{326059.67, 474670.00} 3 3 0 1 24 10.714 9.334
Средневзвешенные значения 13.6 12.9 0.7 0.7 13.7 48.520 2.879
Универсальная когнитивная аналитическая система
ФОРМУЛЫ РАСПЕТА ПОКАЗАТЕЛЕЙ ДИФФЕРЕНЦИАЛЬНОЙ ВАЛИДНОСТИ (ПО КЛАССАМ):
- С07[к] + С08 [к]
- С13 [к] + С14 [к] ) / ( СИ [к] + С12 [к] + С13 [к] + С14 [к] ) * 100
С 04 [к] = С05 [к] - С06 [к]
С09 У = С си У - С12 У
СЮ У = си У + С12 У
С15 У = сю У / NFi Z
С16 У = С09 У / С15[к]
где к - класс (соответствует строке)
где МПг - суммарное количество физических анкет (объектов) в распознаваемой выборке
ФОРМУЛЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ (СРЕДНЕВЗВЕШЕННОЕ ПО ВСЕМ КЛАССАМ):
Сп = СУММА_по_к ( Сй [к] * СЮ [к] ) / 1М1_од
где 1 = { 4, 5, 6, 7, 8, 9, 10, И, 12, 13, 14, 15, 16 }
где М_од = СУММА_по_к (С10[к]) - суммарное количество логических анкет в распознаваемой выборке ПРИМЕЧАНИЕ: учтены только результаты идентификации с модулем сходства не менее: -1
Из таблицы 12 мы видим, что:
- правильно отнесено к классам, к которым они действительно относятся почти 94,8% состояний предприятий, причем в среднем при использовании модели вероятность верной идентификации состояния предприятия почти в 2,9 раза выше, чем при его случайном угадывании (следовательно достоверность выводов, полученных на основе использования модели, составляет более 95%);
- правильно не отнесено к классам, к которым они на самом деле не относятся более 94,8% состояний предприятий.
Это говорит о том, что 2-я модель имеет очень высокую адекватность, т.е. хорошо отражает реально существующие причинноследственные закономерности в предметной области, а значит ее вполне корректно использовать для того, чтобы по внешним результирующим по-
казателям предприятий определять показатели деятельности холдинга в целом, т.е. решать задачи прогнозирования, а также для решения задач поддержки принятия решений и исследования холдинга путем исследования его модели.
Модель-3: "Показатели - холдинг”
Фрагмент матрицы абсолютных частот СИМ-3 приведен в таблице 13. В этой таблице содержится информация, аналогичная той, что в таблице 1 примера. Столбец кодов содержит коды градаций факторов: интервальные значения внутренних экономических показателей предприятий, а строка кодов - коды классов, соответствующих результатам деятельности холдинга в целом. Справочники градаций факторов, классов и обучающая выборка приведены в таблицах 12, 13 и 14 работы [7].
Таблица 13 - МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ СИМ-3 __________________(ФРАГМЕНТ)________________
КОй 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 17 3 17 3 17 3 16 3 1 18 2
2 5 2 5 2 1 4 2 4 3 3 2 2
3 1 1 1 1 1
4 15 1 15 1 16 14 2 16
5 2 6 2 6 2 5 1 2 4 2 5 2 1
6 1 3 1 3 2 2 1 3 2 2
7 15 15 15 14 1 15
8 2 4 2 4 3 3 2 4 6
9 4 3 4 3 4 3 2 5 4 3
10 17 3 1 17 3 1 17 3 1 16 4 1 19 1 1
11 3 1 3 1 1 2 1 2 2 2 1 1
12 2 1 2 1 2 1 1 2 2 1
13 17 8 3 17 8 3 18 7 3 16 7 5 21 4 3
Непосредственно на основе матрицы абсолютных частот (таблица 13) с использованием выражения, аналогичного (4) получена матрица информативностей [14], содержащая информацию о силе и направлении влияния внутренних экономических показателей предприятия на результаты деятельности холдинга в целом.
Таблица 14 - МАТРИЦА ИНФОРМАТИВНОСТЕЙ СИМ-1 (Вкх100)
(ФРАГМЕНТ)
КОй 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 12 -23 12 -23 10 -18 12 -17 -46 7 -13
2 33 34 33 34 -53 30 34 30 31 -20 25 34
3 79 79 79 61 79
4 15 -54 15 -54 16 15 -24 10
5 -32 35 -32 35 -34 33 5 -30 25 12 -6 20 5
6 -4 69 -4 69 25 54 1 51 45 54
7 18 18 16 17 -46 10
8 -21 30 -21 30 -9 25 -19 36 10
9 25 49 25 49 30 49 5 49 49 49
10 10 -24 -29 10 -24 -29 8 -20 -29 10 -9 -47 7 -39 -29
11 35 30 35 30 -34 25 30 25 36 -14 20 30
12 30 40 30 40 35 40 11 46 55 40
13 -0 0 -1 -0 0 -1 0 0 -1 -0 1 -0 0 0 -1
Таблица 14 содержит информацию, аналогичную той, что в таблице 6, т.е. каждое число в этих таблицах представляет собой количество информации, которое мы получаем о том, что объект окажется в некотором состоянии (соответствующем столбцу) из того факта, что на него действует некоторый фактор (соответствующий строке). По сути это означает, что таблица 8 содержит не данные и не информацию, а знания [3].
Для того, чтобы верифицировать модель, т.е. определить ее достоверность или адекватность, используется следующий метод [1-5]. Обучающая выборка, содержащая информацию о том, какие состояния холдинга наблюдались (таблица 12 в работе [7]), копируется в распознаваемую выборку и проводится ее распознавание. Затем подсчитывается количество ошибок идентификации и неидентификации по каждому классу и по всей выборке (таблица 15).
Таблица 15 - РЕЗУЛЬТАТЫ ИЗМЕРЕНИЯ АДЕКВАТНОСТИ 1-Й МОДЕЛИ
(ФРАГМЕНТ)
ИЗМЕРЕНИЕ АДЕКВАТНОСТИ (ДИФФЕРЕНЦИАЛЬНОЙ И ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ) СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ
Всего физических анкет: 28 (100% для п.15)
Всего логических анкет: 140 9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 85.561%
10. Среднее количество физич-х анкет, действительно относящихся к классу: 13.586 (100% для п.И и п.12)
Среднее количество физич-х анкет, действительно не относящихся к классу: 14.414 (100% для п.13 и п.14)
Всего физических анкет: 28.000 (100% для п.15)
И. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 12.443, т.е. 91.587%
12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 1.143, т.е. 8.413%
13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 0.879, т.е. 6.098%
14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 13.536, т.е. 93.909%
15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 48.520
16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 2.860
12-09-08 10:12:23
Достов. Кол-во Количество логических анкет Вероятн. Эффектив
идентиф. лог.анк. правильно или ошибочно отнесенных случай- модели
лог.анк. дейст-но или не отнесенных к классу ного по срав.
Наименование с уч.ко- относя- угадыва- со случ.
класса личества щихся Правиль. Ошибочно Ошибочно Правиль. ния (%) угадыв.
эвр.крит к классу отнесен. не отнес отнесен. не отнес =Н1_А/МРА (раз)
3 9 10 11 12 13 14 15 16
ВСЕГО ПО ХОЛДИНГУ Выручка от реализации -{939973.00, 3475821.67} 85.7 17 15 2 0 И 60.714 1.453
ВСЕГО ПО ХОЛДИНГУ Выручка от реализаци-{3475821.67, 6011670.33} 71.4 8 7 1 3 17 28.571 3.063
ВСЕГО ПО ХОЛДИНГУ Выручка от реализаци-{6011670.33, 8547519.00} 85.7 3 3 0 2 23 10.714 9.334
ВСЕГО ПО ХОЛДИНГУ Себестоимость приобрет-{802952.00, 2946534.33} 85.7 17 15 2 0 И 60.714 1.453
ВСЕГО ПО ХОЛДИНГУ Себестоимость приобре-{2946534.33, 5090116.67} 71.4 8 7 1 3 17 28.571 3.063
ВСЕГО ПО ХОЛДИНГУ Себестоимость приобре-{509011б.б7, 7233699.00} 85.7 3 3 0 2 23 10.714 9.334
ВСЕГО ПО ХОЛДИНГУ Валовая прибыль-{88181.00, 374670.33} 92.9 18 17 1 0 10 64.286 1.469
ВСЕГО ПО ХОЛДИНГУ Валовая прибыль-{374670.33, 661159.67} 78.6 7 7 0 3 18 25.000 4.000
ВСЕГО ПО ХОЛДИНГУ Валовая прибыль-{6б1159.б7, 947649.00} 85.7 3 3 0 2 23 10.714 9.334
ВСЕГО ПО ХОЛДИНГУ Коммерческие расходы-{63035.00, 213141.00} 92.9 16 15 1 0 12 57.143 1.641
ВСЕГО ПО ХОЛДИНГУ Коммерческие расходы-{213141.00, 363247.00} 85.7 7 7 0 2 19 25.000 4.000
ВСЕГО ПО ХОЛДИНГУ Коммерческие расходы-{363247.00, 513353.00} 100.0 5 5 0 0 23 17.857 5.600
ВСЕГО ПО ХОЛДИНГУ Чистая прибыль-{28839.00, 177449.33} 85.7 21 19 2 0 7 75.000 1.206
ВСЕГО ПО ХОЛДИНГУ Чистая прибыль-{177449.33, 326059.67} 71.4 4 4 0 4 20 14.286 7.000
ВСЕГО ПО ХОЛДИНГУ Чистая прибыль-{326059.67, 474670.00} 85.7 3 3 0 2 23 10.714 9.334
Средневзвешенные значения 85.6 13.6 12.4 1.1 0.9 13.5 48.520 2.860
Универсальная когнитивная аналитическая система
ФОРМУЛЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ДИФФЕРЕНЦИАЛЬНОЙ ВАЛИДНОСТИ (ПО КЛАССАМ):
С04 'к = С05 'к] - С06 [к' - С07[к] + С08 [к]
С09 к = ( С11 к: - С12 :к= - С13 [к] + С14 [к] ) / ( СИ [к] + С12 [к] + С13 [к] + С14 [к] ) * 100
СЮ к = С11 к: + С12 [к=
С15 к = сю к: / 100
С16 к = С09 к: / С15[к]
где к - класс (соответствует строке)
где - суммарное количество физических анкет (объектов) в распознаваемой выборке
ФОРМУЛЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ (СРЕДНЕВЗВЕШЕННОЕ ПО ВСЕМ КЛАССАМ):
Сп = СУММА_по_к ( С1[к] * СЮ [к] ) / Мод
где 1 = { 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16 }
где [Под = СУНМА_по_к(С10[к]) - суммарное количество логических анкет в распознаваемой выборке ПРИМЕЧАНИЕ: учтены только результаты идентификации с модулем сходства не менее: -1
Из таблицы 15 мы видим, что:
- правильно отнесено к классам, к которым они действительно относятся более 91,5% состояний предприятий, причем в среднем при использовании модели вероятность верной идентификации состояния предприятия в 2,8 раза выше, чем при его случайном угадывании (следовательно достоверность выводов, полученных на основе использования модели, составляет более 95%);
- правильно не отнесено к классам, к которым они на самом деле не относятся более 93,9% состояний предприятий.
Это говорит о том, что модель имеет очень высокую адекватность, т.е. хорошо отражает реально существующие причинно-следственные закономерности в предметной области, а значит ее вполне корректно использовать для того, чтобы по внутренним показателям предприятий определять показатели работы холдинга, в целом, т.е. решать задачи прогнозирования, а также для решения задач поддержки принятия решений и исследования предприятий путем исследования их модели.
Остается добавить несколько слов о размерностях созданных моделей и количестве обобщенных в них экономических фактов (таблица 16).
Таблица 16 - РАЗМЕРНОСТИ ЧАСТНЫХ МОДЕЛЕЙ И КОЛИЧЕСТВО ______________ОБОБЩЕННЫХ В НИХ ФАКТОВ_______________
Наименование частной модели Размерность частной модели: N классов х N факторов Количество фактов
Модель-1: "Показатели - предприятия" 213 х1536 841421
Модель-2: "Предприятия - холдинг" 15 х 213 9240
Модель-3: "Показатели - холдинг" 15 х 1536 59255
Всего: 909916
Экономическим фактом является обнаружение на опыте определенного сочетания градации фактора, т.е. интервального значения некоторого экономического показателя, и принадлежности моделируемого объекта, характеризующегося этим значением, к определенной обобщенной категории, т.е. классу.
Таким образом, в статье приводятся данные по синтезу 3-х частных моделей, образующих систему моделей или двухуровневую модель агропромышленного холдинга, обобщающую почти миллион фактов, а также оценивается адекватность этих моделей, которая оказалась довольно высокой и вполне достаточной для решения поставленных задач. Это позволяет по результатам статьи сделать общий вывод о том, созданная семантическая информационная мультимодель исследуемого агропромышленного холдинга позволяет решать задачи прогнозирования его деятельности и поддержки принятия решений по управлению им. Кроме того исследование полученных моделей корректно считать исследованием самого холдинга.
Этим самым созданы условия для выполнения последующих этапов СК-анализа, приведенных в работе [8]:
4. Решение задач прогнозирования и поддержки принятия решений (управления).
5. Системно-когнитивный анализ, т.е. исследование СИМ, которые мы рассмотрим в последующих работах.
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.
2. Луценко Е.В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 257 с.
3. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп.- Краснодар: КубГАУ, 2006. - 615 с.
4. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. - 280 с.
5. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ, 2005. -480 с.
6. Луценко Е.В., Лойко В.И., Макаревич О.А. Системно-когнитивный подход к построению многоуровневой семантической информационной модели управления агропромышленным холдингом. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №41(7). - Режим доступа: http://ej .kubagro.ru/2008/07/pdf/11 .pdf
7. Луценко Е.В., Лойко В.И., Макаревич О.А. Исследование характеристик исходных данных по агропромышленному холдингу и разработка программного интерфейса их объединения и стандартизации (формализация предметной области). Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №41(7). - Режим доступа:
http://ej.kubagro.ru/2008/07/pdf/12.pdf
8. Пат. № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е.В. Луценко (Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. - 50с.
9. Луценко Е.В. Прогнозирование рисков автострахования КАСКО с применением системно-когнитивного анализа / Е.В. Луценко, В.Е. Коржаков // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №06(40). - Режим доступа: http://ej .kubagro.ru/2008/06/pdf/11 .pdf
10. Луценко Е.В. Прогнозирование рисков ОСАГО (андерайтинг) с применением системнокогнитивного анализа / Е.В. Луценко, Н.А. Подставкин // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №05(29). - Шифр Информрегистра: 0420700012\0096. - Режим доступа: http://ej.kubagro.ru/2007/05/pdf/08.pdf
Примечание:
Для обеспечения доступа читателей к этим и другим работам они размещены в Internet по адресам:
http://lc.kubagro. ru/aidos/ http://ej .kubagro.ru/a/viewaut.asp?id=10 http://ej .kubagro.ru/a/viewaut.asp?id=11 http://ej.kubagro.ru/a/viewaut.asp?id=20
