ЛИТЕРАТУРА
1. Малахова Н.Н., Ушаков Д.С. Инновации в туризме и сервисе. – М.: ИКЦ «МарТ», 2008.
2. Наука и инновации области: стат. сб. / Вологдастат. – Вологда, 2010.
3. Новиков В.С. Инновации в туризме. – М.: Академия, 2007.
4. Феденева, И.Н. Инновации в социально-культурном сервисе и туризме. – Новосибирск: Изд-во СГУПС, 2007.
Орлова Виктория Станиславовна – аспирант Института социально-экономического развития территорий РАН (ИСЭРТ РАН), г. Вологда
Orlova Victorya Stanislavovna – Postgraduate Student of the Institute of Territories Socio-economic Development of the Russian Academy of Sciences (ITSED RAS)
Статья поступила в редакцию 03.03.11, принята к опубликованию 07.08.11
ИННОВАЦИОННОЕ МОДЕЛИРОВАНИЕ
УДК 338.24
М.И. Дли, Т.В. Какатунова
M.I. Dli, T.V. Kakatunova
Функциональные когнитивные карты для моделирования региональных инновационных процессов
Functional cognitive cards for modelling the regional innovation process
Обоснована целесообразность использования когнитивных карт для моделирования региональных инновационных процессов. Предложена новая разновидность нечетких когнитивных карт, учитывающая неопределенность системных характеристик. Разработана трехуровневая когнитивная карта, отражающая взаимосвязь элементов стратегий социально-экономического развития региона, инновационных стратегий развития региона и стратегий развития региональной инновационной инфраструктуры.
The appropriateness of use of cognitive cards for modelling the regional innovation process is proved. A new kind of fuzzy cognitive maps is presented, taking into account the uncertainty of system performance. A three-level cognitive map showing the relationship of elements of strategies for social-economic development, innovative strategies for regional development and development strategies of a regional innovation infrastructure is developed.
Нечеткая когнитивная карта, инновационные процессы, моделирование
Fuzzy cognitive map, innovation process, modeling
В современных экономических условиях одним из важнейших факторов роста национальной и региональной экономики являются инновации. В то же время эффективность региональных инновационных процессов в значительной степени определяется возможностью реализации стратегического подхода к управлению инновационным развитием региона. Поскольку одним из важнейших инструментов активизации инновационной деятельности на уровне региона является повышение эффективности функционирования элементов региональной инновационной инфраструктуры, то наряду с общими инновационными стратегиями развития региона можно выделять стратегии развития региональной инновационной инфраструктуры. Как представляется, стратегический подход к управлению региональными инновационными процессами позволит повысить результативность реализации стратегий социально-экономического развития регионов.
Определение взаимного влияния показателей реализации стратегий социально-экономического развития региона, инновационных стратегий развития региона и стратегий развития региональной инновационной инфраструктуры позволит обеспечить согласованность процессов их разработки, реализации и контроля выполнения. Учитывая сложный характер указанного влияния, для решения данной задачи целесообразно использовать аппарат когнитивного моделирования.
Когнитивные карты представляют собой разновидность математических моделей для описания сложной системы в виде множества концептов (узлов), отображающих ее системные факторы (переменные), и выявления причинно-следственных отношений (отношений влияния) между ними c учетом воздействия на эти факторы или изменения характера отношений.
Эффективность использования существующих методов построения и применение когнитивных карт в качестве моделей слабо сложных систем обусловлена: возможностями наглядного представления анализируемой системы, моделирования в условиях отсутствия статистической информации о состояниях системы, оценки эффективности управленческих решений [1]. Одним из направлений развития методов когнитивного моделирования является использование методов нечеткой логики [2]. В рамках данного подхода связи между концептами исследуемой системы представляются в виде термов нечетких множеств.
В то же время предлагаемые процедуры когнитивного моделирования при использовании процедур нечеткой логики не учитывают некоторые особенности инновационных процессов на региональном уровне. Во-первых, возникает необходимость определения системных показателей (консонанс, диссонанс, взаимное влияние и т.д.), которые рассчитываются в «традиционных» когнитивных картах. Во-вторых, связи между концептами изменяются во времени, при этом может поменяться не только значение, но и характер влияния.
Для учета первой особенности, исходя из результатов проведенного исследования для моделирования взаимосвязи результатов реализации стратегий социально-экономического развития регионов и инновационных стратегий на региональном уровне предлагается новая разновидность нечетких когнитивных карт, учитывающая неопределенность системных характеристик, отличающаяся от известных тем, что:
· отношения влияния между концептами представлены нечеткими множествами, при этом проблема учета отрицательного влияния концептов решается путем расширения базового множества для этих нечетких множеств на область отрицательных значений;
· для решения задачи аккумулирования влияния нескольких входных концептов на один выходной концепт, а также для определения опосредованного влияния концептов друг на друга используется интервальный метод с реализацией операций над интервалами б-уровней нечетких множеств (чисел), представляющих состояния концептов и отношения их влияния друг на друга;
· системные характеристики нечеткой когнитивной карты определяются на основе транзитивно замкнутой матрицы взаимовлияний, элементы которой представляют нечеткие множества, заданные на областях положительных и отрицательных значений базовых множеств; расчет системных показателей реализуется на основе интервального метода с использованием операций над интервалами б-уровней нечетких множеств; а сами системные показатели представляют собой модифицированные в результате преобразований нечеткие множества либо синглтоны (одноточечные нечеткие множества);
· в результате проводимого анализа учитывается неопределенность используемых системных характеристик.
Рассмотрим основные этапы построения и использования предлагаемой разновидности нечеткой когнитивной карты.
Этап 1. Выделение перечня концептов (элементов исследуемой системы).
Согласованный список концептов предложенного варианта нечеткой когнитивной карты формируется в результате опроса и согласования мнений группы экспертов в соответствии с известными процедурами экспертного опроса и обработки результатов экспертного опроса.
Этап 2. Описание взаимного влияния концептов друг на друга.
Отношения влияния между концептами Ki и Kj нечеткой когнитивной карты данного типа представлены в виде нечетких множеств  .
При этом проблема учета отрицательного влияния концептов решается путем расширения базового множества для этих нечетких множеств на область отрицательных значений (рис. 1). Здесь нотация  обозначает нечеткое множество, заданное на области отрицательных значений базового множества Dij.
Данные нечеткие множества рассматриваются как элементы нечеткой матрицы смежности для графа предложенной разновидности нечеткой когнитивной карты. Так как нечеткие множества, характеризующие влияния концептов друг на друга, могут быть заданы на области отрицательных значений базового множества, проблема обработки отрицательных влияний решается за счет раздельной обработки нечетких множеств, заданных на областях положительных D+ij и отрицательных D-ij. значений базового множества Dij.
Рис. 1. Пример расширения базового множества для нечетких множеств
на область отрицательных значений
Нечеткие значения выходного концепта вычисляются на основе интервального метода с использованием операций над интервалами б-уровней нечетких множеств. Например, при использовании связки min передача непосредственного влияния концепта Кi на концепт Кj осуществляется следующим образом:
Данные нечеткие множества рассматриваются как элементы нечеткой матрицы смежности для графа предложенной разновидности нечеткой когнитивной карты. Так как нечеткие множества, характеризующие влияния концептов друг на друга могут быть заданы на области отрицательных значений базового множества, то проблема обработки отрицательных влияний решается за счет раздельной обработки нечетких множеств, заданных на областях положительных  и отрицательных  значений базового множества Dij.
Нечеткие значения выходного концепта вычисляются на основе интервального метода с использованием операций над интервалами α-уровней нечетких множеств. Например, при использовании связки min передача непосредственного влияния концепта Кi на концепт Кj осуществляется следующим образом:
 .
|
(1)
|
Этап 3. Определение влияния входных концептов на один выходной концепт.
Отдельные нечеткие влияния входных концептов, непосредственно воздействующие на выходной концепт объединяются на основе интервального метода с использованием операций суммирования и умножения над интервалами α-уровней соответствующих нечетких множеств:
|
(2)
|
Этап 4. Определение опосредованного влияния концептов.
Задача нахождения опосредованного влияния концепта Ki на концепт Ky заключается в определении совокупного причинного эффекта или «веса» того пути между этими концептами, который характеризуется максимальным совокупным значением влияния  .
Определим l-й путь между рассматриваемыми концептами Ki и Ky нечеткой когнитивной карты следующим образом: Ki  Ky: Pl =  , l = 1, …, m, где m – возможное число путей между концептами Ki и Ky. Тогда влияние концепта Ki на концепт Ky определится в соответствии с выражением:
 .
|
(3)
|
Для определения опосредованного влияния всех концептов карты друг на друга используется операция транзитивного замыкания квадратной нечеткой матрицы взаимовлияний, элементы которой представляют нечеткие множества:
|
(4)
|
где степени нечетких матриц вычисляются на основе операции макситриангулярной композиции над интервалами α-уровней соответствующих нечетких множеств влияний:
|
(5)
|
Этап 5. Определение системных характеристик нечеткой когнитивной карты.
Для определения взаимовлияния концептов от исходной нечеткой когнитивной карты с положительными и отрицательными влияниями, представленными нечеткими множествами  , заданными на областях положительных и отрицательных значений базового множества Dij, соответственно, переходим к нечеткой матрице положительных связей R размером 2n2n, элементы которой определяются из матрицы W =  nn путем замены:
если  , то  ,  ,
если  , то  ,  .
|
(6)
|
Остальные элементы принимают нулевые значения.
В случае амбивалентности исходной когнитивной карты положительно-отрицательная пара влияния преобразуется по аналогичному алгоритму, только вместо нулей на диагоналях ставятся определенные значения. Если необходимо, то при учете мнений нескольких экспертов результирующие связи в исходной карте получаются усреднением отдельно положительных и отрицательных связей по оценкам всех экспертов с учетом значимости каждого эксперта. Кроме того, для снижения диссонанса при формировании отношений взаимовлияния концептов в исходной карте могут быть использованы проверенные психометрические меры, на которых основаны свертки в моделях предпочтений [3].
Согласованные отношения взаимовлияния концептов определяются в результате транзитивного замыкания матрицы R:
 = R R2 R3 … .
|
(7)
|
Представим полученный результат в виде матрицы, состоящей из положительно-отрицательных пар элементов (vij,  ), образованных по правилу:
vij = max ( ,  ),
= –max ( ,  ).
|
(8)
|
Здесь знак «–» во втором выражении означает, что , задано на области отрицательных значений базового множества Dij.
Элементы матрицы V =  могут использоваться для определения системных показателей.
На основе этой матрицы определяются представленные ниже системные показатели предложенной разновидности нечеткой когнитивной карты, по которым определяется взаимный консонанс, диссонанс, положительное и отрицательное влияние концептов друг на друга и на систему в целом и другие системные и интегральные показатели, используемые для исследования свойств анализируемой системы. Отметим, что общий вид формул для расчета практически совпадают с используемыми в рамках традиционного подхода [4]. Однако расчет системных показателей реализуется на основе интервального метода с использованием операций сложения, умножения и деления интервалов α-уровней нечетких множеств, а сами системные показатели представляют собой модифицированные в результате преобразований нечеткие множества либо синглтоны (одноточечные нечеткие множества).
Этап 6. Анализ системных характеристик нечеткой когнитивной карты.
По результатам рассчитанных характеристик предложенной когнитивной карты осуществляется анализ, при этом учитывается неопределенность используемых системных характеристик.
Для учета второй особенности (изменение во времени связей между концептами) при анализе динамики построенной модели предлагается использовать следующие модифицированные выражения:
 , (9)
и
 (10)
где t, t +1 – дискретные моменты времени; sign – функция знака.
Выражение (9) используется для описания связей, характер которых изменяется во времени. Например, инвестиции в инновационную инфраструктуру региона на начальном этапе приводят к снижению показателей экономической эффективности малых инновационных предприятия, создаваемых в рамках инфраструктуры, (влияние на показатели рентабельности отрицательное), а затем, в случае успешной реализации инвестиционного проекта, влияние становится положительным. К возникновению связей данного типа приводит также учет сезонного фактора.
Выражение (10) учитывает более сложные типы связей, величина и характер которых зависит от значений выходного концепта. Указанная зависимость может быть описана некоторой функцией. Например, связь влияния величины инвестиций в определенную отрасль региональной экономики на поступление в региональный бюджет может быть описана функцией вида, приведенного на рисунке 2.
Рис. 2. Зависимость связей между концептами «объем инвестиций»
и «поступления в бюджет»
Данный вид функции связан с тем, что на начальном участке до определенного уровня инвестиций  связь между рассматриваемыми концептами отрицательна, т.к. снижается прибыль предприятий. На третьем участке (от  ) чрезмерные инвестиции могут привести к росту предложения товаров и услуг и, соответственно, росту конкуренции, снижению цен, прибыли, что, в свою очередь, вызовет снижение доходов бюджета.
Выражения (9) и (10) могут быть представлены в обобщенном виде:
 ,
где  и  операции идентифицированной аддитивной и мультипликативной свертки соответственно.
Рассмотрим трехуровневую когнитивную карту, отражающую взаимосвязь элементов стратегий социально-экономического развития региона, инновационных стратегий развития региона и стратегий развития региональной инновационной инфраструктуры (концепты ai ,вj, сl соответственно), приведенную на рисунке 3. На рисунке для удобства восприятия показан только характер связей; пунктирными стрелками приведены связи, описываемые при помощи выражений (9) и (10).
На рисунке 3 введены следующие обозначения. Карта социально-экономического развития региона: a1 – объем регионального промышленного производства; a2 – объем ВРП; a3 – поступление в бюджет; a4 – уровень занятости; a5 – уровень доходов населения; a6 – затраты на образование; a7 – уровень конкурентоспособности регионального продукта; a8 – показатели состояния окружающей среды; a9 – уровень инновационной активности; a10 – объем инвестиций; a11 – рентабельность продукции/услуг; a12 – уровень налогов.
Карта инновационной стратегии развития региона: b1 – объем генерации инновационных разработок и технологий; b2 – объем выпуска наукоемкой продукции предприятиями региона; b3 – объем инновационных разработок и технологий, нашедших применение за пределами региона; b4 – объем инвестиций в инновации; b5 – доля инновационной продукции в общем объеме производства; b6 – инновационный потенциал региона; b7 – степень реализации инновационного потенциала региона; b8 – эффективность инновационных структур; b9 – объем инноваций, заимствованных в смежных регионах и реализованных на собственных предприятиях; b10 – спрос на инновационные разработки в смежных регионах; b11 – уровень конкурентоспособности региональных инноваций; b12 – занятость на инновационно-активных предприятиях; b13 – уровень подготовки инновационных кадров; b14 – затраты на подготовку инновационных кадров; b15 – меры бюджетного стимулирования инноваций; b16 – уровень региональных налогов на инновационную деятельность; b17 – доля инновационно-активных предприятий; b18 – импорт инновационной продукции; b19 – занятость на предприятиях, которые осуществляют НИОКР и НИР.
Рис. 3. Трехуровневая когнитивная модель для управления инновационными процессами в регионе
Карта стратегии развития инновационной инфраструктуры: c1 – общий объем инвестиций в инновационную инфраструктуру региона; c2 – уровень доступности услуг, оказываемых элементами инновационной инфраструктуры региона; c3 – число ежегодно создаваемых элементов инновационной инфраструктуры региона; c4 – доля малых инновационных предприятий в общем количестве предприятий региона; c5 – потенциал инновационной инфраструктуры региона; c6 – рентабельность малых инновационных предприятий инновационной инфраструктуры; c7 – количество идей, доведенных до уровня конкретных инновационных проектов в результате поддержки организаций инновационной инфраструктуры региона; c8 – затраты на обучение персонала для организаций инновационной инфраструктуры; c9 – доля инновационной продукции, выпускаемой организациями инновационной инфраструктуры региона; c10 – скорость диффузии и трансфера инноваций в рамках региона; c11 – степень использования собственных инновационных ресурсов инфраструктуры региона при управлении инновационными процессами; c12 – уровень использования внешней инновационной инфраструктуры; c13 – широта охвата этапов инновационного процесса предприятиями региональной инновационной инфраструктуры; c14 – степень развития механизмов взаимодействия элементов инновационной инфраструктуры региона при сопровождении и реализации инновационных проектов; c15 – уровень виртуализации инновационной инфраструктуры.
Описывая связи при помощи предложенных выражений, можно определить степень комплексного влияния управляемых концептов на целевые концепты (в том числе в динамике), а также другие системные показатели.
В ряде случаев функция, характеризующая зависимость связи между концептами от значений концептов, имеет вид, схожий с описанием поведения реле. Например, затраты на обучение персонала в области инноваций обеспечит постоянное положительное влияние на показатели эффективности предприятия только после определенного уровня этих затрат.
Отметим, что использование изменяющихся связей между концептами когнитивной карты позволит расширить область применения аппарата когнитивного моделирования на системы управления инновационными процессами, обеспечивая повышение обоснованности решений по повышению инновационной активности в рамках региональных социально-экономических систем.
Литература
1. Борисов В. В., Бычков И. А., Федулов А. С. и др. Компьютерная поддержка сложных организационно-технических систем. – М.: Горячая линия – Телеком, 2002.
2. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001.
3. Козелецкий Ю. Психологическая теория решений. – М.: Прогресс, 1979.
4. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. – М.:ИНПРО-РЕС, 1995 г.
Дли Максим Иосифович – доктор технических наук, заведующий кафедрой менеджмента и информационных технологий в экономике Филиала ГОУВПО «Московский энергетический институт (технический университет)» в г. Смоленске (филиал ГОУВПО «МЭИ (ТУ)» в г. Смоленске)
Какатунова Татьяна Валентиновна – кандидат экономических наук, доцент кафедры менеджмента и информационных технологий в экономике Филиала ГОУВПО «Московский энергетический институт (технический университет)» в г. Смоленске (филиал ГОУВПО «МЭИ (ТУ)» в г. Смоленске, Россия)
Dli Maksim Iosifovich - Doctor of Science in Economics, Head of the Department of Management and Information Technologies in Economics of Smolensk Branch of Moscow Power Engineering Institute
Kakatunova Tatjana Valentinovna - Senior Lecturer of the Department of Management and Information Technologies in Economics of Smolensk Branch of Moscow Power Engineering Institute
Статья поступила в редакцию 03.04.11, принята к опубликованию 07.08.11
УДК 330
В.Д. Шалынин
V. D.Shalynin
МОДИФИКАЦИИ ТЕХНОЛОГИИ МОДЕЛИРОВАНИЯ ЗАДАЧ КОММЕРЦИАЛИЗАЦИИ ОБЪЕКТОВ ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
Technology Modifications of OIP Commercialization Task under Conditions of Uncertainty
Рассматриваются возможные модификации технологии моделирования задач коммерциализации объектов интеллектуальной собственности в условиях неопределенности на базе нечеткой логики.
We consider possible technology modifications of OIP commercialization task simulation under conditions of uncertainty based on fuzzy logic.
Реализация любого инновационного проекта на практике предполагает всестороннее прогнозирование будущего результата проекта. По результатам прогнозирования задач коммерциализации ОИС предполагается получение прямого или косвенного ответа на два вопроса:
1. Каков будет результат операции коммерциализации?
2. Каков риск недостижения этого результата?
Обеспечение достоверности прогнозных исследований имеет исключительное значение и достигается с помощью использования трех источников информации о будущем:
· опыт (полученный при управлении достаточно хорошо известными явлениями и процессами);
· результаты экстраполяции тенденций реализации проекта (закономерность развития которых в прошлом и настоящем достаточно хорошо известна);
· результаты прогнозного моделирования.
При этом следует отметить, что всем трём источникам информации, используемым при прогнозе, и самому прогнозу присуща высокая степень неопределённости. Неопределённость самого прогноза и его составляющих является неотъемлемой характеристикой прогноза. Именно это и предопределяет исключительную сложность и проблематичность получения научно обоснованных результатов прогноза при моделировании задач коммерциализации ОИС.
Проведенные исследования показали, что по месту возникновения все действующие на процесс коммерциализации ОИС внешние факторы неопределённости могут быть разделены на четыре группы:
1. Факторы, обусловливающие неопределённость исходных условий, которые могут быть выбраны или изменены при планировании операции, сделки (управляемые характеристики).
2. Факторы, обусловливающие неопределённость исходных и текущих внешних, возмущающих условий, влияющих на эффективность проведения процесса коммерциализации.
3. Факторы неопределённости, непосредственно связанные с характером, вариантом и моделью реализации маркетинговых задач коммерциализации ОИС.
4. Факторы, обусловливающие неопределённость желаемых, целевых условий.
Наличие факторов неопределенности перечисленных групп позволяет констатировать, что именно они выступают в качестве источников коммерческого риска процесса коммерциализации ОИС. Тогда эффективность прогнозного моделирования задач коммерциализации ОИС определяется уровнем совершенства процедуры аппроксимации неопределенности, воздействующей на процесс коммерциализации.
Исследования традиционных технологий и методов моделирования показало, что попытки аппроксимации неопределенности были явно идеализированы и, как правило, заключались в описании неопределенности лишь в качестве распределения вероятности.
Данное обстоятельство, как мы полагаем, обуславливает необходимость применения технологии, опирающейся на институциональный подход, и позволяющей аппроксимировать неопределенность исходных данных для моделирования, оценивать обусловленные ею риски.
В исследованиях В. Бочарникова триада категорий прогноз-неопределенность-риск проявляет себя по следующей схеме: при проведении «прогнозного моделирования» («прогноз») необходимо формализовать (выявить и учесть) «неопределенность», обусловливающую появление «риска» по некоторому (выбранному) показателю эффективности процесса коммерциализации [1].
С нашей точки зрения, предлагаемая схема позволяет оценить природу, возможность появления, величины рисков, сопровождающих процесс коммерциализации ОИС, найти правильное решение по их минимизации и, тем самым, обеспечить максимальную эффективность задач коммерциализации.
Но для реализации предлагаемой схемы прогнозного моделирования задач коммерциализации (в дополнение к классическим подходам) необходим комплексный подход, позволяющий:
· аппроксимировать нечеткие исходные данные, то есть данные, полученные в условиях неопределенности;
· установить уровень возможных рисков, порожденных исходной и текущей неопределенностью процесса коммерциализации.
Другими словами, в основу институционального подхода к моделированию задач коммерциализации должны быть положены методология и технология, лишенные недостатков и ограничений классических, вероятностных подходов, позволяющие аппроксимировать неопределенность и оценивать связанные с ней риски. Необходимым условием реализации подхода является возможность описания нечетких понятий в количественных категориях, т.е. с помощью каких-либо математических конструкций. Как представляется автору настоящей статьи, в условиях недостатка достоверной, четкой информации наиболее предпочтительным является подход на основе применения специальных методов и соответствующих инструментальных средств, обеспечивающих достоинства лингвистического и аналитического подходов к моделированию. Преимущества лингвистического и аналитического подходов в условиях воздействия тотальной неопределенности реализуются с помощью методологии институционального подхода, использования экспертно-аналитических систем и аппарата нечетких мер и множеств .
Тогда применяемое к процессу коммерциализации ОИС прогнозное моделирование рекомендуется рассматривать через призму решения экспертно-аналитических задач оценки и прогнозирования в условиях неопределенности, что обеспечивает:
· возможности по формализации и моделированию ранее «не решаемых» задач;
· максимальную приближенность к возможностям учета экспертных данных, которые в процессе коммерциализации оказываются, зачастую, единственно возможными данными;
· возможность не только сбора и обработки информации, но и адаптации ее к изменениям в процессе моделирования;
· возможность проведения операции над нечеткими числами без их предварительной дефаззификации, т.е. без потери качества.
Особые требования в этих условиях предъявляются к экспертам, персоналу, руководителям, методическому и программному обеспечению, а именно: наличию специально подготовленных кадров в области моделирования в условиях неопределенности; наличию апробированных частных инженерных методик по практическому использованию выбранной технологии моделирования.
Как показывает исследование источников [1,4,5], в условиях процесса коммерциализации, постоянно сопровождающегося высокой информационной неопределенностью, наиболее эффективной является технология сценарно-прогнозного, экспертно-аналитического моделирования и прогнозирования на основе нечетких мер и множеств. В зависимости от специфики решаемых экспертно-аналитических задач коммерциализации могут применяться различные модификации Fuzzy-технологии, отличающиеся частными инженерными методиками и программным обеспечением (таблица). Аппроксимация неопределенности исходных данных производится с помощью преобразования соответствующих суждений эксперта и чисел в «нечетком» виде с любым необходимым распределением уверенности в их истинности. Операции над нечеткими числами осуществляются без их предварительной дефаззификации.
Модификации технологии моделирования
 Высокая эффективность подобной технологии была подтверждена еще в 1965 году благодаря новаторским работам Л. Заде. Им была предложена теория нечетких множеств (Fuzzy Sets Theory), а впоследствии разработана специальная технология (Fuzzy-технология) решения практических задач бизнеса в условиях влияния разнородных факторов неопределенности [2, 3].
Преимущества применения модификаций Fuzzy-технологии наиболее эффективно проявляются:
· для очень сложных процессов, когда нет адекватной математической модели;
· для нелинейных процессов;
· когда необходимо выполнить обработку лингвистически сформулированного экспертного суждения.
Модификации Fuzzy-технологии дают возможность применять принципы человеческого мышления в программировании и прогнозном моделировании любых частных задач коммерциализации. Экспертно-аналитические системы, построенные на базе нечеткой логики, позволяют эффективно решать задачи моделирования и прогнозирования задач коммерциализации:
· проводить прогнозную оценку объектов интеллектуальной собственности;
· осуществлять нелинейный контроль за процессом коммерциализации;
· формировать самообучающиеся системы;
· детально исследовать критические и рисковые ситуации процесса коммерциализации;
· совершенствовать стратегию управления процессом коммерциализации (бизнес-планирование).
Реализация возможностей модификаций Fuzzy-технологии обеспечивается институциональностью видов обеспечения: математического, программного, информационного, лингвистического, технического, организационного.
Данное обстоятельство, как мы полагаем, важно в связи с тем, что реализация Fuzzy-технологии предусматривает создание програмно-ориентированных, экспертно-аналитических систем, на базе программных продуктов, которые реализуют математические подходы и предопределяют организационные принципы к решению задач в условиях неопределенности.
Институциональный подход, лежащий в основе применения Fuzzy-технологии, обеспечивает качественно новый уровень моделирования в интеллектуальных аналитических системах, позволяющий оценить любой аспект коммерциализации – политический, социальный, технический, экономический, позволяет отойти от догматики детерминированных или стохастических подходов.
ЛИТЕРАТУРА
1. Бочарников В. П., Свешников В. П., Возняк С. Н. Fuzzy-технология решения задач оценки, анализа, прогнозирования [Электронный ресурс]. – Электрон. дан. и прогр. К.: ИНЭКС, 2003. 1 электрон. опт. диск (CD-ROM).
2. Заде Л.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем // Новости искусственного интеллекта. – 2001. – № 2-3. – С. 7-11.
3. Заде Л. А. Понятие лингвистической переменной и его применения к принятию приближенных решений. – М.: Мир, 1976. – 165 с.
4. Клайн М. Математика. Утрата неопределенности. – М.: Мир, 1984. – 240 с.
5. Клейман А.М. Проблемы коммерциализации интеллектуальной собственности [Электронный ресурс] / Центр правовых исследований
и развития законодательства. Режим доступа: http://www.centrlaw.ru/publikacii/commerz/index.html.
|
